瓴羊Quick BI助力子不语实现全场景数据分析与决策

本文涉及的产品
智能数据建设与治理Dataphin,200数据处理单元
可视分析地图(DataV-Atlas),3 个项目,100M 存储空间
数据可视化DataV,5个大屏 1个月
简介: 在中国跨境电商时尚服装类垂直领域,SHEIN与Temu 缠斗得“难解难分”,备受关注的SHEIN何时上市也是众人津津乐道的话题,但当“低调”的子不语集团(2420.hk)于2022年双十一在港交所主板上市以后,市场才意识到中国跨境电商又一巨头的出现。

在中国跨境电商时尚服装类垂直领域,SHEINTemu 缠斗得难解难分,备受关注的SHEIN何时上市也是众人津津乐道的话题,但当低调的子不语集团(2420.hk)于2022年双十一在港交所主板上市以后,市场才意识到中国跨境电商又一巨头的出现。


交出的首份业绩答卷显示2022年全年实现营收30.7亿元,同比增长30.7%,收入也再创历史新高。

 

但子不语的想象空间并未局限在服装及鞋履产品的跨境销售上,如何回应市场的期许是更大的压力和挑战,子不语集团选择以数字化转型作为打开新局面的开始。

1234.png

 

01构建底座,数字化能力闯入深水区

 

时间退回到2022年的5月,正是黄国进加入子不语集团的时间,作为数据团队的负责人,他面临的最大挑战是公司数字化建设方面的短板,如分散的系统、不同语言的代码及Excel管理的报表。数据孤岛问题真实的暴露在这位前互联网从业者眼前。

 

过去,一个数据报表的需求,往往是因为业务想看某个数据,经历逻辑拆解、前端页面开发、数据库开发……一个月的时间就此流逝。困于数据报表产出的效率和难以统一的视觉语言,建设数字化能力底盘以及选择一款适合的BI产品成为了子不语需要立即执行的待办。

 

在打造数字化底盘方面,利用云原生的技术栈,引入大数据的能力,打通各个生产系统的数据,建立系统化的数仓架构,并对业务领域进行建模和规范化,将子不语集团的数据能力提升到一个新的台阶。

 

在完成底层的数据研发与数仓构建之后,公司借助Quick BI作为数据分析与呈现的最后一环。升级后的数字化能力也立刻投入到赋能业务的任务中,当时需要快速响应一些数据汇报需求,我们通常一晚上就能把数据分析结果准备好,第二天便在会场都呈现出来。黄国进回忆到,原本需要花费两周的报表视图开发任务缩短至一天就能配置完成。而帮助财务部门出示审计报告的服务也一直延续至今,原来由财务联系IT研发从生产库取数,再导入Excel送审的工作流程,被Quick BI的电子表格和自动取数所取代,财务仅需微调格式即可送审,大幅提高了工作效率。

 

截至目前Quick BI上线8个月,所搭建的报表,在集团内拥有超过50万次的访问量。

 

 

02分析数据,探触业务洞察新深度

 

日志数据揭示着公司从上而下对数据化运营的热情。但海外市场洞察所能凭借的数据比想象中更少。除了子不语集团自有的销售数据,公开的行业数据,亚马逊平台上留下的蛛丝马迹都成为了决定成败的关键信息。

       

众所周知,跨境电商的物流仓储成本是一道难解的应用题。通常跨境卖家需要将货品通过海运入库亚马逊仓储系统。如果备货不足,导致低库存预警,亚马逊平台将会限制商品流量,前期打榜、广告投放所积累下的曝光优势将会付诸东流。如若备货太多,则导致库存积压,仓储费用难以为继,即便想要弃置,也需要支付高昂的费用。

 

依托Quick BI企业级的智能分析预测与监控告警能力,结合子不语集团进销存体系的业务特点,建设了智能销售分析、智能库存管理和自动化预警体系,在提高销量的同时全方位保障库存数量、库存周转天数保持在安全阈值范围,控制断货和仓储积压间的平衡。

       

凭借子不语集团多年经营积累下的经验,子不语已经成为亚马逊畅销榜和新品榜上的常客。通过洞察每件商品在榜单上不同位置的销量和已售商品的留评数据进行归因分析,将历史销量上升与下降的原因精准定位,推动企业的动态管理。

       

当实际库存量触及警戒线,会自动向库存管理员推送数据分析报告。如果需要补货,还能结合物流、天气、节日等因子,提供发货时间的建议。

       

在商品进入生命周期末端之时,销量的下降会导致收入不敌仓储成本,出现需要弃置商品的征兆,这时系统会及时发出告警,建议对在库商品进行降价清仓。仅弃置这一项,一年就能为集团节省很大的开支。

 

在不断追求用户体验优化的道路上,子不语还利用算法能力对客户留下的评论以及退货理由进行了语义洞察,从语料中拆分出上千个标签进行分析,如果发现同款商品多次出现:肩膀--勒、袖子--短的描述,前台业务便可反向对版型设计提出优化建议。如若出现起球、缩水、透明等关键词,又能对供应链的用料进行管理。

 

 

03合作深入,沉淀价值化的转型经验

 

回顾子不语集团数字化转型的这段历程,瓴羊Quick BI获得青睐的理由除了丰富专业的视觉风格和阿里云上产品的高效集成,最为打动公司的是在其拥有多个不同数据源和数仓组合的背景下,Quick BI依靠加速引擎的多种加速方式保障了性能的稳定和体验的流畅。

 

新的一年,子不语集团与瓴羊的合作也有了新的进展,基于业务的未来规划,经过成本的评估、以及对Quick BI集成度和开放度更大的期待,子不语将Quick BI从专业版升级至独立部署版本。

 

子不语集团也有着对数据化转型成功的定义,从IT成本中心走向鞋服产业互联网的未来,与瓴羊一道,用在消费领域沉淀下的数字化能力,影响更多的同类型行业和供应链企业,为他们带去被验证价值的数字化转型经验。

相关实践学习
助力游戏运营数据分析
本体验通过多产品组合构建了游戏数据运营分析平台,提供全面的游戏运营指标分析功能,并有效的分析渠道效果。更加有效地掌握游戏运营状态,也可充分利用数据分析的结果改进产品体验,提高游戏收益。
Quick BI在业务数据分析中的实战应用
Quick BI 是一款专为云上用户和企业量身打造的新一代自助式智能BI服务平台,其简单易用的可视化操作和灵活高效的多维分析能力,让精细化数据洞察为商业决策保驾护航。为了帮助您更快的学习和上手产品,同时更好地感受QuickBI在业务数据分析实践中的高效价值,下面将以一个真实的数据分析案例为场景带您开启QuickBI产品之旅。场景:假设您是一家大型互联网新零售企业的数据分析师,您的经理刚刚拿到8月份的月度运营分析数据,他发现近期企业运营状况不佳,8月份毛利额环比前几个月下滑较大,三季度存在达标风险。因此将这个任务交给了您,根据订单信息和流量渠道信息等相关数据,分析企业8月份毛利额下滑的关键要素,并将其分享给团队,以便指导相关业务部门采取决策和行动,提高企业整体毛利额。  
目录
相关文章
|
5月前
|
机器学习/深度学习 数据采集 数据可视化
数据分析在决策过程中的关键步骤有哪些?
【5月更文挑战第17天】数据分析在决策过程中的关键步骤有哪些?
59 1
|
5月前
|
机器学习/深度学习 数据采集 算法
Python用逻辑回归、决策树、SVM、XGBoost 算法机器学习预测用户信贷行为数据分析报告
Python用逻辑回归、决策树、SVM、XGBoost 算法机器学习预测用户信贷行为数据分析报告
|
2月前
|
存储 数据采集 监控
实时数据分析在业务决策中的应用:赋能智慧决策的新篇章
【8月更文挑战第3天】实时数据分析正以其独特的优势在业务决策中发挥越来越重要的作用。通过快速响应市场变化、精准捕捉用户需求、优化运营管理等方式,实时数据分析不仅提高了企业的决策效率和准确性,还为企业带来了显著的商业价值。未来,随着技术的不断进步和应用场景的不断拓展,实时数据分析将在更多领域发挥重要作用,为企业的数字化转型和智慧决策提供更加坚实的支撑。
|
2月前
|
机器学习/深度学习 数据采集 人工智能
🔍深度揭秘!AI Prompt如何重塑商业数据分析,让决策快人一步
【8月更文挑战第1天】在数字化转型中,商业数据分析至关重要。AI Prompt技术作为智能分析的催化剂,通过自然语言指令高效处理大规模数据,挖掘深层信息,加速精准决策。基于深度学习等技术,分析师仅需简单Prompt即可自动完成从数据清洗到生成决策建议的全过程。例如,零售业可通过此技术快速分析销售数据,优化商品陈列。AI Prompt简化流程,降低门槛,使企业能迅速响应市场变化,有望成为商业分析的标准工具,引领高效决策的新时代。
55 2
|
3月前
|
机器学习/深度学习 自然语言处理 数据挖掘
机器学习不再是梦!PyTorch助你轻松驾驭复杂数据分析场景
【7月更文挑战第31天】机器学习已深深嵌入日常生活,从智能推荐到自动驾驶皆为其应用。PyTorch作为一个开源库,凭借简洁API、动态计算图及GPU加速能力,降低了学习门槛并提高了开发效率。通过一个使用PyTorch构建简单CNN识别MNIST手写数字的例子,展现了如何快速搭建神经网络。随着技能提升,开发者能运用PyTorch及其丰富的生态系统(如torchvision、torchtext和torchaudio)应对复杂场景,如自然语言处理和强化学习。掌握PyTorch,意味着掌握了数据时代的关键技能。
29 1
|
3月前
|
机器学习/深度学习 数据采集 数据挖掘
智能决策新引擎:Python+Scikit-learn,打造高效数据分析与机器学习解决方案!
【7月更文挑战第26天】在数据驱动时代,企业需从大数据中提取价值以精准决策。Python凭借丰富的库成为数据分析利器,而Scikit-learn作为核心工具备受青睐。本文通过电商案例展示如何预测潜在买家以实施精准营销。首先进行数据预处理,包括清洗、特征选择与转换;接着采用逻辑回归模型进行训练与预测;最后评估模型并优化。此方案显著提升了营销效率和企业决策能力,预示着智能决策系统的广阔前景。
87 2
|
3月前
|
存储 数据挖掘 OLAP
阿里云 EMR Serverless StarRocks OLAP 数据分析场景解析
阿里云 E-MapReduce Serverless StarRocks 版是阿里云提供的 Serverless StarRocks 全托管服务,提供高性能、全场景、极速统一的数据分析体验,具备开箱即用、弹性扩展、监控管理、慢 SQL 诊断分析等全生命周期能力。内核 100% 兼容 StarRocks,性能比传统 OLAP 引擎提升 3-5 倍,助力企业高效构建大数据应用。本篇文章对阿里云EMR Serverless StarRocks OLAP 数据分析场景进行解析、存算分离架构升级以及 Trino 兼容,无缝替换介绍。
19174 12
|
3月前
|
数据可视化 数据挖掘 Java
深度挖掘数据,智慧决策,VeryReport报表软件引领数据分析新潮流
深度挖掘数据,智慧决策,VeryReport报表软件引领数据分析新潮流
|
3月前
|
机器学习/深度学习 算法 数据挖掘
Python强化学习应用于数据分析决策策略:** - 强化学习让智能体通过环境互动学习决策。
【7月更文挑战第5天】**Python强化学习应用于数据分析决策策略:** - 强化学习让智能体通过环境互动学习决策。 - Python因丰富库(如TensorFlow, PyTorch, Keras, Pandas, NumPy)和生态而受青睐。 - 使用OpenAI Gym构建环境,如`gym.make('CartPole-v0')`。 - 选择模型,例如神经网络,定义策略如Q-Learning。 - 训练模型,调整智能体行为,如Q-Learning更新Q表。 - 最后评估模型性能,实现数据驱动决策。
47 3
|
3月前
|
运维 数据挖掘 Serverless
深度解析阿里云EMR Serverless StarRocks在OLAP数据分析中的应用场景
阿里云EMR Serverless StarRocks作为一款高性能、全场景覆盖、全托管免运维的OLAP分析引擎,在企业数据分析领域展现出了强大的竞争力和广泛的应用前景。通过其卓越的技术特点、丰富的应用场景以及完善的生态体系支持,EMR Serverless StarRocks正逐步成为企业数字化转型和智能化升级的重要推手。未来随着技术的不断进步和应用场景的不断拓展我们有理由相信EMR Serverless StarRocks将在更多领域发挥重要作用为企业创造更大的价值。

热门文章

最新文章