任昱衡：全国十几个水源地，1万5业务员，大数据金山的第一锄怎么下

农夫山泉为了提高销量，对产品的摆放都做了详尽的分析。业务员一天要几十次，到商场或超市拍摄农夫山泉水摆放的照片。按照规定，下班之前200张照片要被传送到杭州总部。每个业务员每天产生的数据量在25M左右，这似乎并不是个多大的数字。

但农夫山泉全国有15000个业务员，这样每天产生的数据就是150G，每月就是3.5TB。当这些照片如雪花一样的散落在杭州总部的机房时，农夫山泉的信息主管就会产生一种感觉：守着一座偌大的金山，不知道从哪里挖第一下。

这个信息主管在考虑的问题有很多：水怎样摆放能促进销售量？什么年龄段的用户喜欢饮用这种水，气温的变化会不会影响水的促销？竞争对手的策略对我方的销售产生了怎样的影响？有很多问题目前他也回答不出，在这方面的考虑，他更倾向于经验，而不是数据。

从2007年开始，业务员拍摄的农夫山泉的照片就这样被搜集起来，如果按照数据的分类来分，这些照片是属于非关系的数据。除了这些还包括视频、音频等。要对非关性数据进行系统的分析，这是信息主管设想的下一步计划，这也是农夫山泉在数据时代必须迈出的步伐。如果市场、餐饮店与农夫山泉有某种合作来进行分享信息，如同类似的图像、视频进行分析，如果人的行为可以被更多的方式监控到，那么摊在农夫山泉信息主管面前的将会是一副用户消费的画卷，而描绘画卷的不是图像，而是一串串复杂的数据“0、1、1、2、0、1。”

SAP的全球副总裁曾表示：企业对于数据的挖掘一般阶段，最初就是把数据变得透明，让大家一目了然。再过来就是提出问题，形成互动形式，让很多支持我们的工具帮我们做出实时分析，而3.0时代的到来，是有信息来指导资金和物品，现在的数据是在告诉我们未来应该往什么地方走。

从2003年SAP就和农夫山泉在企业管理软件方面进行合作，那时候，农夫山泉只是一个软件的使用和采购者，而SAP也只是一个服务商的角色，而到2012年3月的时候，SAP就和农夫山泉共同研发基于饮用水产业形态中的数据场景。

运输数据对于一个企业来讲有多重要呢？广告中把自己定位成“大自然搬运工”的农夫山泉，在全国的水源地有十几个。农夫山泉把水瓶装、包装、上市，一瓶550ml的农夫山泉饮用水在超市的售价是2元，而在运输上就花了3毛钱。在农夫山泉的工厂中流传着这样一句话：“搬上搬下，银子哗哗”，如何控制自己运输的成本是要根据不同变量的因素来决定的，这也是问题的核心所在。

基于以上的种种情况，农夫山泉和SAP团队开始了场景方面的开发，它们将各种方面的数据都纳入进来：高速公路的收费情况、道路等级的差别、天气的影响、运输目的地的远近、不同市场的销售价格、人工搬运的成本等等。

在没有诸多数据分析以前，农夫山泉在运输方面实实在在的花了不少的冤枉钱。比如：一瓶350ml的饮用水，在一个城市的销量如果预测不够准确的话，公司通常的做法是大量大空间的调用，来弥补货量的不足。在河北运往浙江，运到半路发现江苏其实有剩余，从江苏运往浙江会更近。但很快又发现浙江的预算有偏差，上海的短缺更为严重。

出现这种没有头绪的情况让农夫山泉的高层是头痛不已。在采集、储蓄、运输这条线上，农夫山泉是非常希望大数据能够解决这三个问题，第一是先解决生产和销量不对等的问题，能够准确的获知一个地区的销量是多少，需要产多少送多少；第二是让全国的办事处和配送中心纳入到信息体系中来，形成一个全国的网状结构，而非以前简单的分叉结构；第三是让不合格的货和退货能够和生产基地联系起来。

就是销售前的每一个细节，每一个步骤都在大脑中迅速地反应出来，让公司能够感应到它的每一个运作。

在一个公司的正常运营中会产生市场销售、运作成本、运输、销售量、财务收入支出等数据。这些数据都是可以收集存蓄的，在通过大数据进行展现分析。农夫山泉的信息主管表示，这个展现的过程需要一天左右的时间，也就是说，物流资金等信息在一天以后才能汇集到一起，彼此相互关联才能形成一份有价值的数据报告。

如果农夫山泉的数据每月到达3TB时，这种速度就会导致农夫山泉每个月的财务结算向后推迟一天。更重要的是，要验证以往的决策是否正确，农夫山泉的高层只能以数据来判断，或者只能对已出现的问题进行纠正，但还是没有办法预测未来的走向。

2011年农夫山泉成为全球第三个、亚洲第一个使用数据平台SAP Hana，这个数据平台则是由SAP创新研发的。农夫山泉的信息主管说选择使用SAP Hana平台的目的只有一个，就是让运算的速度更快一些。同样数据量的情况下，计算速度从以前的整整一天时间缩短到了0.66秒，几乎可以做到同步计算的结果，这样就可以让以前不可能的事情变成可能。

当这些基于饮用水的实际反映情况传到SAP之后，这个研发的主要负责人非常的兴奋。基于饮用水表现的情况，SAP并没有其它的表现案例。因为欧美等国家的大公司对数据采集应用已经非常成熟，上百年的积累经验可以让它们面临任何突发情况。所以对数据解决问题的渴求还没有中国本地公司的强。