库存，是仓库中实际储存的货物。可以分两类：一类是生产库存，即直接消耗物资的基层企业、事业的库存物资，它是为了保证企业、事业单位所消耗的物资能够不间断地供应而储存的；一类是流通库存，即生产企业的原材料或成品库存，生产主管部门的库存和各级物资主管部门的库存。

在电子商务里面，除了像携程、艺龙等旅游酒店服务提供商意外，基本上各个电子商务公司都面临者库存系统管理。

一、库存管理的重要性

1. 库存过少带来的风险

• 可能产生应对紧急订单的困难，造成客户投诉或因此失去市场或客户
• 产生供应风险，需启动紧急计划
• 因供应风险的产生，可能导致紧急采购，进而引发采购成本的上升
• 因可能产生供应紧张，造成因此产生的紧急配送或空运，增加物流成本

2. 库存过大带来的风险

• 增加仓库面积和库存保管费用,从而提高生产成本
• 占用大量的流动资金,造成资金呆滞
• 造成成品和原材料的有形和无形损耗
• 造成企业资源的大量闲置,影响其合理配置和优化
• 掩盖企业生产、经营全过程的各种矛盾和问题,不利于企业提高管理水平

3. 负库存带来的风险

• 增加商品的不明损耗
• 产生缺货
• 损失商品毛利

二、库存概览

电商库存体系分为销售层、调度层和仓库层，销售层是为了保证前台商品的正常售卖，库存的管理和仓库密不可分，而仓库又和销售、采购相关，主要有销售订单、采购、仓间调拨、盘盈盘亏、预售、售后退货等因素。

库存的变动分为自上而下和自下而上两种，每一层库存数量的变化可总结为增加、锁定、解除、扣押、返还、异常处理等。数据的变动都需要相关单据依据，例如销售订单、发货单、采购入库单等。

• 增加：自有库存通过采购入库，协同仓库通过代销采购协议入库 锁定：下单之后锁定库存
• 解锁：订单取消之后释放解锁库存
• 减扣：订单支付成功之后扣减库存，扣减锁定库存
• 返还：退货换货返还库存，相当于增加库存
• 异常处理：库存数据在定期校验时，如果出现异常数据，就需要进行异常处理

三、库存分层

库存管理体系分层为销售层、调度层、仓库层，主要是各层的职能不同，驱动库存发生变化的单据也不一样。

1. 销售层

销售层主要面对前端用户，一般情况下，前端库存要和实物库存保持一致，即不能超卖。但是做预售时，就是虚拟库存，下单时涉及到的库存动作只在销售层，待到备货之后，再推送至调度层。销售层的库存决定是否可售卖，下单是否能成功。

• 可销售库存：网站前台显示的库存，可以对外售卖的库存。当“可销售库存>0”时，前台网站则会显示商品可销售;而“可销售库=0”时，前台网站则会显示商品缺货
• 锁定库存：用户下单锁定库存，支付后扣减库存。锁定库存指的下单时占用库存，保证客户下单后支付的订单都是有货可发，而不会相互冲突
• 已销售库存：统计商品已售数量。当支付成功，商品就算作已销售库存。如果取消订单或售后就需要走相应的库存变动流程变动

2. 调度层

调度层相当于订单的分配中心，将订单转化为发货单，按照调度规则决定由哪个仓库发货。调度层的库存分为单仓、区域、总库存三个维度，区域库存指的是这些仓库只发某一区域的。

• 账面库存：仓库中的实物库存，只要是未出库的都算在账面库存中
• 可用库存：仓库中可供发货的库存。这部分库存是可供调度的库存
• 在途库存：下了采购单但是尚未入库的库存，在途库存理论上部分是可供销售的，例如T+1的在途库存，就是1日之后就可以入库的sku

3. 仓库层

仓库层的库存对应的是实物库存，出库入库盘点都会引起仓库库存的变动。

• 可用库存：发货单推至仓库后，仓库可以用于发货的库存，不包括锁定的库存
• 锁定库存：发货单推送至仓库后锁定库存，锁定时同时去锁定库位库存
• 已出库库存：已经确认出库的实物库存
• 不可用库存：盘点时发现的不良品，需要报损，从可用库存转化为不可用库存

四、库存调度逻辑

1. 影响库存调度的因素

物流时效——为了迅速响应用户需求，很多企业在多地建立仓库，以便能够从最近的区域发货，在最短的时间内送到用户手中。

仓库等级——有些企业在业务量较大时，会在同一区域内除了建立中心仓，还会建立多个区域仓。这些区域仓库存量较小，存放一些消费频次高的SKU，只供应当地城市。

业务需求——在业务发展时，会有部分货源从供应商处直接发出，或者为了保证物流时效，在某些区域由供应商直发，这种仓库定义为供应商协同仓。再对这些SKU库存进行调度时，就需要在调度层直接把仓库下发给供应商订单系统。

2. 库存调度的逻辑

同一仓库不同级别区域不能重复，设置某一级别区域范围时，其他区域级别设置过的区域选项置不可选。

库存调度示例逻辑：

• 在下单时，先筛选出对应订单有库存的仓库
• 将收货地址与这些仓库的一级配送区域匹配，若没有再去匹配二级区域，依次类推
• 筛选出同级区域的仓库，再根据仓库的优先级进行筛选
• 若仍有多个仓库待选，根据同级仓库之间的优先级来进行选择，最后选择仓库
• 选择好仓库之后，再根据SKU优先级、运费（体积、重量）等因素来选择物流公司
• 当订单中有多SKU时，还会根据库存调度规则进行拆单

五、库存控制的策略

库存控制有五个方面的因素必须要考虑,即数量、时间、频率、范围以及可预测性。

1、数量是可以用精确的数字来表达,也可以为一个范围或一个概率,例如判断某种商品95%的需求位于80到120件之间。

2、时间是指预测的时间跨度。预测按时间的不同可划分为:短期预测、中期预测和长期预测三种

• 短期预测:短期预测的方法般包括筲单平均、加权平均和指数拟合等。短期预测时间跨度最多为1年,而通常不少于3个月
• 中期预测:中期预测的方法包括曲线和指数平滑、基数序列等。中期预测的时间跨度为2年左右
• 长期预测:长期预测的方法般包括简单回归等。长期预测的时间跨度通常为2年及2年以上

3、频率是特定时间内满足需求的次数(一次或几次)

4、范围是指需求数量的变化范围

5、可预测性:需求或消耗可能会与历史数据相同也可能与历史数据有联系也可能与历史数据毫无关系。考察历史消耗量与补充库存数据可以揭示未来的形式及趋势

总结

在实际的设计中，库存系统产品设计所涉及到的东西远比所分享的多，而且与产品的实际业务相关度更高，不同的业务，设计出来的库存系统会有很大的差别。

免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！

零售行业普遍有着丰富的数据和大量急需优化的问题，如商品价格、折扣、门店库存、会员活动等，是数据分析应用的重要商业应用领域之一。本文作者从零售行业当前存在的问题出发，系统梳理了搭建数据分析模型的相关步骤和过程中需要注意的问题，与大家分享。

最近很多搞零售的朋友在抱怨，以前都说零售行业最赚钱，但现在却感觉越来越难做，尤其是实体零售，倍受互联网、微商、电商等线上零售业的冲击，竞争环境也越来越残酷，零售行业似乎根本看不到出路。

在我看来，零售行业的升级是一个商业与技术不断激荡交错的过程，拿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，而大数据技术公司手握单点技术的深度，两种不同基因的交汇融合将为行业发展提供更大的推力，双方的边界也将逐渐模糊。

简单一句话，未来的实体零售与互联网绝不仅仅只是单纯的甲乙方关系，它们还存在着更多的可能性。

一、零售业的问题到底出在哪里？

1. 数据的统一性、完整性较差

零售行业一般不会拥有完整的数据整合系统，比如票务、餐饮、零售这些系统各自独立，各个系统的数据没有办法打通，形成一个个数据孤岛，数据价值难以得到充分的发挥，因此很难得到统一、完整、直观，并能从各个业务主题与维度展现运营活动的管理数据。

同时，在企业经营管理、经营决策、战略决策、风险管控上，经常出现信息数据依据不足、不准确，判断困难的情况，如何有效进行数据整合以响应企业运行效率，也是零售行业数据决策的实际需求。

2. 数据响应不及时

随着零售业务系统的越来越多，收集的数据越来越细，使用系统的时间越来越长，数据量的增长越来越快，现有的系统已经无法对数据量较大的数据进行快速响应。

传统的数据应用模式中，业务部门需要将数据需求提交给IT处理，但IT的人力不能保证对分析需求的及时响应，对一些报表的调整也十分困难。

3. 缺少多维度的数据分析平台

以顾客分析为例：零售主管不能掌握顾客消费轨迹，无法对顾客的消费进行引导经营。同时，也无法掌握顾客群体属性，导致缺少提升服务水平的重要参考项。

服务业市场化充分，竞争压力相对较大，顾客对服务质量的要求相对较高，缺少对会员的有效管理，无法掌握企业顾客群体属性，企业难以走到消费者签名，提供更出色的服务体验。

二、零售行业需要一个完整的大数据应用架构

针对数据决策分析过程中的数据处理，整个零售行业大数据应用架构的建立需要经历四个阶段：源数据库数据抽取、ods数据库ETL转换、数据仓库和数据集市、最终用户界面。其中：

1. 源数据库

用户需要采集的源头数据库或者数据仓库，本系统源数据库为crm系统和其他原有应用系统，以及一些可能的需要EXCLE导入的数据源。

2. ods数据库(预处理数据库)

用于存储从源数据库中获取的数据，中间使用ETL工具进行数据抽取、转换、清洗、装载，数据进入预处理数据库对数据进行清洗和架构，实现数据的可用性。

3. 数据仓库/Cube文件

对目标数据库中的数据进行多次整合加工，形成面向主题的、集成的、稳定的、不同时间的数据集合，改数据库可根据业务情况，有选择的转义成可识别的字段名称，生成用户前端用户可直接拖拽使用的Cube文件数据。

4. 前端页面（最终用户界面）

前端用户根据业务包转义名称，直接拖拽数据进行统计得到dashboard进行分析结果的展示。

三、建立数据分析模型

搭建好应用框架之后，就要进行数据分析模型的建立。

我曾经做过很多零售行业的数据分析工作，通过不断梳理零售业务，我找到了零售行业关注的重点，分别是商品、门店、库存、活动、会员等五个，然后我建立了每一个场景的分析模型，下面我一一介绍，供大家参考：

1. 商品分析

商品分析应该是零售行业最最关注的点，无论是领导或是业务人员，都会面对以下问题：

到底哪些商品能够获得消费者青睐，一路飘红？

• 哪些商品应该淘汰？
• 应该淘汰的商品销售额占比是多少？
• 同一种商品的价格区间分布是怎样？

……

为此，我用FineBI整合了多个业务系统中的数据，进行数据加工、清洗后，进行下面三个分析，

• ABC分析：根据商品对店面销售的贡献度及顾客对商品的本身的需求，按照70%，20%，10%将商品分为A，B，C分类，并进行分类数据分析，包括 SKU数量，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研究时经常使用的方法，通过分析同类商品不同价格带的销售额，销量，掌握此类商品用户的消费层次及数量，勾画出超市对该商品的基本需求。从而超市采购再根据店面定位来选择商品的采购层级及数量。
• 品牌效益分析：通过对各品牌对应的销售额，利润，客单价，销售成本率等指标的月度变化趋势，进而评估该品牌的效益。

第二步，确定了分析方法之后，梳理出这个场景下的业务模块、业务指标和分析维度，通过图表工具建立起指标体系，商品分析的指标体系如下图所示：

最后，通过图表来展示上面三个分析结果，如下图所示：

2. 门店分析

这一点主要是针对实体零售企业，实体门店仰赖营业额作为绩效指标，但对于营业额不佳，却难以有更进一层的数字观察，例如：

• 各个门店中，销售额最高的门店有哪些？分别具有哪些特征？
• 直营店和加盟店的利润比例相差多少？
• 门店的整体销售额随时间呈怎样的变化趋势？每周的哪几天销售情况较差，是否应该推出活动提升销售情况？
• 在每年的营销活动中，哪几次的营销效果最好？

为了解决这个问题，

• 首先要进行门店的销售分析、利润分析等，掌握门店的营销情况。
• 然后，我通过设置警戒线进行每月关键指标走势的监控，以便及时发现并解决存在的问题。
• 最后，针对关键指标排序，结合前面的分析组件，探索每个营销关键节点，各门店的营销表现如何，利润占比等等。

同样的，我仍然需要建立门店分析的指标体系，如下：

最终的展示结果如下：

3. 库存分析

我们经常听很多管理人员抱怨库存太多，其实高库存大多时候是企业“自找”的。高库存其实是“冲动的惩罚”。店铺里明明只有月销售80万的能力，采购经理非要订120万的货进来，肯定会造成公司营运能力的下降，那么问题出在哪里呢？

对零售行业来说，库存分析无外乎两个方面，是否会缺货？是否会库存过大，占用资金？在以往，由于数据化管理的缺失，往往会造成以下问题：

• 哪些商品的库存最多，库存积压的原因是什么？
• 产品问题、预测不准还是销售问题？
• 商品的周转周期分别是多长？
• 周转周期长的商品，如何采取手段缩短周期，提高资金流动性？

为此，我从库存量、库龄、库存金额、商品数量等多个角度对库存情况进行分析，然后将分析得到的结论与商品分析、门店分析等分析结果进行对比，得出改进结论。

接着进行库存分析的指标体系建立，如下所示：

最终的展示结果如下：

4. 会员分析

对于零售行业来说，有效的客户细分是深度分析客户需求、应对客户需求变化的重要手段。通过合理、系统的客户分析，企业可以知道不同的客户有着什么样的需求，分析客户消费特征与商务效益的关系，使运营策略得到最优的规划；更为重要的是可以发现潜在客户，从而进一步扩大商业规模，使企业得到快速的发展。

而在以往，没有数据的支撑，想要了解以下问题往往是比较困难的：

• 消费者(会员)的特征分布是怎样的？
• 不同特征的会员又有着怎样的消费偏好？怎样才能有的放矢，针对的提出营销手段？
• 消费者(会员)的行为又是怎样的？喜欢在哪些时间消费？在不同的时间喜欢购买的品牌又是否一样？

为此，我用图表工具的多源数据整合功能，将crm、erp等系统的数据打通，建立完善的用户画像与用户分类，然后针对不同类型的不同用户，结合过去历史数据形成的消费特征，进行差异化精细化的营销动作。

接着进行会员分析的指标体系建立，如下所示：

最终的展示结果如下：

5. 活动分析

优质的、有价值的活动运营方案能够严格的落地执行并且助力业绩提高，活动中实时数据监控及有效数据反馈可以对活动计划执行和快速解决其中问题提供重要保障。当业务人员辛辛苦苦策划举办了一场促销活动，活动的效果如何追踪，又该如何改进呢？

在过去，活动的效果只能通过销售额等基础指标进行判断，无法通过更加精细化的指标进行分析，也无法解决以下问题：

• 活动效果究竟好不好，活动的转化率为多少？对品牌知名度的提升有多大？
• 活动对不同地区的消费者，影响是否一样？不同类型的消费者分别偏好哪种活动？
• 哪些区域、门店的效果较好，又有哪些较差？效果不好的原因是什么？该如何改进？

为此，我利用报表工具的直连数据模式，在活动中进行实时的活动数据监控，时刻发现并调整活动策略，以便最大化活动效果；在活动结束后，还要进行活动效果、转化率的统计，利用OLAP多维分析与钻取联动等功能，总结活动在不同维度下的效果。

接着进行会员分析的指标体系建立，如下所示：

最终的展示结果如下：

作者：李启方，数据分析师，专注于传统行业数据分析。公众号：数据分析不是个事儿：分享数据人的干货！

免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！