《新零售实务（微课版）》 课件 第6章 新零售数据化运营

新零售数据化运营第六章6.1零售数据化6.1零售数据化6.1.1零售数据化概述1.零售数据化的定义零售数据化就是通过互联网、人工智能等新兴技术，将传统零售业的人、货、场指标进行数字化，将其变为直观的、可供分析的数据，并对其进行处理分析，最终实现全渠道覆盖、全链条连通的新零售转型。6.1零售数据化6.1.1零售数据化概述2.零售数据化的条件完善的数据软件系统企业的数据系统结构要更加科学合理，能满足多场景的应用需求。完整的基础数据从某种意义上讲，更准确、更及时、生成面更广的数据导入，将更有价值，能对企业发展起到更大的指导作用。完善的数据中台服务数据应用需要建立一个完整的数据中台，指提取各个业务的数据，统一标准和口径，通过数据计算和加工为用户提供数据服务。6.1零售数据化6.1.2新零售数据类型1.新零售“人”的数据①解析人的数据分析用户数据，准确识别用户，企业需要回答六个问题：What——消费者进店都做了一些什么事情？Why——消费者进店为什么要做某件事？Who——谁是消费者，有哪些特征？Where——消费者一般去哪些位置？When——消费者访问的时间一般是什么时候？How——消费者是怎么做这些事情的？6.1零售数据化6.1.2新零售数据类型1.新零售“人”的数据②“人”的数据化实现的步骤采集数据：消费者的原始数据采集可以通过线上采集和线下采集两个渠道。建立标签：通过分析数据建立一个标签库，然后对符合要求的人群打上相对应的标签。人群建模：对提取的标签特征进行统计分析，发现之间的关联和模式，进一步理解消费者的行为和偏好。用户画像：给人群匹配各种不同的标签组合，然后为每个人建立一个很清晰的画像，即“人”的全息画像。6.1零售数据化6.1.2新零售数据类型1.新零售“人”的数据③“人”的数据类型根据人口学特征进行划分：可以分为性别、年龄、地域以及职业等。这些指标的差异也预示着消费者的需求不同，可以据此进行市场细分，再对选定的目标市场进行重点运营。6.1零售数据化6.1.2新零售数据类型1.新零售“人”的数据③“人”的数据类型根据活跃度进行划分：可以分为新用户和老用户。新用户的分析指标包括“新注册UV”“新UV转化率”“新客客单”等；老用户根据“活跃天数”“复购率”等又可以进一步划分为活跃用户、沉睡用户以及高危用户，企业可以据此对各类用户采取相应的措施。6.1零售数据化6.1.2新零售数据类型1.新零售“人”的数据③“人”的数据类型根据用户价值进行划分：可以选取“客单价”“转化率”“复购率”等等作为分析指标。其中“复购率”是较为直观地能够反映运营数据好坏的指标。6.1零售数据化6.1.2新零售数据类型2.新零售“货”的数据①解析“货”的数据“货”即商品。商品数据主要包括商品的各项参数数据、库存数据、价格数据、销售数据、评价数据等。“货”的数据化主要为企业解决“卖什么比较好、卖多少较恰当、怎么把商品卖出去、赚多少”这四大核心问题。6.1零售数据化6.1.2新零售数据类型2.新零售“货”的数据②“货”的数据化作用“货”的数据化可以帮助企业实现按需生产实现供应链前端和后端的衔接，使各个环节数据有效对接。“货”的数据化可以改进线下门店经营线下店铺利用线上数据，分析出应该如何设计商品展示橱窗，如何向消费者推荐符合需求的商品等，从而直接促进交易的达成。6.1零售数据化6.1.2新零售数据类型2.新零售“货”的数据③“货”的数据类型根据商品的销售情况进行分析“退货率”“售罄率”可以直观地反映商品的受欢迎程度；“周转天数”“库销比”“平均单价”则可以衡量商品的周转情况。根据库存管理进行划分可以通过“品类库存量”“商品SKU动销率”“销售库存结构”“异常库存”等指标进行分析。6.1零售数据化6.1.2新零售数据类型3.新零售“场”的数据①解析“场”的数据“场”也就是消费的场所或渠道。新零售的“场”是一场多用的“场”，线下门店也融合了线上数据。在交互场景中实现了商品数字化，交易场景中实现了支付自动化。6.1零售数据化6.1.2新零售数据类型3.新零售“场”的数据②“场”的数据类型根据流量趋势分析包括“独立访问者数量”“重复访问者数量”“页面浏览数”“门店客流量”等，以此反映门店或者网页访问情况。根据流量来源分析包括“流量来源频次分析”“流量来源权重分析”等，以此反映客户的获取渠道。6.1零售数据化6.1.3新零售数据收集1.线上数据收集①“数据中台数据收集包含数据采集、数据处理、对企业提供数据支撑等环节，从而紧密地和业务、运营结合在一起。②社交网站数据收集的核心是利用图文和社交网络分析方法来认识和预测消费者在社交网站上的行为。③搜索网站数据收集搜索网站根据特定的计算机程序向用户提供互联网上的各色信息，并对信息进行整理，为用户提供检索服务。6.1零售数据化6.1.3新零售数据收集2.线下数据收集①线下门店CRM系统数据收集通过数据采集传感器技术，在线下门店一定范围内定位到用户，再结合用户历史购买数据和线上操作数据，经过计算输出智能推荐产品，有力支持门店智慧导购的实现。②扫码数据收集通过构建扫码数据终端，可以实现店铺货品查找、商品配送、库存盘点、退货换货各环节的数据化，解决店铺管理存在的商品配置不合理、人员管理混乱等现象。感谢您的观看THANKS新零售数据化运营第六章6.2人的数据分析6.3货的数据分析6.2人的数据分析6.2.1用户人口特征分析以某男士西装品牌新零售门店为例：2024年1月31日至2月5日1个星期的用户数据显示，男性用户占比76.67%，女性用户占比23.33%，在年龄分布中年龄段主要集中在30-39岁。说明该男士西装品牌店的主要客户是中青年男性，门店可以据此对销售产品以及门店装修等环节进行针对性的改进。6.2人的数据分析6.2.2用户活跃度分析以某新零售企业的用户相关数据为例：其日新增用户为2921人，新用户打开店铺网页的占比为35.88%，但是新增日留存率为7.35%。从时间上看处于下降的趋势，这提醒企业对流失的客户应当采取相应的挽留措施。1.新增用户分析6.2人的数据分析6.2.2用户活跃度分析以某新零售企业的用户相关数据为例：在2月14到2月22日，企业的用户活跃度都是高于平均值的，之后就整体处于低值水平。门店在2月14到2月22日之间举行了门店促销活动，起到了活跃用户的作用，但是活动结束之后用户的活跃度就降低，这说明门店对于客户的转化和挽留机制还有待改进。2.活跃用户数分析6.2人的数据分析6.2.3用户价值分析1.转化率分析转化率是成功完成转化行为的次数占总浏览次数的百分比。转化率越高，成本就会越低。具体公式为：转化率=（转化次数÷总次数）×100%评估转化率可以借助漏斗模型来进行分析，不仅能够评价总体的转化率，还能对各个环节的转化率进行细分。6.2人的数据分析6.2.3用户价值分析1.转化率分析某新零售企业分析其用户转化率时，首先将用户分为普通会员和钻石会员。以普通会员漏斗图为例，第一步，统计页面的访问人数为15899人，第二步，统计浏览商品详情页的人数占总体访问人数的比重为47.59%，第三步，进一步统计将商品加入购物车的顾客比重为60.46%，最后一步，对最终提交订单的人数进行统计，总共1955人完成支付，并计算占比为42.84%。6.2人的数据分析6.2.3用户价值分析2.RFM模型分析①RFM模型的含义RFM模型是3个指标的缩写，分别是最近一次消费时间间隔（Recency）、消费频率（Frequency）、消费金额（Monetary）。企业可以通过这3个指标对用户分类，从低到高排序，并作为XYZ坐标轴，把用户分为8类。6.2人的数据分析6.2.3用户价值分析2.RFM模型分析②RFM分析思路确定用户的RFM三个指标根据三类指标实际业务情况设置不同区间根据区间将三类指标划分出不同档次对于正向指标M、F，值越大档次就越高；负向指标R则相反，值越小档次就越高。最后根据不同档次进行客户细分设置XYZ坐标轴，将细分好的客户类型分别对应进相应的用户价值分类当中去。6.2人的数据分析6.2.4绘制用户画像基于多维度的用户数据分析，用户画像相对于传统画像更精准。多维度的用户数据包括了用户的个人数据、浏览行为数据和消费行为数据，这些数据能帮助企业设置更多的用户标签，以此标记用户特征，用户的标签越多，其画像也越立体。企业要做到用户画像立体化，需要根据用户画像逻辑，建立一个用户行为类目体系，并根据类目体系，分析总结出独立用户的用户画像。6.3货的数据分析6.3.1商品销售数据分析商品销售数据分析是数据分析的一项重要内容，商品销售数据如下表所示：商品数据指标指标解读周转天数周转天数是指企业从取得存货/产品入库开始，至消耗、销售为止所经历的天数。周转天数越长，表示经营效率越低；周转天数越短，表示经营效率越高。库存(存货)周转天数=360/存货周转次数=(平均存货×均存货×数产品销售成本)退货率退货率是衡量企业产品质量、服务质量等方面状况的指标。退货率=总退货数/总订单数售罄率售罄率=销售数量/进货数量库销比库销比=期末库存金额/(本期销售牌价额/销售天数*30)连带率连带率=销售件数/交易次数平均单价平均单价=销售金额/销售件数平均折扣平均折扣=销售金额/销售吊牌额库存量单位（StockKeepingUnit，SKU）库存进出计量的基本单元，可以是以件、盒、托盘等为单位6.3货的数据分析6.3.1商品销售数据分析在年初的两个月中销售量一般，后面的几个月持续走高，到6月份达到了全年的峰值，6月之后下降并且在之后的几个月都保持平稳。图中的数据说明该销售门店成交金额呈现出明显的季节性特征。6.3货的数据分析6.3.1商品销售数据分析对某新零售门店的销售金额做进一步的数据分析，将销售金额进行区间划分，并对其进行可视化分析，可以直观的发现该门店销售成交量每月有十几天都维持在2000-5000之间，其次是1万以上的区间，在每个月中会占到十天左右。6.3货的数据分析6.3.2商品库存数据分析新零售运营库存数据的分析同样至关重要。商品销售数据包括以下数据：商品数据指标指标解读库存周转天数库存周转天数是指企业从取得存货/产品入库开始，至消耗、销售为止所经历的天数。周转天数越长，表示经营效率越低；周转天数越短，表示经营效率越高。库存(存货)周转天数=360/存货周转次数=平均存货×均存货×数产品销售成本库龄库存账龄是在某时间节点，某种或者某类存货的库存时间的加权平均值。库存账龄=∑(批次入库数量*批次入库时间/统计时点库存总额)售罄率售罄率=销售数量/进货数量库销比库销比=期末库存金额/(本期销售牌价额/销售天数*30)库存数量库存数量=累计入库数量—累计出库数量动销率动销率=商品累计销售数量/商品库存数量平均折扣平均折扣=销售金额/销售吊牌额库存量单位（StockKeepingUnit，SKU）库存进出计量的基本单元，可以是以件、盒、托盘等为单位6.3货的数据分析6.3.2商品库存数据分析做库存数据分析时，要注意：1.区分库存总量，将有效库存和无效库存分别进行管理；2.库存数据量化，对整体库存的数量进行精准把控；3.库存结构分析，确保库存结构的适度性；（4）对库存数据进行预估，把握未来销售走向。6.3货的数据分析6.3.2商品库存数据分析对某零售门店的库存数据进行分析，发现其库存周转率波动比较大，5月-8月库存的周转情况是全年最好的阶段，其余月份都低于50%，这可能是因为该零售门店专营季节性产品，因此出现了较大幅度的变化。感谢您的观看THANKS新零售数据化运营第六章6.4场的数据分析6.5大数据时代的零售小数据6.4场的数据分析6.4.1流量趋势分析1.独立访问者数量独立访问者数量（UniqueVisitors，UV），有时也称为独立用户数量。指在一定统计周期内访问网站的数量（例如每天、每月），每一个固定的访问者只代表一个唯一的用户，无论他访问这个网站多少次都计数为1。6.4场的数据分析6.4.1流量趋势分析2.重复访问者数量重复访问者数量（RepeatVisitors，RV）反映了站点用户的忠诚度，站点用户的忠诚度越高，重复访问者数量越高。6.4场的数据分析6.4.1流量趋势分析3.页面浏览数页面浏览数（PageViews，PV）是指在一定统计周期内所有访问者浏览的页面数量。如果一个访问者浏览同一网页三次，那么网页浏览数就计算为三个。6.4场的数据分析6.4.1流量趋势分析4.每个访问者的页面浏览数即在一定时间内全部页面浏览数与所有访问者相除的结果，即平均一个用户浏览的网页数量，反映了用户的“黏性”。平均访问页数=浏览量/访问次数(PV/Visits)6.4场的数据分析6.4.2流量来源分析1.流量来源频次分析以某零售店铺2022年线上线下的流量来源以及各自的频次为例：订单中心和购物车的自然流量来源是最多的，其次是优惠券流量来源。这说明店铺的线上流量推广实施效果显著，消费者在推荐页面看到店铺产品大部分都会选择点击查看。与之相反的是活动会场和促销等线下活动流量频次最少，这说明线下的促销活动与现在的科技生活不太适应，也说明店铺的线下促销活动有待改进。6.4场的数据分析6.4.2流量来源分析1.流量来源频次分析以某零售店铺流量来源权重分析为例：选取“访客数、加购人数、成交金额、成交转化率”四个维度进行排名。其中访客数指标里频次最多的是活动会场，原因可能是线下活动通常选在商超内，人流量较多；而其余三个指标则是订单中心和购物车的频次最多，其次是优惠券。这说明在实质的订单成交指标上，还是线上活动占比最大，店铺可以着重关注。6.4场的数据分析6.4.2流量来源分析1.流量来源频次分析以某零售店铺流量来源权重分析为例：流量来源权重也可以通过雷达图来展现，通过选取“访客数、加购人数、成交金额、成交转化率”四个评价维度，分别对每个维度中的促销、优惠券、购物车等指标进行频次统计，四项维度评价重叠度越高的，权重最高。在该雷达图中，权重排名依次为：购物车，订单中心，搜索，商品详情，优惠券，促销，下单和支付，京挑客，店铺，待分类。6.5大数据时代的零售小数据6.5.1零售小数据1.小数据的概念小数据是基于大数据的概念来提出的，大数据侧重于大规模数据的采集和分析，小数据则更侧重于数据的深度。例如：大数据分析，婴儿尿布可能与奶粉有关。啤酒消费者可以同时购买花生和其他零食。但是沃尔玛，利用一个小型数据分析表明，男性顾客在购买婴儿尿布时往往会喝上几瓶啤酒，获得了极佳的效果。6.5大数据时代的零售小数据6.5.1零售小数据2.小数据对新零售企业的作用提升消费者触达率和服务黏性小数据不再局限于“下单”和“售后”，而是挖掘“选购—对比—下单—反馈—推荐”整个关系链。挖掘优势产品和潜力服务项目小数据的运营和整合，帮助企业研发更多产品及服务