2018年上半年零售行业主要呈现三大趋势:（1）线上线下融合加速落地。就表现形式而言，主要由基于消费体验重构的融合、供应链效率提升与渠道下沉以及消费场景延伸是线上线下融合的三类形式。（2）社交电商异军突起。模式上主要分为现有流量入口的商业价值挖掘和平台化运营两大类。（3）泛零售品类不断扩展。横向扩充与纵向延伸同步推进。此外，从消费端趋势来看，以代际变迁与消费升级为核心的基本趋势将长期持续存在。

双十一战报

天猫销售额占全网比例66.23%，京东占比21.41%，苏宁易购占比4.34%，亚马逊占比1.95%，唯品会占比3.43%，其他电商平台占比2.64%。各平台海外购销售额占比上，天猫为5.4%，京东为4.9%，苏宁易购为0.6%，亚马逊为7.3%，唯品会为3.7%。

2017年双11是电商新零售概念提出后的第一个双11狂欢！一方面是成交不断刷新高：1682亿，另一方面却是双11快递包裹数增速在下降。电商的增长点是否已经见顶了？

然而，近日频繁被大佬们提出的新零售、智慧零售、无界零售都从线上开始关注线下，三大零售新概念之间有什么关系？

快递增速大幅放缓

今年11月11日主要电商企业全天共产生快递物流订单8.5亿件，同比增长29.4%；全天各邮政、快递企业共处理3.31亿件，同比增长31.5%。

据国家邮政局官方数据：2014年双11当日快递包裹是1.026亿件；2015年双11当日快递包裹是1.48亿件；2016年11当日快递包裹是2.51亿件；2017年双11当日快递包裹是3.3亿件。往年几乎都是在50%左右增长，不断加速。但是今年增速掉到31.5%。

双11违背市场规律过度消费，技术可支持物流难跟上！

电商的增长本质是转移。从商场到互联网电脑网购。再到手机移动电商。每一次转移，都会带来巨大的流量红利。可是当迁徙完成，高增长就会结束。现在这个转移是不是已完成了呢？有可能。

有人说双11违背了市场规律。一个成熟市场的标志，不会有集中的过量的消费，而双11是借助一个概念营造了高峰期的市场，人为制造出过量堆积的集中消费，造成消费的极端峰值，互联网技术可以支持，但线下物流难以满足。

可以看出快递包裹还在增长，但增速放缓。原因可能有多个方面。一是包裹量基数越来越大，网购群体数量不会大幅增长，二是消费者对双11习以为常，消费更理性一些。

三大零售碰撞，各有各的优势！

马云频频谈到新零售，让新零售成关注焦点；苏宁集团董事长张近东讲智慧零售；刘强东则最新提出了无界零售的概念。

新零售提出之后，各家众说纷纭，没有一个明确的定论，通过归纳总结可以说：新零售，是以互联网为依托，通过运用大数据、云计算、物联网、人工智能等技术手段，基于线上+线下+物流数据打通，其核心是以消费者为中心的会员、支付、库存、服务等数据的全面共享，从而实现线上线下深层次融合，对商品的生产、流通、销售、售后等全过程进行升级，重塑业态结构与生态圈。

何为智慧零售？时代和科技进步速度之快，即使再智慧的组织和机构也会逐渐显得落伍于时代。因而“智慧”更像是一种激励，比如张近东说，要拥抱时代技术，意味传统的过去的那些光鲜亮丽，全部归零，这是一种勇气也是一种智慧。

刘强东近日在谈及未来电商的发展趋势，提出了无界零售的概念。他认为，未来电商已经超越了所谓的线上和线下的概念，一切回归到原点，回归到消费者为中心。他还表示，三年前就洞察到了电商领域巨变。

其实，这些概念也都是伪命题，“看看他们几个讲的零售，都有一定的道理，但是背后的目的都是为自身企业进行服务，同时提升自己企业的影响力，“不管什么零售，以消费者为中心的零售才是最适合的零售”。

对于阿里来说，今年的双11算是对“新零售”概念的第一次全盘检阅。除了参与购物节的数量庞大的品牌商、店铺和淘点外，天猫海外还携多个国产品牌加入200多个国家和地区万店同庆，并将投入15亿元补贴智能仓配商家和物流企业。 为了与阿里的新零售对峙，京东联合腾讯推出“京腾无界零售”解决方案，依托腾讯社交、内容体系和京东交易体系，为品牌商提供线上线下一体化、多渠道打通、服务深度定制化、场景交易高融合的零售解决方案。

电商轰轰烈烈的狂欢之下，传统线下零售商被裹挟其中，也要勉力搭上这趟智能化的高速列车。然而，当热潮褪去，我们看到，只有几家实力雄厚的传统零售商开始了向数据采集、智能物流等方向转型升级，大多数传统零售商家和平台，依然惶惶无措。

在行业信息化市场上，零售行业一直是贫瘠之地。涉足这个领域的IT方案商和服务商很少，真正上规模的也就是富基融通、长益科技等有限的几家。这是因为国内的零售企业虽然数量很多，但规模偏低，信息化投入很少，用不起昂贵的IT系

不过，云时代的到来，正在改变这一状况。很多创新型零售行业IT服务商，通过提供公有云服务，让众多中小零售企业能够以低廉的价格享受到高水准的服务。超盟数据就是其中极具代表性的一家。超盟数据以一套完整的大数据解决方案为零售企业提供数据挖掘和分析服务，并驱动业务决策。

01

专注于数据挖掘与分析

超盟数据创始人兼CEO李思贤，出身华东某蜂蜜零售家族企业。或许正是因为从自家产业身上看到了零售信息化的不足，他选择投身到这一领域中来。

李思贤说，自己是一个喜欢研究用户购买习惯的人。他看到，日本等国家的线下店面生意仍然很好，而国内却受到电商的强烈冲击难以生存，这其中很重要的原因就是，国内线下零售商没有把数据利用好，在数据分析方面完败于电商。

李思贤自己是一个喜欢把想法快速落地的人。2015年，超盟数据成立，专注于零售行业的数据挖掘与分析。

从数据收集、数据分析、数据挖掘到最终决策，通过完整构建零售企业大数据时代下的决策闭环，超盟数据的商业模式是为连锁便利企业提供一站式的数据管理和分析平台服务，帮助企业建立数据驱动的体系，制定更具个性化的营销应用策略。

02

用云平台解决技术问题

有了好的的商业模式，还需要有可行的实现路径。

国内零售店数量众多，IT的标准化程度却很低，每家的系统都不一样。如何提取每家零售店的数据就成为一大难题，何况还需要利用云计算、大数据、人工智能这些新技术去为零售企业提供业务价值。

于是，就有了创始合伙人兼CTO李健豪的加盟。李健豪曾在亚马逊和IBM北美总部工作过，是个技术狂人，曾经六次获得美国黑客马拉松赛的冠军。

对于数据读取难题，李健豪带来的解决方案“简单而粗暴”——直接读取数据库。他说，由于每家连锁便利店的IT系统都不一样，通过挨个开发API来读取数据是一项无法完成的任务，直接读取底层数据库是唯一的选择。

要实现这一点也同样不容易。为了不影响营业，通常只能在晚上闭店期间读取数据，但每家连锁店的情况不一，有些在夜里还会关闭IT系统。这样，读取数据的时间就会千差万别，如何高效地完成这一工作呢？而且，每天读取过来的上百亿条数据，也需要一个可靠的存储和处理场所

或许是因为在亚马逊工作过，亦许是有过之前的云服务商莫名丢失数据的惨痛教训，李健豪决定使用AWS的云服务来完成这些工作。超盟数据之前的业务团队并没有Hadoop大数据分析平台搭建和应用经验。李健豪加入后，用一周时间就搭建好了新环境，从开始调研、部署，到上线，仅用了2-3周时间

特别值得一提的是，超盟数据是国内最早一批采用Lambda服务的。AWS固然是个优质的平台和工具，但事实证明也要有巧匠才能运筹帷幄，而李健豪带领的技术团队正是这样的一批能工巧匠。通过Lambda提供的微服务，可以按事先确定的时间和方式去采集零售商的数据，而且在采集数据的同时就可以进行数据的清洗和分析。同时，引入Lambda之后，只需要按调用来付费，降低了超盟数据在云服务上的支出。

目前，超盟数据把所有的IT工作都放在了云上，为客户提供的也是云服务的交付模式。零售商只需要安装相应的客户端，就可以获得自己店面的数据分析结果，为业务决策提供支持。

03

让数据创造业务价值

超盟数据在零售行业信息化中的发力点，并不是ERP和CRM等业务系统，而是数据分析这样的外围应用。李思贤说，零售系统太过复杂，要想一统天下太难，而数据分析是个新兴应用，更适合超盟数据这样的创业公司来做，而且随着大家对于数据价值认识的提升，数据分析也逐步成为零售商不可缺少的核心应用。

目前，超盟数据的BI辅助决策产品，已经覆盖全国18%的连锁便利店，涉及的零售门店超过1万家。李思贤说，此前超盟数据主要是在打磨产品，选择的合作对象都是每个地区的头部零售商；随着产品的成熟，合作范围很快就会全面铺开，覆盖率也将继续大幅度提升。

那么，超盟的数据分析和辅助决策，到底能够给零售商带来哪些价值呢？

据李思贤介绍，超盟数据所服务的对象包括店长、督导、采购等。以前零售商无法准确计算每个品牌每个产品给自己创造了多少利润。有了超盟数据的服务，零售商就可以清晰地看到这些分析数据，并通过消费人群画像等方式获得未来一段时间的销量预测。这样，零售商就可以及时订货，保证畅销品不断货，滞销品尽快下架。

他举例说，拥有300多家店面的河北天天，从去年10月开始采用超盟数据的服务。由于订货准确度大大提升，几乎不断货、不积压，其销售和毛利提升了40%，相应的督导人员却由20人减少到8人。

现在，超盟数据向零售商收取的服务费标准是，每家店面每年300元。当然，这只是其收入的一部分。另外一部份收入则来自品牌供应商——超盟数据利用自己所掌握的海量消费者行为数据，为它们提供新品营销服务和销售监控服务，从而把数据的价值发挥到最大。未来，超盟数据还打算发展自营商品，这同样是建立在大数据分析的基础之上。

经过两年多的探索，超盟数据的产品和服务已经日渐成熟。去年完成了A轮融资，今年将是全面发力的一年。

超盟数据无疑是一家技术创新公司，一家云原生企业，所有业务都运行在AWS的云服务之上，大数据、人工智能等技术也都在这里得到了充分的应用。

但超盟数据也是一家懂零售的公司，有来自于物美、便利蜂等知名零售企业的行业专家，把行业认知和技术创新完美地融合在一起。

大数据将来自网络浏览模式，社交媒体，行业预测和现有客户记录的信息结合起来，预测趋势，定位客户并满足需求。随着移动设备数量的大幅增长，实体店必须跟上不断变化的零售环境。有鉴于此，大量实体零售商现在转向Wi-Fi分析等高级工具，以深入了解客户行为，并提供更加无缝和个性化的购物体验。

这种转变主要归功于数字，社交媒体，移动和基于位置的技术的进步。今天的消费者正在众多渠道购物，零售商正在争先恐后地想方设法采用单一，完美的方法，随时随地与客户进行互动。以下示例说明了大数据与零售业未来之间的联系。

收集更好的情报。有了正确的Wi-Fi分析工具，实体店可以收集有关客户行为的数据，并帮助回答以下问题：你商店外面有多少流量？有多少消费者进入您的商店？有多少消费者在商店的窗户旁停下来？这些新消费者还是回头客？这些数字与上周相比如何？

除此之外，这些解决方案还可以帮助收集和解释与员工绩效相关的店内指标。对于大数据，可以回答以下问题：商店中哪些区域吸引了最多的购物者？您将购物者吸引到商店的方法效果如何？客户经常访问您的商店多长时间？您的员工为客户提供的服务效率如何？您的结账队列管理效率如何？购物者智能分析可帮助零售商更好地了解他们的客户，并提供满足（甚至超过）他们需求的购物体验。

与商店访客联系。发表在哈佛商业评论博客上的研究表明，个性化可以使营销投资回报率提高五到八倍，并使销售额增加10％或更多。对于那些已经转向使用大数据分析工具来了解和服务器预约客户的零售商而言，这并不令人感到意外，他们会根据所收集的数据在手机上为他们提供个性化优惠。

大数据也被用来抵消陈列室的影响，这种行为是购物者在上网前查看商品中的商品然后发现它更便宜的行为。许多零售商已经开始提供成熟的移动网站以及智能手机应用程序，因此客户可以使用QR码轻松比较价格。总的来说，线下零售商正在使用大数据分析来获得稳固的立足点，特别是在当今竞争激烈的市场中，在线零售商开始占据更多的市场份额。毫无疑问，大数据将零售业务推向一个全新的水平，明智的零售商不应该停止利用零售业。

但这不是全部。商业智能（BI）的整合也在零售业中获得了动力，全球各公司都在意识到这一工具的重要性。正如Oracle零售业高级副总裁兼总经理Mike Webster所说，“这些规则正在被重写。关键在于零售商如何为客户提供无缝渠道的无缝体验。“

随着零售行业的发展，遇到了越来越多的问题，如何在哪个环节能降低成本，产品的生命周期有多长，那个广告平台的投放效果有效，这在以前是很难进行处理的，随着大数据技术的发展，这些有望解决，那么哪些公司有零售行业大数据解决方案呢？对此，达普信基于多年的大数据积累给出了一站式的解决方案。

企业自身有很多的数据来源：有来自内部的客户资料、财务系统、销售系统、供应链管理系统等数据；也有来自外部的推广数据、客户反馈数据等。将各类数据源接入到平台，通过多维度的分析和可视化展示，向用户提供自助式的分析报告。

多种标准看板三步完成数据的分析，可以通过固定报表，即席查询，多维度分析，警报，预报等功能进行数据的分析，基于消费者的数据收集、分析和数据管理的闭环，可以通过以下几个环节，为零售行业提供更加精准的营销。

（1）用户画像

通过零售环节中，与用户的直接交流获取用户信息，以及根据社会化媒体下的用户行为，根据这些用户标签，可以对用户进行特征分析、用户偏好分析、用户消费频率分析等。

（2）优化生产

结合消耗量数据、库存数据，渠道数据、销售数据等供应链条上的关键数据，将数据进行融合，为生产提供量的依据，避免发生生产过剩，或者供应不足的情况。

（3）市场预测

根据全产业链的数据和外部数据，进行市场分析和舆情分析，充分理解市场需求和发展趋势，增强企业应变能力和竞争能力，为企业未来的发展决策做重要支撑。

以上就是达普信软件开发为大家介绍的有关哪些公司有零售行业大数据解决方案的分析，希望可以给大家提供参考。

来源：搜狐

以下为正文分享。

一、数据分析与决策的场景与挑战

任何一个企业都不缺数据，怎么处理这些数据，如何通过数据产生决策及对应的商业价值呢？今天跟大家聊聊我的体会。

观远数据团队过去十几年一直在做数据相关的事情，包括数据分析与挖掘、商业智能等等，服务了包括星巴克、肯德基、7-Eleven、麦德龙、Adidas等大企业，也有机会看到他们从本土到全球的扩张过程中数据所扮演的关键价值。

说到零售，大家都在谈人货场，任何一种决策都需要打通人货场的环节。然而我们还发现新零售的第四个要素在扮演越来越重要的角色——“脑”，也就是决策的大脑。

我们以连锁经营品牌的门店运营为例，100家或者1000家也好，这些门店里哪些门店哪个时段的表现好还是不好，如何判断？过去一周哪些重要的吸客商品经常在晚高峰来临前售罄？低于安全水位的商品能否第一时间预警补货？端午小长假不同客群标签的门店销售有什么样的不同趋势，如何提前准备备货与营销？

这些决策的背后都需要打通人、货、场等不同的维度，甚至进入到背后的市场支撑——进、销、存、ERP等等。因此决策本质上需要的能力是怎样系统化、规模化的从运营、品牌营销到供应链的角度进行数据的分析。

企业里面是有大量数据，但是却无法根据这些数据做出决策。最典型的三个挑战有：

第一，有数据，没分析。比如在开会结束后，CEO让小张把结果找出来。这就是数据。如果CEO让小张把商品在过去3天销售幅度下降排名前十的找出来。这就是分析。

第二，周期长，响应慢。这里面的周期、门槛等原因使得会议当时很难形成决策。会议上大家只可能把数据拿出来进行处理，而不会在现场进行分析决策。

第三，只能看，没行动。大量的数据可以用传统的报表等方式呈现，但当数据呈现以后，怎么去解读这些数据，更进一步应该采取哪些行动，又是让业务决策人员非常头痛的问题。

这里面最基本的挑战是有数据，但是难以形成比较好的决策。

二、从基础分析到智能决策的方法论

怎样从简单分析进而进行智能决策呢？这里面有5个步骤。

敏捷化：观远数据和很多客户在非常短的时间内形成大屏，比如CEO看板、快速监控等重要指标。我们会轻、快、易、灵，极度敏捷的开启数据分析。以便利店为例，运营部门从总部、区域到门店，从单品到单店、供应链、营销，每一个环节的数据都在变，如何快速形成指标体系是一个非常重要的基础。

场景化：除了敏捷的构建，观远数据给客户针对不同行业的方案。以连锁便利店为例，里面最重要的角色是门店运营。我们通过行业专家构建了最适合这个行业的十大分析主题，100个指标，若干个分析场景，并不断和同行一起丰富最合适的分析场景、一键式应用等，把所有场景关联到模板。

自动化：当前面分析构建后，接下来企业决策是在出现异常时的“数据追人”。根据历史数据的分析规律，观远数据会做数据处理、监控及分析过程，并做出潜在预测可能会对经营的变化，通知对应的设定的决策。

行动化：自动化更聚焦业务环节，用数据追人，告诉他应该采取什么样的行动，这是观远数据和客户合作的场景。过去每周有销售数据，以简化版为例，右上角有异常点，这个点高是异常还是不是异常，应该采取什么对应策略。我们、在后台有机器学习算法，对于连锁门店来说，每日的销售额极为重要，观远数据通过杜邦模型，在后台通过算法，发现最有可能影响销售的原因，以社区生鲜店为例，如果到了中午12点，销量只有预计的30%，系统就应该主动给门店店长提供决策建议。

增强化：从BI到AI越来越深入，比如更精准的预测门店第二天的销量以及智能订购更合适的时效性商品数量，并且形成数据闭环，让业务与算法不断磨合，不断产生可以量化的效益提升。

首先是敏捷化。过去不管是Excel还是传统的报表系统，最大的问题是大家不在一个频道上对话。而敏捷的看板能保证老板、CEO关注的数据和一线门店的店长要看到的数据在一个平台上。这里面的挑战是它所构建的门槛较高，需要专门懂BI或者能建立模型的人。而在互联网时代，客户需要的是“极度敏捷”，不需要具备太多的IT知识和培训，在以小时为单位之内的实际，就能快速的将对应的数据拿出来分析好。

上面这是一个从数据到形成分析的过程。背后一个经典的例子是啤酒与尿布的故事，大家都耳熟能详，沃尔玛通过算法发现啤酒与尿布在特定的一些季节有销售的关联关系。而在企业中，要探索类似这些关联，需要专门的算法团队或工程师，对每天经营后台的相关数据使其关联计算、分析，以发现某些品类与其他品类的关系。而通过观远数据产品，我们把这个赋能给业务人员。

又比如，企业往往会考核某一单店或者某一品类的盈利结构。从财务角度我们往往会看企业的毛利，毛利又可细化为不同的指标，如销售、客单价和销量等等。当一步步分解到最后，影响它的实际是在某一时段某一商品的销售异常。而我们可以通过机器学习、AI的算法做因子分解，找到最有可能发生的应用场景，并及时预警。

以一家连锁门店为例，当连续两天下午四点出现商品库短缺的情况，对应门店的负责人就会第一时间通过手机端或者OA收到推送，这背后不光是告诉他数据的变化，更多是告诉他一些业务规则并给到行动建议。

三、案例分析与讨论

1、来伊份——从IT到DT的数字化转型

我们分享的第一个案例是来伊份。来伊份是个上市公司，有2000多家连锁门店。他们的IT基础比较完善，尤其创新意识非常的前瞻。线下门店只是它的一部分业态，此外还有很多创新的全渠道业务场景。观远数据与来伊份有很多深入合作，这里面简单提两个场景：

第一个场景是监控大屏。通常在关键的业务场景中都会设置一个数据监控大屏，有了这些大屏之后就可以根据业务的变化及时发现问题并弥补解决。观远数据建议的并非是大家都要去花很大投入做一个类似阿里的双十一作战大屏，那个更是形象工程；我们的建议是需要根据业务的真实需要，快速构建场景大屏，以及之后的快速调整监控指标，并及时发现问题。

第二个场景是数据自动分析和数据追人。以财务为例，来伊份作为上市公司，财务的数据非常复杂，要求很高。但这里面有很多数据处理与分析流程是相对重复的，怎么把这个动作自动化呢？我们只要花上几分钟的时间就可以自动运行，并分发给不同的人，通过更自动化以及全维度的分析现场的方式将80%的场景自动覆盖掉。

2、Today便利店——数据驱动经营进化

Today便利店是中国便利店的新锐领军品牌，华中地区的行业领导者，门店数达到400家。怎样用数据驱动门店的精细化经营以做到单店极致？

上图是Today的大数据规划，观远数据有幸参与这个规划和构建的过程，并提供观远数据产品技术进行协助。如何支撑整体运营决策？怎样形成各个业务部门的指标体系？怎样借助每一块业务对应的指标体系形成的主题分析，智能的解决问题？这些都是逐层递进的关系。

举个例子，上图是门店健康检查的模拟demo，适用于各种连锁业态，比如星巴克等等。我们试想：当门店超过百家后，如何评判一个门店的表现是否健康？如果不健康，最后可能是什么原因？是产品端还是客流，还是库存，或者是其他非常规因素需要引起警惕？门店的日商有哪些维度的指标组合？这些组合如何导致了最后的销售表现？

图的左边是一个理论框架，但光有框架还远远不够，还要得出类似于右边图的健康诊断报告，通过模型化的算法和自动化分析的体系把左边的体系通过分析得出右边的结论。比如早上8点钟，自动诊断过去一天的表现，再自动拆解到最有可能的影响原因，到个时间段的销售是否正常，哪些品类的销售有异常等等。这背后我们创新的置入了“虚拟标杆店”等这样的模型与算法，最后自动的进行分析与诊断。

3、某全球知名运动品牌在中国的零售挑战

观远数据另一个客户是全球知名运动鞋服集团，旗下包含一系列大家很熟悉的子品牌。和我们服务的其他500强客户类似，他们也是基于SAP的ERP系统，它的整个IT架构较为复杂。从数据分析的角度来说，因为是多品牌、多渠道、多区域，它面临的挑战是需要分析的数据颗粒度差异很大。

随着中国的业务不断创新，大量的业务数据，以商品管理这条线为例，需要不断进行二次加工、汇总、分析与分发，与相关的生产计划部门进行库存管理和生产安排。而数据有些是在不同Excel的不同表里，有些是在ERP的不同模块里，有些又是经过预处理的中间数据。

通过和观远数据合作，让商品部门自动化的对每一个商品进行库存分析，第一时间发现库存里不同SKU存在的的潜在问题，并关联到对应的角色。以这一个小场景为例，原来需要每周2天的相对重复性的工作，直接降低到20分钟，而且是系统自动的完成。

总结一下，用数据赋能零售，本质上是要让企业里面95%的普通人员，在大部分场景下，具备企业里面最懂分析最会管理的那5%的人的决策能力。通过构建零售数据决策引擎，去系统化的支撑企业的经营扩张和精细化管理。

大数据在2017年是感到幸福的！在一个以消费者为中心的世界里，一种能够整体获取并利用客户数据来塑造产品、找出解决办法并改善购买体验的能力显得至关重要。消费者大数据分析的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。研究告诉我们，能够利用客户行为洞察力的那些公司，在销售增长上要比同伴高出85%，在毛利润上要高出25%。但是，延伸遗留系统、孤立的数据库以及发散性的自动操作都会对全数据分析造成阻碍。而企业除了打破数据孤岛之外，还得花时间梳理出关键的模型，才能发挥数据的价值。

不管一家公司成立的时间是长是短，实际上每一家公司都有珍贵的客户数据资源，这些资源能够被更好、更有效地利用起来。虽然每一个战略性倡议的基础依然适用——阐明一个顽强的、凝聚力强的数字策略；保证强有力的领导班子；保证正确的资源，并且优先推出一到两个高影响力的试验项目——公司无需等到他们“完美”的系统和科技全部到位。只要有这两个基本步骤，就能够打开机会的源泉。

利用客户数据来个性化外展服务，通过整合丰富的客户档案以及严格地追踪应答率，市场营销人员就能够精确地知道，在关键区段和微小区段里，什么频道上用哪种格式的哪些内容比较有可能产生最大的影响。十年之前，还没有工具能够做到这些。而现在有了。几乎所有的公司都可以从中受益。

华兴力拓创始合伙人华晓亮先生3月10日主题为“赋能新消费、新零售、新认知、新成长”的IBM华兴力拓新经济业务创新论坛举了一个关于数据驱动运营的案例，以下是他的原话：

一个真实的项目，深交所上市的某时尚女鞋品牌。这家企业有2000多家直营门店，一年的销售规模是20多亿，一年卖400多万双鞋，但是三年的时间只累积了80万的会员，这是我们进场前的客观事实。未来要做多渠道协同，需要什么样的思路？首先是对于客群的认知，企业经验性的认知跟真实的认知往往可能不一样。在我们最早的访谈中，其品牌主管认为主力消费人群是四五十岁的女性人群；我们通过对80多万会员去分析，发现事实上这是一个偏正态的分布，80后是其主力客群。既然线下有一波很年轻的人是主力人群，到底线上线下的人群是否是一拨人？这是其从高管到CEO都很关心的问题。我们将线上订单数据和线下的VIP会员及消费数据做了一个验证分析，可以看到交叉率非常低。如果这样的结论是真实的，那会让很多人如释重负，因为如果线上、线下是两拨不同的客群，那很多事情都好解决。但事实真的如此吗？我们接着去做了交叉验证，在热力图里我们可以看到，一线城市水滴是门店位置，热力代表的是线上的购物人群；我们将线上客户和线下门店的位置做完热力图后，发现其实是两者高度贴近，这意味着很多消费者之所以会到线上买，很可能是因为工作或生活的附近有该品牌的门店，大家有产品认知后才去买货，也就是说印证了“线下看货线上下单”。为了检验这个判断，我们又从SKU角度来验证，线上线下的SKU重合度是非常高的，线下有6000多个SKU, 其中有3700多款都是跟线上重合的。如果看爆款，线上线下的爆款重合度更高，这意味着机会成本有一个亿。因为鞋的线上毛利大约15%，线下毛利近一半，线上卖得多亏得更多。后面两张图给他们很大的震撼，过去没有人能够说清楚线上线下的交叉度是怎样的，但是现在能够看到是有挺大的问题，一方面是客户都有捡便宜的心理，另一方面是内部电商部门为了业绩想要多卖线下同款，管理层看到这个问题后，明确说能否做到多渠道协同？是否通过数据洞察来做多渠道协同增长？后来华兴力拓进一步对每个主要渠道，基于大数据进行洞察。举个例子来说，电商我们怎么入手？阿里全网占到了线上女鞋销售的90%，将阿里全网的市场趋势看清楚就足够了，所以我们聚焦在阿里。我们看天猫旗舰店在时尚女鞋的价格带分布，女鞋真正的爆款是300元以下，意味着主要是PU鞋。而类似像百丽和百丽的竞争对手都是真皮女鞋，不可能卖到300元以下。如果要走量，做爆款，对于这家品牌而言，是否要做PU鞋？第二点对于300元以上的鞋，不走量怎么去做?会找到一个特色人群，保持利润。结合这一块，给他一个清晰的认知，如何更好地定位线上的产品，从品类到SKU。我们做个举例，女孩都知道马丁靴很火，这个品牌的设计师认为马丁靴要遵循传统，是比较男性化气质的，而线上爆款是比较偏女性化的、经过改良的，比如说头是很多女性更喜欢的圆头。它的爆款逻辑是完全不一样的。包括我们说当年的雪地靴，因为Iphone6的的玫瑰金带火了雪地靴的粉色款等等。从SKU、品类、产品的爆款打造、定价等等，在进行综合的定位之后，这家公司线上和线下已经不再做线上和线下的同款，真正找到了线上线下的差异化思路。从去年来跟踪大数据方案落地之后11个月的销售业绩变化，销售均价提高了约5%，销量却提高了20%。比如如果对比另一家广州的真皮女鞋品牌，柯玛妮克，2015年它拿到IDG约 1亿元的投资，相较于投资之前价格下降销量反而下降更多。资本助推现在对很多企业固然很重要，但通过这个对比可以看到，如果对当前动态的市场没有清晰的认识并形成有效的经营策略，即使用资本去做叠加本质上依然没法带动业务成长。

那么，问题来了：

我们能够获得哪种类型的外部数据？想要创造出数据驱动的价值，我们需要和什么样的第三方合作？

我们需要有什么样的技能组合与能力？又能在哪里找到并发展它们？

随着经济的快速发展，新零售的出现，对于商家而言客流数据分析越来越重要了，这不仅是线上还是线下以数据为依据才能提升销量，很好的规划发展。

首先我们要知道什么是新零售？对于不少人而言，新零售的概念特别的模糊化，抓不住重点，也不知道该如何进行。根据网上所言，新零售是企业依靠互联网，通过运用大数据、人工智能等先进技术手段，对商品的生产、流通与销售过程进行升级改造，进而重塑业态结构与生态圈，并对线上服务、线下体验以及现代物流进行深度融合的零售新模式。

线上一般是指有自己独立的云平台，而线下是指有自己的实体门店店铺，新物流消灭库存，减少囤货量。

不过有学者也提出新零售就是“将零售数据化”。企业将零售数据化，深度挖掘分析用户真正想要的东西，从而满足各种不同层次用户的个性化需求。

那么数据何来？哪些数据才是商家想要的，客流量数据给商家带来了什么。客流量统计数据主要是通过在商业区域入口安装设备进行智能统计，实现统计客流数据的智慧化。统计的数据通过网络传输到服务器平台，生成各种数据报表，供商家分析做依据。

数据的管理是企业挖掘数据信息来支撑新型业务决策模式，而马云也曾表示数据是人类第一次自己创造了能源，而且数据越用越值钱。那么，应该如何做客流数据分析呢？举例来说，一家门店运营负责人关心的客流数据会包括：

1、每天客流量有多少？客流什么时候来？

通过客流统计分析，掌握店铺每天的客流量，客流量的高峰时段和低谷时段。第一，把握黄金转换时间结合促销活动提高店铺单价和成交率；第二，在人员管理层次上，可以有效进行排班管理，同时低谷期时、高峰期前可利用中间空档时间进行商品补充；第三，在客流量低谷时段，能够有效利用资源，最大化降低店铺的运营成本。

2、我的顾客都是谁？他们喜欢什么商品？

一家经营状况良好的门店，绝不仅是吸引新客流，还需要精确的用户画像，搞明白“我的顾客都是谁”，这样才能拉来源源不断的回头客。到店顾客的男女比例、年龄分布、购买力等对店铺的装修风格、商品选择、营销策略等方面产生重要影响。抓住一个顾客的购物喜好、购物习惯和购物频率，我们就可以及时提供个性化的服务；抓取一群人的购物喜好、购物习惯，在市场营销、广告宣传、促销活动上就能够做到有的放矢、四两拨千斤。

3、客流停留多长时间？停留在哪些区域？行动轨迹是什么样？

通过分析客流的热区分布图，门店可以获知顾客密集分布在哪些货架区域，在哪些货架区域停留的时间比较长。因此，只要结合销售数据、支付数据就可以深入分析不同的单品、品牌以及品类的畅销 / 滞销的原因，从而指导店铺的选品和陈列。此外，根据客流的热区分布图，门店可以清晰地看到顾客的主要行走路线，从而进行有序的动线规划以及人员配置，既有利于提升顾客的消费次数和消费额，又能节省人力成本。

4、营销活动的效果怎么样？

用户的消费需要有针对性的营销策略去引导和培育，利用客流统计分析来规划营销活动，会有四两拨千斤的作用。

首先，客流数据和热区分布图能够直观地展现活动区域的客流变化趋势；其次，对比分析活动前后的客流数据和销售数据可以计算活动带来的推动。举个例子，平时每天都是 300 的客流，40% 的购买转化率，客单价 30。某天搞了个活动，客流上升到 600，购买转化率上升到 50%，客单价 40，那么我们就可以反过来推算活动带来的提升。把客流分析的时间拉长来观察，我们还可以总结出哪类活动能提升客流，哪种活动能提高购买转化率，哪种活动能提高客单价。

通过分析客流数据的变化来制定适用于不同销售的精准营销方案，让顾客享受到更为人性化的增值服务；同时有效的分析各项管理策略对销量的影响，提升销量进而更好的消灭库存。对于数据获取和分析，不一定是非要互联网公司才能够拥有的，同样类型的线下零售实体店只要学会利用好身边的数据，如客流统计系统所做出数据的统计，又或者门禁，pos机，监控视频等一切都数据的根源。使用数据统计分析达到运营效率提升和成本减少，才算成功的运用了数据，其实数据一直就在身边。

编辑：Nistone乐石科技（新零售整体解决方案专业服务商）