首页 大数据百科行业大数据正文

零售行业在大数据时代 怎样找到新的发展机遇

  大数据时代,零售行业有哪些影响,让我们看看如何从纷繁复杂的数据中,找到新的发展机遇。

零售行业在大数据时代 怎样找到新的发展机遇

  零售业拥抱大数据:用数据读懂消费者

  在过去一年,“大数据”的概念持续加温,热度已经覆盖除互联网以外的各个行业。关于大数据的概念已经无需再多说,大数据不仅仅是“看起来很美”,如何有效运用大数据创造商机,让大数据更好的发挥其自身的价值,为企业带来更多的效益,成为了各个企业亟待解决的问题。

  大数据的起源要归功于互联网与电子商务,但大数据最大的应用前景却在传统产业。一是因为几乎所有传统产业都在互联网化,二是因为传统产业仍然占据了国家GDP的绝大部分份额。

  具体来讲,中国最需要大数据服务的行业就是受互联网冲击最大的产业,首先是线下零售业,其次是金融业。受电商的冲击,国内很多零售巨头都增长严重放缓,甚至遭遇负增长,线下零售已经到了不得不变革的危机关头。我们看到银泰百货、王府井百货、万达集团这些具有创新意识的传统巨头开始利用互联网和大数据来改造线下商业。坐拥成百上千门店的传统零售企业,该如何面对迅速兴起的互联网战场?拥有海量会员信息和购买记录的传统零售企业,在逐渐变革的消费市场中如何利用数据优势迅速抢占市场?

  在所有的零售渠道中,实体店占据着绝大多数的市场份额,但是线上渠道的吸引力在迅速增强,并且以中国消费者尤为突出。随着线上线下购物逐步融为一体,生存和成功将取决于零售商通过各种渠道接触到消费者的能力,更重要的是其为消费者提供多渠道的无缝连接购物体验的能力。如今掌握主动权的消费者希望能同时享受线上线下两种渠道的优点,并将会到那些能够提供优异的多渠道购物体验的零售商那里购物。

  如何建立一个线上线下无缝连接的品牌和购物体验方便消费者的选择,从而赢得顾客的忠诚度和持久的客户关系?这些曾经棘手的问题,如今都迎刃而解。国内大数据技术服务商百分点推出的大数据管理平台(BigDataManagement,以下简称“BDM”)通过整合第一、二、三方的用户数据,对数据进行清洗、加工和建模,为企业的战略、运营、管理、市场、营销等提供各种数据产品和应用。传统零售业拥有海量数据。每天,每笔交易、每个订单、每次促销、都会产生无数的数据。一个值得关注的现状是,目前大部分的企业还没有将这个数据利用起来。这些数据的整合和解读将是企业无形的资产,并成为企业最大的优势,帮助传统零售企业在瞬息万变的互联网市场迅速抢占一席之地。

  那么,零售商们应该如何将大数据运用到商业活动中呢?来看看百分点是如何描绘的。

  A用户是一位标准的摄影发烧友,我们知道他最常浏览的网站就是“摄影爱好者论坛”。某天当A用户打开一个网站准备浏览今天的新闻,却被相机厂商发布在网站首页的广告迅速的吸引。A用户发现正是他关注的“新款镜头”,于是A用户决定去实体店看看。是的,百分点BDM通过A用户的浏览习惯等知道他是个理智型消费者”。

  当A用户来到实体店时,一场数字化旅程即将开始。作为某商城的会员,A用户用商城会员卡买了咖啡,发现购物小票上显示“会员今日购买数码类产品享受9.0折优惠。登陆该商城免费的Wi-Fi时,A用户又收到商城推送的个性化推荐信息“最新款镜头,今日购买可低价换购相机包”。最终,A用户以优惠的价格买下了心仪已久的“最新款镜头”,并得到了“x商城”低价换购的“相机包”。

  在上面的故事中,“摄影爱好者论坛”、“相机厂商”、“网站”、“商城”都是百分点大数据家族的一员。百分点BDM收集社交媒体、论坛和第三方的海量数据,并加以分析整合,宏观用户画像显示“85%的消费者在购买单反之后的两年内会购买镜头。”

  以上只是百分点BDM对用户分群、画像,并将这些信息利用到商业活动中的举例。事实上,98%的中国消费者希望零售商能够利用他们掌握的信息提供个性化的促销和建议。在这个领域中,百分点关注两方面的内容,一是将线上线下数据的打通,为用户提供一致的购物体验;二是将电商的经验运用到传统卖场,为他们提供新的营销手段。

  百分点BMD通过对海量数据的整合和解读更好地了解和预测消费者行为,掌握消费者偏好和需求甚至终生客户价值,以便把握住全新的促销机会,为他们提供更多个性化的产品和服务。通过融合多方数据,零售商为消费者提供创新的购物体验,促进消费者的品牌忠诚度和重复购买,进一步实现零售商的利润和市场份额的增长。

  作为大数据服务商百分点一直致力于大数据的技术的研发和应用。百分点利用大数据分析技术为用户画像,以及利用用户画像来帮助企业实现个性化服务。在任何一门生意中,能够读懂用户并分析用户数据来预见未来都是行之有效的,这也是未来商业创新发展的必由之路。

  大数据推动商业银行零售业务转型升级

  伴随金融自由化与金融创新不断深入,全球金融业的发展出现了深刻的变化,国内外商业银行发展理念和经营模式不断调整。在商业银行诸多业务中,零售业务是与个人和家庭联系最为密切的银行业务,由于具有庞大的客户资源以及强大的价值创造能力,越来越受到商业银行的重视,并逐渐成为商业银行最具发展活力的业务领域。

  零售银行业务集中体现了商业银行以客户为中心的经营战略,银行依托现代化管理手段为个人、家庭以及中小企业提供综合性、一体化的金融服务。中国银行业零售业务以20世纪90年代中期储蓄卡的推广为标志,正式进入高速发展阶段,逐渐形成一套完善的零售业务体系,并成为中国银行业未来发展的必然趋势。对于国内商业银行来说,当前正处于零售银行业务发展的“黄金时代”。然而,现阶段各家商业银行零售业务的营销手段存在同质化问题,产品结构单一化现象严重,导致巨大的成本投入稀释了银行收益。在信息技术、网络技术和互联网金融高速发展的现在,各商业银行逐渐开始重视运用大数据分析与挖掘技术服务于零售业务的转型升级。

  大数据推动零售业务转型升级

  商业银行同业竞争的日趋激烈以及互联网金融的巨大冲击“倒逼”传统银行加速转型,零售转型成为银行转型的核心任务。大数据体量巨大、种类繁多、价值密度低以及处理速度快的特点与银行零售业务的发展高度契合。因此,作为未来银行竞争核心的零售业务,其转型升级的关键在于大数据分析与挖掘技术的深度应用。

  大数据推动零售负债业务转型

  零售负债业务是商业银行最主要的资金来源之一,是其赖以生存的基础。储蓄存款则是零售负债业务中最重要的组成部分。然而,随着利率市场化的不断推进,央行逐渐放宽存款利率上限,各大商业银行争相提高存款利率,零售负债市场竞争愈加激烈,商业银行传统的零售负债业务面临着巨大的转型压力。

  储蓄存款业务从本质上来说就是对客户数据库系统的分析与应用。业务人员只有在全面了解客户的家庭、收入、兴趣偏好以及风险偏好等信息之后,才能准确把握住客户的存款需求。大数据分析技术不仅能对20%的结构化数据进行精确分析,还能有效运用80%的非结构化数据,提高数据分析的准确度。大数据不仅可以从内部掌握客户的属性数据、账户信息以及交易信息,还能通过外部网络了解客户的行为数据和渠道偏好等社会化数据,掌握客户的真实需求,并在此基础上设定产品,激发客户的存款兴趣。并通过多种渠道对产品的市场推广度、受众覆盖率、盈利能力以及用户的反应情况进行深度挖掘,在此基础上进行产品的优化升级,发掘新的价值增长点。

  大数据推动零售资产业务转型

  零售资产业务是商业银行利润的主要来源之一。当前国内银行业零售资产业务以个人贷款为主,近年来呈现出规模增长迅速、产品结构多元化的发展态势。以招商银行(600036,股吧)为例,截至2014年上半年,招商银行个人贷款余额为8630.54亿元,比上年末增长7.85%。然而,国内各大银行零售资产业务,尤其是个人贷款产品同质化现象比较严重,同时产品的风险管理不到位,导致银行缺乏核心竞争力。在互联网金融的大环境下,商业银行运用大数据分析技术可以推动零售资产业务转型。

  在个人贷款业务中,运用大数据可以实现个人贷款业务全周期各阶段的转型升级。首先,在产品设计阶段,通过大数据综合分析客户的属性数据与行为特征。通过对客户账户信息的分析,了解客户家庭、经济、信用情况,洞悉客户的消费行为偏好,制定差异化的贷款产品;其次,在贷款申请阶段,大数据分析促进了大数据信用评级分析法的形成,如神经网络信用评分法与支持向量机(SVM)信用评分法。银行利用大数分析在极短的时间内对客户的消费、收入、职业、信用状况等信息进行整理,并迅速预测出其信用变动及未来行为状况,以支持信贷审批。最后,在贷后预警风险管理阶段,银行可以通过收集客户的交易记录,并且综合分析该客户的微博、微信、邮件、视频、语音等非直接交易数据,进行数据的二次挖掘,并与历史信息进行对比,筛选出异常信息,加强对异常信息的关注度,实现实时监测。

  大数据推动零售中间业务转型

  中间业务能够为银行带来丰厚的非利息收入。在利率市场化的大趋势下,商业银行依赖传统的利差收入难以维持长久稳定的发展。银行为了实现利润最大化的最优目标,必须大力发展中间业务。以财富管理与信用卡业务为例,在互联网金融模式下,商业银行加快零售中间业务的转型升级,必须依靠大数据等高新信息技术。

  根据帕累托“二八定律”,银行可以从关键的20%的客户中实现80%的利润。因此,有选择地甄别出这20%的核心客户,对提高银行的经营效率至关重要。在传统的客户关系管理过程中,商业银行缺乏对客户信息的整合,个人消费贷款、信用卡以及个人理财业务被分散到各个不同的专业管理部门,客户信息存在片面性,无法对客户进行有效分类,缺乏差别化服务,直接导致客户忠诚度下降。运用大数据,银行可以全面了解客户情况,将客户的属性数据、账户信息、行为偏好以及生活场景结合起来进行分析,形成更加清晰准确的客户画像,并通过深度学习,从海量的客户数据中找寻复杂的规律,运用大数据的聚类功能进行客户的精细化分类,并从中识别出真正能给银行带来收益的优质客户。

  在财富管理业务中,商业银行从财富、消费、年龄、教育、职业五个维度研究客户的金融偏好,建立零售业务数据仓库,为其提供有针对性的服务,提高客户满意度和忠诚度,维护客户关系以防止客户流失。在信用卡业务中,银行可以从大量的属性数据以及行为数据中,推断出客户不同的消费习惯与消费能力,从社交网络平台上分析客户情绪,挖掘客户的不同需求,将机器算法与人工预测相结合,准确地预测出客户未来的消费行为,提高客户使用信用卡的有效性。同时,通过数据分析对持不同卡种的客户采取差异化营销策略,对持卡消费者的消费行为进行实时监控和提前预测,通过大数据行为评分模型可以对持卡人的信用风险进行评估,以便及时调整客户信用额度。

  构建零售业务大数据模式

  在未来的银行业竞争中,对于数据的分析和挖掘将成为决定银行经营成败的关键。零售业务由于其本身拥有庞大的数据量,更能体现大数据分析的优势。在当前经济“新常态”背景下,随着互联网金融理念不断深入,构建商业银行零售业务大数据模式对推动银行业转型升级意义重大。

  搭建大数据平台

  传统的数据处理致力于对结构化数据的分析与整合,然而在大数据背景下,传统的数据库已无法满足大量半结构化,甚至非结构化数据的处理要求。因此,必须加快建立零售业务的大数据分析平台,整合银行内部自然数据,协同外部社会化数据,完善大数据环境下的银行数据分析,提高银行决策效率。

  全面整合银行内部数据。现代金融生活中,零售银行业务与个人、家庭联系密切,储蓄存款、个人消费信贷、投资理财以及家居生活无不涉及到零售业务。正是由于零售银行业务的客户基础庞大、业务量巨大,商业银行在与客户联系的过程中,积累了大量的信息数据。这些数据几乎包含了市场和客户信息的方方面面。从现有客户的属性资料、账户信息,包括客户的性别、年龄、职业、收入和资产状况,到客户的交易信息、渠道信息和行为信息,包括交易时间、交易类型以及消费偏好。这些信息伴随着客户交易不断更新与积累,并储存到银行内部的数据库系统中,形成庞杂的分散化数据体。商业银行必须以内部信息技术系统为基础,整合银行内部各业务单位的客户关系信息,将各类渠道所有交易中的客户信息综合记录起来,建立一个统一的数据分析平台,为银行经营决策奠定数据基础。

  综合运用银行外部数据。商业银行必须重视并加强对各类数据的收集和积累,打破传统数据边界,注重加强与社交网络、电商企业等大数据平台的交流与合作。商业银行在完善自身数据的基础上,积极建立与网络媒体的数据共享机制,通过多渠道获取更多的消费者数据信息。一方面,充分利用社交网络、论坛、微博、微信平台等新媒体工具,整合现代化客户交流渠道,增强与客户的互动联系,打造人性化的银行品牌形象,维护良好的客户关系。另一方面,加强与互联网金融企业的竞争合作。在众多网络交易的支付结算中,银行往往处于支付链末端,难以获取有效信息。因此,商业银行必须与电信、电商等互联网企业合作,加强数据信息共享互利,促进金融服务与电子商务、移动网络的融合。例如,2009年中国建设银行与阿里巴巴合作,共同开展网络信贷业务,在“银行—电商企业”的合作模式方面进行了有益的探索。总之,商业银行将内外部数据进行有效整合,以形成更加完整的客户图像,促进客户管理的精细化与销售的精准化,实现零售业务数字化管理。

  提升经营决策效率

  近年来,随着各外资银行进入中国市场,国内商业银行面临更加激烈的市场竞争,各大银行纷纷进入转型经营的深水区,普遍确立以客户为中心的服务理念,致力于拓展客户规模、增强客户粘度。然而与国外发达银行相比,国内银行业产品服务同质化现象依旧严重,缺乏对客户群的深度了解,造成客户依存度不足,客户流失概率大,严重影响了银行的日常经营。

  因此,在大数据时代,商业银行的经营决策重点必须转向对客户需求和客户体验的关注,提高客户粘度。通过大数据平台整合内外部数据资源,预测发现市场热点和发展趋势,树立“以需求为导向”的经营理念。深入分析客户行为和生活形态,勾勒客户整个生命周期的价值曲线,洞悉客户在金融产品、信贷、消费等方面的需求与客户流失的原因。充分运用微博、微信等社交网络平台的非结构化社会信息,建立新型的数据化投资策略模型。微博、微信信息是一种典型的大数据,一般以文字、图片、视频和音频的形式存在于互联网平台,由于其受众广泛、扩散速度快而逐渐成为人们日常生活中交流信息的重要方式。

  商业银行应积极探索微博、微信与投资决策相结合的模式,不断挖掘社交网络信息中的“数据财富”。例如,根据微博中客户的情绪判断客户对银行产品的满意度,并以此为基础进行产品升级;根据客户日常的微博关注判断其兴趣爱好和投资偏好;根据客户手机定位信息判断其所处的地理位置,实时推送促销信息;搜集小微企业的微博动态,分析其企业声明,并从中推断出该小微客户的日常经营状况及信誉状况。商业银行应在对客户充分了解的基础上,有针对性地制定全流程的客户经营策略,并应用数据分析提升客户经营策略的持续优化能力。

  创新业务销售模式

  零售业务,“渠道为王”,商业银行通过销售渠道创新可以吸引客户,抢占市场先机。在互联网思维和大数据分析技术的时代背景下,银行应积极探索适应互联网金融时代线上线下相结合的渠道经营策略。线上根据大数据分析结论创新移动金融产品、依托预测模型开展精准营销;线下研究智能化、社区型银行网点的布局和服务方式,实现基于身份识别的定制化信息推送、远程智能开卡以及视频服务等。

  2014年8月8日,江苏银行直销银行正式上线,打破时间和空间的限制,摆脱实体网点,向客户提供纯线上金融服务。然而其业务范围仅限于个人理财、消费缴费等中间业务,难以真正实现严格意义上的网络信贷(如P2P)等互联网银行业务。商业银行应积极探索互联网银行模式,打造“大而全”的网络金融平台,充分利用人脸识别技术和大数据信用评级等新技术,将存款、融资、信贷、理财等功能融为一体,在大量客户资源和强大数据系统的基础上,实现供应链金融与互联网金融的一体化销售。

  此外,银行还应积极打造基于大数据的金融服务平台,应用多元化的产品销售模式:一是拓宽渠道,综合利用网上银行、手机银行、电商平台、短信微信推送以及第三方平台扩大受众群体。二是建立机构投资者和大客户的客户信息网络,实时跟踪客户投资偏好的变化,有针对性地进行产品服务实时推送,加快转变传统“跑马圈地”的粗放经营模式,实现“精准营销”集约化方式的创新升级。三是关注市场动态,准确预测市场变化,基于大数据分析与挖掘,充分利用信息平台优势、结合产品市场动向,及时反馈市场变化,以辅助银行后台进行有效的流动性管理。

  完善信贷审批模型

  平衡收益与风险是银行维持长久发展的根本保障。随着利率市场化程度不断加深,外部市场环境日益复杂,商业银行业务经营面临的流动性问题愈加严峻。面临不断提高的风险管理要求,商业银行应引入大数据思维,树立“用数据防风险”的新型风险管理理念。在大量的金融及非金融数据中,通过不断学习总结数据之间的内在关系,运用大数据相关关系分析法,结合机器算法模型找出隐藏在海量数据中的客户与风险之间的量化关系。充分利用银行内部历史数据以及阿里巴巴B2B、人人贷、淘宝等电商平台上积累的海量客户信用信息与行为数据,通过互联网数据模型和在线资信调查,结合第三方验证形成交叉检验,确认客户信息,进行信用评级,并根据客户的信用等级实行差异化的贷款定价。

  数据规模的优势可以弥补数据质量的不足,并在极短的时间内对海量原始数据进行分析,更精确地评估客户的信用风险。同时,依托大数据,搭建风险计量与欺诈防范模型,实行现场跟踪调查与非现场信息分析相结合、数据定量判断与经验定性判断相结合,研究对授信客户从贷前到贷后全生命周期的风险监测手段,建立综合式的风险监控中心。由大数据系统根据客户的历史数据对其贷款额度和贷款利率进行每月动态调整,以大数据思维构建全面风险管理体系,淡化部门色彩,推行全银行风险管理,深度挖掘客户信息,真实展现授信客户的信用状况。注重贷后持续风险监测,实时跟踪客户交易,若出现交易、存款等大幅度变动的异常情况,及时进行现场审查,以确保贷款安全。

  从实践的角度看,阿里金融充分利用淘宝、支付宝、余额宝、阿里巴巴B2B等平台的先天优势,积累了海量用户信用和行为数据,并在此基础上进行流动性管理,这为国内银行业利用大数据分析技术进行风险管理提供了良好的借鉴。

  加强人才队伍建设

  大数据时代,随着海量数据信息的爆炸式增长,商业银行内部数据不再仅限于客户的基本自然数据,其数据的种类与规模快速膨胀,传统的数据管理系统已很难做出准确的客户分析。对于当前的大数据分析而言,需要分析人员具有更强的数据分析解读能力和应变能力。他们不仅需要精通数据建模和信息挖掘,还需要具备良好的银行业务知识,能够将大数据分析技术与银行业务完美的结合起来,其关键在于打造一支属于银行的专业化复合型大数据分析团队。

  因此,各商业银行应积极实施人才战略,重点推进大数据人才队伍建设。重视人力资源管理,完善员工收入分配制度,激发员工工作的积极性与创造性。加强对银行员工的大数据分析培训及文化培训,增强团队凝聚力,打造专业化的大数据分析团队。商业银行应完善岗位设置,在培养自己的大数据分析人才的同时,注重引进外界优秀的大数据人才,全面提高银行整体的素质,营造良好的商业银行互联网金融文化氛围。

  结论

  经济“新常态”背景下,随着利率市场化以及“金融脱媒”的不断深入,我国商业银行的发展面临着巨大的转型压力。零售业务作为未来银行竞争的焦点,是商业银行创造核心竞争力的关键领域。推动零售业务的转型升级对商业银行的未来发展至关重要。而伴随信息技术与网络技术不断普及,大数据金融思想逐渐深入人心。大数据由于其经济性、时效性的特点,逐渐被应用于各类零售银行业务中,掀起了商业银行生产率增长的新浪潮,成为零售业务创新升级的关键。基于对互联网金融的深入了解,商业银行逐渐明确了大数据时代的发展方向:基于大数据理念构建银行大数据分析平台,掌握客户需求,提升价值创造能力,重塑零售业务销售与收入模式,完善银行信贷审批机制,加强大数据人才队伍建设,提高银行经营管理水平。

  为什么说不懂数据思维和零售思维就不要从事零售业?

  做零售行业谁都离不开数据,我一直认为数据和科技是改变未来行业的两大主题。其中数据尤其重要,但是反过来看,不管是线上零售还是线下零售,对数据的重视程度是千差万别,特别是传统零售。数据思维和零售思维这块基本上很弱的。

为什么说不懂数据思维和零售思维就不要从事零售业?

  数据思维

  我说几个问题大家可以自测一下,看你们知不知道自己的数据:

  1、你们知不知道这个月截止到现在为止,你们的店铺或者说你们区域VIP卡的贡献率是多少?

  2、上周你负责的店铺和负责的区域或者你公司的退货率是多少?

  3、上个月你的顾客的流失率是多少?

  4、你的店铺销售团队的流失率是多少?

  这四个数据如果你们能在30秒钟之内回答出来,证明你的数据化管理得不错。如果回答不出来,说明你的数据思维还比较偏弱。实际上这几个是我们平时不管是线上还是线下经常用到的数据,这些数据也许不是你本身工作内容,但是这些数据一定是每天的工作中,或者月会、周会上你经常听到的数据。回答不出来只说明当时你没有把他们”存储“下来。

  如果这几个数据管理失效的话,会让你的绩效考核、团队管理、企业数据化管理失效等等。有很多的危害。

  比如说VIP卡的管理,VIP卡的贡献率,我曾经遇到一个店铺,它一年销售两三千万,而其中62%的销量来源于同样一张VIP卡,做过零售的大概应该知道这里面的问题是什么。问题就是,大家都用同一张VIP卡。表面看上去没问题,大不了是店员刷点积分,年末拿点礼品,但是里面有天大的漏洞。

  会员卡一般都有打折的功能,如果一个顾客是现金买的,但店员按打折之后的价格录入系统里面,这里面的差价就很有可能被店员吃掉了。如果你在企业里面不关注这个数据,有可能你的绩效考核失败,因为他从VIP卡里面拿到的差价就可能大于他通过绩效拿的奖金,这样他还会在乎你的目标?肯定不会。

  刚才问大家的数据里的第二个数据是退货率。退货率表面上没什么关系,而实际上退货率仍然存在秘密。一些零售店铺的老手可以利用店铺在搞促销低价与正常售价之间的时间差,利用退货单来赚差价,细节我就不说了。这也会让你的绩效考核失效。

  所以从这个方面来看,要想有数据化管理,首先是对数据的管理。首先把你平时常规要用到的一些指标、一些数据在你心中进行管理。像退货率你需不需要每天、每周、每月都去统计?看哪些店铺有异常,还有团队的流失率你不关心吗?

  所以数据思维的第一步就是进行数据的基本管理,先得有数,这里面第一个要有数据意识,看到一些重要的数据要把它记下来,不管是记在头脑当中还是电脑里面,要有这种意识。同时也要求我们的店铺或者下属,或者我们的代理商要实时准确客观地传递数据给你们,对企业来讲如果店铺没有实时管理这些数据,谈数据化管理就是白谈。

  数据思维的第二步是要有养数据的意识

  我前两天跟一个朋友聊天,他说他的企业要用大数据进行管理。我说你现在连数据都没有,怎么进行大数据管理?我们现在大多数传统零售暂时不需要大数据管理,我们现在只需要小数据管理。

  大数据化不是说数据多就叫大数据,千万不要这样误解,是错的。而我们传统领域的数据往往都是小数据,离大数据还有很远的距离。特别是我们很多零售店铺连最基本的数据都没有,比如有的店铺某天做了10张单子,下班以后店长再把10张单子统一成一张单子录到系统里面,这样我没办法算出客单价和连带率,而这是零售店铺管理非常非常重要的指标。所以数据思维归根结底先得有数据,再去积累数据,最后把数据运用到业务中去,我们才能谈得上去做分析,去做绩效考核,去做管理。

  养数据包括把现有的数据质量提高,或者是把有些目前看似无用的数据纳入数据库中去,第三是要有前瞻性养数据意识,提前布局。

  零售思维

  做零售行业的应该都知道,就是那三个字:人、货、场。做零售的每个人都说,每天不说几次就好像OUT。这三个字能化解我们零售行业遇到的绝大多数的问题,遇到问题之后我们都从这个角度去做思考。比如说某个区域的客单价下降,对很多传统零售商来讲,他想到的是什么原因客单价下降,而不是主动去思索里面的逻辑。客单价可能跟商品有关,也可能跟人有关,也可能跟场有关,所以我们需要从人、货、场三个方面去思索客单价下降的原因是什么,才有找到背后的原因。而不是遇到一个数据出现问题,我们就去找答案,答案实际上是藏在逻辑里面。逻辑里面就是人、货、场。

  回到刚才说的客单价的案例,跟人有关,第一个跟顾客有关,第二个跟店铺员工有关,这样就分成了两维。而这两维里面还可以细分,顾客可以分成新顾客、老顾客、会员顾客或者中端顾客、高端顾客、低端顾客,到底是哪些顾客在下降?这里面就需要数据分析,去做对比,这就是数据化思维和人、货、场的结合。第二个是员工,我们也分成老员工、新员工。是老员工的问题还是新员工的问题?货和场也可以都往下延伸。

  零售业90%的问题都可以归纳到人货场的思维模式中

  我每次在给企业做培训的时候,都会用一个案例,用人、货、场的思维逻辑建立一个评价体系,将男朋友转化成老公的评价体系。就看你能不能想到男朋友或者是老公跟哪些人有关,或跟哪些货有关,这里面的货难道是指的商品吗?肯定不是商品,是指的货币和未来的价值,这是货,所以人、货、场之所以被称为零售行业的基本思维模式,是因为它还可以扩大,还可以去延伸。

  这是一张图,当我们发现店铺或者区域数据出现异常的时候,应该有怎样一种思维逻辑、思维方式。当我们发现店铺的数据出现异常,例如成交率下降以后,很多人的思维就是直接去找背后的原因,而不是先去梳理数据和逻辑,这样反而不容易找到背后的原因。所以我们去做零售思维的时候,一定要有逻辑。

  继续用客单价来比喻,如果发现某个店铺的客单价异常,我们第一步要想这里面数据源是不是有问题,是不是算错了?如果建立在错误数据源基础上去找委托的原因,自然就是拍脑袋做无用功。比如客单价的数据上很有可能是去年团购拉高了客单价,今年没有团购客单价当然自然就下降了。这个时候你还得去找客单价下降的原因是不是就没有任何意义?

  所以遇到数据异常的先要看数据源是不是有问题,如果数据源没有问题,那么看同一个品牌下,A店铺如果客单价下降,我们要看同一品牌下面B店铺、C店铺、他们有没有客单价下降的情况,如果别的店铺也有客单价下降的情况,说明这是一个品牌共性的问题,而不是单单这一个店的问题,你就不能只找这一个店的毛病,去找整个公司或者区域的品牌出现了什么客单价的原因。

  如果同一品牌下面别的店铺,或同一个城市的别的店铺没有这种客单价下降的原因,只有这个A店铺有客单价下降的原因,这个时候我们要过渡到第三步,要看本区域内其他对手有没有此问题,A品牌客单价下降了,同一个商场里面B品牌客单价有没有下降,C品牌有没有下降,D品牌有没有下降,如果整个区域里面大家的客单价都在下降的话,说明是整个区域出现问题了,而不是单单A品牌这个店的问题,思考问题的方式又不一样了。

  如果说区域也没问题,就是A品牌在这个店有问题,竞争对手没问题,其他店铺也没有问题,这个时候才可以用人、货、场进行思考了。找到和人、货、场相关的一些数据进行分析,有没有人的问题,有没有货的问题,有没有场的问题,就回到刚才我们说的人、货、场的那种思维逻辑里面。

  看趋势、看对比,最终找到问题产生的原因,这就是将零售思维和数据思维相结合的一个非常好的一张图片,你可以慢慢品尝这张图片。这张图片很强大的,当然有时候我们发现某个店铺的客单价出现问题,同时发现整个品牌也出现问题了,或者整个区域也出现这个问题了,也就意味着同时具有品牌共性和区域共性的问题。出现这种情况,那就说明一个问题,那就是市场出现了问题,那个时候就不是对一个店和一个品牌的问题,是整个大环境的问题,就需要用其他方法去解决。

  无论是数据思维还是零售思维都需要花时间去练习,让他们变成一种思维习惯。

  相关阅读:

  浅析零售业大数据构成要素

  传统零售业的精准营销:大数据的魅力

  注:本文系数据观原创精编稿件,转载请注明来源:数据观www.cbdio.com,百度一下“数据观”,获取更多大数据相关资讯。

  数据观有相应的APP

  下载到手机请扫描以下二维码

  数据观APP手机安卓版下载,请扫下面的二维码(安卓QQ扫描下载)

    

  数据观APP手机苹果版下载,请扫下面的二维码

    

  下载到电脑请点击以下两个链接

  数据观APP安卓版下载地址

  数据观APP苹果版下载地址

责任编辑:张琰

分享:
延伸阅读
    大数据概念_大数据分析_大数据应用_大数据百科专题
    贵州

    贵州大数据产业政策

    贵州大数据产业动态

    贵州大数据企业

    更多
    “智慧中国杯”全国大数据创新应用大赛
    企业
    更多