零售行业数据分析指标体系及方法论

从传统的线下零售（百货商店-连锁商店-超级市场），到前几年火热的线上电商零售（综合、垂直电商-社交电商），再到这几年线上线下结合的新零售模式，零售行业的运营模式发生了巨大的变化。

大数据时代下的零售行业，面对众多的顾客和复杂多变的市场需求，想要及时适应市场变化，掌握市场动态，就需要对零售各个环节的数据进行分析，得到科学有效的结论来指导决策。本文将介绍新零售模式下零售行业数据分析的指标体系和方法论。

无论商业模式如何变化，无论是传统零售还是新零售，都离不开“人、货、场”这三个核心要素，新旧模式的变化，本质上其实就是“人、货、场”三要素的进化，从原来商品为王的“货、场、人”时代，变成了如今用户为王的“人、货、场”时代。

围绕“人、货、场”这三个核心要素，新零售数据分析指标体系可以分成线上、线下两个部分：

线下的“人、货、场”

1. 数据分析提升“人”效

这里的人效有两个方面，一是指企业员工，二指消费者。在这个消费者掌握主动权的时代，想做好零售，除了加强员工管理，提升人员效率之外，更重要的是提高消费者忠诚度、充分挖掘客户终身价值。

企业员工管理中的数据分析一般分为两个方面，一是员工效能分析，一是员工结构分析，员工效能分析主要关注的就是员工的销售指标和服务效能指标，员工结构分析主要关注企业员工的流失率、人力结构、薪资结构等等，防止出现人力分布不均匀、薪资不合理的情况。

顾客管理是零售行业数据分析中相当重要的一部分，尤其是其中的会员顾客的管理。会员顾客的分析，可以从客户群体的消费行为特点、等级划分、活动管理等方面入手，越丰富越好，越细致地了解到会员群体的特征，越有利于客户关系的维护和发展，这里简单地列一些可参考的分析指标，实际的分析过程中还可能会衍生出更多的指标

2. “货”——商品分析

货就是指商品，商品数据分析的核心就是围绕“进销存”展开，重点就是商品结构的分析和商品消化跟进分析，结构分析常用指标有各类结构占比指标，商品消化跟分析常用指标有售罄率、存销比等，详细的指标结构如下：

3. 数据分析提升“场”效

场指的是消费场景，所有连接消费者和商品的终端，都是“场”，比如线下门店、线上的购物网站、APP、小程序等。“场”效的分析，核心是业绩与各项运营指标的监控，店铺的销售指标、销售追踪指标、效率指标等等

对线下门店来说，有一个关键的指标叫做“坪效”，指的是每平方米面积创造的年收入

坪效=销售额/店铺面积，销售额=流量x转化率x客单价x复购率

流量是制约坪效率的重要因素，当流量新增缓慢时，企业的坪效就会难以增长，此时企业就会增加线上销售额，增大线上流量

线上电商数据分析指标

线上零售和线下零售的核心都是“人货场”，**围绕商品运营、用户运营和产品运营展开**。**传统的线下零售侧重于商品分析，线上电商则侧更重于对用户和流量的分析。**

从用户注册、浏览商品、加购商品、到最后的下单、确认收货，这中间有五个关键的数据分析指标：活跃用户量、转化、留存、复购、GMV。

线上电商的商品品类众多，首页商品更新速度快，因此在电商的商品分析中，要重点关注商品的转化率，根据根据转化率，结合业务经验，调整运营策略，来提高我们的转化率和GMV

另一个重要部分就是用户数据的分析，通过对用户数据的分析实现精细化运营。

做好用户精细化运营关键有两点：一是关注用户留存，二是通过对用户分群，实现针对性的运营策略。

除此之外，线上电商经常会有各种各样的线上促销活动，通过营销活动过程中的数据，分析监控某次营销活动给带来的效果、以及广告的投放效率

线下（门店类）数据分析指标

线下（门店类）指标分为3大部分：

1、人

指标说明：

工资占比：工资/总支出，有的时候也会只用工资/总营收。

2、货

3、场

零售行业常用数据分析方法

理清楚了零售行业的数据指标体系，接下来介绍几个在零售数据分析中常用的数据分析方法

1. ABC分析法

ABC分析法又称帕累托分析法，是商品管理中常用的数据分析方法。通过一段时间内商品销售情况的分析，把商品分为A、B、C类，调整不同类别商品的管理策略。

举个常见的ABC法则在商品库存管理中的应用，假如我们打算对库存商品进行年销售额分析，第一步要先收集各品类商品的年销售量、商品单价数据，然后对数据进行处理，计算出销售额、累计销售额、累计销售额百分数等，将商品按照销售额的大小降序排列，将累计销售额占比累计占比0至50%为A类商品，50%-90%为B类商品，90%-100%为C类商品，然后根据分析结果，对ABC三类商品采取不同的管理策略。

2. RFM分析模型

RFM模型在会员价值分析中经常用到，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个等级，判断客户价值。

据RFM的分析结果，调整运营策略，维护好重要价值的客户，关注流失的客户，分析客户流失的原因，减少流失率。

3. 关联分析法

关联分析是分析两组随机变量间关联关系的方法，在零售行业中最典型的应用就是商品关联分析，商品关联分析又叫做“购物篮分析”，通过分析用户消费数据，将不同的商品之间进行关联，并挖掘两者之间的联系，制定商品打包促销策略。

除此以外，关联分析还可以用在分析商品数量与销售额的关系、员工数量于企业销售额之间的关系等等

4. 漏斗分析法

漏斗分析法在数据分析中的应用场景有很多，典型有的营销漏斗、AARRR模型等等。它的核心思想是分解和量化，比如下面的营销漏斗，包含了用户从选购商品到最终购买的整个流程，然后通过计算各个流程之间的转化率来衡量每一个流程的表现，通过对每个环节之间的用户转化情况的检测，寻找电商各个环节可以优化的点，从而提升购买转化率