中国制造如何用大数据、智能商务武装自己
编者按:从“产业集群”到“工厂式生产”,再到今天这个颠覆性的年代,中国制造业不得不面对生产模式的改变。当前一场以“智能制造”为标志的“工业4.0”第四次工业革命热潮正在欧洲掀起,德国“工业4.0”战略在这轮智能制造革命树立了全新标杆,明确提出将机械生产、互联网、物联网三者紧密结合,实现原料配送、生产与物流的智能化,并从根本上改变商品的生产流程和方式。在此背景下,以中国服装业为代表的工业4.0改造率先启动。
“有品质支撑的品牌将迎来最好的发展机遇,我们遇到了最好的时代。”面对“中国制造2 0 2 5”战略的提出,高端童装品牌T 100的创始人董文梅难掩兴奋神色。“中国工业企业应因地制宜、抓住机会,有望成为真正大数据驱动的智能工业企业。”IB M华南区软件部信息管理部门技术经理何军如此表示。
显然,已经经历过库存大压的服装行业早已经先知先觉。然而,在转型的后期、在“中国制造2025”的风口之下,服装行业又该如何用好大数据、智能商务等工具来武装自己呢?
智能化改造
引进3D技术
“现在行业竞争越来越激烈,渠道和用工成本越来越高,企业的利润会受到挤压,要求企业要考虑精细化管理以提升效率。”卡宾服饰总裁吴少强如此向南都记者感慨。而在提升效率上,各服装企业可谓各显神通。
南都记者了解到,今年3月份获得ID G千万级投资的女鞋淘品牌柯玛妮克创始人林双德,率先将引进3D技术列入日程表。“利用3D技术,能有效解决研发时的模具费用及时效问题。”林双德对南都解释,按照传统研发模式,仅做一个磨具就至少要一个月时间,而且磨具的成本最少也要几千块。此外,磨具开发后,最终10个里面可能有三个无法接到订单,而这些扔掉的磨具浪费了较大成本。相比较来说,用3D技术则可以在两三天内就打印出成型的鞋,不但可以解决样品环节的效率,还能提升企业开发的精准度。
同样,都市丽人也在依靠IBM的智慧商务排班系统来提升管理效益。何军透露,这个排班系统旨在解决业务高峰期和低谷期如何合理配置门店员工的问题,比如系统会根据店铺销售的高峰和低峰,根据店铺每一个时间点的差异,对这一天员工的排班做排比,然后将好的销售员安排在门店销售的高峰时段,以提高工作效率和降低效率。据悉,该系统上线一年,在部分门店推广后,都市丽人的总体人力成本下降了0 .5%。
进行专业度匹配
不过,南都留意到,与这两家公司不同,为提高供应链效率,更多的企业会将着眼点放在如何让专业的人做专业的事上。
“未来服装行业每个环节都要做自己专业的事,比如做织布的、牛仔服的、成衣加工等不同环节,不同供应商只要做好自己的专业环节就行。比如以前管理供货商要几十个人,现在只需要几个人。”在这种管理思维背后,卡宾转变了对供货商的监管纬度:质量不应仅仅靠工厂的监控,而更多要考虑消费者的反馈。
“如果某些衣服出现退货,退货率会记录在卡宾对这家供货商的评估体系中,如果退货率超过我们设定的底线,供应商要按吊牌价对企业进行补偿。”吴少强指出,这样的一种管理体系和管理思维下,供货商会将损害消费者的利益和损害自己的利益联系起来,自然会把生产做好。
同样,对于专业化分工在提升企业效率上,茵曼供应链中心负责人云海也深有感触。“比如仓储,之前我们都是自己在管理,但后来发现自己管理很累,还总是发错货。”云海对南都记者表示,现在茵曼交给了第三方专业物流,一方面他们再也不用操心仓库,另一方面能腾出更多精力用于IT智能化管理仓库,不仅实现高效,而且降低了成本。
产与销的动态平衡
“服装行业过去20年发展强劲,但是对需求的管理很弱。一个集中的表现是消费者的需求和厂家的生产匹配度出现问题,从而导致产生很大的库存。”吴少强一席话直指,服装行业的另一个提升空间———生产与市场需求如何有效地平衡。
这不得不提的是品牌商要如何平衡库存。为了绕开库存对企业造成的压力,董文梅对T 100的每个门店实行订货制。“我们限定了每个门店的订货量,订单是固定的,卖完即止。这样T 100不会盲目生产,否则容易牺牲品质。”
相对于T 100的“保守”,都市丽人则通过补货系统来平衡库存和补货的关系。在使用IBM的系统之前,都市丽人的补货机制是有漏洞的,甚至可能会蚕食掉销售额。该集团副总裁沙爽曾列举了这样一个例子:假设某市场实际需求为250件,A店为100件,B店为50件,C店为100件,但由于发货系统依据订货进行补货,这与市场需求不匹配,最终造成了仅有100实际市场需求的A店发货量是120,出现20件的库存积压;有100件需求的C店的发货量却只有70件。这样的结果是,250件的市场需求却仅形成了220件的总销售额。
如何突破低效的瓶颈,让库存无限趋近于零?都市丽人给出了补货系统的新运作原理:总部可以根据店铺的销售情况自动补货,自动推送产品。它会根据每个门店的地域性和面对不同消费者的属性,及时调整门店与配送仓之间的商品库存分布,通过系统实现补货数量和品类的智能化优化,从而解决补货挑战。
据悉,补货系统上线第一年,推广至都市丽人仅百家门店,但门店中的库存降低了50%,门店的营业额贡献率上升了5%。
南都记者了解到,柯玛妮克同样也自行研发了一套自动补货系统,可以利用数据分析实时监控柯玛妮克的库存运转情况。这套系统设定了几个关键的数据点:7天的库存安全周期、生产周期(会根据不同供货商的情况有所调整)、每款鞋每天的需求量(根据过往的历史销售数据计算出每天的需求量)。根据(库存安全周期+生产周期)×每日需求量这个公式得出的数据来算出每款鞋子的补货临界点。“比如当天这款鞋系统算出的数据是170对,当日卖到只剩下130对,系统就会自动提醒要补货40对。”林双德指出。
上述系统可以让柯玛妮克将库存控制在合理的范围内、利于提高存货的周转率。“如果库存过高,品牌商的主动权会被库存拿走,而不是由市场销售人员拿主动权。”林双德认为。
值得关注的是,卡宾从去年开始悄然调整了商业模式。“以前分销商是买断卡宾的产品,但这种模式未来会被淘汰。”吴少强透露,此前库存的压力在分销商,但现在卡宾调整为代销模式,库存由卡宾来承担。“分销商最专业的是零售和渠道,而全国货品流通市场的监控在企业。”在吴少强看来,两者的角色是有分工的,模式转变之后,效果非常好。门店的售罄率超过80%,折扣率也很好。“未来我们希望门店的售罄率提升到85%-90%左右。现在卡宾的存货中转周期是180日,希望未来能继续缩短。”
供应链流程再造
采购流程的透视化
在这轮行业调整中,提升供应链的反应速度、让供应链更为灵活几乎被每一个服装企业提到了企业的工作重心上,越来越多企业提及柔性供应链这个概念。
供应链要快,意味着对原材料的快速供应链要求也更高。然而快速供应和质量监控似乎天生就是一对冤家,特别是对淘品牌。“茵曼目前的供应链,T恤出货可以做到7天,羽绒服可以做到25天,这样的速度很快。尽管大家觉得快和慢有矛盾,但快不意味着东西做不好。”云海指出,茵曼专注于棉麻产品,我们的面料都在仓库,我们供应链可以做出快速的反应。
对于打造柔性供应链,云海认为,最核心的环节是用户。从用户到产品出发,用户决定了产品端。在云海看来,未来的供应链应该是可视化、可定制化、智能化的。“供应链的信息化可以解决哪些问题,这是茵曼重点需要解决的问题。”云海指出,信息化确实可以给供应链的提升提供很多想象空间。“为保障产品质量,我们以前会建议工厂从哪些原料商采购原料,但这只是口头建议,如果工厂能找到有同等质量的优势供应商采购原料,我们也不会强制拒绝。”而在信息化系统之下,品牌商其实可以将出售延伸到原料采购,让产品品质更具可控性。“现在原材料的结算是工厂跟原材料供应商结算的,但如果以后管控到位,原材料货款可以从我这里结,当工厂需要什么原料时直接送到工厂,工厂未来仅变成一个组装厂就行。”
当然要让工厂接受“指定”的原料工厂,还需要利益的平衡。但是林双德认为,品牌商需要的是质量稳定,而加工厂需要的是利益,只要双方找到一个利益平衡点,加工厂其实是愿意的。而云海也指出,现在整个供应链在整个IT系统的建设上还有提升空间。“未来,我们每一件衣服也好,面料的供应商到底是哪一个流水线上的工人缝制的,可以通过智能的信息系统来追溯。”云海认为。
大数据推动生产
“互联网化或称智能化的工业企业,最大的变化是产品研发制造从原来的‘工厂到客户’(B2C)转变为‘客户到工厂’(C 2B ),从原来的基于自己掌控的生产资料进行生产要素的配置转向基于需求进行动态资源的最优配置。”何军表示。
这一点,如果通俗地来理解就是指服装行业对C端的数据进行搜集和分析,然而推动整个供应链的流程再造。
在大数据的搜集分析和应用上,越来越多的企业已经意识到这一点。云海向南都记者表示“现在互联网的数据支撑,我们可以知道,这个品牌的顾客群里,到底是喜欢什么样的衣服,喜欢什么样的颜色,什么样的版型好销,都可以利用大数据很好地分析你要做什么。”
对此,吴少强也表示,现在企业对大数据的搜集已经做得非常细了,比如他们的数据也已经可以提取门店商品类型的数据、销售的数据。不过吴少强也指出,这些数据如何能有效分析管理难度很高,仍需要挖掘并利用。“比如可以挖掘出一个消费者每年的购买次数、何时购买、每次购买多少、试了多少衣服、成交多少,可以用这些数据让门店的销售能力和消费者对产品满意度的最大化。”
大数据的挖掘、利用,确实让服装企业有了更大的可想象空间。“我们现在下单更多是利用C 2B的模式,商品开发完之后可以放到店铺进行预测,每一个款式的点击量以及顾客喜爱的程度,还可以在店铺微淘、微博和微信里和老顾客很好地发生关系。他对我们设计出来的款式,到底哪一款好销都一清二楚,很少去盲目。”
数据分析咨询请扫描二维码
《Python数据分析极简入门》 第2节 2 Pandas数据类型 Pandas 有两种自己独有的基本数据结构。需要注意的是,它固然有着两种数据 ...
2024-11-01《Python数据分析极简入门》 第2节 1 Pandas简介 说好开始学Python,怎么到了Pandas? 前面说过,既然定义为极简入门,我们只抓 ...
2024-10-31在当今数据驱动的世界中,数据科学与工程专业的重要性愈发凸显。无论是推动技术进步,还是在商业决策中提供精准分析,这一专业都 ...
2024-10-30在当今信息爆炸的时代,数据已成为企业决策和战略制定的核心资源。爬虫工程师因此成为数据获取和挖掘的关键角色。本文将详细介绍 ...
2024-10-30在当今数据驱动的世界中,数据分析是揭示商业洞察和推动决策的核心力量。选择合适的数据分析工具对于数据专业人士而言至关重要。 ...
2024-10-30能源企业在全球经济和环境保护双重压力下,正面临前所未有的挑战与机遇。数字化转型作为应对这些挑战的关键手段,正在深刻变革传 ...
2024-10-30近年来,随着数据科学的逐步发展,Python语言的使用率也越来越高,不仅可以做数据处理,网页开发,更是数据科学、机器学习、深度 ...
2024-10-30大数据分析师证书 针对不同知识,掌握程度的要求分为【领会】、【熟知】、【应用】三个级别,考生应按照不同知识要求进行学习。 ...
2024-10-30《Python数据分析极简入门》 附:Anaconda安装教程 注:分Windows系统下安装和MacOS系统安装 1. Windows系统下安装 第一步清华大 ...
2024-10-29拥抱数据分析的世界 - 成为一名数据分析工程师是一个充满挑战和机遇的职业选择。要成功地进入这个领域,你需要掌握一系列关键技 ...
2024-10-28降本增效:管理战略的关键 企业管理中的降本增效不仅是一项重要的战略举措,更是激发竞争力、提高盈利能力的关键。这一理念在当 ...
2024-10-28企业数字化是指利用数字技术和信息化手段,对企业的各个方面进行改造和优化,以提升生产效率、服务质量和市场竞争力的过程。实现 ...
2024-10-28数据科学专业毕业后,毕业生可以选择从事多种不同的岗位和领域。数据科学是一个快速发展且广泛应用的领域,毕业生在企业、学术界 ...
2024-10-28学习数据科学与大数据技术是当今职业发展中至关重要的一环。从基础到高级,以下是一些建议的课程路径: 基础课程: Python编程 ...
2024-10-28在信息技术和数据科学领域,数据架构师扮演着至关重要的角色。他们负责设计和管理企业中复杂的数据基础设施,以支持数据驱动的决 ...
2024-10-28进入21世纪以来,随着信息技术的迅猛发展,大数据已经成为全球最具影响力的技术之一,并成为企业数字化转型的核心驱动力。大数据 ...
2024-10-28随着科技的迅猛发展,数字化转型已成为现代企业保持竞争力和推动增长的关键战略之一。数字化不仅仅是技术的应用,它代表着一种全 ...
2024-10-28银行业正处于一个前所未有的数字化转型时期。在数字经济的驱动下,金融科技如大数据、人工智能、生物识别、物联网和云计算等技术 ...
2024-10-28数据分析可视化是一门艺术与科学相结合的技术,其主要目标是将复杂的数据变得更易于理解和分析。通过将数据以图表的形式呈现,我 ...
2024-10-28数据分析师在现代信息密集型的商业世界中扮演着至关重要的角色。他们通过专业的技能和敏锐的商业洞察力,帮助企业从大量数据中提 ...
2024-10-28