零售數據分析的基本流程，分析零售數據的4個階段

最近很多搞零售的朋友都向我抱怨，以前都說零售行業最賺錢，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沖擊，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蕩交錯的過程，拿實體零售企業和互聯網零售企業來說，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系，它們還存在著更多的可能性。

零售業的問題到底出在哪里？

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，并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

隨著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臺

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，也無法掌握顧客群體屬性，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，無法掌握企業顧客群體屬性，企業難以走到消費者簽名，提供更出色的服務體驗。

零售行業需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、最終用戶界面。其中：

1、源數據庫

用戶需要采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)

用于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，生成用戶前端用戶可直接拖拽使用的Cube文件數據。

4、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得到dashboard進行分析結果的展示。

建立分析模型

搭建好應用框架之后，就要進行數據分析模型的建立，為此我嘗試用過很多數據分析工具，比如Tableau，但這些國外的廠商很難形成一套適用于國內企業的完整行業化解決方案，FineBI，如下圖所示。

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，然后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占比是多少？同一種商品的價格區間分布是怎樣的等等。

為此，我用FineBI整合了多個業務系統中的數據，進行數據加工、清洗后，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，并進行分類數據分析，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。從而超市采購再根據店面定位來選擇商品的采購層級及數量。

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，確定了分析方法之后，梳理出這個場景下的業務模塊、業務指標和分析維度，通過FineBI建立起指標體系，商品分析的指標體系如下圖所示：