笔者在此文中从目前零售行业所面临的问题入手，本文对构建数据分析模式的有关步骤及过程中应注意的问题进行了系统的梳理，并与大家共享。通过对数据的分析，可以得出零售企业目前面临着哪些困境？

最近很多搞零售的朋友在抱怨，过去有人说，零售行业是利润最高的，但是，现在觉得越来越困难了，实体零售更是如此，备受互联网，微商的青睐、电商和其他线上零售业受到影响，竞争的环境也变得更加残酷，零售业似乎根本看不到出路。这其中原因很复杂，但是从技术进步角度来看，互联网零售企业对消费者行为的理解已经远远超过了线下实体零售企业对顾客行为的认识

在笔者看来，零售行业升级，是商业和科技不断激荡和交织的过程以实体零售企业与互联网零售企业为例，传统实体零售企业在行业视角上具有宽度，而大数据技术企业握有单点技术之深，这两个不同基因交汇融合，会给产业发展带来更大推力，双方之间的界限也会渐渐变得模糊。这正是实体零售未来的发展趋势所在

很简单的一句话，未来实体零售和互联网绝不仅仅是简单甲乙方关系，它们还有更大的可能性。在这当中，我们看到了零售领域正在发生的巨大变革，也感受到了实体零售转型所面临的各种挑战

1、零售业究竟有什么问题？零售业的核心竞争力究竟何在？

1、零售业是一个复杂且庞大的产业，其发展受到了诸多因素的影响和制约，其中最为重要的就是数据服务能力不足。资料的统一性、完整性差

零售业一般不会有完整的数据整合系统如票务、餐饮等、零售的这几个体系是相互独立的，各系统数据无法开放，形成了一个个数据孤岛，很难充分发挥数据价值，所以很难获得统一，完整，直观的效果，并且能够在各业务主题和维度上显示运营活动管理数据。随着大数据分析技术不断发展和成熟，越来越多的零售行业开始使用数据集成分析来提高自身竞争力

同时，在企业经营管理、经营决策、战略决策中、在风险管控中，往往会出现信息数据缺乏基础和准确性的情况，难以评判的局面，如何高效地实现数据整合，应对企业运行效率的提高，更是零售行业数据决策中的现实需要

2、数据响应不及时

随着零售商业系统的不断增加，所搜集到的资料日益详细，利用该系统已久，数据量增加得越来越快，现有系统已不能快速反应数据量大。如何在保持原有功能不变的前提下，提高数据处理效率是摆在每个企业面前亟待解决的问题

在传统数据应用模式下，业务部门要把数据需求交给IT来处理，但是IT的人力无法确保分析需求得到及时回应，对于某些报表来说，调整起来同样非常困难。因此，迫切需要构建一个高效、快捷和稳定的数据分析体系来支持业务运营管理过程中的大量复杂数据的统计分析

3、因此，如何提高数据响应速度就成为了目前零售业信息化建设过程中面临的主要问题之一。缺乏多维度数据分析平台

以客户分析为例:零售主管无法把握客户的消费轨迹，不能指导客户消费操作。因为零售管理部门是一个庞大而复杂的系统，在实际中难以发现其存在问题。又不能把握顾客群体属性，造成缺乏提高服务水平的主要参考项。在此情况下，企业就需要从多角度来了解消费者，才能做出正确有效的决策和营销方案

服务业的市场化是完全的，竞争压力比较大，客户对于服务质量有比较高的需求，缺乏有效的会员管理等问题，不能把握企业顾客的群体属性，商家很难走向消费者签字，提供更加卓越的服务体验。因此，需要建立一个完善的零售行业大数据系统框架

二、零售行业需要完整的大数据应用架构

针对数据决策分析过程中的数据处理，大数据应用架构在零售行业整体上的确立，需历经4个阶段:源数据库的数据抽取、ods数据库ETL转换、数据仓库与数据集市、最后用户界面。每个步骤都有对应的具体实现技术和方法，本文将详细介绍各个模块在各阶段所采用的关键技术。其中:

1、源库数据库是指从客户来源获得的所有原始数据信息，包括客户基本情况、业务需求等。源数据库

用户需要采集的源数据库或数据仓库，该系统的源库是crm等原应用系统，和某些可能需要EXCLE引入的数据源。在这个基础上，再通过前端展示模块将各个来源数据整合起来并展现给客户

2.ods数据库（预处理数据库）

用来存储从源数据库中获取的数据，中间采用ETL工具实现数据抽取，转换，清理，加载等，将数据输入预处理后的数据库中，清洗并架构数据，达到数据可用性。通过对预处理数据库中各部分功能及作用的介绍，说明了其在整个数据仓库设计中的重要地位与重要性

3、通过对预处理数据库中各部分功能及作用的介绍，说明了其在整个数据仓库设计中的重要地位与重要性。数据仓库/Cube文件

对目标数据库中的数据进行多次集成处理，形成以主题为导向，整合，稳定、不同时点数据集，改数据库可以视业务情况而定，选择性地转义为可辨认字段名称，在用户前端产生用户可以直接拖动所用Cube文件的数据。前端页面是基于客户需求而定制，在后台通过脚本实现

4、前端页面（最终用户界面）

前端用户根据业务套餐转义名称，直接拖动数据做统计，获取dashboard显示分析结果。前端用户需要对整个系统的所有信息进行整合和汇总后才能够实现分析功能

3、数据分析模型的建立

应用框架建立后，就需要数据分析模型。数据分析模型主要包括客户分类模型、商品销售模型和客户需求模型三个部分

我曾经做过很多零售行业的数据分析工作，通过对零售业务的持续整理，笔者发现零售行业的焦点问题，分别为货物，店铺，库存，事件、成员等5人，之后我对每个情景都构建分析模型，让我来一一介绍一下，供参考:

1、商品分析商品的重要性商品分析可以帮助企业发现和把握客户需求，并在此基础上进行有效地营销策略制定与实施。商品分析

商品分析应该是零售业最关心的问题，不管是领导，还是业务人员，都将面临如下几个方面的问题:

究竟哪些产品能赢得消费者的青睐而一路走红？哪些商品不能满足顾客需求？

• 哪些商品应当淘汰？如果某一类商品出现了严重滞销现象，那么它是否已经被市场所淘汰？
• 应淘汰商品销售额的比例？如果某一类商品销量下降了，其他类型的商品是否也随之出现同样情况？
• 同一种商品的价格区间分布如何？这些都需要进行深入地研究，以明确不同商品之间的差别

......

为实现这一目标，我使用FineBI将许多业务系统的数据集成起来，经过对数据的处理，清理，进行下面三个分析，

• ABC分析:根据产品对店面销售贡献度和客户自身对产品的要求，按70%、20%计算，10%把货物分成A、B、C类，并且对SKU的数量、销售金额、库存金额等分类数据进行了分析。这样可以更直观地了解到某一品牌或某个品类在整个零售行业中的地位以及它在市场上的份额
• 商品价格带分析:商品价格带分析常用于零售商进行市场研究，通过对同类型商品在不同价格带上销售额、销售情况进行分析，把握这类商品使用者的消费层次和消费人数，勾勒出超市对于这一物品的根本要求。同时，也可以为超市制定合理的促销策略提供依据。这样超市采购又会依据店面定位，对货物进行采购层级和采购次数的选择。商品结构分析--商品类别分析法商品类型分析法是通过对商品品类划分，找出各个品类所占的比例及其特征，然后结合这些特点制定相应的促销策略，达到最大化地提升店铺收益目的
• 品牌效益分析:通过每个品牌相应销售额、利润、客单价等，销售成本率和其他指标每月趋势，然后对这一品牌进行效益评价。通过这样一个简单而又实用的分析方法，我们可以了解到企业经营状况，为制定相应的营销策略提供依据

第二步，在确定分析方法后，对该场景中各业务模块进行了梳理、业务指标与分析维度等，借助图表工具，构建了指标体系，商品分析的指标体系如下图所示:

最后，通过图表来展示上面三个分析结果，如下图所示:

2、本文以连锁超市为例，在研究方法上采用了案例分析法，首先从理论层面进行阐述，然后选取具体实例来对该模型进行验证。店铺分析

这一点主要针对实体零售企业，实体门店则仰赖营业额为其绩效指标，但是对营业额较差，却难以有更进一层的数字观察，例如:

• 各店铺，销售额排名第一的店铺是什么？其经营特点又有何不同？各自有什么特点？不同规模的店铺在营业收入上是否存在差异？
• 直营店与加盟店利润比例差异有多大？在不同季节，不同月份，甚至在同一时期内不同门店之间的差异到底如何？
• 店铺整体销售额随着时间的推移呈现何种趋势？如果是节假日，如何安排促销力度？一周中哪一天销量不好，要不要开展活动，促进销售情况的改善？如何才能提高消费者对店铺的满意度？
• 在年度营销活动中，哪次营销最有效？如何对门店进行管理和控制？

为解决这一问题，

• 首先要进行店铺销售分析、利润分析等等，把握店铺营销状况。其次是根据这些数据分析出每季度的关键指标数据
• 然后，本人通过建立警戒线，来监测月度关键指标的变化趋势，为及时发现和解决现存问题提供参考。另外，还可以将关键指标与门店经营目标相结合，对关键指标进行量化考核
• 最后，对于关键指标进行排序，与前文分析组件相结合，探究每一个营销的关键节点，各个店铺营销表现怎么样，利润占比等。在这些研究过程中，我发现门店是一个复杂的系统，它不仅包括了众多的影响因素和变量，还涉及到很多非结构化的知识与信息

同样的，本人仍需设置门店分析指标体系为:

最终的展示结果如下:

3、本文研究发现，当企业的库存管理出现问题时，会导致公司的经营业绩下降、利润减少等一系列后果。库存分析

我们经常听到许多管理者抱怨库存太多，事实上，高库存多数情况下都是商家自找”出来。高库存不是一个简单的问题，而是一种心理暗示。高库存实际上就是冲动地处罚”。库存过多导致资金积压和资金紧张，而库存过少又影响公司正常运营。店里显然只具备每月80万的销量，采购经理一定要订120万货进，必然导致企业营运能力降低，那问题是什么？问题可能就在于你自己没有做好库存管理

对于零售业而言，库存分析不外乎两种情况，一是会不会断货？是库存太多还是库存量太小？会不会是库存太大而占用经费？如何进行合理有效的库存控制？过去由于缺乏数据化管理，常引起如下一些问题:

• 哪些商品的库存量最大，造成库存积压有哪些原因？库存过高或过低都有可能导致何种结果？
• 产品方面的问题、预测不准或销售问题？库存周转率和资金使用效率之间有什么样关系？
• 货物周转周期各有多长？如何通过合理有效的管理手段降低商品周转率？
• 周转周期长的产品，怎样采用缩短周期的方法，增强资金流动性？在实际经营过程中，我们会发现很多企业的销售业绩并不理想，原因就是库存过高

为此，本人就库存量，库龄，库存金额等、商品数量等等，多角度地分析库存，接着对分析所得结论进行了商品分析、门店分析和其他分析结果的比较，得到了改进的结论。通过上述研究工作，本文总结出了一些改善库存管理和优化资金占用状况的方法

然后建立库存分析指标体系，见下图:

最终的展示结果如下:

4、在对会员进行分类时采用了多种方法结合起来使用，例如基于聚类分析法和模糊聚类法来对会员进行划分。会员分析

对零售行业而言，对顾客进行有效细分，就是对顾客需求进行深度分析、处理顾客需求变化的一个重要途径。通过对不同类型客户进行细分，可以确定每个类型客户在市场中所扮演的角色以及他们之间的联系和区别。通过对客户进行合理，系统地分析，企业能够了解不同顾客有哪些需要，分析了顾客消费特征和商务效益之间的相互关系，使得运营策略能够被优化；同时可以确定目标市场和客户群，制定营销组合方案，进行产品定位及价格决策等工作，最终提高企业整体经营水平。更重要的是，它能找到潜在客户，由此，商业规模得到了进一步的拓展，使得企业获得了迅速发展。因此，对企业而言，如何根据客户特点来进行准确的分类是一项十分关键的工作

和过去，缺乏数据支持，要理解下列问题常常很难:

• 消费者（会员）的特征分布如何？这些特征与消费者行为之间有什么关系？
• 具有不同特点的成员有哪些消费偏好？如何才能使他们在购买商品时既能满足自己需求又不损害别人利益？如何做到有的放矢，针对提出了营销手段？本文从消费者的角度来探讨消费者的消费行为
• 消费者的（会员）行为又如何？他们的需求和喜好都有哪些？什么时候爱消费？喜欢买什么产品和服务？不同时期爱买什么牌子，是不是又是相同？这些问题都需要通过数据分析来回答

为此，我使用图表工具多源数据整合功能来整合crm、erp和其他系统数据开通情况，构建完善用户画像和用户分类，再面向不同种类的不同使用者，结合以往历史数据所形成消费特征，开展差异化精细化营销行动。通过对不同时间段的数据分析，得出了用户群体的特点和需求偏好，并根据这些分析结论来制定相应的精准化营销策略，从而为企业提供有效的参考依据

然后建立会员分析指标体系，见下图:

最终的展示结果如下:

5、事件分析

高质量、宝贵活动运营方案可严格落地实施，并有助于业绩提升，活动过程的实时数据监控与有效的数据反馈，能够为活动计划的实施与其中存在问题的迅速解决提供重要的保证。在业务人员煞费苦心地筹划和组织促销活动的时候，如何跟踪事件影响，又应该怎样提高？活动开展后，活动是否能持续地带来收益，能否给公司带来更高的效益？

过去，活动效果只能通过销售额等基本指标来判断，不能用更细化的指标来分析，也不能很好地解决如下几个问题:

• 的活动到底好不好，什么是活动转化率？对企业的营销能力是什么意义？对于提高品牌知名度是何等重要？不同的人群会选择哪些活动来促进消费？
• 针对不同地区消费者的活动，影响是相同的吗？不同人群对于活动效果和产品认知程度是怎样的？不同种类的消费者各自对哪些活动有偏好？不同的区域、门店在开展同类活动时，应该注意什么问题？
• 什么地区、店铺效果比较理想，还有什么不好？在这些问题上，我们应该做哪些方面的调整或改变？收效甚微，其原因何在？怎样改善这些问题？应该怎样提高？这些问题都可以通过数据分析得到解决

为此，我使用报表工具直接连接数据模式，对事件发生时的事件数据实施实时监测，随时发现和调整活动的策略，以最大限度地提高活动效果；事件发生之后，也要有活动效果、转化率统计，运用OLAP的多维分析和钻取联动的功能，从不同层面对活动效果进行归纳。这样就可以对每个人的活动过程进行全面细致的管理，从而提高了员工的工作效率和工作质量

接着进行会员分析的指标体系建立，如下所示:

最终的展示结果如下: