中国是全球第二大美妆市场，市场规模从2015年到2020年增长超过2倍，预计2025年将增长至16180亿元。庞大的规模和快速的增长让中国市场成为海内外美妆品牌的主要销售驱动力。同时，随着近年来消费者需求升级，美妆品牌的多样化渠道也在不断完善，线上线下融合，全渠道业务发展，对美妆零售的供应链能力不断提出挑战。

10月25日-26日，「让业务用起来·观远数据2022智能决策峰会暨产品发布会」云上直播圆满举办！20位大咖齐聚，2天干货分享，20000+观众线上参会共享“数智盛宴”，与来自零售消费、金融、互联网、高科技10+行业的世界500强企业高管、先进企业业务与技术决策人、数字化实践先锋企业数据从业者、行业KOL一起，远望趋势，近探实践，榷论方法，深掘价值，共探“让业务用起来”的数智创新与增长路径。

丝芙兰中国供应链总监赵苏女士莅临云上直播，带来《“让业务用起来”门店新品AI+BI智能分货案例》主题分享，详细介绍了丝芙兰中国与观远数据一起，从企业业务痛点及具体业务场景出发，进行的门店新品AI+BI智能分货实践如何成功助力丝芙兰供应链在快速上新和迭代周期中，实现精准分货、敏捷响应市场需求变化，为丝芙兰带来60%的分货效率提升，帮助品牌门店为顾客带来良好的消费体验。

以下为丝芙兰中国供应链总监赵苏女士的分享实录：


大家好，很高兴今天受邀来参加观远数据2022年的智能决策峰会。今天希望跟大家分享的是我们在2021年与观远数据一起打造的门店新品AI+BI智能分货案例。

在我分享案例之前，也想让大家了解一下丝芙兰。

丝芙兰中国是LVMH集团下的高端美妆零售，总部在法国。在中国市场有来自全球200多个品牌，其中包含丝芙兰自有品牌。丝芙兰中国是全渠道零售，有线下300多家门店，线上丝芙兰APP、小程序和各平台上的旗舰店。所以对于丝芙兰整个供应链来说，要提供的就是线上线下全渠道的服务，所以我们在这里谈到的货物的分配也都是线上线下全渠道的分配。

PART 1

美妆零售供应链面对的挑战

谈到美妆零售，我们也想跟大家先提一提我们所面对的挑战，让大家能够更好地理解为什么我们会和观远数据进行智能分货的合作。

正如我刚才所说，丝芙兰作为集合店，它每一年的新品迭代其实是非常快速的，基本上每一年1/3的产品都会迭代换新。快速迭代的挑战对我们来说就是如何将新品更好地买进、更好地去部署新品库存、更好地让它到达消费者希望的渠道，这些都是我们在做新品安排的时候供应链所需要考虑的。

大家也知道这几年因为疫情的影响，所以不同品类都有非常大的变化。我们销售的产品有护肤品类、彩妆品类，还有香水、美发仪器等等，在这个大的市场的影响之下，全渠道消费者整个需求是非常多变的，这种情况下如何做好快速的响应，也是一个我们所要应对的挑战。

从刚才我们谈到的品牌而言，我们有很多品牌是进口产品，因此在其中对于新品上新、老品下线、新品市场安排或者门店促销等等零供的信息，传递链其实是比较长的。它与我们在本土生产的产品非常不一样的一点在于本土生产的产品有可能在卖成爆品断货时，经过两周或者三周就能很快补上，但对于进口产品，哪怕是空运也很难在短时间内将需要的货物补上。所以，在这里就更加考验了我们的预测以及分货的精准度。

上述这些挑战，其实也都是提出了一个海量数据分析的需求。如果我们做不到对这些数据相应的及时分析的话，也就很难做出第一时间的反应，去看到哪些新品卖得好需要补货，哪些新品可能在某些区域有所滞销，需要与门店或者品牌方一起更好地推动。

这两年因为国家的化妆品管理条例的提出，对我们整体的合规性要求也对应提高，所以也增加了进口产品的一些难度。

PART 2

门店新品AI+BI智能分货实践案例

在理解了我们所面对的一些挑战后，我想大家也就不难理解为什么丝芙兰中国要在去年，特别是在疫情后，提出来要做这样一个更好的新品分货的项目。

大家可以看到，我们的整个项目其实从2021年一季度提出，到最后四季度实施上线，项目时间并不是特别的长，这也是有赖于观远数据团队的大力支持。

在去年一季度的时候，项目正式启动，做供应商的筛选，包括一些POC的展示。到第二季度，就确认了这个项目具体的范围时间表，观远数据团队在里面开始做我们各种数据的对接，跑一些初步的模型。到Q3，是比较深度参与的双方一起来做的试运行阶段，来看一看从一个品牌到多个品牌，项目模型是否能够支持，以及一些辅助的功能模块的开发。在这段时间中观远数据团队和丝芙兰供应链团队有很多面对面的沟通合作，产生了非常多的交流。到了四季度，就是不同品类的回测，有了回测之后更进一步地提出模型的调优，并且一起开发BI部分的dashboard，以让团队更好地将它用起来。

只上一个系统而没有流程的变化，或者不能让团队感到这个系统能让大家的工作变得更加简单，那这个系统是不会很顺利上线的。在这个项目中，基于观远数据BI能力，能够让我们的业务团队更直观的看到应该采取哪一种行动来帮助门店新品分货。

在这里也想简单地介绍一下我们和观远数据一起实现的整个模型、整个产品的逻辑。

我们目的是希望通过AI+BI相结合，实现更加灵活、更加自动化的预测，解决从前依赖人、精度不高、效率也受限的难题。当然在这里面并不是说以后都完全不需要人，而是人和系统的更好的结合。

系统能够基于算法和我们输入的业务规则，更快的帮助我们看到数据，也能更快速的接入数据。然后可以做一些基于已有的预测逻辑实现的预测任务，通过可视化方式展现给我们的planner在线进行更多的业务洞察，之后做一定的调整，并且这个系统也能够帮助我们做一些更高级的what-if的分析。

大家可能会觉得可视化不是一个非常高大上的方法，确实可视化在各行各业的供应链里已经用的比较多了，但正是因为如此，才一定要在BI的加持下让模型通过可视化展现出来，发挥模型的作用，才能更好的做人机交互。这是我们做项目时一个非常大的感受。

我们可以看到，观远数据的方案帮助我们提高了25%的有货率，库存的均衡度也有了20%的提升，整个分货效率也有了60%的提高。

在这里特别想讲的是，如上述所说由于消费者需求的变化，我们各个店的需求也变化得非常快，如果要求完全由人工去做分析，那肯定不能高效反应，只有基于我们打造的Smart Allocation的工具，才能够更好的做到。我们的每家都有针对店铺的铺货策略，能保证我们分货的均衡度和有货率。并且因为有了dashboard，整个业务流程也做了打通，那么在分货之后我们向品牌方补货的协作也更加高效，这点也是非常重要的。

PART 3

AI+BI门店新品分货项目实施体会

在这里也想借此机会总结一下在这个项目实施中的体会。

做任何数字化工具，“做工具”都不是最终目的，“我们到底要用这个工具解决什么样的业务问题”才是最重要的。如果业务问题没有很清晰的提出，那做数字化产品的开发以及实施时就会迷失方向。所以我们说业务问题的清晰提出是数字化的前提。

我们也非常感谢观远数据的团队，在整个过程中非常高效的以专业水平跟我们一起来打磨这个产品。我相信各个零售企业的业务团队跟我们一样，都是有一些这样那样的需求在的，也对业务有自己的一些理解，观远数据能够在提出一套基础的方案后，双方一起沟通，在基础方案之上做一些客制化。打磨产品是非常非常重要的。

在打磨产品的过程中，如我之前所讲BI对于我们整个工作流程的转变和提效也非常重要，如若不然AI的这些模型我们都是看不到摸不到的，团队必须要有一个BI的dashboard才能够更加直观的感受到真正的数字化带来的成果，才能够愿意去应用它。

我们和观远数据2021年一起合作这个项目，到今年2022年也一直是在合作过程中。每一个季度随着我们新品的上新，观远数据的团队都会继续做一些模型的调校。特别是随着促销的不同，在分货效率上其实是会有一些变化，不断的模型调优对于我们长期的、可持续性的支持决策也非常重要。

我相信这两年的合作对丝芙兰团队和观远数据团队来说都是一个加深彼此了解的过程。有了这些了解，有了这些know how之后，双方才能够再继续去打磨更多的数字化产品。最后也借用观远数据的一句话来做个收尾，“让业务用起来 让决策更智能”。谢谢大家。