上一期梳理如何从会员数据中，持续的做到看趋势、找对比、溯源头，采取针对性的策略，提高会员的购买频次等方式，来强化门店的竞争力。那么，本期将梳理如何分析“商品数据”，提高门店的营收能力？来这片自留地，一起探索交流运营与数据的魅力所在！

如今，面对形形色色的商品以及各式各样的产品服务项目以及越来越难满足的顾客，对于线下门店而言，“商品”作为门店盈利非常关键因素。光靠经验是远远不够的，必须懂得运用数据，从中挖掘可以提高门店营收能力的关键点。

因此，“商品数据分析”非常重要，通过对商品数据分析指标来指导门店商品结构和服务项目以促销活动的调整、针对性陈列调整，从而优化库存结构、加强所经营的商品和项目的市场竞争能力及合理配置，让商品更适应市场，更畅销，使商品组合更符合门店顾客需求消费情况，以达到商品的最大售磬率。

01

那么，首先我们来梳理一下商品数据分析主要的指标。

▶售罄率=销售数/进货数，指商品上市后特定时间段销售数量占进货数量的百分比。它是衡量货品销售状况的重要指标。通常情况下，售罄率越高表示该类别货品销量情况越好，但它跟进货数量有着很大的关系，通过此数据可以针对货品销售的好坏进行及时的调整。

▶存货周转率=销售货品成本/存货成本，侧重于反映门店存货销售的速度，它对于门店流动资金的运用及流转状况很有帮助。从理论上说，存货周转次数越高，门店的流动资产管理水平及商品销售的情况也就越好。

▶库销比=库存量/销售额，它是衡量库存是否合理的重要指标，比率高说明库存量过大，销售不畅，过低则可能是生产跟不上或者是进货量不合理。存销比的设置是否科学合理，直接反映门店对市场的了解情况。库销比过高或过低，都是库存情况不正常的体现。

▶商品畅销款与滞销款统计，了解畅销和滞销商品的原因，利用畅销款搭配滞销款销售、整滞销品的陈列方式及陈列位置、提升导购对滞销品的销售技巧等各种营运手段，带动整体商品整体的流动。而根据二八法则，产生了80%的营收多数为畅销商品。

▶折扣率=实际金额/标准价。

▶动销率=动销品项数/库存品项数*100%。

▶连带率=销售件数/交易次数。 (也叫连单率)

▶商品毛利=实际销售额-商品成本

▶利率＝（毛利/实际销售额）×100%。

···········

若有未提及主要商品指标，欢迎留言补充！

其实，商品分析指标有很多，常用的指标如商品的折扣率、售罄率、SKU动销率、畅销销分析、周转率等；小店主要关注的顺序是利润＞售罄率＞周转率，大店主要顺序是售罄率＞周转率＞利润，不同规模的店所关注的数据指标有所不同，（类似互联网产品，不同时期所关注的数据指标不同）。一般来说大店看重商品的周转，小店看重商品的单次利润，线上看重商品的折扣，线下侧重商品的库存。

02

接下来，我们就来梳理如何分析商品数据，提高门店的营收能力？

提高门店营收的分析原则是一个从大到小的分析，不断的聚焦到商品，找到需要优化的品类，再到具体的商品的过程。

第一、整体趋势分析

了解不同品类销量趋势、拐点、异常情况以及环比同比对比。主要分析不同品类销量趋势，以及其同环比、完成率指标，与上周/月、去年同期销量进行对比并分析，实际销售与计划的差距，用以评估各商品销售状况，方便线下门店人员做产品跟踪、销售及门店营销策略。特别是对销售下降的品类和出现拐点的情况，门店需要进行全面分析，并通过分析找出差距，同时提出改进方案。

如：以某一蛋糕店9月份的各品类商品数据为例（此为虚假数据）

从趋势图看出，9月份在2日各品类销量达到峰值，可能门店在搞活动，促销等，且每周末也出现波动，对比8月份常温蛋糕系列有所下降，分析找出差距，同时可对其做促销活动等方式。可在周末调整软欧面包+常温蛋糕组合搭配营销策略。在新品促销折扣时，既要要考虑用户的心理和同竞品的定价营销策略，同时也要考虑产品的利润和成本。定价和营销策略非常重要。

第二、同类商品分析

了解不同商品销售占比、连带率情况。分析哪些品类受欢迎，购买最多的，连带率较高，根据这些数据对商品营销策略进行调整，提升品类销量。而在营销热点时间提前1个月，做好准备，比如爆款选品、营销折扣、营销活动专题、文案、设计、用户评价积累、配套单品、物流准备等等。

如，从饼图看出，软欧面包系列占比最大，西斯西点系列占比较小，可以利用直播带货等短视频的流量来为商品进行赋能，帮助商品进行一定程度的破圈，短时间内实现销量和门店营收的大幅度增长。

第三、具体商品具体分析

梳理不同商品销量排名情况，进行从多维度分析。主要看售罄率，反应了顾客需求程度的强弱以及畅销情况，它不仅隐形包含了生命周期的维度，更反应了顾客喜好程度。进行从多个商品维度分析，可能存在价格低、季节、网红带货、商品评价、品牌因素、风格、活动促销的影响下，潜在的购买用户或者原本对爆款商品不感兴趣的用户也加入了购买。顾客会综合考虑品牌、质量、评价等综合因素，从中选优；因此，我们根据影响爆款商品因素随时调整策略。

如，从条形图看出，商品“雷神”为9月份畅销款，可能是做商品促销等方式营销管理，还可以建立商品评价体系，提升商品销量。而新品研发、定价、宣传渠道、顾客画像上需要考虑用户的年龄、收入、商圈分布以及消费心理和消费能力等。

03

最后，优化解决问题，找到问题点或是差异点，并结合营销思路，提出可能存在的假设，找到门店营收的改善点。

如，通过上述趋势图、占比情况以及畅销情况，此蛋糕店雷神为店内“爆款”品类，但“新品”销量有待提升，建议持续优化新品+雷神合理搭配组合套餐优惠力度，促进新品转化，提升客单量。 可配合会员老带新优惠活动，其他系列+雷神组合套餐优惠券，提升其他品类系列转化率，进而提升门店营收。

因此，商品数据分析主要可分为以下几步：

首先，整体趋势分析，了解不同商品销量趋势、拐点、异常情况，对呈现数据进行对比分析，同比、环比。

其次，同类商品分析，分析商品占比情况、采销差异、销存差异等，还有可以：数量、金额、折扣、款量、SKU、平均单价等。

然后，具体商品具体分析，对商品畅销情况进行从多个维度分析，如：年度、季节、品类、风格、价格带等。

最后，优化解决问题，找到问题点或是差异点，并结合营销思路，提出分析假设，找到门店营收的改善点。

总之，定期进行周分析、月分析、季分析、年分析。对特殊事件，发现疑点，要尽可能当下提取数据进行问题诊断。而商品数据分析的角度不同，分析的结果不尽相同，其中可能掺杂着区域、商圈、消费水平、商品组合、促销、季节、节假日等众多因素。当然还有顾客、品牌、宏观经济、竞品动作等众多因素。

但不管任何一种合理的分析指标都是对商品科学运作的数据审核与监控；促进商品更良性，合理化运转；持续的调整商品的合理性，进而提升门店的营收能力。

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！