如何用数据模型来分析并提高零售业绩？

参与：冷芸时尚8群群友
时间：2021年6月19日
庄主：张丙涛–广州–电商

▼ 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！

“很多人都知道数据分析正变得越来越重要，但现实中真正会数据分析的人比较少。本次坐庄，主要与大家探讨一些零售中常用的数据模型，并通过数据模型来分析及提高业绩。”

一、零售行业分析模型运用现状

1. 大家对零售行业数智化现状的认知

庄主：
在这里，我以阿里、凯度联合纷析智库出品的小黑书部分观点为引子，以起抛砖引玉的作用：

鞋服为非标产品，看似多SKU，灰度空间多，理论上数智化程度高方可支撑得住经营上的一系列动作。但实际上按照阿里出品的小黑书来看，服装零售行业数字化现状是最低的，附小黑书部分数据为参考：

芸友Darren:
我觉得快消行业他们对数据的反馈很快。服装行业普遍容易出现新店缺货，整体库存压力大，整体售罄低的情况。目前我们也有这个问题。

芸友范范：
之前在一家公司商品做过一段时间。商品每星期都有开会备新货，但每次实际铺货都会缺货，因为没有直接接触核心数据，到现在也没弄明白为什么。

芸友Growl:
这个数据很有趣，按道理来说服装行业对数据的需求应该是非常高的。当然，服装行业就我接触过的“相对更传统模式的公司”而言，他们对数据的应用也都还比较浅显，止于表象。

庄主：
商品企划算是数据的运用，尤其是商品企划之前需要做数据性商品企划。

冷芸:
这是最重要的点，商品企划更多是数据企划。

庄主：
为了后面的模型方法论，我来说说服装公司的商品企划算不算是数据的运用的这个问题。大家都知道我们一盘货的源起在于商品企划，这是“生孩子”的步骤。但是企划七分理性，三分感性，其实首先在于“作业边界”的确定。

“作业边界”这四个字特别要紧。你们看2017年华为CFO孟晚舟为了业财融合，是要干嘛呢？打破作业边界。而我们在鞋服零售行业谋稻粮，特别在意的是作业边界，就是你看每天工作拧不清，天天开撕，事情没有解决，倒是一地鸡毛。

那么到底什么是“作业边界”？其中职责划分是一部分。职责划分意味着目标的拆分，责任的担当，那么商品企划的作业边界在哪里？是否故事包无限多？SKU无限多？开发倍率无限高？

作业边界是一个框，什么都可以往里面装。企业经营范围、经营重点是否有作业边界感。比方凡客如日中天的时候，雷布斯对陈年说：你能否先做好一件衬衣——这个时候凡客的SKU量多达百万个。最近跨境通旗下的环球易购拟破产，SKU巅峰期99.6万个，这后面的效率是非常低的，钱都变成了存货。我们个人精力有限，最终有具体的爆发点，这是个人的作业边界和个人的帕累托最优的20%部分，企业经营高手，个人发展清晰者都知道确定自己的作业边界。

2. 数据运营是数据为主还是运营为王？

庄主：
数据化营运是营运为王还是数据为先？

芸友JUJU：
营运吧，数据服务于营运。

芸友Darren:
我从运营的角度，数据主要做支撑和辅助。

芸友梦清：
两者兼顾吧。

芸友Ghin:
我认为是以营运为目的，数据做有力支撑。

庄主：
这个话题我们作为开放性，不纠结于唯一的正确答案，我仅说说我的了解。我曾经做过零售和渠道负责人，开始很倾向于营运为先。不过有一路纯做数据的人，且是国内顶尖的数据挖掘公司的人是认为数据为先。他们的观点是既然数据化营运，自然是数据在前。若营运为先，那么会走会经验主义的老路，数据支撑最后会变成计量经济学里面的数据为了表达观点，而人为去调试，会跑偏。

二、常用分析模型介绍

零售行业常用的数据模型大概有15个。我们这里主要讨论频次比较高的分析模型。为了信息的贯通，同时考虑到大家没有这块的实际建模经验，我们重点介绍帕累托分析、购物篮分析、关联分析

1. 帕累托分析

帕累托分析法又称为80-20原则，是一种广泛应用的博弈论方法。具体来说它分为两部分：

帕累托分布如：
20%的产品贡献了80%的业绩；
20%的渠道贡献了80%的业绩；
20%的客户贡献了80%的利润；

帕累托最优。如：货品投放作业边界最优；迭代最优；企业多种货品同时投放，不同产品在达到各自的边际点后，即使再加大投放力度，企业也无法再获取额外的利益；

方法原理：
80-20原则是广泛应用的统计学方法。具体来说，指20%的投入可以产出80%的效果，如：20%的产品带来80%的销售，20%的客户带来80%的利润，80%的损失是由两名员工造成的。

其应用场景：
主要有标品、非标品的销售、货品分析。

案例应用：
下文会做美妆/服装行业销售、商品分析。
工具运用方面我们可以通过Tableau、PBI或者EXCEL软件来实现。


2. 购物篮分析

方法原理：
当购物篮系数横向对标行业、纵向对标历史平均值得过低时，通过解析影响购物篮系数的决策因子，找到提升的方法;

应用场景：
商超、专卖店等线下渠道，品牌线上销售渠道，标品，非标皆适用。

案例应用：
选择商超、专卖店，或者品牌电商店铺，在此建议是否追美妆快时尚热点，如WOWCOLOUR、调色师等快时尚美妆作为分析标的。目前这些渠道靠资本在外延性扩张，实际销售情况并不理想，指标亦存在对标误区。

工具运用：
常用软件为Excel、Tableau、PBI等。


3. 关联分析

方法原理：
当消费者购买A产品，同时会购买B产品，体现的是销售购买行为之间关联强度。

应用场景：
商品、销售分析。

案例应用：
典型的是啤酒与尿不湿案例。

三、典型分析模型在零售行业中的实践

1. 案例分析A

多品牌美妆集合店如何确定各品类投放边际点，实现商品运作效率、效益的提升？

W公司是一家全国性美妆通路公司，起家之初依靠集团渠道加持及知名资本助力，在短短不到一年的时间内全国“跑马圈地”，很快拥有了逾200家店铺，且形成了线上、线下、小程序等渠道矩阵。

自2016年起，W公司、HXZ、COLOURKEY等新锐国货网红品牌自线上崛起，线上美妆市场作为增长的一极；另外一极的线下渠道（包含百货、KA、CS、直销）仅有CS渠道是呈增长态势。

在此背景下，一批主打场景体验的新零售美妆品牌如W、T、L、H等迅速崛起，与传统CS渠道有别的是它们背后皆有资本加持，这有了量级腾飞的催化剂。

W公司每开一店便火爆圈内外，但首月之后新店转化率却急剧下降。店龄6个月以上的成熟老店单店日均销远低于同行的老牌港资美妆零售通路。

W公司平均店铺面积250㎡，6000+SKU，400+进驻品牌，其中23%的SKU贡献了整体业绩的80%。完全无业绩贡献SKU量达2000个，该公司在商品归类上共6大类，分别为彩妆、护肤、美妆工具、大牌小样、洗护、香水，彩妆品类业绩贡献最高时逾70%。

新零售彩妆同类企业众多，竞争异常激烈，为了解决流量日渐下滑的趋势，W公司总经理下了一道类似“电网”的指令，要求所有的买手经理、买手每月至少在各自领域引进10个新品牌。

前面所说的问题还未有明确的解决方案，后面的大量上新导致该公司货品积压、资金占用问题进一步的恶化。而供应商很多为后起之秀的美妆公司，甚至发生过几起刚刚沟通完退货，货还未从门店退回到大仓，对方公司就已经破产倒闭的现象。

美妆隶属于大快消行业，变化速度比服装行业更快，论季节性比服装更强。服装的OTB逻辑是MTO式（按订单生产），而快消品是按照MTS式（按库存生产）。当前期通路定位、店铺定位、产品定位没有卡位精准时，以终为始的OTB逻辑反而成了W公司目前难以逾越的冰山。OTB伴随着的是资金的预算和分发，前期库存的滞胀，资金的积压也会直接导致集团大老板思考是否值得继续拓展渠道。

原有的库存变现是急需解决的点，但是更核心的是货品投放宽度、品类占比最优值的确定，否则一直没有重点，上线6000+SKU，80%不动销。此时焦虑不已的W公司总经理下指令让团队的资深数据经理分析下目前的经营问题，并给出解决策略。数据经理接了指令，基于对商品经营情况的了解罗列了以下几个问题。


问题思考与分析拆解：
（1）6000+SKU，对于W公司店铺而言是多了还是少了？
通过对6000+SKU历史销售数据进行分析，可以得到销售、利润的边际贡献。

（2）6大品类，每个品类合适的SKU量是多少？
对6大品类按业绩贡献、利润贡献进行分析，结合店铺铺货系数，每月翻新率数据可以确定各品类SKU量的最优解。

（3）基于数据判断的总需求量，分月上新节奏应该如何把控？
结合上述两点，分拆SKU总量、分品类的量及分月的上新比率，确定买手每月引进商品量的KPI。

线下企业数据量相对较小，明确好问题、分析思路后，就是运用工具提取数据，进行分析。经过一系列的数据处理，W公司数据经理得出如下结论:

（1）6000个SKU总量中，23%的SKU贡献了整体业绩的80%，约33%的SKU完全无业绩贡献。

（2）6大品类中30%的SKU贡献了整体利润的80%，店铺铺货系数为24个SKU/㎡，目前存货周转率为2，得出每月翻新率为16%。

（3）结合每月翻新率数据，及周转率提升目标，可以确定买手每月新品引进量KPI以及财务资金分发计划。


数据分析应用：
基于可以形成结论的数据，数据经理制作了一份数据分析报告并给出了最终结论。

（1）基于目前的SKU效率和效益表现，W公司目前适合的SKU宽度为3000个，若将目标周转率从2提升至3，销售周期3个月，最多需求的SKU量为4500个，每个月SKU翻新率为25%，也就是3个月就需要迭代掉店铺75%的SKU。

（2）基于目前的利润表现，3000个SKU中50%为彩妆、15%为美容护肤、15%为美妆工具、洗护10%、名品和香水香氛各5%。

（3）结合每月翻新率数据及压量款的利润贡献，确定OTB的金额规划为55%彩妆、10%美容护肤、18%彩妆工具、10%的洗护、名品小样3%、香水香氛4%。



2. 案例分析B
如何让商品企划确定作业边界，降本增效？

K公司是一家全国性运动服装零售公司，所持品牌分自有和总代理两部分，在全国一二三线城市拥有1000余家店铺，经营模式分为直营、联营、加盟三种，线上、线下、微商城皆有布局。

在巨头未入局到细分市场的情况下，K公司生意做得风生水起，每季上订货会SKU多达千个，而行业内的标杆品牌如美资的L、国内上市企业T每季上会SKU不过500个左右。

如此以来K公司每季上会大量的SKU，加上以加盟为主的经营模式，客户订货规划各行其是，导致K公司每季订货会产品命中率比较低。过于分散的SKU导致供应链面临崩盘的风险，衍生的后续交期、分货、调拨皆让一盘新货出现交期不稳、断色、断码等问题。

绝大多数服装品牌公司与K公司的经营模式相同，渠道分布广，线上线下压量款相同，而线下店铺面积规划在公司处于生存的阶段并不清晰。小专柜可能只有10多平米；而大的旗舰店、集合店达400平米，这给需要千店一面的品牌连锁公司商品企划带来了实操困难，而消费者又需要常来常新，时刻有新产品的刺激。

商品企划的作业边界问题已经非常凸显，这个问题到底是否能够解决呢？K公司老板想到了公司新组建的数据团队，他给数据团队下的第一道指令便是从历史数据中挖掘出公司数据性商品企划存在的问题，这是公司订货会前期商品企划及主设计师的参考依据，更涉及到初建的数据团队是否有存在必要的试金石。

数据性商品企划是一盘货品的源起，关联部门众多，业绩不好，商品企划板块也是受议论最多的部门，为了解决看似杂乱无章的问题，数据分析团队对问题进行了拆解。


问题思考与分析拆解：
阅读全文...

数据分析应用：
阅读全文...


3. 案例C
购物篮分析方法的具体决策支持

A公司是一家全国连锁女装零售公司，分别在一二线城市铺有门店。此前全国销量一直很好，小程序、微商城全上了，响应时代的号召，将新零售玩得有声有色。但是企业发现紧身牛仔裤突然全国销量从线下到线上都有所减少，但此前未对市场做严谨的调研，所以生产量还是照常。而因为销量的减少，紧身牛仔裤就成了压库存的商品了。

衣服一季一季换得快，一年一年流行的也不一样，若是真的开始流行其他款，那明年可以直接生产设计新的、合乎时代的款式出来。但目前未销出去的裤子要么打折清仓，要么只能销毁或者转卖给专门做清仓折扣店门店，但无论哪一种都面临着较高的折扣成本以及市场上品牌口碑的下滑。

有的服饰品牌确实会如海尔般对品牌固执坚挺，无论在任何情况下都不对品牌进行降价销售，这样才能保住客户眼中的“高价值”，当然高价值理所当然就对应着高品质。那现在有没有其他办法将这批压库存的紧身牛仔裤尽快销售出去呢？这就成了企业面临的最为紧迫的困局了。

此时企业老板想到了数据驱动，于是找到数据分析团队，尝试让他们给出一个好的方案出来。

数据团队接到任务后就开始进行问题拆解，并为自己提出了以下几个问题。


问题思考与分析拆解：
阅读全文...

数据分析应用：
对于数据分析后得出的结果，数据团队内部经过一轮的讨论和商议，最后做出了一份分析报告，报告最后给出了明确的应用建议。
阅读全文...

关联分析在零售行业的运用（以一个具体模型作为体现）
阅读全文...



文字整理：张怀楷
文字编辑：陈畅
美术编辑：李宁