零售行业数据分析运用

随着移动互联网十年红利期的结束，线上流量成本越来越贵，许多企业纷纷将目光又从线上业务转移至线下，传统零售行业面临着激烈的竞争，而以往的粗犷式运营，已不能满足现阶段市场环境及商业竞争的要求，精细化运营势在必行。

在此背景下，运用计算机及互联网技术为企业进行数字化、智慧化赋能是所有企业都必须考虑的问题。本文从数据分析的角度，简单谈谈数据在零售业经营过程中的重要性及简单运用。

一、数据分析的重要性

在信息化高度发展的今天，企业积攒了大量的宝贵数据。但面对数据这个“金矿”，各家企业由于经营模式、管理风格、重视程度、资金投入等不同，对于这个“金矿”的挖掘程度有极大的不同。

如今，零售业所面临最大挑战就是顾客和市场需求复杂多变，比起人的经验主义来做决策，只有实时的数据分析和反馈才能适应更快的变化。零售的本质离不开人、货、场这三个核心，如何围绕这三个核心提升运营的效率，如何利用宝贵的数据来优化经营策略，企业需要对经营过程进行“数据化管理”。

二、零售数据分析的作用

1.现状分析

这个阶段零售企业利用ERP搜集和整合企业的数据，形成一个完整的数据流，把企业内不同来源的数据信息集中到单一的仓库中来。使各个职能在自己需要时通过图表看板、计分板的形式看到自己所需要的数据。

这个图标看板展现决策者最为关注的运营要素—关键绩效指标，如销售额、坪效、利润率、客单价、进店率、转化率、目标完成率、同比增长率等等，最终以“商业报告”的形式出现，反应过去发生了什么”以及“正在发生什么”。

2.原因分析

在第一阶段整合了数据来源后，零售业决策者关心的重点发生了转移，从“发生了什么”转向“为什么发生”。分析判断数据的目的是了解数据报表、商业报告的背后的含义，以及这些过往行为发生的动机和原因。这需要对更加详细的数据进行多维度的分析，同时这种分析判断更多的是建立在对于零售业务逻辑的理解之上，一般会采用简单有效的分析方法和简便的分析工具对数据进行处理。

3.预测分析

企业在有了前两个阶段的基础之后，关注点会进一步超越当前，开始思考更贴近经营上的问题：“将来会发生什么”。

从本质上说预测就是根据零售企业过去所发生的事件以及当前实时的影响因素，对于销售额、利润率、成本等未来的取值做出自动化和智能化的估计。简单的分析对于估算畅销概率的作用有限，在大多数复杂的应用中，需要建立数学模型来还原零售的业务规律。

三、数据分析指标的构建

不同企业结合自己的业务特点及业务流程，针对各个节点构建相关数据指标。有了合理的数据指标，进而对数据进行统计分析、数据挖掘运用，从而指导运营。下面是线下零售行业可参考的一些指标，企业数据指标的构建必须结合企业自身的状况，零售企业可以围绕人、货、场这三个维度来构建相关指标体系。

四、大数据的运用

随着企业大量数据的积累，简单的数据描述性分析、原因分析已经不能完全发挥数据的最大价值。借助数据挖掘技术，往往能发现一些隐藏在数据背后的故事，对于精细化及个性化运营有很大的指导性作用。下面简单从几个角度进行介绍：

1.企业销量的预测

零售行业，尤其是大型连锁零售行业，利用历史销量来预测未来的销量，对于企业各资源的合理配置有很重要的指导意义。
影响销量的因素：

算法模型：机器学习算法很多都可以构建回归模型，根据实际情况可以对各个模型进行测试。

运用：根据预测销量来指导计划销量的制定，通过计划销量与实际销量的对比，及时发现运营中存在的问题；通过对于各店铺的销量预测，提前制定采购计划，提前对各店铺资源进行合理分配。

另外还可以针对历史活动数据构建类似的模型，以在活动开始前，优化企业的活动资源配置。

2.商品关联分析

对于订单数据进行分析，挖掘出强关联商品，可以指导、优化商品的陈列，对相关联商品进行捆绑销售，也可基于此对用户进行相关商品推荐。
算法模型：Apriori、FP Tree都可以对商品频繁项集进行挖掘。

3.商品推荐

商品推荐算法一般有两个角度：基于用户的推荐算法；基于商品的推荐算法。当然以上两个角度也可以结合在一起构建模型。零售行业一般来说，新用户比较多，用户特征不容易获取，而且购买商品的数据集比较稀疏，所以运用基于商品的推荐算法比较多。不过，如果会员数据比较完善的话，可以基于会员数据构建推荐模型。

基于商品的推荐算法：根据历史购物信息求出商品的相似度；利用求出的商品之间的相似度计算用户对某种商品的可能感兴趣程度。

基于用户的推荐算法：求出用户之间的相似度；根据用户之间的相似度找出与待推荐的用户最为相似的几个用户并根据他们的兴趣爱好向待推荐用户推荐其可能会感兴趣的商品。

基于用户的推荐算法，在会员数据的支持上能够有比较好的运用。
基于用户的推荐算法特征维度：部分数据需要借助店铺人脸识别系统的运用，特征的构建也需要结合不同企业的实际情况。

算法模型：协同过滤。构建用户-商品购买数据集，数据为根据一定的指标构建的评分矩阵；基于会员数据构建用户相似度矩阵；对用户未购买的商品，基于用户相似度及用户-商品评分矩阵来计算推荐度。进而选取高推荐度商品进行推荐。

运用：推荐模型的运用比较广泛，线上可以进行个性化页面的展示；线下可以结合人脸识别技术进行个性化广告的展示，营业员也可以针对不同客人制定个性化的推销策略。

4.个性化营销

可以构建模型，对于用户从第一次到店-第一次购物-第二次购物……等环节进行留存率分析。

利用针对性的发放优惠券的形式，进行流失用户的挽回。
而不同优惠券的效果，可以通过统计抽样，构建实验组和测试组，从而确定效果。并利用这部分原始数据构建模型，来指导新样本的优惠券投放。

5.会员分类

根据第3点中，提取会员特征，利用聚类算法对会员进行分类。分析不同类别会员特征，以指导对不同类别会员的针对性运营策略。

零售行业建立数据驱动型的门店，企业内部需要统一意识，用数据说话；站在门店管理场景进行报表设置，各维度数据整合；所有报表通过系统平台，以统一格式；统一数据指标定义，通过实际和目标的差异对比，来驱动改善行动。