新零售怎么做数据分析（新零售模式怎么做）

并不稳定的经济形势下，零售行业的发展仍呈现上升趋势。

根据德勤最新研究报告《2022全球零售力量》，2020财年（自 2020年7月1日起至2021年6月30日结束的财政年度）全球零售250强共计创收5.11万亿美元，复合增长率达5.2%。中国零售商首次跻身全球零售前十强，14家跻身250强的中国零售商在2020财年的同比增长高于榜单上其他主要国家的零售商。

中国零售的强劲增长，离不开中国零售行业数字化进程的加速推进。“新零售”阶段，数字化的创新应用成为零售行业应对挑战和不确定因素的致胜法宝之一。

— 01 —

迈向“新零售”，机遇与挑战并存

1.技术消费双升级，带动零售走向“新零售”

技术升级：云技术、大数据、物联网等构建起了数字经济时代的新基础设施，云、网端深度融合，零售行业的服务边界进一步扩展，在技术的驱动下，零售逐渐发展，迈向“新零售”阶段。

消费升级：2021年，中国人均收入突破1.2万美元，互联网用户群增加至10.32亿，中国社会消费品零售总额突破了44万亿元。中国消费水平不断提升，互联网流量渗透率不断增加，消费者的需求日益迈向个性化、多样化，消费升级牵引着零售变革，“新零售”已成为必然趋势。

2.新零售，新挑战

（1）流量红利已见瓶颈，用户存量运营日趋重要

CNNIC数据反映了互联网流量环境，2016-2020年中国网民规模及移动网民规模逐年递增。截至2020年末，中国互联网用户量高达9.89亿，网民渗透率为70.4%；移动网民规模高达9.86亿，渗透率为70.2%。

高渗透率一方面驱使零售行业企业主重视线上渠道的销售与营销；一方面说明流量红利向上增长空间受限，零售企业亟需做好用户精细化运营，更好地满足用户需求。

（2）新消费崛起，如何借助DTC模式重塑品牌力成为难题

新消费带来了新生态，也带来了新难题，传统的营销手段正渐渐失效，如何在个性化、多样化的消费浪潮中重塑品牌力，成为了摆在零售企业面前的一道难关。在此背景下，DTC模式（Direct To Consumer，指直接面对消费者的营销模式）兴起，零售企业数字化进程亟需进一步加速，才能在产品的精准开发、二是线上线下渠道融合、社交媒体营销传播、产品的交付以及售后与服务等方面实现与消费者的对话。

（3）行业竞争加剧，数据成为零售企业核心竞争力

流量增长趋缓，各平台的获客成本攀升，零售企业的野蛮生长时代已经过去，各大零售企业纷纷在新的销售渠道、新的内容、新的产品和理念等各赛道发力，通过数据驱动，实现盈利增长，成为了零售企业的核心战略。

但由于零售行业的数字化进程多由各部门驱动，缺乏整体规划，导致出现数据孤岛、业务分离、时效性差、难以支撑决策等问题。用好数据，赋能发展，是零售企业进一步提升竞争力的必然选择。

— 02 —

大数据助力新零售降本、增效、提质

业态变化快、消费升级加速、行业竞争加剧……要在复杂变幻的大环境下顺势生长，直面市场的新零售需要对于目标用户有着精准的定位，对于经营策略有着明确的衡量和优化手段，在不断提高质量、保持消费者满意度的同时，追求成本与效率优先原则，从降本、增效、提质三方面，重塑竞争力。

不管是处在哪个阶段的零售行业，其本质都是将“货”通过“场”送到“人”手上。我们可以通过简化、高效化这个过程的各个环节，采用精准运营和优化供应链的方法，来降低成本；通过充分发挥内部人效和借力外部工具，来实现效率的提升；通过对“货”与“场”的提升，在商品竞争力和用户体验感层面下功夫，来让自身在商品市场上立于不败之地。

而这些，我们都可以借助大数据来实现，通过搭建战略性的大数据分析平台，用数据助力新零售企业转型升级。

1.降本

（1）精准运营，降低品牌损耗

精准运营是一条实现零售企业低风险开发、低成本损耗的路径。利用数据驱动，推进品牌建设、精准运营用户并进行营销，是很多“先人一步”的新零售品牌的“战略标配”。

下图是零售业数据应用金字塔模型，我们可以看到，搭建数据基础平台提高数据拉通能力，利用用户唯一ID和用户画像实现用户的基础运营，是企业其他业务开展的基础保障。

（2）优化供应链，降低经营管理成本

新零售的关键能力之一是供应链，一个有竞争力的新零售供应链能灵活配置资源，实现成本的精准控制，它通常具备以下3个特征：

①拉式供应链：以顾客为中心，通过对实际需求较为精确的预测来拉动产品生产和服务的供应链；

②敏捷供应链：消费者的需求日益个性化，供应链能否灵活配置资源，快速准确的响应需求；

③数字化供应链：通过数字化的方式来实现各个供应链环节更好的协同，同时利用整个数据来驱动决策。

零售企业可以应用数据预测分析来实现供应链的优化，打造拉式和敏捷供应链。通过产品特征，如新品、成长性产品、小众品牌等，选用不同的算法模型，再根据结果实现区域分层指标调节，自动优化分解销售指标，通过预测结果各部门协同校准，有效解决企业销售预测问题，进而指导供应链优化。

可以通过建设数据中台，实现高效协同的数字化供应链。供应链端到端的数据采集和整合是实现全渠道零售的基础，打通OMS、WMS、DRP、POS、ERP等信息管理系统，完成从分散到集中的转型，实现整个供应链协同的智能运营。

2.增效

（1）激励指导，提高员工效率

零售企业要提升效率，首先就需要从提高内部效率入手。

一个统一的数据平台能帮助简化内部工作流程，及时反馈数据，并建立起有效的激励与指导体系，能有效地帮助提升员工效率。通过对公司的人员指标进行分析，特别是对销售人员指标（着重销售指标，毛利指标为辅）和采购员指标（销售额、毛利、供应商更换、购销商品数、代销商品数、资金占用、资金周转等）的分析，达到考核员工业绩、提高员工积极性、为人力资源的合理利用提供科学依据的目的。

就拿零售中常见的门店运营场景来说，可以通过商业智能搭建门店管理体系，在业绩、营销、门店形象、团队建设等方面都实行统一管理，对门店的活动、团队稳定性、导购个人能力、消费者偏好、门店热销商品推广等方面进行针对性的分析和促进。找到并精准定位门店管理的问题，制定改善措施，通过实时数据来监控改善措施是否有效，绩效目标是否完成，解决掉经营异常，通过不断地改进试错，来提升门店的管理水平和经营效率。

（2）业务优化，实现数字化闭环

①渠道监控

亿信华辰曾帮助某知名快消品糖果公司进行城市管理工具建设，建立起了一个以城市经理，客户经理，渠道经理，经销商负责人为目标用户的，基于数据采集、整合、展现、分发、门户集成功能的综合型业务运作支持平台，高效地实现了渠道管理。

渠道的监控管理可以从核心KPI出发，如渠道数量、订货、提货、回款、毛利的数字、目标、完成比、占比等，到渠道区域分布和提货量、回款和提货排名，然后延伸至产品维度的订货情况、排名分析，以及区域→部门的下钻归因分析等。通过这些数据可以及时了解不同终端在不同区域、不同渠道、不同时间段的销售情况，真正做到快速发现问题、快速分析原因、快速制定策略、快速执行方案、快速取得反馈、快速分析结果。

②促销管理

商业智能可以帮助实现数字化闭环促销管理流程。

促销规划：选择促销商品，录入促销商品和促销机制；

预测：初步确定促销商品清单、初步确定促销价格、启动销量预估与备货量计算；

审批：审批预估和备货量，基本确定促销单品和价格，完成后锁定单品和预估；

备货：确定单品价格、给供应商下采购订单；确定门店配货量、启动大仓向门店配货；

开始促销：跟踪促销效果，据促销效果调整供应商到货计划、大仓配货计划和店铺商品陈列；

促销结束：分析促销效果、预估和备货准确率，对促销数据进行归档分类。

（3）决策支持，提供方向指引

搭建一个敏捷反应、指导性强的决策支持系统，能帮助零售企业灵活应对市场变化。通过驾驶舱让管理者对库存金额、周转率、供应链成本等关键指标能够实时掌控，为公司决策层降低成本、提高效率提供决策支持服务。

亿信华辰曾帮助某运动营养的龙头企业搭建了决策支持系统，协助高层管理人员站在纵观全局、运筹帷幄的高度，从纷繁复杂的数据信息中迅速地找到数据信息与数据信息之间的关系，从而获得各种统计结果和分析判断。通过关键指标预警、营运数据分析等，增强了企业快速管理决策的反应能力，快速根据内外部需求来调整战略。

3.提质

（1）加强商品竞争力

商品是零售企业的核心，通过数据支撑商品的管理、销售等工作是关键。

商类分析的主要数据来自销售数据和商品基础数据，据此产生以分析结构为主线的分析思路，主要的分析数据有：商品的类别结构、品牌结构、价格结构、毛利结构、结算方式结构、产地结构等，从对这些数据的分析中产生商品广度、商品深度、商品淘汰率、商品引进率、商品置换率、重点商品、畅销商品、滞销商品、季节商品等多种指标，通过对这些指标的分析来指导企业调整商品结构，加强商品的竟争能力和合理配置。

一个合理且随需应变的价格体系，也是零售企业在商品层面的竞争力的一部分。商业智能在价格体系优化中起着至关重要的作用，它能通过不同的分析算法，实现多种功能：监视库存水平，监控分析商品备货情况；跟踪需求，实时自动实时响应市场挑战；配合活动制定销售策略；针对销售业绩目标及产品备货情况进行产品定价、上下架等选品分析。

通过价格优化，零售商可以确定何时降低或提高价格，提高自身在商品层面的市场竞争力。

（2）提升用户体验感

用户体验的主要影响因素有三个：消费场景、数据赋能和会员营销。零售企业可以通过大数据技术了解用户、预测客户、影响客户，最终评估客户体验以及留存：利用消费场景获取流量并提供体验，通过会员营销做好服务发展社群，再基于获取到的数据进行终端建设和会员赋能，提供精准营销。

亿信华辰曾帮助某知名化妆品连锁零售企业建设数据分析平台，基于已有数据提炼整理数据挖掘模型，构建以会员为主题的用户画像，进行用户咨询率、活跃度、流失率的预测，并结合市场推出适当的营销策略，通过关联分析、提升会员复购、活动促销，该连锁企业实现了门店营收17%的增长。

— 03 —

“新零售”如何建设大数据分析平台，实现数据价值？

1.梳理需求做规划

（1）理清需求

业务分析需求是第一步，也是最困难的一步：IT部门很难深入了解到业务需求，业务部门又很难将分析需求准确传达给IT部门。

那如何能够非常清晰的梳理好一个完整的业务分析需求，并且用业务部门能够理解的语言进行有效沟通？正确的做法是提供方案的原型图，这样既能激发业务人员说出需求的欲望，也能让双方站在可以相互理解的角度进行沟通，最终出来的效果也会更加符合企业的期望。

（2）做好规划

做好规划主要需要考虑以下三个层面。

应用层面：根据零售企业内部不同的角色、场景、数据量以及数据使用情况来进行应用层面的规划。

实施路线规划：从系统规划、指标体系、数据模型、业务应用等维度综合企业情况进行分阶段规划。

实施阶段规划：企业长期发展战略、业务需求的紧迫性、对公司决策的重要性及可能带来的经济效益、项目完成时间及难易程度、源数据系统状况等都是零售企业大数据平台建设实施阶段规划的主要需要考虑因素。一般来说，可以先从已有内部“小数据”应用做深做透，再根据需求结合外部数据逐步“做大”。

2.定义指标体系

指标直接反映企业的生产运营状况，为企业决策提供数据支撑。零售企业要系统地看待数据、用好数据，定义一个合适的指标体系、明确公司各业务线指标是关键重点。

要明确指标，常用的方法是指标分级方法。指标分级主要是指标内容纵向的思考，根据企业战略目标、组织及业务过程，进行自上而下的指标分级，对指标进行层层剖析。指标分级主要分为T1、T2、T3三级。

（1）T1：公司战略层面指标

T1指标用于衡量公司整体目标达成情况，主要是决策类指标，通常服务于公司战略决策层。

零售企业的战略目标体现在公司各个层面，并环环相扣。首先就是财务层面，如企业盈利的持续增长目标。但要实现这一点我们又需要对企业内部的一系列关键业务流程如商品运营、门店运营、会员运营等进行持续优化，从而给顾客带来价值，提升企业盈利；而要实现这些方面的精细化运营和智能决策，在人力资源层面也需要加强员工学习和相应绩效激励……

（2）T2：业务策略层面指标

为达成T1指标的目标，公司会对目标拆解到业务线或事业群，并有针对性做出一系列运营策略，T2指标通常反映的是策略结果属于支持性指标同时也是业务线或事业群的核心指标。T2指标是T1指标的纵向的路径拆解，便于T1指标的问题定位。

以连锁零售企业为例，在T1级可以梳理出单店营收这个核心指标，而将单店营收纵向拆解到业务线或事业群，即可得到客户数、复购率、客单价等T2指标。客户数主要体现在顾客服务和会员营销层面，所以可以定位到营运部和品牌营销部；复购率分为门店复购率和产品复购率，门店复购率主要受门店的QSC（卫生、服务、品质）影响很大，所以可以定位到营运门管部……

按照这个逻辑层层拆解，即可将指标定位到具体部门，从而具体指导业务。

（3）T3：业务执行层面指标

T3指标是对T2指标的拆解，用于定位T2指标的问题。T3指标通常也是业务过程中最多的指标。根据各职能部门目标的不同，其关注的指标也各有差异。T3指标的使用通常可以指导一线运营或分析人员开展工作，内容偏过程性指标，可以快速引导一线人员做出相应的动作。

比如针对一线销售人员，我们可以关注销售额、成交率、投诉率、平均接待时长等指标；针对营销部，我们可以关注转化率、目标完成率、促销爆发度与衰减度等指标。

在明确了具体指标后，我们就可以选用合适的分析模型方案，例如OSM模型，并在相关部门共同沟通的基础上，完善指标体系框架，确定统计的维度和粒度。当底层数据准备好以后，就可以按照整理的逻辑，指标计算方式，正常进行指标计算、报表开发了、以及应用于后续平台搭建中。

3.建设数据中台

在信息化建设过程中，零售企业积累建设了包括ERP、MES、CRM、WMS、TMS、POS等在内的各种业务系统，而随着线上线下各种零售渠道的涌现，线下门店、自有商城、电商平台、社交软件平台等渠道也带来大量碎片化的数据。这种情况下，零售企业可以通过搭建数据中台，来实时更新“进-销-存”数据并与营销数据结合以实现智能化的数据分析，通过统一的会员数据管理搭建全场景的消费者画像以实现精准营销。

华致酒行依托智能数据治理平台——睿治，搭建数据中台，整合主要的业务系统源数据，建设了一套准确、完整、强大的基础数据平台。通过数据中台融合多个业务系统数据形成一致的数据模型，打通了华致酒行内订单数据流转、商品数据业务流转、营销数据业务流转、库存数据业务流转、组织管理数据体系机商品运营数据体系等。在数据的关联关系中发掘更多的数据价值，支撑客户画像、商品销售分析、洞察客户消费行为等应用场景。

4.可视化指导决策

要让数据真正用起来，需要通过可视化分析，来让数据一目了然地指导业务、指导决策。可视化的分析报表的逻辑设计主要是依据前期的业务人员搭建的数据指标体系而定，利用常见的可视化图表来做业务数据的展现。

亿信ABI能通过各种分析手段（包括：统计图展现、报表查询、即席分析、报告分析、领导驾驶舱、地图分析等），满足各类分析场景的需求（包括：综合业务查询、KPI指标展现、季度汇报报告、数据自助探查、指挥中心大屏等）。

— 04 —

小结

近几年来，新零售业态在技术与战略重重加持下实现了快速演进发展，我们见证了许多新零售行业的新巨头崛起，也见证了许多新零售的商业奇迹。

这是一个“不进则退”的时代，拥抱变化、积极变革，应用数据与技术推动数字化转型，是新零售实现降本增效提质的必然选择，是新零售实现新增长的必经之路。