零售运营监测+会员分析，零售业BI助力高效决策运营！

业务背景

零售企业在日常的经营过程中，产生了大量的经营数据，这些数据包含了丰富的经营技巧和市场规律。传统分析方式通过报表或报告，只能一次性分析不能持续监测，既费时费力也不及时，还容易出错。BI不仅可以整合清理数据，还能对门店/集团运营进行实时的监测分析，既节省了人力也更具实效性和可执行性。

数据来源

本报告数据来自和鲸公开数据，由于数据背景不详，这里假设是某商城的全国历年销售数据，销售方式通过当地销售人员销售，再通过邮寄方式邮寄给客户。假设企业想通过数据整合，自动提取与清理，可视化分析实现对整个公司的零售运营监测。同时建立可视化平台实时查看各核心指标完成情况，减少员工每日重复报表报告工作，并通过跳转和联动实现可视化自主分析流程各指标存在的问题。

分析思路

本团队有多年的零售经验，对零售业人货场各指标也有一定了解。结合之前工作中管理层提出的报表及报告需求，以及现有数据可提供的分析角度，最后大家决定通过日、月、年维度创建三个联动的零售运营监测平台，各组件间不但能够联动并且模板间也可跳转，这样模板不仅仅是一次性分析报告，而是一个可持续使用的零售运营监测平台，成为决策层不可缺少的辅助运营工具。

共四个模板：

三个运营监测模板自主分析包含业绩总览、区域业绩分布、近几日/月/年业绩趋势、订单及客户分析和品类分析。每个面板可以通过日期筛选选择想要分析的日、月或年，每个模板间也可以通过点击跳转实现日、月和年之间的转换，同时每个组件也可以通过联动查看单个维度的全部信息，监测模板自主分析中区域分析中地图不但可以联动整个模板而且可以实现下钻到城市。

一个会员分析模板，了解客户是零售业改善运营的重点，我们对会员（假定所有客户都是会员）也做了单独的监测分析模板。

整体分析思路如下图所示：

数据处理

基础表三个：商城详细销售数据-订单，商城详细销售数据-退货，商城详细销售数据-销售人员

外部表一个：各省市区县详细表（为了实现业绩地图，这部分花了很长时间处理数据还有自定义区域地图）

由于“商城详细销售数据-订单”中城市列含区县数据（异常数据），所以通过“各省市区县详细表”重新匹配城市列中的区县到所在城市，新的城市列名在“商城详细销售数据-订单”中为“城市改”。
城市处理方法：由于商城数据截止到2018年，所以选择了2017年各省市区县详细表。
通过“各省市区县详细表”中的“地区主键编号”、“行政地区编号”、“地区父ID”和“地区级别”（表1），把地区级别为3的和直辖市下地区级别为2的区县重新匹配到城市和省份（表2），再把表2中“地区名称”中的区、县、市字删除，最后和“商城详细销售数据-订单”中的城市列匹配，找出对应城市，为可视化的地图做准备。

表1：

表2：

自定义地图六个地区：通过多边形手动画制六个区域地图（希望finebi日后地理信息中加入区域，手动画制真的让人抓狂！）

自助数据集五个：
①退货订单去重：去重“商城详细销售数据-退货”表数据
②订单_合并表：整合“退货订单去重”、“商城详细销售数据_销售人员”和“商城详细销售数据_订单”表

新增列“目标销售额”：目标销售额原则上需要更复杂的模型从整体到局部来设定，但本报告使用虚拟数据虚拟场景，为了简便随机生成了目标销售额，以便联动时目标跟着变（毛利额目标为销售额目标的10%）。

新增列“价格区间”：把价格重新划分区间，分析客户购买习惯。

③会员_高价格商品销售额：商品单价高于500元定义为高价格，为分析顾客对价格的敏感度

④会员_折扣商品销售额：折扣率大于0的商品为折扣商品，为分析顾客对价格的敏感度
⑤会员_RFM：创建RFM分类列，把客户分组，并且整合“会员_高价格商品销售额”和“会员_折扣商品销售额”，为进一步会员分析做准备

可视化报告

1）日期筛选和跳转模板按钮：
日期筛选：通过日期筛选，使用者可以直接筛选自己想看的日、月和年累计分析报告。日期筛选指标跟着联动通过明细过滤实现。

跳转模板按钮：通过右方按钮可以实现日、月和年分析报告之间的转换，方便使用者使用。

2）业务总览：业务总览使用仪表盘和文本图展示，这样会让使用者清晰的看到整个公司各重点指标的运行情况；销售额和毛利额使用仪表盘，这样更能突出目标完成情况，同时加入了环比同比帮助分析业绩的好坏；同样所有指标都通过明细过滤联动时间过滤器。

分析结果举例：以2018年12月30日日累为例，销售额2.9万元完成率超过了95%，并且同比环比都大幅度增长，但毛利额仅610元完成率不到20%，同比环比增长也大幅下滑。通过业绩总览我们发现折扣金额（6千元）和负毛利额（负3千元）偏大，主要原因可能是年底大促销导致毛利额下降月累和年累结果与日累展示基本相同，后面不再展示与细说。
3）区域业绩分析：区域业绩分析使用地图展示，把地区、省份和城市改拖入同一钻取目录并转换成地理角色。标签中加入销售额、销售额占比、毛利额和负毛利额，可以让使用者直观看到各区的业绩。提示中再加入同比和环比增长，便于使用者进一步分析。各区经理排行通过对比柱状图对比各区域负责人业绩，激励销售人员。
区域业绩分析结果举例：以2018年12月30日日累为例，首先可以看出当日西南区无销售，华北地区销售额最高1.1万元，同比增长187.9%，其中河北占比最多70.1%。从业绩总览我们得知毛利额低并且负毛利额高，从地图中我们发现华东毛利额-1300元，并且负毛利额接近总负毛利额的一半，华东销售人员可能为了实现年底目标，降价促销。

4）近几日/月/年业绩趋势：业绩趋势用折线图和柱状图展现，通过明细过滤实现。

分析结果举例：以2018年12月30日日累为例，当日销售额超过了平均值，但毛利额低于平均值，主要原因是负毛利额较高，远高于平均值。
当日客流是近30日最大客流，但客单价远低于平均值，可能是促销所致。
当日退货率不高，仅6%远低于平均值。

5）订单及客户分析：整体分析顾客的消费特征，最右边按钮跳转至会员分析
通过柱状图和折线图展示各价格区间内销售额及占比；
通过饼图和分组柱状图展示客户喜好的邮寄方式；
通过柱状图查看各类客户的消费金额，以及Top10客户是谁。
分析结果举例：
以2018年12月30日日累为例，当日有38.3%的销售额来自500-1000元商品，超过一半的订单以标准级的邮寄方式发货，其中销售额和订单最多的是消费者。前十名中大部分是消费者，消费金额最高的是公司类型的洪强。

6）会员分析：通过会员分类，对不同类别会员制定营销策略，精准营销

a）RFM分析：通过矩形树图展示RFM各分类下用户数量及占比，饼图展示各类下销售额及占比，柱状图展示各类客均消费额排行。
分析结果举例：
通过下图可以看出一般挽留客户数量最多，占比21.1%；重要保持客户销售额最高，占比接近30%；客均销售额最高的是重要保持客户和重要价值客户，分别是4万元和3.9万元。

b）价格敏感度分析：通过波士顿矩阵分析客户对价格的敏感度（气泡大小展示销售额大小），饼图展现各象限下的销售额和会员数量。第一象限：高折扣高价格  第二象限：低折扣高价格  第三象限：高折扣低价格  第四象限：低折扣低价格。

分析结果举例：
通过下图可以看出第二象限会员数占比最多的，接近40%，销售额占比超过50%。其次是第一象限，会员数占比22.4%，销售额占比25.8%。这两象限共同特点是对高价格商品不敏感，不同之处是第一象限喜欢折扣商品，第二象限对折扣不敏感。销售人员可以根据客户特征制定自己销售策略。

c）会员特征详情：分组表展示会员的主要特征，根据上面的分析结果直接筛选出想要的会员。

7）品类分析：通过矩形树图展示各品类业绩分布情况，饼图展示品类销售额按占比情况，分组表展示销售额Top10商品和退货商品。
分析结果举例：
以2018年12月30日日累为例，办公用品销售额最高1.2万元（42.6%），其中器具占办公用品最高59.6%。销售额前两名的产品分别是Hoover微波炉和三星信号增强器，分别为4313远和3189元。有三个产品出现退货，退货率分别为100%。

8）分析总结：
2018年销售额超过5百万，目标完成率92.6%，近几年销售额在逐年增加，但负毛利额和退货率也在逐年增大，公司需要注意寻找具体原因改善运营。

华东和中南俩地区销售份额占比超过50%，地区分布不均，需要加强其他地区的市场份额。超过一半的销售来自个人消费者，各类销售额分布比较平均。

从每年的月度数据我们可以看出每年的1-4和7月份销售额偏低，需要进一步分析其原因，改善这几月销售可大幅度提升全年销售额。

唤回重要保持客户是提高销售的一个不错选择，因为这类客户总销售额和客均消费都是最高，并且绝大部分重要保持客户在第一和第二象限，对价格不是很敏感。

9）页面布局 

 a）日累运营检测分析

b）月累运营检测分析

c）年累运营检测分析

可视化自主分析流程举例

举例说明如果通过实现监测模板自主分析

可视化自主分析流程案例1：日毛利额过低原因分析

可视化自主分析流程案例2：分析重要保持客户特征，唤醒召回客户

现实中的案例要复杂的多，这里仅给读者一个思路，现实中需要结合业务数据摸索。

很显然在目前的信息时代，借助类似于FineBI的这些工具，可以让企业加速融入企业数据分析的趋势。备受市场认可的软件其实有很多，选择时必须要结合实际的情况。一般的情况下，都建议选择市面上较主流的产品，比较容易达到好的效果，目前企业数据分析BI软件市场占有率前列的，就是帆软BI软件——FineBI。