企业如何建立新零售数据指标体系？

企业如何建立新零售（线上+线下）数据指标体系？参与：冷芸时尚8群群友时间：2022年10月22日庄主：冷芸参与者：周梦溪-上海-找工作中、Ruby就是啵啵-曼城-Merchandiser、jie-深圳-财务、杨毅-安阳-童装、Helen-上海-业务、amin-深圳-买手_以下的冷芸时尚圈讨论是就行业问题的讨论及总结。这些分享属于集体智慧的结晶。（它们并不代表冷芸个人观点）。希望通过此种方式能让更多行业人士受益！很多企业做数据分析缺乏系统性思维，基本都是想哪儿是哪儿，既缺乏数据科学管理的意识，也没有树立指标体系的概念。没有这些标准的建立，企业的数据分析就是空中楼阁。｜一｜企业数据管理现状：如果用三个关键词描述你们企业数据管理水平，你会如何描述？为什么？虽然数字化好像已经普及进入我们工作生活与生产的方方面面，但各家企业数据管理水平不一，依旧有待完善和细致。芸友amin所在的企业主要是依靠丽晶系统，来进行一些粗放式的管理。数据主要包括进货，出货，销售额，基本的廓形，色彩的一些数据的统筹。就总体而言，目前鞋服企业的数据管理水平还处于“滞后，原始，不重视”的状态。芸友Ruby所在的企业目前还处于单一性初级阶段，门店数量小于20家，主要依赖于线下门店POS业务销售数据，没有其它技术收集目标客户信息，企业仍使用基础数据分析方式。“我负责的工作主要由WSSI分析（预算比较分析）和产品品类分析两部分组成。按照已确定零售周每周每月，春夏季、秋冬季促销月的工作方式进行汇总总结报表，反馈的流程，会具体到每家门店在这些方面的表现。局部最优抓重点，小微公司资源有限，而且处于换系统的阶段。我们部门都在努力优化运营流程，有新的想法大家都会讨论先实践起来。帮助公司下季度拥有更合理的产品系列，提高公司销售增长为目标。”不仅仅是以上两位芸友所在的企业，其实国内中小公司都很原始，尤其国内鞋服企业的数据管理能力普遍弱，做智慧店铺，RFID的店铺还比较少。虽然在零售的数字化转型阶段中国走在世界前列，不过目前智能设备价格较高，在国内一般一家100平米的店要升级成智慧店铺，大约每家店要多花20万左右，成本较高。而且大家对公司数据管理的评价都比较低，因为管理系统很多都是定向设计，开发费用动辄几百万上千万，可是实际操作时有很多实际问题，也就是建系统和用系统不是一批人，他们之间的沟通常常也有巨大的鸿沟，这导致系统做出来使用效率很低。且客户的讯息资料有时候也很难统一，尤其是不同类型的国外客户或者做不同类目方向的客户。另外一个极端就是虽然已经在硬件设备和信息系统上投入了很多钱，但是没什么效果。这主要是因为数字化转型仅仅靠技术是不够的，如果企业思维和管理不改变，只做硬件投入等于“白烧钱”。所以数字化转型是硬件和软件（管理）同步进行。｜二｜数据分析简介1.数据分析目的企业做数据分析和数据管理，必须落实到具体的人。如果你是具体负责数据分析的人，如果掌握数据分析的能力满分10分，你给自己打几分？为什么？芸友给自己普遍打5分，“因为自己懂各大平台的营运逻辑，有自己的数据抓取和处理方法。设计基础扎实，能从研发角度提出有建设性的意见。但自己对数据工具的应用能力，统计学的基础知识需要加强。”这些能力也是企业在做数据管理系统时用人必须注重的能力。为什么一定要做数据管理和分析？分析数据是为了达到什么目的，解决哪些方面的问题？几位芸友的回答给我们提出了新思路：商业洞察，创造价值。具体到部门就是测量产品系列的机会和风险，提前预知本应该发生什么，并且对差异做出反应，为下季度的设计产品规划以及采买预算提供数据支持。数据分析目的也是为了更好的支持到商品企划和开发生产部门。通过数据跟进订单/采购/生产/销售等一链线环节，分析各节点数据的状况及异常原因，以便更有针对性的解决问题。总结下来，数据分析目的可以分为以下4点：（1）描述现状——描述分析；这些具体指数据的聚合程度（平均值等）以及离散程度（极差值、方差值等）（2）分析原因——诊断分析；即诊断现象背后的原因。比如是什么原因导致了销售下降。（3）预测未来——预测分析；销售预测就是一种预测行为。（4）改善未来——预测分析。某些指标表现不好，如何改善这些指标未来的表现？芸友拿文旅行业举例。描述性数据就是本年度或近五年的游客规模平均值是多少；预测分析就是推断明年的年游客量；诊断就是分析游客量异常的原因。描述性分析在这些数据分析中我们也要了解一些基础的数学概念和统计学知识，比如总数、平均数、中位数、平均方差（离散程度）、分位数等。中位数，就是位子在中间的数字。比如，1，2，3，4，5，中位数是哪个？分位数，比如，“1，2，3，4，5，6，7，8”将数值先按大小排列。如果将上述8个数字做4分位数，就是两个数字一组，它们分别是：1、2/3、4/5、6/7、8。将前25%数据，前50%数据，前75%数据，前100%数据进行分位组合，再统计评估数据。离散程度理解起来其实也很简单，比如以年龄段来说，假如是年龄组分别是35±15岁VS35±5岁，哪组数据离散程度更高？离散程度高说明什么？在这个年龄组，+-15肯定是离散程度高于+-5岁的。再举例来说，今年夏天卖的款，同样100个SKU，最高量在10000件，最低量10件，平均销量1000件。这里，最大值-最小值就是极差，代表的是“离散程度”；平均销量1000件代表的是数据的“聚合程度”。虽然这只是部分数据，但我们基本可以知道，今年销量数据很分散，这一般说明商品销售效率很低。有时大家卖的数量差不多，销量比较集中，这些都算是描述性统计分析，主要是先查看数据概况。如果爆的款很爆，但其他的可能几乎等于没有销量，这也算一种离散程度。诊断性分析那么对销售额降低的分析过程就是诊断性分析。诊断性分析用到的最基本的统计学知识是关联性分析。当店铺销售下滑，第一步应该是列出影响销售的所有因素。销售可以被看作“因变量Y”，导致它下滑的是“自变量X”。自变量可能是多样的，比如天气、客流、营销、产品，这些可能都是多项因素，都属于X。首先要去看他们的关联关系强弱。这些通过统计学都可以得到答案。当然还有很多偶发因素，比如员工的失误，但是从宏观管理来说，我们要抓重点，找到X和Y的关系。大家不必被“统计学”这几个字吓到！现在我们不需要去记住统计学背后复杂的公式，这些公式都已经在软件（比如EXCEL,SPSS）里了。我们只要知道什么情况下要用什么公式或者功能即可。预测分析明年应该定多少销售目标？这就是预测未来。大部分人现在是根据上年销售增长20%-30%预测明年销售，这个方法不需要太多的统计学知识。就具体的销售预测而言，可以在冷芸时尚公众号上查看之前的关于“如何科学预测销售”的坐庄文章。还有一种是用统计预测模型来做，专业搞数据分析的会理解怎么做。不是专业的也可以尝试。不过，数据上的很多问题，不是技术问题，而是管理问题。比如数据的收集口径、数据质量与质量评估。很多企业首先数据收集就有很多问题。既不知道该收集什么数据，也不知道从哪里收集，以及收集了又如何评估数据质量。甚至还有很多人为设置障碍，比如跨部门索要数据和登山一样难。和前面使用软件系统一样，如果管理不到位，软件就是摆设。2.业务数据分析流程大家现在的分析流程如何？是否拿到数据就开始分析？以下是业务数据分析流程图：(