零售轉型OMO的關鍵，數據成為企業核心競爭力

「現在的電商，已不只是商品銷售，更演進到需要提供整套消費體驗。」Etsy前任數據長謝居呈強調。他在Etsy擔任數據長3年多，對零售業這幾年變革的發展，格外有感。

疫情3年，大大衝擊了零售業的樣貌，讓OMO浪潮延燒到全球大大小小的零售業者，美國流量第4大電商Etsy也不例外，不只國外零售業拼命布局OMO和數位通路，臺灣也是如此。

2021年進入3級疫情後，臺灣過去以實體店面為主的企業，紛紛加速轉型為線上線下融合（OMO）服務型態。這在零售業格外明顯，許多實體品牌開設了直營電商，各大超商、超市相繼進軍外送平臺，從小型賣場到大型百貨都力推會員App和數位支付功能，大量通訊軟體零售業官方帳號如雨後春筍般出現。數位通路已然成為零售業兵家必爭之地，營運模式更不斷高速發展。

謝居呈不只領導Etsy的上雲和AI數位轉型，過去17年來，他先後在樂天、eBay、Amazon等零售巨頭擔任過技術和管理職，長年在第一線觀察電子商務演變，以及伴隨而來的技術沿革。

近年零售業最重要的技術趨勢是數據相關技術，尤其是高速發展的AI。謝居呈指出：「一旦零售業成為OMO型態，數據就變成一項核心競爭力。」在OMO零售時代，企業遲早都要擁抱數據技術，「差別只是你是想要跑在前面讓人追，還是你要跑在後面去追人。」他直言。

OMO零售型態下的重大業務改變

早期電商多半只是提供網路型錄和線上付款管道，謝居呈指出，現今電商營運則需顧及更多面向，才能提供完整消費者體驗。例如，提供強大的商品搜尋和檢索功能、可信的商家商品評價、個人化會員優惠、精準商品推薦等。

廣告業務是零售業更大的營運變革。許多零售業者開始利用通路流量優勢，經營起零售媒體聯播網（RMN），對自家消費者推送廣告。謝居呈指出，零售業者開始經營RMN後，營運模式便從貨物買賣通路，走向系統化媒合商品與消費者的平臺。「廣告業務已經成為很多零售業者的重要營利來源，例如Amazon。」他說。

Amazon去年廣告營收高達377億美元，雖然只占總營收7%，但根據波士頓諮詢公司（BCG）調查，RMN毛利率高達70%至90%。按此數字計算，去年Amazon廣告業務盈利能力已經超過以往最賺錢的雲端服務業務。

OMO營運模式不斷演進，使零售業面臨巨大的業務和營收結構變革。謝居呈說，為了支援這些變革，零售業也迎來了新一波技術需求。

零售新型態催生下一波重要的技術需求

多年前，零售業就曾經因營業型態轉變而產生重要技術需求。謝居呈解釋，上一波重要技術需求來自零售業發展數位通路初期，需要建置並維運前端電商網頁和電商App，以及管理後端地端機房。這也是零售業開始設置技術長一職的由來。

現在，隨著OMO零售業務型態演變，傳統維運數位通路的技術已經不足以支援電商業務所需。如何讓消費者更容易找到適合商品？如何於線上線下不同通路提供更豐富、更一致的購物體驗？推播廣告時如何維持購物體驗和行銷成效平衡？如何控管詐騙、假冒商品等風險？這些都是OMO模式下，零售業新面臨到重要且不可迴避的課題。

這讓零售業面臨了新一波技術需求，也就是驅動各式OMO零售功能和決策的數據和數據科技，以及可以彈性支援多元業務發展及數據處理的雲端基礎架構。「零售業線上營運比重越高，這些業務和技術需求便越發迫切，對企業營收影響也越大。」謝居呈說。

企業如何用AI技術來應對OMO業務需求

謝居呈認為，數據科技領域中，又以AI/ML技術發展快速、用途廣泛，「是零售業不可忽視的技術趨勢。」AI在零售業有不少應用，可以用來降低成本、提升收益。

他以近期爆紅的生成式AI舉例，企業可以用於搜尋引擎最佳化（SEO），根據熱門關鍵字快速生成文章，提升自家網頁能見度。此外，還能生成消費者個人化文案，或商品描述、分類和屬性標籤等資料。

生成式AI還可以用於客服訓練和輔助，AI可以歸納高滿意度客服人員的應對內容，整理成教材用於客服訓練。甚至，AI還能在客服人員通訊當下，即時提醒用詞，同時撈取出消費者購物記錄、偏好和其他相關資訊作為應對進退參考，快速提升整體客服水準。

不只能優化前端服務，生成式AI還能輔助後端決策。企業可以輸入巨量數據，要求AI分析完後生成數據歸納和策略建議。例如，可以用生成式AI分析大量消費者評論，從中歸納出營運改善方針。「透過AI快速、低成本分析大量數據，能協助零售業者快速應對市場變化。」他說。

謝居呈表示，不論是內容產出、客服培訓、巨量數據分析，傳統做法都非常耗時耗力。有了AI輔助，許多工作費時能從數日降到僅僅數秒，因此，熟練地運用AI技術，是零售業重要競爭力。

數據是AI基石，發展AI之前，企業首先需要有效的數據管理、整合和監控機制。企業也開始擁抱數據中臺、CDP等技術，來提升數據管理成熟度。不過，謝居呈警告，企業採購新系統後，常會發現不僅沒增加營收，反而徒增營運成本，降低企業主投資數據技術的意願。他建議，發展數據科技時，可先選擇能解決痛點的技術，才容易看出成效，說服企業主持續投資。

他坦言，這種做法有其限制。從一個個痛點著手，不容易顧及整體規畫，再加上，新數據技術不斷問世，技術債會成為必然問題。他提醒，企業應保留20%資源清理技術債、80%推動發展，才有餘裕維持良好的發展和維運平衡。

快速依數據做出反應，才能把握更多應用情境。從蒐集數據到實際應用的平均時間，是企業數據準備度（Readiness）的關鍵指標。── Etsy前數據長 謝居呈　攝影／洪政偉

數據科技發展戰略成營運核心事務，零售業開始設置高階數據技術主管

謝居呈觀察，早期零售業設置技術長，是因為數位通路建設和維運需求。現今數據貼近了企業決策核心，且技術發展和應用策略日漸複雜、細緻，零售業界便開始設置數據長這一新興高階管理職位。

已經有了技術長，為何需要再設立數據長？謝居呈說明，雖然電商維運和數據科技都是IT技術，不過，兩者工程思維有著關鍵差異。他以軟體1.0和軟體2.0概念解釋。技術長熟悉的傳統軟體開發方法是，由人先訂出邏輯，再寫成程式碼，這是軟體1.0思維。但是，AI/ML等數據技術是，不預先給定邏輯，而是讓程式從大量數據中推論出可能的邏輯，再透過實驗設計來驗證推論。這是一種逆向工程思維，因此被稱為是軟體2.0思維，這正是數據長的專長。

舉例來說，傳統軟體1.0思維，先訂出許多像「如果是男性，則推薦刮鬍刀」的邏輯，將其寫成商品推薦程式。軟體2.0思維則會逆向思考，用程式來分析顧客購物行為數據，自動學習並建立出推薦的邏輯。「這個逆向工程思維，傳統技術長大多不熟悉。」他評論。

不只工程思維有所不同，實務上，數據管理和處理也是高度專業化的領域。謝居呈說，企業整合跨通路數據、遷移數據等過程中，常常面臨到許多瓶頸和陷阱。

例如，財務系統轉換期間要計算公司營收，新系統和舊系統卻得到不同的數據，這是因為資料延滯性導致了不同的計算結果，兩個系統都沒錯？或是舊系統發生問題，而新系統已做出相應調整？還是遷移到新系統時導入了錯誤邏輯，舊系統的結果才對？面臨這些問題時，企業便需要數據長實務經驗來找出應對方法。

傳統技術長不熟悉數據技術的工程思維和數據實務處理經驗，才促使零售業想要設置數據長。不只如此，謝居呈認為，數據相關決策在零售業整體營運的重要性，更使數據主管的位階必須是高階主管，甚至長遠來看，他建議，零售業大多應該將數據長設為一級職級，直接對總經理報告。

他進一步說明，許多企業核心決策會涉及數據。例如，當數據法遵逐漸成為重要議題，像是要求AI可以解釋，企業的決策不只會涉及法務、財務部門，還需要數據長參與。其他諸如新業務、新產品開發等決策，也會需要數據長參與決策。

零售業OMO轉型時容易忽略的5大問題，數據面占3項

從技術、管理到決策面來看，零售業OMO轉型都是相當複雜的過程。謝居呈觀察，此過程中，企業有5個問題容易忽略，其中3個是與數據處理直接相關，數據長不得不留意。

第1項是資料隱私和合規問題。隨著企業蒐集數據增加，確保這些數據蒐集和應用都符合資料保護法規和隱私法規，會日漸困難。若企業營運範圍觸及歐美有GDPR、CCPA等嚴格個資法規的區域，更須注意企業於不同地區適用的數據政策，並決定企業數據應用策略如何應對。例如，應該統一遵從最嚴格的法規，還是依據不同區域法規來調整數據應用情境。

企業也常忽略OMO的資料一致性問題。當實體店面、官方網站、社交媒體、行動裝置App等通路都開始蒐集資料時，如何確保這些資料格式一致、不重複、且容易交互配對，是一大挑戰。否則，不同通路數據會成為各自孤島，難以從企業層級統一利用。

就算做好資料整理，企業還要注重數據時效性，這是第3個問題。謝居呈認為，數據時效性不能停留於月度或季度結算，必須追求以秒，甚至毫秒為反應時間單位，才能把握機會與消費者即時互動。為此，企業需要設計快速、高效的數據處理流程。謝居呈表示：「快速依數據做出反應，才能把握更多應用情境。從蒐集數據到實際應用的平均時間，是企業數據準備度（Readiness）的關鍵指標。」

第4個常忽略的問題是，消費者體驗一致性問題。進行OMO轉型時，確保顧客在各通路購物體驗和享有服務一致非常重要。要做到這點，不只需要跨通路數據一致性和時效性，更需要從業務面設計良好消費體驗。

最後一個OMO課題是以客為本的策略失焦。謝居呈提醒，進行數位轉型時，部分企業可能過於關注數據和技術應用，而忽略了真正目的是提供優良客戶體驗。尤其是從實體往線上發展的企業，應在各接觸點始終維持與消費者的互動和關係。

雖然OMO轉型過程中，數據扮演關鍵技術角色，但並非唯一核心競爭力。OMO策略要成功，謝居呈提醒：「不僅是整合數據或引入新技術而已，更需要一個以顧客為中心的策略和適應性強的組織文化。」

數據長提醒：相關性不代表因果性，數據決策要善用A/B測試來驗證

美國電商巨頭Etsy前數據長謝居呈觀察，企業決策團隊，不論是總經理或技術長，往往容易忽略「相關性不代表因果性」這個觀念，導致錯誤解讀數據而影響決策。

「數據只能呈現相關性（Correlation），沒辦法呈現因果性（Causation）。很多機器學習技術，都只是透過數據相關性，來產生假設。」他提醒。

「消防隊越多火災機率越高，所以，消防隊都撤掉就不會有火災」，這就是一個將相關性誤判為因果性的明顯例子。當決策情境更複雜、影響參數更多，人便難以直觀地判斷出因果性。就像在零售業，設計個人化商品推薦系統時，哪些參數會真正影響推薦成效，而哪些只是恰巧有相關性，無法一目了然。

要解決此問題，謝居呈建議：「只有透過實驗，才可以看出因果性。」不論是商品推薦演算法的挑選，還是電商介面配色的設計，企業利用數據驅動任何決策時，都必須發揮實驗精神，透過A/B測試等方法驗證不同假設，才能從中找出最有效的策略。

謝居呈補充，不少企業常犯了誤判因果性的錯誤，這更凸顯了數據處理需要高度專業化知識和實務操作經驗。「這正是為何零售業者紛紛開始設立數據長職位的緣故。」

 CDO小檔案 

Etsy前數據長 謝居呈

學經歷：加州大學洛杉磯分校(UCLA)計算機科學博士。曾任：
＊Etsy數據長，建立人工智能團隊並推動雲端轉型
＊Amazon資深主管，負責Alexa語音核心技術研發
＊Intuit技術總監，導入機器學習到金融產品，風控，與客服
＊Rakuten資深經理，主管多國人工智能技術團隊
＊eBay主任科學家，帶領團隊優化電商搜尋及推薦功能
資料來源：https://linkedin.com/in/chucheng