1、什么是数据化管理
- 1.1 数据化管理的概念
- 1.2 数据化管理的作用
- 1.3 数据化管理的意义
- 1.4 数据化管理的四个层次
- 1.5 数据化管理流程
2、寻找零售密码
- 2.1 周权重指数
- 2.2 周权重指数的计算
- 2.3 周权重指数的应用
- 2.4神奇的黄氏曲线——单位权重（销售）值曲线
- 2.5案例——数据化排班
3、销售中的数据化管理
- 3.1 销售追踪
- 3.2 常用的销售分析指标
- - “人”的部分
  - “场”的部分
  - “财的部分
- 3.3 确定指标的重要性
- 3.4 提高销售额的杜邦分析图
- 3.5 促销中的数据化管理
- - 影响冲动性购买的因素
  - 零售业常用的促销方式
  - 促销活动的准备、执行和评估
4、商品中的数据化管理
- 4.1 常用的商品分析指标
- 4.2 常用的商品分析方法
- 4.3 商品的关联销售分析
- 4.4 商品的库存管理
- 4.5 商品的利润管理
- - 商品的现值
  - 商品现值使用规则及注意事项
  - 库存的现值分析法
5、电子商务中的数据化管理
- 5.1 数据分析是电商运营的指路明灯
- - 电商和传统零售的区别
  - 电商数据分析需要的数据
  - 电商数据来源及分析工具
  - 电商数据分析指标
  - 关键指标
- 5.2 流量及会员数据分析
6、零售策略中的数据化管理
- 6.1 渠道策略的数据化管理
- - 渠道分类
  - 渠道拓展分析
  - 渠道的管理指标
- 6.2 会员策略的数据化管理
- - 会员管理的几大误区
  - 会员数据分析
  - 会员价值分析
  - 会员的生命周期管理
  - 会员购买行为的研究
- 6.3 竞争对手分析
- - 竞争对手分类
  - 竞争对手数据收集
  - 竞争对手的分析方法
- 6.4 营运策略的数据化管理
- - 销售预测方法
  - 制定年度销售目标
后记

书名	数据化管理
副标题	洞悉零售及电子商务运营
作者	黄成明
出版社	电子工业出版社
ISBN	978–7–121–23406–4

本书通过大量案例深入浅出地讲解了数据意识和零售思维，作者将各种数据分析方法融入到具体的业务场景中，最终形成数据化管理模型，从而帮助企业提高运营管理能力。尤其本书通过讲述两个年轻人初入职场的故事，构建了一个职场老人带教新人的场景，以人物对话的形式，来指导读者学会应用数据化思维解决实际问题。可以说既是一套商业分析的方法论，又是一本数据实践的参考书。

1、什么是数据化管理

1.1 数据化管理的概念

数据化管理是指运用分析工具对客观、真实的数据进行科学分析，并将分析结果运用到生产、营运、销售等各个环节中去的一种管理方法。

根据管理层次可分为业务指导管理、营运分析管理、经营策略管理、战略规划管理四个由低到高的层次。

根据业务逻辑还可以分为销售中的数据化管理、商品中的数据化管理、财务中的数据化管理、人事中的数据化管理、生产中的数据化管理、物流中的数据化管理等。

1.2 数据化管理的作用

是一部CCTV(Closed Circuit Television ,闭路电视)，起监控作用，可以通过数据及对应的分析指标监控到业务的各个层面。
是一台预警机，提前预测销售、客流、访问量、盈亏等数据，业务层面可提前做出反应，从而制定对应的策略。
是一架播种机，为新产品、新策略、新政策的制定提供数据支持。
是一台CPU(Central Processing Unit，中央处理器)，即一个企业管理的核心。

1.3 数据化管理的意义

从数据化管理的流程来看，应用是数据化管理的核心。

量化管理
最大化销售业绩、最大化生产效率
有效地节约企业各项成本和费用
组织管理、部门协调的工具
提高企业管理者决策的速度和正确性

1.4 数据化管理的四个层次

业务指导管理
营运分析管理
经营策略管理
战略规划管理

1.5 数据化管理流程

分析需求
收集数据
整理数据
分析数据
数据可视化
应用模板开发
分析报告
模板应用

#mermaid-svg-ESwSJ6K8rcpxawym {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-ESwSJ6K8rcpxawym .error-icon{fill:#552222;}#mermaid-svg-ESwSJ6K8rcpxawym .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-ESwSJ6K8rcpxawym .edge-thickness-normal{stroke-width:2px;}#mermaid-svg-ESwSJ6K8rcpxawym .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-ESwSJ6K8rcpxawym .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-ESwSJ6K8rcpxawym .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-ESwSJ6K8rcpxawym .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-ESwSJ6K8rcpxawym .marker{fill:#333333;stroke:#333333;}#mermaid-svg-ESwSJ6K8rcpxawym .marker.cross{stroke:#333333;}#mermaid-svg-ESwSJ6K8rcpxawym svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-ESwSJ6K8rcpxawym .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-ESwSJ6K8rcpxawym .cluster-label text{fill:#333;}#mermaid-svg-ESwSJ6K8rcpxawym .cluster-label span{color:#333;}#mermaid-svg-ESwSJ6K8rcpxawym .label text,#mermaid-svg-ESwSJ6K8rcpxawym span{fill:#333;color:#333;}#mermaid-svg-ESwSJ6K8rcpxawym .node rect,#mermaid-svg-ESwSJ6K8rcpxawym .node circle,#mermaid-svg-ESwSJ6K8rcpxawym .node ellipse,#mermaid-svg-ESwSJ6K8rcpxawym .node polygon,#mermaid-svg-ESwSJ6K8rcpxawym .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-ESwSJ6K8rcpxawym .node .label{text-align:center;}#mermaid-svg-ESwSJ6K8rcpxawym .node.clickable{cursor:pointer;}#mermaid-svg-ESwSJ6K8rcpxawym .arrowheadPath{fill:#333333;}#mermaid-svg-ESwSJ6K8rcpxawym .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-ESwSJ6K8rcpxawym .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-ESwSJ6K8rcpxawym .edgeLabel{background-color:#e8e8e8;text-align:center;}#mermaid-svg-ESwSJ6K8rcpxawym .edgeLabel rect{opacity:0.5;background-color:#e8e8e8;fill:#e8e8e8;}#mermaid-svg-ESwSJ6K8rcpxawym .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-ESwSJ6K8rcpxawym .cluster text{fill:#333;}#mermaid-svg-ESwSJ6K8rcpxawym .cluster span{color:#333;}#mermaid-svg-ESwSJ6K8rcpxawym div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-ESwSJ6K8rcpxawym :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;}

分析需求

收集数据

整理数据

分析数据

数据可视化

应用模板开发

分析报告

模板应用

2、寻找零售密码

2.1 周权重指数

周权重指数是以某段销售周期内的历史日销售额数据为基础，以周为单位，进行权重分析处理的一种管理工具。
周权重指数是零售店铺用来量化处理各种销售状况、销售事件的管理工具，非常强大。
周权重指数等于周一到周日每天的日权重指数相加。

2.2 周权重指数的计算

企业标准周权重指数的计算步骤如下：

收集企业每个完整店铺最近一个完整年度。比如2012年1月1日到2012年12月31日,也可以是2012年8月1日到2013年7月31日)中的日销售额数据。
将所有完整店铺的每日销售额数据对应相加，得到企业的每日销售额数据。
对日销售数据进行预处理，剔除掉特殊日期等异常数据。之所以要剔除异常数据，目的是为了让数据能更真实反映正常日期的销售规律走势。
将剩下的数据以周为单位整理，然后计算出平均日销售。
找到平均销售中销售额最低一天的销售数据，设定它的日权重指数为1.0，然后分别用其余六天的平均日销售额除以这个最低值，就分别得到每天的日权重指数。
将每日权重指数相加就是周权重指数。

每个企业只会有一个周权重指数，但是星期一到星期日的日权重指数每个店铺可能是不一样的。
分部的销售规律需要每个月都处理一次，即通过三个月的历史数据来预测下一个月的销售规律。

2.3 周权重指数的应用

权重指数的目的是为了给365天都赋予权重值。正常状态下赋予每天常规的权重，促销时则使用将促销级别考虑进去的特殊权重，节假日时则使用节假日权重。

判断零售店铺销售规律辅助营运
- 权重指数值对品牌或企业营运有积极的指导意义，我们可以根据权重指标值的高低来安排店铺的员工排班、安排店铺的陈列调整时间、部署送货时间窗口等。
分解日销售目标
- 日销售目标 = 月销售目标 ✖（日权重指数➗ 月权重指数）
- 注意特殊日期会影响日权重指数和月权重指数
- 有了目标就可以追踪各分店的日目标达成率
- 日销售完成情况可以借鉴股市的K线图来展示
月度销售预测
- 月销售预测值 = ∑日销售额 ➗（∑日权重指数 ➗月权重指数）
- 每天可以计算一个当月销售额的预测值，不过1-9日由于数据偏少，所以预测值偏差会大一些。
- 预测值的准确度高低排序：全国>区域>城市>分店>品牌或品类预测值。需要注意各个级别的预测值不能简单相加，例如全国预测值不等于各分区域预测值相加。
销售对比
- 进行对比分析第一要素就是必须要有可对比性，否则就有可能误导受众。日销售数据的同比需要遵循以下原则
  - 首先遵循星期几对比星期几的原则，因为这是零售业的基本规律。
  - 其次遵循公众假期对等对比原则，例如2014年5月1日应该和2013年4月29日对比，因为这两个日子都是五一放假的第一天。
  - 再次遵循中国阴历对等对比原则，这种情况只是出现在每年春节期间，初一和初一对比。
  - 最后遵循阳历对等对比原则，这适合一些特殊的日期和特殊的行业，例如鲜花和巧克力要遵循2月14日对比原则。
- 由于不同年份的相同月份存在周末数量不同或春节日期变化等情况，所以他们没有绝对的同比关系。对于月同比，可以采用单位权重法：
  - 单位权重值 = ∑日销售额➗∑日权重指数

2.4神奇的黄氏曲线——单位权重（销售）值曲线

零售行业的数据分析不总是需要用高射炮打飞机，我们实际需要的是用拍子打苍蝇的工作。因为飞机不常有，而苍蝇随处可见，当然如果你用高射炮去打苍蝇那就问题大了。所以大多数时候需要静下心来用一些简单的逻辑去分析数据，发现问题或规律，从而提高企业的数据化管理水平。

如果我们把每一天的销售额分别除以当日的权重指数，就变成了单位权重（销售）值曲线了，简称权重曲线。
应用在销售追踪过程中
- 追踪月初放松和月末踩刹车现象
- 销售首先是追踪出来的，其次才是分析出来的。
- 销售人员是需要“盯”的，过去用人盯，现在用数据报表盯。
特殊事件的量化处理
- 借助权重曲线分析零售过程中遇到的不可控特殊事件对销售的影响。
- 黄氏曲线：为权重曲线同时间段的平均值。
促销活动的分析及评估
- 通过黄氏曲线，对比促销前后的销售爆发度和衰减度，以此避免促销活动数据分析中存在的一些问题。
新产品上市的分析及评估
- 只需要做上市前和上市中的黄氏曲线图
- 需要同时分析新品占比，以判断黄氏曲线的变化是否主要是新品影响的
- 同样可以根据黄氏曲线做爆发度和衰减度的分析
其他应用
黄氏曲线还可以在如下的状况中使用：
- 突然的短缺货对销售的影响，请注意是“突然”短缺货。
- （商圈内或电子商务）同业竞争分析，比如竞争对手新店开业、竞争对手搞促销等，我们可以用这种方法来分析事件对自己的影响度。
- 关键人物的离到任分析，比如某个店铺新调来一个店长，从常理来讲黄氏曲线在数据上会呈现积极反应，说明大家欢迎新店长的到来，反之如果黄氏曲线向下说明大家有保留意见。当然如果你去现场问店员，肯定是百分百地说支持新店长的工作的，只是他的支持只是停留在嘴，而不是数据上。
- 店铺其他状态变化分析，比如新装修，陈列改变，动线的调整等。
- 电子商务网页改版分析。
- 其他情况。

2.5案例——数据化排班

企业执行排版的注意事项：

必要时排班制可以由三班制（如早中晚三班）升级为四班制（早、中、中晚、晚班）
在排班时需要平衡每个员工的上班效率值，要保证排班对每个员工的公平性。公平性不仅仅体现在上班时长要差不多，还需要每个人上班的总（销售）权重指数也要差不多。总权重指数和上班的天数有关，还与每天的班次有关。
通过排班和销售权重指数对比分析，还可以评估店铺员工的工作能力高低。传统评估是按销售额的高低衡量员工的工作能力，但这是非常不科学的。

3、销售中的数据化管理

3.1 销售追踪

IBM前总裁郭士纳曾经说过一句话：下属不会主动做你希望他做的事，他们只会做你监督和检查的事情。有的消费品公司喜欢在公司总部专门成立一个追踪小组，有的甚至是一个部门，这个团队的主要工作职责如下：

负责追踪各种销售目标的完成情况
追踪并提醒团队成员各种销售异常状态
监督及检查各种项目计划的执行进度
通过数据持续地给到团队压力

销售追踪和目标管理是一对亲兄弟，目标通过追踪得以完成得更好，追踪又必须以目标为依据。目标管理首先必须遵循SMART原则：

S-Specific :具体而明确的。
M-Measurable :可量化的。
A- Attainable :可实现的。
R-Realistic :相关性。
T-Time bound :时限性。

销售追踪必须有理有据，数据间的对比就是销售追踪的标准。

时间标准
- 同比
- 环比
- 定基比
空间标准
- 与相似空间对比
- 与先进空间对比
- 与扩大空间对比
特定标准
- 与经验值对比
- 与理论值对比
- 与平均值对比
计划标准
- 与公司计划对比
- 与个体计划对比
- 与第三方计划对比

销售追踪是建立在大量数据分析的基础上的。利用数据来追踪主要有如下几种形式。

数据对比：对比分析的形式有绝对值对比和相对值对比两种。我们常用的城市销售额排行榜就是绝对值对比，而销售贡献度排行榜则是相对值对比。
有效地利用极值来追踪销售：比如店铺日/月销售额最高纪录，黄金周销售高峰值，店庆销售最大值，历史最低销售额，等等。好的追逐手段就是引导销售人员不断地突破自己的最高记录，同时把自己的最低记录不断抬高。
利用单位权重曲线来追踪销售：权重曲线犹如一个监视器，随时监控销售额、人流量、网站点击等的异动。
用预测值来追踪销售：预测是对未来的预估，可以利用周权重指数法来预测月销售。零售业常用月销售占比法，利用历史数据中每个月占年度总量的百分比来预测年销售额。

销售追踪注意事项：

追踪表格化，系统化。
充分发挥人，特别是直线汇报经理的追踪作用，层层追踪。
利用销售会议来追踪，晨会、周会都是很好的追踪时机。
利用科技手段来追踪销售。
将结果过程化更有利于追踪。例如销售额分解成进店人数、成交率、客单价等
追踪必须要有结果，只“追”不“终”没有意义。

3.2 常用的销售分析指标

人货场是零售业基本的思维模式，零售行业的大部分问题都可以从人、货、场三个维度来思考。

#mermaid-svg-zfEET0vXtbGqh1w9 {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-zfEET0vXtbGqh1w9 .error-icon{fill:#552222;}#mermaid-svg-zfEET0vXtbGqh1w9 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-zfEET0vXtbGqh1w9 .edge-thickness-normal{stroke-width:2px;}#mermaid-svg-zfEET0vXtbGqh1w9 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-zfEET0vXtbGqh1w9 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-zfEET0vXtbGqh1w9 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-zfEET0vXtbGqh1w9 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-zfEET0vXtbGqh1w9 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-zfEET0vXtbGqh1w9 .marker.cross{stroke:#333333;}#mermaid-svg-zfEET0vXtbGqh1w9 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-zfEET0vXtbGqh1w9 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-zfEET0vXtbGqh1w9 .cluster-label text{fill:#333;}#mermaid-svg-zfEET0vXtbGqh1w9 .cluster-label span{color:#333;}#mermaid-svg-zfEET0vXtbGqh1w9 .label text,#mermaid-svg-zfEET0vXtbGqh1w9 span{fill:#333;color:#333;}#mermaid-svg-zfEET0vXtbGqh1w9 .node rect,#mermaid-svg-zfEET0vXtbGqh1w9 .node circle,#mermaid-svg-zfEET0vXtbGqh1w9 .node ellipse,#mermaid-svg-zfEET0vXtbGqh1w9 .node polygon,#mermaid-svg-zfEET0vXtbGqh1w9 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-zfEET0vXtbGqh1w9 .node .label{text-align:center;}#mermaid-svg-zfEET0vXtbGqh1w9 .node.clickable{cursor:pointer;}#mermaid-svg-zfEET0vXtbGqh1w9 .arrowheadPath{fill:#333333;}#mermaid-svg-zfEET0vXtbGqh1w9 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-zfEET0vXtbGqh1w9 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-zfEET0vXtbGqh1w9 .edgeLabel{background-color:#e8e8e8;text-align:center;}#mermaid-svg-zfEET0vXtbGqh1w9 .edgeLabel rect{opacity:0.5;background-color:#e8e8e8;fill:#e8e8e8;}#mermaid-svg-zfEET0vXtbGqh1w9 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-zfEET0vXtbGqh1w9 .cluster text{fill:#333;}#mermaid-svg-zfEET0vXtbGqh1w9 .cluster span{color:#333;}#mermaid-svg-zfEET0vXtbGqh1w9 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-zfEET0vXtbGqh1w9 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;}

零售管理

人

员工

顾客

货

商品

价格

场

卖场

渠道

人货场只是第一层，员工、顾客、卖场、商品等为第二层，有时候为了让思路更清楚，还可以继续向下级层次细分。

“人”的部分

销售指标
- 成交率
- 完成率
服务指标
- 平均成交时长
- 平均接待时长
- 投诉率
管理指标
- 定编满足率
- 员工流失率
- 工资占比
顾客指标
- 客单价
- 连带率
会员顾客指标（分析会员顾客各项指标之前，务必做数据清洗，因为会员消费记录中那些“非会员”消费的痕迹太重。）
- 新增会员数
- 会员增长率
- 会员贡献率
- 有效会员数
- 会员回购率
- 平均年龄

“场”的部分

销售额
- 日、周、月、季度、年销售额
追踪指标
- 进店率
- 上楼率
- 接触率（试穿率、试用率、触摸率）
- 成交率
- 完成率
分析指标（不分析同店同比的连锁企业是没有前途的）
- 增长率
效率指标
- 坪效
- 人效
- 每平方米租金
- 租金倍率
竞争状况
- 市场占有率
- 竞拍指数
- 平均排名
促销指标
- 费销比
- 目标完成率
- 同比增长率
- 促销爆发度
- 促销衰减度
- 品牌参活度
- 会员参与率
渠道拓展分析
- 净开店率
- 渠道结构占比
- 重要客户占比

“财的部分

销售利润率
- 毛利率
- 纯利率
- 交叉比率
回款指标
- 回款（金额）达标率
- 回款（客户）达标率
贸易条件
- 联营扣率
- 租售比

3.3 确定指标的重要性

指标并不是越多越好，我们需要按照下面的方法找到重点指标。

明确你分析报告的受众是谁
了解你需要分析的数据有哪些
界定你需要分析的时间节点
排列指标矩阵
指标之间两两判断重要性
计算各指标的总得分，然后再排名就可以找到重要指标了
计算指标权重值

	进店率	上楼率	试穿率	触摸率	成交率	连带率	完成率	合计	权重值
进店率		1	1	1	0	1	0	4	19.0%
上楼率	0		1	1	0	0	0	2	9.5%
试穿率	0	0		1	0	0	0	1	4.8%
触摸率	0	0	0		0	0	0	0
成交率	1	1	1	1		1	0	5	23.8%
连带率	0	1	1	1	0		0	1	14.3%
完成率	1	1	1	1	1	1		6	28.6%

3.4 提高销售额的杜邦分析图

这张杜邦分析图的几个特点如下：

此图将销售额这个结果过程化了，体现了影响销售额的10个关键指标。
如果不考虑指标之间的关联影响，指标提升10%意味着销售额也可能提升10%，所以需要提升销售额就需要找到店铺最薄弱的环节，各个击破。
右边的五个指标值发生变化后很可能会影响左边的“成交率”和“成交单数”指标，但左边的五个指标发生变化则不会影响右边的指标值。
一般来讲店铺对“率”的影响力会大于对绝对值的影响力，我们可能没有办法影响路过人数，但可以想办法提高进店率。没办法提高零售价，但可以控制销售折扣。
在六大指标中，连带率是最容易改善的，路过人数是最难以掌控的。难易程度排行如下：
- 连带率>成交率>销售折扣>进店率>零售价>路过人数

3.5 促销中的数据化管理

促销是让消费者产生冲动主要但不是唯一的武器，但是很多零售商眼中只有促销，所以就造成零售价格越促销越低，利润越促销越少。其实消费者不是为了买到便宜（的东西），而是喜欢那种占便宜的感觉。

影响冲动性购买的因素

零售业常用的促销方式

在设计促销活动之前，需要考虑促销活动的目的是什么？很多人会认为促销活动的目的就是提升销售，其实这只是促销活动中比较重要的一个作用，还有例如清理库存，扩大品牌知名度，增加会员顾客总量，打击竞争对手，等等。只有明确了促销目的，促销活动的评估分析才会有的放矢。

促销活动的准备、执行和评估

促销活动评估是一个体系，通过评估既能定位促销活动的好坏，还能为下次促销活动奠定数据基础。

4、商品中的数据化管理

4.1 常用的商品分析指标

商品分析的基本模式为”进“、”销“、”存“，”进“即为采购环节，”销“自然是销售环节，狭义的”存“指商品库存管理环节，广义的”存“指整个商品的供应链管理。人货场是一个平行关系，而进销存却是一个有先后顺序的三角关系。

指标数据的对比一定要遵循几个一致：

对象一致
时间属性一致
数据源一致
定义一致

4.2 常用的商品分析方法

商品的自然分类方法
- 线分类法：就是层次分类法，是将商品按照层次逻辑分成若干个类别。
- 面分类法：又称平行分类法，是将所有商品分成若干个面，每个面都是独立的类目，呈平行关系。
- 商品的分类不到万不得已不要轻易改变
商品的销售分类方法
- 二八法则分类法：根据二八法则，将所有商品分为重点商品和非重点商品两类。
- ABC分类法：根据商品的进销存状况，将商品分为重要、一般重要、不重要三类的一种分类方法。
- 平均值分类法：这种方法一般是使用销售数据，以产品的平均销售量为依据进行的一种分类手段。
商品的价格分析
- 商品的价格带分析。商品的价格带是指同一类商品的最低价和最高价之间的区域
- 商品价格弹性分析。价格弹性是指商品的价格发生变化时，该商品的需求量变化的幅度，弹性越大，需求量的变化也就越大。
商品的定价策略
- 相对商品包装、购物环境、促销活动等方面，消费者对商品的价格最为敏感。
- 成本定价法
- 需求定价法
- 竞争定价法

4.3 商品的关联销售分析

商品的关联关系是有方向性的，可以分为单向关联和双向彼此关联。
大部分商品的关联是显性的，不需要量化分析就知道，我们更应该挖掘出那些隐形的关联商品。

购物篮分析
- 购物篮系数 = 某段时间商品销售总数➗某段时间的购物篮总数
- 指定商品购物篮系数 = 某段时间含指定商品购物篮的销售总数 ➗ 某段时间含指定商品的购物篮总数
- 将每个商品的购物篮系数进行排行分析，就可以找到高连带销售的商品
- 指定商品的人气指数 = 某段时间含指定商品购物篮的销售总数➗某段时间的购物篮总数
提高商品关联度的方法
1. 以关联度来设计卖场的陈列、促销、推广等，对关联度高的商品在销售中特殊对待。
2. 建立商品的人气指数档案，及时更新。在人货场三方面重点照顾人气指数高的商品
3. 利用特殊日期、特殊事件等进行关联销售
4. 建立关联推荐机制
5. 有效地利用数据挖掘来提高关联销售

4.4 商品的库存管理

库存分析的五大步骤
1. 切割库存，让库存分析更合理
2. 量化库存，确保库存的安全性
3. 库存结构分析，确保库存结构的合理性
4. 预估销售，确保库存量，把握未来销售脉搏
5. 特殊库存分析
异常库存管理
- 销售异常
- 库存数字异常通过盘点、查看销售报告、核对销售单据等发现系统中的库存和实际库存不相符的现象。
设置库存预警条件
- 时间
- 对象
- 指标

4.5 商品的利润管理

一个只会管理商品而不会管理利润的公司是没有未来的。本节重点讲解了影响销售折扣的商品现值概念。

商品的现值

顾名思义商品的现值就是指商品在某个时间节点被消费者认可的价值。价格是现值的具体体现。

商品现值和货龄、库存天数(DOS) 以及售罄率这三个指标密切相关。这三个指标也被称为影响现值的三要素。现值和货龄、DOS成反比，和售罄率成正比。

商品现值使用规则及注意事项

零售价格必须和现值一致，否则企业制定现值政策就没有任何一样了。
每月末或月初固定时间根据三要素对商品现值进行调整。
对于服装来说每季末转型前的上一个月是调整现值的重点时间窗口。
商品的现值确定后，实际零售价就应该是现值价，不能因为促销活动调整现值。
品牌商不能为扣点低或费用低的零售商单独调整现值。现值是公司的统一行动，是策略，不能有例外。

现值管理的关键是必须降低人为干扰价格制定的因素，充分利用规则说话。只有这样才能达到销售额和利润之间的平衡。

库存的现值分析法

每个月制定完商品现值后，库存中每一样商品就会有个吊牌价之外的新“价格”了，有些商品现值是原价，有些折扣是95%，有些折扣可能是50%。所以我们需要盘点所有商品的现值，如果低折扣的商品过多，库存自然有问题，利润当然也会有问题。根据现值（折扣）的不同去统计商品占总库存的比重就非常有意义了，这就是库存的现值分析法。

5、电子商务中的数据化管理

5.1 数据分析是电商运营的指路明灯

电商和传统零售的区别

传统零售是利用二八法则生存，电商是靠长尾理论积累销售。
电商是大数据，传统零售是小数据。
传统零售是商品的流动。电子商务是“信息流”。
传统零售注重体验感，电商注重服务和效率。
传统零售是做加法，电子商务是做乘法。
传统零售的主要成本是房租与人工成本，电商的主要成本是物流和营销成本。

电商数据分析需要的数据

营销数据
流量数据
会员数据
交易及服务数据
行业数据

电商数据来源及分析工具

百度分析
谷歌分析
Crazy egg热力图
CNZZ数据专家

电商数据分析指标

流量指标
转化指标
营运指标
会员指标
财务指标

关键指标

阶段不同，需求不同
时间不同，侧重不同
职位不同，视觉不同

5.2 流量及会员数据分析

数据分析是将电商各部门制造的“大”数据通过对比、分析、溯源变成“小”数据。

流量及转化的漏斗图分析
漏斗图是一个细分和溯源的过程，通过不同的层次分解从而找到转化的逻辑。
流量质量的四象限分析
电商销售额诊断
电商的销售诊断比传统零售会复杂很多，主要复杂在流量的多层次多渠道上，互联网的好处是几乎能将用户的每个动作记录下来，然后我们从中找到关键点来诊断就可以了。
销量预测
Excel提供了6种趋势线，分别是指数、线性、对数、多项式、幂和移动平均，在实际使用过程中尽量选取R²值更接近1的那种趋势线。
滚动预测法，这种回归分析是没有考虑业务场景，完全靠数学模型的一种预测方法，比较适合目前以环比快速增长的电商分析。

6、零售策略中的数据化管理

零售及消费品企业提升销售包括：渠道驱动、产品驱动、消费者驱动三个层次。

渠道驱动和产品驱动销售增长是有边界的，消费者驱动的边界会更广阔些。过去我们习惯通过管理我们的渠道和产品来提升销售，很少管理顾客的数据。其实在大数据的背景下，通过数据挖掘的消费者驱动才是未来，我们要做到比消费者自己更了解他们。

6.1 渠道策略的数据化管理

通过拓展渠道来提升销售是最简单和快捷的方式。

渠道分类

按代理-批发-零售三级渠道标准分类
按行政区域分类
按销售性质分类

渠道拓展分析

拓展新城市
- PEST分析法
- 购买力指数法
- 类比法
- 专家预估法
拓展新商圈
- 确定商圈的大小：雷利法则、哈夫吸引力模型
- 确定商圈的容量
- 确定商圈的层次
- 确定商圈的饱和度
拓展新店铺
- 销售额 = 路过人数✖进店率✖成交率✖销售价✖销售折扣✖连带率

渠道的管理指标

财务管理能力
- 资金利润管理：资金周转率、资金收益率、渠道利润率、回款天数
- 费用管理：渠道费用比率、费用正确率
- 库存管理：库存周转率、库存天数
- 销售：销售完成率、销售增长率
渠道分销能力
- 经营能力：市场占有率、铺货率、加权铺货率
- 拓展能力：渠道拓展速度、渠道拓展广度、宽度、长度、深度
- 渠道掌控能力：收款力、渠道客户流失率
- 渠道配合度 ：销售数据提供及时准确度、活动参与度
客户满意度
- 信息系统完善程度：系统对接程度、数据准确率
- 渠道服务效率：订单满足率、平均送货时长、缺货率
- 客户投诉情况：投诉率、投诉响应时间、拒绝合作客户比率
竞争与发展
- 渠道竞争力：市场占有率、渠道资源整合力、项目执行力
- 渠道商誉度：是否遵守价格策略、是否遵守区域约定
- 团队建设能力：员工流失率、员工平均服务年限、员工学习能力
- 渠道形象

6.2 会员策略的数据化管理

会员管理的几大误区

只注重开发新顾客，而忽视了对老顾客的维护，也不关注顾客的流失情况。一个老顾客的流失要靠12个新会员的销售额才能弥补。
没有细分顾客，购买特价商品的顾客被过分关注，反而忽视了对那些优质顾客的照顾。
对会员过度沟通，沟通没有特色，沟通渠道单一。
没有对顾客的生命周期进行管理，没有挖掘顾客的附加价值。
把会员制当成促销活动来营运，而不是经营策略。一直在模仿，从来没超越。

会员数据分析

注意会员数据收集的质量
会员基础数据分析
- 每天或每周需要关注并追踪的会员指标：会员的新增开卡数、新开卡率、贡献率、会员客单件、会员件单价、会员连带率、沟通率、回头率等。
- 每月和每季度需要分析的会员指标：除了前面那些指标外，还包括会员的平均年龄、性别贡献率、有效会员总数，会员增长率、流失率、回头频率、平均回头天数、促销活动的转化率等。
- 年数据研究指标：主要包括会员的新开卡率、流失率、回头率、平均回购天数、唤醒率、激活率等策略指标。

会员价值分析

最近一次消费时间
消费频率（某个周期内的）
消费金额（某个周期内的）
最大单笔消费金额（某个周期内的）
特价商品消费占比（某个周期内的）
高单价商品消费占比（某个周期内的）

会员的生命周期管理

消费者 >> 顾客 >> 新会员 >> 活跃会员 >> 沉默会员 >> 睡眠会员 >> 流失会员

会员购买行为的研究

5W2H分析法

分析会员购买行为的共性，用以指导企业的决策、营运计划、店铺管理等
个体研究，给每个会员“贴标签”。5W2H中每一个量化数据都可以变成会员标签。

6.3 竞争对手分析

竞争对手分类

从【人】的方面发现竞争对手
- 总在挖你墙角的那些企业
- 从争夺顾客资源的角度找到竞争对手
从【货】的方面发现竞争对手
- 同类商品或服务的竞争对手
- 非同类但是属于可以替代品的竞争对手
- 互补类商品或服务的竞争对手
从【场】的方面发现竞争对手
- 商业资源的竞争
从【财】的方面发现竞争对手
- 营销资源的竞争
- 生产资源的竞争
- 物流资源的竞争

竞争对手数据收集

竞争对手数据分类

经营数据
营销数据
组织数据
工厂数据
媒体数据

竞争对手的分析方法

竞争对手分析路径
1. 确定对手名单
2. 分析对手状况
3. 掌控对手方向
4. 洞悉对手策略
5. 引导对手行为
画竞争对手图谱
量化竞争对手四度
- 渠道广度
- 渠道宽度
- 渠道长度
- 渠道深度
波特竞争力分析模型
- 供应商的议价能力
- 购买者的议价能力
- 潜在竞争者进入的能力
- 替代品的替代能力
- 行业竞争力
SWOT分析模型
- 优势
- 劣势
- 机会
- 威胁

6.4 营运策略的数据化管理

对于一个企业来说，营运策略体现在各个方面，包括财务、销售、市场、人力等各个方面。其中销售目标的制定是每个企业的头等大事，有的公司甚至花上一个季度甚至半年时间来做销售预测、制定目标。

销售预测方法

定性预测
- 专家意见法
- 德尔菲法
- 市场调查法
- 业务人员预估法
定量预测
- 时间序列法
  - 算术平均法
  - 加权平均法
  - 移动平均法
  - 加权移动平均法
- 回归分析法
  - 一元回归分析
  - 多元回归分析

制定年度销售目标

收集数据
制定策略
设置目标
验证目标
沟通目标
确认目标
执行目标

后记

最后，作者又用两个章节对上述分析方法进行了归纳总结，并给出了一套“零售连锁店铺月销售分析模板”，让本书更具有实践价值。

最后的最后，作者通过本书告诫我们数据工作者：

数据是鲜活的，是有生命的。
不要迷信数据，多换位思考。
必须尊重数据，做良心分析。
数据化管理不仅仅是数据分析，它是一门管理工具。
一定要把数据和商业结合起来思考问题，多去了解业务。

【读书笔记】数据化管理：洞悉零售及电子商务运营相关推荐

读书笔记之-《数据化管理:洞悉零售及电子商务运营》
<数据化管理:洞悉零售及电子商务运营> 看这本书的出发点是希望了解运营如何使用数据.在上家公司,做了一些简单的数据分析工作,觉得很有意思,大部分时候想出出符合数据的结论也很痛苦. 随着互联 ...
《数据化管理-洞悉零售及电子商务运营》-零售行业分析指标，电商行业分析指标等
整理了一下最近看的一本书书名:<数据化管理-洞悉零售及电子商务运营> 作者:黄成明(@数据化管理) 著主要内容:本书主要通过一些案例深入浅出的讲解了数据意识和零售思维.作者将各种数据分 ...
数据化管理洞悉零售及电子商务运营——电子商务中的数据化管理
电子商务中的数据化管理数据分析电子商务和传统零售的区别传统零售是利用二八法则生存,电商是靠长尾理论积累销售电商是大数据,传统是小数据电商:流量数据.会员数据.消费行为数据传统零售:主要集中 ...
数据化管理洞悉零售及电子商务运营——数据化管理介绍
数据化管理概念运用分析工具对客观.真实的数据进行科学分析,并将分析结果运用到生成.营运.销售等各个环节中去的一种管理方法意义量化管理 KPI 最大销售业绩.最大化生产效率将正确的分析结果用最 ...
数据化管理洞悉零售及电子商务——零售策略中的数据化管理
零售策略中的数据化管理渠道策略的数据化管理渠道分类按代理-批发-零售三级渠道标准分类代理商按区域划分国代省代区域代理按渠道功能划分 KA渠道代理餐饮渠道代理特殊通路代理按重要性 ...
数据化管理洞悉零售及电子商务——数据分析方法
数据分析方法数据分析的立体化三维分析之点-线-面(最基本的一种分析及思维方式) 点是某个节点的一个指标值线是包含这个点的纵向发展趋势或者是包含这个点的横向对比趋势面是包含这个点的上一级或上几级 ...
《数据化管理》：洞悉零售及电子商务运营
小飞象·读书会当自己的价值没有提升时,去研究情商.为人处世,一点用都没有. 读书交流│5期数据化管理洞悉零售及电子商务运营 data analysis ●●●● 分享人:红星大家好,这里是小飞 ...
数据化管理：洞悉零售及电子商务运营 | 学习笔记 (全)
一.什么是数据化管理? 1.概念是指运用分析工具对客观,真实的数据进行科学分析,并将分析结果运用到生产,营运,销售等各个环节中去的一种管理方法 2.意义量化管理:如绩效KPI(key perfor ...
数据化管理：洞悉零售及电子商务运营 #读书笔记
笔记链接: https://share.mubu.com/doc/bfFQo8glWf 书籍链接: 链接: https://pan.baidu.com/s/1qtAALAOexpzgqCtBhrXea ...

【读书笔记】数据化管理：洞悉零售及电子商务运营

目录

1、 什么是数据化管理