从百丽IT建设看信息化、数字化和智能化的关系：智能化——运转到进化 | 数字思考者50人

传统消费如何与新兴科技融合，激活庞大的客户群体、协同丰富的数据资源，提供精准高效的决策支撑？国内大型时尚鞋服集团百丽做出了样本，并在竞争激烈的市场中稳占先机。 此前，百丽时尚集团科技中心总经理季燕利在钛媒体发布过多篇数字化深度思考：《百丽的核心竞争力与数字化》 《从补货场景，看企业协同在线》 《从无数到有数，如何深入数据应用与治理》 《数智化在零售企业的应用探索》。 这一次，他和团队、合作伙伴一起以超过5万字的文章，从百丽的业务视角出发，依据多年企业管理、业务运营和IT技术摸索与实践的经验，系统阐述了信息化、数字化和智能化在现代企业中的应用与发展。根据上述不同建设阶段，经钛媒体编辑分为三部分连载，本文为第三部分智能化阶段的探索和经验。 延伸阅读： 百丽IT建设实践与探索之信息化：“局部与规模”——负重前行，信息化困于规模化的挑战 百丽IT建设实践与探索之数字化：“连接促整体”——循环往复，数字化作用于资源的调度

数字化通过对企业资源的全量连接和数据治理，在计算机世界中重建了现实世界。这一过程不仅让“真实”得以在数据的维度中呈现，更让企业具备了基于数据进行高效调度和反馈优化的能力。

智能化作为数字化的延续和升华，其核心使命是不仅连接企业资源，还要让资源在一个动态系统中实现最优配置。这个动态系统并不是单纯的线性流程，而是一个由业务（组织）、技术（系统工具）、数据等多维要素交织而成的网络。它们之间存在着相互制约、相互影响的关系。就像生态系统中，各种生物之间相互依存，彼此影响，形成一个复杂的平衡网络。正是这种复杂关系，使得网络的运行不仅需要数据的真实，还需要能够动态调节和优化网络关系的 “调节机制”，而 AI正是这种调节机制的关键力量。

智能化的调节能力，不仅让企业能够实时感知网络中的变化，还能动态调整参数，优化节点与节点之间的关系，最终推动企业从静态走向动态的资源调度。然而，这种能力的实现并非抽象的技术概念，而是要通过对企业实际业务场景的深入理解，从场景中提取关键变量、识别优化空间，基于数据分析与反馈，逐步拆解为更细颗粒度的应用体系。正是从场景到微场景再到细微场景，智能化的价值才能真正落地。

• 场景是以业务流程为基础来设计前端产品应用，满足业务的过程管理需要。例如，大麦（根据店铺日常运营看数需求搭建的移动端前端产品）门店的数据产品以店长每天的管理需求为核心设计，通过实时数据模块满足销售进展的查询与追踪。以轻量化的前端应用为基础，用小程序的形式来触达用户并产生操作，从而记录业务过程，呈现业务运营细节。用户与用户之间的互动就是微场景的体现。
• 微场景进一步细化了场景应用的颗粒度，在前端产品应用的基础上，增加分享，产生了互动与流动，也就是数据回路与业务反馈，更真实地呈现业务运营过程。例如，门店数据可以按销售时间进度自动生成分析报表并推送至工作群，让相关人员实时掌握，促进团队协作互动、相互激励。
• 细微场景则是在微场景基础上的进一步智能化，通过AI技术的深度应用实现更智能、更贴近业务需求的交互，让信息的流动更快速、更高效。例如，员工可以通过语音直接与AI交互，快速查询销售数据或生成分析报告，AI能够根据请求进行精准的响应和反馈。通过这样的细微场景，企业数字化能力逐步向智能化能力迈进，最终形成更懂“你”、更贴近需求的数智化应用。

从场景-微场景-细微场景，面向未来，构建更“懂你”的数智化细微场景应用

从场景到微场景再到细微场景，企业 IT 建设经历了从业务管理过程的信息采集到数据驱动、再到智能交互的演进，这条智能化路径以业务流为核心，与信息化时代以规则和流程为导向的建设逻辑有着本质的区别。

如果说信息化以规则固化业务流程，数字化则以数据为纽带，将业务流转、数据沉淀和反馈闭环贯穿于企业运营场景之中呈现“真实”，还原现实世界，使企业具备“真实、可视、可控”的能力；那么智能化则更进一步，以 AI 技术为驱动力，通过深度应用来实现业务的自主优化与动态决策，让企业能够从容应对复杂场景。

智能化的意义，既在于对业务的优化决策，也在于推动企业完成单点解决方案到整体智慧运营的全面跃迁，是从身体到生命的新生。

一、助理与智体

面对数字化带来的海量信息，AI助理的引入大大降低了企业对人力的依赖，成为智能化建设中的核心“执行体”。它不仅能够处理复杂的信息流，自动执行任务，还在实际业务场景中展现出卓越的应用价值，提升了企业在复杂环境中的适应能力。进一步而言，AI助理的功能已不再局限于任务执行或预设场景的支持，而是通过未来的集群化运作，进一步强化其在企业运营中的角色，承担企业“神经网络”中的多重任务。

AI助理的构建需要基于标准化的业务结构和逻辑，结合体系化、动态的数据生产与交互，自下而上地循序搭建和应用。通过从信息处理到任务执行的逐步推进，企业可以实现从局部业务自动化，到模块化AI，再到全局一体化AI的系统构建，确保整体高效运转并提升运营效能。

1、自动任务执行

AI助理在企业中的一个核心应用就是其强大的自动化任务执行能力。通过与AI助理的简单交互，业务人员无需操作多个系统界面，而是让AI助理根据工作群里的信息直接执行任务，或是让AI助理自动对接后续的各个系统环节，大幅提升效率并减少错误。例如，销售开单流程的复杂在第一部份有过描述，不同的POS系统和销售模式导致店员不得不切换多个系统界面，手动填写和对接各个流程节点。门店POS AI助理作为执行体的介入，使得这一复杂过程得以简化。店员只需通过语音或文本指令呼唤AI助理，系统便会自动处理所有相关节点，智能填写单据，根据不同销售模式自动选择并执行对应的流程，确保开单过程顺利完成并符合业务规则。这种响应方式不仅简化了操作流程，还提升了效率。

店员及管店人员与“店铺POS AI助理”互动，完成店铺相关的业务操作及运营管理

AI助理作为执行体，将分散的环节整合为一个“端到端”的业务流，它不仅仅能执行各个环节的任务，还通过执行路径优化了环节，使流程更加高效。AI助理大大提升了业务操作中的时效性，以货品GMS AI助理在“单据跟进”场景中的数据反馈为例，在2个月的时间内超过4000多使用次数，自动跟单数达到了超过40万（电话和消息），这意味着AI助理在处理高频业务任务时展现了极高的效率。随着AI助理在各类业务场景中的应用持续深化，企业的运营效率将得到进一步提升，AI助理将成为推动业务智能化的核心力量。

货品业务执行通过“货品GMS AI助理”推进，协助跨组织信息连接和流程自动处理

2、知识智能交互

除了自动化执行，AI助理的另一大核心功能是通过知识驱动的智能交互，作为执行体为企业的多种业务场景提供精准且即时的支持。这种交互不仅限于简单的任务反馈，而是通过深度挖掘企业的知识库，结合智能分析技术，帮助业务人员在日常工作中高效完成任务。

知识库作为AI助理的核心支撑体系，是企业内部经验、规则和信息的凝聚体。它承载了企业在长期运营中积累的组织形态、业务流程、产品知识、规则标准以及最佳实践方法，为AI助理提供了精准的信息提取、智能分析和定制化反馈的基础。

借助知识库的动态更新与扩展，AI助理能够始终紧贴企业发展的实际需求，不断优化业务支持能力。借助相关先进技术，AI助理能够快速从企业庞大的知识库中提取所需信息，并根据实际场景生成个性化的反馈和建议。这种基于知识的智能交互方式，使得业务操作更加简便和智能，帮助企业更从容地应对日常工作。

我们正在导购培训和店铺陈列管理场景中探索建设“百炼”和“丽陈”智能产品。

在“百炼”（培训导购介绍货品和服务的智能产品）产品中，导购在接受产品知识培训后，可以自行录制产品介绍练货视频，通过将视频上传，练货AI助理能够自动解析这些视频，分析导购的肢体动作、语速、语调等表现，根据商品的FAB模型，进行自动化的评分，并生成详尽的反馈报告，帮助导购快速掌握产品的核心卖点；也可以根据反馈，针对不足点与练货AI助理模拟对练，进行自主强化练习。

值得一提的是，导购在实际销售过程中遇到问题时，可以随时向AI提问，获取即时的话术推荐或产品信息支持，这种实时的智能交互极大缩短了信息搜索的时间，使得导购能够更加灵活、准确地应对客户需求，提升客户体验。这些智能应用的实现离不开知识库的支持，在百炼中知识库对产品知识进行了全面梳理与精准分类，不仅涵盖了产品的功能、特性、卖点等关键信息，还内嵌了FAB模型的核心逻辑，确保AI助理能够基于知识库快速生成符合实际需求的反馈与建议。

同样，在“丽陈”（按品牌规范检查店铺陈列标准的智能产品）产品中，店铺人员将店铺陈列拍成视频提供给陈列AI助理，陈列AI助理将所提供的视频与陈列知识库中结构化的陈列规则进行比对，自动评分，并生成针对性的改善建议。这种智能分析不仅加快了陈列任务的审核流程，还确保了各店铺的陈列效果符合品牌的整体标准，提升了品牌形象的一致性和任务执行的精准性。

百炼 - 智能练货产品（培训导购介绍货品和服务）

通过这些应用场景，AI助理不仅为导购和陈列人员提供了即时、专业的知识支持，还通过不断的反馈和优化建议，帮助他们在实际操作中持续提升工作表现。知识库的价值在于将企业的隐性知识显性化、零散知识系统化，并通过与AI技术的深度结合，将知识转化为可供业务场景直接应用的智能支持。它不仅提升了AI助理对业务需求的响应速度，还确保了生成反馈的准确性和针对性，支持企业在多场景中的高效运作。与自动化执行功能相辅相成，智能交互进一步深化了企业的运营能力，推动了业务的高效运作，并为未来的智能化发展奠定了坚实基础。

3、集群化运作

随着自动化执行和知识驱动的智能交互的逐步深化，AI助理逐步成为企业“神经网络”中的关键组成部分，迈向集群化运作。其发展可以大致分为三个阶段：第一阶段是局部业务自动化，第二阶段是建设模块化能力，第三阶段则是实现全局业务的统一执行和协同。随着这三个阶段的递进，企业逐步从点到面、从局部到整体，实现了从数字化向智能化的全面升级。

具体来看，AI助理的首要任务是实现局部业务自动化。例如，上文销售开单的自动任务执行的例子中提及的店铺POS AI助理，我们对店铺POS AI助理的设计已经覆盖了近300个业务场景，从销售管理、库存管理到订单履约、盘点等核心流程的自动化执行，现在已经落地应用了80多个业务场景，帮助店长和店员快速查看销售目标、库存情况、远程盘点等，简化了日常运营中的繁琐操作。类似的，货品GMS AI助理已经设计覆盖了250多个业务场景，从订货、采购到退货的全流程自动化执行。现在已经落地应用了50多个业务场景，如差异处理、退厂维修等。

随着更多节点的自动化，逐步形成了一个个模块化的AI助理,建设完成的货品GMS AI、门店POS AI就正是模块化的AI助理。与此同时，AI助理还通过知识驱动的智能交互进一步扩展了其应用场景，如上文介绍的练货AI和陈列AI。这些基于知识的智能交互，使AI助理能够灵活应对复杂业务场景，并为员工提供实时的、专业的支持与建议，从而进一步提升业务执行的精准度和效率。

集群化运作的最高阶段便是实现全局业务的统一执行和协同。在本文第二部份数字化中介绍了协同日历，协同日历按照运营过程对企业的所有业务节点进行汇聚和管理，形成统一的调度平台。在协同日历上建立一个统筹型的AI助理，我们称之为“日历AI”，用来整合与调度各类模块化的AI助理，满足业务运营的需要。日历AI作为整个集群化运作的核心，将原本分散的执行节点转变为“智能节点”，最终形成一个业务一体化的运行体系。例如，日历AI将货品GMS AI助理与店铺POS AI助理无缝联动起来，实现了从总部到门店、从供应链到销售的全流程协同。更为重要的是，利用知识驱动的智能交互，为各个智能节点提供即时的专业知识支持，确保业务节点的执行不仅高效，还能够根据最新的业务信息进行动态调整。

因此，日历AI不仅是AI助理集群中的统一执行体，它还通过汇集和分析企业的知识体系，为各个业务节点提供专业化与个性化的建议。通过这种集群化的运作方式，AI助理推动了企业从局部自动化到全局智能协同的深刻变革，最终形成的执行AI作为一个统一的执行体，整合了企业的各个智能节点，完成企业智体的建设，确保从总部制定的策略能够高效落实到每个业务流程中。这个集群化的执行体是我们未来建设的核心方向，也是推动企业全面智能化升级的关键。

AI助理-模块AI-日历AI集群化运作，最终形成“执行AI”作为统一执行体

二、分析与决策

如果说执行AI负责具体操作的执行，那么更高层次的能力在于如何生成这些操作。随着AI助理在企业中的关键作用日益增强，企业不仅需要高效的执行，还需要智能的决策系统根据环境变化做出最佳选择，为业务提供明确的指令。要实现智能决策，企业需要将集群化运作所提供的局部优化建议转化为整体的决策依据，进而为战略实施提供了强有力的支持。通常，企业的战略由高层制定，指引业务运营并规划企业的增长路径。然而，当战略落地到战术层面时，复杂和多变的环境常常使执行偏离预期目标。因此，企业必须依靠智能系统，通过实时反馈和持续调整，修正偏差，确保业务沿着战略主线推进。

在实际运营中，偏差是多维度的，且贯穿整个业务价值链。例如，市场需求的变化、竞争对手的动态、供应链的波动，甚至是内部资源分配的效率问题，都会导致战略落地时的偏差。这些偏差会在不同的业务领域显现出来：在商品管理上，可能表现为库存与销售节奏的错位；在渠道运营中，可能体现为市场覆盖的不足或推广策略的失效；而在零售层面，业绩表现与目标的偏差则可能源于定价策略、促销力度或客户需求的变化。因此，决策的核心任务就是在偏差出现后，迅速进行原因分析并制定修正措施。业务人员执行过程中的决策不可避免的会依赖于经验和直觉，难以全面应对当下复杂多变的市场环境。当偏差逐渐显现时，受人的经验及精力的制约，是否能及时、准确地调整修正这些偏差及监督过程，是很大的挑战。AI最大的优势在于能够全方位、无时差的实时感知业务真实的过程，同时迅速定位潜在的偏差，通过对历史数据、当前业务表现和外部环境变化的综合分析，帮助企业从数据上发现问题的根源，深层次挖掘、深层次关联，作为修正的科学依据，通过持续学习和动态模拟，生成最优调整方案，帮助企业迅速应对复杂环境。这个过程不仅仅是对现有状况的调整，更是对业务运营的动态优化，推动业务回归到主线上来，确保经营始终朝着战略目标的方向前进。

基于运营大脑策略的真实业务运行，表现为：何时-何地-何人-何事-如何做

1、AI基础对话

在构建智能决策体系的过程中，基础对话模式是不可或缺的技术起点。通过自然语言处理与语义理解技术的结合，基础对话模式能够快速响应用户的询问，理解并处理复杂的业务需求。这不仅包括查询标准数据，还能够通过自然语言交互解读用户的多样化指令，完成对业务数据的提取与分析。例如，用户只需提出“今天的销售额是多少”，系统就能理解这一信息需求，并返回相应的结果。更进一步，系统能够区分和解释复杂的业务术语和指标差异。例如，用户询问“同期销售额”或“同店销售额”，系统能够自动识别这些不同概念，并提供相应的数据信息。这样的语义理解能力能够灵活应对多样化的业务表达，为更复杂的决策提供基础数据和上下文支持。

大麦门店数据AI助理是这一模式的实践案例之一。大麦门店数据是一个前端产品，在业务运营过程中，形成了标准化的指标体系，而大麦门店数据AI助理作为门店销售运营中的智能助手，通过语言交互，帮助店员快速查询并执行获取关键业务指标的任务。无论是当天的销售额、店员的销售排名，还是某商品的销售趋势，AI助理都能通过语言命令迅速响应，直接为业务流程提供支持。我们已经实现了98%以上的问答准确率，支持超过160多个核心指标的1400多种问法组合，热门指标提问次数超过9万多次。现在，门店员工不需要打开大麦/POS等系统去手动查表，只需通过询问AI便能得到所需结果。这不仅是交互体验的提升，更让业务执行效率显著提高。随着KPI指标和问答的连接增多，实际上在企业内部建立了一套完整的、有企业专有特色的KPI语言体系，进一步增强了数据的可用性和可释性，训练出企业独有的语言体系和私有模型。

大麦AI问答机器人：单店版数据完备的基础上，实现AI问答，支撑细微场景

总的来说，基础对话模式不仅是执行简单任务的工具，它还构成了智能决策的基础支撑。通过不断优化语义理解与对话交互，系统能够为更复杂的决策场景提供高效、灵活的支持，为智能决策体系的构建打下坚实基础。

2、AI数据分析师

在智能决策的探索中，基础对话模式不仅为系统提供了执行任务的能力，更为形成企业专有的、围绕KPI数据和语言体系的私有模型提供了关键的基础数据和对话上下文支持，这是进行复杂的决策的基础。真正深入的决策支持依赖于对这些数据的深度分析与洞察。

AI数据分析师的作用在于通过高效的数据读取和复杂的关联分析，将这些来自对话模式的数据转化为有价值的业务洞察。它不仅超越了传统的数据查询和展示，还能够结合多维度的数据环境，分析数据之间的复杂关系。AI数据分析师的诞生可以突破人脑的思维链接局限，无限链接所有相关数据，成为优化管理决策的智能助手。AI数据分析师的首要任务，是理解并掌握企业中海量数据的每一个指标及其计算规则。

以我们在“百维AI”应用的实践为例，百维是前端产品，是企业BI的标准化工具，其单个门店的经营数据就涵盖了多个维度500多个指标，可以从店铺汇集到城市及各个管理层级进行对比分析。传统的数据分析很难在短时间内全面理解并处理如此庞大的数据量，而AI数据分析师通过强大的计算能力，能够快速掌握这些指标的定义、计算逻辑和业务语境。这一过程可类比为人类大脑的“左脑”功能，即专注于逻辑推理和计算，处理复杂的算法任务。AI数据分析师通过对这些数据的全面理解，确保每一个决策都建立在坚实的数据基础之上，避免了人为分析中的误差和局限性。

AI数据分析师：建立共同逻辑，一致的认知经验

然而，AI数据分析师要真正发挥价值，还需要理解各个指标之间的相互作用与关联，类比人类大脑的“右脑”功能。通过上下文的连接，特征语料的训练，识别不同指标之间存在的两两相互关联，例如：销售与折扣、客单价与客单量等。通过简单的微调，这时的AI数据分析师可以满足日常提取数据形成表格的需要，只需要明确的告诉AI具体的业务事项及涉及到什么指标，例如：让AI提取销售排名前几家店铺，再提供其折扣，库存等相关KPI，按销售排名制作表格呈现。

在实践探索中明晰AI大模型落地架构，以“左右脑”逻辑贯穿智能化进阶体系

通过AI的“左右脑”结合，在简单的两两连接的基础上，去理解不同的多个指标复杂关系的并联，并在业务上下文中对其进行合理的归因解释，例如：在市场、份额-收入（规模）-毛利-费用-利润的关系链条中，每一个环节都与其他环节紧密相连，形成企业经营的全局映射。

AI数据分析师通过对这些多组关系的动态解读，可以帮助企业识别出影响业务表现的关键因素，从而优化商品策略、调整渠道布局、提升整体运营效率。特别是在零售行业常用的“同环对竞（同比、环比、对比、竞争力/份额）”分析思路中，AI数据分析师不仅能够获悉市场需求和市场份额的变化，还能分解收入结构、优化费用配置，进而为商品企划、供应链管理和市场营销提供科学依据。

这样的能力，需要让AI真正理解企业的业务逻辑，离不开专业业务人员的 “喂养”。企业必须通过持续输入业务运营的真实数据，结合企业独有的业务语料逐步优化私有模型，使其能更精准地反映企业的实际需求与运营特征。只有当AI数据分析师与企业的业务逻辑深度结合，经过专业人员的指导与校正，才能真正应用于复杂的运营决策中。AI数据分析师的成长可以说与企业的成长息息相关，只有在专业团队、知识语料的持续支持下，AI才能不断进化并为企业创造更大的价值。

大模型训练 – 语料准备

通过以上几个阶段的逐步发展，AI数据分析师不仅成为了企业经营过程中重要组成部分，更在未来的商业生态中扮演着不可或缺的角色。随着其智能化能力的不断成熟，AI数据分析师将进一步帮助企业减少人为主观判断的偏差，提升决策质量，推动企业在复杂的市场环境中保持竞争优势。

3、智能决策探索

关于业务运作过程中的数据分析体系和决策过程，我曾在《数智化在零售企业的应用探索》一文中有过详细阐述。通过结构化的横纵逻辑并叠加时间维度构建出立体的数据网，在这张数据网中，用评估体系的业务数据结构确定业务目标主线（下文称业务主线），预测体系的计划与控制就是业务具体运作过程中的从预算制定到预实比对、再到差异归因与策略执行的一系列决策及执行过程，在预测体系中进行纵向进度评估，在分析体系中进行横向空间识别。这张数据网如同精密织就的信息脉络，深度嵌入前文提及的 “神经网络”中，其数据完备性、框架结构的完整性、数据细分颗粒度的精细性就是数字化建设的进程，也是智能决策的基础。

如果说前文所提到的“企业专有特色的KPI语言体系”是训练大模型“听得懂”企业运营术语，那么这样一张“横纵连接”的数据网络则站在逻辑与结构的角度，让大模型认知并理解KPI之间多组关系的相互影响与作用力，是训练大模型“想得通”企业运营的整体结构。对多个时间节点的切面进行串联分析时，站在时间轴上看更广范围、对更多的复合指标组合进行综合分析，并在相互影响的、各个业务节点的不断过程决策与执行的连续态中进行整体调控，就是大模型的优势所在。

作为智能化决策的核心支撑，大模型能够通过无限制地连接各个业务节点，并24小时不间断地处理数据和提供决策支持。在传统的决策流程中，各节点的决策往往分散且孤立，容易导致局部最优而整体失衡。而大模型的引入使得每个节点的决策都能与整体业务主线的实际表现保持同步。同时，实时性和连续性的特点使得企业能够在主线产生偏差时迅速调整，确保业务主线的连贯性。

实际业务运营中常会产生偏差，一个完整的闭环系统必须有修正纠偏的能力

通过智能化决策体系，企业得以建立一个动态的具有开放性的闭环管理模式。接下来，我们将详细探讨智能化决策在企业运营中的实践路径，涵盖目标设定、差异剖析、策略推演等关键环节。最终如何实现“合理化成本、最大化收益”的经营目标。

1）目标设定

业务数据体系中的评估体系，就是企业战略在数据结构上的具体体现，也就是业务主线，而企业战略落地则具体体现在预算上，也就是制定目标。目标设定是业务执行的关键环节，它直接影响企业各个业务节点在既定业务主线下如何推进。基于业务主线确立了的整体方向，目标设定则是在这一框架内，具体定义各业务运营节点的执行标准和成果预期，例如：预算是按四个主线形成的，一是开关店、二是销售、三是商品、四是费用。经过自上而下的目标分解和自下而上的填报，以保证企业整体运营的协调性和连贯性，例如：预算是从单店到片区到分区到大区到总部汇总上来的，商品也是以单品到品类到品牌汇总上来的。

根据自下而上汇集的目标，归纳出整体的业务结构，在此基础上，根据合理的业务目标，自上而下进行调整。设定合理的业务目标，企业需要对市场环境、竞争态势和内部资源进行全面的评估。以销售目标为主线，通过分析过去多年的历史销售数据，智能系统基于时间序列预测和回归预测的算法模型，将总体数据逐层分解到每一家店铺，进行未来24个月的独立销售预测，这个需要大量的数据和算力的支撑，帮助管理层在主线框架下设定切实可行的执行目标，确保目标设定既符合当前市场现实，也契合企业的战略主线。基于销售预测结果，我们得到店铺在本城市和大区的销售占比。根据战略及基于历史数据的预测，系统自动分解总体目标并基于优化的模型输出各个店铺销售占比，先将销售目标拆分至城市，再引入本城市的同期销售结构，将目标依次拆分至正常店、展特卖和其它类别的店铺中，实现目标拆解到店。

总的来说，目标设定是企业在业务主线框架下的重要执行对标。通过智能化系统的辅助，企业能够根据复杂的外部市场环境精准制定各个店铺及各个组织管理环节的目标，确保每个业务节点与整体业务主线连接，达到局部执行方向与整体一体化，也就是单一店铺的销售目标调整，马上就能反馈并带动整体销售的变化。

2）差异剖析

在目标设定完成后，企业的各项业务进入具体执行阶段。由于市场环境、资源配置等因素的动态变化，业务运营的执行情况难免会出现与既定目标的偏差。差异剖析的目的就是从全面的视角及时识别这些偏差，并分析其对业务主线的潜在影响。

通过大模型的强大连接能力，持续对各个运营节点的目标达成情况进行整理和分析，不仅可以跨越不同的数据源和业务层级，实现数据的高效整合和交叉验证。在实际操作中，以开关店、销售额、商品为主线，从渠道结构（品牌到大区到城市）再到店铺，进行关键指标的预算达成分析，和同层级的数据对比，发现和定位问题，每个机构层级展开品类下钻，分析具体品类的预算达成情况。发现预实对比差异点（问题点）后，针对具体的问题进一步展开分析，借助百维和大麦的下钻分析能力，进行详细的数据分析，找出具体问题点，实现对所有核心指标连接评估。例如，某品牌各大区的销售预算达成均不及预期，其中A大区的预算达成为91%是多个大区中最好的，均折扣为42.6%，高于预算两个百分点，存销比5.3，有库存空间。B大区的均折扣达到了预算的要求为40%，但是销售预算达成仅为79%，仍然有很大的销售缺口，目前存销比6.5库存处于安全范围。在以上实例中，AI数据分析师通过业务上下文及全局的训练，在数据偏离预期时提供深度分析，确保企业能够及时发现业务运行中的偏差，快速找出与目标主线偏差的核心原因，强大的计算能力使得这一过程快速而高效，从而避免局部问题对整体业务主线的负面扩散。

各个环节持续性计划、跟进、分析、决策，产生修正与纠偏的作用力，确保主线目标达成

3）策略推演

在目标设定后，企业通过差异剖析及时识别出运营节点的偏差和问题，还需要在目标主线上进行有效的策略推演，其核心在于通过对回归预期的测算，模拟不同策略的执行效果，找到最优的调整方案，以确保企业业务主线的顺利推进。

首先，策略推演的基础是基于主线目标对各个节点的达成目标情况带来的资源消耗进行回归预期测算。通过这种回归分析，企业能够识别出偏差产生的资源消耗情况，明确哪些资源配置过多或不足。其次，针对这些偏差进行推演，模拟不同策略在实际业务环境中的执行效果，并找到最优调整路径。在实际的业务操作中，我们通过OTB（滚动计划与控制）对调整后的指标进行全年的关键指标推算，再通过主线指标（销售、毛利、库存、进货等）进行空间分析，查看调整后的各项关键指标是否能够保障全年预算目标的达成，以此循环进行多轮推演，直至确认合理的调整后目标。承接差异剖析中的举例，使用百维对A、B两个大区进行更详细的对比，相比于B在城市经济人口以及人口消费力等指标均优于A，同时入驻商场个数和商场的客流指数，B高于A，可初步判定B大区折扣出现问题，需要调整，再回到OTB的滚动模块，对B大区未来月份的折扣计划调整，将销售差额分摊至未来月份，同时观察期末库存、存销比等关键指标的变动，测算出一组合理的销售额及折扣调整计划。

实际业务中，“空间概念”是约束条件的形象表达，也是推演中不可忽视的因素，承接上面的例子，企业可能希望通过促销增加销售，但如果折扣率已经接近极限，进一步的促销将导致“顾此失彼”。在这种情况下，推演会帮助企业识别出这种瓶颈，并建议将优先级调整至其他策略，如通过增加门店来拉动销售增长。通过对这些约束条件的精准建模，能够帮助企业识别出策略执行的潜在瓶颈，确保推演出的策略在实际操作中具备可行性。总的来说，策略推演不仅是对偏差进行修正，更是确保企业在既定业务主线框架下，制定出最优的执行方案。

分析与策略模块与模块之间，以“决策”作为信息流的输入与输出（模块关系）

4、决策的实践（单品运营大脑）

从目标制定到差异分解到策略推演，最后实现决策是一个以数据为轴心的运算工程，它需要方方面面数据的实时连接、分析、推演，确定关键链上关键节点的因素，制定具体的执行方案，也就是在确定的关键业务节点上调整哪些数据，才能让整体预算的那些主线上目标达成。我们在丽影洞察（单品全生命周期分析）前端产品上已经初步实现了“单品运营大脑”应用，并在商品主线上单品运营场景中验证其智能决策的可行性。

丽影洞察通过接入单商品的海量数据，完成了数据的收集、整理、分析，实现了单品全维度、全生命周期的呈现，可以复盘单商品全生命周期过程的操作。在此基础上，单品运营大脑通过数据模型算法、大语言模型和以图搜图能力，实现单品的补货智能决策及决策验证，其中数据模型算法是通过丽影前端产品深入分析单品全生命周期的进销存数据推演未来几周的销售、库存等相关数据，得出具体的补货建议量。然后，再结合一线反馈和行业潮流趋势，将内外部多维信息（包含图片在内的非结构数据）融合在一起，实时自动生成基于全链条数据的单品诊断报告，帮助企业快速了解市场动态和商品生命周期状况，增强数据驱动的单品决策效率和精准性，从而提升单品运营能力。

单品运营大脑：融合内外部多维信息，结合算法模型输出AI单品诊断报告，辅助单品决策

单品运营大脑验证了智能决策系统在单一商品运营中的有效性。接下来的挑战是如何将这种智能决策能力扩展到企业的各个运营节点，形成全局的智能化决策体系，构建决策AI。这意味着我们需要将单品运营大脑的能力进一步扩展至多品类、多业务线，甚至是跨部门的协作，为企业构建一个真正的“品牌运营大脑”。

三、运营与进化

随着智能决策体系的逐步完善，企业的运营模式正在经历变革。智能化手段的引入，使企业逐渐摆脱了以往片段化、孤立式的管理模式，迈向一种更加前瞻的、一体化的运营范式。这种一体化运营模式不仅依赖于执行层面的自动化，更重要的是依托智能决策系统带来的全局性洞察和动态调整能力。通过智能系统在各业务节点之间的实时反馈与闭环管理，企业能够从全局视角协调各个业务板块，确保每一个运营环节都与整体主线目标保持一致。这种从局部到全局的智能化协同，不仅提升了企业的响应速度，还极大地增强了其在复杂市场环境中的灵活性与适应能力。

如同在上一部分《分析与决策》中《智能决策探索》环节中所阐述的，智能决策体系的构建不仅帮助企业在局部实现动态优化，也为全局运营提供了坚实的基础支持。然而，实现真正的一体化运营，企业需要超越单一部门或业务线的优化，将各业务板块的运营目标整合为一个连贯的、智能驱动的整体，并保持与业务战略主线的方向一致。这个整体的核心便是我们在上文提到的“品牌运营大脑”。品牌运营大脑不仅是对智能决策能力的具象化表述，更是企业一体化运营的核心引擎。

通过品牌运营大脑，企业能够打破传统运营中的边界，实现从战略制定到执行反馈的全流程智能化运作。它将各个业务模块无缝衔接，形成一个高度协同的智能生态，确保每一个运营节点都能及时响应市场变化并做出相应调整，进而推动企业实现从局部优化到全局优化的转变。接下来，我们将进一步阐述一体化运营的构成逻辑，详细解读智能决策体系如何通过品牌运营大脑在企业各个层面实现智慧化、自动化的协同管理。

1、一体化逻辑

一体化的运营首先是对一体化逻辑的深刻认知，企业通过构建智能决策体系和执行体系，实现了从战略制定到具体操作的全流程智能化管理。我们用神经中枢来比喻决策，它基于全量整体数据进行统筹分析，负责从目标设定、差异分析到策略推演的全局规划，生成可执行的策略方案。与此同时，神经网络则通过与各业务节点的有机连接，将决策AI的指令分解并落实，确保在精准的时间节点完成具体执行操作。IT在技术、业务和数据平台层面的建设是其中不可或缺的能力。

• 神经中枢。智能决策体系是根据全量数据统筹全局运营，从目标设定到差异分析到策略推演和趋势修正，制定可执行的具体的策略方案，对接执行AI落地执行，所以神经中枢也叫“决策AI”，它是以决策与执行高效的互动，动态调整来保持企业的发展方向。
• 神经网络。神经网络是在协同在线的基础上通过AI助理的连接及协同日历的管理建立起来的一套有机的网络体，也就是执行AI。它将决策AI的指令分解到各个业务运营节点上来完成数据的调整，确保执行AI对决策方案的落地，这一过程就是明确“何人”、在“何时何地”、基于“何种策略”、执行“何事”，每个运营节点都在精准的时点上进行操作，而每个环节具体的执行是通过API接口完成。
• 行动触点与基础支撑。具体将决策落地到哪个系统上，是通过执行AI去调用对应的系统API接口来完成。API接口的背后就是业务平台（业务系统、业务中台、前端产品）。支撑业务系统和中台的是技术平台，以云原生服务、DevOps和中间件为核心，提供了稳定、可扩展的技术基础设施，确保系统的高效运维和快速响应能力。数据平台是连通所有系统的数据（包括技术和业务）进行统一化、标准化的采集、存储，并提供统一的数据服务来满足决策这三大平台的整体运作，为企业的智能化运营提供了全方位的基础保障。

AI大模型作为“中枢神经”，协同平台作为“神经网络”建设智慧运营一体化

在整体运作过程中，OODA 环（Observe-Orient-Decide-Act）这一动态循环过程得到了充分体现。在“Observe”（观察）阶段，神经中枢的决策AI通过全量整体数据实时感知市场变化与业务执行情况；在“Orient”（判断）阶段，决策AI结合历史数据、外部环境和内部反馈，快速判断趋势，并拟定调整策略；接下来，在“Decide”（决策）阶段，决策AI生成具体的行动方案，并通过神经网络的执行AI分解至各业务节点；最后在“Act”（行动）阶段，执行AI确保策略的落地与执行，驱动业务运营。在执行过程中，系统持续监控执行反馈，形成新的观察与判断，进入下一个循环。

通过这种动态的 OODA 循环，企业能够保持对外部环境的敏锐感知，快速响应市场变化，并在不断的反馈与调整中实现最优决策。OODA 环的实时性和灵活性，正契合了 AI 驱动的智能决策与执行体系，确保企业在快速变化的市场中以最优资源配置达成战略目标。

2、运转与修正

• 实时反馈，驱动运转。在数智化运营框架下，实时反馈是企业保持敏锐市场反应和竞争优势的核心能力。面对复杂多变的市场环境，企业必须能迅速获取运营中的偏差信息，并及时调整策略。传统的业务模式存在较长的反馈周期，从决策到执行再到结果验证往往需要数周甚至数月，导致企业难以及时应对市场的动态变化。而如今，通过企业的智能化神经网络，实时反馈机制大大缩短了这一周期。智能决策体系依赖于实时数据采集、分析和反馈，使企业能够在运营的每一个节点上迅速了解策略执行效果，并立即做出响应，确保运营持续高效。
• 动态闭环，趋势修正。实时反馈不仅用于短期调整，更是构建企业长期应对复杂市场的基础。通过OODA 循环，企业能够在每一轮的观察、判断、决策和行动中不断修正运营偏差，逐步优化策略。神经中枢通过实时监控反馈数据，确保执行与目标保持一致。当市场环境变化时，神经网络能迅速将偏差信息回传，并促使管理层采取修正措施，以缩小偏差。这种闭环机制并非静态，而是动态优化的过程，每次修正后，新的数据和业务洞察反过来增强企业的决策能力，使其在面对长期战略时更加前瞻和精准。企业因此能够在快速变化的市场中持续优化运营策略，确保各业务节点始终处于最优状态。
• 从修正到创新。趋势修正不仅是调整偏差的手段，更是推动企业持续创新的动力。在不断修正业务的过程中，企业不仅优化了现有流程和策略，还通过数据积累和分析，发现新的增长机会和业务方向。随着神经中枢的自我学习能力增强，企业能够从短期修正中获得长期的战略洞察，逐步提升市场应变力和创新能力。通过这种持续的修正与创新，企业不仅在短期内实现了运营优化，还建立了长期的战略灵活性，形成了创新驱动的增长模式。最终，智能化运营体系通过趋势修正确保企业在变化的市场环境中保持竞争力和前瞻性。

“感知-决策-执行-反馈-优化”回路，不断提升决策智慧

3、无界进化

在信息化和数字化时代，企业的运作边界由部门、职能和层级结构所定义，信息流动和资源共享常常受到这些边界的限制。信息化的核心在于提升部门内部的效率，而数字化则推动跨部门的协作与数据共享。

然而，即便在数字化阶段，部门边界依然存在，企业的资源调度和决策仍然受到结构性制约。其最大的挑战和风险来自于数字化对企业业务功能不断整合的过程中同时对企业战略和发展方向提出了越来越高的要求，智能化随着技术的发展得以改变这一局面，将企业视为一个整体，其核心在于一体化运营，打破部门壁垒，通过全局数据的实时采集、分析、调整，实现资源的最佳配置和效能提升，推动企业从“有界”向“无界”演化。而“无界”并非是绝对的边界消失，而是指边界变得动态可调，能够通过智能化技术在变化中实现自我调节和资源优化。这从根本上完成了企业在从信息化到数字化进化的过程中将焦点从向内提升效率到向外提升效益的蜕变。是智能化通过技术将效率和效益达成了完美的统一和融合。

这种演化过程类似于复杂系统中的涌现现象。涌现是指个体通过相互作用，遵循简单规则，产生超越个体能力的复杂整体行为。在企业智能化的过程中，各部门和业务单元通过实时数据的反馈和交互，逐步形成全局的智能运营模式。各部门不再是孤立的单元，而是企业有机整体的一部分，通过动态协作与调整，共同推动企业效能的提升。

去中心化是智能化的另一个关键特征。传统企业依赖中央管理层下达指令，而智能化的应用则赋予各部门和业务单元更多的自主调节与决策能力。这种去中心化的特性本质上源于活系统的自调节能力。活系统依靠内部的反馈机制，在没有中央控制的情况下，能够根据环境变化自动维持平衡并形成新的模式。

例如，一个企业中的各业务单元可以像活系统中的节点一样，通过实时数据的反馈循环调整自己的运作方式。通过考夫曼模型可以进一步阐释这种新的模式。考夫曼模型指出，一个复杂系统的最佳运行状态介于“完全有序”和“完全混乱”之间的边界状态。在这一状态下，系统既能保持规则性以维持稳定，又能拥有足够的灵活性以适应外部变化。考夫曼模型通过两个关键参数来描述这种调节：节点数量（N）和链接数量（K）。节点数量对应企业中不同的部门或业务单元，而链接数量则表示这些单元之间的协作关系。当链接数量（K）较低时，系统趋于“完全有序”，企业运作会过于僵化，缺乏灵活性和创新能力；而当链接数量过高时，系统变得“完全混乱”，企业容易陷入失序状态，难以形成有效的决策和协作。智能化的价值在于通过AI强大的自然语言处理和推理能力，挖掘数据背后的业务洞察。在此基础上，结合企业私有的专家模型和业务特性生成针对复杂场景的决策建议，并通过API或工具接口触发相关系统执行具体行动，最终实现“数据-逻辑-行动”的一体化闭环。这个过程使企业的链接数量（K）始终处于适中的范围，从而保持在边界状态。这种机制使得企业在复杂、动态的市场环境中具备更高的灵活性和适应能力，从而快速响应外部变化，从而让企业能够在稳定性与灵活性之间找到最优平衡点。

从“有界”到“无界”的转变，不仅是技术上的突破，更是思维方式的深刻变革。业务运营在本质上是追求无边界的，它总是在跨越限制，寻找新的机会创造价值；相比之下，技术的边界则受到应用场景和用户需求的限制。但随着用户需求的扩展，技术的边界也在不断扩展。因此，用户的使用方式决定了技术的边界，而业务则通过这些边界实现其价值。考夫曼模型的启示在于，企业需要在业务与技术之间找到动态的平衡点。企业能够在技术边界扩展的同时，确保业务需求在全局视角下得到满足。然而，业务部门常常维护自身边界，依靠片面数据证明独立性，这不仅限制了业务与技术的协同，也束缚了企业整体效能的提升。那些最深度使用技术的人，可能不会完全表达他们的真实需求，因为他们在守护自己的边界和利益，进一步阻碍了协作的深化。科技的发展本质上是无界的，它不仅推动技术进步，更扩展了数据、资源和能力的边界。

企业的进化，不仅是技术升级或效率提升，还通过打破部门、职能乃至个人的边界，促成“共融”的价值创造。IT部门的使命已不再局限于局部业务的支持，而是应站在企业整体的高度，积极思考如何通过技术手段实现全局效能的提升。业务部门也应从整体视角重新审视其价值与作用，超越自身的局限，确保在企业整体进化中发挥更大作用。正如人体各部分虽分工不同，但始终为同一目标协调运作，企业各部门也应如此。尽管每个部门有各自的职责和边界，但这些边界应是动态的、可调整的。这种动态边界的调节，依赖于活系统的自组织特性，以及考夫曼模型所揭示的边界状态调控原理。通过AI的驱动，企业能够在不同的市场环境中灵活调整这些边界，从而实现整体协同。

同时，智能化的发展为技术和业务的深度融合带来了新的契机。技术的突破使得业务流程的各个节点可以实现无限的链接与数据化呈现，真正实现了无界的业务运营。然而，具体业务本身仍然是有边界的，只是这些边界不再像过去那样固定不变，而是随着市场的变化而动态调整。这种敏捷性是现代业务所必需的，而无界的技术能力正是支持业务边界灵活变化的关键。动态适配不仅体现了技术的服务价值，更是企业实现边界动态调整的核心驱动力。因此，尽管技术可以发展到极高的水平，最终它的价值仍然体现在如何服务于具体的业务需求。业务是运营的主体，技术是为业务服务的工具，随时随地满足业务结构化组合和变化的需求，是技术应用的核心。反过来，如果业务不理解技术的这种无界的整体连接能力，也难以高效利用技术来制定合理的规则。规则的制定本质上是通过内部资源的整合来应对外部环境的变化。如果对外部环境变化缺乏深刻的理解，规则变来变去，智能化的技术应用成本就会增加，再先进的技术也无法解决管理上的问题。因此，企业的核心领导者不仅要在业务上进行统筹，还必须与技术建设保持同步，确保技术进步能够合理匹配并支持业务，实现两者的有机结合与协同发展。

总结：

企业IT建设是一个从局部到整体、再从整体优化局部的动态过程。这一过程并非简单的项目堆叠，而是基于实践探索与工程化逻辑的积累，是通过持续优化和动态调整形成的结果。企业核心竞争力的构建同样如此，它是试错优化与系统性沉淀的成果，并且IT建设的成败好坏本身就直接关乎着企业竞争力的优劣。

从提高效率到增创效益，再到提升效能的演进路径，是企业在发展过程中不断降本增效、提高竞争力和寻找新的增长点的过程：效率是信息化，解决部门需求；效益是数字化，服务整体目标；效能则是智能化，实现资源的合理配置与最大化利用。当整体不断的完善成型后，企业得以从全局视角优化局部，形成“整体驱动局部，局部推动整体”的循环升级。这个过程中就是技术、业务、管理三者的不断完善与整合的过程。

第一、技术战略先于业务战略

企业的技术战略必须与业务战略紧密结合，技术创新本身不是目标，它是支撑企业管理和运营的工具，工具的目的是为主体服务的，而业务是这一主体。在业务发展过程中，企业管理者需要不断的了解学习新技术，更重要的是将这些技术有效地应用于业务中，才能在快速变化的市场环境中获得优势。新技术的产生到业务应用是一个长周期、且不断摸索的过程，因此技术部门的建设是一个长周期、持续发展的战略，而业务是随着市场变化而变化的，是追求及时响应来满足消费者需求，两者之间天然存在节奏的差异。

如果技术战略不先于业务战略，当业务需要新技术支持来应对市场变化时，新技术可能无法及时跟上，企业只能在现有的技术上迭代来实现业务模式的变化，就很难在市场中快速适应。技术战略先于业务战略可以在一定程度上弥补这种节奏差异；更重要的是，技术战略先行，为业务的升级和拓展提供了可能。而这一定是有赖于一个高于业务战略的企业长远发展战略指导之下的技术战略。技术战略与业务战略之间有效的协同是企业管理者面对的挑战。

从企业投资成本角度来看，在信息化阶段，企业投资系统建设的目的是为了提升部门的效率，这个过程主要是将部门的流程和规则标准化，优化部门的组织结构，减少部门的业务执行成本，以最小的成本来满足业务的增长需求，此时从技术投入到有效性的检验时间周期短，产生的结果易于评估。虽然技术应用对业务和管理会带来一定冲击，但相对来讲，因为范围可控、周期较短、效果可期，所以这一过程一般都会比较顺畅。

数字化阶段，由于在线化，信息打破了业务运营边界，企业内部的部门之间就需要连通，一体化建设，来满足与外界快速连接的需要，这个一体化的建设就是企业级的统一标准、统一数据、统一认知的管理过程，达到整体效益的提升。支撑如此的整体效益的投入，不是单部门系统建设成本的简单叠加，而是从企业整体的、全方位的连通、一体化的有效建设来评估，而我们都知道，只要一打破部门边界，尤其是涉及到多部门、多条线业务的业务变革给管理带来的挑战都会成指数级增加。同时这个建设的时间周期长，整体效果呈现慢。

数字化建设投入的成本一定大于信息化时代，虽然最终带来的是从部门效率提升到整体效益的巨大飞跃，但它在公司发展战略和管理能力上对企业的挑战将远远高于信息化阶段。数字化建设投入的有效性，取决于企业管理者在业务需求发展与新技术应用实现之间的平衡。新技术本身的发展速度是快的，它推动市场的变化也是多样的，企业对新技术的应用如能快速跟上市场变化，投资的有效性则最佳。

站在未来的角度，管理者应该积极拥抱新技术，并持续投入和建设系统性能力。技术不仅是支持业务的基础设施，它还可以推动业务创新和发展。管理者需要前瞻性地探索技术在业务中的应用，保持灵活和适应变化的能力。相比之下，站在过去的视角，许多管理者在技术投入上过于谨慎，缺乏明确结果时不愿投入，这种防守的思维方式可能会限制技术的创新应用，阻碍企业的成长和竞争力。因此，未来的管理者需要认识到，技术投资是长期的战略布局，而不是短期成本支出。只有持续投入，才能提升企业的市场竞争力。

所有在技术建设上的短视，表面在意的是投入的多少和成本的控制，实际是对公司长远发展的不确定和对机会捕捉能力的不自信。所有在技术建设上的成功真正依靠的是企业的战略优势。反过来，技术建设的投入和强大的执行能力又将战略优势充分地发挥出来变成现实中的效益。

第二、技术在企业中的重要地位

在业务运营过程中，各岗位所处的角色、对业务流的运营方式都是点状的，从而业务对系统的了解与使用也是点状的，于是，业务对IT工具的需求往往产生于点状的思维模式。同时，受到自身职责、考评指标和部门边界的制约，业务也容易基于局部视角提出点状需求。这些需求虽然源于具体的岗位或部门实际情况，但它们往往无法反映企业整体运营的需要。而系统建设，不管是信息化的以部门为主，还是数字化的以整体为主，都是“整体的”，只不过起点不一样，企业的整体大于部门的整体。技术部门作为企业所有的运营流程的载体，它发挥的不是组织中单个部门的作用，而是企业整体运营的体现，不管是业务运营、人力资源、财务管理、供应链等等，所有的日常运营都体现在系统中。企业从整体到各个模块，到规则与流程，到具体业务流程操作，是从上往下的细分；从业务的各个操作汇集到流程与规则，再到模块，到整体，是自下而上的汇集，整体链条的梳理与贯通都是在技术部门实现的，因此随着数字化的全面开展，在企业的运营体系中，技术的角色已经远远超越了工具建设者的范畴，它是唯一能够全面梳理、观测并连接业务全貌的载体，是企业运营的整体神经网络。因而，其职责贯穿企业的各个业务单元和环节，需要站在“整体性”的高度，从全局的视角将点状需求纳入统一框架中进行评估、取舍与实现。因此，随着数字化的建设与发展，技术部门在企业中的地位已经从过去以服务为主的部门转变为企业发展的基石。

随着技术部门在企业地位的升高，技术领导者的能力要求也会有所改变。信息化是以技术思维为导向，部门的系统建设过程中，业务对部门内的规则和流程的掌控是非常具体并且直接应用的，这时技术部门以服务为主，以把规则和流程在系统中实现为主要目标，因此技术领导者把握住技术实现的能力十分重要，对领导者的能力要求是业务、技术与实现；数字化是以整体管理思维为导向，是企业内部部门之间的拉通、协同为主导，以整体的建设及标准化治理为前提，逐步形成一体化的运营模式来应对外部市场变化的要求，因此技术领导者需要从企业管理角度出发，梳理部门之间的关系，建立整体的合作模式，再通过技术梳理整体的合作模式与原有部门内部的规则与流程的匹配程度，进行调整与优化，来满足一体化的需要，对领导者的能力要求是开放、合作与协同；而智能化则要业务、技术与管理三者融合，细节决定成败，通过数字化的一体化建设，将业务实际运营与数据建立起真实的逻辑关系，这个关系细分得越细就越真实，反映现实就越及时、准确。而这种细分带来的庞大的数据及数据之间的连接，对于任何一个组织与个人都是运营的挑战，AI智能会协助业务运营面对这一挑战，因此，对于领导者的能力要求是跨界、修炼与融合。

第三、线下数字化建设的管理基础以“打卡”为起点

为什么？其实，数字化就是将“人”与“事”进行连接，每个人、每一天、在每个岗位上到底做了多少事，其背后也就是操作了多少系统、产生了多少数据，形成了岗位与业务的连接，人是企业运营的数据之源，如果人的数据都不真实，企业何谈数字化。信息化时，人的数据都记录在人力资源系统（以下简称EHR系统）里，主要是按照人事管理的标准进行录入的，普遍存在与具体业务运营不一致或不能实时一致的现象，也就是真实组织和行政组织总有差异。其本质是EHR系统和各个业务系统都是单个的业务应用、满足单一部门管理的需要而建设的，从根源上就是割裂的。零售企业的线上业务（电商）所采集的数据是完整的，因为所有操作都是通过系统界面完成，全过程是有记录的；线下只是部分的业务操作在系统界面里，断点是靠组织管理逻辑衔接，企业的EHR系统最大的问题是数据采集，采集的数据不全面、不完整。数字化将对“人”的采集放在第一位，手段就是打卡，打卡以后校正信息准确度的过程就是明确上下级的过程，也就是真实的业务运营组织的呈现（真实组织），有了这个真实组织的数据才能够连接各个系统的操作，保障业务运营的实现。

对于零售企业来说，现实的业务发生时人员的组成不只是EHR系统里的人员信息和组织关系，还有临时工作人员、合作伙伴人员等，由于要把所有与业务相关的人员管理起来，此时便有了“组织中台”的价值。组织中台把与企业运营相关的所有内外部人员全部纳入管理范围，来保障真实的业务系统运行，而这个保障的起点就是打卡，不管你是谁，只要参与到企业任何经营活动事项中，首先是打卡，再经过审批确定你的组织，匹配你要在具体业务中所承担的工作，才能进行相应的系统操作，因此打卡是实体数字化的第一步。组织中台就是数字化发展的产物，打破内部与外部的边界，全面处理了所有与“人”相关的记录，支撑了“人”的数据的全面应用和系统的连接。

以此类推，数字化首先是要有数据，也就是从无数到有数，再通过回路去论证数据的真实性和与数据相联系的关系，就像打卡与组织关系。许多系统的存在，其本身的规则和流程是完善的，如果没有真实数据的运营，规则和流程形同虚设。这也是很多企业随着规模的扩大，管理者与一线距离越来越远，都是通过逐步增加管理层级来实现管理过程，但最大的痛苦就是各个系统都是靠人去输入数据，而不是系统采集，人输入的数据有时会基于规则和流程进行修饰，以契合自身期望呈现的价值，从而导致数据偏离真实情况。然后，本来想通过加人加岗位来解决信息失真和数据不全的问题，而这一解决方案的实质后果是增加了问题。这是典型的管理能力和技术建设不匹配的表现。时间一长，系统里的数据真实性、有效性就将大打折扣。数字化的核心就是解决数据是否能反应现实的真实，真实的数据才能支撑未来智能化的发展。有数字的数字化不难；数字有用的数字化很难；没用的数字一个没有、有用的数字一个不少的数字化最难。当企业通过数字化实现了数字的“有必有用，有用必有”的阶段，数据就将真正成为公司的核心资产。

第四、面向未来，技术与人的关系

随着人工智能技术的不断发展演进，技术与人类之间的关系也日益成为人们广泛关注的焦点。以零售行业为例，2017年前后，市场对零售的发展提出了一个极具前瞻性的概念——“所见即所得”，“所见即所得”和“零时间差”正是实体零售面临的最大壁垒，消费者希望用最短的时间获得所需商品。要实现这一概念，零售企业需要拥有品类丰富且布局合理的产品矩阵，构建从设计、生产、物流、零售到触达顾客的全链路协同，以最短的空间距离和时间将它们送达消费者手中。这背后依赖的就是数字化与智能化手段，“人机共融”才能助力零售企业打破时间与空间的限制，实现这一愿景。这不仅仅是对效率的追求，更是对消费者体验的深度承诺。通过技术的进步让追求效率能做到极致，与此同时，人在关键节点上的价值将得以重塑，更多专注于消费者的体验。一线门店的店员就是人机共融的核心枢纽，他们不仅是企业与消费者之间最直接的接触点，更是门店经营成果的关键推动者。正如自动驾驶中驾驶员从操控者转变为辅助者，但始终对最终结果负责，零售企业中的一线店员同样承担着将消费者需求转化为企业行动的双重责任。他们既是“听得见炮火”的前线角色，能够敏锐地捕捉消费者的情绪与需求，又是企业全局资源的调度者，通过智能化的建设协调后端供应链、物流和库存等资源，为消费者提供快速且精准的服务。从一线服务到后端资源调度的闭环，不仅是流程的优化，更是价值创造的递进。技术的进步让他们不仅是服务的执行者，更成为品牌价值的传递者。他们以服务为媒介，将企业的文化、情感与温度传递给消费者，实现从“服务消费者”到“连接消费者”的角色升级。一线店员的角色升级与智能化建设的无缝配合，共同构建了零售企业的动态、智能协同网络。这种协同网络不仅提升了运营效率，更让零售服务充满温度与深度。

未来零售：所见即所得

从生产端的柔性制造，到物流端的智能调度，再到消费端的个性化服务，每一个环节都需要人类智慧与技术能力的深度融合。零售的本质并非简单的商品供需关系，而是品牌在消费者心中建立的记忆与情感纽带。通过“所见即所得”的一体化实践，零售企业不仅能实现效率与体验的双重提升，还能不断拉近品牌与消费者之间的距离。正是企业从信息化到数字化再到智能化的不断进化让“所见即所得”这一追求逐渐从梦想迈向现实。只要有人类的想象力和创造性，只要我们不断提升将技术、业务和管理相融合的领导能力，未来，AI将不再被视为“替代人类”的威胁，而是“共融伙伴”，帮助人类在这一生态中找到更高价值的定位与方向。在人与技术共融的基础上，让企业在面对顾客的各种个性化的需求的时候犹如一个无所不能的生命体给予他们智能化的满足，零售行业乃至各个行业就能真正实现企业和消费者的共创共生，这一目标就是企业在未来持续增长的动力与方向。

特此声明，本系列三篇文章得到了百丽科技中心团队和滴普科技团队的支持，文章中内容都是他们帮助梳理出来的。同时，感谢以下与我们合作共创的企业：

1. 滴普科技：共创研发AI问答机器人、AI数据分析师、单品运营大脑和品牌运营大脑；
2. 钉钉：共创研发AI助理、智能练货“百炼”、AI问答；
3. 潮际汇：共创研发鞋类设计AI、陈列AI、营销内容AI；
4. 斑头雁（BetterYeah）：共创研发AI助理与智体；
5. 优维科技：共创研发运维AI；
6. 酷渲科技：共创研发培训AI；
7. 笨马网络：共创研发测试AI。

延伸阅读： 百丽IT建设实践与探索之信息化：“局部与规模”——负重前行，信息化困于规模化的挑战 百丽IT建设实践与探索之数字化：“连接促整体”——循环往复，数字化作用于资源的调度