亚洲通平台

首页 > 正文

如何建立零售行业的数据分析模型

www.releasetox.com2019-08-06
亚洲通备用网站

  帆软昨天我要分享

  最近很多搞零售业朋友向我抱怨他们曾经说零售业是最赚钱的,但现在感觉越来越难,特别是实体零售,受到互联网,微商等在线零售业的影响和电子商务。竞争环境它也变得越来越残酷,零售业似乎无法找到出路。

在我看来,零售业的升级是业务和技术之间持续动荡的过程。对于实体零售商和互联网零售商而言,传统的实体零售公司具有广泛的行业视角,而大数据技术公司只有一个点。技术的深度,两个不同基因的汇合将为行业的发展提供更大的推动力,并且双方的界限将逐渐变得模糊。

简单地说,实体零售和互联网的未来不仅仅是甲方和乙方之间的简单关系。还有更多的可能性。

零售业的问题在哪里?

1.数据的统一性和完整性很差

零售业通常没有完整的数据集成系统。例如,票务,餐饮和零售系统是独立的。每个系统的数据都无法通过,形成一个数据岛。数据值难以充分发挥,因此很难统一。完整,直观,能够为各种业务主题和维度的运营活动提供管理数据。

同时,在业务管理,业务决策,战略决策,风险管理和控制方面,通常存在信息数据不充分,不准确和难以判断的情况。如何有效地整合数据以响应业务效率也是零售业数据的实际决策。需求。

2,数据响应不及时

随着零售业务系统数量的增加,收集的数据越来越精细,使用系统所花费的时间越来越长,数据量越来越快,现有系统无法使用大量数据。迅速回应。

在传统的数据应用模型中,业务部门需要将数据需求提交给IT处理,但IT人力不能保证对分析需求的及时响应,并且很难调整一些报告。

3.缺乏多维数据分析平台

以客户分析为例,零售主管无法掌握客户的消费轨迹,无法指导客户的消费。同时,不可能掌握客户群属性,导致缺乏重要的参考项目来提高服务水平。

服务业完全市场化,竞争压力较大,客户对服务质量的要求较高,缺乏对会员的有效管理,无法把握企业客户群的属性。企业很难进入消费者签名并提供更好的服务体验。

零售业需要一个完整的大数据应用架构

如图所示,对于数据决策分析过程中的数据处理,整个零售业的大数据应用架构的建立需要经历四个阶段:源数据库数据提取,ods数据库ETL转换,数据仓库和数据集市和最终用户界面。其中:

1,源数据库

用户需要收集的源数据库或数据仓库。系统的源数据库是crm系统和其他遗留应用程序系统,以及需要由EXCLE导入的一些可能的数据源。

2,ods数据库(预处理数据库)

它用于存储从源数据库获取的数据,ETL工具用于数据提取,转换,清理,加载,数据进入预处理数据库,清理和构造数据,实现数据可用性。

3.数据仓库/多维数据集文件

件将数据库选择性地分类为可识别的字段名称以生成用户。前端用户可以直接拖放使用的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的名称直接拖放数据,进行统计,获取仪表板显示分析结果。

建立分析模型

构建应用程序框架后,有必要建立数据分析模型。出于这个原因,我尝试了许多数据分析工具,例如Tableau,但这些外国制造商很难为国内企业形成完整的工业解决方案。 FineBI,如下所示。

我在零售业做了很多数据分析。通过不断整理零售业务,我发现零售业的重点,即商品,商店,库存,活动,会员等,然后我建立了每个场景。分析模型,我将逐一介绍它们供您参考:

1.产品分析

最终,哪些产品可以受到消费者的青睐,一路走向红色?应该淘汰哪些产品?应该消除的商品销售比例是多少?什么是同一商品的价格范围分布,等等。

为此,我使用FineBI来集成来自多个业务系统的数据,在数据处理和清理之后,执行了以下三个分析,

ABC分析:根据产品对商店销售的贡献和客户对产品的需求,产品按照70%,20%和10%分为A,B和C,分类数据分析,包括SKU的数量。销售额,库存量。商品价格分析:商品价格分析是零售商在进行市场调查时经常使用的一种方法。通过分析同类产品不同价格的销售量和销量,掌握此类产品的消费水平和用户数量,绘制超市对。货物的基本需求。因此,超市购买根据店面定位选择商品的购买水平和数量。品牌效益分析:通过衡量每个品牌的销售额,利润,客户单价和销售成本的月度趋势来评估品牌的有效性。

在第二步中,在确定分析方法之后,整理该场景中的业务模块,业务指标和分析维度。索引系统通过FineBI建立。商品分析指标体系如下图所示:

最后,FineBI的图表显示了上述三种分析的结果,如下所示:

2.存储分析

这主要是针对实体零售企业。实体店依赖营业额作为绩效指标,但由于营业额不佳,很难进行进一步的数字观察,例如:

每家商店的销售网点最高?有什么特点?直营店和特许经营商的利润率有何不同?商店的整体销售额如何随时间而变化?在一周的日子里,销售情况很糟糕。我应该举办活动来增加销量吗?在年度营销活动中,哪种营销效果最好?

为了解决这个问题,我首先需要进行商店销售分析,利润分析等,掌握商店的营销。其中,我惊喜地发现FineBI不仅拥有非常丰富的前端图表,而且还支持组件之间的链接和向下钻取等功能,这对于探索销售和利润率非常重要。

警告线来监控每月关键指标的趋势,以便及时发现和解决问题。

最后,对于关键指标排序,结合以往的分析组成部分,探讨每个营销关键节点,每个商店的营销业绩,利润比例等。

同样,我仍然需要建立一个商店分析指标系统,如下所示:

最终结果如下:

3.库存分析

我们经常听到很多经理抱怨库存过多。事实上,大多数高库存是公司的“自我追求”。高股票实际上是“冲动的惩罚”。该商店显然每月只能卖80万元。采购经理必须订购120万件货物,这肯定会导致公司的运营能力下降。那问题出在哪里?

哪些商品库存最多,库存积压的原因是什么?产品问题,预测不允许或销售问题?货物的周转期是多少?如何采取措施缩短周期,改善周转周期长的商品的流动性?

为此,我使用FineBI的前端OLAP多维分析功能,从库存数量,存储年限,库存量和货物数量的角度分析库存情况,然后分析结果和分析结果。商品分析和商店分析。比较并得出改进结论。

然后建立库存分析指标体系如下:

最终结果如下:

4.会员分析

对于零售行业而言,有效的客户细分是深入分析客户需求和响应客户需求变化的重要手段。通过合理,系统的客户分析,企业可以了解不同客户的需求,分析客户消费特征与业务收益之间的关系,使运营策略得到最佳规划;更重要的是,可以发现潜在客户。进一步扩大业务规模,使企业快速发展。

消费者(会员)的特征分布是什么?具有不同特征的成员的消费者偏好是什么?我们如何定位营销方法?消费者(会员)的行为是什么?你几点喜欢花时间?您想在不同时间购买品牌吗?

为此,我必须首先使用FineBI强大的多源数据集成功能来打开crm,erp等系统的数据,建立完整的用户肖像和用户分类,然后结合不同类型的过去历史数据的消耗。不同的用户。功能,差异化和精致的营销行为。

然后建立成员分析指标体系如下:

最终结果如下:

5.活动分析

可以严格执行高质量,有价值的事件操作解决方案,并帮助提高性能。活动期间的实时数据监控和有效的数据反馈可为活动的执行和问题的快速解决提供重要保障。当商务人士努力策划促销活动时,如何跟踪活动的效果,如何改进?

活动的影响是什么,活动的转化率是多少?品牌知名度有多大?不同地区的消费者的活动是否相同?不同类型的消费者更喜欢哪些活动?哪些地区和商店有更好的结果,哪些是穷人?效果不佳的原因是什么?如何提高?

为此,我使用FineBI的直接数据模型来监控事件期间的实时活动数据,并始终查找和调整活动策略以最大化活动的效果;事件发生后,还会执行活动和转换率统计。使用OLAP多维分析和钻取链接来总结不同维度的活动的影响。

然后建立成员分析指标体系如下:

最终结果如下:

收集报告投诉

最近,许多零售朋友向我抱怨他们曾经说零售业是最赚钱的,但现在感觉越来越难,特别是在实体零售方面,受到互联网等在线零售业的影响,微型企业和电子商务。竞争环境也变得越来越残酷,零售业似乎无法找到出路。

在我看来,零售业的升级是业务和技术之间持续动荡的过程。对于实体零售商和互联网零售商而言,传统的实体零售公司具有广泛的行业视角,而大数据技术公司只有一个点。技术的深度,两个不同基因的汇合将为行业的发展提供更大的推动力,并且双方的界限将逐渐变得模糊。

简单地说,实体零售和互联网的未来不仅仅是甲方和乙方之间的简单关系。还有更多的可能性。

零售业的问题在哪里?

1.数据的统一性和完整性很差

零售业通常没有完整的数据集成系统。例如,票务,餐饮和零售系统是独立的。每个系统的数据都无法通过,形成一个数据岛。数据值难以充分发挥,因此很难统一。完整,直观,能够为各种业务主题和维度的运营活动提供管理数据。

同时,在业务管理,业务决策,战略决策,风险管理和控制方面,通常存在信息数据不充分,不准确和难以判断的情况。如何有效地整合数据以响应业务效率也是零售业数据的实际决策。需求。

2,数据响应不及时

随着零售业务系统数量的增加,收集的数据越来越精细,使用系统所花费的时间越来越长,数据量越来越快,现有系统无法使用大量数据。迅速回应。

在传统的数据应用模型中,业务部门需要将数据需求提交给IT处理,但IT人力不能保证对分析需求的及时响应,并且很难调整一些报告。

3.缺乏多维数据分析平台

以客户分析为例,零售主管无法掌握客户的消费轨迹,无法指导客户的消费。同时,不可能掌握客户群属性,导致缺乏重要的参考项目来提高服务水平。

服务业完全市场化,竞争压力较大,客户对服务质量的要求较高,缺乏对会员的有效管理,无法把握企业客户群的属性。企业很难进入消费者签名并提供更好的服务体验。

零售业需要一个完整的大数据应用架构

如图所示,对于数据决策分析过程中的数据处理,整个零售业的大数据应用架构的建立需要经历四个阶段:源数据库数据提取,ods数据库ETL转换,数据仓库和数据集市和最终用户界面。其中:

1,源数据库

用户需要收集的源数据库或数据仓库。系统的源数据库是crm系统和其他遗留应用程序系统,以及需要由EXCLE导入的一些可能的数据源。

2,ods数据库(预处理数据库)

它用于存储从源数据库获取的数据,ETL工具用于数据提取,转换,清理,加载,数据进入预处理数据库,清理和构造数据,实现数据可用性。

3.数据仓库/多维数据集文件

件将数据库选择性地分类为可识别的字段名称以生成用户。前端用户可以直接拖放使用的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的名称直接拖放数据,进行统计,获取仪表板显示分析结果。

建立分析模型

构建应用程序框架后,有必要建立数据分析模型。出于这个原因,我尝试了许多数据分析工具,例如Tableau,但这些外国制造商很难为国内企业形成完整的工业解决方案。 FineBI,如下所示。

我在零售业做了很多数据分析。通过不断整理零售业务,我发现零售业的重点,即商品,商店,库存,活动,会员等,然后我建立了每个场景。分析模型,我将逐一介绍它们供您参考:

1.产品分析

最终,哪些产品可以受到消费者的青睐,一路走向红色?应该淘汰哪些产品?应该消除的商品销售比例是多少?什么是同一商品的价格范围分布,等等。

为此,我使用FineBI来集成来自多个业务系统的数据,在数据处理和清理之后,执行了以下三个分析,

ABC分析:根据产品对商店销售的贡献和客户对产品的需求,产品按照70%,20%和10%分为A,B和C,分类数据分析,包括SKU的数量。销售额,库存量。商品价格分析:商品价格分析是零售商在进行市场调查时经常使用的一种方法。通过分析同类产品不同价格的销售量和销量,掌握此类产品的消费水平和用户数量,绘制超市对。货物的基本需求。因此,超市购买根据店面定位选择商品的购买水平和数量。品牌效益分析:通过衡量每个品牌的销售额,利润,客户单价和销售成本的月度趋势来评估品牌的有效性。

在第二步中,在确定分析方法之后,整理该场景中的业务模块,业务指标和分析维度。索引系统通过FineBI建立。商品分析指标体系如下图所示:

最后,FineBI的图表显示了上述三种分析的结果,如下所示:

2.存储分析

这主要是针对实体零售企业。实体店依赖营业额作为绩效指标,但由于营业额不佳,很难进行进一步的数字观察,例如:

每家商店的销售网点最高?有什么特点?直营店和特许经营商的利润率有何不同?商店的整体销售额如何随时间而变化?在一周的日子里,销售情况很糟糕。我应该举办活动来增加销量吗?在年度营销活动中,哪种营销效果最好?

为了解决这个问题,我首先需要进行商店销售分析,利润分析等,掌握商店的营销。其中,我惊喜地发现FineBI不仅拥有非常丰富的前端图表,而且还支持组件之间的链接和向下钻取等功能,这对于探索销售和利润率非常重要。

警告线来监控每月关键指标的趋势,以便及时发现和解决问题。

最后,对于关键指标排序,结合以往的分析组成部分,探讨每个营销关键节点,每个商店的营销业绩,利润比例等。

同样,我仍然需要建立一个商店分析指标系统,如下所示:

最终结果如下:

3.库存分析

我们经常听到很多经理抱怨库存过多。事实上,大多数高库存是公司的“自我追求”。高股票实际上是“冲动的惩罚”。该商店显然每月只能卖80万元。采购经理必须订购120万件货物,这肯定会导致公司的运营能力下降。那问题出在哪里?

哪些商品库存最多,库存积压的原因是什么?产品问题,预测不允许或销售问题?货物的周转期是多少?如何采取措施缩短周期,改善周转周期长的商品的流动性?

为此,我使用FineBI的前端OLAP多维分析功能,从库存数量,存储年限,库存量和货物数量的角度分析库存情况,然后分析结果和分析结果。商品分析和商店分析。比较并得出改进结论。

然后建立库存分析指标体系如下:

最终结果如下:

4.会员分析

对于零售行业而言,有效的客户细分是深入分析客户需求和响应客户需求变化的重要手段。通过合理,系统的客户分析,企业可以了解不同客户的需求,分析客户消费特征与业务收益之间的关系,使运营策略得到最佳规划;更重要的是,可以发现潜在客户。进一步扩大业务规模,使企业快速发展。

消费者(会员)的特征分布是什么?具有不同特征的成员的消费者偏好是什么?我们如何定位营销方法?消费者(会员)的行为是什么?你几点喜欢花时间?您想在不同时间购买品牌吗?

为此,我必须首先使用FineBI强大的多源数据集成功能来打开crm,erp等系统的数据,建立完整的用户肖像和用户分类,然后结合不同类型的过去历史数据的消耗。不同的用户。功能,差异化和精致的营销行为。

然后建立成员分析指标体系如下:

最终结果如下:

5.活动分析

可以严格执行高质量,有价值的事件操作解决方案,并帮助提高性能。活动期间的实时数据监控和有效的数据反馈可为活动的执行和问题的快速解决提供重要保障。当商务人士努力策划促销活动时,如何跟踪活动的效果,如何改进?

活动的影响是什么,活动的转化率是多少?品牌知名度有多大?不同地区的消费者的活动是否相同?不同类型的消费者更喜欢哪些活动?哪些地区和商店有更好的结果,哪些是穷人?效果不佳的原因是什么?如何提高?

为此,我使用FineBI的直接数据模型来监控事件期间的实时活动数据,并始终查找和调整活动策略以最大化活动的效果;事件发生后,还会执行活动和转换率统计。使用OLAP多维分析和钻取链接来总结不同维度的活动的影响。

然后建立成员分析指标体系如下:

最终结果如下:

热门浏览
热门排行榜
热门标签
日期归档