最近很多从事零售的联营公司向我抱怨，以前都说零售行业最赚钱，现在感觉越来越难做了，尤其是实体零售，受到了互联网、微信业务、电子商务等网络零售行业的冲击，竞争环境越来越残酷。零售业似乎很难看到出路。

在我看来，零售业的升级是一个商业和技术不断交织的过程。对于实体零售企业和互联网零售企业来说，传统实体零售企业拥有行业视角的广度，而大数据技术公司持有单点技术的深度。两种不同基因的汇聚和融合，会为行业的成长提供更大的动力，双方的界限会逐渐模糊。

一言以蔽之，未来的实体零售和互联网不仅仅是简单的甲乙关系，而是有更多的可能性。

零售业到底出了什么问题？

1。数据的一致性和完整性较差

像往常一样，零售行业没有完整的数据整合系统，比如票务、餐饮、零售。各个系统的数据无法被买断，形成数据孤岛，难以充分展现数据价值。因此，很难从各种业务主题和维度获得统一、完整和直观的运营流程治理数据。

同时，在公司治理规划、战略决策、风险管控等方面，信息和数据往往基于不充分、不准确的信息，难以判断。如何利用数据集成来响应企业的运营效率，也是零售业数据决策的现实需求。

2。数据响应不是实时的

随着零售业务系统越来越多，网络上的数据越来越细，使用系统的时间越来越长，数据量增长越来越快。现有系统已经无法对大量数据做出快速响应。

在传统的数据应用模式下，业务部门需要将数据需求提交给it进行处置，而IT人力无法保证对分析需求的实时响应，对部分报表的调整也非常困难。

3。缺乏多维数据分析平台

以客户分析为例，零售高管无法把握客户的消费轨迹，无法对其消费进行引导和规划。同时无法把握客户群体的属性，导致提升服务水平缺乏主要参考项目。

服务行业充满市场化，竞争压力比较大，客户对服务质量要求比较高，缺乏对会员的有益治理，企业很难把握客户群体的属性，企业很难走到消费者面前签上自己的名字，提供更精彩的服务体验。

零售行业需要完整的大数据应用架构。

如图所示，整个零售行业大数据应用架构的建立需要经过四个阶段:源数据库的数据提取、ods数据库的ETL转换、数据仓库和数据集市、最终的用户界面。其中包括:

1。源数据库

用户需要收集的源数据库或数据仓库。该系统的源数据库是crm系统和其他原有的应用系统，以及一些可能需要EXCLE导入的数据源。

微信小程序的报告怎么写，微信小程序可行性分析范文

2。消耗臭氧层物质数据库(处置前数据库)

它用于存储从源数据库获得的数据。中心使用ETL工具对数据进行抽取、转换、清洗和加载，数据进入预处理数据库对数据进行清洗和结构化，实现数据的可用性。

3。数据仓库/多维数据集文件

目的地数据库中的数据经过多次整合处理，形成面向主题的、集成的、稳定的、不同时间的数据聚合。数据库可以根据业务情况有选择地转义成可识别的字段名，自然用户的前端用户可以直接拖拽Cube文件数据。

4。首页(最终用户界面)

前端用户使用业务包的凭证对名称进行转义，直接拖拽数据进行统计，获得dashboard的分析效果显示。

建立分析模型

建立应用框架后，需要建立数据分析模型。为此我试验了很多数据分析工具，比如Tableau，但是这些国外厂商很难形成一套完整的适合国内企业的工业解决方案，FineBI，如下图所示。

我在零售行业做过很多数据分析。通过对零售业务的梳理，我找到了零售行业的重点，即商品、门店、库存、流动性、会员等。然后我建立了各个场景的分析模型，我就一一介绍一下，供大家参考:

1、商品分析

商品分析应该是零售行业最关心的点。无论是导游还是销售人员，城市都面临以下问题:

哪些商品能受到消费者的青睐，一起走红？哪些商品应该报废？应该报废的商品销售比例是多少？同样的商品价格区间是多少等等。

为此，我使用FineBI来整合多个业务系统中的数据。经过数据处理和洗涤，我进行了以下三个方面的分析。

ABC分析:根据商品对店铺销售的贡献和顾客自身对商品的需求，将商品按照70%、20%、10%分为A、B、C三类，对分类后的数据进行分析，包括SKU数、销售金额、库存金额。

商品价格带分析:商品价格带分析是零售商在做市场调查时经常使用的一种方法。通过分析不同价格带的同类商品的销售量和销售额，可以掌握该类商品的消费顺序和用户数量，勾勒出超市对该商品的基本需求。所以超市采购可以根据店面定位来选择商品的采购级别和数量。

品牌效益分析:通过销售额、利润、客单价、销售成本率等相应指标的月度变化趋势，评估品牌的效益。

第二步:确定分析方法后，梳理该场景中的业务模块、业务指标和分析维度，通过FineBI建立指标体系。商品分析的指标体系如下图所示: