“如果看得比别人更远，是因为我站在巨人的肩膀上”，几百年前的科学研究如此，拉回现代化的商场经营，同样也能适用此句话所带出的境界，但稍微不同的是，巨人不只是那些高瞻远瞩的历代经营者，还包括了机器的辅助、系统的整合与软件的应用，才能让决策者以可靠的分析结果，不断拉开与竞争者的差距，而那差距或许只在于 1% 的输赢。
“若经验决策能达到 50%，数据决策或许只能增加 1% 或 2%。”对智慧分析应用在流通零售业的前景，全家资讯本部协理简维国坦言看法较为保守，这样务实的态度或许与他在将近三十年的工作生涯、曾任职全家不同单位有关。简维国从最初的人事部、商品部、E-Retail 事业部，直到现在的资讯部，一路走来的历练，让他拥有不同于一般 IT 人的思维，对于人性的矛盾、社会科学的不确定有深刻的体悟。
“虽然只有 1% 的差别，只要做一千次一万次，赢得概率就多。”话锋一转，简维国谈起了统计分析中的大数法则，他不认为数据决策一定会让人成功，但确信决策一定要“引经据典”。因此在带兵打仗时，简维国不像一般主管以自己的经验为主，而是要求有凭有据。“以现代化的经营来看，引用数据就算让营收提升 1%，也是有价值的。”
商品卖不好就要下架吗？
全家很早期就注重数据化的经营管理，并建置有“情报系统”，每天为几万笔的资料做运算交叉分析。“那时候程式系统都是自己写，也因此全家便利商店的 IT 人员数量高达 200 人，很难想像为什么便利超商要那么多 IT 工程师吧！”简维国笑着说。
但以现在的技术来看情报系统，还是相对阳春了点。例如情报系统中有 A、B、C 三个类别，A 级商品销售表现最好、B 级商品次之、C 级商品表现不好，若以简单的销售报表去评估，C 级商品就需要下架。
“卖不好就需要下架，是很直觉的判断”，简维国说。
但如果仅以此方式判断，就会忽略“并买效应”的影响，也就是这个商品虽然卖得不好，但它会带动其他商品的销售量，因此对一件商品的下架分析，就显得更复杂与困难。过去并买效应只能以经验来判断，但若加上商业分析软件，就能帮助决定是否剔除或新增这类型的商品。
举电灯泡为例：根据传统经验，电灯泡虽然回转率很低，但因为有家庭需求而不能随便下架，否则会影响来客数。简维国在 15 年前当商品部经理时，曾经因为电灯泡卖得不好，在几次考量之后以经验法则决定将电灯泡下架。这个没有数据支持的决定，其实困扰他一段时间。他认为，当时如果有更科学的分析运算，可以发现某商品的关联性购买不足以替换另一件商品，下架与否的决策信心指数就能提高许多。
“分析要能到非常细微，才能够有如此的判断。”
过去的传统商品情报只能表现出算术平均数，也就是以谁大谁小来做一些经营上的判断，但如果要做到详细的解析，仍必须倚赖工具，“所以采用 SPSS 解决方案，也是这样的因素之一”，简维国缓缓道来与 IBM 合作的机缘，指出他们选定的合作厂商除了要能配合行业的运作模式，还要能快速解决数据问题。
便利超商开店关店学问大
除了商品上下架的问题，便利商店经营的另一大学问便是开关店的决策，“全家目前拥有 3000 多家店面，每年还需要开 300 家店，营运不好的店面则评估淘汰，替换率约 10%，因此若分析的变数抓不准，影响将非常巨大。”
过往常以马表测量人流来分析商圈的竞争性，再辅以经验做判断，也透过日本全家的经验输出，找到开关店的变数建立模型，虽然如此台湾全家仍旧看到地域性的差异与分析工具上的不足，需要更多复杂的资料分析，例如统计上的集群分析（cluster）。也就是为一群庞杂的原始资料去芜存菁、分门别类，让同性质的资料聚在一起成为一个集群，群体之间的差距又要够大，达到分类、分群的目标。
一开始全家先用直觉的想法分类，把商圈分成商业区、住宅区、办公区、学区，之后再分次商圈。但后来发现台湾不像日本，要确实区分这些区域很困难，以混合区最多，最后改以人流来分区，哪些是早餐区，也就是上班买早餐最多的；哪些是下班区，大部分人下班会走的路线，才比较看出显著的差异。
全家曾在正对台北荣总的石牌路上开超商，因为当地很人去看病、人流很多。当时认为应该是会赚钱的地点，但想不到开店后却门可罗雀，后来分析才发现人潮以荣民伯伯为主，但老荣民并不是超商的主要客群。
“这就是社会科学，它的变因太多了！”
在社会科学领域中，上帝是掷骰子的
对此，简维国特别有感触。因此决策团队必须是跨部门的组织，要有一群很了解便利商店行业知识的人、处理数据的专家、企划背景的专家，另外也需要统计学专家与外部的顾问，才能把这套系统完整建立。全家从 2016 年导入 IBM SPSS 分析软件，目前模型已建立并开始运作，统整各领域的数据和改善资料的品质。
在资料加值的过程中，全家借由分析工具的各种功能，从商业智慧的视觉化分析、资料探勘、机器学习到协助决策分析的资源最佳化平台，将过往被视为“历史性存档资料”妥善转换为“商业化可用资讯”，甚至与商业逻辑结合，成为有见解、能辅助公司做商业决策的“有价数据”，并为营运需求开发出创新的服务，例如订购的革新。
超商店长在报废品的负担，其实比一般人想像的还要大，因为要准确的订购商品不是那么容易，考虑的因素很多，像是天气问题就包含是否下雨、高温几度、会维持多久等。如果店长订购太多商品，需要自行承担损失。为此，全家也运用过去的历史资料，加上分析工具的辅助，帮助店长不仅能提前先预估订购的数量，还能掌握商圈特征，打造具有魅力和商品陈列丰富的卖场。“其实这就是预测未来，也是 AI 应用的一种。”
商场竞争已推进到“认知分析成熟度”
对于许多人看好机器学习、类神经网络做预测，简维国认为在商业上的应用还有很长的路要走。“统计过去的资料都很困难，何况是预测未来的资料”，因此在人的行为预测上，他相信上帝是掷骰子的。虽然如此，简维国仍强调要不断做数据研究与尝试。
IBM 在 2016 年底曾针对全球六千多家企业做调查分析，发现多达 74% 的企业开始在组织内部使用各类型的处方式分析（Prescriptive Analysis），这也意味着商场上的竞争将往前推进到下一阶段，也就是认知分析（Cognitive Analysis）的成熟度，或是 AI 级分析。这项调查也发现，全球市场仅有 4％ 的企业可以算是所谓的“认知探险家”（cognitive explorer），这些市场的领导者会针对特定专案，透过与人类自然互动的技术，帮助解释数据、从每个互动学习搭配概率推理，来进行下一代分析工作，提出新的可能性并创建新类型的价值。
即将迈入 30 年历史的全家便利商店，在资料分析成熟度令人印象深刻，借由不断尝试与整合，以多元的软件与平台，为组织建构出最适合使用的决策工具，借力使力，帮助他们在竞争激烈的商业环境中，继续站稳领先地位。
（首图来源：科技新报摄）
