如何創建零售行業的數據分析模型

最近不少搞零售的朋友都向我抱怨，之前都說零售行業最賺錢，但如今卻感受愈來愈難作，尤爲是實體零售，倍受互聯網、微商、電商等線上零售業的衝擊，競爭環境也愈來愈殘酷，零售行業彷佛根本看不到出路。

在我看來，零售行業的升級是一個商業與技術不斷激盪交錯的過程，拿實體零售企業和互聯網零售企業來講，傳統實體零售企業擁有行業視角的廣度，而大數據技術公司手握單點技術的深度，兩種不一樣基因的交匯融合將爲行業發展提供更大的推力，雙方的邊界也將逐漸模糊。

簡單一句話，將來的實體零售與互聯網毫不僅僅只是單純的甲乙方關係，它們還存在着更多的可能性。

零售業的問題到底出在哪裏？

一、數據的統一性、完整性較差

零售行業通常不會擁有完整的數據整合系統，好比票務、餐飲、零售這些系統各自獨立，各個系統的數據沒有辦法打通，造成一個個數據孤島，數據價值難以獲得充分的發揮，所以很可貴到統1、完整、直觀，並能從各個業務主題與維度展示運營活動的管理數據。

同時，在企業經營管理、經營決策、戰略決策、風險管控上，常常出現信息數據依據不足、不許確，判斷困難的狀況，如何有效進行數據整合以響應企業運行效率，也是零售行業數據決策的實際需求。

二、數據響應不及時

隨着零售業務系統的愈來愈多，收集的數據愈來愈細，使用系統的時間愈來愈長，數據量的增加愈來愈快，現有的系統已經沒法對數據量較大的數據進行快速響應。

傳統的數據應用模式中，業務部門須要將數據需求提交給IT處理，但IT的人力不能保證對分析需求的及時響應，對一些報表的調整也十分困難。

三、缺乏多維度的數據分析平臺

以顧客分析爲例，零售主管不能掌握顧客消費軌跡，沒法對顧客的消費進行引導經營。同時，也沒法掌握顧客羣體屬性，致使缺乏提高服務水平的重要參考項。

服務業市場化充分，競爭壓力相對較大，顧客對服務質量的要求相對較高，缺乏對會員的有效管理，沒法掌握企業顧客羣體屬性，企業難以走到消費者簽名，提供更出色的服務體驗。

零售行業須要一個完整的大數據應用架構

 

如圖所示，針對數據決策分析過程當中的數據處理，整個零售行業大數據應用架構的創建須要經歷四個階段：源數據庫數據抽取、ods數據庫ETL轉換、數據倉庫和數據集市、最終用戶界面。其中：

一、源數據庫

用戶須要採集的源頭數據庫或者數據倉庫，本系統源數據庫爲crm系統和其餘原有應用系統，以及一些可能的須要EXCLE導入的數據源。

二、ods數據庫(預處理數據庫)

用於存儲從源數據庫中獲取的數據，中間使用ETL工具進行數據抽取、轉換、清洗、裝載，數據進入預處理數據庫對數據進行清洗和架構，實現數據的可用性。

三、數據倉庫/Cube文件

對目標數據庫中的數據進行屢次整合加工，造成面向主題的、集成的、穩定的、不一樣時間的數據集合，改數據庫可根據業務狀況，有選擇的轉義成可識別的字段名稱，生成用戶前端用戶可直接拖拽使用的Cube文件數據。

四、前端頁面（最終用戶界面）

前端用戶根據業務包轉義名稱，直接拖拽數據進行統計獲得dashboard進行分析結果的展現。

創建分析模型

搭建好應用框架以後，就要進行數據分析模型的創建，爲此我嘗試用過不少數據分析工具，好比Tableau，但這些國外的廠商很難造成一套適用於國內企業的完整行業化解決方案，但FineBI（www.finebi.com）能夠，以下圖所示。

 

我曾經作過不少零售行業的數據分析工做，經過不斷梳理零售業務，我找到了零售行業關注的重點，分別是商品、門店、庫存、活動、會員等五個，而後我創建了每個場景的分析模型，下面我一一介紹，供你們參考：

一、商品分析

商品分析應該是零售行業最最關注的點，不管是領導或是業務人員，都會面對如下問題：

到底哪些商品可以得到消費者青睞，一路飄紅？哪些商品應該淘汰？應該淘汰的商品銷售額佔比是多少？同一種商品的價格區間分佈是怎樣的等等。

爲此，我用FineBI整合了多個業務系統中的數據，進行數據加工、清洗後，進行下面三個分析，

• ABC分析：根據商品對店面銷售的貢獻度及顧客對商品的自己的需求，按照70%，20%，10%將商品分爲A，B，C分類，並進行分類數據分析，包括 SKU數量，銷售金額，庫存金額。
• 商品價格帶分析：商品價格帶分析是零售商在作市場研究時常用的方法，經過分析同類商品不一樣價格帶的銷售額，銷量，掌握此類商品用戶的消費層次及數量，勾畫出超市對該商品的基本需求。從而超市採購再根據店面定位來選擇商品的採購層級及數量。
• 品牌效益分析：經過對各品牌對應的銷售額，利潤，客單價，銷售成本率等指標的月度變化趨勢，進而評估該品牌的效益。

第二步，肯定了分析方法以後，梳理出這個場景下的業務模塊、業務指標和分析維度，經過FineBI創建起指標體系，商品分析的指標體系以下圖所示：

 

最後，經過FineBI的圖表來展現上面三個分析結果，以下圖所示：

 

二、門店分析

這一點主要是針對實體零售企業，實體門店仰賴營業額做爲績效指標，但對於營業額不佳，卻難以有更進一層的數字觀察，例如：

各個門店中，銷售額最高的門店有哪些？分別具備哪些特徵？直營店和加盟店的利潤比例相差多少？門店的總體銷售額隨時間呈怎樣的變化趨勢？每週的哪幾天銷售狀況較差，是否應該推出活動提高銷售狀況？在每一年的營銷活動中，哪幾回的營銷效果最好？

爲了解決這個問題，我首先要進行門店的銷售分析、利潤分析等，掌握門店的營銷狀況。其中我驚喜地發現FineBI不只有着十分豐富的前端圖表，並且還能夠支持組件間聯動、下鑽等功能，這一點對於探索銷售額、利潤率是十分重要的。

而後，我經過設置警惕線進行每個月關鍵指標走勢的監控，以便及時發現並解決存在的問題。

最後，針對關鍵指標排序，結合前面的分析組件，探索每一個營銷關鍵節點，各門店的營銷表現如何，利潤佔比等等。

一樣的，我仍然須要創建門店分析的指標體系，以下：

 

最終的展現結果以下：

 

三、庫存分析

咱們常常聽不少管理人員抱怨庫存太多，其實高庫存大多時候是企業「自找」的。高庫存實際上是「衝動的懲罰」。店鋪裏明明只有月銷售80萬的能力，採購經理非要訂120萬的貨進來，確定會形成公司營運能力的降低，那麼問題出在哪裏呢？

對零售行業來講，庫存分析無外乎兩個方面，是否會缺貨？是否會庫存過大，佔用資金？在以往，因爲數據化管理的缺失，每每會形成如下問題：

哪些商品的庫存最多，庫存積壓的緣由是什麼？產品問題、預測不許仍是銷售問題？商品的週轉週期分別是多長？週轉週期長的商品，如何採起手段縮短週期，提升資金流動性？

爲此，我利用FineBI的前端OLAP多維分析功能，從庫存量、庫齡、庫存金額、商品數量等多個角度對庫存狀況進行分析，而後將分析獲得的結論與商品分析、門店分析等分析結果進行對比，得出改進結論。

接着進行庫存分析的指標體系創建，以下所示：

 

最終的展現結果以下：

 

四、會員分析

對於零售行業來講，有效的客戶細分是深度分析客戶需求、應對客戶需求變化的重要手段。經過合理、系統的客戶分析，企業能夠知道不一樣的客戶有着什麼樣的需求，分析客戶消費特徵與商務效益的關係，使運營策略獲得最優的規劃；更爲重要的是能夠發現潛在客戶，從而進一步擴大商業規模，使企業獲得快速的發展。

而在以往，沒有數據的支撐，想要了解如下問題每每是比較困難的：

消費者(會員)的特徵分佈是怎樣的？不一樣特徵的會員又有着怎樣的消費偏好？怎樣纔能有的放矢，針對的提出營銷手段？消費者(會員)的行爲又是怎樣的？喜歡在哪些時間消費？在不一樣的時間喜歡購買的品牌又是否同樣？

爲此，我首要要使用FineBI強大的多源數據整合功能，將crm、erp等系統的數據打通，創建完善的用戶畫像與用戶分類，而後針對不一樣類型的不一樣用戶，結合過去歷史數據造成的消費特徵，進行差別化精細化的營銷動做。

接着進行會員分析的指標體系創建，以下所示：

 

最終的展現結果以下：

 

五、活動分析

優質的、有價值的活動運營方案可以嚴格的落地執行而且助力業績提升，活動中實時數據監控及有效數據反饋能夠對活動計劃執行和快速解決其中問題提供重要保障。當業務人員辛辛苦苦策劃舉辦了一場促銷活動，活動的效果如何追蹤，又該如何改進呢？

在過去，活動的效果只能經過銷售額等基礎指標進行判斷，沒法經過更加精細化的指標進行分析，也沒法解決如下問題：

活動效果究竟好很差，活動的轉化率爲多少？對品牌知名度的提高有多大？活動對不一樣地區的消費者，影響是否同樣？不一樣類型的消費者分別偏好哪一種活動？哪些區域、門店的效果較好，又有哪些較差？效果很差的緣由是什麼？該如何改進？

爲此，我利用FineBI的直連數據模式，在活動中進行實時的活動數據監控，時刻發現並調整活動策略，以便最大化活動效果；在活動結束後，還要進行活動效果、轉化率的統計，利用OLAP多維分析與鑽取聯動等功能，總結活動在不一樣維度下的效果。

接着進行會員分析的指標體系創建，以下所示：

 

最終的展現結果以下：

 

最後，本次方案介紹所用到的全部demo和數據都是免費的，感興趣的能夠百度搜索www.finebi.com獲取免費demo地址以及FineBI我的免費版！