雅戈尔：5年造数据中台，省下70%日常精力_新浪财经

从浙江宁波的一个小型服装厂起家，如今45岁的雅戈尔集团，凭借数字化理念和业务渗透，依然保持着规模及利润的增长——2018年即建成中国服装行业第一家智能工厂，实现生产全过程的透明可控，让西服生产周期从45天缩短至32天；一块数据大屏实时显示全域销售情况，各营销公司业绩排行、各渠道营业收入和销售情况对比一目了然。

同其他服装企业一样，雅戈尔在发展中也遇到几大挑战：

第一，多品牌策略和多样的渠道，产生巨量数据，至今已累积超过3亿多行数据表，30TB以上存储量——如果按一页纸10,000个字符（大约2KB）算，30TB相当于1.5亿页——如此量级的数据，如果没有进行价值提炼、加工，辅助业务增长，就只是成本。如何让成本变成价值，成为雅戈尔的第一个挑战。

第二，数字化转型起步早，但要充分发挥数据驱动效能仍有痛点。雅戈尔2018年左右已完成基础的业务系统建设，但各系统的数据没有整体集成。从设计到销售终端，共有数十套基于业务场景的应用系统，这就是数十个独立的数据烟囱。如果要从这些系统中调用数据，需要拥有数十套用户名和密码。上到企业决策者，下到门店店长，如果没有专业技术，需要花费大量精力才能找到自己需要的数据。

雅戈尔5G智能工厂

如何打破看不见的数据“部门墙”，打破不同系统之间的屏障，百川汇流，从一个个数据湖泊，变成雅戈尔“数据海洋”，成了数字化转型的关隘。2018年，雅戈尔主动拥抱数据中台概念，并于2019年正式与阿里合作启动数据中台建设。目前，企业已基于数据中台串联起从面料研发、生产制造到销售终端的智慧营销的各业务系统，并通过数据建设与治理，在业务应用过程中提供了决策依据、实现了效率提升。

2024年4月24日，在阿里巴巴瓴羊与清华大学数据治理等研究中心联手举办的“数据同学会”系列交流会首站，雅戈尔集团CIO王歆、雅戈尔集团大数据负责人竺显波向一财商学院分享了企业的数智化转型之路与数据治理的关键成果。

一. 数据中台：切入核心业务场景，服务企业的“毛细点”决策

基于数据中台提出五年规划后，雅戈尔主要实现了四点升级：基于大数据技术和数据治理的平台升级、数据资产完善、应用场景拓展和交互方式简化。

以应用场景和交互方式为例，雅戈尔率先切入核心业务场景（尤其是最前端的销售环节），目前已围绕190个应用场景展开，通过沉淀数据洞察的要素，帮助公司各层级做日常运营的决策。王歆表示，这些决策都是“小小决策”，并非企业的生存点，而是“毛细点”。

大到管理层的日常决策，小到门店导购的排班表，数据中台的价值在于“让数据真正被用起来”，在日常工作中简化流程、提升效率，最终帮助管理层更好做出决策。以门店决策和会员运营为例：

门店全景视角：辅助管理层决策、减轻店长行政工作

过去难以看清全貌的数据环境下，管理层在做出决策前，往往需要带一摞报表巡店，才能了解真实的门店情况，如开店投入、装修成本、人员流动等；而店长们既承担业绩压力，又需要向下管理、向上汇报——这类行政工作往往占用大量时间：

第一，需要手动录入和上报销售情况；第二，汇报所需数据分散在各个业务系统中（如人事数据归集在HR系统中，物流数据归集在物流系统内），翻找费时、对数据技术要求高；第三，所需数据受权限影响，无法进入系统。

而雅戈尔搭建数据中台后，上至管理层、下至门店导购都有了更便捷的数据获取方式。在其数据门户中，共有三种数据视角：

1. 按数据特性划分。这是大部分企业都会采用的数据划分方式，将销售、物流、财务、会员、审计和制造等各领域的报表，各自归集一起。

2. 自定义报表。员工可根据需求自由拖拽字段。

3. 围绕品牌各层级视角展开的主题门户。品牌管理层可查看属于品牌自己的销售、物流等报表，店长也有围绕门店展开的360°全景视角。2023年，雅戈尔还借助NLP技术推出的大模型智能BI应用Chat BI，让员工通过搜索就能获得数据。

雅戈尔旗下品牌HELLYHANSEN

一个以门店为中心视角的全景数据，既方便了管理层了解门店情况，也减轻了店长60%-70%的日常基础行政工作。此外，店长们在为导购进行排班时，通过数据就能很快判断出对方更适合排在白班还是晚班、更适合销售正价品还是折扣品——减少“人”的干预，既能增加决策的正确率，也得以让他们将精力聚焦到打磨销售话术、提升销售技巧上，最终提升整体门店业绩。

二. 数据治理，最难的是“众数难调”

在企业数字化转型过程中，技术往往不是最大挑战，例如「数据质量」的治理，数据本身不会骗人，但难以统一的数据标准、不规范的业务流程，都可能造成数据污染，以至于无法为业务决策提供实际参考价值。

雅戈尔业务的复杂性，也加剧了数据需求的复杂程度和处理难度——哪怕只是一项“营收金额”，由于需要计入商场扣点、财务扣税等因素，一旦各渠道的数据口径不同，每天都会形成高达数十万元的数据偏差。

尤其是服装企业们都相当看重的几组指标，“四率二效”：“四率”分别指销售增长率、毛利率、成本费用率和回收率；二效则指人效跟平效。仅其中的平效（指门店单位面积下的平均营业额，即销售额除以门店面积），各门店可能会分别上报建筑面积、营业面积或是陈列面积。甚至有门店为了获得更高的平效，将面积数字报小。各方利益和主观意愿掺杂，使得数据治理因此成为企业数据建设中最难的一环。

因此，大数据部门花费了大量的时间打通组织、商品、人员等数据，并针对各项维度和400多个指标做了清晰的梳理。在此过程中，有两大关键：

1. 统一数据指标。

2. 通过规范业务流程，梳理“利益边界”——即理清楚一件事该由谁做，做到什么程度。

在统一数据指标时，大数据部门梳理了各业务流程中的关键字段，并根据业务需求给出细致、明确的数据口径：如“季节”，会根据业务需求将春夏秋冬细分为“春一”“春二”“春三”等阶段；而“门店面积”也会伴随装修情况及时更新。如业务部门对口径或标准存疑，该数据指标就会交给雅戈尔数据决策委员会（主要成员为财务）评判，直到达成一致意见，并会将最终结果在公司内部公示。自数据中台建立以来，数据指标平均每个月都会迭代，让数据反馈无限接近于管理诉求和业务应用的需求。