零售行业数据分析，你必须要知道这些

大家下午好，首先非常感谢大家能够在百忙之中抽出时间来参加这次的活动，今天要和大家分享的是该如何从观念层面，技术层面以及应用层面出发，对零售行业的数据分析。

零售行业对数据的灵活性，时效性和及时性的要求相对会比较高，但是零售行业的数据会比较大，指标比较复杂，所以导致大家在传统的ERP的系统中，很难很好的去做数据分析，有些零售企业的规模不小，但是实际上在管理方面是非常的粗狂，比如说，在某一次盘点当中，还存在着两年前的货品，它的库点存了两年，这样的经营状态可能在以往没有什么太大的问题，但对于现在来说，电商行业在宏观上冲击比较大，整个的宏观经济会比较有影响，对于消费者来说，会不太敢消费。但从数据上来看，整个零售行业的消费的基点是越来越高的，生长也是非常的快。那么对于零售行业来说大数据的概念是什么呢？又该如何从技术上解决大数据分析的难点？要怎样才可能发挥大数据的价值呢？

电商对于线上传统零售商行业的冲击是非常大的，在2015年，双11阿里巴巴的成绩单！1天912亿，增长60%。京东则销售了2852万件3C商品。这是在以往的传统的零售行业是难以想象的一天能够卖出这么多的商品。现在的整个零售行业，根据国家统计局数据显示，2015年全年社会消费品零售总额300931亿元，比上年名义增长10.7%。全年全国网上零售额38773亿元，比上年增长33.3%。其中，实物商品网上零售额32424亿元，增长31.6%，占社会消费品零售总额的比重为10.8%；大家可以从中看出来的一个趋势，电商有可能在未来统治零售业的江湖。而早在2012年的一个电视节目上，王健林和马云曾设下赌局，"10年后，如果电商在中国零售市场份额占到50%，我给马云一个亿。如果没到，他还我一个亿。"

那么为什么电商可以踩着传统零售上位，尽享风光？

我们不妨来分析一下电商的核心竞争力是什么？是因为啥都能买到？信息透明？亦或是交易成本低？......

在我个人看来，电商的核心竞争力在于，通过海量的数据处理，让我们做购买的决定时，变的更轻松，更靠谱。举例来说，我们在京东上买东西，搜索空气净化器这类商品时，它首先会告诉你某个商品有多个人评价，评价越多，也就意味着越多人买；当你点击去之后，就可以看到好评度是95%，还是98%？如果是在360浏览器中打开的话，还有一个价格趋势，告诉你历史价位走势如何，其他电商平台是不是更便宜？除此之外，还有其他同类或同价位商品的推荐与排名。有了这些信息，你就掌握了做一个购买决策时的几个关键信息：

（1）这款商品好不好卖？

（2）这款商品口碑好不好？

（3）这个价格便不便宜，现在是不是最便宜的时候？

（4）有没有其他更好的商品？

我们再尝试到线下的电器店去逛逛：找到空气净化器的专柜时，几个热情的不同品牌的导购员会迎上来，每个人都说自己的好，让你不知所措。看了价格，根本不知道这个价格是能讲价还是不能讲价，如果能讲价，也不知道自己谈下来的价格是不是最低的价格。于是乎，众多的不确定性，导致我们一定是逛完国美再逛苏宁，最后，极有可能是因为一些完全不重要的赠品让我们买了单。

对比一下，两种购物的体验，差别在哪里？一个是清清楚楚，一个是糊里糊涂。那为什么电商在没有看到实物的情况下，却可以给人明白消费的体验呢？--这就是大数据的价值。换言之，电商核心的竞争力就是大数据的利用能力。

其实大数据对零售行业来说，就是一味药，不吃也可以（可能是慢慢等死，也可能快速被市场淘汰！），吃了一定会有效，但份量多少，要吃多久，都暂时没有定论，所以，药不能停！首先，遇到问题的时候切记不要太着急，但也不可放任不管。企业在不断的去尝试，寻找不同的解决方法，但其实这是在浪费时间，因为它没有从根本上找到问题的根源。不管你用什么样的管理工具管理手段，在整个过程当中，人才是主体，是需要时时的查看，时时关注，时时分析，只有这样才可以不断改善我们所关注的点。不断的持续下去，这样的问题才可以在根源上解决，要从根本上理解和分析大数据的难点。

从技术上看，要如何解决数据量大的问题？我们可以采用分布式存贮与计算解决方案、内存式计算方案和OLAP方案。这里我是推荐大家使用OLAP方案，因为它在技术上，提前做聚合，查询的时候不在是做计算，只是浏览，这样就可以减少内存和CPO资源，它的优点是利用空闲的时间，帮你把各种需要分析的数据提前算好，对于硬件的资源来说是没有任何的依赖，而且成本低，上手容易。对于数据质量不好该怎么办，可以使用Excel表来维护，可以把手工维护的资料把握到BI的系统。不同业务系统之间的数据逻辑关联有缺失，可以通过规则的建立和数据清洗的方式的处理来解决。

业务部门的需求老是变怎么办？可以通过IT人员帮业务人员用专业BI工具开发报表，或者购买一个工具让业务部门自行灵活的查询分析。这两个途径都是可行的。第一种途径则需要IT人员要有专业的能力和大量的员工，但这不是一个很好的解决方案，因为你会发现同一张的报表给不同的人，总能从中挑出一些毛病出来。最好的方案是工具可以比较好的满足业务人员自给自足的需求，那么怎样才能做好自助的分析呢？从商品维度、变量和指标出发，来分析业务部门各方面的需求。我们用到的BI系统应该是不依赖于各项的报表，是当你需要的时候就出来，它会自己通过鼠标的方式，来识别出来，可以在浏览报表的时候任意切换到你所需要用到的信息，这样才能从根本上解决,才可真正的做到自助分析。

指标的计算复杂怎么办？比如，客单价，周转率，动销率，虽然公式计算简单但是从中计算的小票数是挺困难的，在实际运用中也是挺困难的，这就要从多个角度进行分析，可以统计商品类的客单价来进行匹配SKU的布局。我们是推荐用最明细的数据分析来进行分析整合的，这样才可以满足所有可能的需求。

那么要如何发挥大数据的价值？这就需要我们洞悉销售规律，做好销售预测。

利用线性回归的方法来进行预测，预测带来的良好愿意是希望能够达到的目标，但事实上没有预测是没有那么准确的，预测的也是建立在过去数据分析的基础上，进行对未来的一个估算。这就是以前是怎样，未来也会是怎样的，其实在中间会隐藏了一个假设，那么这个假设会成立么？想当然是不成立的，因为过去不代表就是未来。

以下的这张图是2014年周销量与2015年预测周销量，由此可以发现某一个品类或某个规律在前两年基本上的曲线是比较稳定的，你会发现用这种预测还是比较准的，但是我们不能轻信这样的预测。

把品类的销额、毛利、库存、周转率等不同的指标关联在一起，交叉比例是个很好指标等于毛利率乘以周转率，也就是说如果毛利率高，周转就快，那么毛利率也就快，盈利也就多。

通过以上的这样业绩图，可以清楚的看到与业绩相关的各项关键指标之间的关联的变动情况，并可任意切换时间与门店来查看，帮助决策者将业绩关键指标一目了然，快速定位问题所在，可以通过这几个关键的指标来看这家门店的经营的水平。其实就是从数字来看这两方面的水平，如果数字很差，由此可看出，经营管理的水平也是很差的。

零售行业的数据分析其实是一门很深的学问，同时也希望我们会更加的努力后续继续和大家分享，今天的分享就到此结束，谢谢大家！