导读宗正老师是大数据资深技术布道师，本次聚焦零售行业，分享如何利用指标平台及相应的技术方法，加速零售的数字化转型。
本文分为五个章节：
1. 零售数字化转型面临的挑战。
2. Kyligence Zen 智能一站式指标平台：聚焦零售行业各环节，如何实现指标的快速加工和落地，数据链路以及工具运用。
3. 低代码指标服务的核心价值：低代码在高效指标平台的应用，如何充分发挥核心价值。
4. 新零售绩效归因分析：从全渠道的新零售场景，以一个绩效的归因分析案例，看指标平台的实际应用。
5. 从数据驱动到指标驱动：从简单报表和数字，到指标驱动的转型。
分享嘉宾｜宗正 资深技术布道师
编辑整理｜菊
内容校对｜李瑶
出品社区｜DataFun
“到 2025 年，绝大多数人将会使用数据来优化他们工作的几乎各个方面”—麦肯锡《2025 数据驱动企业》
01
零售数字化转型面临的挑战
零售企业在做数字化转型时，常会面临一些灵魂拷问。
AARRR 是零售行业的一个经典的增长模型，或称为增长漏斗，包括拉新、促活、留存、传播和转化。
拉新营销中，我们可以从不同的渠道（包括线上、线下）、在不同的平台进行拉新。面对的问题包括：
如何评估营销活动效果？
如何优化投放渠道配置？对于初创或中小型企业，存在多渠道配置，如何判断每个渠道需要投放多少人力和资金。
如何设计店铺引流产品和盈利产品？在单个渠道里，怎样设计店铺中的产品组合，比如有些利润相对较低，不求盈利，只作为引流产品，而其它更多的是盈利产品。
如何打造产品组合来提高连带率和总销售额？
用户运营角度面对的问题包括：
如何判断客单价和净利润间的波动关系？比如，如果过去 3 到 6 个月都是比较稳定的正向关系，如果突然出现反向波动，如何探知到？
如何策划大促和日常活动来缩短复购周期？零售行业中，常有高频次的日常活动，也有节日等针对性的大促，需要考虑如何合理设计以提高复购率，或者缩短复购周期。
如何刺激活跃客户的持续消费？
在这些问题中，涉及不少客户关心的关键指标，如营销相关的销售额、连带率，用户运营相关的客单价、净利润率、复购率、活跃用户数、客户终身价值等。
上面这些指标，在实际使用时，也会有一些具体的问题。比如，如何设计一个好的指标体系？如何高效取数保证指标落地？指标落地后，如何进行维度分析？基于维度进行指标分析后，如何快速地归因结果？找到原因后，如何支撑决策，进行运营调整？在多渠道多平台的运营过程中，实际数据常常来源于不同渠道，甚至可能是线下收集的，如何进行跨域对比和融合？
针对以上诸多问题，需要一个平台来进行更加充分的数智化赋能支撑。
以一个实际客户的例子来说明，指标平台如何带来效率的显著提升。
如上图所示，上面的链路是典型的指标加工需求的处理链路，耗时比较长。需求提出时，业务方和 IT 方都介入进来，同时还可能需要引入一些项目或产品相关的人一起，才能最终确定指标，然后进行开发。等到需求确定下来，可能已经过了一周甚至更久；之后是数据开发、报表制作，最终上线验收。从整体需求开始，到 ETL 开发，再到最后落地到大屏、报表或 BI 工具上，常常需要两三周甚至更长时间。
上图下方是我们优化过后的流程。众所周知，零售行业的经营决策在实现过程中常常需要按时间情况进行微调，或对一些业务策略进行调整。如零售企业常常以门店为基础，在不同地域有不同的优惠政策，相应的线上店铺的经营策略也会不同。
另一方面，由于客群常常是事先圈选出来的，在运营过程中，发现选中的人群所展现的特征与预期不一致，这时就要快速调整运营策略，或调整一些参数。一些大促活动的时效性很高，如果再用一个完整的开发周期来支持这些大促活动，两三周过后效果就会大打折扣。因此，我们需要在整个链路上，以指标为核心，建立指标体系，使用更多可复用的基础指标，以业务可介入的方式自主地建立衍生复合指标，实现快速上线。
02
Kyligence Zen 智能一站式指标平台
接下来介绍 Kyligence Zen 一站式指标平台如何应对上述挑战。
如上图所示，指标平台接入各种数据源，包括数据仓库或云上对象存储的数据；然后输出到分析工具、数据应用或协同工具中。
指标平台分为两层。上层指标应用，可以开放给业务、领导直接去看。下层是计算引擎，用来支撑维度设计、复杂计算，以加速查询。
Kyligence Zen 智能一站式指标平台，包括指标目录、指标自动化、指标治理和 AI 增强的 OLAP 引擎等模块。通过指标治理，可以统一不同部门对指标的认识。通过指标自动化，简化加工链路，支持指标实现和模型打通。最后，通过指标目录的方式，开放给应用，使业务人员也可参与到指标加工中。
指标目录，展现了一个已上线的完整的指标体系。指标目录和报表、数据目录不同，它直接体现了业务最关心的指标名称和对应的数字，如净利润、总销售额、复购率等。同时，也有净利润的一些加工，如移动平均，零售店铺关心的三日平均、七日平均等，都可以在同一张图上展示出来。
不同的内部部门在这个平台上可以快速看到统一的指标目录，以统一的口径呈现。
有了指标目录后，可以使用 ZenML 指标语言，来进行模型的维度和度量的加工。定义指标涉及的维度以及计算方法，在平台上有 ZenML 语言和 UI 界面点选两种方法。模型相关的计算，由平台的 OLAP 计算引擎来支持。
在零售场景里常用到归因分析，来实时或近实时地查看关键指标的变动及原因。如果净利润、销售额有波动，以天或小时为单位，我们希望可以分析对哪些渠道产生了比较大的影响。过去归因分析需要单独的 ETL 数据加工链路来进行。现在，通过一键分析，对于已经定义好的指标，平台可以查看某个小时、某几天，在这个指标下相关的一些维度变化。如，净利润下降波动，可以快速查看受哪些品类的影响，如上图示例中，可以看出是水果 fruits 品类下降较快。当然，在指标设计中，还可以增加相应的渠道、用户画像特征来进行分析。
通过目标管理，可以设定指标的目标值，并跟踪目标进展，同时设置不同状态的预警，以邮件或对接内部其它系统的方式，进行消息的推送。通过这个功能，可以直接将指标内容和直接相关人员的周报、月报等报表中的 KPI 达成及变化情况关联起来。
开放 API 功能，通过 API 的方式，提供了指标平台向前端消费应用开放的能力，可以快速打造和应用流行的数据产品。
同时，我们也以内嵌官方插件的形式，提供了 Excel、WPS 等常用工具的整合。可以通过这个平台，将指标的数据源、数据模型等串联起来，生成活跃用户、复购用户等 Excel 报表。
03
低代码指标服务的核心价值
通过一站式简化的数据加工链路，降低了开发门槛，指标的加工交付就在平台上高效的实现了。业务团队基于核心指标，自助式分析，快速决策和优化。通过体系化的指标管理，统一口径、按需复用，减少了资源耗费，提高了数据价值转化率。
我们的目标是通过技术，简化数据加工链路，提高加工效率。为了支撑业务，低层的表和数据模型都是必须的。在这些基础上，我们通过尽可能地借助平台和工具，聚焦指标，以业务的形式定义指标。指标关联对应的模型和表，并进行相应的计算，由平台完成。对于业务团队，通过指标可以更高效地提高对数据的解读能力，辅助业务决策判断。对于数据团队，降低了建模的门槛。原来需要大量手工去做的建模，比如一个需求可能需要十至二十个模型，对应非常多的表，要反复计划一些维度量；在业务变动时，相应的表和维度量都要做调整。现在，通过 ETL 串联，指标定义变动、指标和指标间的关联变动、底下数据模型的变动，平台都会自动完成整治。
04
新零售绩效归因分析
从全渠道的新零售场景，以一个绩效的归因分析案例，看指标平台的实际应用。
对于全渠道的新零售场景，我们有很多指标的模板，可能通过关键字查询业务模板。如盈亏分析指标，可以通过模板一键导入到平台指标目录中。同时还可以导入样例数据，以便替换成自己的数据。净利润环比分析指标，导入后可以点击查看各指标的详细信息，也支持多维度的查看。如果指标定义了多个维度，可以从不同维度进行分析，并导出到 Excel、WPS 做更多的分析。平台也可以直接进行一键式归因分析，如分析不同的品类对净利润波动的影响，并直接图形化呈现。
有了初始分析后，可以在目标管理中事先设定阈值（如 KPI）。之后，就可以自动计算进度，并支持风险提示和预警推送。
前文零售行业灵魂拷问中相应的指标，如连带率，全场景、多渠道复购分析等，平台都有相应模板，可以直接导入使用，不断完善指标目录。同时，不同部门不同业务条线也可以同时使用，不断丰富功能。
除此以外，还支持多指标的跨源对比分析。如复购率、连带率和净利润率，净利润和销售记录主表相关，而复购率需要和用户购买历史关联，这样就可能关联多张来自不同来源、不同渠道的表，平台对这样的对比也提供了支持。
05
从数据驱动到指标驱动
如上图的例子，左侧是原有的一些业务报表，右侧是零售相关的关键指标，大约有20-30 个，如 GMV、利润率、复购率等，以结构化的形式整理展示。对不同业务条线的运营或财务相关业务人员，直接看指标对应的数字，会更加熟悉，易于理解。
我们正在经历从数据驱动向指标驱动的转型过程，过去聚焦在数据报表，现在聚焦在指标上。通过高效的平台来承载相应功能，能够高效挖掘数据价值，促进业务数字化转型。
以上就是本次分享的内容，谢谢大家。
