得到学习笔记-便利店新物种20220720

得到-便利店新物种-便利蜂

庄辰超，机会分析模型，以行业集中度、行业创新机会两个维度，把所有行业分为四个象限。

• 集中度高、创新机会大的行业，如证券、网上酒店预订，这个领域有创业机会，但最后容易被头部企业并购，就像去哪儿最终被携程收购
• 集中度低、创新机会少的行业，如类似香烟、可乐这样的企业，不适合创业，只适合投资
• 集中度低、创新机会少的行业，比如餐饮，创业难度比较大
• 集中度，但创新机会大的行业，比如中国的二手车市场和便利店，创业的成功率比较高

便利店经营需要无数节点的海量决策，这是系统决策可以发力的点，更重要的是，便利店决策虽多，但基本都非关键决策，一个环节决策失误了，比如一次订货多了少了，也就造成5‰的损伤，不致命，这就给系统留下了足够的试错空间。不像金融、医疗、出行，这些行业设计金钱和人命，每个决策都事关重大。

系统决策的优点是重复决策场景下的决策速度快，并且可以做到单点最优；缺点是无法应对重大突发情况，而且一开始无法做到全局最优。人来决策的优缺点正好与系统相反，人的决策会考虑上下游多个环节，从全局最优出发，面对突发事件可以灵活应对，缺点是速度慢，也很那对每个决策点逐一优化。

便利店的业务是环环相扣、紧耦合的，工厂、物流、门店要无缝配合。系统和人配合决策，意味着系统必须“慢下来”将就人，它的速度优势发挥不出来；同时因为有人的因素在里面，系统决策的准确度得不到精准反馈，系统也无法迭代。事实上，能与一套AI系统完美配合，是另一套AI系统，而不是人

2018年重大调整：门店经营决策权从店长移交给系统，让系统来全面接管方向盘。门店员工做好两件事：一、门店服务；二、给系统当幕僚。如果员工发现系统发出的指令有问题，和自己的经验判断不一致，他可以提交反馈，给系统“提意见”，但仍然以系统决策为准。

实验效果：几个月内，系统订货数据优于60%以上店长的人工测算数据；

另一个实验，让10过最有经验的7-11店长，按过去一周的门店销量数据，把店铺的sku减少10%。第二天门店销量平均减少了5%，而让系统来做同样的决策，第二天门店销量只下降了0.7%

疫情收回系统的经营决策权，手工excel表格计算。

重大突发情，系统无法应对，是因为决策环节的颗粒度切分还不够细，还没有穷尽决策的每个细分场景和每个细节。决策方案不说剥夺系统的决策权，而是持续优化系统。

在暂时无法模型化的细分场景中，由人来辅助系统做决策。

在便利蜂，数据技术并不是工具，而是战略本身