編輯導讀：零售行業普遍有着豐富的數據和大量急需優化的問題，如商品價格、折扣、門店庫存、會員活動等，是數據分析應用的重要商業應用領域之一。所以，建立零售行業的數據分析模型是一個非常有必要和急迫的事情。
本文作者從零售行業當前存在的問題出發，系統梳理了搭建數據分析模型的相關步驟和過程中需要注意的問題，與大家分享。
最近很多搞零售的朋友在抱怨，以前都説零售行業最賺錢，但現在卻感覺越來越難做，尤其是實體零售，倍受互聯網、微商、電商等線上零售業的衝擊，競爭環境也越來越殘酷，零售行業似乎根本看不到出路。
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説，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，兩種不同基因的交匯融合將為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，未來的實體零售與互聯網絕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。
一、零售業的問題到底出在哪裏？1. 數據的統一性、完整性較差零售行業一般不會擁有完整的數據整合系統，比如票務、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，形成一個個數據孤島，數據價值難以得到充分的發揮，因此很難得到統一、完整、直觀，並能從各個業務主題與維度展現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，經常出現信息數據依據不足、不準確，判斷困難的情況，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。
2. 數據響應不及時隨着零售業務系統的越來越多，收集的數據越來越細，使用系統的時間越來越長，數據量的增長越來越快，現有的系統已經無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，業務部門需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。
3. 缺少多維度的數據分析平台以顧客分析為例：零售主管不能掌握顧客消費軌跡，無法對顧客的消費進行引導經營。同時，也無法掌握顧客羣體屬性，導致缺少提升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，缺少對會員的有效管理，無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。
二、零售行業需要一個完整的大數據應用架構針對數據決策分析過程中的數據處理，整個零售行業大數據應用架構的建立需要經歷四個階段：源數據庫數據抽取、ods數據庫ETL轉換、數據倉庫和數據集市、最終用户界面。其中：
1. 源數據庫用户需要採集的源頭數據庫或者數據倉庫，本系統源數據庫為crm系統和其他原有應用系統，以及一些可能的需要EXCLE導入的數據源。
2. 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。
3. 數據倉庫/Cube文件對目標數據庫中的數據進行多次整合加工，形成面向主題的、集成的、穩定的、不同時間的數據集合，改數據庫可根據業務情況，有選擇的轉義成可識別的字段名稱，生成用户前端用户可直接拖拽使用的Cube文件數據。
4. 前端頁面（最終用户界面）前端用户根據業務包轉義名稱，直接拖拽數據進行統計得到dashboard進行分析結果的展示。
三、建立數據分析模型搭建好應用框架之後，就要進行數據分析模型的建立。
我曾經做過很多零售行業的數據分析工作，通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，然後我建立了每一個場景的分析模型，下面我一一介紹，供大家參考：
1. 商品分析商品分析應該是零售行業最最關注的點，無論是領導或是業務人員，都會面對以下問題：
到底哪些商品能夠獲得消費者青睞，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？
……
為此，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本身的需求，按照70%，20%，10%將商品分為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做市場研究時經常使用的方法，通過分析同類商品不同價格帶的銷售額，銷量，掌握此類商品用户的消費層次及數量，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：通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，確定了分析方法之後，梳理出這個場景下的業務模塊、業務指標和分析維度，通過圖表工具建立起指標體系，商品分析的指標體系如下圖所示：
最後，通過圖表來展示上面三個分析結果，如下圖所示：
這一點主要是針對實體零售企業，實體門店仰賴營業額作為績效指標，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？分別具有哪些特徵？
- 直營店和加盟店的利潤比例相差多少？
- 門店的整體銷售額隨時間呈怎樣的變化趨勢？每週的哪幾天銷售情況較差，是否應該推出活動提升銷售情況？
- 在每年的營銷活動中，哪幾次的營銷效果最好？
為了解決這個問題，
- 首先要進行門店的銷售分析、利潤分析等，掌握門店的營銷情況。
- 然後，我通過設置警戒線進行每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，探索每個營銷關鍵節點，各門店的營銷表現如何，利潤佔比等等。
同樣的，我仍然需要建立門店分析的指標體系，如下：
最終的展示結果如下：
我們經常聽很多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。高庫存其實是“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，肯定會造成公司營運能力的下降，那麼問題出在哪裏呢？
對零售行業來説，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，由於數據化管理的缺失，往往會造成以下問題：
- 哪些商品的庫存最多，庫存積壓的原因是什麼？
- 產品問題、預測不準還是銷售問題？
- 商品的週轉週期分別是多長？
- 週轉週期長的商品，如何採取手段縮短週期，提高資金流動性？
為此，我從庫存量、庫齡、庫存金額、商品數量等多個角度對庫存情況進行分析，然後將分析得到的結論與商品分析、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建立，如下所示：
最終的展示結果如下：
對於零售行業來説，有效的客户細分是深度分析客户需求、應對客户需求變化的重要手段。通過合理、系統的客户分析，企業可以知道不同的客户有着什麼樣的需求，分析客户消費特徵與商務效益的關係，使運營策略得到最優的規劃；更為重要的是可以發現潛在客户，從而進一步擴大商業規模，使企業得到快速的發展。
而在以往，沒有數據的支撐，想要了解以下問題往往是比較困難的：
- 消費者(會員)的特徵分佈是怎樣的？
- 不同特徵的會員又有着怎樣的消費偏好？怎樣才能有的放矢，針對的提出營銷手段？
- 消費者(會員)的行為又是怎樣的？喜歡在哪些時間消費？在不同的時間喜歡購買的品牌又是否一樣？
為此，我用圖表工具的多源數據整合功能，將crm、erp等系統的數據打通，建立完善的用户畫像與用户分類，然後針對不同類型的不同用户，結合過去歷史數據形成的消費特徵，進行差異化精細化的營銷動作。
接着進行會員分析的指標體系建立，如下所示：
最終的展示結果如下：
優質的、有價值的活動運營方案能夠嚴格的落地執行並且助力業績提高，活動中實時數據監控及有效數據反饋可以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，活動的效果只能通過銷售額等基礎指標進行判斷，無法通過更加精細化的指標進行分析，也無法解決以下問題：
- 活動效果究竟好不好，活動的轉化率為多少？對品牌知名度的提升有多大？
- 活動對不同地區的消費者，影響是否一樣？不同類型的消費者分別偏好哪種活動？
- 哪些區域、門店的效果較好，又有哪些較差？效果不好的原因是什麼？該如何改進？
為此，我利用報表工具的直連數據模式，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，總結活動在不同維度下的效果。
接着進行會員分析的指標體系建立，如下所示：
最終的展示結果如下：
作者：李啓方，數據分析師，專注於傳統行業數據分析。公眾號@數據分析不是個事兒：分享數據人的乾貨！
本文由 @李啓方 原創發佈於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議