生鲜电商在这几年非常火，出现了很多创业创新的电商企业，但是很多都倒下了。在生鲜电商领域整个物流成本很高，品规多，货期特别短，生鲜电商该如何在众多大军中脱颖而出，而站稳脚跟？为此U掌柜刘歆杨为大家讲解如何利用大数据做生鲜新零售。

刘歆杨 U掌柜 供应链副总裁

刘歆杨在GLSC2017年的盛会上，为大家做了“如何利用大数据做生鲜新零售”的精彩演讲。

以下是原文（该内容来源于“GLSC 2017”大会，由Soo56记者整理编辑发布）： 

上台的时候我非常诚惶诚恐，因为有三个关键词我非常如履薄冰。

第一个“大数据”，我们是一家成立两年的公司，我们每天的订单量不能跟阿里和京东相比，我们的数据量谈不上大。

第二个“生鲜”，生鲜是在这个行业里进行了几十年的行业，我们是刚刚进行了两年的新兵，不能讲有很多伟大的成就。

第三个“新零售”，这个概念更不敢讲，这个是各大电商行业、实体行业都非常关注的行业。 基于这三个关键词，所以，今天的发言非常的战战兢兢。

接着刚才论坛上以前在一号店杨平总的观点继续往下讲，他刚才提到未来的仓库在处理库存的时候，可能有一些仓库会越建越大，也有一些仓库会随着顾客的需求，随着产品的特性，会离客户越来越近，仓库规模可能会有一定的缩小，因为它的SKU的运营数量在减少。

我们做生鲜领域的时候发现了非常有意思的现象，我个人会把这个概念理解成每一个消费品对顾客来说背后都是有半径的。不同的商品具有不同的半径，而不同的半径背后伴随着这个商品特性，带着的满足顾客需求的特征是什么。

正因为商品有不同的半径特征，也决定商品在仓库环节、配送环节、供应链环节不同的方式方法。越大的仓库涉及越多的SKU，在仓库内部涉及的细分流程会越来越复杂，这个时候仓库处理的难度也会越来越大。基于这一点生鲜领域通过两年的发展探索出的前置仓的方法，是今天跟大家分享的非常重要的核心。

今天跟大家分享三个主要的议题：

第一，在座的不是每一位都了解U掌柜，我会用很短的时间跟大家做简单的介绍，到底U掌柜是什么样的公司，我们在创业做些什么。

第二，从大数据的维度怎么样解决生鲜电商，所有生鲜行业最头疼的问题——损耗。在损耗角度我们这两年获得什么经验。

第三，基于数据的维度，怎么在U掌柜这样的创业企业里对顾客的关系做进一步的管理。

在开始介绍公司之前首先来了解一下生鲜行业的特点以及运营带来的挑战，有以下6个维度的困难和带来的挑战。

第一，非标准品。大家知道生鲜是为数不多的，在消费品行业里处在非标准化的行业，因为今天我吃到的苹果和明天吃到的苹果很有可能大小不同、果径不同，甜度不同。举一个最流行的商品，静冈网纹瓜，它的甜度可以达到14度以上，这个瓜在日本的销售价格在1000元人民币以上，但是把这个商品拿到中国来销售，在中国山东的销售价格是20块钱人民币。这个体现的是非标准，因为它的体制有太多维度的、数据上的不同导致它是非标准化的。 对采购这件事情来说所需要的经验依赖度极高。

第二，整进零出，有大量的生鲜处理企业都需要做批量化的采购，甚至是基地的采购，这个时候不仅要把商品采进自己的仓库，也要有可以出去的流量。

第三，保质期短、损耗高。还有一部分的工作类似于生产企业需要做加工，这个时候对系统的加工难度是更高的，因为在加工中也会涉及损耗，也会涉及在生产企业当中的。

保质期短的商品损耗高。在两年多的创业过程当中，我们交了无数多的学费，我们了解到有不同的商品在不同的季节里，有效期的能力、情况都是不一样的。比如说早熟的葡萄和晚熟的葡萄在同样7摄氏度的保存情况下，有效期保存天数也是不一样的，这是生鲜带来的巨大挑战，

第四，消费频次要求高，品质要求高。顾客对于生鲜这一块儿越来越重视，这也是为什么最近这段时间除了餐饮业，生鲜行业在及时配送行业里变的非常火热。

第五，客单价低。既然这个东西是即刻送到的，这个时候顾客的决策数会变的非常少，顾客的客单价一定会偏低，想吃这个东西一定想到的是：我想吃瓜。所以顾客的决策时间非常短，这个时候带来的问题是客单价很低。同时回到电商的行业，最大的痛点是什么？获客成本很高，现在的流量入口基本上被各大电商占有。

第六，物流成本高。

基于这六个困难和特点，生鲜电商是需要一种全新的运营解决方案。 全新的运营解决方案是什么呢？是我们通过这两年的创业，U掌柜在业界创造出来的前置仓加上生鲜美食1小时达的模式。我们通过去中心化的仓储管理，同时实现订单下达以后1小时给用户送达，基于LBS技术来实现订单运单，来实现生鲜解决方案。

介绍一下U掌柜的创业团队及我们的团队。有祝总和王总两位创始人，祝总是我们公司的CEO，王总是我们公司的董事长，整个团队来自于世界各大500强的企业，很惭愧地讲我们是目前在电商行业里唯一操盘过0到300亿的网上零售规模的创业团队。

关于U掌柜的前置仓加1小时配送的模式，有什么关键词可以想起？这些关键词无非分成两个大类，第一大类叫体验，第二个大类叫做模式。什么是体验呢？大家可以看到满19.9块包邮，精选500种单品，4温区配送，这都是我们针对生鲜的独特特点给客户的体验。前置仓是我们的模式、16个签约基地是我们的模式。

为什么说我们现在目前通过这两年的摸索，认为这样的解决方案是在当下更加适合于生鲜品类的供应链解决方案呢？非常简单，因为供应链无非就是商品的转变以及搬运，和储运变化的环境。这个环节被压缩的越短越少，这个东西呈现给故顾客时候的体验就会越好，尤其是在短效期生鲜品类的商品里会尤为明显。

在上海有一个水果国际进口的一级批发市场，永南路的会展市场。这个市场每天有非常多的货柜，从洋山港、外高桥卸下来开柜，像车厘子、猕猴桃等等。我个人亲身体验感受到短供应链带来的极致体验是什么呢？去年冬天的时候我在会展市场打开了一个集装箱的柜子，我拿出了一个还没有拖冷的美国进口的红的蛇果，我第一次吃到了像红富士一样的蛇果，但很遗憾的是在3小时以后这个蛇果就变的非常地面。这给我们的启示是供应链的时间越短，带给顾客的价值和体验就会更好。

我们在上海市建有若干个大小规模的前置仓，前置仓直接向产地、市场、买手对接，前置仓接到货以后，当顾客通过LBS的定位找到对应商，我们直接1小时出货送订单，目的只有一个：以最快的方式把商品给顾客。根据生产计划来包装包裹，每个顾客买到的包裹包装方案还不同，通过这样的包，包成纸装的商品以后，通过落地配、城配、次配等方法在若干小时或若干天后送到顾客的手上。生鲜商品经过这样的环节，顾客收到东西的品质已经在潜移默化地发生变化，大家知道对于水果品类来说是有生命的，无时无刻不在发生呼吸作用，甜度、脆度都在发生改变。

我们是如何通过数据的方法来管控我们的损耗？如何来管理客户关系？大数据就不用非常复杂的概念来解释了，目前的数据已经非常多了，多到我们不知道用哪一个数据。U掌柜在处理损耗问题上的时候，我们回到了事情的本身。损耗产生的原因无非就是商品的滞销或者过期商品导致它产生损耗。在正常处理问题的时候，最完美的方法是从源头来解决问题。所以越来越多的公司希望利用数据来预测自己的销量。在大数据时代爆发之前的传统时代，人们在预测方面已经使用了很多的数学方法，有时间预测的方法，有灰色预测模型，回归性的预测，线性的预测都有。从以往的经验来看，最好的预测结果误差的精度在正负15%左右，而且这个是在一定地域和体量内的误差。预估的体量越大，精度就会越好。但是当你预估的东西的精度越细，预测精度就会越差。随着大数据时代的到来，机器学习成为人们越来越关注的点，这个时候形成了在行业内比较成熟的网络，神经网络模型Long-Short Term Memeory，这个模型看起来非常复杂，非常高大上。这个模型也是由我们公司的首席科学家，从美国回来的博士自己亲自开发出来的，我本身也没有深入到这个地步，但是可以说说这个模型带来最大的好处，我作为这个模型的使用者觉得有两个好处。

第一，可以降维，原来我们需要预测的体量越大，精准度就越高。但有了大数据以后我们可以预测非常细小维度的精准度。比如说我们在某一个前置仓，SKU在未来的销售会是什么样的，降低维度预测的精准度比以前传统的数学方式要精准的更加多。

第二，特殊性和特殊干扰因素的考量比以前高。以前我们用数学模型处理的时候往往要处理噪点，在统计学说要把噪点给去掉，然后我们收集数据做模型的预测。但在大数据时代，我们不需要把所谓的噪点全部都去掉，因为它会变成机器学习的一部分，在这种情况下更长时间的波动，会被机器学习的方式所侦测到。这就是我们使用神经网络学习当中的非常大的好处。 接下来再简单阐述一下用数据管理客户关系时，近两年来得到的小经验。顾客关系在电商发展的早期就已经出现了CIM系统，其实它的精髓就是对顾客进行分类，并且对数据进行分类处理。那个时候CIM系统更多使用的是数值型和绝对值型的管理系统，我认为你是优质顾客，我认为你是贡献价值的顾客，我认为你是不好的顾客等方式。

但当有机器学习概念以后，其实我们可以利用机器学习既有的模型来做分析，并且得到并不是非常绝对值的概念，而是持续的、不断改善的，不断提高发生几率的模型。U掌柜在使用的是逻辑回归模型。它的概念也相对比较简单，首先我们要了解顾客有多少特征项，我们会把跟顾客相关的28个顾客的特征画像，包含客单价，包含免有门槛，包括给客户发的抵用券的规模，基于特征相量放入到回归模型里。我们首先得到的概念是顾客如果要产生复购，这个特征的是强相关还是弱相关，是正相关还是负相关，我做这件事情是很有可能使顾客多复购，还是有一点可能？还是说顾客不会复购？甚至降低复购频率？通过对28个特征变量反复的回归模型测算，通过不断的A/B test，比如说我们以客单价为例，每提高1块钱的客单价，顾客的复购率会有什么样的改变，通过这样的数据处理，我们在25块钱、55块钱整个A/B test带来的顾客复购率是什么样的，代入到回归模型当中，最后会告诉你20块钱发生高复购的几率是正强相关，还是50块钱发生复购率是正强相关。通过这样的客单价格，才能让我们知道怎么样对客户的复购有更好的帮助。通过这样的分析，在更好的情况下30天的顾客的复购可以做到79%，这个过程就是我们通过非常理性的数据化的过程，来决定如何提高顾客复购率。

今天分享了两个在数据应用方面比较具有实践性的两个案例，谢谢大家！