BI案例:BI在连锁零售业应用(ZT)

Posted on 2015-08-25 09:31 xuzhengzhu 阅读(42) 评论(0) 编辑 收藏

第一部分:连锁零售企业上BI的必要性.

  目前国内的连锁零售行业的发展趋势,呈现出产业规模化,经营业态多样化,管理精细化的特点。所谓管理精细化就是"精耕细作搞管理,领先一步订系统"。如今的商业企业在日常的经营过程中,产生了大量的信息,这些信息蕴藏了丰富的经营技巧和市场规律,怎样才能有效的利用这一宝贵的资源是每一个零售企业最为迫切的愿望。于是,商业BI(Business Intelligent 商业智能分析系统)便诞生了。BI是一种运用了数据仓库、在线分析和数据挖掘技术来处理和分析数据的崭新技术。它的用途不仅仅可以用于商品关联关系的分析上,还能够对于门店的销售分析,顾客的分析,以及供应商和门店员工管理的分析上。这样便可以使门店的管理更具实效性和可执行性。在国际上,沃尔玛从1981年开始建立数据仓库。美国西尔斯百货(SEARS)93年由于亏损裁员5万,300多家门店停业,94年开始引入BI,当年和次年的营业额上升20%以上,库存减少60%。

  事实证明,连锁经营由于其低毛利,从而要求管理更加精细,系统数据的计算更为精确,所以连锁零售经营对于电脑系统的要求也是越来越高!要想使企业处于行业的领先地位,就首先要使自己的软件系统做到"领先一步"。

鉴于目前国内零售流通领域的现状,为了在市场竞争中胜出,国内零售业需要制定出正确的企业发展战略;拓宽资金来源的渠道;在采购管理技术、商品配送技术、信息技术和整体营销技术上迅速提高营运能力,全面增强企业的核心竞争力。

BI正是完成上述企业目标的有力武器。这是因为:

1、在国外,BI在零售业上已有了较好的应用,BI分析系统作为经营和竞争的有效工具在零售业中的应用已颇为成熟,并产生相关的指标体系理论。正是因为倚仗这一科学而有效的手段,国外零售巨头们在全球范围内拥有越来越大的经营优势。

2、在国内,尽管还处于初级阶段,但BI本身所具有的灵活性和强大性,使得BI在零售业界迅速崛起,呈现了高速上升的趋势。

3、应用BI进行分析零售业经营中的内在规律,能够使企业的经营管理真正的正规化、规模化,增强企业的竞争力。

企业在经营过程中产生了海量的信息,这些信息蕴藏了丰富的经营技巧和市场规律,怎样有效的利用这些宝贵的信息,使之为企业经营服务,成为了零售企业的迫切愿望和现实难点。普通的零售业信息系统只能够提供一般的分析数据,不能提供立体化的、多视角的、有渗透力的数据,更不能提供更多潜在的、预测性的经营建议。BI系统恰恰弥补了一般零售业系统在分析上的先天不足。

第二部分:BI的基本概念知识.

  商业智能是指通过对数据的收集、管理、分析以及转化,使数据成为可用的信息,从而获得必要的洞察力和理解力,更好地辅助决策和指导行动。

  商业智能的实现涉及到咨询服务、应用,以及信息技术的充分利用。其基本体系结构包括以下部分:

  数据仓库:用于抽取、整合、分布、存储有用的信息。

  一个企业的信息往往分布在不同的部门和分支机构,管理者要综观全局、运筹帷幄,必须能迅速地找到能反映真实情况的数据,这些数据也许是当前的现实数据,也可能是过去的历史数据。因此,有必要把各个区域的数据集合起来,去其糟粕、取其精华,将真实的、对决策有用的数据保留下来,随时准备管理人员使用。因此,数据仓库不仅仅是个数据的储存仓库,更重要的是它提供了丰富的工具来清洗、转换和从各地提取数据,使得放在仓库里的数据有条有理,易于使用。

  多维分析:全方位了解现状。

  管理人员往往希望从不同的角度来审视业务数值,比如从时间、地域、功能、利润来看同一类储蓄的总额。每一个分析的角度可以叫作一个维,因此,我们把多角度分析方式称为多维分析。以前,每一个分析的角度需要制作一张报表。由此产生了在线多维分析工具,它的主要功能,是根据用户常用的多种分析角度,事先计算好一些辅助结构,以便在查询时能尽快抽取到所要的记录,并快速地从一维转变到另一维,将不同角度的信息以数字、直方图、饼图、曲线等等方式展现在用户面前。

  数据挖掘:发现问题、找出规律,达到真正的智能效果:预测将来。

  正如在矿井中可以开采出珍贵的矿石,在数据仓库的数据里也常常可以开采出业务人员意想不到的信息。它比多维分析更进一步。例如,如果管理人员要求比较各个区域某类储蓄在过去一年的情况,可以从多维分析中找答案。但是,如果管理人员要问为何一种储蓄在某地区的情况突然变得特别好或是不好,或者问该储蓄在另一地区将会怎么样,这时数据开采工具可以作出回答。

  简单的说,数据挖掘使用统计、分析等数学方法、以及电脑学习和神经网络等人工智能方式,从大量的数据中,找寻数据与数据之间的关系。这种关系,一般显示数据组之间相似或相反的行为或变化。一个细心的分析者,往往能从这些发掘出来的关系得到启示。而这种启示又很可能使得到它的业者,获得其他竞争者所没有的先机 。

  数据挖掘所要处理的问题,就是在庞大的数据库中寻找出有价值的隐藏事件,加以分析,并将这些有意义的信息归纳成结构模式,作为企业在进行决策时的参考。此外,数据挖掘看重的是数据库的再分析,包括模式的建构或是资料特征的判定,其主要目的是要从数据库中发现先前关心却未曾获悉的有价值信息。事实上,数据挖掘并不只是一种技术或是一套软件,而是数种专业技术的综合应用。

  数据挖掘技术的蓬勃发展原因是因为现代的企业已搜集了大量资料,包括市场、客户、供货商和竞争对手,以及未来趋势等的重要信息,但是数据的超载与无结构化使企业决策单位无法有效利用现存的资料,甚至会使决策行为产生混乱与误用。如果能通过数据挖掘技术从巨量的数据库中采掘出不同的信息与知识,作为决策支持之用,那就一定能成为企业竞争的优势。

第三部分:BI在国外零售企业的应用举例.

  数据仓库是面向目标的、综合的、随时间而变化的用以支持管理决策的数据集成。早在1981年NCR为Wal-Mart超市集团建立数据仓库。今天,NCR在全球

实施并投入使用的大型数据仓库已超过1000家,市场份额超过50%。

  在世界企业大规模连锁化经营的背后,客户关系管理是加强他们竞争能力的有效手段。利用数据仓库系统来了解市场、改进业务流程、加强客户服务和促进销售,可以说是值得国内企业借鉴的先进经验用数据仓库,Wal-Mart对商品进行购物篮分析(Marketing Basket Analysi

s),即分析哪些商品顾客最有希望一起购买。Wal-Mart数据仓库里集中了各个商店一年多详细的原始交易数据。在这些原始交易数据的基础上,Wal-Mart利用自动数据挖掘工具(模式识别软件)对这些数据进行分析和挖掘。一个意外的发现

就是:跟尿布一起购买最多的商品竟是啤酒!按常规思维,尿布与啤酒风马牛不相及,若不是借助于数据仓库系统,商家决不可能发现隐藏在背后的事实:原来美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布,而丈夫们在买尿布后又随手带回了两瓶啤酒。既然尿布与啤酒一起购买的机会最多,Wal-Mart就在它的一

个个商店里将它们并排摆放在一起,结果是尿布与啤酒的销售量双双增长。由于这个故事的传奇和出人意料,所以一直被业界和商界所传诵。

  了解销售全局:各个商店在传送数据之前,先对数据进行如下分组:商品种类、销售数量、商店地点、价格和日期等,通过这些分类信息,Wal-Mart能对每个商店的情况有个细致的了解。在最后一家商店关门后一个半小时,Wal-Mart已确切知道当天的运营和财政情况。凭借对瞬间信息的随时捕捉,Wal-Mart对销售的每一点增长,库存货物百分比的每点上升和通过削价而提高的每一份销售额都了如指掌。

  市场分析:Wal-Mart利用数据挖掘工具和统计模型对数据仓库的数据仔细研究,以分析顾客的购买习惯、广告成功率和其他战略性的信息。Wal-Mart每周六的高级会议上要对世界范围内销售量最大的15种商品进行分析——然后确保在正确的

时间、正确的地点有正确的库存。

  趋势分析:Wal-Mart利用数据仓库对商品品种和库存的趋势进行分析。以选定需要补充的商品,研究顾客购买趋势,分析季节性购买模式,确定降价商品,并对其数量和运作作出反应。为了能够预测出季节性销售量,它要检索数据仓库拥有10万种商品一年多来的销售数据,并在此基础上作分析和知识挖掘。

利用数据仓库扭转局势的动人故事

  成立于1886年的美国零售业的巨子Sears公司,20世纪以来一直是美国零售业的一面旗帜。就是这家百年世纪老店在进入本世纪90年代后,面对市场的残酷竞争,已显得步态龙钟。1993年企业开始出现全面亏损,被迫裁员5万,300余家商店停业。也许是置于死地而后生,Sears公司痛下决心全面改革。1994年3月,Sears公司开始引进NCR数据仓库系统。凭借先进的数据仓库系统的支持,1994年和1995年,Sears公司连续两年营业额攀升20%;1996年,Sears公司新开300家分店、新增

员工1.2万人。

“如果不发生戏剧性变化,Sears公司可能会沿着恐龙的足迹一直走下去。如果说在美国存在利用信息技术扭转公司局势的动人故事的话,那应归功于Sears。”——美国《信息周刊》的评价。

  目前,Sears已是美国第二大零售企业。Sears公司数据仓库里存有50亿条记录,保存了最新121周来自3500个不同地点的各个商店的原始销售数据和库存数据。这些数据每天晚上从各种应用系统采集上来,经条件分类,送入数据仓库中。数据仓库允许3000多个用户进行访问,这些用户主要包括:高级管理人员、分析人员、采购人员、市场人员和广告客户,数据仓库为每类人员都提供了一个高效的科学决策工具。Sears公司以前的信息系统对海量数据存储和快速的反应已显得无能为力,数据仓库不但能轻松胜任,而且为企业提供了强大的功能,使信息管理无论从宏观还是微观,一切尽在掌握。

  Sears公司数据仓库每天要接收1万余次查询、产生1400张日常业务报表,而平均响应时间仅为25秒。Sears公司的经理和采购人员每天要不断地访问数据仓库以获取成千上万种商品和近3千个商店的最新情况。数据仓库帮助高层管理人员更快地分析数据,更合理地调整商品层次,从而使商店更有效地运行。

  未建数据仓库之前,Sears公司不能确切知道哪个商店该进什么商品,曾经发生过可气又可笑的事情是将大批的雪地鞋发送到了永远不会下雪的佛罗里达州;采购人员无法在销售过程中灵活掌握库存和调整价格,销售情况要等一个星期以后才能得知;库存不能按要求降低,大量流动资金积压在仓库里。而现在采购人员在头天晚上就能得到各种所需信息,确切知道哪个商店什么商品好卖,从而决定商品在各商店间的相互调配。借助数据仓库,Sears公司库存降低了60%。Sears公司从数据仓库当中挖掘并掌握了8千万个家庭的购买习惯,从而进行市场分析,制定相应的销售、广告策略和促销计划。数据仓库帮助Sears公司实现了企业重整、反败为胜的传奇,成为Sears公司近年持续发展的支柱之一。

  英国Safeway利用数据挖掘技术从资料中萃取商业知识,这是一个数据库营销的最佳范例。

  英国Safeway的年销售量超过100亿美元,旗下的员工接近7万名,是英国第三大的连锁超级市场,提供的服务种类达34种。在英国市场运用传统的技术,如更低的价位、更多的店面以及更多种类的产品,竞争已经越来越困难了。Safeway的信息总监迈克温曲先生说:“大部分的竞争对手在价格以及产品范围方面都能与我们匹敌。由于土地以及扩充的成本,没有一家公司有足够的资源可以在扩充方面超越对手。”温曲先生的说法是:必须以客户为导向,而不是以产品与店家为导向。这意味着,我们必须更了解客户个人。为了达成这个目标,我们必须了解600万客户所做的每一笔交易,以及这些交易彼此之间的关联性。换句话说,Safeway想要知道哪些种类的客户买了哪些种类的产品,以及购买的频率,以建立“个人导向的市场”。

  将资源集中在特定的问题上,并设定可达成的目标以后,Safeway将有关部门的客户交易资料集中在数据仓库中。然后,利用IBM公司的Intelligent Miner数据挖掘产品,根据客户的相关资料,将客户分为150类。再用关联的技术来比较这些资料集合,然后列出商品吸引力清单等。

  温曲先生的说法是,由于数据挖掘的贡献,“我们找出了超越人类想像范围的关联”。例如,Intelligent Miner发现某一种乳酪产品虽然销售额排名第209,可是消费额最高的客户中有25%都常常买这种乳酪,这些客户可是Safeway最不想得罪的客户。如果使用传统的分析方法的话,这种产品很快就会不卖了,可是事实上这种产品是相当重要的。

  Safeway也发现在28种品牌的橘子汁中,有8中特别受到欢迎。因此,该公司重新安排货架的摆设,使橘子汁的销量能够增加到最大。

  还有,Safeway在了解客户每次采购时会购买哪些产品以后,就可以利用数据挖掘中的监测功能,监测出长期的经常购买行为。再将这些资料与主数据库的人口统计资料结合在一起,Safeway的营销部门就可以根据每个家庭的特性,也就是哪些季节会购买哪些产品的趋势,发出邮件。

  数据仓库改变了Wal-Mart,而Wal-Mart改变了零售业。在它的影响下,世界顶尖零售企业:Sears、Kmart、JC Penney、NO.1 German Retailer、日本西武、

三越等先后建立了数据仓库系统

第四部分:BI系统的主要分析的方向.

 了解销售全局、商品分组布局、降低库存成本、市场和趋势分析、有效的商品促销

在零售业应用领域,利用DW、DM会在很多方面有卓越表现:

1. 了解销售全局:通过分类信息——按商品种类、销售数量、商店地点、价格和日期等了解每天的运营和财政情况,对销售的每一点增长、库存的变化以及通过促销而提高的销售额都可了如指掌。零售商店在销售商品时,随时检查商品结构是否合理十分重要,如每类商品的经营比例是否大体相当。调整商品结构时需考虑季节变化导致的需求变化、同行竞争对手的商品结构调整等因素。

2. 商品分组布局:分析顾客的购买习惯,考虑购买者在商店里所穿行的路线、购买时间和地点、掌握不同商品一起购买的概率;通过对商品销售品种的活跃性分析和关联性分析,用主成分分析方法,建立商品设置的最佳结构和商品的最佳布局。

3. 降低库存成本:通过数据挖掘系统,将销售数据和库存数据集中起来,通过数据分析,以决定对各个商品各色货物进行增减,确保正确的库存。数据仓库系统还可以将库存信息和商品销售预测信息,通过电子数据交换(EDI)直接送到供应商那里,这样省去商业中介,而且由供应商负责定期补充库存,零售商可减少自身负担。

4. 市场和趋势分析:利用数据挖掘工具和统计模型对数据仓库的数据仔细研究,以分析顾客的购买习惯、广告成功率和其它战略性信息。利用数据仓库通过检索数据库中近年来的销售数据,作分析和数据挖掘,可预测出季节性、月销售量,对商品品种和库存的趋势进行分析。还可确定降价商品,并对数量和运作作出决策。

5. 有效的商品促销:可以通过对一种厂家商品在各连锁店的市场共享分析,客户统计以及历史状况的分析,来确定销售和广告业务的有效性。通过对顾客购买偏好的分析,确定商品促销的目标客户,以此来设计各种商品促销的方案,并通过商品购买关联分析的结果,采用交叉销售和向上销售的方法,挖掘客户的购买力,实现准确的商品促销。

一)细分您的市场或客户,让销售活动更有针对性

  确定和了解客户的主要组群是走向成功的第一步, 了解谁最有可能购买您的产品或服务,使您可以更有智慧地利用市场资源,并用针对性的促销活动来提高效果。或者,您可以确定忠实的老客户并制定新的计划以更好地满足他们的需求.

Smart.Enterpris for Retail可对客户信息及客户的消费历史进行分析,以确定具有那些特征的客户最可能成为我们的长期客户;那些客户具有相同的消费习惯和行为特征,在分析了这些信息之后,可按照客户不同的个人特征, 不同的消费习惯来制订有针对性的销售计划, 安排促销活动。

Smart.Enterprise for Retail 可帮助你:

1. 根据客户特征(年龄,职业,年收入等信息)和购买历史来确定客户成为重要客户的机率.

2. 根据客户特征(年龄,职业,年收入等信息)和购买历史来确定客户的消费喜好和行为习惯.

3. 根据客户特征和销售历史找出针对不同客户群的最适于交叉销售的商品.

4. 根据客户特征和促销历史找出不同客户群体对各类促销的敏感程度.

5. 根据客户特征和购买历史确定客户不同客户的购买频率以预测潜在的购买机会。

二) 优化产品结构, 合理进行卖场布局

  现代社会生活节奏加快,一个商品的生命周期越来越短, 零售商必须及时调整产品结构以保证最新式的, 质量最好的商品及时出现在货架上,提高消费者购买欲望。 卖场的布局必须符合人们的购物习惯, 可将同时购买的产品可放到一起 ,方便人们选购,也可放到不同的地方, 以提高人们在寻找时购买其他商品的机会。

Smart.Enterprise for Retail 可对商品进行快速的分析以确定各类产品的销售情况, 发现产品的不同特性(品牌, 产地, 价格等因素)对销售量的影响, 通过销售名次排序及时发现滞销商品,通过交叉销售分析发现商品最好的销售组合方式。

Smart.Enterprise for Retail 可帮助你:

1. 通过对销售历史的分析获得未来的销售趋势。

2. 通过对销售历史的分析, 发现脱销品和滞销品。

3. 通过对商品资料和销售历史的分析,发现产品的不同特性(品牌, 产地, 价格,待款式,尺寸等) 对销售情况的影响。

4. 通过对销售点(POS) 数据的分析, 发现客户的最喜欢的购买组合,制订最好的交叉销售策略。

5. 通过对商品特征和客户特征的分析, 确定特定客户群喜欢的商品特征.从而给客户提供最适合的商品选择。

三)强化供应链, 提高物流效率, 减少物流成本

  供应链是零售企业业务发展的基础,完善的供应链系统有助于企业提高商品周转率;提高资金利用率; 增强企业的需求变化和外部环境的响应能力.加强供应链管理的智能化,主动获得供应链有关的信息帮助企业摆脱单纯供应链软件的信息死胡同。

在很多企业的现行供应链系统中, 可能已经存在库存数据, 商品需求数据, 供应信息等,但这些信息在产生后就如同走入了一条死胡同, 必须等用户主动查看才能获得, 而且库存信息, 商品销售信息和供应信息分布于不同的界面,管理人员很难进行数据透视和分析。

Smart.Enterprise for Retail 帮助企业提高现存供应链系统的智能化程度, 通过Smart.Message Servrer服务管理人员可订阅(按时或按照事件)所需要的报表和分析服务;在同一个报表或分析中将不同的数据信息放在一起通过图形或数据的方式进行对比分析以发现异常;对于汇总的信息可进行进一步钻取, 透视和分析。

   CRM策略应当包括:

  (a) 操作型CRM: 在销售过程中和顾客的自动交互。

  (b) 分析型CRM:对来自操作型CRM和其它如POS交易、WEB交易、第三方的数据进行深入的分析。

  一个典型的零售组织有一个巨大的顾客群,并且通常顾客的需求是各不相同的。如果没有分析巨大数量顾客数据的方法,CRM战略注定要失败。因此,分析型CRM组成了零售商顾客关系战略的核心。

  市场和销售行为是分析型CRM的主要受益方和信息的来源地,从这里获得对顾客的深入理解并被整个零售组织吸收和应用。

  分析型CRM使用的主要商业智能工具有数据仓库、数据挖掘、OLAP,利用它们来帮助对顾客的分析。

  下面是分析型CRM的一些用途:

   ● 顾客分类:

  顾客分类在零售组织的市场指导中是一个重要因素。它能对为什么不同类别的顾客在人口统计学、流行和趋势方面的变化提供深入的分析,例如它能帮助把顾客进行如下分类:

   ●对新促销有兴趣的顾客;

   ●对新产品投放有反应的顾客;

   ●对打折有反应的顾客;

   ●对特殊产品有购买倾向的顾客。

  例如,对于打折有反应的顾客,我们要仔细地研究,这部分顾客往往对企业的忠诚度较底,也就是他们的流失率高,但对占领市场、招徕顾客是有作用的,所以可以用清仓、甩卖季节性商品等手段来满足他们。

   ● 宣传和促销效果分析:

  一旦投放一个宣传,它的效果能通过不同的媒体和根据费用和收益来研究,这对于理解什么是一个成功的宣传有很大帮助。

  宣传和促销效果分析能回答类似的问题:

   ●在过去各种不同的宣传中哪一种媒体渠道最成功?

   ●对某一个特别的宣传哪些地理位置反映不错?

   ●某个宣传的相关投资和收益是多少?

   ●哪些顾客群响应该宣传活动?

   ● 顾客价值生命周期:

  并不是所有的顾客都具有同样的价值。在今天来说不是非常有价值的顾客可能在将来具有潜在的价值。因此鉴别哪些顾客具有高的顾客价值生命周期是绝对有必要的,目的就是为了与这部分顾客建立长期关系。顾客价值生命周期是指企业在同顾客保持关系的整个过程中所获取的利润。这种计算主要包括两个部分:顾客的终身成本,包括获取成本、营运成本和顾客服务成本;以及预计可以从顾客那里所获得的收入总额。用于计算顾客价值生命周期的基本方法是: 从顾客将来可能带来的预期收入扣除为该顾客服务所需的费用,加上该顾客所带来新顾客的净收益,再按照关系的持续时间把上述结果进行折扣。虽然听起来容易,但还有许多客观的变量,如顾客与零售商关系的持续时间、折扣率。数据挖掘技术应该能提供计算顾客价值生命周期的模型。

   ● 顾客忠诚度分析:

  众所周知,维持一个现有的顾客比获取一个新的顾客更为经济。为了开发有效的顾客维持计划,分析顾客流失的原因是重要的。通过考虑影响每个顾客的不同的因素,甚至分析有可能会导致顾客忠诚度的变化每一笔交易,商业智能有助于理解顾客的流失。

   ● 交叉销售:

  零售商使用可获得的最大数量的顾客信息,在顾客进行购买活动的同时进行交叉销售。用BI工具分析以前的购买活动得出顾客的购买趋势,从而用于特定顾客群的购买实践。零售商也可以"向上销售",即在和顾客接触的时候销售一些高利润的产品。

   ● 产品定价:

  在零售商所采取的最为至关紧要的市场决策方案中,产品定价是其中之一。产品价格的提高经常能导致销售量的下降和顾客转向购买类似产品作为替代。通过数据仓库和数据挖掘技术,零售商能针对不同的产品开发不同的价格模型,它能建立产品的价格-销售关系,并能知道价格的变化如何影响其它产品的销售。

   ● 市场定位:

  通过发起针对特定顾客或者顾客群的促销活动,零售商能够提高促销效果。通过对顾客或顾客群的购买习惯进行简单分析也能得出市场定位,但是在确定对特定促销活动感兴趣的顾客分类时,应该越来越多地使用数据挖掘工具。

供应链管理和采购

   供应链管理(SCM)大大提高了零售商在库存控制和采购方面的效率。通过条码扫描,零售商能自动管理产品的流向,自动给供应商发送补货订单。为此目的而收集的数据能深入了解供应链的动态变化。

   然而大多数商业SCM应用对库存管理和采购仅仅提供了基于事务(交易)的功能,他们缺少为提供完整的供应链管理所需的深层次的分析能力。而数据仓库能提供重要的信息,帮助管理者优化供应链。BI在供应链管理和采购方面的应用如下:

   ● 供货商行为分析:

  每个供应商的贡献能在综合一系列的因素例如供应成本、供货及时性、产品质量、供货周期的基础上分析得出,除此之外,供应商对特定商品的缺货期也应重点考虑。

   ● 库存控制 (包括库存级别,安全库存,订货批量 ,采购提前期):

   关于库存关键指标如库存级别、批量等的当前和历史报表能从数据仓库中产生,因此有助于进行与库存相关的实际运作方法和策略的制定。

   ● 商品流向和供应链:

  有的商品从上架到下架比别的商品显示出了更快的速度,因此对这样的商品来说及时地下补货订单就非常重要。使用BI工具分析特定商品的流向有助于预测何时需要再下订单。

   ● 需求预测:

  这是数据挖掘的主要应用之一。复杂的需求预测模型能通过考虑一系列因素例如销售数据、基本经济指标、环境状况等创建。另外,预测的准确度在很大程度上取决于经营者的宏观视野。

   如果正确地使用数据仓库,能有助于改进零售商和供应商的关系,并且完善现有的SCM。

店面运营

   店面管理者所需要的信息不再局限于每日的运作。如今的顾客更加成熟,更加强调购物体验,为此店面管理者对顾客的喜好和购物行为需要有更深入的了解。数据仓库和数据挖掘能帮助管理者获取这些信息。以下是BI在店面运营中的一些用途:

   ● 购物分析:

  主要用来研究不同商品之间的联系。一个最经典的关于超市购物分析的例子就是啤酒-尿布关系,在这个例子里分析表明购买尿布的男顾客也有可能同时喜欢购买啤酒,这是一个“两商品关联关系"的例子。但是在现实生活中,迄今为止许多商品间未知的关联关系导致了购物分析变得极度复杂。这项分析在零售组织里有不同的用途,一个非常普遍的用途是用于店面商品摆放,另一个受欢迎的用途是商品捆绑,商品被分组打成一个单独的包被出售,另一个用途是设计公司的电子商务网站和商品目录。

   ● 品类管理(CM):

  它有助于零售商理解特定类别存货单元(SKU)的适当库存。目标之一是从品类中获得最大的收益,但更重要的是优化商品结构,达到卖场商品的高速流转。在当前家电产品销售毛利率普遍不高的环境下,企业要保持盈利,提高商品的周转速度是一个支撑手段。太少的存货单元意味着顾客没有充分的选择余地,太多则意味着存货单元可以被互相替代。可以毫无疑问地说有效的品类管理对于零售商的市场竞争力起着非常重要的作用。

   ● 产品脱销分析:

  主要分析调查导致商品脱销的各种原因。许多变化的原因导致这项分析变得非常复杂。这项分析的一个主要目的是计算由于产品脱销而损失的收入。

转自:http://www.cnblogs.com/HondaHsu/p/4756545.html

05-26 04:25