什么是零售分析？终极指南
Michael Hickins | 内容策略师 | 2023 年 3 月 17 日
零售商过去主要依靠多年经验磨炼出的直觉和预感来做出决策，例如销售哪些商品、哪些地点可能带来最高需求、应持有多少库存以及何时调整价格。虽然零售商常常为自己的敏锐洞察力感到自豪，但仅凭直觉已不再足够，尤其是在利润率微薄的行业中。消费者变化无常，市场状况纷繁复杂，人类难以准确考虑所有这些变量。数据分析软件可以增强——在某些情况下还能纠正——这些有根据的直觉，从而帮助零售商做出更精准、更有利可图的决策。
什么是零售分析？
零售分析涉及使用软件收集和分析来自实体、在线和目录商店的数据，以便为零售商提供有关客户行为和购物趋势的洞察。它还可以将预测算法应用于来自内部来源（如客户购买历史记录）和外部存储库（如天气预报）的数据，从而为定价、库存、营销、商品企划和门店运营相关决策提供信息并加以改进。此外，零售分析可以衡量客户忠诚度、识别购买模式、预测需求并优化门店布局。例如，零售商可以将经常一起购买的商品摆放在门店货架上，或向常客提供个性化折扣，从而提高平均购物篮金额并增加到店频次。
关键要点
- 零售分析利用经验数据和科学方法，在这个传统上由直觉主导的领域中制定决策。
- 分析可帮助零售商设定库存水平、分配员工、将价格设定在既能吸引购物者又能为企业提供足够利润率的水平，并赢得市场份额。
- 零售分析使用大量数据源，包括销售点 (POS) 系统、店内视频源，以及跟踪个人客户购买和服务历史记录的系统。
- 零售分析工具有时会使用 AI 和机器学习来帮助预测趋势、推荐后续优惠，并为定价和库存分配决策提供依据。强大的可视化功能让这些工具比电子表格或其他纯文本商业智能报表更易于使用。
零售分析详解
零售分析是收集、分析和报告与零售商运营相关数据的科学。它与零售艺术相得益彰。
零售分析可用于分析客户行为、跟踪库存水平、衡量营销活动效果等方面。例如，通过分析来自各种来源的数据（例如客户购买历史、呼叫中心日志和 POS 系统），零售商可以深入了解客户的习惯和偏好，从而相应地调整其产品组合、定价、退货政策，甚至实体店和在线商店的布局。分析还可以帮助零售商更好地决策开展哪些促销活动、重点关注哪些营销策略，以及何时增减人员配置。归根结底，数据分析可帮助零售商增加销售额、降低成本，并提高客户满意度和忠诚度。
零售分析为何如此重要？
简而言之，零售分析消除了许多决策中的猜测成分。经验丰富的员工往往是智慧的源泉，但随着婴儿潮一代逐渐退出职场，经验较少的员工可分享的见解也会随之减少。即使是最经验丰富、最精明的零售业高管，也必须从海量内部和外部数据点中梳理信息，这些数据涉及劳工罢工、商品趋势和天气预报等因素。分析帮助零售商整合此类数据，并采取措施预测未来事件。
零售业竞争异常激烈，而在线商务相对新兴，使其更加复杂；同时，零售业的利润率一向微薄，几乎没有容错空间。即使对产品选择和库存管理进行细微调整，也能大幅减少缺货情况，或从同一问题的另一端来看，降低大幅打折的必要性。这些调整反过来会对企业利润产生巨大影响。例如，时尚零售商可以利用数据分析，根据各门店所在地的人口统计和购买趋势，决定为不同地点订购哪些款式和尺码以及订购数量。
零售分析的优势
零售分析是零售商用来帮助其增加收入、降低间接费用和人工成本并提高利润率的一套工具。零售分析可以通过以下一些方式实现这些目标：
- 减少缺货和折扣需求：零售分析帮助用户了解需求趋势，从而确保手头有足够的产品，但又不会过多，以至于不得不通过大幅折扣来清理过剩库存。例如，分析可以帮助确定由社交媒体影响者热度带动的时尚商品需求下降的速度。
- 提升个性化：分析可帮助零售商了解客户偏好，从而比竞争对手捕获更多需求。例如，图书零售商可以利用购买历史，在历史学家 Ron Chernow 的新书开放预订时，提醒曾对美国历史表现出兴趣的客户。
- 改善定价决策：数据分析可以综合各种因素，包括被放弃的购物车、竞争性定价信息和商品销售成本，帮助零售商为其商品制定最优价格。因此，零售商可以避免将价格定得高于市场可承受水平或低于客户愿意支付的水平，从而实现利润最大化。
- 改进产品分配：分析可帮助零售商决定如何在不同地理区域、配送中心和门店分配产品，从而降低不必要的运输成本。例如，运动服饰零售商可以利用分析发现，即使两度的温差也会影响保暖内衣的销量，并可在某个冬季将更多此类商品分配到距离预计气温较低地区最近的配送中心。
零售数据分析的类型
零售数据分析有四种主要类型：用于反映和解释过去绩效的描述性分析；用于确定特定问题根本原因的诊断性分析；用于预测未来结果的预测性分析；以及用于建议后续步骤的规范性分析。以下是有关这四种方法中每一种的更多详细信息。
描述性分析
描述性分析是更复杂分析类型的基础，包括以下列出的分析类型。它解决了“多少、何时、何地以及什么”等基本问题——这些正是基础商业智能工具和仪表盘的核心内容，可用于提供有关销售和库存水平的每周报告。
诊断分析
诊断分析可帮助零售企业识别和分析可能阻碍其绩效提升的问题。通过整合来自多个来源的数据，例如客户反馈、财务绩效和运营指标，零售商可以更全面地了解其所面临问题的根本原因。
预测分析
预测性分析可帮助零售商根据多种变量预测未来事件，包括天气、经济趋势、供应链中断以及新的竞争压力。这种方法通常采用假设分析的形式。例如，零售商可以据此了解，如果对某款产品提供 10% 的折扣与 15% 的折扣，结果会有什么不同；或者根据一组给定的可能操作，估算库存何时会耗尽。
规范性分析
规范性分析结合了 AI 和大数据，可基于预测性分析结果推荐行动方案。例如，规范性分析可以为客户服务专员提供建议的优惠，让他们能够即时向客户推荐，无论是基于以往购买历史的追加销售，还是为满足客户新咨询而进行的交叉销售。
零售分析如何使用？
企业使用零售分析来解释以往的运营和财务绩效，诊断可能出现的问题，建议本可提高效率的替代方法，预测需求，并提供建议（有时是实时建议），供门店员工、客户服务代表及其他人员用于交叉销售、追加销售或改善客户体验。在所有情况下，这些工具旨在帮助零售商提升销售额、利润和客户满意度。
- 店内分析工具利用 POS 系统和店内摄像头生成的数据，帮助零售商分析客户购物模式，从而更有效地在货架通道中摆放产品，确保适当的库存水平，并减少盗窃。例如，视频片段可以显示客户是否放慢脚步查看某个特定陈列，而 POS 系统数据可以显示商品陈列对使用会员卡的客户的有效性。
- 客户分析使用来自客户交互系统的数据，包括 POS 系统、网站、电话日志和客户服务聊天记录。分析这些数据有助于零售商确定哪些商品最受欢迎以及在哪些地区最受欢迎、为什么某些商品会被退货或换货，以及哪些促销活动或推荐对客户最有效。例如，它可以帮助确定通过电话推广新产品时，哪些营销话术最有效，而不是在聊天中使用的表达。
- 库存分析，顾名思义，用于评估零售商所售商品的库存水平。它用于制定更高效的仓储和配送策略，例如判断何时应优先选择配送中心而非更本地化的仓库，以及何时应根据库存水平和预测需求补充货品。例如，库存分析可以降低因持有过多安全库存而产生的人工和运输成本。
- 商品分析可帮助零售商确定其商品展示是否有效，这主要适用于实体店，旨在通过有吸引力的商品组合或优惠吸引消费者购买。商品分析还帮助零售商调整价格，以提高各类产品的利润率。
- Web 分析会跟踪消费者的数字足迹，例如他们在网页的某些部分停留，或从一个页面点击跳转到另一个页面。它会跟踪他们从引导其访问网站的来源到离开网站的整个过程。这种分析可帮助在线零售商决定如何以及在网站的哪些位置展示商品、制定怎样的价格，以及开展哪些营销促销活动。
- 商业智能 (BI) 报告通常以仪表盘的形式呈现，预设用于显示某些关键绩效指标，例如库存周转率和售罄率。它们主要用于与同事和高级管理层分享总体趋势。
- 需求预测根据客户查看特定在线销售商品、将其加入购物车、移除这些商品或完全放弃购物车的路径来预测这些商品的需求。虽然这些行为不计为销售额，但可用于推断未来需求。
- 销售预测可帮助零售商根据实际销售数据和其他因素预测未来销售额。与需求预测结合使用时，它可以预测某一商品在所有渠道的总需求，并帮助零售商确保拥有满足该需求所需的库存。
观看演示，了解零售商如何借助人工智能大规模提供更智能的零售体验
零售分析工具
零售分析依赖于通过各种方式捕获的数据，这些数据既来自实体门店，也来自网站。可以使用以下工具：
- 销售点系统：零售商使用这些系统来跟踪和管理客户交易。POS 系统可提供客户购买数据，并生成有关销售和客户趋势的报告。
- 客户关系管理 (CRM) 软件：该软件类别包括用于管理销售、营销、客户服务和电子商务流程的应用程序。零售商使用这些应用来跟踪与客户的互动，保留有关单个客户的数据，并基于这些信息发现潜在的销售、营销和客户服务机会。
- 商业智能工具：零售商使用 BI 工具来综合从大量不同数据集中获取的信息，主要用于跟踪客户忠诚度、库存周转率、售罄率和库存天数等关键绩效指标。零售商可以轻松地通过这些工具生成报告，并将其分发给高管和其他决策者。
- 库存管理系统：零售商使用该软件跟踪库存商品，监控库存在仓库和配送中心的水平，并创建需求预测。它还可帮助零售商确定存储特定商品的最佳位置，从而最大限度降低运输费用，并确保商品供应能够满足客户需求。
- 预测性分析：此类分析使用来自以往交易、通信和其他操作的数据来预测未来的趋势和行为。四种最常见的零售分析类型是描述性分析、诊断性分析、预测性分析和规范性分析（定义见上文），用于识别增长机会和新的客户细分市场。
5 个零售分析最佳实践
1. 充分利用客户数据
客户会提供大量有关其需求和意向的显性和隐性信息，优秀的零售分析从业者会利用这些数据来识别趋势并更好地了解这些客户。领先的零售商将其自有忠诚度计划中的客户数据，与从电子商务、POS 系统及其他来源收集的数据，以及从数据经纪商购买的数据相结合。
专家通常将客户数据归类为人口统计、交易、行为，甚至心理特征等数据点的组合。收集、整合并充分利用这些多样化的客户数据通常会遵循一个循序渐进的过程，首先从广泛的人口统计数据入手。零售商还会区分“客户”（已经与其开展过业务的人）和“消费者”（包括可能成为优质潜在客户的人）。消费者数据可帮助指导“相似人群建模”——例如，零售商将 Mark 识别为优质客户，因此会寻找更多具有相似属性的人，并向他们推送特别优惠。
2. 使用可视化工具
BI 软件中常见的图表、图形和仪表盘等可视化工具，对于理解数据和做出明智决策至关重要。与单纯盯着一行行、一列列的数据相比，它们是理解信息的更有效方式。BI 可视化工具还将分析能力交到业务用户手中，而不是迫使他们等待 IT 部门生成报告并运行查询。
3. 分析多种数据源
分析多个数据源（包括销售数据、历史客户数据和库存数据）可帮助零售商更细致地了解业务，尤其是在各项指标通常相互依存的情况下。例如，零售商可以将店内分析与商品属性分析相关联，以确定如何优化实体店布局，帮助将购物者转化为付费客户。库存分析可以帮助确保零售商拥有充足的现货商品，以支持商品陈列布局。（零售商还应注意，不同应用程序可能对数据类型有不同的定义，如果不加以纠正，可能会导致分析结果不准确。这是支持使用单一平台进行零售分析，而不是采用所谓“同类最佳”应用的论点。）
4. 跟踪 KPI
跟踪关键绩效指标有助于零售商衡量其绩效并确定需要改进的领域。大多数成功的零售商都采用了每周 KPI 摘要（称为平衡计分卡），将最新指标与前一周的指标进行比较。通常先回顾发生了什么（例如，某些商品的销售额下降），然后进一步深入分析其发生原因（例如，由于缺货）。
5. 优先考虑您的目标
并非所有可衡量的事物都应该被衡量。零售商可以使用新的分析工具和海量数据，但他们需要审慎选择衡量指标，否则可能会让决策者淹没在各种建议之中。零售商应首先确定能够立即影响业务的高优先级机会。McKinsey 表示，最佳分析能够解决特定的业务问题并实现可衡量的成果。
Mark Lawrence 是一位零售分析专家，他认为上述五项最佳实践相辅相成。他的建议：从一个目标开始，然后或许再确定两三个支撑该目标的具体目标。他说，用于反映这一层面进展情况的 KPI 是“先行”KPI。他表示，如果目标之一是“更贴近客户”，那么 KPI 可以是“将客户生命周期价值提高 20%”、“实现消费者转化率同比增长 15%”以及“优化库存水平，以支持以客户为中心的目标”。可视化工具可帮助业务领导者查看实现这些目标的进展，并推动采取纠正措施，例如推出新的促销活动以及调整产品组合。
零售分析的未来
未来几年，零售分析将变得更加普及、更不易察觉，也几乎肯定会更少被谈及。用户和应用程序将持续利用分析功能，而且往往是在不知不觉中进行——这与智能手机不断使用位置跟踪来快速满足用户需求的方式如出一辙。
对于业务用户而言，零售分析将不再侧重于生成或查看周报，而是更多地融入他们的日常工作流程。更多人将在日常业务活动中享受到 AI 带来的成果，甚至无需察觉。基于 AI 的数据分析将趋于常态化，不再被过度炒作。
零售分析常见问题
分析的示例有哪些？
零售商出于多种原因使用分析：预测需求、指导经理采购并分配足够的库存以满足该需求、帮助了解客户行为、优化定价以及做出人员配置决策。
零售分析使用哪些类型的数据？
零售分析使用来自内部和外部来源的各种数据，包括客户购买历史记录、呼叫中心日志、电子商务网站导航、POS 系统、店内视频和客户人口统计数据。
零售分析可帮助零售商做出哪些类型的决策？
零售分析通过为行业高管提供指导，帮助消除零售中的猜测：包括某一商品应订购多少、应存放在哪里、应定价多少，以及哪些类型的商品往往会被一起购买。