決戰1%的商業差距，全家xIBM創造數據價值，從激烈競爭突圍

「如果看得比別人更遠，是因為我站在巨人的肩膀上」，幾百年前的科學研究如此，拉回現代化的商場經營，同樣也能適用此句話所帶出的境界，但稍微不同的是，巨人不只是那些高瞻遠矚的歷代經營者，還包括了機器的輔助、系統的整合與軟體的應用，才能讓決策者以可靠的分析結果，不斷拉開與競爭者的差距，而那差距或許只在於 1% 的輸贏。

「若經驗決策能達到 50%，數據決策或許只能增加 1% 或 2%。」對智慧分析應用在流通零售業的前景，全家資訊本部協理簡維國坦言看法較為保守，這樣務實的態度或許與他在將近三十年的工作生涯、曾任職全家不同單位有關。簡維國從最初的人事部、商品部、E-Retail 事業部，直到現在的資訊部，一路走來的歷練，讓他擁有不同於一般 IT 人的思維，對於人性的矛盾、社會科學的不確定有深刻的體悟。

「雖然只有 1% 的差別，只要做一千次一萬次，贏得機率就多。」話鋒一轉，簡維國談起了統計分析中的大數法則，他不認為數據決策一定會讓人成功，但確信決策一定要「引經據典」。因此在帶兵打仗時，簡維國不像一般主管以自己的經驗為主，而是要求有憑有據。「以現代化的經營來看，引用數據就算讓營收提升 1%，也是有價值的。」

全家很早期就注重數據化的經營管理，並建置有「情報系統」，每天為幾萬筆的資料做運算交叉分析。「那時候程式系統都是自己寫，也因此全家便利商店的 IT 人員數量高達 200 人，很難想像為什麼便利超商要那麼多 IT 工程師吧！」簡維國笑著說。

但以現在的技術來看情報系統，還是相對陽春了點。例如情報系統中有 A、B、C 三個類別，A 級商品銷售表現最好、B 級商品次之、C 級商品表現不好，若以簡單的銷售報表去評估，C 級商品就需要下架。

「賣不好就需要下架，是很直覺的判斷」，簡維國說。

但如果僅以此方式判斷，就會忽略「併買效應」的影響，也就是這個商品雖然賣得不好，但它會帶動其他商品的銷售量，因此對一件商品的下架分析，就顯得更複雜與困難。過去併買效應只能以經驗來判斷，但若加上商業分析軟體，就能幫助決定是否剔除或新增這類型的商品。

舉電燈泡為例：根據傳統經驗，電燈泡雖然迴轉率很低，但因為有家庭需求而不能隨便下架，否則會影響來客數。簡維國在 15 年前當商品部經理時，曾經因為電燈泡賣得不好，在幾次考量之後以經驗法則決定將電燈泡下架。這個沒有數據支持的決定，其實困擾他一段時間。他認為，當時如果有更科學的分析運算，可以發現某商品的關聯性購買不足以替換另一件商品，下架與否的決策信心指數就能提高許多。

「分析要能到非常細微，才能夠有如此的判斷。」

過去的傳統商品情報只能表現出算術平均數，也就是以誰大誰小來做一些經營上的判斷，但如果要做到詳細的解析，仍必須倚賴工具，「所以採用 SPSS 解決方案，也是這樣的因素之一」，簡維國緩緩道來與 IBM 合作的機緣，指出他們選定的合作廠商除了要能配合行業的運作模式，還要能快速解決數據問題。

除了商品上下架的問題，便利商店經營的另一大學問便是開關店的決策，「全家目前擁有 3000 多家店面，每年還需要開 300 家店，營運不好的店面則評估淘汰，替換率約 10%，因此若分析的變數抓不準，影響將非常巨大。」

過往常以馬錶測量人流來分析商圈的競爭性，再輔以經驗做判斷，也透過日本全家的經驗輸出，找到開關店的變數建立模型，雖然如此台灣全家仍舊看到地域性的差異與分析工具上的不足，需要更多複雜的資料分析，例如統計上的集群分析（cluster）。也就是為一群龐雜的原始資料去蕪存菁、分門別類，讓同性質的資料聚在一起成為一個集群，群體之間的差距又要夠大，達到分類、分群的目標。

一開始全家先用直覺的想法分類，把商圈分成商業區、住宅區、辦公區、學區，之後再分次商圈。但後來發現台灣不像日本，要確實區分這些區域很困難，以混合區最多，最後改以人流來分區，哪些是早餐區，也就是上班買早餐最多的；哪些是下班區，大部分人下班會走的路線，才比較看出顯著的差異。

全家曾在正對台北榮總的石牌路上開超商，因為當地很人去看病、人流很多。當時認為應該是會賺錢的地點，但想不到開店後卻門可羅雀，後來分析才發現人潮以榮民伯伯為主，但老榮民並不是超商的主要客群。

「這就是社會科學，它的變因太多了！」

對此，簡維國特別有感觸。因此決策團隊必須是跨部門的組織，要有一群很了解便利商店行業知識的人、處理數據的專家、企劃背景的專家，另外也需要統計學專家與外部的顧問，才能把這套系統完整建立。全家從 2016 年導入 IBM SPSS 分析軟體，目前模型已建立並開始運作，統整各領域的數據和改善資料的品質。

超商店長在報廢品的負擔，其實比一般人想像的還要大，因為要準確的訂購商品不是那麼容易，考慮的因素很多，像是天氣問題就包含是否下雨、高溫幾度、會維持多久等。如果店長訂購太多商品，需要自行承擔損失。爲此，全家也運用過去的歷史資料，加上分析工具的輔助，幫助店長不僅能提前先預估訂購的數量，還能掌握商圈特徵，打造具有魅力和商品陳列豐富的賣場。「其實這就是預測未來，也是 AI 應用的一種。」

對於許多人看好機器學習、類神經網路做預測，簡維國認為在商業上的應用還有很長的路要走。「統計過去的資料都很困難，何況是預測未來的資料」，因此在人的行為預測上，他相信上帝是擲骰子的。雖然如此，簡維國仍強調要不斷做數據研究與嘗試。

IBM 在 2016 年底曾針對全球六千多家企業做調查分析，發現多達 74% 的企業開始在組織內部使用各類型的處方式分析（Prescriptive Analysis），這也意味著商場上的競爭將往前推進到下一階段，也就是認知分析（Cognitive Analysis）的成熟度，或是 AI 級分析。

這項調查也發現，全球市場僅有 4％ 的企業可以算是所謂的「認知探險家」（cognitive explorer），這些市場的領導者會針對特定專案，透過與人類自然互動的技術，幫助解釋數據、從每個互動學習搭配概率推理，來進行下一代分析工作，提出新的可能性並創建新類型的價值。

即將邁入 30 年歷史的全家便利商店，在資料分析成熟度令人印象深刻，藉由不斷嘗試與整合，以多元的軟體與平台，爲組織建構出最適合使用的決策工具，借力使力，幫助他們在競爭激烈的商業環境中，繼續站穩領先地位。