消费行业中的信息系统/一般流程
信息系统重构案例研究 - 行业 — 信息系统重构案例研究 - 零售 — 方法论简介 — 一般流程 — 工业流程 — 零售流程 — 结论 — 附录 A — 附录 B — 参考文献
现在让我们分析两种方法中都存在的流程。
在这个过程中，系统是“公司 - 潜在客户”的环境，客户是其需求的拥有者，或多或少是意识到的。该流程的目标是与公司共享此信息。
为什么我们要试图感知需求？答案在于对他人需求的不可知论方法。我认为公司的作用不是相信自己是真理的保管者，而是成为提取和解决客户请求的工具。
谁参与了需求感知过程？三种类型的人员参与其中：拥有需求的人（客户）、收集需求的人、传递需求的人。
客户感受到需求，是明确提出请求（需求驱动）或拥有隐性需求需要提取（供给驱动）的人。
我们可以将客户归类为
- 熟知客户，通过历史关系了解的人（积分卡等）；在这些客户中，我们尤其关注在整个客户群的代表性方面具有统计学意义的客户。
- 未知或随机客户
- 潜在客户：其中包括我们认为是产品目标群体的人，浏览店面的人或进来但没有购买任何东西的人（潜在客户）。
很明显，对这三组客户有不同的营销策略：在第一种情况下，我们希望留住客户并增加交叉销售或追加销售。在第二种情况下，我们希望让客户忠诚，在第三种情况下，我们希望降低进入壁垒。
收集客户需求：我认为我们可以识别出三种类型的人，第一种是工作是“感知”更广义的市场（社会、各种环境）的人，有时他们被称为“酷猎手”或侦察员。第二组由与零售商合作的代理人组成：他们的视野比单个零售商更广阔，但比侦察员更狭窄、更精确。最后一组是由实际与特定客户接触的销售主管组成，因此他们对有限的请求有明确、明确的了解。
传递信息：说这些人与收集信息的人相同很容易，但在我的经验中并非如此。此功能通常被视为次要工作，因此被委托给另一个人，一名助理，在空闲时间完成，甚至更糟的是，被隐藏起来，被认为是个人资产的一部分。这种态度意味着传递给公司的信息质量大大降低。
什么是需求，客户在寻找什么。让我们从对这个维度进行三值分类开始
- 明确需求：对特定对象的具体请求（雨衣、风衣），可能与新环境有关（例如，滑雪者的长手套）。
- 半结构化请求：比前者更笼统，但不太精确。一个可能的例子可能是“类似那件夹克，但领口周围有毛皮”或“稍微长一点或短一点”。这类请求主要涉及产品，通常以符号、非语言的方式表达，因此很难收集和传递。
- 地理或情境需求：与文化或“魅力”趋势相关的特定颜色，而不是低调。这些是难以接收和使用但包含丰富信息的客户需求示例。
在这个维度中，我们实际上只分析了产品需求，我们也可以对其他层次的需求（内在尊重、社会和自我实现需求）使用相同的详细程度。据我所知，没有关于这个主题的研究正在进行中，这个主题似乎非常有趣，而且很大程度上是未知的。
在哪里：关于需求发生的地方。需求的“位置”和需求类别（明确、半结构化或情境）之间肯定存在关系；我们可以识别
- 商店：这些是明确与客户互动的地方，涉及结构良好的需求。这是一个非常重要的信息资产。
- 橱窗或商店路线：我们正在谈论没有明确互动的潜在客户，这是一个非常重要的非结构化信息资产，很难捕获和分类。
- 竞争对手：我们通过竞争对手提供的产品来观察客户需求；就像观察解决方案并试图猜测问题一样。当竞争对手能够接触到我们无法接触到的情境时，例如远方市场，这变得很重要。
- 一般地理分布：最普遍也是最难分析的情况；例如，您可以考虑时尚行业中没有公认的分类法的事实。
至于数据的收集和存储定义，问题现在正从技术问题转移到公认的数据语义定义。
如何。要了解如何感知客户需求，让我们考虑这些需求是如何显现的。我们可以想到三种外部化方式
- 像对销售员的明确请求这样的有意识的个人需求。
- 像拿起一件衣服、看看它然后放回去这样的无意识的个人需求。
- 像一种新的“时尚”这样的社会需求。
我们如何感知这些需求：对于每种类型，我们必须想出一个方法来定义基本信息（状态），因此我们需要
- 销售支持工具，包括实际销售和错失销售。
- 情境分析工具。
- 竞争对手分析工具。
- 社会趋势分析工具。
特别是在谈论第一个流程时，我们必须非常谨慎地对待易用性和工具的精确性，因为实际的操作员有时在“正常”情况下工作，有时在“销售”或“高峰时段”等变化的环境中工作。另一个需要考虑的主题与我们正在收集的数据的意义有关。
- 观察到的客户的行为是否像一个无知的人？
- 我获得的数据是否受到收集过程的偏差？
目前，我认为这些可以被视为比现在没有数据更小的问题。
Last but not least there might be a problem on context bias: if we collect data in a luxury shop we shall have a “luxury” view of the problem, same thing for a low income customer environment. This obviously becomes a problem in inter-class analysis while it is not so bad if the company target is parallel to the sample set.
何时我们收集信息并使用它们？
使用我们刚刚定义的数据模式，我们可以说
- 地理或情境需求比特定产品的时间范围更长；可能是几年。
- 半结构化请求主要提前几个月，从一个季度到另一个季度；它们似乎比今天接受的“上市时间”略短。
- 明确需求通常具有直接性；理想情况下，应在需求出现时立即做出回应。
数据收集时间肯定与需求的性质和时间范围有关，但我们可以将其大致发布在销售期内，并考虑对信号强度的大量时期依赖性。
Usage is again related to the class of need and has a strong period dependence the shorter the horizon is.
应该收集多少个信号，它们应该有多重要？
这是一个三方面的难题：方法问题、测量内容问题和参考值问题。
让我们面对方法问题：如果客户在看到一件衣服时感叹“漂亮”，那么变量“美丽”的统计方差等于变量本身的值，因此信息不太可靠。棣莫弗定理告诉我们，样本的方差与总体样本的方差之比等于样本维数的平方根的倒数。四个人说“漂亮”比一个人说“漂亮”可靠两倍，并开始具有统计学意义。
至于我们想要测量的变量的内容，它们必须允许您创建预测模型，因此它们必须以目标为导向。让我们举个例子：全价期间和促销期间的销售周转率。如果我们在单品牌店进行这种分析，那么它将成为不同类别之间价格正确性的指标，因为产品供应保持不变，只有价格发生变化，因此如果裤子的销售百分比增加，这意味着人们认为裤子太贵了。如果在多品牌批发商中进行相同的统计分析，那么这可能是“品牌之间”竞争的指标。
最后一个例子介绍了第三个问题：测量变量的值必须与其上下文相符。一家大型皮草公司在一段时间内销售量大幅增长，就犯过一个大错误。这主要是因为一个大型竞争对手的问题，但信号被解读为增长趋势。事实上，该公司没有考虑到整个皮草大衣市场处于稳定/下降的状况，因此涨价应被解释为暂时的现象。
因此，这一维度可以概括为收集关于重要变量的“良好”数据并将它们放入正确上下文的能力。
方法和工具：从操作的角度来看，数据的收集是一个非常困难的过程。
- 定义的需求，正如我们所说，这些需求只存在于已知客户的特定地点。几乎所有销售点都有用于操作流程的工具（库存流动、发票、现金核算），其中一些产品还具有有限的 CRM 功能，主要用于售后服务（积分卡、召回）。其中一些还提供支持销售计划的选择，既从预算角度，也从空间/路径分析角度。据我所知，没有针对请求和漏单分析的通用解决方案。
- 与偶尔或未知客户相关的半结构化请求。在我看来，这是一个未被覆盖的领域，因为没有可用的特定工具。我读到过顾客佩戴 RFID 手环以追踪他们在销售大厅内的路径的经历，但似乎已被放弃（我不喜欢）。除了隐私问题外，用于人物识别的视频分析尚未完全可用。
- 地理或上下文需求：这是一个巨大的且极其有趣的信息问题。它与分析社会开放空间以获取可能出现的“趋势”信号的能力有关。据我所知，目前还没有类似的东西。一个有趣的方法会考虑电视和电影的图片：它们受到服装导演选择的偏差，但可以越来越多地进行分析，直到算法给出可接受的结果。
在这种情况下，要考虑的上下文系统是公司，流程目标是将营销部门感知到的数据与设计、工业化、生产和物流部门（工业）或采购部门（零售）共享，这些部门是提出公司现实解决方案的人。
为什么：这个流程的存在与将一般数据转换为公司可用数据的需求有关；我们需要将上下文事件翻译成内部的可用语言。
谁：人员可以作为流程和状态定义资源参与到这个流程中。正如我们稍后将讨论的（如何），方法可以多种多样，这意味着不同参与者的相对重要性也大不相同。回到不同的角色，我们可以指出
- 提供数据的人员与收集数据的人员相同，或者他们是市场调研外部公司
- 合理化客户需求的人员：营销、产品或市场经理，因为这是一项非常敏感的操作，需要很高的技术能力和市场知识。也许更好的名称是“产品/服务”分析师。
- 解释的人员：在时尚产品环境中，他们被称为“造型师”，他们将上下文、非结构化信息与营销数据融合在一起，以期实现长远的目标。
这些人的相对作用显然与公司的市场定位有关：在奢侈品公司中，造型师的作用比大型大众市场企业的造型师作用更突出。
People using these data are people in the design and supply chain of the company.
什么。正如我们所说，客户需求由实物（产品）、主观方面（个人自尊）和社会需求组成。
就产品需求而言，我们可以分为“升级”、对现有主题的变体以及“创新”，后者与以前的技术背景中不存在或没有答案的请求有关。满足后者的需求是最困难的，因为它需要有能力解读可能对未来客户愿望产生影响的社会信号。
主观需求可以分为与人的“普遍”本质相关的“基本”信息，例如易用性、舒适性、功能性和与人所处的环境相关的“文化相关”信息，例如颜色选择和搭配，这些信息与消费者所处的社会密切相关。
社会信息：我们的目标是能够量化社会关注度和认可度以及社会声誉。
目前，这些参数非常模糊。
哪里。就流程存在的地理位置而言，我们必须跟踪两个方面
流程实际发生的地方，主要是公司主要场所，以及流程结果使用的地方，通常我们谈论的是结果的本地化。目前，处理该主题最常见的方式包括本地分析和中央战略整合或中央分析和本地适应。不幸的是，这两种解决方案都往往具有太长的“上市时间”，这降低了系统的竞争力，我们将在后面讨论这一点。
如何。一旦我们开始讨论分析数据，以便它们成为信息，第一个想法就是关于数据仓库、数据挖掘以及最终的知识管理。实际上，我们现在试图合理化和解释需求，而不是隐藏或显式的相关性。因此，问题要大得多，它还必须包括我们标准信息系统中没有的信息。从方法论的角度来看，我们可以将分析分为
- 理性：分类法和抽象/解释方法和工具。最后一组包括投影（定义的模式和历史数据）和预测（基于历史数据的新的模式）
- 半定量：竞争对手分析、市场语义分析
- 非理性或上下文分析。
Usually all methods are taken into consideration as we try to avoid theoretical models which could be not complete or intuition with no relation with reality.
目前，我认为使用启发式技术来解决解释模型的尝试非常有趣，我不知道有任何尝试；我认为模型还不够正式。
''''何时。从时间角度来看，我们必须考虑两个不同的范围：分析期和结果有意义的时间。
根据经验法则，在数据收集的同时进行分析是正确的，因为可能会发现一些数据不完整或错误。
对于物理部分，结果的有效性与我们正在考虑的产品的总交付周期有关，而当我们谈论客户服务时，我们的分析有效期尚不清楚，分析这一点可能会很有趣。
多少。这一维度一直很难量化。让我们回到马斯洛的需求层次理论：在转向第三级（个人需求）之前，我需要满足第二级（产品）多少？我们假设这个百分比不需要达到 100%，因为一旦较低层次的稳态平衡达到，注意力就会转移到较高层次。关键是：解决较低层次的 80% 和较高层次的 50%（假设你成功地测量了它）比 90%-40% 好吗？
我认为这是一个公司需要做出的选择。
总的来说，我们必须估计对
- 产品的需求，从我们的参考市场、其规模、我们的定位（份额）以及我们的产品在价格/性能方面满足市场的程度来看
- 个人/社会方面的需求：我们有多重视它们，以及我们满足了它们多少。
工具。现在我们已经讨论了“理解、合理化和解读客户需求能力”流程的所有维度，我们可以看看现有工具的现状。我们可以将它们分为
- 分析方法：基于已知和递归数据
- 算法或统计：至少在统计上是精确的
- 启发式：模型没有完全定义
- 上下文方法：使用共同的感觉，即使无法衡量和递归
- 头脑风暴
- 自上而下或自下而上方法。
- 个体方法：与特定的个人-环境情况相关，通常给出不可复制的结果，例如禅宗灵感。
As a personal opinion, even though different methods could be seen as provocative to some people (think of a physicist who should use a zen approach), as long as this process gives usable results is should be accepted anyway. Human beings have being using gravity as a force and apples kept falling long before Newton quantified the mathematical model. Man was using heuristic models to create manufacts. In field of social science maybe we shall never have a Galilean, recursive model but this does not mean that we must not get better use of data to be informations.