Chapter 4: Impact on “Sell”

作者在前面提過供應鏈的四大作業，Sell, Make, Move and Buy，在本書的第二大段就是一一解釋大數據分析如何影響這四大作業，並透過一些案例提供讀者參考。

作者認為銷售 (sell) 對於供應鏈的影響在於行銷 (marketing)，透過大數據分析來得知顧客的喜惡並預測顧客的行為。行銷負責將企業組織與外部客戶連接起來，要將整體供應鏈的價值 (value) 提供給顧客，因此對於供應鏈的影響極大。

在台灣很多企業對於marketing與sales並分不清楚，許多企業的行銷就是辦辦活動、印印傳單、或是負責做give-away，抑或是跟sales一樣跑客戶，並沒有真正發揮作者提到行銷的功能。或許也是因為台灣OEM/ODM的代工型態，行銷沒有受到重視。

以前企業主要是以一般消費大眾為主 (average customer) 來設計運作模式，透過大量生產降低成本並滿足一般的消費者。但是今日的消費者越來越精 (knowledgable)，他們需要更好的品質、更低的價格、更快的交貨速度，因此企業必須思考如何提供更高的客戶服務以及ㄧ對一的客製化服務，這些需求對供應鏈造成極大的改變。

由行銷的定義來看，就是要如何處理四P：

Product (產品)：透過大數據分析了解客戶喜好以及可能一同購買的商品 (bundle sale) 以提高交互銷售 (cross selling) 機會，更甚者可以對消費者建議令他驚艷的產品。
Price (價格)：定價的重要性不必多說，而對於不同市場區隔、不同消費族群應該有不同的定價策略來提高企業獲利。大數據分析可以提供更細的市場分析資料，協助制定價格。
Place (地點)：除了過去多層架構的配銷管道 (distribution channel) 外，未來直送到客戶手上 (direct-to-consumer) 將會慢慢的變成最重要的銷售管道。而如何管理庫存，確認即時滿足客戶需求是大數據分析可以運用的範疇。
Promotion (推銷)：推銷就是要增加產品曝光率與需求度。大數據分析在這一部分已經有許多運用案例，也就是透過分析來進行目標行銷 (targeted promotion)。

在處理這四P時，作者提到幾個比較重要的大數據分析運用：

市場區隔 (market segment)
區域行銷 (location-based marketing)
多渠道行銷 (multi-channel marketing)
消費者情感分析 (sentiment analysis)
店內行為分析 (in-store behavior analysis)
商品規劃與定價 (merchandising, assortment & price optimization)
這些應用基本上都是想要了解「每一個消費者的真正行為」。過去因為資料量不足、IT技術的限制，對於消費行為分析都僅止於「群組」，消費族群、產品族群、區域...，但是因為行動裝置、透過信用卡資訊...等方式所得到的大量數據可能讓企業有機會將消費行為細到「個人」、「SKU」、「單店」這樣的模式。透過了解個人、SKU、單店的消費行為，企業得以更針對性、透過適當的管道進行行銷活動，來提高消費者轉換率。

所以這些sell相關大數據分析的運用都是因為更多數據而可以進行更細緻的分析資訊。企業可以進行更細部的市場區隔 (micro-segmentation)，並且根據location-based資訊來進行區域行銷；例如：北部跟南部的消費習慣與行為肯定不太一樣，在中元節進行行銷時，就可以考慮不同的祭拜習慣推出不同的促銷活動，並且選擇e-mail或是傳統紙本廣告模式來傳送訊息。

正如阿里巴巴副總裁車正覺先生在「大數據的關鍵思考」書裡所提到，如何將前端數據 (消費者行為) 與業務數據 (後端供應鏈運作)結合，讓企業可以在sell這個lever上透過大數據分析得到insight，以供後續make, move, buy來運作，才是真正大數據在sell上運用的最主要目的。而商品規劃與定價就是最直接的部分。

透過大數據分析 (如季節、熱門關鍵字搜尋、店鋪位置...等) ，動態調整商品組合 (assortment) ，並且調整售價來提高產品流動率與獲利率；並且基於店內行為分析找到熱區，然後將熱門、主打商品陳列在熱區，讓消費者容易取得。而這些assortment的決策必須與後面庫存規劃結合，確保有效供給不會斷貨。這樣就是發揮大數據分析在sell上的效益。

台灣製造業很多是電子代工，過去都是被動根據客戶需求來生產，因為身處於供應鏈上游，對於下游狀況沒有辦法掌握，所以就受到長鞭效應的影響，在砍單、急單循環中受苦。但是如果可以思考透過更進一步的數據收集，將分析延伸到供應鏈的更下游，獲取真正消費者需求變動，可以改善這個狀況。例如：如果OBM新產品的評價很好，而且帶動銷售狀況，那麼對於此一OBM的預測應該可以較樂觀；反之評價不佳時，則是否應該較保守？透過大數據分析技術改善需求感知 (demand sensing)的能力，是台灣代工型態可以思考的方向。