1.尚未將大數(shù)據(jù)分析上升到戰(zhàn)略的層面

　　不少零售企業(yè)的數(shù)據(jù)雖然累計(jì)了許多，但還是默默的沉睡在服務(wù)器上，管理層的的各種決策還是依靠個(gè)人經(jīng)驗(yàn)主義的“拍腦袋”。說領(lǐng)導(dǎo)不重視其實(shí)是個(gè)老生常談的問題，造成這樣的局面主要是之前零售企業(yè)極速擴(kuò)張對(duì)于數(shù)據(jù)的“內(nèi)功”的投入不足，同時(shí)領(lǐng)導(dǎo)者對(duì)于數(shù)據(jù)的認(rèn)知水平也參差不齊。

　　這其實(shí)也無可厚非，領(lǐng)導(dǎo)者對(duì)于大數(shù)據(jù)所帶來的將信將疑，不在數(shù)據(jù)上投入就看不到價(jià)值，不產(chǎn)生價(jià)值就不會(huì)有投入，這時(shí)候就需要領(lǐng)導(dǎo)者的遠(yuǎn)見卓識(shí)的能力和魄力，要讓自己掌控和挖掘數(shù)據(jù)的能力成為自己證真正的核心競爭力，真正的能從數(shù)據(jù)中發(fā)現(xiàn)價(jià)值。
 

 

　　2.零售企業(yè)內(nèi)部的信息孤島現(xiàn)象嚴(yán)重

　　不同的業(yè)務(wù)部門運(yùn)營、產(chǎn)品、生產(chǎn)、財(cái)務(wù)等等內(nèi)部均有大量的數(shù)據(jù)產(chǎn)生，但是各個(gè)部門都有嚴(yán)重的“鐵路警察各管一段”的本位思想和門戶之見，不同業(yè)務(wù)部門的數(shù)據(jù)庫各自為政，不愿公開自己的真實(shí)數(shù)據(jù)，因而真實(shí)數(shù)據(jù)獲取和深度分析難度較大。

　　而打破這種信息孤島的一個(gè)重要手段就是協(xié)同文化的建立和統(tǒng)一的數(shù)據(jù)平臺(tái)的構(gòu)造，只有通過深層次的協(xié)同和聯(lián)合文化的認(rèn)同，才能實(shí)現(xiàn)形和神、標(biāo)與本、表及里的深層轉(zhuǎn)型，讓數(shù)據(jù)因分享而產(chǎn)生價(jià)值。

　　3.業(yè)務(wù)部門不知道大數(shù)據(jù)的價(jià)值

　　臺(tái)州新零售系統(tǒng)的業(yè)務(wù)部門主要任務(wù)是自己部門日常的經(jīng)營，自己有完整并且繁重的操作流程、考核指標(biāo)、門店管理、人員管理等日常工作，對(duì)于大數(shù)據(jù)特別是大數(shù)據(jù)能夠給自己帶來什么樣的價(jià)值則認(rèn)知程度不高，同時(shí)加上對(duì)于數(shù)據(jù)分析的技術(shù)和工具知之甚少，因而很難同時(shí)也沒有動(dòng)力把自己對(duì)于本職業(yè)務(wù)精深的理解和數(shù)據(jù)分析做緊密的結(jié)合，轉(zhuǎn)化為數(shù)據(jù)分析所需要的種種要求，導(dǎo)致技術(shù)團(tuán)隊(duì)、大數(shù)據(jù)團(tuán)隊(duì)很孤立無法深入的理解業(yè)務(wù)，只能自己獨(dú)立的學(xué)習(xí)、研究和探究，最終不能高效、快速的把自己所擅長的數(shù)據(jù)分析技術(shù)和業(yè)務(wù)結(jié)兼并產(chǎn)生出對(duì)業(yè)務(wù)帶來價(jià)值。

　　4.數(shù)據(jù)收集平臺(tái)構(gòu)建較晚，數(shù)據(jù)分析程度低

　　不少零售企業(yè)的整體性數(shù)據(jù)收集平臺(tái)還不是很太完善，數(shù)據(jù)提取、整合、展示、匯報(bào)、跟蹤、可視化、商業(yè)智能BI等程度相對(duì)落后，定期的商業(yè)報(bào)告也還是通過抓取數(shù)據(jù)倉庫里面的數(shù)據(jù)，組成固定格式的報(bào)并表用于簡單分析。

　　即便有的企業(yè)構(gòu)建了自己的數(shù)據(jù)平臺(tái)，雖然能夠?qū)崟r(shí)的呈現(xiàn)業(yè)務(wù)實(shí)際，也只是停留在報(bào)表提供上，數(shù)據(jù)分析程度低、預(yù)測分析、相關(guān)性分析、決策建議、建模分析、情景模擬等實(shí)時(shí)化、智能化、自動(dòng)化的最終決策還幾乎沒有起步。
 

 

　　5.數(shù)據(jù)很多，能用的很少

　　零售企業(yè)雖然積攢的大量的原始數(shù)據(jù)，但是數(shù)據(jù)的質(zhì)量還有待考證，也即是很多數(shù)據(jù)沒有按照數(shù)據(jù)分析的要求而設(shè)定搜集，數(shù)據(jù)在產(chǎn)生的過程中會(huì)有各種各樣的錯(cuò)誤、紕漏、作假等現(xiàn)象，而大數(shù)據(jù)的價(jià)值很大程度上取決模型所用數(shù)據(jù)的質(zhì)量，即所謂的“垃圾進(jìn)，垃圾出”。

　　所以，數(shù)據(jù)的預(yù)處理也即是數(shù)據(jù)的合并、清理、轉(zhuǎn)換、簡化等步驟必不可少，而同時(shí)“養(yǎng)數(shù)據(jù)”的意識(shí)要樹立。阿里針對(duì)其數(shù)據(jù)有著名的兩個(gè)循環(huán)理論：一個(gè)循環(huán)是在怎么用數(shù)據(jù)，一個(gè)循環(huán)是怎樣養(yǎng)數(shù)據(jù)，怎么改善數(shù)據(jù)，兩個(gè)循環(huán)不斷的走動(dòng)，不斷的進(jìn)步，所以數(shù)據(jù)是養(yǎng)出來、練出來、整理出來的。

　　6.數(shù)據(jù)分析專業(yè)人才的匱乏

　　數(shù)據(jù)分析人才的匱乏也是制約零售企業(yè)挖掘大數(shù)據(jù)價(jià)值的主要障礙之一。該類人才是具有把數(shù)據(jù)轉(zhuǎn)化為零售企業(yè)決策所用信息的專業(yè)人士，他們是“跨界”的，不僅要有數(shù)學(xué)、統(tǒng)計(jì)學(xué)、人工智能領(lǐng)域的專業(yè)技能，更需要在零售商業(yè)領(lǐng)域如銷售、市場、供應(yīng)鏈、物流等領(lǐng)域的專業(yè)知識(shí)，這樣才能夠把不同的學(xué)科給整合在一起。

　　而零售企業(yè)現(xiàn)有的人才往往都是來自于單一背景，對(duì)于企業(yè)的業(yè)務(wù)很熟悉，但對(duì)于數(shù)據(jù)則意識(shí)不強(qiáng)；而臺(tái)州社區(qū)o2o平臺(tái)新零售創(chuàng)業(yè)的四個(gè)起點(diǎn)，則是對(duì)于單純數(shù)學(xué)背景的人才，又對(duì)企業(yè)的業(yè)務(wù)熟悉程度不足，而且對(duì)于不少零售企業(yè)組建龐大的數(shù)據(jù)分析團(tuán)隊(duì)、雇傭大量數(shù)據(jù)分析人才則又負(fù)擔(dān)重重，因此在初期使用外部第三方的專業(yè)力量也是比較現(xiàn)實(shí)的選擇。