马上注册，结交更多数据大咖，获取更多知识干货，轻松玩转大数据
您需要 登录 才可以下载或查看，没有帐号？立即注册
x
零售业身处整个产业链的最前端，直接和终端顾客接触，每天的运营行为产生了大量宝贵数据，这些数据根据不同的属性主要包括以下五种。 1、WHO顾客数据：顾客属性、消费历史记录、消费行为和消费习惯数据等 2、What商品数据：商品的零售数据、购物篮数据、商品属性数据、库存数据等 3、Where地点数据：门店属性数据、周边人群特性数据、设施数据、所属商圈数据等 4、Why因果数据：天气数据、促销数据、陈列数据、POP数据、销售日历数据等 5、When时间数据：商品销售的时间数据、营业时间数据、订货时间数据等
但是对于这些数据到底能有什么样的用途，很多中国零售企业并不清楚，导致这些数据一直在服务器上休眠好多年。 实际上从需求链的角度看，只要对于这些数据进行深度挖掘和分析，同时匹配上合适的算法，就可以建立起销售和市场趋势的预测模型、有效的商品开发模型、补货模型和库存的管控模型，而通过上述模型的建立，就可以更加精准地预测顾客的需求，并在供应链整体成本和效率最优的前提下最大限度的满足顾客需要，从而实现营销和宣传策略的改善、商店的布局优化、商品的最佳组合、供应链成本总体优化，给企业带来巨大的效益。 这就是数据的价值，我们只有清楚了数据的价值，才能真正的把大数据分析落地应用。 销售和市场趋势的预测 商品多样化的时代中，顾客的需求越来越多变，而商品的生命周期越来越短，大数据包括历史销售数据、商品特征数据、店铺特征数据、销售季节数据、实时的天气数据、行业大数据、未来促销数据等等都可以用来进行高精度的销售量和市场趋势变化的预测。 而围绕着店铺的立地数据和设施数据则成为预测的重要输入，立地数据是指各个门店周围的家庭数量、商家数量、员工数量、游客数量等等，来判断门店是否属于哪种类型，给门店贴上标签，而设施数据则是各个门店周边是否有团体、单位、学校、展览馆之类的设施，这些数据将直接影响到商品预测的准确度，是实现高效商品管理不可或缺的要素。 在对这些数据进行建模分析后，制定需求计划来满足顾客需求，并且进而指导上游供应链的补货、生产、采购、物流等活动，最终通过提高销售预测准确性，提升订单满足率，减少缺货和失单，优化库存水平并加快库存周转速度，降低总体库存成本。 有效的商品开发 商品自身有多种属性，有自身的自然属性，如颜色、尺码、功能、味道、材料、设计等等，也有后续销售特征属性如客群特征、竞争属性、销售区域、线上线下渠道、畅销滞销属性、价格弹性等等，对于这些数据进行分析后可以对商品形成全面“商品画像”报告。 清楚了商品属性后，对于商品后续的开发就带来的强大的借鉴和示范效果，从而让商品开发不再盲目和浪费。例如通过一种商品在各个门店的市场共享信息、客户统计和历史销售分析，同时动态抓取京东平台、天猫平台等平台或者渠道中竞品产品属性数据和好评数、好评率数据并进行建模，同时导入差评属性数据和研发部提供的属性打分数据以及产品历史销量动态表现，通过商品购买的关联分析结果，采用交叉销售和向上销售的方法，实现商品精准的开发和销售。 补货和库存的管控 补货精准度的高低，是和门店的业绩直接挂钩的重要环节。而门店和仓库中的销售、库存、废弃、在途数据的可视化、实时化则让补货的精度提升奠定了基础。 零售商利用销售的商品数量、库存数量以及动态库存管理策略，根据自己的库存信息和预先规定的库存补充程序制定自动、准确的发货补充数量和配送时间计划，以及在多级渠道、分销和配送中心网络中均可执行的补货计划，构建库存补货方法和模型并有效的执行订单下达。 通过精准的把握补货时机和数量，保证渠道各个环节有充裕足量的产品，从而不丧失任何销售机会，提升服务水平，紧密控制库存成本，从而最大程度地杜绝缺货和爆仓 商品分布布局优化 通过分析顾客购买行为、习惯的数据，挖掘顾客在门店里行走、驻足、凝视的路线、时间和地点，掌握不同商品被同时购买的概率和特征，通过对商品销售品种的活跃性和关联性分析，用各种数学和统计学分析方法，找出关联性、趋势、误差、商品和门店的特殊关系，建立商品设置的最佳结构、布局以及商品关联配置实现真正的场景化销售，这些将有助于确定上架或者下架哪些商品、补货计划、品类管理、促销管理、货架摆设、特殊物流需求等等。 供应链成本总体优化 零售商因为直接触达终端消费者，数据基础和质量还是非常不错的。 制造商和零售商之间的预测系统、补货系统、库存管理系统实现对接，零售商的这些数据根据权限都可以分享给制造商、物流商、供应商等合作伙伴，根据这些数据，合作伙伴就可以做出自己的销售预测或根据零售商的销售预测进行生产排程，安排补货计划、运输计划、采购计划、库存计划等，这意味着供应链的上下游企业在计划环节有了协同统一的安排，使合作伙伴有了明确的目标和方向，而不像之前那样，大家都在被动盲目的等待订单，牛鞭效应其实就是由于数据的不对称所造成的。 在大数据时代，拥有宝贵数据财富的零售商一定要树立一种新的思维方式，就是数据驱动决策，要从数据中直接找到答案。零售业的运营虽然纷繁复杂，数据驱动就是要应对这些不确定性，找到其中规律并做到能够动态适应，而且数据驱动并不是遥不可及的，是可以通过“结合了领域经验的模型”来实现的。 很多零售企业都谈到，自己虽然积累了大量数据，但如何用并不知道，也很头痛于缺乏这个领域的专业人才。在今天大数据和人工智能的时代，虽然每家企业都会从中受益，但并不是每家公司都要聘请数据、算法方面的科学家，更加切合实际的是由能够理解公司业务需求并且能够与大数据、算法相匹配的第三方公司来提供专业的分析、建模和优化服务。 可以预期在不久的将来，零售领域的数据驱动决策工具如同水和电一样，一定可以由专业的数据分析服务商来提供。
| 
/1 
发表于 2017-12-4 09:49:48
QQ好友和群
QQ空间
腾讯微博
腾讯朋友
收藏
转播
分享
淘帖
赞
踩
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜