考虑一下您上次为零售店做出重大决定的情况。 你做出过有根据的猜测吗？ 如果是这样的话，你就不应该这样做。 即使你的直觉是正确的，这也是一种有风险的管理公司的方式。 大多数零售商不这样做。 全球零售分析行业价值 8.64 亿美元，通过提供零售商做出更好决策所需的数据来帮助零售商。 使用数据来管理盈利的零售业务，可以消除从确定下一家商店的位置到确定库存补货优先级的所有事情的猜测。 不知道从哪里开始？ 本文讨论了您在做出决策时应参考的零售分析类型，以及用于演示每个统计数据的工具和示例。
什么是零售数据分析？
零售数据分析是收集和分析零售数据（例如销售、库存、定价等）的行为，以便识别趋势、预测结果并做出更好、更有利可图的业务决策。
如果做得正确，数据分析使零售商能够更深入地了解其商店、产品、客户和供应商的绩效，并利用这种了解来提高盈利能力。
几乎所有商家都以某种方式使用数据分析，即使只是检查 Excel 中的销售数据。
然而，分析师使用 Excel 仔细研究电子表格与使用专用人工智能同时评估数十亿个数据点之间存在显着差异。
要理解这种区别，您必须首先了解零售数据分析的四个类别。
零售数据分析的类型
零售数据分析有四种基本类型： 描述性分析，反映并解释过去的表现； 诊断分析，确定给定问题的核心原因； 预测分析，估计未来的结果； 以及规范性分析，建议下一步行动。 下面将更详细地讨论这四种技术中的每一种。
#1.描述性分析
描述性分析是更复杂的分析类型的基础，例如下面列出的分析类型。 它回答了诸如“数量、时间、地点和内容”之类的基本问题，这是提供每周销售和库存统计数据的基本商业智能工具和仪表板的实质内容。
#2。 诊断分析
诊断分析可帮助零售公司识别和分析可能阻碍绩效的问题。 零售商可以通过合并来自众多来源的数据（例如消费者反馈、财务绩效和运营分析）来更全面地了解他们遇到的问题的核心原因。
#3。 预测分析
预测分析可帮助商家根据天气、经济趋势、供应链中断和新的竞争挑战等多种因素预测未来发生的情况。 这种策略经常采用假设分析的形式，允许零售商规划出如果对产品提供 10% 的折扣与 15% 的折扣会发生什么，或者根据以下情况预测何时缺货：一组特定的替代行动。
#4。 规范分析
规范性分析是人工智能和大数据的应用，以获取预测分析结果并制定行动。 例如，规范性分析可以为客户支持代理提供建议的报价，他们可以将这些建议即时传递给消费者，例如基于之前的购买历史记录的追加销售或交叉销售来回答新的客户查询。
零售数据分析应用示例
利用数据分析来推动决策的最重要原因之一是确保您的结论是基于真实的事实（冷酷的数据），而不是某人对现实的看法。
分析还可以帮助您比其他方式更详细地了解您的公司。
在实践中，商店可以利用数据分析来：
- 了解典型订单的价值和销售产品的数量。
- 确定哪些产品销量最多，哪些产品销量最少，以及介于两者之间的所有产品。
- 确定您最有价值的客户。
- 发现您的真实需求以及之前错过的销售。
- 确定最佳建议订单数量，并就购买数量和分配提出建议。
- 确定特定产品在每个给定区域的最佳价格。
这些（和其他）见解可以帮助您更好地了解公司的指标并制定战略，帮助您实现目标。
随着公司的发展，分析数据应该成为公司的重要组成部分，以改进决策并制定有效的零售策略。
因此，零售分析解决方案行业规模庞大且蓬勃发展也就不足为奇了。 我们将介绍其中一些应用程序、它们的工作原理以及您可以从使用它们中获得哪些好处。
#1。 商业智能
许多公司使用商业智能工具来正确管理和组织他们的数据。 BI 工具是描述性分析的一个示例，因为它们可以帮助您整理和可视化数据。
许多商店利用本机 ERP（企业资源规划）系统功能或直接将数据导入 Microsoft Excel 来开展基本商业智能 (BI)。
稍微成熟一点的零售商将使用 BI 软件，例如：
- Microsoft Power BI
- 画面
- 树液
- QlikView的
- Spark 由 Apache
这些应用程序提供对许多数据源、吸引人的视觉效果以及一些数据操作的访问。
最复杂的 BI 通常由使用编程语言（例如 Python）的数据科学家组成，这些编程语言为数据处理、可视化和建模提供了额外的自由度。
虽然有用，但上面的许多示例都需要大量的人为干预，并且管理起来非常耗时。 对于拥有数百或数千个网点（以及数万至数十万种商品）的中型到大型零售商来说尤其如此。 这就是为什么许多零售商聘请分配给每个部门的分析师来编写报告。
高级分析工具（例如 Retalon）由于其复杂性，通常可以自动执行与标准 BI 方法相关的大部分手动重复过程。
#2。 销售预测
销售预测销售是数据分析在零售业的另一个常见用途。
简而言之，销售预测是分析以前的销售数据、识别趋势并将其预测到未来以估计销售额的行为。
这可以帮助商家处理从库存采购和 OTB 预算管理到为组织定义高级财务目标的各个方面。
顾名思义，销售预测本质上是预测性的——它是零售商采用的最基本的预测分析类型。
有许多技术可以用于预测销售，因为几个世纪以来公司一直在寻求这样做：
- 使用去年的销售数据来预测今年的销售额
- 调查、观察和其他形式的市场研究
- 专家的估计
- Excel统计模型
- 专业软件
许多商店开发了自己的内部解决方案来预测未来销售，通常集成数十个（如果不是数百个）Excel 工作表、ERP 功能、专业软件和分析师团队。
虽然销售预测是许多零售规划流程的基础，但它可能是数据分析中需要改进的最重要领域。 这是因为销售预测经常是错误的，并且未能考虑到零售行业的复杂性。
例如，如果商家去年的产品销售一空，传统的销售预测方法会告诉他们重复错误——即使他们的销量可能会大幅增加。
结果，大多数销售预测已经失宠，取而代之的是更复杂的预测分析。
#3。 需求预测
如前所述，需求预测是商家采用的一种更先进的预测分析方法。
需求预测与尝试仅使用历史销售数据来估计销售相反，它采用更大范围的数据来计算每个商店中每个产品以精确的时间间隔的需求。 因此，需求预测比典型的销售预测准确得多。
有关销售预测与需求预测的更多信息可以在此处找到。
总之，这种形式的零售分析的主要优点如下：
- 更精准地预测企业未来状况
- 进行模拟或“假设”场景
- 当地面条件发生变化时能够动态适应
- 关键零售功能的统一（例如促销和库存管理）
按照惯例，预测需求的方法有很多种。 零售商可以利用以下内容（按复杂程度降序排列）：
- 包含统计模型的 Excel 电子表格
- 一般分析和统计建模软件
- 人工智能驱动的零售分析软件
另请参阅： 在线零售：您需要知道的一切
虽然前两种替代方案对于小型企业来说足够了，但它们很难（如果不是不可能的话）用于非常大的数据集（例如中型到大型零售商中的数据集）。
这是因为需求预测使用来自销售数据以外的来源的数据。
- 定价历史
- 过去的库存
- 品种的范围和丰富性
- 产品组和系列
- 季节性
- 供应链不一致
- 竞争对手的活动
- 消费者偏好
- 等等
想象一下，为数十亿个不同的商店/SKU 组合手动编译、分析和建模所有这些数据。
寻找一家在与垂直行业零售商打交道方面拥有良好记录的零售预测分析软件供应商是零售商利用需求预测的最佳方法。
使用这样的定制软件可以为商店带来许多优势。
例如，您可以尝试不同的变量，例如产品价格、新店开业、新产品发布（及其他），看看它们对您的底线 KPI 有何影响，然后相应地修改您的库存、价格或营销策略。
＃4。 统一高级零售分析
这是最有效的分析类型，如果使用得当，可以实现最佳的投资回报率。
统一高级分析属于第四种分析（规范性分析），致力于将商业智能、强大的诊断和准确的需求预测的优势与智能自动化相结合，从而提出整个企业最有利可图的活动。
体面的统一分析软件将执行以下操作：
- 自动化报告和数据可视化。
- 预测每个商店中每种产品在特定时间的需求。
- 允许对新产品发布、零售开业和其他类似情况进行灵活的模拟和“假设”场景。
- 自动推荐数千个（如果不是数百万个）涉及选择、分配、定价等的微观优化。
- 所有修改和更新都必须在所有部门和数据源之间进行协调。
由于其复杂性和特殊性，这种形式的分析只能由专门从事高级零售分析的软件供应商提供。
它不仅可以自动执行数百个重复流程（编译报告、合并部门之间的数据、评估等），而且还可以以人类分析师无法比拟的粒度进行优化。
这种类型的高级数据分析由多种解决方案提供，包括 Retalon 的零售分析平台，该平台使用高度准确的需求预测和先进的人工智能来提供数百、数千甚至数百万的细粒度改进，从而提高利润。
此外，此类软件具有很强的适应性，可以设置为自动接受某些建议，同时需要其他人的许可才能进行更大的控制。
什么时候该升级您的零售分析？
任何想要长期成功的大中型零售企业都必须使用某种数据分析。 这是因为必须主动获得正确的见解，以便在正确的地点、正确的时间、以正确的数量提供适当的产品。
即使您已经在使用分析，您也可能希望迟早进行更新以在竞争中保持领先地位。
通常，随着公司的发展，数据量和所涉及决策的复杂性也会增加。
但是，如果您有太多数据并且不知道如何处理它们怎么办？
要确定是否需要对数据分析工具进行现代化改造，请首先提出以下问题：
- 我应该深入研究数据到什么程度？ 我的困难的解决方案是否显而易见？
- 我是否经常遇到异常情况并必须手动修改我的预测？
- 我在不同零售职能部门的分析工具是否可以互相解释？
- 我有可能年复一年地犯同样的错误吗？
- 我是否仍然担心库存扭曲，例如销售损失、库存过多和缺货？
- 临近季节结束时我是否有太多降价？
- 对于没有销售历史的新产品，有没有好的办法来应对？
这些问题的答案将帮助您确定是否应该改进分析方法。
但是，请避免常见的零售分析瘫痪陷阱。
投资高级分析的零售商正在从那些尚未做出决定的零售商手中抢夺市场份额。 随着我们接近商业数字时代，强大的数据分析和零售人工智能不再是“想要”而是“需要”。
零售分析的优势
零售分析是零售商用来提高销售额、最大限度地减少管理费用和劳动力支出以及提高利润的工具的集合。 零售分析可以通过多种方式帮助实现这些目标，包括：
#1. 减少缺货和折扣需求
零售分析帮助用户了解需求趋势，以便他们手头有足够的产品，但又不会太多，以至于他们不得不诉诸大幅折扣来摆脱过剩库存。 使用分析来确定产品的消费速度是一种常见的做法。
#2. 提高个性化：
分析使商家能够更好地了解消费者的偏好，从而比竞争对手捕获更多的需求。 例如，当历史学家 Ron Chernow 的新书可供预订时，图书零售商可以使用购买历史记录来通知对美国历史感兴趣的消费者。
＃3。 改进定价决策
通过综合一系列指标，例如废弃的购物车、竞争定价信息和销售产品的成本，数据分析可以帮助企业为其商品设定理想的价格。 零售商可以通过不收取高于市场承受能力或低于顾客愿意支付的价格来实现利润最大化。
＃4。 改善产品配置
分析可以帮助零售商确定如何跨地理区域、分销设施和店面分配产品，从而消除不必要的运输成本。 例如，运动服装店可以利用分析来了解两度的温度变化如何影响保暖汗衫的销售，并将更多此类商品分配给距离预计在特定冬季气温较低的地点最近的分销设施。
零售分析软件
零售分析基于以多种方式收集的数据，包括实体商店位置和网站。 使用的一些工具如下：
- 销售点 (POS) 系统 商店使用它们来跟踪和管理消费者交易。 POS 系统收集消费者购买数据，并可以提供销售和客户趋势报告。
- 客户关系管理（CRM）软件： 此类别中的应用程序管理销售、营销、客户服务和电子商务流程。 零售商使用这些程序来观察客户互动，保存有关特定消费者的数据，并根据该数据发现可能的销售、营销和客户服务可能性。
- 商业智能工具： 零售商利用商业智能 (BI) 工具来综合从大量不同数据集中收集的信息，主要是为了跟踪关键绩效指标，例如客户忠诚度、库存周转率、售出率和库存天数。 这些工具使零售商可以轻松地编写报告并将其发送给首席执行官和其他决策者。
- 库存管理系统： 零售商使用该软件来跟踪库存商品、监控仓库和配送设施中的库存水平以及预测需求。 它还帮助商家确定存储特定物品的最佳位置，以降低运输成本并确保货物能够满足客户的需求。
- 预测分析： 此类分析使用以前的交易、交互和其他事件的数据来预测未来的趋势和行为。 四种最流行的零售分析类型是描述性分析、诊断性分析、预测性分析和规范性分析（如上所述），用于发现新的客户群和增长前景。
零售分析实践的最佳实践
#1. 广泛利用客户数据。
客户提供了大量有关他们的需求和意图的显式和隐式信息，顶级零售分析从业者使用这些数据来发现趋势并更好地了解这些客户。 领先的零售商将来自自己的忠诚度计划的客户数据与来自电子商务、销售点系统和其他来源的数据以及从经纪人处获得的数据结合起来。
专家经常将客户数据分类为人口统计、交易、行为甚至心理点的组合。 收集、汇总和利用各种类型的客户数据通常遵循逻辑路径，从广泛的人口统计范围开始。 零售商还区分“客户”（那些已经与他们开展业务的人）和“消费者”（那些可能成为良好前景的人）。 消费者数据可以帮助为“相似建模”提供信息——例如，如果零售商认为马克是一位出色的客户，它将搜索更多具有相似特征的人，并向他们提供特别优惠。
#2. 利用可视化工具。
BI 软件中的可视化工具（例如图表、图形和仪表板）对于解释数据和做出明智的决策至关重要。 它们比仅仅盯着行列数据来掌握知识要有效得多。 BI 可视化工具还使业务用户能够访问分析，而不是强迫他们等待 IT 准备报告和执行查询。
＃3。 检查多个数据源
销售数据、历史客户数据和库存数据等多种数据源可以帮助商家更细致地了解其业务，尤其是在 KPI 经常相互关联的情况下。 例如，零售商可以将商品属性分析与店内分析结合使用，以发现如何优化实体店的布局，从而将购物者转化为付费客户。 库存分析可以帮助零售商确保他们手头有足够的商品来支持商品布局。 （零售商还应该意识到，不同的应用程序可能对数据类型有不同的定义，如果不加以纠正，可能会导致错误的分析；这是支持使用单一平台进行零售分析而不是采用所谓的最佳方法的论点。同类应用。）
＃4。 监控关键绩效指标
关键绩效指标的跟踪有助于商家衡量其绩效并识别发展机会。 大多数成功的商家使用每周 KPI 摘要（也称为平衡记分卡）来将最新指标与前一周的指标进行比较。 这通常首先回顾所发生的情况（例如，某些商品的销量大幅下降），然后进一步调查发生情况的原因（例如，缺货）。
＃5。 优先考虑你的目标。
没有必要测量所有可以测量的东西。 零售商可以使用新的分析工具和大量数据，但他们必须谨慎对待自己的衡量标准，否则决策者可能会陷入建议之中。 零售商应首先确定具有直接商业效果的高优先级机会。 麦肯锡认为，最好的分析可以解决特定的业务问题并产生可衡量的结果。
零售分析专家马克·劳伦斯 (Mark Lawrence) 表示，上面列出的所有五种推荐做法都是相互关联的。 他的建议是：从一个目标开始，然后是两个或三个基本目标。 他将影响这一级别发展的 KPI 称为“主导”KPI。 如果一个目标是“更贴近客户”，那么 KPI 可能是“将客户生命周期价值提高 20%”、“实现同比 15% 的消费者转化”以及“优化库存水平以支持以客户为中心”目标”。 可视化工具使企业领导者能够跟踪实现这些目标的进度，并促进采取纠正措施，例如新的促销和产品分类变化。
零售分析的未来
零售业的未来是不确定的，但零售业的现状却不确定。 用户和应用程序将不断地（通常是无意的）使用分析，类似于智能手机不断使用位置跟踪来满足用户需求的方式。
零售分析将更加融入业务用户的日常流程，而不仅仅是用于生成或审查每周报告。 更多的人将在日常商业活动中接触到人工智能的成果，即使他们没有意识到这一点。 人工智能驱动的数据分析将不再受到吹捧。
相关文章
参考资料
