数据中台如何重塑乳制品企业竞争力？

一、乳制品行业痛点是什么？

根据中国奶业年鉴数据，2018年中国乳制品市场规模达到3590.41亿元，同比增长-5.3%；总销量3099万吨，同比增长1.0%。这组数据可很清晰的看出中国乳制品行业的现状，规模大、增长停滞，这是一个成熟市场的标志，也是乳制品行业面临的第一个痛点。

大规模的成熟市场往往存在较多的结构性机会。在超千亿的中国乳制品市场里，液态奶占据95%以上比例，剩余的是奶粉，我们再细分来看，液态奶又可细分常温白奶、常温酸奶、低温酸奶、鲜奶、含乳饮料组成，细分品类众多。

这将导致在每个细分领域，都会不断有新的企业进入下游成品奶市场，根据Mintel GNPD2018年数据显示，2013年-2018年低温酸奶、鲜奶、常温奶、奶粉四大品类汇总的新建立品牌数增速高达23.86%，激烈的竞争导致乳制品行业整体的利润水平较低，行业总体净利润保持在7%以内。

尽管不同细分领域的竞争较激烈，但总体的市场还是较集中的。2018年伊利、蒙牛、光明、飞鹤四大集团总收入超1800亿元，占据整个乳制品行业的半壁江山。

因此，对于集团公司来说，如何管理旗下众多品牌，以及不同品牌衍生出的生产、供应链、营销的综合管理是其主要问题；而对于小型公司来说，如何优化企业运作效率，从敏捷高效的管控流程中创造利润是其主要难点。

当然，由于电商、新零售的普及，乳制品行业的渠道也发生了很大的变化，2005年杂货店占据了中国乳制品渠道的50%，但如今只有不到1/4，并且还在缩减；蚕食该渠道的主要是网购和低温便利店；而大卖场和超市这么多年依然稳坐另一半渠道江湖。

零售渠道的演变是一个逐步规范、集中和可控的过程，因此目前的乳制品企业都试图更好的控制销售渠道，更加接近消费者，这就产生了另一个重要的痛点，即如何更好地管理渠道、更好地链接消费者？

一边乳制品企业还没很好的了解消费者，同时消费者偏好的变化速度正在加快，因此品牌、产品的更新速度也得同步加快，如何掌握这个节奏？如何更精准的了解消费者的需求

在《2020年中国乳制品行业数据中台研究报告》中，亿欧智库总结了乳制品行业面临的三大痛点：增长、升级、多样化。

增长指的是总体销售额增长乏力，处在存量竞争阶段，如何获得新的增长？

升级指的是乳制品行业总体利润较低，行业如何不断寻找新利润点？

多样化指的是渠道、品牌、产品的多样化使得乳制品市场竞争加剧，如何满足产品快速迭代、服务快速响应需求。

二、这些痛点是数字化层面的问题吗？

竟然要谈数据中台，首先要明确，这些痛点是数字化层面的问题吗？

实际上每一个问题都没法完全依靠数字化解决，但是数字化能为其提供新的方案和路径。如针对增长问题，精细化运营是个突破口，而精细化运营的基础就是数字化的程度足够高；针对升级问题，全域优化、品类升级都是新突破口，其中全域优化就是数字化层面的问题；针对多样化问题，加强消费者端的数字化建设是重要的基础。

中国乳制品行业数字化实际上已经走过三个阶段：

第一阶段：2010年之前主要部署数字追溯系统；

第二阶段：2010年~2016年，主要部署ERP、CRM、供应链系统；

第三阶段：2017年~至今，主要部署消费者数据系统、MES等。

由于我国对乳制品（尤其是奶粉）的追溯管理较严格，因此乳制品企业在建立之初都依据国家规定建立了追溯体系，基本在2010年前，中国乳制品行业数字化主要集中在追溯系统，发展到今天也经过了一维码、二维码、RFID等技术的迭代。

后由于乳制品市场的快速放量，大型乳企也相继出现，基于企业管理的ERP、CRM、供应链管理系统也逐步被接受。2017年之后，开始有部分企业进行生产制造端的改造，MES系统、数字工厂开始走进乳企。

根据《2020年中国乳制品行业数据中台研究报告》，中国乳制品数字化进程基本完成重要环节（如质量安全、供应链管理）的信息化，但各个系统的数字化程度不一、数据资产孤岛化，与消费者的连接较弱；同时中国乳制品进入了寻找新增长、等待升级、适应多样化的新阶段。

但是，在增长、升级、多样化的痛点前面，基于单点的数字化已无法满足需求，因为痛点背后是精细化运营、全域优化、快速响应的产业需求，因此全流程、可快速响应的数字化方案将成为中国乳制品新的方向。

三、数据中台如何助力企业数字化变革？

按照通俗的说法，过去乳制品企业走过的是内部信息化的过程，其中对数据的存储、管理和使用也随着信息化程度在发展，我们姑且称这个过程为数字化变革的过程。

数字化的背后有两个重要的组成部分，一个是技术、一个方法论，技术是指数据库、数仓所依赖的技术方案，而方法论在于乳企如何管理数据、如何提炼数据价值、如何让数据更好赋能企业发展，这需要企业管理思想、行业know-how、组织架构和员工参与度等多方面因素共同影响。

早期企业的数据信息较少，通过部署数据库以及少量开发人员就可以满足简单的业务支持分析，但随着数据量变大，多层级部门的日常操作、分析在多类型、多个数据库之间进行，使得数据的抽取和访问显得错综复杂，会产生较多问题，如数据分析结果缺乏可靠性、数据处理的效率很低、难于将数据转化为信息等问题。

另外，随着数字化程度加深，企业数据量变大，操作和分析对象变多，传统数据库系统会产生“蜘蛛网”现象，数据仓库、OLAP技术成为主流解决方案。

但目前独立的、固化的、有限的决策支持系统已经无法适应业务快速发展的需求：

首先，传统数仓ETL过程基本依靠人工，且一旦开发完成，数据承载和储存能力的提升将会耗费很长的时间和很多的成本。

其次，传统支持决策系统的使用者还是高层管理人员，没有针对具体的业务运营人员的使用渠道，难以适应未来精准化运营的需求。

再次，触点的增多、业务灵活性增加对数据的弹性能力要求增加，数据决策系统需要适应敏捷的业务模式。

同时，传统支持决策系统各自是独立的，如基于AI、数仓以及各部件的多个支持系统，随着业务复杂度上升，目前的架构无法满足更多跨系统的决策需求。

（编辑：应用网_阳江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!