一、建设新零售生态系统的目的？

新零售时代，技术，经营效率，场景与消费体验等主要因素促使零售业发展呈现体验式营销多样化，多零售渠道融合法，消费过程社交娱乐化，经营流程灵活化等趋势特征。

新零售时代，数据信息已成为企业经营决策过程中所需的核心资源。

技术性与非技术性创新为整个商品价值链流程注入持续性发展动力。

基于大数据与创新两个维度构建的新零售分析框架有助于进一步理解传统零售向新零售的演变路径。

通过新零售分析框架的研究，单一企业若要取得可持续经营动力，提高消费体验，则有必要与其他企业建立广泛且深入的协同关系。

集数据生态，创新生态，赋能生态为一体的企业生态系统的构建与完善，无疑对企业经营效率与顾客消费效益的提升具有重要意义。

“新零售”的最终目的是通过人、货、场的重构，以大数据驱动，最终完成商业升级、消费升级和生活品质升级。

它打通线上、线下，给予传统的线下零售以新的生机。新零售也激发出人才新需求，带动了大量的新增传统就业人口。新零售讲师、新零售销售、新零售履约物流主管、新零售营运区总、新零售数据分析师等成为职业新宠。

二、浅析零售业大数据构成要素

浅析零售业大数据构成要素

 马云说人类社会已经从IT（信息技术）时代进入DT（数据技术）时代，《大数据时代》一书的大卖也昭示了大数据的重要性。各个行业都在研究大数据对自己行业的变革，作为精益零售研究工作者，我也来浅析一下零售业的大数据构成要素。

一、大数据的对象包括企业内部信息与外部信息

外部信息主要指的是市场信息、流行趋势、厂商信息、消费结构的变化、政策与制度改变、新商品新技术的革新等；

内部信息主要指的是POS信息、商品销售动向、顾客信息、竞争对手信息、公司的方针与指示、门店所在楼盘相关信息、销售额与利润的分析、门店周边商圈分析等。

二、大数据使用者应该普及到所有基层员工

大数据不只是给企业高层经营分析用的，而是要普及到公司所有一线员工，包括订货、配货、采购、物流、人事、财务等所有的基层员工，他们在做业务决策时如何通过大数据提高预测的准确性。

三、大数据应该是业务过程分析而不是财务结果分析

企业目前使用的BI系统大多是面向财务结果的分析系统，主要是企业高层分析财务指标用的，而大数据应该是面向业务过程分析，即贯穿于企业各职能部门的业务主线，在日常工作中就要活用大数据，如商品部与营运部每天都要分析商品构成评价、商品动向分析、ABC分析、趋势分析、矩阵分析、商品动向的地区间对比分析、滞销商品分析、新品与重点商品的销售分析等等。通过每日分析就能及时发现问题所在，迅速调整经营决策。

四、大数据更强调的是业务模型而非技术本身

目前国内BI(一般称为商业智能)系统应用好的企业远低于ERP的应用，原因并非BI技术架构的问题，而是业务模型不知道如何建立，业务部门也很难说清楚他们要什么样的报表才是业务最优的报表，而IT技术构建者是很难理解业务模型的。对比日本与中国BI分析系统的特点，中国企业的领导者喜欢看类似于仪表盘、驾驶舱的很炫的界面，最好还要有智能报警器，而日本企业只看二维的数据表格，数据很枯燥，但却很实用。

五、日本广泛在用的零售业大数据分析系统

日本零售业到底在用什么样的大数据分析系统？最核心的有三点：1、一定要有销售计划或预算系统：通过预算的销售额、毛利、折扣率、来客数与实际结果的对比，找出差异并分析原因，从而修正下一次计划，日益精进，最终目的是提高计划的精确性，从而在商品开发、生产、物流配送时就能精确地分配资源，不浪费，这也是精益零售的核心；2、一定是定型分析而非自由分析：中国的BI系统强调工具的灵活性与强大，可以让企业自由拖拽，其结果分导致各业务部门拉出来的数据差异较大，无法形成统一的数据语言，而日本BI系统强调的是定型分析，将各业务部门要分析的报表固定成统一的报表格式，这样每周开经营分析会议时各业务部门的数据就完全统一了；3、非结构化数据比结构化数据重要：结构化数据指的是ERP系统中能看到的信息，而非结构化数据来自于员工每一次假设-验证后形成的经验信息，相当于是员工经常试错后的日志记录，这样的日志一定要记入系统，等来年同比时作为重要的参考信息，举例来说，在做周同比分析时，某门店附近学校运动会去年与今年的春季运动会并不在同一周举行，则同比分析时就要找出举办运动会的不同周数去对比。这个现象也能解释一个问题：为什么一家优秀的门店店长去了别的门店当店长后，业绩不升反降，原因是这个优秀的店长不了解新门店的过去的试错经验，也就是说门店的知识沉淀工作不充分，知识都被原来的店长记在大脑里带走了，没有沉淀到IT系统中去。而市面上常见的KM知识管理系统流于形式变成OA办公系统了，最好的做法是把日志信息记录到POS系统里面，作为门店的知识管理系统。

以上是小编为大家分享的关于浅析零售业大数据构成要素的相关内容，更多信息可以关注环球青藤分享更多干货

三、【零售数据】| 关键性指标-日权重指数和周权重指数

该篇零售数据指标内容是根据《数据化管理》一书中理论概念，结合学习和实践的内容撰写。如果了解零售行业的基础知识，可以参考《数据化管理》一书。

零售业规律是按照以 周 为单位不断循环过程，当然还有法定节假日，非正常销售日，行业特殊日子，周年庆等，无论是线下店铺零售行业还是电子商务大概都会遵循这些规律。

一般线下零售店铺范围包括有，百货商场，ShoppingMall，便利店，超市，娱乐服务行业的KTV，电影院，餐厅等。

日／周权重指数是指以某段销售周期内的历史销售额数据为基础，以日／周为单位，计算销售额权重分析的管理工具。其中周权重指数就是日权重指数的一个星期相加得到的指数。

1）可以根据权重指数预测分店预销售额

2）可以根据一周权重指数分析最近销售状况是否是销售规律运营，盘查销售原因。

1）收集最近一整年所有店铺日销售额数据，最好为一整年，如果没有也可以先收集完整的几个月，时间越长越好，可靠性越高。

2）各个店铺的每日销售额数据对应相加得到每日企业销售额数据。

3）剔除节日数据，行业特殊数据，更好的反应正常日期的销售规律数据。

4）以周为单位计算店铺每日的平均销售额数据

5）找到销售额最低的当天作为日权重指数为1.0，其余每日的权重除以这个最低值，得到该周的每天的日权重指数。

6）一周的日权重加起来为周权重指数。

举一个栗子：

假设下图数据为某连锁专卖店的年销售额汇总后的日平均数据。

其中可以看出星期一的销售额最少，星期六和星期天的销售额最多，这个数据也比较符合一般零售店铺的规律。星期二是会员日，所以较其他工作日销售额更高。   

按照计算方法第5步，则可以得到企业的日权重，则日权重相加可以得到企业周权重为7.65。

企业周权重和日权重作为企业标准的数据，是衡量其他店铺销售情况的一杆秤。根据企业周权重的标准则，作为所有店铺的周权重数据，计算出每个门店的日权重数据，来预测门店店铺的销售轨迹。

其中分店的日权重指数公式为：

假设店铺一的日销售额平均值，根据恒定的企业周权重数据得到每日日权重数据，因此根据每日销售额比例不同，可能存在小于1.00的情况。

* 日权重计算时还需要考虑促销系数 2级促销 日权重×1.2，3级促销 日权重×1.3 。

*月权重就是根据企业理论日权重和月权重相加。 比如下图一月份，1个月有4-5个星期，其中4个星期 4×7.65 +1.09 + 0.93 + 1.05（星期一到星期三的日权重值） =  33.67。 暂不考虑1号是元旦节日假期。

假设店铺一2018年1月1日到1月20日总销售额是33796，根据日期计算1日-20日的日权重为21.86，月权重为33.67。

因此可以计算出理论率 = 21.86/33.67 = 0.65

月销售预测值  =33796 / 0.65 = 51993

这个数据可以和平时的月销售额进行比对，是否是营销额有提高。

权重值曲线是 当天销售额 / 当天的权重指数 得到的系数的曲线。如果当日销售额完全符合周权重规律，则这条曲线应该是水平直线，但是往往会因为一些人员关系或者其他原因会导致曲线并不和周权重一致，因此可以用来盘查哪些天销售有问题。

假设店铺一10月底到11月初的销售额和权重曲线如图，其中突变的低点有10月29日星期日，11月4日星期六，高点有10月31日星期二和11月3日星期五。

按照原来日权重的规律星期六星期日是较高的权重，销售额却不如平常，则存在问题点需要调查员工是否月底有怠慢，或者那几天环境存在恶劣情况，或者存在退款退货问题等。根据连续发生的突变状况及早调查现实情况。

黄氏曲线是权重曲线在一段时间内的平均值，用于看波动范围。

可以用于：

1）对商品短缺或的影响

2）其他竞争对手促销的影响

3）人员的关系，比如离职，新任等接洽问题。

4）动线，陈列的调整的影响。