数据分析系统助力服装企业数据质量提升

大多数的BI系统或数据分析系统的建设，常会受到两个方面问题的困扰，数据缺失与数据质量问题。而这两个问题，在服装行业数据分析类系统建设过程中，更是尤为突出。为了提升数据分析的质量，企业是极有必要对自己的数据质量问题有一个清晰的了解的。否则不管是手工还是系统得出的分析结果，都将降低可信度。众所周知，BI系统建设过程中是有一个数据源调研与探查分析的阶段的，而恰好的，企业亦可以借助BI系统的数据源质量分析这一步骤的产出，来对企业许多关键数据的质量进行一个提升。

    通常我们将这些质量较差或者是不规范的数据，称为“脏数据”。BI行业里有句话，“垃圾入，垃圾出”，也就是说有问题的数据会对分析结果产生影响。下文便从一些企业的实践经验中，进行一个提炼，聊聊借助于数据分析系统建设的顺风车，对企业的数据完善度及质量的提升给出哪些建议。下面举例了四个方面进行了介绍。

    一、商品属性等分析主体的档案属性设置较少，或者是设置了但没有较好的维护而导致没有了分析的价值。很多企业只是设置了品类以及商品年份季节波段属性。于是，想分析面料，却没大部分记录都是空，想分析商品的一些特征，却发现没有领型袖型风格等特征描述，想考核买手，却发现没有填买手信息，于是，这些数据分析或者管理的思路念头便停留在概念阶段而无从得以实施。这些分析主体的属性设置的项目可以有很多，在ERP或进销存系统上线之时会进行一定的初始化规划，而在运行一段时间之后着手数据分析系统建设时，可以再从管理的角度，倒推看看是否现有的档案设置能够支撑当下或未来一段期间的管理分析的要求。分析主体包括商品、终端、VIP、员工等等。如终端数属性，想要分析店龄，就要录入好开店日期，想要进行装修前后效果分析的比较，就要在系统中维护好装修日期，想进行店铺位置及类型类的分析，就需要维护商圈等级、店铺类型等诸多属性。再如VIP分析，有的企业，系统中数据缺乏到仅仅有VIP的年龄，因此对于VIP顾客的静态属性方面的分析，便就只能进行年龄段的分析，于是离精准营销便又远去了一步。这一些，也可以对应到之前所述，《More Data，More Analysis! 更多数据，更多分析》。

    二、ERP上马设置流程时，只管跑通业务，而没有深入细致考虑精细化管理的一些要求。譬如一家同时有自营及经销业务的混合业态的企业，仅仅设置一个总仓，自营终端与加盟商代理商发出的单据全部是从总仓发出。而在进行库存分析的时候，发现自营库存与加盟商代理商的库存（仅指企业总仓中的部分）无法区分。须知，两种库存的风险程度是不一样的，可以对这些库存进行的操作也是有区别的，而对于企业来说，两方面的库存分析也都是有必要的。从这个角度来看，对他们进行虚拟仓的划分设置，是有必要的。

    三、系统操作人员的不规范操作。这部分的内容就太多了，而且在不同的管理水平的企业中规范程度与质量程度也有很大的差异。下面仅列举几项在企业实践中常遇到的：

        零售录单不及时。这个问题发生在很忙的时候情有可原，但是很多时候却是没有执行力造成。零售录单不及时，基于此方面建设的零售时段分析便全似空中楼阁；

        随意合并录单。这是个不应该发生的问题，将导致客单价、连带率的分析全部失去意义，在不少企业，亦不乏一些上规模企业的数据报表中，终端月均连带率10以上时常可见。这样的数据，本身便是问题，还谈何暴露问题并予以解决。

        单据录入数据项未有约束。仍然以零售单据为例，小票日期错误、零售数量、金额等数据的错误。这些问题通常会导致统计数据的不准确。

    如此种种，企业可以根据实际数据源质量调研而暴露的问题，制定针对性的解决方案。事实上，对于这些数据质量问题的探查检测，也有一些信息化建设较为先进的企业已经实现了。

    四、各种已有的数据，不进系统，以非常原始、自由的手稿形式流转。这亦会导致这部分数据无法利用，从而数据缺失，一些数据分析功能或者粒度无法实现。举个例子便是企业的终端店铺零售计划的制定，有的企业做到月，有的企业做到周，而有的企业能够到日。在与企业沟通的过程中发现，实际执行层面，终端店长通常都会将计划分解到日乃至时段来执行，而在总部这一端，这部分日级别的数据，要么收集后没有规范的整理（如许多的格式版本），要不就根本不采集，或者置之不用。这是对企业数据资产的极大的浪费。这种情况，企业可以依据数据分析建设所采集的需求为出发点，重新梳理、定义这类数据的格式与流转规则，将其纳为数据源予以规范的管理。

    以上介绍的这几个方面，总的来说，可以归纳为业务主体档案属性、业务流程设定以及执行方面的问题。企业亦可以针对性的从整理管理需求、梳理属性设置与流程设计、明确与强化执行的各项要求及奖惩措施等方面进行改善。相信随着这些动作采取，企业能够将暴露出来的数据质量问题进行一定程度的修复，从而使得数据准确性提升，基于数据的决策更加“靠谱”。