Retail Analysis的力量——商业分析在零售业的应用
今日话题:数据分析在零售业的应用。主要有以下几方面内容:
- 什么是零售业的数据分析?
- 零售业数据分析会用到哪些具体的技术?
- 零售业数据分析可以帮助企业解决什么样的问题?
- 零售业数据分析的具体应用有哪些?
如果你想了解更多关于数据分析的相关内容,可以阅读以下这些文章:
8 种数据挖掘技术,让你成为更好的数据分析师
Python为什么这么火?如何利用Python进行数据分析?
20个常用函数——用Excel做数据分析
数据分析领域的10位杰出女性
从理论上来讲,零售业指的是线下的商店,比如沃尔玛这种。在疫情之下,大家不方便出门,很多线下零售店铺营收遭到了一些损失,但相应的也促进了一些相关行业的发展,比如送餐公司、线上购物公司。
零售业作为一种传统的销售方式,如何在新型的环境下采用新的技术和方式促进自己的发展呢?
零售数据分析其实就是Suppl chain 的优化分析,可以提升运营水平,帮企业做更好决策的分析,可以改善用户体验的分析。
从商家的角度,我们为什么需要零售业数据分析呢?
首先商家需要去了解整个运营的情况,需要了解什么样的商品销量好,再根据市场的需求去调整,以及应该怎样跟踪客户,怎样使用技术得到更多的客户等等。
那么我们具体能够涉及到哪些商业的Use Case呢?
首先是用户的终身价值,这个地方我们可以为企业识别最有价值的客户,做一些奖励的制度(比如积分制),延长用户在我们的商业系统里的生命周期。
在买一种商品的时候,可以通过大数据分析找到这种商品一般会和哪些商品关联购买,然后可以开展一些活动,做一些布局的改变,增加销售量。预估产品的需求,去管理库存,可以更合理的利用资金。
然后是User segmentation,通过对现有用户分组查看不同分组的购物习惯,做一些促销、优化。比如对用户做年龄的市场细分,很多年龄比较大的用户购物时间一般是上班时间,周末也是中间最忙的时候来。如果出现这种情况,可以设置一个老年人专门的购物时间,提高效率。
Determine location for new store,最有名的案例是星巴克会在什么地方开店,一般会研究周边宏观经济与微观经济、人群收入的情况,做一些调查,看一下潜在客户有多少。
下面介绍一下这些例子。
首先是顾客终身价值Customer Lifetime Value,从零售店可以追踪到用户的基本信息,根据用户的(Average Order Value) x (Number of Repeat Orders) x (Average Customer life span)计算用户在一个商店购物的周期。
根据这个周期去平衡顾客购置成本和顾客终身价值,获得一个客户可以拿多少钱做广告。如果你的顾客购置成本远远小于顾客终身价值,那么你的商业模型就是可行的。除了之外,也可以通过RFM模型的最近一次消费Recency、消费频率Frequency、消费金额Monetary计算顾客终身价值。
关于用户留存Customer Retention,一方面鼓励用户成为忠实客户,延长用户生命周期;另一方面做流失分析减少用户流失。
实际上可以把用户流失分析问题转换成机器学习中的分类问题,比如用户每周来沃尔玛消费一次,后来变成两周、三周,之后就从沃尔玛转到了别的超市。如果我们掌握了这个规律,构建一个模型预估用户流失,可以做一些商业计划。
比如一个用户下次再来的时候预估的流失可能性已经超过30%了,下次他来消费的时候可以给他奖励。除了对具体用户的跟踪,还可以采用库存跟踪,查看在销售方面的损失,有效地告知企业用户流失的状态以及同行的借鉴经验。
Price Optimization,从传统经济学讲价格=成本+利润,现在可以实现一个非常灵活的定价策略,这个定价策略基于供需分析、竞争对手分析以及库存分析,借助大数据技术更敏锐地跟踪某些商品的需求量,从而调整价格。
下面是Basket Analysis,早期它是从线下商店分析出来的。在沃尔玛POS机上可以看到购买所有物品的列表。从列表中发现了一个有趣的现象,男生有了小孩之后,在买尿布的同时会购买啤酒。
通过打印出来的表单或系统上传的订单,发现这两个商品同时出现在同一张订单的频率很高。后来沃尔玛就进行了一个调整,将尿布和啤酒放在一起促进销售额。
这就是Basket Analysis,但是具体怎么做呢?
首先得有Order和Item两张表,二者之间是多对多的关系,同时中间产生了实现一个订单对应多个商品的表Order_Item。现在变成了找pair,用self-join的方法on两个order_id,如果一致就可以通过groupby找Item1、Item2。
那么Basket Analysis是怎么帮到企业的呢?
首先是我们可以着重促销最受欢迎的产品;第二个是可以引导顾客购买他们可能错过或者忽略的产品;也可以更改店里的布局;或者分析用户行为;定制电子邮件等。
最后来看一下,customer journey analysis用怎样的数据分析的技术让线下店提升的呢?
首先是可以通过order的信息可以看到用户都在哪些地方完成他的销售;第二个是可以找到用户购物的map;接着是定量的分析本地需求;下一个是通过观察用户消费过程中的friction points,然后针对性的缓解或者是去掉这些点;还可以衡量和消费者接触的时间;可以检测到每天从早上开始客人最多的时间是什么时候;
最后是优化产品定位,确定产品放在哪一个地方会更好销售。这个完全是基于数据分析而来的,比如前面说的Basket Analysis,就是说哪几个产品是相关的,就把它们放的近一些;还有一种是通过监视产品的受欢迎程度把销售比较好的产品放在用户最容易看到或者拿到的地方。
这些都是零售店的customer journey analysis。也就用户在这里面行走路线图的分析。现在更智能化更先进的这种线下店的硬件设备提供给我们更多的数据源应用到线上店的E-commerce store 的数据技术。
本文主要介绍了关于数据分析在线下的零售店常见的技术。希望通过本文,你已经初步理解了这些概念,欢迎在文章评论区讨论补充!你还可以订阅我们的YouTube频道,观看大量大数据行业相关公开课:https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ;在LinkedIn上关注我们,扩展你的人际网络!https://www.linkedin.com/company/dataapplab/
Recap 作者:数据应用学院
美工编辑:过儿
校对审稿:Miya
公开课回放链接:https://www.youtube.com/watch?v=Gu3WNJEwQos&t=3s