10月27日,国家统计局公布前三季度工业企业利润数据。全国规模以上工业企业实现利润总额60337.4亿元,同比增长15.5%。同一张表上,纺织服装、服饰业营业收入7300.6亿元,同比下降4.2%;利润总额219.5亿元,同比下降15.6%。
全工业涨15.5%,服装制造跌15.6%,两个数相差三十一个百分点。这是这份数据里最刺眼的一处。
多数人看到这个差距,第一反应是效率问题,别人的自动化程度高,我们的效率低,所以要上AI提效。这个反应错在一个地方,它把需求问题当成了效率问题。
证据在同行业的对比里。纺织业利润428.3亿元,同比增长7.2%;化学纤维制造业利润同比增长81.7%;服装及衣着附件出口1206.94亿美元,同比增长4.78%。上游在涨,出口在涨,只有服装制造这一段的利润在跌。如果问题是效率,上游也该跌;上游没跌,说明问题在链条的位置,不在速度。
全工业利润涨15.5%,服装制造跌15.6%,差的三十一个点不在效率上。
在一个需求收缩的行业里,提效只会让价格跌得更快。这句话听着反直觉,逻辑很简单。效率提升带来产能释放,产能释放遇上需求下滑,结果只能是降价。降价之后,效率的收益被价格让掉,行业整体利润更薄。
那AI该从哪开始。六条,按顺序。
第一条,先算需求,再算投入。把过去三年的订单按客户、品类、季节拆开,看清哪一块在萎缩、哪一块在长。这一步不需要AI,需要的是把数据摆在一起。摆不出来,后面都是空谈。
第二条,把钱投在能影响价格的地方,不是能省钱的地方。能影响价格的有三处,选品、定价、退货。选品错一次,一季的量白做;定价错一次,毛利让掉几个点;退货高一个点,利润少一截。这三处的AI投入,回报可以算。
第三条,不要在没有数据的地方上模型。一家公司如果连款式级别的销售与退货都没打通,上什么模型都是猜。数据这件事的顺序是先统一编码,再谈分析。
第四条,第一批项目要小到能在一个季度内结束。判断标准是能不能在九十天内拿出一个业务部门愿意每天用的东西。做不到,说明范围太大,切小。
还有一条排序上的提醒。这六条里最容易做反的是第二条和第四条。多数公司喜欢先做大的,一次性铺开五六个场景,第二年一半停摆。也有人喜欢先做容易的,挑一个不影响经营的角落,做完汇报漂亮,什么也没改变。正确的切法是挑一个既影响钱、又能在一个季度内做完的题目,比如退货原因分类。
第五条,AI 项目要有一个明确的停手条件。比如上线三个月,使用率不到三成,就停掉,不留恋。没有停手条件的项目,会一直活到没有人记得它为什么开始。
第六条,不要设「数字化专项」这种名目。专项意味着它是一个额外的、临时的、可以向老板汇报的东西。真正有效的做法是把它塞进现有的经营会议议题里,比如每月商品会固定看一份退货原因表,由一个具体的人讲。
希纪在给服装企业做增长诊断时,见过一家把这六条做对的公司。他们没有设AI部门,只设了三个岗位,数据口径归一个人,选品模型与定价归两个人,三个人都挂在商品部下面,向商品负责人汇报。第一年做了两件事,退货原因分类和折扣带销量测算。第二年这两件事省下与多赚的钱,超过了三个人的成本。
可当场用的检验只有一条。让商品负责人说出上个季度退货金额最高的三个款,以及退货原因的前三项。说不出来的公司,AI 第一批钱一定花错地方。
边界在哪里。如果一家公司的收入还在两位数增长,需求端没有问题,那么上面这套「先算需求」的排序要往后放,效率提升的价值会更大。收缩期和扩张期,AI 该投的地方不一样。
在一个萎缩的市场里,提效不解决任何问题。
希纪 · 服装产业观察