如何建立零售行业的数据分析模型？ 大数据数据分析数据可视化商业智能BI
最近很多搞零售的朋友都向我抱怨，以前都说零售行业最赚钱，但现在却感觉越来越难做，尤其是实体零售，倍受互联网、微商、电商等线上零售业的冲击，竞争环境也越来越残酷，零售行业似乎根本看不到出路。
在我看来，零售行业的升级是一个商业与技术不断激荡交错的过程，拿实体零售企业和互联网零售企业来说，传统实体零售企业拥有行业视角的广度，而大数据技术公司手握单点技术的深度，两种不同基因的交汇融合将为行业发展提供更大的推力，双方的边界也将逐渐模糊。
简单一句话，未来的实体零售与互联网绝不仅仅只是单纯的甲乙方关系，它们还存在着更多的可能性。
零售业的问题到底出在哪里？
1、数据的统一性、完整性较差
零售行业一般不会拥有完整的数据整合系统，比如票务、餐饮、零售这些系统各自独立，各个系统的数据没有办法打通，形成一个个数据孤岛，数据价值难以得到充分的发挥，因此很难得到统一、完整、直观，并能从各个业务主题与维度展现运营活动的管理数据。
同时，在企业经营管理、经营决策、战略决策、风险管控上，经常出现信息数据依据不足、不准确，判断困难的情况，如何有效进行数据整合以响应企业运行效率，也是零售行业数据决策的实际需求。
2、数据响应不及时
随着零售业务系统的越来越多，收集的数据越来越细，使用系统的时间越来越长，数据量的增长越来越快，现有的系统已经无法对数据量较大的数据进行快速响应。
传统的数据应用模式中，业务部门需要将数据需求提交给IT处理，但IT的人力不能保证对分析需求的及时响应，对一些报表的调整也十分困难。
3、缺少多维度的数据分析平台
以顾客分析为例，零售主管不能掌握顾客消费轨迹，无法对顾客的消费进行引导经营。同时，也无法掌握顾客群体属性，导致缺少提升服务水平的重要参考项。
服务业市场化充分，竞争压力相对较大，顾客对服务质量的要求相对较高，缺少对会员的有效管理，无法掌握企业顾客群体属性，企业难以走到消费者签名，提供更出色的服务体验。
零售行业需要一个完整的大数据应用架构
如图所示，针对数据决策分析过程中的数据处理，整个零售行业大数据应用架构的建立需要经历四个阶段：源数据库数据抽取、ods数据库ETL转换、数据仓库和数据集市、最终用户界面。其中：
1、源数据库
用户需要采集的源头数据库或者数据仓库，本系统源数据库为crm系统和其他原有应用系统，以及一些可能的需要EXCLE导入的数据源。
2、ods数据库(预处理数据库)
用于存储从源数据库中获取的数据，中间使用ETL工具进行数据抽取、转换、清洗、装载，数据进入预处理数据库对数据进行清洗和架构，实现数据的可用性。
3、数据仓库/Cube文件
对目标数据库中的数据进行多次整合加工，形成面向主题的、集成的、稳定的、不同时间的数据集合，改数据库可根据业务情况，有选择的转义成可识别的字段名称，生成用户前端用户可直接拖拽使用的Cube文件数据。
4、前端页面（最终用户界面）
前端用户根据业务包转义名称，直接拖拽数据进行统计得到dashboard进行分析结果的展示。
建立分析模型
搭建好应用框架之后，就要进行数据分析模型的建立，为此我尝试用过很多数据分析工具，比如Tableau，但这些国外的厂商很难形成一套适用于国内企业的完整行业化解决方案，FineBI，如下图所示。
我曾经做过很多零售行业的数据分析工作，通过不断梳理零售业务，我找到了零售行业关注的重点，分别是商品、门店、库存、活动、会员等五个，然后我建立了每一个场景的分析模型，下面我一一介绍，供大家参考：
1、商品分析
商品分析应该是零售行业最最关注的点，无论是领导或是业务人员，都会面对以下问题：
到底哪些商品能够获得消费者青睐，一路飘红？哪些商品应该淘汰？应该淘汰的商品销售额占比是多少？同一种商品的价格区间分布是怎样的等等。
为此，我用FineBI整合了多个业务系统中的数据，进行数据加工、清洗后，进行下面三个分析，
- ABC分析：根据商品对店面销售的贡献度及顾客对商品的本身的需求，按照70%，20%，10%将商品分为A，B，C分类，并进行分类数据分析，包括 SKU数量，销售金额，库存金额。
- 商品价格带分析：商品价格带分析是零售商在做市场研究时经常使用的方法，通过分析同类商品不同价格带的销售额，销量，掌握此类商品用户的消费层次及数量，勾画出超市对该商品的基本需求。从而超市采购再根据店面定位来选择商品的采购层级及数量。
- 品牌效益分析：通过对各品牌对应的销售额，利润，客单价，销售成本率等指标的月度变化趋势，进而评估该品牌的效益。
第二步，确定了分析方法之后，梳理出这个场景下的业务模块、业务指标和分析维度，通过FineBI建立起指标体系，商品分析的指标体系如下图所示：
最后，通过FineBI的图表来展示上面三个分析结果，如下图所示：
2、门店分析
这一点主要是针对实体零售企业，实体门店仰赖营业额作为绩效指标，但对于营业额不佳，却难以有更进一层的数字观察，例如：
各个门店中，销售额最高的门店有哪些？分别具有哪些特征？直营店和加盟店的利润比例相差多少？门店的整体销售额随时间呈怎样的变化趋势？每周的哪几天销售情况较差，是否应该推出活动提升销售情况？在每年的营销活动中，哪几次的营销效果最好？
为了解决这个问题，我首先要进行门店的销售分析、利润分析等，掌握门店的营销情况。其中我惊喜地发现FineBI不仅有着十分丰富的前端图表，而且还可以支持组件间联动、下钻等功能，这一点对于探索销售额、利润率是十分重要的。
然后，我通过设置警戒线进行每月关键指标走势的监控，以便及时发现并解决存在的问题。
最后，针对关键指标排序，结合前面的分析组件，探索每个营销关键节点，各门店的营销表现如何，利润占比等等。
同样的，我仍然需要建立门店分析的指标体系，如下：
最终的展示结果如下：
3、库存分析
我们经常听很多管理人员抱怨库存太多，其实高库存大多时候是企业“自找”的。高库存其实是“冲动的惩罚”。店铺里明明只有月销售80万的能力，采购经理非要订120万的货进来，肯定会造成公司营运能力的下降，那么问题出在哪里呢？
对零售行业来说，库存分析无外乎两个方面，是否会缺货？是否会库存过大，占用资金？在以往，由于数据化管理的缺失，往往会造成以下问题：
哪些商品的库存最多，库存积压的原因是什么？产品问题、预测不准还是销售问题？商品的周转周期分别是多长？周转周期长的商品，如何采取手段缩短周期，提高资金流动性？
为此，我利用FineBI的前端OLAP多维分析功能，从库存量、库龄、库存金额、商品数量等多个角度对库存情况进行分析，然后将分析得到的结论与商品分析、门店分析等分析结果进行对比，得出改进结论。
接着进行库存分析的指标体系建立，如下所示：
最终的展示结果如下：
4、会员分析
对于零售行业来说，有效的客户细分是深度分析客户需求、应对客户需求变化的重要手段。通过合理、系统的客户分析，企业可以知道不同的客户有着什么样的需求，分析客户消费特征与商务效益的关系，使运营策略得到最优的规划；更为重要的是可以发现潜在客户，从而进一步扩大商业规模，使企业得到快速的发展。
而在以往，没有数据的支撑，想要了解以下问题往往是比较困难的：
消费者(会员)的特征分布是怎样的？不同特征的会员又有着怎样的消费偏好？怎样才能有的放矢，针对的提出营销手段？消费者(会员)的行为又是怎样的？喜欢在哪些时间消费？在不同的时间喜欢购买的品牌又是否一样？
为此，我首要要使用FineBI强大的多源数据整合功能，将crm、erp等系统的数据打通，建立完善的用户画像与用户分类，然后针对不同类型的不同用户，结合过去历史数据形成的消费特征，进行差异化精细化的营销动作。
接着进行会员分析的指标体系建立，如下所示：
最终的展示结果如下：
5、活动分析
优质的、有价值的活动运营方案能够严格的落地执行并且助力业绩提高，活动中实时数据监控及有效数据反馈可以对活动计划执行和快速解决其中问题提供重要保障。当业务人员辛辛苦苦策划举办了一场促销活动，活动的效果如何追踪，又该如何改进呢？
在过去，活动的效果只能通过销售额等基础指标进行判断，无法通过更加精细化的指标进行分析，也无法解决以下问题：
活动效果究竟好不好，活动的转化率为多少？对品牌知名度的提升有多大？活动对不同地区的消费者，影响是否一样？不同类型的消费者分别偏好哪种活动？哪些区域、门店的效果较好，又有哪些较差？效果不好的原因是什么？该如何改进？
为此，我利用FineBI的直连数据模式，在活动中进行实时的活动数据监控，时刻发现并调整活动策略，以便最大化活动效果；在活动结束后，还要进行活动效果、转化率的统计，利用OLAP多维分析与钻取联动等功能，总结活动在不同维度下的效果。
接着进行会员分析的指标体系建立，如下所示：
最终的展示结果如下：