以服饰零售业务为例，规划零售中心数据分析体系

背景：

现阶段公司的数据分析体系以数据报表集合的方式呈现，系统是单纯的从数据呈现思维来设计，难以从报表中直观发现业务问题。

各层管理者为了制定决策就需要更多的人工制表，并且最终的决策也不能回流到系统中，决策量化和跟踪也很困难。

零售中心是零售企业的前线和也是零售决策的中枢，为了实现完成数据驱动决策的愿景，笔者计划通过设计服务于零售中心的数据分析和决策协同系统赋能企业数据决策，帮助数据分析和业务策略更好的融合。

1. 数据决策系统案例分析

大数据分析的意义不是呈现炫酷的报表，而是要条理清晰的层层拨开业务的真实面目，发现业务中的问题。

设计之前，我们可以先来看看，在已有的数据决策平台建立起的数据决策是怎么样的。

满足的核心需求有哪些？

1.1 案例一：纯商品管理系统—某合大商品

公司采购的零合大商品系统是建立在处理商品管理业务的基础上，构建各工作节点的业务管控模型。

虽然是完全服务于商品的系统，但是最终商品的好坏还是在零售端体现的，一切商品的策略也是基于零售结果。

在零售数据分析方面，本系统中由分区监察、区店监察、品关监察、波段监察四个模块完成；对零售结果的跟踪，可以从大区，店铺逐级钻透，最终通过调拨来针对渠道匹配合适的商品。

商品的分析是全盘考虑的，以售罄和折扣控制论英雄。

在零售部门查看数据的时候，个体店铺的微小变化一般不会影响大盘数据，但是个体店铺的变化对于店铺本身却是致命的，不及时调整就会导致店铺的衰落。

适合商品的管理系统，有利于商品的全盘调整，对零售数据分析的支撑略显不足。

1.2 案例二：商品流管理咨询管理—某某信睿（韩都模式）

基于TOC理论的商品流全生命周期运营管理系统，由生命周期系统、爆旺平滞、动态定价、预测系统四大核心引擎支撑销控、库控两项业务模块。

这个系统是典型的报表式系统，里面是四大核心引擎：

生命周期也是展示了一个商品的预上中季下五个阶段的零售表现；

爆旺平滞是数据指标经过处理后以爆旺平滞的标签进行分类分级，可以对商品的各个维度以爆旺平滞的方式评价；

然后如果发现商品的零售结果没有按照预期的进行，业务人员就可以通过动态定价进行干预，以保证最后的目标完成；

预测系统一直没啥实际功效。

本系统中考虑了商品和零售的结合，在数据分析的基础上，并不单纯的货品调拨；而是通过零售运营策略的调整来实现规划目标，并通过数据反馈滚动计划，实现对零售结果的可控。

我是非常认同这个系统的设计思路的，可是笔者觉得这个系统步子迈的有些大。在以报表呈现为核心功能的系统上，已经开始研究如何通过Ai来预测业务，自动化调整经营策略，这似乎有些过于激进。

1.3 案例三：企业ERP—某供应商软件报表中心

目前公司在了解业务情况时进行数据分析，主要的数据来源就是公司的ERP的报表中心。

报表中心提供了：零售汇总报表、零售汇总（总部成本）报表、店铺营业日报表、店铺营运分析、零售付款方式报表、零售价格段分析报表、店铺时间段业绩分析、店铺月营业指标分析、店铺日营业指标分析、店铺日同环比报表、店铺周同环比报表、店铺月同环比报表、产品组合搭配销售分析、天气气温零售查询报表、商品零售排行榜、店铺好滞销(按款)分析、店铺好滞销(按条码)分析、店仓零售排行榜、营业员排行榜、员工业绩分析、零售分析报表、门店客单分析报表、零售追踪报表、门店客单分析报表（不含退换货）、自营加盟零售分析报表、店仓零售商品季节占比报表、零售类别占比报表等。

这些报表从多个维度和统计口径反映了各渠道具体商品的销售额、销件、款式、同比、环比、完成率、排名等数据指标。基于这些指标结合标签数据，可以进行人、货、场三个维度的分析。

经常用的是基于杜邦分析法进行业务拆解，基于数据上的判断制定零售策略和商品策略，形成对问题的对应解决方案。

以上三个案例，分别从纯商品管理、商品+零售、零售三种类型的系统的数据分析体系讨论。我们可以明显看到：商品和零售交融影响，但又需要层层剥离找到根源。

为增加零售业绩、带动业务增长可以通过规范化的协同做好逐级的数据分析，一切数据来源于系统，一切决策回归于系统。数据决策系统的战略是构建一个由BI>BA>AI逐级发展的决策辅助平台，以上案例中的相关策略是否适合数据决策系统呢？

下文中，我将以零售数据分析体系为例，讨论如何搭建数据分析体系。

2. 零售数据分析体系

2.1 为什么需要零售数据分析体系

“一切业务数据化，一切数据业务化”，企业发展的过程都在经历着业务标准化和业务数据化。

而接下来的“数据业务化”则是将已经成为资产的数据作为生产资料融入业务价值的创造过程，使之持续产生价值，在数据与业务结合的过程中也遇到了很大的挑战：

1）数据分析制表需求庞大

在零售企业中常规的数据分析能够提供规范化的报表，用于初步判断经营状况。

当需要深入挖掘数据问题时就需要更多的数据指标结合，通过判断多个变量的因果关系，找到引发业绩变化的影响因素，进而制定活动策略。

但多个数据指标结合下来产生了报表量是惊人的，两个维度下的两个指标，可以绘制N张报表，这也是表哥表姐辛苦的原因。

2）分析与业务执行协同困难

数据分析的根本数据来源是终端，业务决策的最终执行是终端。业务决策人员需要一个完善的问题反馈路径和策略追踪路径，观察倾听前线声音，贯彻落实运营工作。

零售中心作为企业零售决策中枢，需要通过数据化分析发现问题科学决策，并推动策略完整落实。

而通过系统化的模块服务于这条业务链，让数据和决策可以从终端中来，到终端中去，形成数据和决策的完整闭环，助力数据驱动业务。

2.2 零售数据分析体系的目标

帮助业务了解经营现状，追踪零售动态，高效透析数据，形成店铺诊断；

支持终端店员到区域经理到总部管理层的数据分析工作，并能将问题逐级传递；

将各层级制定的营销计划和应对方案反哺系统，形成数据和决策的闭环；

培养员工数据管理意识，带动全员基于数据思考。

3. 零售数据分析体系框架设计

3.1 基于渠道的数据分析角色

在企业中，有很多种销售渠道，品牌型企业会有自营、联营、托管、分销等。本文以自营零售为例，零售分析根据企业管理架构，由终端店员、区域经理、大区负责人、总部逐级分析汇报。

这种模式下通过组织架构层级划分角色，依托组织结构的上下级关系，配置账号数据权限，可以满足业务需求。

如图所示，在一个零售分析系统中，自上而下设立了4级组织分区：

账号1是—总部管理角色，处于根节点的位置，数据权限范围是“全部”部门；

账号2是—大区管理角色，数据权限是“本部门及下级部门”；

账号3是—分区主管角色，数据权限是“本部门及下级部门”；

账号4是—店铺员工角色，数据权限是“本店铺和对比店铺”。

根据不同角色有不同数据权限，并且由于各角色下关注的问题点不同，数据呈现方式也可能所不同。

3.2 数据分析各角色的业务需求

1）终端店铺层级数据分析需求

店长对于数据的研究要致力于如何提升每一周的业绩，有如下工作需要进行：

检查本店业绩的完成状况；

查看本店TOP款与大区TOP的差异，寻找本店是否也可以做出突破；

查看各个款式的试销成功率，并提出具体的补货建议；

针对滞销款进行原因分析，制定进一步的方案，如果有必要可以向区经和总部申请援助。

2）分区层级数据分析需求

分区在做工作总结时，主要要发现本区业绩波动的原因：

分析本区的业绩（单周同比环比，累计同比环比）差异：如果报表呈现的结果是增长的，就要总结业绩好的理由，并复盘具体动作，把成功的经验沿用到下一周；如果数字不够乐观就找到业绩受挫的根源，有的放矢的采取措施，努力提升周的零售；

在款式上，要查看本区TOP款SKC清单与其他分区TOP有无差异，对于差异的款就要向其他分区学习经验并内部传播。

3）大区层级数据分析需求

大区在做工作总结时，主要要发现本区业绩完成进度：

分析本区的业绩（单周同比环比，累计同比环比）差异，根据完成进度进行动态定价，调整促销策略和频次；

在货品方面，要查看本区年份季节品类等属性的销售占比是否合适，判断销售节奏是否正确，实施合理的补货和清促计划。

4）总公司层级数据分析需求

总公司在做工作总结时，主要要分析战略目标的完成进度：

分析大区的业绩进度，根据完成进度给予活动支持、折扣或清促活动授权；

确认财务现金流情况，保障财务健康；

在货品方面，分析入库进度和品类结构分布，适当追单调整；

跟进战略项目进度，评估项目价值和成果。

5）信息反馈业务需求

各级管理层在数据分析过程中需要知道终端发生了什么，另外终端也有反馈需求的诉求，最后在管理层的决策传达到终端也有必要跟踪任务的执行情况：

终端业务自评信息提报；

终端竞品经营情况提报；

管理层任务执行跟踪。

3.3 各角色业务需求分析

1）终端店铺用户需求分析

2）分区主管用户需求分析

3）大区经理用户需求分析

4）总公司决策需求分析

3.4 数据汇总分析的关键指标

数据分析的最终呈现是关键指标，业务人员也是根据这些指标来把握经营的现状的。

确定核心指标最重要的是找到正确的核心指标，零售业中一个商品在不同生命周期阶段核心指标对经营结果的营销比重在不断变化，要针对业务需求重新考量权重。

通过数据的钻取功能，可以让业务人员根据需要钻取到不同的颗粒度任意组合指标。

3.5 店铺互动的积分体系

提升全员的数据分析能力对企业的价值有很多种，不一定是直接增加收入，也可能是降低运营成本，甚至更多时候是降低决策的风险及失败率。

但很多员工，特别是终端员工可能没有这种意识，为了更好的把握终端状况，通过积分体系拉动员工参与企业数据化管理。

1）店铺积分发放规则

在日常使用平台中，很多产品都有会员等级的划分，但B端产品为了提高员工的参与积极性也可以借鉴这种模式。

在数据分析系统中跟进互动情况分发积分，可以从为企业产生价值的角度进行积分发放，有如下情况：

自身分析结论和竞品信息提报；

分析结论被采用。

本系统中的积分按照如下规则：

后期可根据实际情况增加项目或修改积分数量

2）店铺积分权益

为了店铺持续参与数据分析，也让新开店积极参与，设计基于积分的兑换规则消耗积分。积分权益设计是引导员工参与，强化员工习惯的重要一步，将积分每月汇总作为当月表现评判参考值。

积分权益包括：

按月积分排行发放奖金或荣誉奖；

兑换专属优惠券：一次性消费，会员专属，不退还，存在有效期和消费限制；

参加总部数据分析培训。

积分清空规则：

每个月滚动清空3个月前的积分。

3.6 风控设计

成本核算，企业直接成本在于积分的投入，最终会以优惠券等形式进行财务结算。

员工获取积分主要通过提报分析报告和上报竞品动态，在公司管理架构下，能够正常约束，避免恶意刷积分。为防止不正当获取积分的行为，可以数据埋点，监控提报信息量与信息采纳量，当采纳率过低时对店铺进行警告或处罚。

3.7 功能模块分解框架图

4. 用户使用流程图

4.1 数据分析

1）终端店铺用户数据分析

2）分区主管用户数据分析

3）大区经理用户数据分析

4）总公司决策数据分析

4.2 决策协同

5. 用户原型设计

选几个典型功能做原型设计展示，更多原型还在绘制中：

5.1 零售分析-总部

5.2 零售分析-分区

5.3 决策协同-分区

6. 总结

零售业务处于不断对上周的工作进行总结，对下周的工作制定策略的迭代过程中。对零售报表的解读就是要从数据中分析问题，零售业的数据信息量非常大，多个指标有递进有关联。

笔者从多角色，从点-线-面 多角度反应经营结果，帮助分析人员了解现状，发现经营问题。

在分析的同时通过决策协同模块呈现终端对业务的判断，让决策者看到终端的见解；并且可以跟进策略执行追踪业务的执行，让终端了解决策者的想法，让基于数据的决策融入业务流程中，让零售策略的迭代有迹可循。