零售数字化新基建，从数据治理开始

2020年4月，针对社会各界广泛关注的新型基础设施建设概念，国家发改委在其例行新闻发布会对新基建的概念首次做了定义：新型基础设施是以新发展理念为引领，以技术创新为驱动，以信息网络为基础，面向高质量发展需要，提供数字转型、智能升级、融合创新等服务的基础设施体系。

因此新基建包括三方面内容：信息基础设施，融合基础设施，以及创新基础设施。

寻找零售数字化新基建的落脚点

对于这三方面内容，具体到零售行业，新基建的落脚点在哪里?

线下实体零售企业已经纷纷开始了数字化转型的步伐，而在去年，伴随疫情的出现，以及随之而来消费习惯剧变，大部分零售企业加快了数字化转型的部署节奏。

今天，大部分零售企业在数据收集的途径和意愿得到极大提高。随着零售企业对于数据的重视，随之而来的是企业数据大量沉淀，如何有效的盘活和使用数据，也日趋成为各企业关注的焦点。

在和业内企业的交流中，我们发现，目前很多线下零售企业希望走出经验决策的传统经营模式，或多或少都在使用数据化的系统工具，帮助企业进行分析和决策。这些企业少则三五个系统，多则几十个系统，但各系统往往分属于多个供应商，企业内部的数据也呈现孤岛状，如何有效使用数据，满足各业务部门具体业务场景需求，同时避免重复开发和资金浪费，就成为信息和数据部门面临的难题。在缺乏统一数据框架协调的情况下，难免会出现头痛医头，脚痛医脚的现象。

因此，从目前企业普遍面临的现状看，要有效的利用数据解决企业实际问题，真正实现数字化转型，企业内部数据治理势在必行。只有率先形成一个标准的数据底层，数据驱动决策智能化才能顺利进行。

因此，我们认为零售企业数字化的第一步在于数据治理，所谓的数据治理，就是零售企业从使用零散数据变为使用统一主数据、从主数据混乱到井井有条的过程。

认识数据治理的重要性

数据治理的重要性不言而喻。对于大部分零售企业来说，由于内部数据构成复杂，每次具体应用时需要服务商重新清洗，费时费力，效率很低。对企业内部数据进行标准化治理，是有效利用的第一步。

首先，数据治理是企业智能化决策的基础。

从数据应用的角度来看，用户和消费者的满意和复购，是所有数据智能化的最终目地。针对用户进行大数据的计算，需要的数据维度,数据之间的关联性，数据及时性，传统的数据库和IT系统无法满足。这时候数据治理就非常关键，数据有效治理之后，让企业内部多系统数据融合，按需建立数据表索引，混合云部署，让针对用户的大数据计算成为可能。

其次，数据治理可以有效确保企业数据安全性。

随着数据成为新的生产要素，越来越多的企业重视数据安全性，但是传统线下企业数据结构混乱，让数据安全性不能得到有效保障，数据泄密时有发生。虽然组织和制度是保证数据安全性的重要保障，但是，从技术上隔离才是数据安全性的根本解决方案。

数据治理的过程中，采用成熟、专业的数据库防泄漏技术平台，实现数据外泄行为的记录、告警及阻断从而实现数据防泄漏目标，可以确保企业核心重要数据的安全。

第三， 数据治理可以帮助企业应对快速变化的商业环境。

电商，O2O，外卖，直播，社区团购，互联网企业抢夺消费者的方式层出不穷。底层数据治理好的企业，可以快速跟进社区团购，直播等新商业模式，减少线下实体门店客流减少的损失;反之，数据基础不牢的企业，开发一套新的应用的时间和产品稳定性都不尽人意，一套预约自提系统，都会因为线上线下的库存难以实时打通，让用户体验大打折扣。

随着零售企业商业模式不断演进，完善的数据治理架构，便于通过元数据进行扩充，然后提供其数据的相关性、可访问性、可搜索性、合规性，提供新业务的决策依据。

如何进行数据治理—数据的三层结构

企业如何进行数据治理，会采用不同的方法和路径。

总体而言，第一步对企业数据进行归集和标准化。

信息化领域有一个说法就是“垃圾进，垃圾出”，意指用脏乱的数据做样本，产生的研究成果也是毫无价值的。数据的污染可能发生在数据产生、采集、传输、流转、加工、存储、提取、交换等各个环节，因此要保证数据治理目标的实现，就必须对数据进行全流程的管控，要在数据标准、数据质量、数据文件交换、元数据、数据生命周期、主辅数据源、数据安全、数据责任等方面形成统一的数据治理规范。

第二步就是数据模型管理和标签梳理。

数据治理的核心是数据模型管理。目前企业原始数据库中存在大量的字段和表没有注释，意思含糊不清，同名不同义、同义不同名，冗余字段、枚举值不一致的现象普遍存在。这些问题都会直接影响系统对数据的识别。数据建模让数据结构更加丰富和结构清晰化，便于数据口径统一。企业沉淀了大量数据模型之后，要及时做保留或删除管理，不做数据模型管控，那么这些历史问题会给新一代系统改造带来很多困扰。

除此之外，数据标签是对数据实体特征的符号表示，每一个数据标签都是我们认识、观察和描述数据实体的一个角度。因此内部统一标签也至关重要。商品标签包含了条码、规格、口味、图片、包装等信息。顾客标签包括性别、年龄、地区、兴趣爱好、产品偏好、购买力、忠诚度等等。

在实际的数据治理中，数据资源目录、数据分类、数据标签是相互配合、相辅相成的。建立良好的数据资源目录的第一步就是明确数据资源的分类，根据数据分类去组织资源、编目，之后是为数据资源打上数据标签，让数据资源更贴近用户、更容易管理，以便充分发挥出数据的价值。

第三步是企业算法和人工智能应用。

在对企业数据进行归集和标准化，并对数据模型进行管控和标签梳理之后，就可以对数据进行管理，并辅之以相应算法和人工智能，在具体业务场景应用。

以数据模型管理为例：人工智能可以帮助企业实现经验模型与计算机模型的完美融合，构建商品和会员的知识图谱。

以元数据管理为例：人工智能实现对非结构化数据的采集和关键信息的提取，并实现元数据的维护和整理。

再以主数据管理为例：主数据是企业核心业务实体的数据，是在整个价值链上被重复、共享应用与多个业务流程的，并与各个业务部门与各个系统之间共享的基础数据。在复杂数据主数据系统中，机器学习，自然语言处理等人工智能技术可以帮助定义和维护数据匹配规则，以及确定与主数据相关的记录，建立交叉引用等规则。

新基建在某种程度上已经成为国家战略，可以预见，未来几年，全国零售业将迎来一次数字化建设的高潮，借助零售新基建的落地，我们期待业内零售企业快速提升数据管理和应用能力，让中国的零售行业变成一个高效的行业，更好的为消费者服务。