零售行业数据分析指标体系及方法论

时间：2023-03-15 12:36:01 | 来源：电子商务

时间：2023-03-15 12:36:01 来源：电子商务

从传统的线下零售（百货商店-连锁商店-超级市场），到前几年火热的线上电商零售（综合、垂直电商-社交电商），再到这几年线上线下结合的新零售模式，零售行业的运营模式发生了巨大的变化。

大数据时代下的零售行业，面对众多的顾客和复杂多变的市场需求，要想及时适应市场变化，掌握市场动态，就需要对零售各个环节的数据进行分析，得到科学有效的结论来指导决策。本文我们就来说说新零售模式下零售行业数据分析的指标体系和方法论。

无论商业模式如何变化，无论是传统零售还是新零售，都离不开“人、货、场”这三个核心要素，新旧模式的变化，本质上其实就是“人、货、场”三要素的进化，从原来商品为王的“货、场、人”时代，变成了如今用户为王的“人、货、场”时代。

围绕“人、货、场”这个三个核心要素，新零售数据分析指标体系整体上可以分成线下、线上两个部分：

线下的“人、货、场”

1、数据分析提升“人”效

这里的人效有两个方面，一指企业员工，二指消费者。在这个消费者掌握主动权的时代，想做好零售，除了加强员工管理，提升人员效率之外，更重要的是提高消费者忠诚度、充分挖掘客户终身价值。

企业员工管理中的数据分析一般分为两个方面，一个是员工效能分析，一个是员工结构分析，员工效能分析主要关注的就是员工的销售指标和服务效能指标，员工结构分析主要关注企业员工的流失率、人力结构、薪资结构等等，防止出现人力分布不均匀、薪资不合理的情况。

顾客管理是零售行业数据分析中相当重要的一部分，尤其是其中的会员顾客的管理。会员顾客的分析，可以从客户群体的消费行为特点、等级划分、活动管理等方面入手，越丰富越好，越细致的了解到会员群体的特征，越有利于客户关系的维护和发展，这里我简单列一些分析指标给大家参考，实际的分析过程中还可能会衍生出更多的指标：

2、“货”——商品分析

货就是指商品，商品数据分析的核心就是围绕“进销存”展开，重点就是商品结构的分析和商品消化跟进分析，结构分析常用指标有各类结构占比指标，商品消化跟分析常用指标有售罄率、存销比等，详细的指标架构如下：

3、数据分析提升“场”效

场，指的是消费场景，所有连接消费者和商品的终端，都是“场”，比如线下门店、线上的购物网站、APP、小程序等。“场”效的分析，核心是业绩与各项运营指标的监控，店铺的销售指标、销售追踪指标、效率指标等等

对线下门店来说，有一个关键的指标叫做“坪效”，指的是每平方米面积创造的年收入

坪效=销售额/店铺面积，销售额=流量x转化率x客单价x复购率

流量是制约坪效率的重要因素，当流量新增缓慢时，企业的坪效就会难以增长，此时企业就会增加线上销售额，增大线上流量

线上电商数据分析指标

线上零售和线下零售的核心都是“人货场”，围绕商品运营、用户运营和产品运营展开。传统的线下零售侧重于商品分析，线上电商则侧更重于对用户和流量的分析。从用户注册、浏览商品、加购商品、到最后的下单、确认收货，这中间有五个关键的数据分析指标：活跃用户量、转化、留存、复购、GMV。

线上电商的商品品类众多，首页商品更新速度快，因此在电商的商品分析中，要重点关注商品的转化率，根据根据转化率，结合业务经验，调整运营策略，来提高我们的转化率和GMV

另一个重要部分就是用户数据的分析，通过对用户数据的分析实现精细化运营。做好用户精细化运营关键有两点：一是关注用户留存，二是通过对用户分群，实现针对性的运营策略。

除此之外，线上电商经常会有各种各样的线上促销活动，通过营销活动过程中的数据，分析监控某次营销活动给带来的效果、以及广告的投放效率

整体的数据指标体系如下：

（图片压缩严重，整理了一版最新的，下方可以获取高清大图）

最全数据指标体系集合！覆盖9个行业4个业务场景，全是干货

线上、线下指标汇总：

零售行业常用数据分析方法

理清楚了零售行业的数据分析指标体系，接下来再讲几个在零售数据分析中常用的数据分析方法：

1、ABC分析法

ABC分析法又称帕雷托分析法，是商品管理中常用的数据分析方法。通过对一段时间内商品销售情况的分析，把商品分为A、B、C类，调整不同类别商品的管理策略。

举个常见的ABC法则在商品库存管理中的应用，假如我们打算对库存商品进行年销售额分析，第一步要先收集各品类商品的年销售量、商品单价数据，然后对数据进行处理，计算出销售额、累计销售额、累计销售额百分数等，将商品按照销售额的大小降序排列，将累计销售额占比累计占比0至50%为A类商品，50%-90%为B类商品，90%-100%为C类商品，然后根据分析结果，对ABC三类商品采取不同的管理策略。

根据商品管理及销售的情况，还可对ABC理论进行一定的变化，这样对零售业的商品管理来说更具有操作性。

2、RFM分析模型

RFM模型在会员价值分析中经常用到，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个等级，判断客户价值

据RFM的分析结果，调整运营策略，维护好重要价值的客户，关注流失的客户，分析客户流失的原因，减少流失率。

3、关联分析

关联分析是分析两组随机变量间关联关系的方法，在零售行业中最典型的应用就是商品关联分析，商品关联分析又叫做“购物篮分析”，通过分析用户消费数据，将不同的商品之间进行关联，并挖掘两者之间的联系，制定商品打包促销策略。

除此以外，关联分析还可以用在分析商品数量与销售额的关系、员工数量于企业销售额之间的关系等等。

4、漏斗分析法

漏斗分析法在数据分析中的应用场景有很多，典型有的营销漏斗、AARRR模型等等。它的核心思想是分解和量化，比如下面的营销漏斗，包含了用户从选购商品到最终购买的整个流程，然后通过计算各个流程之间的转化率来衡量每一个流程的表现，通过对每个环节之间的用户转化情况的检测，寻找电商各个环节可以优化的点，从而提升购买转化率

最后分享一下我整理的一份数据分析流程知识图谱，需要可自取。内含数据分析12个常见分析模型、18个理论分支、136个详细知识要点和60多个实际分析场景案例，不懂或不记得的知识点拿出地图就能查，数据人必备！高清电子版获取方式↓↓