揭秘茵曼自有BI系統，大數據原來可以這么玩

　　BI核心團隊既要做碼農又要做產品經理，既要搞懂分析又要吃透業務。雪梨每天早上9點，雪梨所帶領的BI團隊，會準時打開BI系統數據監控模塊，檢查各個業務系統的數據是否按計劃回流到集團數據倉庫。因為接下來的一天里，來自集團各部門上千名員工都會使用BI，通過BI的數據支持來做出影響公司各個業務模塊的決策。

　　在和雪梨的交談中了解到，匯美集團BI團隊目前包含工程師、產品經理和數據分析師在內一共是5個人的編制。而去年6月這個團隊也才只有3個人，BI核心團隊既要做碼農又要做產品經理，既要搞懂分析又要吃透業務，最終經歷5個月的不間斷攻堅開發完成一般企業需要1~2年甚至更長時間搭建的BI系統。在我看來茵曼的BI系統和我見過的其它公司BI系統相比，完全是可以用“驚艷”來形容。

　　和茵曼的員工一樣，茵曼的BI系統也有自己的花名“不漏”，取之于“天網恢恢，疏而不漏”，代表了雪梨希望她能海納所有業務數據的沒好愿景。 雪梨曾經為非常多的企業完成BI項目的實施。但是在他眼中，不漏BI是目前是整個電商行業中，除了阿里巴巴、京東、唯品會等平臺電商自有的BI系統以外，最領先的一套BI系統。

　　下面我為大家從四個方面揭秘這個雪梨眼中這個了不起的不漏BI。數——存儲所有數據，實時運算數據是分析的基礎，身處大數據時代，各個業務環節每一秒都在產生數據，而不漏BI對數據是異常的貪婪。不漏BI自建了一個龐大的分布式數據倉庫，每天通過ETL程序從內部ERP、WMS、CRM、OA、財務等系統同步上百萬條數據。

　　另一方面，不漏BI通過平臺接口實時將淘寶、天貓、聚劃算、京東、當當、唯品會、分銷、直營店、加盟店、茵曼官網、APP等20多個不同渠道的訂單、商品、會員數據回流到數據倉庫之中。最后，不漏BI自建了一支兇悍的網絡爬蟲部隊，每天不間斷對行業、競爭對手、社會輿情等數據進行采集和存儲。

　　1：不漏BI數據整合示意圖為了讓計算快起來，讓數據更直觀，所有報表在10秒內計算并展現是不漏BI要挑戰的技術底線。為了達到這樣嚴苛的用戶體驗，不漏BI放棄原有業務數據庫行式存儲的固有模式，創新的采用更適用于分析的分布式列式存儲數據庫，讓上億條數據的匯總運算從60秒降低到5秒之內。人——客戶360度畫像和生命周期管理所有品牌努力，最終都是為了提升客戶生命周期的價值產出，不漏BI在客戶畫像和客戶生命周期管理中扮演著非常重要的角色。

　　電商賣家因為只有自己店鋪的交易數據，對客戶畫像的是非常局限的。一般只能通過RFM模型、會員等級、地域、產品偏好等有限的維度進行客戶畫像分析。而漏BI在客戶畫像的能力上相當驚人，她可以查看匯美集團旗下任一品牌消費者，他們購買其它女裝的品牌人數和偏好度(如圖2)，這對品牌負責人對品牌定位的思考有非常大的幫助。

不漏BI客戶品牌偏好畫像示意圖

　　另外不漏BI還能對消費者在每一個品類對款式的偏好、流行元素的偏好、面料的偏好進行畫像(如圖3)。作為追求獨特設計的設計師品牌，最難把控的是設計的獨特性和客戶需求之前的匹配。通過不漏BI，茵曼的設計師充分結合企劃的特色和大數據下客戶款式的偏好，能夠很大程度上避免了“死款”的產生。

不漏BI客戶商品屬性偏好畫像示意圖

　　依托集團旗下12個品牌的900萬客戶，匯美洞察著整個互聯網女裝行業的流行趨勢，一但從消費者軌跡中發現潛在的細分市場，便很可能產生第13個孵化的品牌。貨——從企劃端到銷售端的全流程管理所有品牌的情感，最終都是通過產品傳達給消費者。服裝品牌一般從設計企劃出發，細分到顏色、面料、品類、拍攝的企劃，再經過樣衣開發、大貨生產、上架銷售、物流配送這樣漫長的環節最終達到我們的消費者，設計師與消費者之間在時空上產生了巨大的鴻溝。

　　互聯網品牌的核心競爭力是對消費者需求的快速反饋。不漏BI承載著縮短設計師和消費者距離的實名，每個款式的首單商品在任何一個平臺上架銷售，該款式的轉化率、主圖點擊率、銷量、退款率、產品評分、老客戶占比、買家年齡結構等數據，都會實時進行匯總計算。負責這個款式的設計師、板師、質檢QA、采購跟單、攝影師、詳情頁設計都可以查看款式的實際數據進決定是否返單，以及產品返單時候所需要進行的優化。匯美集團借助不漏BI款式全鏈路持續的迭代優化，持續的保證產品體驗與消費者期望的一致性，從而構建出互聯網女裝的核心競爭。

不漏BI每款式消費者的年齡結構

　　過去匯美集團12個品牌的上百位設計師每年至少開發上萬個款式，每個部門都在零散的收集這些款式不同數據指標，大量時間花在無意義的數據收集而非分析與決策之上。而現在，任何一名員工都不需要收集數據，只要實時查看每個款式的全盤數據便可進行分析和決策。場——線上線下全渠道數據整合客戶并沒有線上線下之分，只是不同消費場景的切換。

　　工作日由于沒有時間所以選擇線上購買，周末由于有充足的時間更多希望在實體店試衣購買。通過整合線上和線下消費數據，可以識別出客戶線上到線下、線下到線上的完整的消費軌跡。根據每個客戶的收貨地址，不漏BI能夠精細的繪出客戶在每條街道、每個小區中的分布情況。根據已有客戶的分布情況，茵曼在加盟店的選址上有著非常不錯的精準度，每個店鋪開業都會短信推送給周邊以后的茵曼粉絲。

不漏BI客戶分布坐標示意圖

　　另外線上銷售品類結構一般會提前于線下，雙11是冬裝線上銷售的爆發點，而線下銷售最火爆的時間是12月~1月，這對于庫存的線上線下分配是一個巨大的考驗。通過不漏BI同步的線上線下的品類結構數據動態計算調整。

　　區別于一般服裝開店模式，茵曼一開始就選擇的是以數據為核心的O2O之路，每個店鋪的銷量、品類結構、庫存、進店流量都在實時監測范圍之內。各區域的督導只需要通過不漏BI便可以查詢店鋪目前的銷售情況和每個區域表現較好的店鋪。通過標桿的分析又能迅速對區域內其他店鋪進行調整。

不漏BI門店分布銷售監控示意圖