还有十来天就要过年了，而过年少不了喝酒，那么，关于酒事，你又知道多少呢？爱喝酒的人、想买酒的人，今日有幸遇见你，我便请你尝尝我独家酿的“酒”，而我想说给你听的故事，也就在下面这几杯酒中。来，干杯！

　　【第一杯】数知酒事——酒类行业整体发展现状

　　近30年来，人们的消费已发生了质的飞跃。随着新兴中产阶级崛起，居民消费结构已逐渐从生存型消费向享受型、发展型消费靠拢，消费力的提升推动了国民消费升级，同时也带动了酒类市场的回暖。大数据显示，网民每月酒类检索高达2500万以上，年同比增长7%，节庆时期需求最为旺盛。其中，无线检索增速明显，这和人们日益便捷的移动数字化生活方式有关。

　　【第二杯】：酒中窥人——酒类市场消费人群数据洞察

　　图：四大酒类消费者基本人群属性

　　酒类主要的消费人群集中在20至39岁的青壮年，男性占比高达80%。其中，80后是酒类消费主力军，而90后则是潜力部队。由此可见，酒水消费已日趋年轻化，并向着中高端、日常化、全球化的方向发展。

　　【第三杯】洞察酒类——酒类市场需求变化

　　图：2015-2017四大酒类需求占比及增长变化情况

　　在白酒、葡萄酒、洋酒和啤酒这四大酒类中，市场需求量呈依次递减。其中，白酒以高过50%的需求占比和超出33%的年增长量，遥遥领先于其他酒类。

　　图：四种酒类关注内容对比

　　对于关注的内容，不同酒类也大不相同。其中，白酒价格关注偏好明显；葡萄酒普及度较高，有明确的分级制度、产区等等；而洋酒各方面关注度相对分散，知识需求较其他品类占比明显；啤酒方面，产品相关内容的关注占比更高。

中商情报网讯：据统计局最新数据显示，2018年8月份，社会消费品零售总额31542亿元，同比名义增长9.0%（扣除价格因素实际增长6.6%，以下除特殊说明外均为名义增长）。其中，限额以上单位消费品零售额11832亿元，增长6.0%。2018年1-8月份，社会消费品零售总额242294亿元，同比增长9.3%。其中，限额以上单位消费品零售额92368亿元，增长7.1%。

从饮料零售情况来看，2018年8月份饮料类零售额达177亿元，与去年同期相比增长8.1%。2018年1-8月全国饮料累计零售额收入达1326亿元，同比增长9%

2017-2018年饮料类零售额及同比增速

数据来源：中商产业研究院整理

从增速来看，2018年1-8月全国饮料零售额同比增加9%,低于同期社会消费品零售总额增速0.3个百分点。

2017-2018年饮料类零售额增速与社会消费品累计零售总额增速比较

数据来源：中商产业研究院整理

更多内容请参考中商产业研究院发布的《2018-2023年中国饮料行业市场前景及投资机会研究报告》。

中商情报网讯：据统计局最新数据显示，2018年9月份，社会消费品零售总额32005亿元，同比名义增长9.2%（扣除价格因素实际增长6.4%，以下除特殊说明外均为名义增长）。其中，限额以上单位消费品零售额12762亿元，增长5.7%。2018年1-9月份，社会消费品零售总额274299亿元，同比增长9.3%。其中，限额以上单位消费品零售额104792亿元，增长6.9%。

从饮料零售情况来看，2018年9月份饮料类零售额达190亿元，与去年同期相比增长10.4%。2018年1-9月全国饮料累计零售额收入达1508亿元，同比增长9.2%

2018年各月饮料类零售额及同比增速情况

数据来源：中商产业研究院整理

从增速来看，2018年1-9月全国饮料零售额同比增加9.2%,低于同期社会消费品零售总额增速0.1个百分点。

2018年饮料类零售额增速与社会消费品累计零售总额增速比较

数据来源：中商产业研究院整理

更多内容请参考中商产业研究院发布的《2018-2023年中国饮料行业市场前景及投资机会研究报告》。

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。

　　2017年，新零售异军突起，占据市场龙头，行业巨头均持重金布局，开展了社交营销、无人超市等各种零售模式。可以说，2017年开始，新零售正式来临。提到新零售，常常提到的关键词有全渠道营销、人工智能、大数据技术等。其中，基于大数据的个性化精准营销即零售数据分析，也是零售业未来发展的必然方向，零售业大数据分析工具等智能商业服务越来越盛行。

　　全渠道营销将是公司营销变革的必然方向，基于大数据的个性化精准营销成为趋势。全渠道营销模式是多种多样的，涉及到线上线下渠道以及内部数据与外部数据的交叉与融合，覆盖企业的信息展示、商品体验、订单、支付、物流配送、售后等不同环节。在每个环节充分的数据化之上，以大数据和人工智能技术为核心，可以深度洞察用户需求、建立精准用户画像，为不同客户提供不同的产品和服务，实现个性化和精准化营销。

　　随着越来越多的商业场景被数据化，零售业大数据分析工具等智能商业服务就越来越盛行。零售业大数据分析工具可以对商品、会员、门店、仓库、供应商等全面立体的零售百货超市数据分析可视化。在信息化及数据化的基础上，为上下游不同环节提供智能分析及决策辅助。

　　未来，企业将不再只是简单的展示商品信息给消费者，而是能够与消费者进行实时互动。这种互动不仅紧跟时代不断发展的技术，更是融入了消费者多样化的生活方式。可以说新零售更懂用户。这种“懂得”不是空穴来风，而是有数据依据的。国内BI厂商专业提供商业智能服务，引入一款零售业大数据分析BI工具，标准零售BI方案+专业数据分析指导，海量数据下实时响应，一步实现零售百货超市数据分析可视化、移动化。动态智能分析，满足零售用户多变的数据分析需求！

零售行业随着数据采集与存储技术的进步也逐步形成了零售业大数据。通过对这些数据进行挖掘分析，能够给零售企业带来巨大的商业价值以及服务创新，诸如能够更好地了解和洞察消费者，从而实现精准化营销，或者变革供应链模式，实现货品精细化管理等。

IBM商业价值研究院联合ECR中国，针对中国零售行业大数据应用的现状进行了调研。数据为王的时代，如何利用大数据分析提高企业生产经营效率？IBM商业价值研究院发布《大数据助力中国零售业转型》报告为大家解读。

中国的零售行业，特别是线下传统零售行业，大数据分析还处于刚刚起步的阶段。多数企业正在进行大数据的探索并进行相关试点项目。仅有少数领先的零售企业开始利用大数据应对明确的业务挑战。

从组织结构来看，零售企业大数据分析更多地分散在各个业务部门中，只有不到1/3的企业有独立的部门负责整体的大数据分析。在已经开展大数据分析的零售企业中，分析主要集中在精准营销、顾客洞察、商品优化和供应链完善几个方面。

现阶段，零售企业表示最需要利用大数据提升客户洞察，开展精准营销和实现商品优化。将企业最需要利用大数据提升的业务与已经实施的大数据项目进行对比发现，提升客户洞察是零售企业最需要进一步利用大数据提升的领域。在调查中，74%的企业表示最需要利用大数据帮助解决的业务问题是准确理解客户行为和消费习惯，进行全面的顾客洞察。42%的企业表示需要在精准营销方面运用大数据，基于需求预测及顾客特点进行有针对性的营销，提高成交率和客单价。37%的企业表示需要运用大数据帮助解决商品优化问题，找出畅销、滞销款商品，提高售罄率，降低过期损耗，同时优化商品组合与陈列。

完整的大数据生命周期包括数据获取和整合、数据分析和根据数据洞察采取行动三个阶段。零售企业对大数据分析整体表现的自我评价结果一般。

在“获取和整合数据”阶段，只有36%的企业评价良好。在“数据分析” 和“依据洞察采取行动” 阶段，评价良好的比例分别只有32%和24％。可见，企业对自身的大数据分析和利用满意度不高。即使在数据分析意识较强的企业中，对数据的利用也仍集中于初级阶段。

企业希望在分析手段方面更加深化和多样化，如使用预测性、规定性和认知性分析方法。

零售企业对未来如何利用大数据以及大数据的发展构想可以分为三个层面：

第一个层面是支持大数据运营，零售企业可以通过对价值链上多方数据的分析挖掘，提高供应链、物流等方面的运营效率，并利用大数据分析的结果支持领导层决策。

第二个层面是形成大数据产品，即形成独立的大数据产品，采用免费、出售或合作方式提供给内外部客户。

第三个层面是构建大数据平台，即部分向平台型企业转型的零售商将利用大数据搭建企业生态平台，为平台上的企业服务，促进共同的繁荣。

我们认为大数据主要通过以下三个方面帮助零售企业提升自我，创造价值。包括：

1. 打造智慧的购物体验

2. 构建智慧的商品管理和供应链网络

3. 以及实现智慧的运营

具体来说，零售企业大数据分析应用可以归纳为如下几个方面：

1、在智慧的客户体验领域的全方位的顾客洞察、提升客户服务、基于位置的营销和服务、以及精准营销；

2、在智慧的商品管理和供应联网络领域的供应链优化和商品优化；

3、在智慧的运营领域的财务管理、劳动力管理和防损/防偷盗管理。

零售企业已经充分意识到大数据分析对其未来业务发展的战略意义，他们需要从这三个方面规划战略和实施步骤，将大数据分析作为向未来转型升级的核心驱动力。

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。

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？