国际比较：我国标超/大卖场业态增速大幅放缓

标超/大卖场增速放缓，便利店仍维持较快增长

根据欧睿咨询数据统计，2012~2017 年我国标准超市零售额 CAGR 为 2.31%，大卖场零

售额年均复合增速为 1.39%。截止 2017 年底，标超/大卖场业态零售额分别占整个零售业态的 17.1%、5.2%，现代流通渠道以标准超市为主导，目前标超/大卖场业态增速大幅放缓。

得益于电子商务迅速发展，2012~2017 年网络零售额 CAGR45.7%，2017 年底网络零售额占整个零售业态比 23.8%，超过标准超市成为第一大业态。

从便利店业态看，2017 年我国便利店零售额 125 亿美元，2012~2017 年 CAGR 为 9.72%，仍然维持较快增长。

标准超市占食品用品实体店零售份额主导地位，且稳步上升，大卖场份额则呈下滑趋势。从食品用品（含饮料）角度看，根据欧睿数据，2017 年底我国超市渠道占食品用品实体店渠道零售额66.8%，其中标准超市/大卖场份额分别为 48.9%、14.9%，标准超市占据主导地位且稳步上升，大卖场份额从 2015 年开始呈下滑趋势，便利店则从 2015 年的 1.3% 提升至 1.9%。传统渠道零售额占比 33.2%，尽管市场份额逐年下滑，但仍扮演重要角色。

国际比较：

从美国、日本的数据看，互联网络零售也是增速最快的零售渠道。2012~2017 年美国、日本网络零售 CAGR 分别为 13.43%、10.91%。美国零售业态中，标超、网络零售、大卖场市场份额位居前三，分别为 19.6%、13.8%、11.8%。日本零售业态中，标超、便利店、网络零售市场份额位居前三，分别为 18.6%、11.2%、9.9%。大卖场、便利店分别在美国、日本零售渠道中占据重要位置。

集中度分析：消费升级+科技变革，集中度将加速提升

对标海外，我国超市行业集中度低下

我国超市行业集中度低下。根据凯度咨询数据，2017 年我国前五大超市市占率总和为27.6%，其中高鑫零售、华润、沃尔玛、家乐福市占率分别为 8.6%、7%、5.3%、3.6%、3.1%，名列前五。从细分业态看，高鑫零售在大卖场业态中市占率第一，占比 14.9%， 其次是沃尔玛（10.6%）、永辉（7.3%）、家乐福（4.7%）。对比美国，根据欧睿咨询数据，沃尔玛占大卖场市场份额的 84.9%，前五大大卖场市占率 99.1%，我国超市行业集中度相对较低。

行业冰火两重天，消费升级+科技变革强者将恒强

目前行业冰火两重天，一方面众多企业大量关店甚至破产倒闭、寻求转让，另一方面是优质龙头加速成长，行业迎来新一轮开店浪潮。

从近几年行业经营状况看，在电商的冲击下，实体超市企业大量关店（其中外资超市品牌闭店较大，2017 年沃尔玛新开门店 27 家，但关店数达 24 家；家乐福新开门店仅 3 家，但关店数达 6家），昔日的超市行业佼佼者新一佳破产，家乐福寻求出让中国区业务（2018年 1 月 24 日，永辉发布公告（临-2018-7），公司与腾讯就家乐福的或有投资达成股权投资意向书）。

另一方面，超市龙头永辉超市通过强大生鲜经营能力构建了强大竞争壁垒，收入、利润快速增长，门店加速扩张，优质超市企业则开始了新一轮开店潮（永辉净新开门店数 15/16/17 年分别62/105/119 家，18 年预计净新开门店 150 家；步步高净新开门店数 15/16/17 年分别为 9/39/50 家，预计 18/19/20 年新开门店 90/120/145 家）。此外，互联网巨头阿里、腾讯等纷纷进入实体零售领域，合纵连横，行业冰火两重天。

以步步高为例，公司对门店进行升级，推出第三代门店，推出了鲜食演义（第三代卖场主要 IP 之一，主打海鲜品类）。相比传统卖场，鲜食演义：

1）以平民价引入了海鲜、牛排高档产品；2）借力新零售，启用一体称、扫码购、美团、云猴等电商模式服务线下零售；3）全新的场景营造，给人愉悦的购物体验；4）会员或者注册用户的消费为大数据做核心数据分析，逐步实现精准推送。

从目前经营情况看看，公司 2017 年才开始推出第三代卖场，但对比二代卖场坪效提升 20%， 毛利率提升 4%。对于鲜食演义，以完全可比门店——王府井店为例，引入鲜食演义后 2018 年 1-2 月销售额增长 18%，客单价提升 17%，客流提升 20%，成效显著。

永辉有望成为行业龙头，目前处于沃尔玛成长的第二阶段

从财务指标看经营效率，2016 年永辉人效首次超越高鑫零售

高鑫零售门店及利润体量仍大幅高于永辉，但永辉超市增长迅猛

门店比较：从门店数量上看，截止 2016 年底高鑫零售门店数量 487 家，永辉超市门店数量 446 家，高鑫零售门店数多于永辉超市。高鑫零售单店面积远高于永辉超市，高鑫零售门店总面积达 1203.2 万平方米，永辉超市门店总面积 427.67 万平方米，高鑫零售门店面积是永辉的 3 倍。

从开店步伐看，2016 年永辉超市新开门店数目为 105 家，对应新增门店总面积为 62.43万平米。高鑫零售新开门店 38 家，对应新增门店总面积为 90.72 万平米，永辉超市新开门店数高于高鑫零售。

收入比较：2016 年高鑫零售收入 1004.41 亿元，永辉超市总收入为 492.32 亿元，永辉超市收入规模仅为高鑫零售的 49%。但是 2012-2016 年永辉超市收入年均复合增速 31%， 高鑫零售收入年均复合增速 5.32%，永辉超市收入增速快于高鑫零售。

毛利率比较：2016 年高鑫零售综合毛利23.88%，永辉超市综合毛利率 20.19%，高鑫零售毛利率一直高于永辉超市且不断提升。从主营业务毛利率（剔除租金收入）角度看，2016 年高鑫零售主营业务毛利率为 21.3%，比永辉超市高出 4.7 个百分点。

对于永辉而言，其生鲜占比较高，生鲜属于薄利多销品，毛利率低。但生鲜“集客”效应带动了食品用品等高毛利产品的增长，公司毛利率逐步提升，2016 年公司综合毛利率首次突破 20%。

对比海外超市龙头，2016 年高鑫零售综合毛利率高于家乐福，但比沃尔玛低 1.75 个百分点，永辉超市则仍比家乐福低 2.63 个百分点。我们认为高鑫零售、永辉毛利率仍具备一定提升空间。

净利润比较：2017 年永辉超市净利润 18 亿元，高鑫零售为 27.9 亿元，2017 年之前高鑫零售净利率高于永辉超市，2017 年永辉净利率 3.1%，高鑫零售净利率 2.7%，永辉已经实现反超。

合伙人制度+供应链管理优化升级，永辉超市经营效率后来居上

早在 2012 年，永辉便率先在福建试点门店合伙人制度，2015 年正式发布合伙人制度，2016年中全面试行。合伙人制度实行的是“复盘+赛马”机制。具体来说，复盘机制是按月度组织合伙人复盘，制定不同序列的赛马方案，践行“高标准、高激励、高淘汰”的机制，实 现独立核算、自主经营、自主管理、自主决策，而赛马机制是将员工拆分为 6+1---七人一组，选一人为组长，并进行赛马制，这样依次到柜组、部门、 门店、区域，再到大区平台。以门店为考核单位，从运营到后勤全员参与。

通过不断优化流程、完善激励机制，永辉经营效率不断提升，2016 年永辉超市人效达到70 万元/人，高鑫零售人效为 68 万元/人，永辉超市人效首次超越高鑫零售。

从坪效角度看，2016 年永辉超市坪效 1.15 万元/平米，高鑫零售仅 0.83 万元/平米，2011 年至今永辉超市坪效一直高于高鑫零售，且两者距离不断拉大。由于外租面积占比的不同，两者坪效可能缺乏可比性，我们从每平米综合毛利角度出发，发现永辉也高于高鑫零售，说明永辉单位面积门店创收、创利均相对更优。

从工资收入比角度看， 2016 年永辉超市工资收入比（员工总工资薪酬/营业收入）7.61%，高鑫零售高达 9.23%，永辉超市工资收入比相对于高鑫零售而言，低 1.62 个百分点。原因一方面是永辉超市人均工资低于高鑫零售，另一方面，近年永辉超市人效的快速提升， 拉大了两者工资收入比的距离。

总结

从目前收入、利润体量看，永辉超市与高鑫零售仍有较大差距，但永辉收入、利润增速高于高鑫零售，发展势头迅速。通过推行合伙人制度，完善激励机制，及供应链管理能力的不断优化，永辉超市人效已经超越高鑫零售，经营效率后来居上。

参照沃尔玛的成长轨迹，我们认为以生鲜优势构建强大壁垒的永辉正在快速迭代升级、加速扩张，同时通过合伙人制度完善激励机制，费用率有望持续降低，我们认为目前正处于沃尔玛成长第二阶段。

转发并私信作者，获取22页整篇完整报告！

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。

新零售，指企业以互联网为依托，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。

马云曾在2017年11月表示：新零售的核心就是线上线下的结合，人、货、仓、配的结合，虚和实的结合。马云认为未来中国60%-80%的零售都将是新零售。

在马云提出“新零售”概念后，阿里巴巴开始了一系列的的战略布局。以“新零售”为扩张思路，线下由点及面再到空间一体化进行布局，获取线下流量，向线上导流，同时利用线上优势资源反哺线下，形成互补和融合。

新零售发展至今，我们已经能看到很多东西，新零售有很大的优势，但同样也不缺劣势。

新零售优势

1.数据精准

互联网飞速发展的时代，通过大数据可以精准把控消费者的购买行为和真实需求，数据已然成为众多零售企业做出经营决策的基础。想要成功转型升级互联网，必须将传统经营模式转化为以数据为核心。

2.供应链发生变化

零售业革新，首先革的就是供应链。在智能技术和大数据的支撑下，商贸企业的供应链发生变化，通过对消费数据进行挖掘，实现按需生产，让消费者逆向引导供应链，直接解决库存积压的问题。

3.多元化

新零售适用多终端，满足市场逐渐多元化的需求。随着时代的发展，消费者的需求逐渐发生变化，零售业态随之发生变化，从“大而全”逐渐转型“多而精”，为消费者提供多元化的产品与服务。

4.智能零售

线上智能技术衍生出无人零售，无人零售通过先进的智能技术提升线下运营效率，优化消费者购物体验，并凭借低租金、低人工、低水电等成本优势吸引了众多企业家与投资者的眼球，引发资本市场投资热潮。

新零售劣势

1.发展不成熟

现阶段的新零售才刚刚起步，行业中还没有出现任何标杆企业，不管是商业模式还是经营体系都还处于试错阶段，虽然新零售是以出售用户体验为主，但目前市场对于“体验”的定义还很模糊，仁者见仁智者见智，在实际的经营过程中，难免会因为众多突发事件而影响消费体验。如何通过细节升级提升消费者的消费体验，新零售未来还有很长的路要走。

2.需求链进化不完全

在传统零售业中，市场主要以供应为主，而新零售主要以消费者需求为主，从供应链进化到需求链，显然不是短时间就能完成的事情。需求链所有工作都围绕消费者需求进行，消费者需求瞬息万变，想要成功玩转新零售，所有职能人员必须高度协同去服务消费者，保证所有员工接收信息实时同步，并及时做出回应。而习惯传统供应链模式的员工，很难在短时间内转变自己的思维与行为。

3.数据分析能力欠缺

新零售通过大数据与商业逻辑的高度融合，实现以数据驱动决策。但对于大多数企业来说，数据难，数据分析更难，在数据基数有限的情况下，企业很难做出有效的决策。而且即使在拥有海量数据的情况下，企业能利用数据分析出消费者过去的购买行为与动机，却很难预测消费者未来的购买行为与动机。

新零售任重而道远，但转型互联网却势在必行。其他企业利用互联网混得风生水起的时候，你却连转型互联网都还没有做到，在这样的情况下，企业很难获得持续发展。

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。

零售终端的竞争，说到底是运营力的竞争。而作为终端经营管理者，通俗来说就是需要经营者正确的处理和使用各种信息。那么，信息从何而来?信息是建立在数据的基础上来的，在日常经营的过程中，每天都在产生大量的经营数据，可见，这是多么庞大的数据体系!

而终端管理者往往难以优化信息，分析﹑挖掘数据价值，而运营魔方就可以帮助企业解决终端的这些问题，并且为企业优化终端管理提出可行性高的商业建议，使企业经营决策建立在数据分析的基础上，更科学。下面，我们来看一家零售行业的数据分析案例，看它是如何通过数据分析，来进行企业的管理。

经营概况

收支总览

经营总览

门店分析

品牌分析

订单量趋势分析

销售日报—交易排名

销售日报—分类排名分析

总结信息化时代，企业想要在竞争中取胜，想要赢在终端，就需要优化终端管理，运营魔方能够整合企业数据，分析零售数据，提高数据的利用率，成功的实现从零散杂乱的数据到关键信息的提炼，为零售企业做出科学决策提供可靠地数据支持。

中国零售业所面临的最具挑战的竞争，就是顾客和市场需求的纷繁复杂及其飘忽不定的变化。而零售企业成功乃至存活的关键，就是如何采取灵活多变且机智的应对行动，这就要求管理者要能够顺应市场的变化、快速发现并处理问题，并且及时的制定解决方案和抓住市场机会。因此，基于数据和事实，质量更高、速度更快、成本更低的决策显现了前所未有的重要性。

中国零售企业在经历的十几年的信息化高度发展的历程，也积攒了大量的宝贵数据，但面对大数据这个“金矿”，各家企业由于经营模式、管理风格、重视程度、资金投入等不同，对于这个“金矿”的挖掘程度有极大的不同，零售大数据的分析应用均处在不同的阶段，甚至出现的“两极分化”的局面。

下面就是我在日常和零售企业接触的过程所总结出来的零售大数据分析应用的四个阶段，希望能够给大家指明方向。

第一阶段丨集成展示

有句话说的好“销售额首先是追踪出来的，其次才是分析出来的”。

ERP在中国普及进程已经有了10多年历史，没有ERP的企业可谓越来越少。零售企业利用ERP可以搜集和整合整个企业的数据，形成一个完整的数据流，把企业内不同来源的数据信息集中到单一的一个仓库中来，使各个职能在自己需要的时间和地点通过图表看板、计分板的形式看到自己所需要的数据，并且展现出决策者最为关注的运营要素—关键绩效指标如销售额、坪效、利润率、客单价、进店率、转化率、目标完成率、同比增长率等等，这些都可以以“商业报告”的形式出现，该报告的主题紧紧围绕着“过去发生了什么”以及“正在发生什么”而展开，这也是大多数BI系统和数据中心平台的核心功能。

这一阶段的最大的困难为数据的集成和整合，每个零售企业都有数十个大大小小的部门系统，而这些系统都是一个独立的数据源，他们都有自己的定义、标准和侧重，而对这些来源不同数据进行合并、清理、转换和简化，最终建立一致性的数据是非常有挑战性的。

第二阶段丨分析判断

在第一阶段整合了数据来源后，零售业决策者关心的重点发生了转移，从“发生了什么”转向“为什么发生”。分析判断数据的目的是了解数据报表、商业报告的背后的含义，以及这些过往行为发生的动机和原因，这就需要对更加详细的数据进行多维度的分析。这种分析判断更多的是建立在对于零售业务逻辑的理解之上，一般会采用简单有效的分析方法和简便的分析工具对数据进行处理。

该阶段数据分析师这一角色开始真正出现，数据分析师需要非常熟悉业务，最好有实际业务操作的背景，能够用业务的语言和逻辑把运营异常解释的通顺，此阶段不要求对算法、模型和工具的应用非常高深，而对于快速将数据分析结果进行落地，赢取各个业务部门的信任的要求非常高。

例如一个服装品牌的一款裙装销售好的超出预期，那就要找从“人、货、场”三个核心来找原因分析判断火爆原因：

是否有什么买赠、打折、捆绑、支付等促销活动，店员对该商品是否有特殊的推荐等；

该商品的陈列、包装、设计、款式等是否有特色、是否是限量销售、限时特价等等；

以及顾客购买此商品的动机是什么，是否要释放压力、还是从众心理、攀比心态等；

此外，还要考虑竞争对手是否有断货问题、大型企业客户是否有团购等因素，甚至出现了在排除各种原因之后才知道，这款裙装和当时热播电视剧中某个明星穿的比较相似，因电视剧热播而带动了该款裙子的热销，虽然在该款衣服上所投入过多的市场资源其实并不多。

第三阶段丨预测未来

企业在有了前两个阶段的基础之后，关注点会进一步超越当前，开始思考更贴近经营上的问题：“将来会发生什么”。

从本质上说预测就是根据零售企业所过去发生的事件以及当前实时的影响因素，对于销售额、利润率、成本等未来的取值做出自动化和智能化的估计。简单的分析对于估算畅销概率的作用有限，在大多数复杂的应用中，需要建立数学模型来还原零售的业务规律。

例如建立销售预测模型来量化销量的影响因素及各因素之间的交互影响、建立定价优化模型来还原价格与销量之间的关系并找到最科学的价格以实现经营目标。而建立模型的目的就是将之前各个角落里的经验用数学的形式表现出来，虽然并不是十全十美，但会无限逼近真实情况。

要建立数学模型要解决三个问题，首先是数据的量要达到一定的规模和质量；其实是用什么样的算法，如用时间序列还是回归或是人工智能算法；第三是“数据+算法”可以围绕什么业务场景，建立什么样的模型及参数。

例如Google的工程师从众多关于流感的关键词组合中，挑出45个重要检索词条作为特征，训练了一个线性回归模型来预测2007年和2008年流感传播的趋势、时间和地点，该模型预测结果的准确率最后高达97%，而该模型完全可以和关于流感的商品如口罩、营养食品、非处方药品等销售建立起联系，构建“流感商品销售指数”，来指导这些商品在特定时间、地点的具体销售数量。

再例如7-Eleven零售门店通过卫星云图了解到两天后气温将上升两度，会提前订购比平常销量多30%的矿泉水。

第四阶段丨指导决策

这一阶段侧重于对业务、营运、经营、战略的决策的指导，回答的问题其实就是：“我应该做什么”才能达到最佳的状态。前三个阶段都不是终极目的，例如销售预测不是为了预测而预测，预测准确率达到100%又如何，关键是做了预测以后能给企业的决策行为带来什么样的帮助，对于零售企业而言，销售预测以后紧接着的行为就是补货，补货过程中就会涉及到多级库存管理。

而补货行为又驱动了后续的采购、生产、物流、仓储等行为，同时企业的决策层可以根据未来的预测来做出是否要开设渠道、建立工厂、购买仓库等重要战略决策，这些行为的决策都是建立在前三个阶段之上的。同时决策模拟也是这个阶段的重要应用，针对零售流程中的随机因素，引入各种约束条件，构建出若干个相互关联的场景模型来全真模拟真实情景，从而事先预知各种决策可能的结果，提高决策准确性。

大数据时代已经悄然来临，不懂大数据就做不了大生意，未来甚至做不了生意。

我所接触的不少中国零售企业对于大数据的分析应用都处在第一或者第二阶段，也有少数企业如京东、华为处在第三甚至初步进入第四阶段，虽然不少企业所处的阶段还比较低，但是至少有两点让我看到了希望：很多企业的数据基础都很不错，积攒了大量的数据，同时很多零售企业对于大数据应用的意愿和兴趣都非常强烈和热切。

这些企业对于自身的业务也非常的精通，只是受制于算法、人才、技术等对于如何把业务和数据结合在一起产生价值还不甚清楚，但是这些未来都不会成为中国零售企业对于大数据孜孜追求的障碍，因为未来一定会出现大量的第三方公司来提供专业的数据分析、建模和优化服务，帮助企业早日迈入数据驱动决策阶段。

在日常的运营与决策中，我们可以通过数据分析评判商业模式是否可行，预估哪种推广渠道效率最高，能发现网站、商品结构、物流等各个环节的问题，能评估改进效果。

我们需要做哪些准备？

首先是数据来源，我们可以通过网站统计工具、ERP系统、客服与投诉等工具进行数据收集。我们收集到的数据包含简单的几类三类：前期的营销推广、网站运营，中期的顾客消费与供应链等ERP信息，后期的客服与投诉。

将之细化我们可以看到，前期的数据包括访问量（IP UV PV）、平均浏览时长（浏览量）、新客比例、跳出率、转化率（注册、订单、支付）、流量来源（搜索、地区、渠道）、网页打开时间、网站热点、搜索分析等。

中期的顾客消费与供应链数据包含：订单量、客单价、毛利率、二次购买率、忠实顾客转化率、顾客流失率、缺货率、商品价格变化、SKU数量变化、周转率、退货率、品类销售占比、会员注册量、注册会员转化率等。

后期客服与投诉包含：客服回访问卷投诉数据主要包含：投诉分类、UI印象、品类印象、价格印象、网站功能印象、物流体验印象、售后印象等。

我们通过将以上数据串联起来，构成一个完整的用户行为流程。

怎么分析数据？

有的公司成立专门的数据分析部门，数据部门不仅提供数据，还要完成数据分析工作。这种工作方式，虽然基础数据准确，但分析结果可能有较大偏差。因为数据分析人员不熟悉业务，对各种信息的了解也不如市场部和运营部等业务部门。

比如市场部推广方式的突然改变，或者市场上的供求关系突然失衡，数据分析人员不了解这些信息，则可能简单的判断成顾客不欢迎这类商品。更合理的数据分析方式是，由数据分析部门提供基础数据，由相关部门组成项目组共同分析，归因哪些方面的因素造成的数据异动。

对于新项目而言，可以引入目标分析法，目标分析法是以分析“新客成本”和“忠客转化率”为核心，设定合理目标，以此判断商业模式是否可行。如果目标和实际业绩数据相差不多，可以通过优化改善业绩，如果数据相差太大，则说明商业模式可能不可行，应该早点调整商业模式，并在试错过程中重复以上数据分析步骤。

数据分析结果该怎么用?

其实我们在日常运营中最大的两部分支出就是推广成本与运营成本。而我们所获取的数据分析结果，能够帮助我们判别不同推广方式的优劣势，计算每种推广的投资回报率，根据数据分析结果，重点投入和侧重优化投资回报率最高的推广方式。

与此同时，促销也是推广的重要组成，依靠数据分析评估每一次主题促销，就在ERP系统中建立促销单据，设置促销主题，促销商品，促销档期。通过BI工具分析促销商品销量变化，促销毛利损失，促销活动带动正常商品销量变化，综合评估促销效果，以此指导下一次促销活动。

而分析中期的运营数据的目的是降低顾客跳出率，让顾客购物更加简单轻松。让网站的布局更加清晰，让顾客购物过程更加流畅。通过热点分析，了解顾客关注的位置，把顾客关注的内容放到热点区域。在顾客容易跳出的页面显示推荐内容，吸引顾客继续留在网站。

另一方面，根据转化漏斗模型，去调整商品结构、促销方式、网站整体体验、不同区域的物流配送设置、老客户维系等方面。通过数据分析了解顾客需求，不断引进和剔除引起数据波动的商品，使商品结构尽量符合顾客需求。建立商品维度表，综合考虑商品所有维度，比如价格、型号、外形、品牌、规格等维度，把商品根据不同维度区分，数据分析各品类各维度的销售量，增加高销量维度商品品类占比，精简低销量维度商品品类占比。

但不要忘记，商品选择的过程还受到很多外部因素影响，比如“结构商品”即使销量不好，也不能淘汰，“季节商品”需要把季节因素考虑进去。

最后，我们来说说后期数据。客服与投诉作为接受用户反馈的重要组成，客服部门通过对新、老顾客回访。对生成订单、但最后没有提交订单的顾客回访，在UI、品类、价格、网站体验、物流、售后等方面统计数据，分析那个方面最影响顾客体验，根据实际情况逐条解决。不断优化。

综上，通过分析整个用户行为流程的数据，不断调整自身的网站、商品结构、客户服务等等内容，才算是真正的通过数据优化。

今天，还是想跟大家说说大数据的事，要知道，做新零售是离不开的大数据分析的，尤其是在线上，为什么今天想说这个呢，源于一条新闻——《微信：不留存任何用户聊天记录 不偷看你的聊天》

这个事，可算是火了，其实源于吉利汽车董事长李书福的一句话“我心里就想，马化腾肯定天天在看我们的微信”这不，关于微信的个人隐私保护和信息安全问题又被提及。

于是乎，微信赶忙澄清说，第一，微信不留存任何用户的聊天记录， 聊天内容只存储在用户的手机、电脑等终端设备上；第二、微信不会将用户的任何聊天内容用于大数据分析；第三、因微信不存储、不分析用户聊天内容的技术模式，传言中所说 “我们天天在看你的微信”纯属误解。

那么，好啦，问题来了，为什么腾讯不把聊天记录用于大数据分析。

我不知道您哪位喜欢看相声，德云社青年相声演员朱云峰（烧饼）、曹鹤阳（小四）的包袱里有这么一句话：“你有什么长处，我有什么短处”，这句话里有两个“什么”，当着两个“什么”同时重读和同时轻度时，表达的完全是两个意思，这就是中国话音调问题，而对于大数据采集来说，现代技术还采集不到音调的不同，再加上多音字，这些干扰，很难得的一个相对准确数据。

我知道，这个时候你一点会说分析语音啊，那好，现在市面上的语音输入识别的对于方言的识别呢？可以说是惨不忍睹，专门统计世界各地语言的机构《民族语》（Ethnologue）在2016年发布的各国语言数排名中，中国以301种语言排名全球第六。所以说要想完完全全的识别方言土语，任重而道远啊。就算是普通话，随着噪音的增长，语速的变快，识别的准确率越低，这也是无法取准语音确数据的原因之一。

那么最后一个，主观性，我们平时在与人聊天的时候会发现，同一个东西，可能跟张三说，这个东西多好多好，跟李四说这个东西糟透了，但是你对这个东西是否喜欢只有在你心里清楚，从文字中很难分辨，这就是人在不同的语境之下，语言的一个变化，更多的是一个心理学的东西，现代计算机对心理学的算法好像不太灵活，不然，测谎仪为什么要采集人体生理参量的变化信息。

其实，微信在聊天这一块采集的数据是一些客观的东西，例如我们发布的条数，发布的时间，语音的时长，发布的频率这些，主要分析的还是用户行为。这也是大数据要分析的主要内容。

尤其是对于线上新零售来说，当你无法面对用户时，想要把握用户流向，就一定要对用户行为进行分析。

通过分析用户访问网站流程，我们可以分析出客户浏览页面的行为方式，从而判断网站结构设计是否合理，是用户体验更加完善；

通过分析注册用户和非注册用户，我们可以通过分析两者之间的浏览习惯，来制定我们的活动方式，吸引客户关注；

通过分析用户选的入口形式，我们可更为合理分配广告资源，利用好每一分广告费；

通过分析用户所使用的搜索引擎、关键词、关联关键词和站内关键字，我们可以了解到用户的喜好，推送相应的产品或者服务给到用户；

通过分析用户的来源地区、来路域名和页面，再结合用户的基础属性，有利于我们做出差异化营销策略。

。。。。。。

当这些组合在一起时，我们线上新零售营销就可以做到定向营销，差异化营销，一站式营销等多种经营模式，这才是新零售种大数据分析的目的所在，从用户需求出发，为用户提供符合其需求的服务或者产品。

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）

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？