互联网时代，传统企业转型升级是企业得以更好发展壮大的必经之路。江苏洋河酒厂有限公司作为白酒行业领军企业，在不断求发展、求创新的基础上提出“互联网+战略”，尝试大数据营销，走数字化转型之路。本周干货白酒行业领导品牌洋河酒厂信息部部长、江苏优秀CIO、传统企业数字化转型专家余腾江和大家分享传统型白酒企业是如何走好数字化转型之路。
一、演讲嘉宾
余腾江
江苏洋河酒厂股份有限公司互联中心信息技术部部长
余总专注信息化工作20年，是江苏洋河酒厂股份有限公司信息化建设的奠基人;他也是奋战在信息化建设***线的老洋河人;拥有多年信息化工作经验，是在企业基础信息化建设、数字化转型方面经验丰富的实战专家。
二、分享主题
《中华老字号白酒企业的数字化转型之路》
三、演讲大纲
1. 公司背景介绍
- 江苏洋河酒厂股份有限公司简介
- 传统企业大数据转型面临的困难
- 拥抱大数据的必要性 (对大数据的观念上的转变)
2. 大数据平台建设
- 大数据平台架构建设
- 大数据分析团队建设
- 梳理数据标准规范，治理数据源头
- 充分发挥数据价值，提升预测能力
3. 大数据营销应用
- 结合线上线下，统一标签画像
- 定位目标用户，精准广告投放
- 内外部数据结合，支持精准营销决策
4. 大数据创新实践
- 海量数据动态规则，利用大数据辅助费用督查
- 提升预测时效性，从事后分析走向事前管控
5. 总结
四、原文实录
原文实录context：
像大多数传统的快销品一样，白酒行业也是以渠道拉动的传统的行业。销售的主要业务拉动，还是通过广告和营销的拉动来驱动的。从每年的营销的情况来看，每年的广告和营销的费用高达到数亿元或者数十亿万。随着消费者消费习惯的互联网化，传统的广告和营销模式发生了改变，传统的企业纷纷建立了新型的互联网营销模式。随着企业经营环境的变化，企业的数据积累越来越多，如何充分利用数据的价值、如果利用庞大的数据进行精准营销、如何整合数据为线下线上渠道统一使用、这些又成为我们迫切需要解决的问题。
在大数据概念流行以前，传统企业一般通过数据调研的方式进行数据的收集和分析，数据调研对于传统企业来讲以发生的业务开展情况下非常重要，但是数据调研的局限性在于他只是对于业务现状的一种具像化，无法满足企业利用数据创造价值或者利用数据对发展趋势进行预判的一种需求。随着大数据逐渐应用，大数据概念已经深入人心。大数据不仅体现在数据积累的规模上，更重要的是基于大数据所积累的分期模型为企业提供创造新增价值或者预判能力。只有拥抱大数据，才能让企业拥有数据化的决策的支持能力。让企业的决策成为大数据经验融合的理性的商业行为，在这一点洋河应该是一直是有一个清醒地认识的。
下面我就谈一谈洋河对大数据的一些理解和看法。从整个整体环境来讲，这几年遇到了一些压力和挑战，促使我们来推动大数据的一些应用。
从外因来讲，首先传统企业的价值链在发生变化。像快销企业都用自己以渠道为核心的这种价值链的盈利模式，然而随着市场需求的变化，尤其消费升级，需求的个性化，客户的碎片化，视频崛起等各种因素，导致产品满足不了消费者多变的需求。传统渠道的强势或者影响力使得企业的自然转型非常困难，再加上需求群体的变化，使得传统企业面临整个价值链的一些利益再分配的这种危机。
第二，消费场景发生了巨大变化，随着电子商务的蓬勃发展，许多的营销行为从线下走到线上。在今天O2O、移动应用，如雨后春笋般出现在消费者身边，消费者又从线上走到场景化这种模式。场景化彻底的改变了原来的消费方式，从单纯的购物行为转变为基于场景的消费，基于个性化需求的消费。对于传统的企业来讲，如何能够触达随时随地都在变动的消费者?营销资源该如何投放?怎样塑造我的企业品牌?都是迫在眉睫的新挑战。
第三，新技术的发展推动了需求的新变化，在新技术的推动下，企业的管理和交易关系进入了新的变革时代。首先新技术的革新，比如说传统的网络通信技术，从2G、3G到4G，到现在无处不在的WIFI。支付技术，从传统的线下支付到现在的移动支付，第三方支付或者微支付。一些信息技术的工具技术，比如分析报表到现在的大数据分析。第二是移动互联智能应用，比如说移动应用，从本地化的纸质到以移动只身多业务处理到跨平台的一站式应用，移动互联从孤岛的数据信息到融合信息应用，单一的数据分析到智能的快速分析，从烦琐的系统支撑到立体化的支撑网络。交易关系上，实际上发生了很大变化。从管理和交易上面来讲，***个管理上面从横纵调换管理到技术创新支撑的立体化的网络管理，交易上面从单向交易和消费者和客户的关系经营，这些变化也迫使我们必须作出相应的变革。
从内因来讲，因为传统企业存在许多冲突，首先从传统思维和创新之间的矛盾，虽然传统企业信息化有许多做的很早，多年来积累了很多数据，但数据类型、收集也比较有限，一般都是主数据，经销层，财务，甚至供应链。营销这些数据就比较缺失，同样数据的管理上存在很大问题，数据分散，各部分缺少统一的管理标准，也造成总体分析的不便。业务上只满足简单的统计，缺乏数据分析的积极性，对数据的重要性缺乏认识。部分主数据的维护，工作的的随意性很大，导致主数据的质量低下，分析匹配困难。这些困难均是由于企业缺乏数据驱动的意识，对自身数据积累没有充分的认识造成的。
第二，是业务的压力和创新之间的矛盾。从传统业务角度来看，大家更看重的是业绩，而数据是长期基础工作才能得到的，这本身就是一个矛盾体。如何说服业务在繁忙的业绩考核中同时注重基础数据的收集是非常困难的事情，因此传统企业大数据的转型之路注定是不平坦，而且是充满挑战的。面对这种环境或者大数据的时代传统企业的信息化到底应该怎么做?这一点也是我们近几年企业一直在思考的一件事情。
首先在大数据时代，传统企业在面对内外部困难和挑战的时候，企业的信息化应该化被动为主动与业务高度融合，利用现在的新兴的一些技术和突破来驱动业务创新，作为本身数据极其匮乏，基础非常薄弱的传统企业，要想真正用大数据去驱动企业的转型，我觉得应该分三步走：
***步,当务之急需要做的就是夯基和固本。什么是夯基和固本呢?四个方面的内容：1.建平台;2.组团队;3.建标准;4.抓数据。什么是组团队?组团队就是整个数据分析的团队的建设，因为现在数据的人才资源非常的匮乏。建平台就是整个技术平台的规划建设，标准，建标准就是整个数据的治理如何抓?抓数据就是整个我们数据的源从哪里来。
第二步，经过长期的数据标准化或者数据积累，要形成适合自己自身需求的一个大数据的源然后才是结合业务，逐步进行大数据的场景化的运用,要逐步解决业务的痛点和难点。***才是在平台日趋成熟，数据不断完善或者团队能力不断成长的基础上，才能思考如何利用大数据进行创新，利用数据找到新的增长点，将信息化部门从公司战略的传球手转变为公司战略的起动器，这样我们真正的信息中心才能从成本中心转换为利润中心。
刚才我讲的就是我们基于大数据环境下的一些思路和方法，到底具体应该怎么做?刚才讲基于四步：
首先是建平台，建平台总体上来讲是应用平台调整和分析平台建设，***个是在基础应用架构的调整，很多传统企业的信息化建设之初都采用了ERP系统为整个信息化的基础平台。从企业的信息化的发展情况来看，ERP在整个信息化进程中也发挥了不可替代的作用。但是随着业务不断发展，数据日益增长，传统ERP的架构已经无法有效的支撑以大的并发，海量数据为特征的新型的业务需求。所以传统企业大数据***步转型就是要对现有的系统应用架构进行调整，改变原来以ERP为核心架构的整体的思维。我们现在调整的思路就是以大中台，近来建设企业的私有云为企业整体的应用架构赋予高可用、可伸缩、易扩展、可运维的特征，从目前的情况来看极大的提升企业的架构的生产能力，为整体的大的并发大应用提供了基础的架构支撑。
第二块，建平台的内容就是整体大数据应用的分析平台，在这一块洋河也建立了自己的以Hadoop为基础的大数据应用平台，我会重点讲一讲大数据平台的这种运营架构。具体会分为几个层，上面会有一张整体架构的图，大家可以看一看，我讲完了以后有什么问题大家可以做一下交流。
整体的架构分为四层：
***，源数据层，包括业务系统的数据，整体所有的系统的数据、日志数据，电商、媒体、广告数据在内的数据源头以及其他的所有可归纳的第三方数据。
第二，数据交换层，数据交换层是原数据进入大数据平台的主要通道，所有的业务系统数据在进入统一的数据管控和作业调动下通过ETI的抽取落地到大数据平台和数据仓库。实时的数据通过分布式的消息队列，通过实时的流处理引擎处理后，直接进入数据存储层。
第三层就是数据存储层。数据存储层是所有数据会汇集和集中处理的地方，通过统一的数据模型来加工和存储企业所有最有价值的数据资产，并高性能的支撑上层的分析、挖掘和日常报表，以及精准营销和个性化服务为后续的分析业务提供完整的数据支撑。
第四层是数据服务层，数据服务层采用业内***进的智能分析技术，通过固定报表、联合查询、数据挖掘等手段为后续相关业务的分析提供有利的技术支撑。
第五层是数据应用层，数据应用层在企业数据仓库的支撑下，为潜在用户提供分析，挖掘和日常的实施报表以及个性化服务的模块。
对于业务快速查询的这种需求，数据直接进入核心仓库层，数据仓库。数据分析团队在核心数据的仓库中来开发报表逻辑，由数据服务层向外提供查询服务，由数据应用层的报表对用户进行表格、图表的展现等服务。对于月度或者季度或者年度这种综合应用分析的需求，数据经过数据交换层会抽取到Hadoop平台，由Hadoop对数据进行处理，处理以后将数据的结果抽取到核心的数据仓库。分析团队会根据整个开发的报表逻辑，由数据服务层提供查明服务，由数据应用层对用户展现。对数据探索分析的需求，由数据分析的团队在核心仓库对数据建模，建模完成之后由数据服务层通过BI的工具为用户提供数据探索分析的服务。
此外还通过消息队列技术将实时的流失数据抽取到核心数据仓，数据仓对数据进行结构化、时间间隔补全等处理，形成可分析数据，进一步丰富分析的内容。
第二个方面内容，组团队。在大数据整个应用的过程中，具有大数据分析能力的团队也是必不可少，数据分析要取得成功必然要依赖于人的力量。但是作为传统企业来讲，大数据的团队既不能靠挖几个大数据的牛人来搞定，也不能直接外包给专业公司，因为这中间涉及到企业的一些数据机密的问题，更不能照搬其他公司的这些经验，所以我们的认为传统企业的大数据分团队应该包含三个部分：
***，企业的***牵头，这一块肯定是公司的领导层。
第二，内部团队要作为主力，在内部团队里应该包括几方面的人：1.做数据的人;2.分析数据的人;3.用数据的人。也就是IT的开发专家、数据分析的专家和内部业务的专家。
第三，外部专家当外援，当引进大数据外部的专家来快速带动内部团队的技术能力分析水平的提升，为企业培养具有大数据思维又有深厚的行业背景的符合性人才，这是作为传统企业在转型之路上的必经之路。
第三方面是建标准，为什么强调建标准?因为现在从整体经验来看，尤其传统企业在许多年的信息化实践经验上来看，因为利益驱动或者是这种效益考核驱动，数据的规范性和标准很难建设。但是在大数据平台的整个建设过程中，数据源的质量又非常的重要，确保数据的高质量是所有大数据分析的前提。作为传统企业，在大数据运用的过程中发现了很多的问题，比如数据标准缺乏维护的随意性，数据质量非常的不重视这些问题，这些问题导致数据源质量很难保证，为数据的整体的后续分析埋下了很大的隐患。
因此这两年我们花了很多的精力，对数据源进行全面的治理，首先通过全面盘点，梳理数据流程的各个环节，建立数据标准，完善数据质量，定期监测数据质量，制订数据规范制度，然后对主数据管理进行统一。通过对主数据采用统一的规则和口径，来确保数据的完整性和有效性。看这张图就知道我们的数据来源很多，从这方面如何保证这么多数据源的质量是这几年一直在抓的事情，也是保证整个数据分析和未来为数据决策提供支撑的一个必要条件。
第四块是抓来源，抓上什么来源?就是数据到底从哪里来?作为一个传统企业或者说单一的这个品牌企业，数据来源非常单一，要形成真正大数据是非常漫长且需要付出很多努力的一个过程。我们的清醒地认识到了这点，这几年非常重视抓数据，抓来源。在这里我们重点从两方面做这个事情，***方面，内部数据的挖掘，在内部数据挖掘上面我们非常重视，以下我们这几年的一些经验：
***，加强内部信息化的一些应用和管理。
第二，做好线上、线下数据的拉通，建立统一的管理体系。
***是从内部的管理的信息化上面来讲，通过梳理内部的业务流程和数据流向，通过整个的ERP、HR包括其他一系列的系统建设，拉通了计划，采购、生产到渠道，终端，消费者，全价值链的链条数据。从每个环节来获取数据源，根据数据标准规范进行分类、补全、清洗、存储等各个工序。
在线上线下拉通的方面，这几年在线上建立了许多电商平台，洋河1号，天猫，京东，多个电商平台。通过一些技术将整个的数据进行拉通，建立了统一的会员管理体系，对线上的微店消费者，线下的终端店的一些的会员来进行拉通。又采用一些会员互动的方式来提升整个会员的黏性和活力。比如说利用线下扫码、送红包的方式，通过两年左右的时间，现在整体上会员达到了300~400万的规模。其中扫码上面我们积累了近两亿条数据。
其次我们充分利用一些线下的合同资源，促销资源，比如说演唱会、线下促销、广告大牌等活动来发展我们的会员来进行统一的管理，实现线上线下数据的拉通，充分挖掘内部数据的潜力。光有内部数据的挖掘肯定解决不了数据源的问题，所以这两年也在通过一些外部数据的补充来提升整体的数据质量。在这方面我们也做了很多努力，比如说这几年在全力打造的一个全营销平台，将终端的一些管理纳入到数据范围之内，将终端的消费者也纳入了这个平台来。
第二块，通过一些平台的建设将整个生态圈的用户，比如说现在做的FFC的项目，就是从工厂到终端到消费者。通过一些吸粉的方式，比如说一些线下活动，将他纳入整体的管理范围。
第三块，通过一些数据合作，比如说我们会和一些数据公司和第三方的一些单位，天猫、京东，采用一些方式来进行数据合作来丰富和补充我们的数据资源。通过将近两年的时间，应该说现在数据源的质量越来越高。整体的数据源包括了终端的网点信息，竞品信息，包括C端的一些消费的信息，一些互动的，甚至一些广告信息的收集，逐渐完善了。这些数据流量的进入为整体的数据分析提供了有效的数据支撑，这就是刚刚讲的夯基和固本的问题。夯基和固本之后下边怎么做?怎么去利用我们的现有的数据来进行深入的分析和应用。
***个是结合线上、线下统一标签，进行统一的会员管理。首先在线下建立了一个拥有五千多家异地分销商和几十万终端网点庞大的线下渠道体系。在线上又建立了洋河一号，O2O平台，包括FFC，粉丝交互平台。目前已经覆盖了全国的32个省、市，配送网点超过一万家，粉丝数量已经达到400万。目前正在着手将这些用户纳到标签画像体系中，我们建立了大概1200个这样的标签。同时针对经销商，终端网点，消费者，通过三个不同的角度进行自然属性、行为偏好、整个的行为的分析，同时按照统一的编码方式进行标签化的定义。
经过统一标签化定义以后，我们就利用这些标签进行业务分类。根据不同的分类制定的不同业务策略。比如说通过经销商、业务网点，按照所在区域，费用，服务流向，违规的情况对标签进行经销商和网点的动态分类，利用它对进行市场督查和秩序管理的环节的管理。进行经销商和网点的分级分类管理，对表现较好的进行奖励，对表现较差的进行重点关注和跟踪，这样就有效的提升了我们整体的费用投入的尺度的把握。对于消费者我们通过一些业务的分析，也进行了一些分级分类，然后结合一些金融营销的促导来提升整体的营销行为。这些标签化项目的统一管理极大的减少了目前用人工进行勾选的标签处理，实现了由系统在业务数据流转的过程中，通过分析手段对业务数据进行整体的标签化，这一块对整体的业务提升起到很大作用。
第二块，定位目标用户进行精准的文化投放。通过电商的数据分析，包括线下的一些数据的综合分析，开展不同消费档次的消费者进入营销的活动，并试点了金融营销广告投放，特别是DSP一些广告投放的效果进行了一些综合的分析和应用。目前正在和一些DSP公司合作，结合自身大数据平台，实现广告投放对象，自主的输入输出，使线上广告的投放过程更可控，投放结果更可信，投放的收据更清晰。比如说以前我投放了一个广告，到底触达率，到底效果怎么样我们也不知道，但是现在通过一些分析，能精确的掌握到这种的效果。同时我们的通过DSP整个平台的管理，对多个渠道的流量来源及时获取，包括形成整体的一个报表，包括整体的广告花费、频次、效果、订单状态都能够及时了解，基于这种分析的效果，目前正在尝试整个广告投放的数字化的一些应用。前几年传统广告占到我们广告投放量的90%以上，经过这两年的整体应用，传统广告的投放量在逐步减少。数字的投放量在逐步提升，我们计划的广告金融营销投放的策略对整个公司的投放策略方向起到了一个很好的决定性的引导作用。
第三个是内外部结合来支撑精准营销的一些决策。刚才也讲了，对于传统企业来讲做大数据，只有内部数据肯定是不够的，只有想办法获取足够多的外部数据，在内外部数据结合中才能够发挥数据价值。
今天协会找我做这个讲座，一周之前刚刚做了一些针对终端网点的销售投入，分析的案例也反过来证明这一点。内部数据上面我们利用普通的网点订单，比如说开票，费用核报等数据，结合经销商与终端网点的配合关系可以分析出终端网点的整个的服务流向。通过外部的一些消费者扫码来获得外部的数据，从另一个角度去分析终端的服务流向。通过两者数据结合来分析，可以精确的判断我的终端订单的真实性及营销商的投入效果等等一系列的异常情况。
根据发现的一些异常，由相关业务部门进行重点跟进，调查异常发生的真实原因，并根据不同的情况进行有针对性的营销策略的调整，最终达到数据驱动决策效果。从目前的情况来看，这一点已经得到我们公司许多业务部门和高层领导认可，并且已经在全公司范围内要求进行推广。这块就是全价值链的整合，来促进整个柔性的供应链。
刚才讲内外部数据结合，不仅仅是利用于精准营销的策略分析，从内部的支撑角度来讲，更有利于整体生产环境的调整。从需求端开始的一些计划到采购，生产到整个渠道，终端，消费者，全价值链数据的一个收集，再结合线上线下的一些个性化的需求。根据产能、计划，仓储、物流等数据，综合利用大数据这个平台数据模型进行分析，目前我们也在做这方面的尝试。通过数据分析的结果，作为导向来制订科学的采购生产计划，以推动整个柔性供应链的新模式。在这一块，这两年的应用也取得一定的效果。目前我们整个计划的保障率或者柔性计划的保障率达到百分之九十几。应该说充分的利用了移动互联网给我们带来的整个信息的渠道的资源，引导了消费者参与生产，消费者整个的购物体验或者消费体验得到极大提升。同样也为我们公司整个经济整个新的经济增长的打造提供一个有利的支撑。
刚才我讲了这个从基础夯基到我们怎么做，利用一个案例简单做一个总结，举一个例子，讲大数据在我们公司的一些应用。从去年开始做大数据辅助费用督察的一个项目，通过抽取海量的费用数据，进入数据仓库，结合督察部门的一些经验，通过手机号码、姓名、地址。比如说现在利用一些智能飞行的技术，比如说图片的一些识别技术，分析市场上的一些费用投入的行为，从而建立预警的规则库，通过继续学习来训练我们的一些数据模型。随着时间推移，预警的规则不断完善，数据规模，数据模型经过不断训练，使得我们整个费用督察这方面的工作效率得到很大提升。从2015年年底到现在，整体的费用督察的效益产生了几千万的效益，将费用督察工作，从事后的分析走向事中的控制。在这方面的例子在我们企业也有很多的应用案例。在这方面我们也希望，同时也邀请在群内的各位专家，各位同行，同业有机会到我们公司来相互交流，我们也学习，取长补短。这几年我们企业也做了很多基于大数据的一些应用的尝试，但是作为一个传统企业，路还很漫长，要做的事情还很多。在群内有许多先进的行业和企业，在这方面我们也希望向先进的行业和企业学习，在这方面也希望大家跟我们提供一些宝贵的经验和措施。
