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。

大数据，指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，需要新处理模式才能处理，具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

在《大数据时代》中，维克托·迈尔-舍恩伯格及肯尼斯·库克耶将大数据定义为不用随机分析法（抽样调查）这样的捷径，而采用所有数据进行分析处理。

阿姆斯特丹大学提出了大数据的5V特点：Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性）。

大数据在零售行业的应用有哪些？

1.客户细分

基于大数据海量数据和分析技术的支持，零售企业可以对客户进行群体细分，针对不同的客户群体制定相应的营销计划，达到事半功倍的效果。

2.客户挖掘

通过客户日常行为数据分析挖掘新需求，智能手机的普及让企业获得的客户行为数据呈爆发式增长，各大社交平台的迅猛发展更是为之提供了一大助力。在云计算与大数据分析技术的支持下，企业可以将客户日常浏览行为和交易行为数据全部整合在一起，对客户进行深度分析，挖掘客户新的需求。

3.数据储存

随着互联网时代的发展和4G网络的普及，企业对于储存空间的需求日益增长，不论是企业经营数据还是用户消费数据，都需要长久储存才能发挥其价值。

4.客户关系管理

大数据时代飞速发展的背景下，越来越多的企业意识到客户管理的重要性，企业通过不同的角度去深度分析客户，通过分析数据来挖掘新客户、提升客户粘性、降低客户流失率等目的。

5.市场分析

根据已有的销售数据，对市场进行分析，从“人”、“货”、“场”三个角度来分析销售数据产生原因，比如：是否应该推出促销活动，产品的陈列、包装是否需要优化，客户购买动机等。

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。

零售行业的大部分问题可以从人、货、场三个维度来思考。人包括：员工、顾客、第三方人员；货就是商品，场指卖场，电商平台，渠道等。这一两年的新零售其实也是在对围绕着人货场进行重新组合和定义。比如根据阿里的定义新零售是以消费者体验为中心的数据驱动的泛零售形态。新零售重新整合了线上云平台、线下的销售门店和供应商、渠道商、以及物流体系，减少库存的占用。比如去年开始火起来的无人零售和无人货架都是在对场和人进行了重新定义，无人零售对零售店进行构建，原来需要有收银的，现在不需要了，可以说无人化是一个大的趋势。而无化货架将场从原来距离用户至少1000米，摆到写间楼里，与高净价的用户零距离，也是对场的重新演化。人货场所下图所示：

过人货场基本的分析框架，在工作上遇到的很多问题都可以由此来分析，如某一个月发现某个店的销售额发生了下降，通过对销售额进行拆解。销售额=客单价X单量，经数据统计得出客单价并没有明显变化，而单量则较上个月发生了明显的下降，这时可以对单量用人货场的方法来进行具体原因的分析。

从人来分析，员工可能是新员工较多，老员工流失，造成单量的流失，从货的分析来看可能是商品缺货较多，上了一批新货用户不认可，从场的角度来分析，有可能是天气太冷或者太热，进店的用户量不足等原因，详见下图所示：

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。

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。

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。

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？

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。