零售業所面臨的最具挑戰的競爭，就是顧客和市場需求的紛繁複雜及其飄忽不定的變化。而零售企業成功乃至存活的關鍵，就是如何採取靈活多變且機智的應對行動，這就要求管理者要能夠順應市場的變化、快速發現並處理問題，並且及時的制定解決方案和抓住市場機會。因此，基於數據和事實，質量更高、速度更快、成本更低的決策顯現了前所未有的重要性。

零售企業經歷了十幾年的E化高度發展歷程，也積攢了大量的寶貴數據，但面對這個「金礦」，各家企業由於經營模式、管理風格、重視程度、資金投入等不同，對於這個「金礦」的挖掘程度有極大的不同，零售大數據的分析應用均處在不同的階段，甚至出現的「兩極分化」的局面。

下面就是筆者在日常和零售企業接觸的過程所總結出來的零售大數據分析應用的四個階段，希望能夠給大家指明方向。

第一階段丨集成展示

有句話說的好「銷售額首先是追蹤出來的，其次才是分析出來的」。

ERP普及進程已經有了10多年歷史，沒有ERP的企業可謂越來越少。零售企業利用ERP可以搜集和整合整個企業的數據，形成一個完整的數據流，把企業內不同來源的數據資料集中到單一的一個倉庫中來，使各個職能在自己需要的時間和地點通過圖表看板、計分板的形式看到自己所需要的數據，並且展現出決策者最為關注的運營要素—關鍵績效指標如銷售額、坪效、利潤率、客單價、進店率、轉化率、目標完成率、同比增長率等等，這些都可以以「商業報告」的形式出現，該報告的主題緊緊圍繞著「過去發生了什麼」以及「正在發生什麼」而展開，這也是大多數BI系統和數據中心平台的核心功能。

譬如下圖用FineReport搭建的某零售企業的數據中心平台，從門店-商品-銷售-活動-會員-採購，做了全集團的數據梳理和分析。

這一階段的最大的困難為數據的集成和整合，每個零售企業都有數十個大大小小的部門系統，而這些系統都是一個獨立的數據源，他們都有自己的定義、標準和側重，而對這些來源不同數據進行合并、清理、轉換和簡化，最終建立一致性的數據是非常有挑戰性的。不僅需要清晰嚴謹的指標定義，統一口徑，也需要平台工具能很好的打通系統間的數據壁壘，為分析提供捷徑，這就需要工具具有很好的開放性，易開發易操作，最終前前後後花了三個月的選型，選擇了帆軟FineReport報表製作與BI軟體。

第二階段丨分析判斷

在第一階段整合了數據來源後，零售業決策者關心的重點發生了轉移，從「發生了什麼」轉向「為什麼發生」。分析判斷數據的目的是了解數據報表、商業報告的背後的含義，以及這些過往行為發生的動機和原因，這就需要對更加詳細的數據進行多維度的分析。這種分析判斷更多的是建立在對於零售業務邏輯的理解之上，一般會採用簡單有效的分析方法和簡便的分析工具對數據進行處理。

該階段數據分析師這一角色開始真正出現，數據分析師需要非常熟悉業務，最好有實際業務操作的背景，能夠用業務的語言和邏輯把運營異常解釋的通順，此階段不要求對演算法、模型和工具的應用非常高深，而對於快速將數據分析結果進行落地，贏取各個業務部門的信任的要求非常高。

例如一個服裝品牌的一款裙裝銷售好的超出預期，那就要找從「人、貨、場」三個核心來找原因分析判斷火爆原因：

是否有什麼買贈、打折、捆綁、支付等促銷活動，店員對該商品是否有特殊的推薦等；

該商品的陳列、包裝、設計、款式等是否有特色、是否是限量銷售、限時特價等等；

以及顧客購買此商品的動機是什麼，是否要釋放壓力、還是從眾心理、攀比心態等；

此外，還要考慮競爭對手是否有斷貨問題、大型企業客戶是否有團購等因素，甚至出現了在排除各種原因之後才知道，這款裙裝和當時熱播電視劇中某個明星穿的比較相似，因電視劇熱播而帶動了該款裙子的熱銷，雖然在該款衣服上所投入過多的市場資源其實並不多。

零售行業分析體系

第三階段丨預測未來

企業在有了前兩個階段的基礎之後，關注點會進一步超越當前，開始思考更貼近經營上的問題：「將來會發生什麼」。

從本質上說預測就是根據零售企業所過去發生的事件以及當前實時的影響因素，對於銷售額、利潤率、成本等未來的取值做出自動化和智慧化的估計。簡單的分析對於估算暢銷概率的作用有限，在大多數複雜的應用中，需要建立數學模型來還原零售的業務規律。

例如建立銷售預測模型來量化銷量的影響因素及各因素之間的交互影響、建立定價優化模型來還原價格與銷量之間的關係並找到最科學的價格以實現經營目標。而建立模型的目的就是將之前各個角落裡的經驗用數學的形式表現出來，雖然並不是十全十美，但會無限逼近真實情況。

要建立數學模型要解決三個問題，首先是數據的量要達到一定的規模和質量；其實是用什麼樣的演算法，如用時間序列還是回歸或是

演算法；第三是「數據+演算法」可以圍繞什麼業務場景，建立什麼樣的模型及參數。

例如某工程師從眾多關於流感的關鍵片語合中，挑出45個重要檢索詞條作為特徵，訓練了一個線性回歸模型來預測2007年和2008年流感傳播的趨勢、時間和地點，該模型預測結果的準確率最後高達97%，而該模型完全可以和關於流感的商品如口罩、營養食品、非處方藥品等銷售建立起聯繫，構建「流感商品銷售指數」，來指導這些商品在特定時間、地點的具體銷售數量。

再例如7-Eleven零售門店通過衛星雲圖了解到兩天後氣溫將上升兩度，會提前訂購比平常銷量多30%的礦泉水。

第四階段丨指導決策

這一階段側重於對業務、營運、經營、戰略的決策的指導，回答的問題其實就是：「筆者應該做什麼」才能達到最佳的狀態。前三個階段都不是終極目的，例如銷售預測不是為了預測而預測，預測準確率達到100%又如何，關鍵是做了預測以後能給企業的決策行為帶來什麼樣的幫助，對於零售企業而言，銷售預測以後緊接著的行為就是補貨，補貨過程中就會涉及到多級庫存管理。

而補貨行為又驅動了後續的採購、生產、物流、倉儲等行為，同時企業的決策層可以根據未來的預測來做出是否要開設渠道、建立工廠、購買倉庫等重要戰略決策，這些行為的決策都是建立在前三個階段之上的。同時決策模擬也是這個階段的重要應用，針對零售流程中的隨機因素，引入各種約束條件，構建出若干個相互關聯的場景模型來全真模擬真實情景，從而事先預知各種決策可能的結果，提高決策準確性。

大數據時代已經悄然來臨，不懂大數據就做不了大生意，未來甚至做不了生意。

筆者所接觸的不少零售企業對於大數據的分析應用都處在第一或者第二階段，也有少數企業如京東、華為處在第三甚至初步進入第四階段，雖然不少企業所處的階段還比較低，但是至少有兩點讓筆者看到了希望：很多企業的數據基礎都很不錯，積攢了大量的數據，同時很多零售企業對於大數據應用的意願和興趣都非常強烈和熱切。

這些企業對於自身的業務也非常的精通，只是受制於演算法、人才、技術等對於如何把業務和數據結合在一起產生價值還不甚清楚，但是這些未來都不會成為零售企業對於大數據孜孜追求的障礙，因為未來一定會出現大量的第三方公司來提供專業的數據分析、建模和優化服務，幫助企業早日邁入數據驅動決策階段。

喜歡這篇文章嗎？歡迎分享按讚，給予我們支持和鼓勵！