如何建立零售行业的数据分析模型？

编辑导读：零售行业普遍有着丰富的数据和大量急需优化的问题，如商品价格、折扣、门店库存、会员活动等，是数据分析应用的重要商业应用领域之一。所以，建立零售行业的数据分析模型是一个非常有必要和急迫的事情。

本文作者从零售行业当前存在的问题出发，系统梳理了搭建数据分析模型的相关步骤和过程中需要注意的问题，与大家分享。

最近很多搞零售的朋友在抱怨，以前都说零售行业最赚钱，但现在却感觉越来越难做，尤其是实体零售，倍受互联网、微商、电商等线上零售业的冲击，竞争环境也越来越残酷，零售行业似乎根本看不到出路。

在我看来，零售行业的升级是一个商业与技术不断激荡交错的过程，拿实体零售企业和互联网零售企业来说，传统实体零售企业拥有行业视角的广度，而大数据技术公司手握单点技术的深度，两种不同基因的交汇融合将为行业发展提供更大的推力，双方的边界也将逐渐模糊。

简单一句话，未来的实体零售与互联网绝不仅仅只是单纯的甲乙方关系，它们还存在着更多的可能性。

一、零售业的问题到底出在哪里？ 1. 数据的统一性、完整性较差

零售行业一般不会拥有完整的数据整合系统，比如票务、餐饮、零售这些系统各自独立，各个系统的数据没有办法打通，形成一个个数据孤岛，数据价值难以得到充分的发挥，因此很难得到统一、完整、直观，并能从各个业务主题与维度展现运营活动的管理数据。

同时，在企业经营管理、经营决策、战略决策、风险管控上，经常出现信息数据依据不足、不准确，判断困难的情况，如何有效进行数据整合以响应企业运行效率，也是零售行业数据决策的实际需求。

2. 数据响应不及时

随着零售业务系统的越来越多，收集的数据越来越细，使用系统的时间越来越长，数据量的增长越来越快，现有的系统已经无法对数据量较大的数据进行快速响应。

传统的数据应用模式中，业务部门需要将数据需求提交给IT处理，但IT的人力不能保证对分析需求的及时响应，对一些报表的调整也十分困难。

3. 缺少多维度的数据分析平台

以顾客分析为例：零售主管不能掌握顾客消费轨迹，无法对顾客的消费进行引导经营。同时，也无法掌握顾客群体属性，导致缺少提升服务水平的重要参考项。

服务业市场化充分，竞争压力相对较大，顾客对服务质量的要求相对较高，缺少对会员的有效管理，无法掌握企业顾客群体属性，企业难以走到消费者签名，提供更出色的服务体验。

二、零售行业需要一个完整的大数据应用架构

针对数据决策分析过程中的数据处理，整个零售行业大数据应用架构的建立需要经历四个阶段：源数据库数据抽取、ods数据库ETL转换、数据仓库和数据集市、最终用户界面。其中：

1. 源数据库

用户需要采集的源头数据库或者数据仓库，本系统源数据库为crm系统和其他原有应用系统，以及一些可能的需要EXCLE导入的数据源。

2. ods数据库(预处理数据库)

用于存储从源数据库中获取的数据，中间使用ETL工具进行数据抽取、转换、清洗、装载，数据进入预处理数据库对数据进行清洗和架构，实现数据的可用性。

3. 数据仓库/Cube文件

对目标数据库中的数据进行多次整合加工，形成面向主题的、集成的、稳定的、不同时间的数据集合，改数据库可根据业务情况，有选择的转义成可识别的字段名称，生成用户前端用户可直接拖拽使用的Cube文件数据。

4. 前端页面（最终用户界面）

前端用户根据业务包转义名称，直接拖拽数据进行统计得到dashboard进行分析结果的展示。

三、建立数据分析模型

搭建好应用框架之后，就要进行数据分析模型的建立。

我曾经做过很多零售行业的数据分析工作，通过不断梳理零售业务，我找到了零售行业关注的重点，分别是商品、门店、库存、活动、会员等五个，然后我建立了每一个场景的分析模型，下面我一一介绍，供大家参考：

1. 商品分析

商品分析应该是零售行业最最关注的点，无论是领导或是业务人员，都会面对以下问题：

到底哪些商品能够获得消费者青睐，一路飘红？

哪些商品应该淘汰？

应该淘汰的商品销售额占比是多少？

同一种商品的价格区间分布是怎样？

……

为此，我用FineBI整合了多个业务系统中的数据，进行数据加工、清洗后，进行下面三个分析，