企業如何建立新零售數據指標體系？

企業如何建立新零售（線上+線下）數據指標體系？參與：冷蕓時尚8群群友時間：2022年10月22日莊主：冷蕓參與者：周夢溪-上海-找工作中、Ruby就是啵啵-曼城-Merchandiser、jie-深圳-財務、楊毅-安陽-童裝、Helen-上海-業務、amin-深圳-買手_以下的冷蕓時尚圈討論是就行業問題的討論及總結。這些分享屬於集體智慧的結晶。（它們並不代表冷蕓個人觀點）。希望通過此種方式能讓更多行業人士受益！很多企業做數據分析缺乏系統性思維，基本都是想哪兒是哪兒，既缺乏數據科學管理的意識，也沒有樹立指標體系的概念。沒有這些標準的建立，企業的數據分析就是空中樓閣。｜壹｜企業數據管理現狀：如果用三個關鍵詞描述妳們企業數據管理水平，妳會如何描述？為什麽？雖然數字化好像已經普及進入我們工作生活與生產的方方面面，但各家企業數據管理水平不壹，依舊有待完善和細致。蕓友amin所在的企業主要是依靠麗晶系統，來進行壹些粗放式的管理。數據主要包括進貨，出貨，銷售額，基本的廓形，色彩的壹些數據的統籌。就總體而言，目前鞋服企業的數據管理水平還處於“滯後，原始，不重視”的狀態。蕓友Ruby所在的企業目前還處於單壹性初級階段，門店數量小於20家，主要依賴於線下門店POS業務銷售數據，沒有其它技術收集目標客戶信息，企業仍使用基礎數據分析方式。“我負責的工作主要由WSSI分析（預算比較分析）和產品品類分析兩部分組成。按照已確定零售周每周每月，春夏季、秋冬季促銷月的工作方式進行匯總總結報表，反饋的流程，會具體到每家門店在這些方面的表現。局部最優抓重點，小微公司資源有限，而且處於換系統的階段。我們部門都在努力優化運營流程，有新的想法大家都會討論先實踐起來。幫助公司下季度擁有更合理的產品系列，提高公司銷售增長為目標。”不僅僅是以上兩位蕓友所在的企業，其實國內中小公司都很原始，尤其國內鞋服企業的數據管理能力普遍弱，做智慧店鋪，RFID的店鋪還比較少。雖然在零售的數字化轉型階段中國走在世界前列，不過目前智能設備價格較高，在國內壹般壹家100平米的店要升級成智慧店鋪，大約每家店要多花20萬左右，成本較高。而且大家對公司數據管理的評價都比較低，因為管理系統很多都是定向設計，開發費用動輒幾百萬上千萬，可是實際操作時有很多實際問題，也就是建系統和用系統不是壹批人，他們之間的溝通常常也有巨大的鴻溝，這導致系統做出來使用效率很低。且客戶的訊息資料有時候也很難統壹，尤其是不同類型的國外客戶或者做不同類目方向的客戶。另外壹個極端就是雖然已經在硬件設備和信息系統上投入了很多錢，但是沒什麽效果。這主要是因為數字化轉型僅僅靠技術是不夠的，如果企業思維和管理不改變，只做硬件投入等於“白燒錢”。所以數字化轉型是硬件和軟件（管理）同步進行。｜二｜數據分析簡介1.數據分析目的企業做數據分析和數據管理，必須落實到具體的人。如果妳是具體負責數據分析的人，如果掌握數據分析的能力滿分10分，妳給自己打幾分？為什麽？蕓友給自己普遍打5分，“因為自己懂各大平臺的營運邏輯，有自己的數據抓取和處理方法。設計基礎紮實，能從研發角度提出有建設性的意見。但自己對數據工具的應用能力，統計學的基礎知識需要加強。”這些能力也是企業在做數據管理系統時用人必須註重的能力。為什麽壹定要做數據管理和分析？分析數據是為了達到什麽目的，解決哪些方面的問題？幾位蕓友的回答給我們提出了新思路：商業洞察，創造價值。具體到部門就是測量產品系列的機會和風險，提前預知本應該發生什麽，並且對差異做出反應，為下季度的設計產品規劃以及采買預算提供數據支持。數據分析目的也是為了更好的支持到商品企劃和開發生產部門。通過數據跟進訂單/采購/生產/銷售等壹鏈線環節，分析各節點數據的狀況及異常原因，以便更有針對性的解決問題。總結下來，數據分析目的可以分為以下4點：（1）描述現狀——描述分析；這些具體指數據的聚合程度（平均值等）以及離散程度（極差值、方差值等）（2）分析原因——診斷分析；即診斷現象背後的原因。比如是什麽原因導致了銷售下降。（3）預測未來——預測分析；銷售預測就是壹種預測行為。（4）改善未來——預測分析。某些指標表現不好，如何改善這些指標未來的表現？蕓友拿文旅行業舉例。描述性數據就是本年度或近五年的遊客規模平均值是多少；預測分析就是推斷明年的年遊客量；診斷就是分析遊客量異常的原因。描述性分析在這些數據分析中我們也要了解壹些基礎的數學概念和統計學知識，比如總數、平均數、中位數、平均方差（離散程度）、分位數等。中位數，就是位子在中間的數字。比如，1，2，3，4，5，中位數是哪個？分位數，比如，“1，2，3，4，5，6，7，8”將數值先按大小排列。如果將上述8個數字做4分位數，就是兩個數字壹組，它們分別是：1、2/3、4/5、6/7、8。將前25%數據，前50%數據，前75%數據，前100%數據進行分位組合，再統計評估數據。離散程度理解起來其實也很簡單，比如以年齡段來說，假如是年齡組分別是35±15歲VS35±5歲，哪組數據離散程度更高？離散程度高說明什麽？在這個年齡組，+-15肯定是離散程度高於+-5歲的。再舉例來說，今年夏天賣的款，同樣100個SKU，最高量在10000件，最低量10件，平均銷量1000件。這裏，最大值-最小值就是極差，代表的是“離散程度”；平均銷量1000件代表的是數據的“聚合程度”。雖然這只是部分數據，但我們基本可以知道，今年銷量數據很分散，這壹般說明商品銷售效率很低。有時大家賣的數量差不多，銷量比較集中，這些都算是描述性統計分析，主要是先查看數據概況。如果爆的款很爆，但其他的可能幾乎等於沒有銷量，這也算壹種離散程度。診斷性分析那麽對銷售額降低的分析過程就是診斷性分析。診斷性分析用到的最基本的統計學知識是關聯性分析。當店鋪銷售下滑，第壹步應該是列出影響銷售的所有因素。銷售可以被看作“因變量Y”，導致它下滑的是“自變量X”。自變量可能是多樣的，比如天氣、客流、營銷、產品，這些可能都是多項因素，都屬於X。首先要去看他們的關聯關系強弱。這些通過統計學都可以得到答案。當然還有很多偶發因素，比如員工的失誤，但是從宏觀管理來說，我們要抓重點，找到X和Y的關系。大家不必被“統計學”這幾個字嚇到！現在我們不需要去記住統計學背後復雜的公式，這些公式都已經在軟件（比如EXCEL,SPSS）裏了。我們只要知道什麽情況下要用什麽公式或者功能即可。預測分析明年應該定多少銷售目標？這就是預測未來。大部分人現在是根據上年銷售增長20%-30%預測明年銷售，這個方法不需要太多的統計學知識。就具體的銷售預測而言，可以在冷蕓時尚公眾號上查看之前的關於“如何科學預測銷售”的坐莊文章。還有壹種是用統計預測模型來做，專業搞數據分析的會理解怎麽做。不是專業的也可以嘗試。不過，數據上的很多問題，不是技術問題，而是管理問題。比如數據的收集口徑、數據質量與質量評估。很多企業首先數據收集就有很多問題。既不知道該收集什麽數據，也不知道從哪裏收集，以及收集了又如何評估數據質量。甚至還有很多人為設置障礙，比如跨部門索要數據和登山壹樣難。和前面使用軟件系統壹樣，如果管理不到位，軟件就是擺設。2.業務數據分析流程大家現在的分析流程如何？是否拿到數據就開始分析？以下是業務數據分析流程圖：(