HarmonyOS开发者限时福利来啦!最高10w+现金激励等你拿~ 了解详情
写点什么

奈雪的茶:一杯奶茶中的数字化“秘密”

  • 2022-11-28
    北京
  • 本文字数:7407 字

    阅读完需:约 24 分钟

奈雪的茶:一杯奶茶中的数字化“秘密”

奶茶圈究竟有多“卷”?有数据统计,截止 2021 年,全国的奶茶店数量已经超过 40 万家。消费者的选择越来越多,行业的竞争压力越来越大,比起以价格取胜,稳定的口感、服务和供应链变成茶饮品牌间竞争更重要的砝码。


拿一杯奶茶来说,里面有水果、茶叶、鲜奶、配料等各种不同的食材,消费者在购买时,对甜度、温度、配料比等又有完全不同的需求。如果全靠店员手工制作,即便是出自同一家店,口感也很难保持稳定,更别提做到全国统一。


在这背后,供应链的稳定性同样重要。试想这样一个场景,奶茶店力推新品,却因为备料不足很快售罄——对门店来说,这会使得新品的推广效果难以评估;对消费者来说,满心期待却悻悻而归,消费体验就会大打折扣。


在最新一期的 InfoQ《超级连麦. 数智大脑》中,奈雪的茶技术中心高级总监李道兵表示,过去,门店配货主要都是由门店自己订货,其中的问题在于,店长的主观判断很容易出错,乐观的店长会囤积太多的原料,导致其他门店无货可售,马虎的店长会对同一商品的不同原料配比错误,导致原料在门店呆滞报废。整体来看,都浪费了大量的销售机会。


数字化解决的问题,不仅仅在于能比中位值的员工提供更好的决策。数字化更大的用处,是扫除连锁扩张的一个大障碍,就是人才匮乏。连锁品牌每扩张一家门店,就需要寻找同时有排班、订货、生产计划技能,以及有服务意识的管理组,而且还必须在当地,这个难度很大。而奈雪的茶的数字化目标,就是解决掉排班、订货和生产计划的问题,在连锁扩张中只需要找到有服务意识的人,这就大幅度降低了难度。


除此之外,门店店员的培训成本,也是连锁餐饮经营面临的核心挑战。通常来说,把一个新员工培养成熟练工,至少需要 1-2 个月时间,其中不少时间还是脱产培训。但是,数据统计,餐饮门店员工在职平均时长只有 1 年左右,脱产培训成本不低,而且新员工的出品品质还不稳定。


因此,奈雪的茶自 2018 年开始布局数字化转型。一方面,是为了剔除人为的不稳定因素,保持商品品质、服务和供应链的稳定性、可靠性;另一方面,也是为了降低对人的强依赖,降低门店运营成本,同时把人力解放出来,为消费者提供更优质的服务。


具体来说,奈雪的茶在前端门店配置了自主研发的自动和半自动化制茶设备,从煮茶到加料,人与机器协作一气呵成,实现了流程的标准化、自动化;在后端,通过自研的数字运营系统,可以做到自动订货,从公司全局视角进行统一调配,实现物料供应的精准化,降低销售机会损失,以及库存资金占用。


本期 InfoQ《超级连麦. 数智大脑》,由奈雪的茶技术中心高级总监李道兵,对话极客邦科技创始人兼 CEO 霍太稳(Kevin),和 InfoQ 极客传媒数字化主编高玉娴,一起探讨奈雪的茶一杯奶茶中的数字化“秘密”。内容有删减,感兴趣的同学可进入“霍太稳视频号”或“InfoQ 视频号”观看直播回放。

用 AI 在门店管理中减少人为失误,提升人效

问:2018 年奈雪开始布局数字化转型战略,促使我们去做数字化的动因是什么?


李道兵:归根结底,是餐饮连锁业为什么需要数字化?过去大家并不太关注这件事,直到用户运营变得越来越重要,餐饮门店的营业额开始大幅受到用户复购的影响。比如一个门店,品牌有了,所在地区的用户群也有了,能否触发用户的购买欲,让他想起来去买一杯奶茶,就成为了提升营业额的关键。


商品品质的提升、价格的设定都是过去商家本身比较擅长的。但是,就触发购买欲这一点,没有用户运营、用户体系,几乎做不到。这就是促使越来越多的连锁品牌进行数字化转型的重要原因。


当然,除了用户运营之外,餐饮连锁的日常运营还有很多地方需要数字化手段去做支持。比如,门店如何去扩张?如果只有 5 家、10 家门店,老板自己盯着就可以了;如果有 20-30 家门店,找几个得力店长可能也够了;但是,当门店达到数百家,就需要利用数字化的手段解决管理的问题。

问:今年奈雪的门店总数已经超过 900 家,我们在门店经营管理过程中,遇到的核心痛点有哪些?


李道兵:首先,还是门店扩张的问题。和自动贩卖机这种轻量级的运营模式不同,门店的迁移、扩张是非常重成本的。比如,好的店铺位置往往非常稀缺,很多时候可能要等半年到一年才有空缺,这是时间成本。而等到店铺位置之后,还要装修、配置设备、招聘员工、进行员工培训等等,其中的前期投入成本非常高。


其次,是门店管理的问题。门店管理组的能力,往往决定了一个门店运营的好坏。而随着门店扩张,比如当一个企业开了 300 家店,其实很难找到 300 个合适的店长,并且这些店长还必须跟城市、区域去匹配。我们不可能在三线城市开一家店,还要从一线城市调一个店长过去,店长的薪资水平还没有达到能让一个店长举家搬迁的吸引力。


第三,是门店店员培训成本的问题。对于很多餐饮企业来说,每个店员的平均在职时间并不长,差不多一年就要轮换一次,甚至更多,假设一个店员在店里只工作了 12 个月,培训就要用 1-2 个月的时间,其中的培训成本就是非常高的。

问:这些问题怎么用数字化的办法解决?


李道兵:对于奈雪的茶来说,数字化要解决的第一个问题就是怎么降低门店对店长个人能力的要求,第二个问题是降低店员培训的成本。


尤其是对店长来说,理想的状态是,假如他没有那么高的技术水平、管理水平,也能当好店长。举个例子,店长的一个重要职责就是排班,通过评估一段时间内的营业额,匹配对应的人手规模,以及这些人手分别需要在什么时间段上下班。一方面是确保效率,另一方面还要避免工时浪费。


除此之外,店长另一个重要工作就是订货。如果货定少了很快就会售罄,消费体验不好;如果货定多了,仓库肯定放不下,会造成非必要的库存。拿奈雪的茶来说,我们不但卖茶饮,还卖面包,面包几乎每天只出炉一次,售卖的数量是有限的。所以,每种面包每天应该做几个,店长心里要有数,不能等到发现当天卖得好再想着要货。这就是我们在门店经营中遇到的实实在在的挑战。


现在,对我们来说,最重要的技术手段就是 AI。最近几年,AI 就像是一个“榔头”,它能够把我们所找到的所有“钉子”都试着敲一遍。尽管不是在每个领域都能起到作用,但在能起到作用的领域效果还是很明显的。


比如,虽然 AI 现在还很难预测某款产品会卖得好。但是,至少我们能做的就是在公司决定推某个新产品的时候,帮助门店实现物料和效率的最大化。


同样是推一个新品,不同区域的销量表现不一样,即便是同一区域的不同门店,效果可能也不完全一致。这就意味着,我们在针对新品物料做门店配送的时候,需要根据销量预测,进行相应的匹配,而不是进行均匀分布。当然,也不是直接按历史销售额做匹配,还可以做得更精细化,通过对销量本身的预测,比如,某个店周围的人群特征可能直接影响新品销量,这个门店就可以多追新,多配新品物料。


在这个过程中,所有的物料分配标准、货品的配置,都是由系统自动算出来的,而不需要店长拍脑袋决策。


霍太稳:也就是说,当餐饮连锁扩张到几百家门店之后,就面临一个问题——如何为店长赋能,通过数字化的手段,包括前后端的协同,让管理组的能力实现复制,让门店的管理经验变成“可插拔”的事情。


比如,现在很多连锁门店在做智能排班,其实就是通过数字化计算门店店员的合理调配,包括在哪个时间段需要店员更多一些,哪个时间段需要的店员更少一些,这是技术更擅长的事情,可以节省很多的人力成本。对于备料也一样,每天预估备多少的面粉、茶叶、水果等等,如果都能够用算法相对比较精准地计算出来,那门店就能做到更精细化的管理,而且能大大减少对店长能力的依赖。

问:在这个过程中,人机协同的效果怎么最大化?


李道兵:AI 对人的价值主要体现在错误操作预警、行为修正,帮助员工提升工作效率和能动性。


首先,AI 可以及时发现员工犯错,或者可能犯错的情况。如果机器判断一个员工肯定犯错,就可以直接阻止他的相关行为;如果判断员工可能犯错,就可以进行预先提醒,给出再次确认的指令,或者增加审批流程,从而防止出错概率。


其次,AI 还可以帮助提升员工效率。其中的关键就在于,找到低效的环节。盘点、收货、生产各种场景下都需要人来产生数据,而人产生数据的环节就是一个错误产生点,就需要做管控。而要提升门店的人效管理,一般就可以靠智能排班系统来解决。

避免供应浪费,降低物料损耗率

问:除了门店管理的精细化,奈雪的后端供应链又是如何通过数字化支持门店更准确地制定生产和销售计划的?


李道兵:对于连锁餐饮来说,供应链端如果出现问题,主要表现是配货不均衡。过去,门店配货的做法是由门店自己订货,这里面的问题是,店长的主观判断可能出错。比如,他们觉得接下来某个产品会卖得很好,订货数量就会增加,囤了一堆货品之后,最后却卖不出去;还有另一个问题,有的店长比较马虎,某个产品的两种原料的配比是 1:5,最后他按 1:10 配货,造成大量的浪费。


所以,我们通过供应链的数字化,主要目的是做物料端的主动配货。由于公司层面拥有全局视角,就可以从全局去做评估,经过系统去计算,给出决策建议,好处就是确保我们给某个门店定的货,恰好是他们需要的,避免不必要的浪费。

问:除此之外,成品、半成品等物料本身的损耗率如何通过技术手段降低?


李道兵:首先,一定要找出造成损耗的原因,针对性地解决。当然,这里面有一个前提,就是数据一定要准确,如果数据不准或者有误差,损耗率达总指标是无法分解下去的。只有数据准了,才能找到具体在哪个环节造成了损耗,才能去改流程。


举例来说,分析后发现,是因为预测不精准,导致半成本生产多了,最后用不掉,又不能过夜,只能报损。那么,需要优化的就是预测流程。对于门店来说,数据需要精确到各个细节,比如,究竟是在下班前半小时还是一小时不煮最后一缸茶了,这些细节都要规范下来。并且,对于不同物料,规范是不一样的,没有很通用的标准。这就要求我们在数字化流程上把数据做扎实,才能去很好的去洞见问题。

问:如何判断哪些数据是否有用?


李道兵:判断数据是否有用,最简单方法就是回测。举个例子,某个产品在门店的售卖,一般第一天的物料供应都是充足的,所以第一天的数据是比较完整、真实的。第一步我们可以对比某个产品推出后,在不同门店第一天的销量差异,并且从中找到规律,把后续的数据放到算法模型中,持续验证。


当然,即便是因为物料不足,产品在第一天售罄了,也是有数据可用的。因为系统可以掌握某个产品在某个时间段的销售趋势,并且把它还原出来——用来测算当物料供应充足的情况下,究竟能卖多少。在这基础上,还可以分析当天供给不足的原因,用于后续的防范。


也就是说,当所有流程都实现了数字化,那么,数据就是现成的,只不过需要我们一次次去回测,找到可用的数据,同时持续优化相关的算法。我们不能要求所有预测都会百分百准确,最开始的算法可以做得很简单,只要它的得分是正分,比常规表现下的 80% 做得更好,那就值得推广。接下来,主要工作就是去做优化,让它比 95%、99% 的情况做得更好。这样门店的运营能力就会不断提升。

技术不是万能的,数据准确性很重要

问:从前端运营到后端管理,数字化的落地,给奈雪的业务带来了哪些具体的优化和改善?


李道兵:第一,是在做业务优化和改进的时候,可以快速去落地和试错。在没有数字化的时候,很多问题没有办法清晰呈现,因为缺少数据去做支撑。而有了数字化手段,就可以清晰定位问题,并且校验解决办法的可执行性,加快产品、流程的迭代速度。


第二,是提高门店的运营效率。拿自动制茶机为例,它非常依赖于后面一整套数字化体系的运作,具体来说可以解决我们说的门店管理组的培训问题,降低培训成本,减少店员出错的概率。过去很多人要熬夜背配方,现在不需要了,只要点一个按钮,一杯茶就做好了。


第三,是运营成本的降低。最直观的表现,就是今年奈雪的茶的产品,从以前平均 25-28 的价格,降到了 20 元以下。这背后就是因为我们通过数字化不断地优化成本,为降价留出了足够的空间。


其中,对我个人来说,感受最大的是 PDCA 循环的优化(Plan(计划)、Do(执行)、Check(检查)、Act(处理))。你要怎么发现问题?怎么才能决策?怎么让决策落地?没有数字化,很多事情是走不动的。特别是在疫情这样的大背景下,如何让企业的营运模式有韧性,当冲击来临的时候,成本能够快速降下来,这很关键。

问:在奈雪推进数字化的过程中,遇到了什么让您印象深刻的挑战?我们又是如何克服的?


李道兵:最大的挑战是数据准确性的问题。餐饮行业和互联网行业不一样,互联网行业的数据都是按照比较严格的流程产生的,所以数据质量比较高。但餐饮行业不同,其中有很多不可控因素。最开始我们还是过于理想化,没有意识到“凡是有人参与的地方,就会有错误”,最后导致了一些数据质量的问题。


在发现这个问题之后,我们开始用比较系统的方法规范员工的操作,用体系化的方法贯彻下去,在任何与人打交道,需要人去输入数据的节点,尽量实现流程标准化,操作自动化,降低对人本身的依赖。


有一点特别重要,就是关键流程都要在线上,并且一定要有一个数据池,能够把所有数据都汇集在一起。在这基础上,要有 BI 分析平台,平台还要持续监测对业务有较大影响的关键数据,持续不断地去改去优化,打磨质量管理的 PDCA 循环。


在具体的落地过程中,要擅用头脑风暴发现业务运营中的问题,定义好这些问题,并且提出改进项。换句话说,所有的架构都要围绕业务展开,形成一个持续向上优化的闭环。

问:所以技术不是万能的,数字化的顺利推进,还需要配套的组织流程的保障?


李道兵:是的,比如前面说的,对店长来说,可以根据 AI 给出的信息去做决策。但这个决策究竟好不好,后面我们还有一些相关的手段去追踪和闭环。我们会先拿一定数量的对照组出来做比较,比如,其中十家使用新决策新办法进行运营,其中十家保留原来的运营办法,通过比较这些门店平均数据表现,如果前者表现更好,那就继续扩大试行门店数量,通过一轮一轮的比较优化把事情做好。


在这个过程中,系统最大的好处就是提供一个闭环持续提升的方法,我们只要持续比较,就会发现 AI 在哪些地方做好了,哪些地方做砸了,做砸了的原因是什么?是少考虑了什么因素?下次能不能补齐?比如,不同区域的消费者对天气这个因素的敏感度是不一样的,同样是下雨天,不同城市的人的选择行为其实是不一样的。所以,不能用同一套逻辑套用,一定要知道里面的差别,知道 AI 出差错的地方在哪,然后才能不断迭代,系统得分才能越来越高,算法模型才能越来越精准。直到所有门店的经营状况都被优化,那这个系统和模型就自然而然被推行下去了。

技术人也要下一线,要持续学习

问:奈雪的茶很早就非常重视技术研发,在我们培养数字化人才的过程中,有什么成功的经验?


李道兵:我认为最重要的还是下一线,要能够跟业务摸爬滚打在一起,持续去调研,切实体会他们遇到的问题,真正体验他们的工作流程,这样才能清楚把握改进的点在哪。数字化转型的规划只是一个主导的方向,具体在执行中该往哪边走,很多落地的细节还是需要一点点跟一线需求结合起来,才能打磨得更好。


对于奈雪的茶来说,产品部门在其中会发挥比较重要的作用,他们类似于业务和技术之间的桥梁。甚至从某种角度上来讲,他要比业务更懂业务。当然也有一些企业会从业务线去提拔产品负责人,我觉得这也是个好主意。


除此之外,对于人才培养,我的另一个心得是,永远要“奖励优秀”。要让优秀的人有荣誉感,他们是团队里的一颗星,要让他们的工作方法被推广下去。


霍太稳:对于数字化人才,极客邦科技双数研究院“数字人才粮仓模型”把他们分成了五层:

从上往下,最上面那层是数字思维管理者,一般是公司的一把手,CXO 这一人群,他们往往决定了公司到底要不要做数字化,能不能成功实现数字化;第二层是数字思维业务人才,包括销售、运营、营销、财务、市场、品牌、产品设计等等;第三层是业务架构人才,他们是业务的架构师,扮演的是业务和技术连接者的角色;第四层是技术架构人才,通常横跨多个技术领域,具有技术侧的全局思维;最下面一层是专项技术人才,这部分人才需要具备两类能力,一类是软件工程能力,知道开发体系怎么运转,另一类是专项技术能力,包括人工智能、区块链、大数据等。


而我们在去给这些不同类型的人才进行培训的时候,就要给他们提供不同的技能补齐。比如,对于专项技术人才,可能要提供一些 Java、Python 之类的课程;对于业务架构人才,可能要教授他一些业务的方法论等等。所以,“数字人才粮仓模型”发布以来受到了很多关注,它分享了在数字经济方面的观察以及在数字人才发展与培养方面的研究和发现,现在很多的企业都把它作为内部人才培养的一个参考指南。

问:您对于技术领域的人才发展有什么好的建议吗?


李道兵:第一是长见识,首先一定要去找一些比自己阅历更高的专家进行对标,通过会议、课程等方式,让自己的见识不断提升。要知道业界都在聊什么,行业需要解决的问题是什么,有了这些方向之后,你才知道自己该去学什么。


第二是持续学习。一方面,要追求一定的知识广度,另一方面,要追求一定的知识深度。在这个过程中,很重要的一点是一定是要在产业中去学习 Know-How,只有这样,你才能透过现象,深入问题的本质,并且让自己的能力和经验变得可复制。


霍太稳:如今,我们正在从消费互联网时代迈向产业互联网时代。过去,很多 2C 企业是靠“烧钱”获得用户,获得营业增长,获得竞争力的。但是,到了产业互联网时代,你会发现这样的做法已经不适用了,背后的原因就在于,2B 领域更看重 Know-How,它需要你通过更长的时间,形成更扎实的积累,要求你必须沉浸其中,反复打磨。


如果你没有这一基础认知,还拿着消费互联网时代的“锤子”去砸产业互联网市场的“钉子”,实际上很难获得什么价值。就像抓沙子一样,越努力沙子漏的越快。


所以,目前对于很多的技术人,非常重要的就是去提升自己的认知,去改变自己固有的思维,用发展的眼光去看一看产业互联网,多去关注实体经济,看看哪些技术可以在其中发挥价值,去帮实体企业提升效率,降低成本。

嘉宾介绍


李道兵,奈雪的茶技术中心高级总监。先后在金山、盛大云、七牛云、京东云等公司工作。曾任盛大云资深研究员,七牛云 SVP 兼首席架构师、京东云高级总监。现主要关注连锁经营和供应链的产业互联网领域。


霍太稳,极客邦科技创始人兼 CEO,InfoQ 中国创始人,极客时间创始人,TGO 鲲鹏会发起人。2007 年创立 InfoQ 中国,2014 年创立极客邦科技,2015 年发起 TGO 鲲鹏会,2017 年创立在线职业教育学习品牌极客时间,2019 年开创极客时间企业版,拓展企业服务市场。

2022-11-28 11:495462

评论

发布
暂无评论
发现更多内容

基于微信小程序的婚纱影楼小程序开发笔记

CC同学

小程序

混沌工程,了解一下

华为云开发者联盟

云计算 测试 后端 混沌工程 华为云

活动报名 | MongoDB 5.0 时序存储特性介绍

MongoDB中文社区

mongodb

如何轻松快速构建区块链应用?技术大牛带来一线技术实践分享

腾源会

Fabric.js 手动加粗文本iText

德育处主任

canvas FabricJS 6月月更

vue快速学习、基础用法

开发微hkkf5566

直播分享| 腾讯云 MongoDB 智能诊断及性能优化实践

MongoDB中文社区

mongodb

微信视频号如何用 PC 电脑做直播?

boshi

直播 视频号

直播回顾 | 云原生混部系统 Koordinator 架构详解(附完整PPT)

阿里巴巴云原生

阿里云 架构 云原生 混部 Koordinator

在宇宙的眼眸下,如何正确地关心东数西算?

脑极体

脚本之美│VBS 入门交互实战

Windows Server 6月月更 VBS 脚本之美

RabbitMQ基础知识

龙空白白

RabbitMQ

SAVE: 软件分析验证和测试平台

华为云开发者联盟

云计算 测试 后端 开发 软件分析

JDBC 在性能测试中的应用

阿里巴巴云原生

阿里云 云原生 JDBC 压测

火线沙龙第26期-多云安全专场

腾源会

Helix QAC更新至2022.1版本,将持续提供高标准合规覆盖率

龙智—DevSecOps解决方案

C语言 静态代码分析 Helix QAC 代码合规率 代码合规

如何使用物联网低代码平台进行流程管理?

AIRIOT

低代码 物联网,

Python 设计模式:适配器模式

宇宙之一粟

设计模式 适配器模式 6月月更

好用的人事管理软件有哪些?人事管理系统软件排名!

优秀

企业管理软件 OA管理系统

游戏资产复用:更快找到所需游戏资产的新方法

龙智—DevSecOps解决方案

游戏开发 游戏资产 艾尔登法环 游戏资产复用

准备好迁移上云了?请收下这份迁移步骤清单

龙智—DevSecOps解决方案

迁移计划 迁移上云计划 迁移上云步骤 上云步骤清单 云迁移策略

学C++还是学Java?做软件研发还需掌握哪些知识和技能?

dvlinker

Java c++ 数据库 网络知识 汇编代码

如何通过7个步骤编写出色的在线用户手册

小炮

八大误区,逐个击破(终篇):云难以扩展、定制性差,还会让管理员失去控制权?

龙智—DevSecOps解决方案

Atlassian 云版 版本选择 迁移上云

应用实践 | Apache Doris 整合 Iceberg + Flink CDC 构建实时湖仓一体的联邦查询分析架构

SelectDB

数据库 flink Doris iceberg

SLSA: 成功SBOM的促进剂

安势信息

开源 开源软件供应链 软件物料清单 SBOM SLSA

RabbitMQ访问Web端口报错User can only log in via localhost

龙空白白

如何利用数仓创建时序表

华为云开发者联盟

数据库 后端 华为云 时序表

为什么你的数据图谱分析图上只显示一个值?

清林情报分析师

数据分析 可视化 知识图谱 三元组 情报分析

区块哈希竞猜游戏系统开发(dapp)

薇電13242772558

哈希值

openGauss Developer Day 2022正式开启,与开发者共建开源数据库根社区

openGauss

奈雪的茶:一杯奶茶中的数字化“秘密”_大数据_高玉娴_InfoQ精选文章