1个工具+3个方向,这份零售分析干货,让商品销量多了30%

文 | 商业智能BI相关文章 阅读次数:15,704 次浏览
2022-12-19 14:50:40

很多人问我,数据分析那么多理论知识,感觉很假大空,怎么通过实践来证明呢?

今天就通过理论+工具来进行一次真实环境的分析。

一、案例背景

A超市是一家中型连锁超市,位于上海某SOHO大厦地下一层,1-6楼为购物商场,7-40楼都是写字楼,目前A超市最大的问题就是购物篮系数偏低,一直在3.0附近,相比于其他连锁店低了25%,超市经理为了提升购物篮系数,需要先找到购物篮系数偏低的原因,再做出针对性的解决措施。

(购物篮系数=某段时间商品销售总数/某段时间的购物篮总数,它表示平均每位顾客一次性购买了多少件商品)

零售数据统计分析,新零售大数据分析,数据分析系统软件

二、自助式分析,快速洞察问题原因

首先超市经理通过头脑风暴,将所有与购物篮系数相关的因素罗列出来,大致分为人场货三个方面的十几条因素,他再根据超市现状与问题,如对消费规律不清晰,对顾客缺乏洞察,商品库存管理不精细等现象,聚焦了三个分析方向:

购物篮系数与时间的关系、购物篮系数与顾客购买行为的关系、以及购物篮系数与商品缺货的关系,来探索购物篮系数偏低的原因。

零售数据统计分析,新零售大数据分析,数据分析系统软件

超市经理使用FineBI这一自助式BI工具进行本次探索式分析,他直接使用了IT人员为本次分析需求准备好的数据包,省去了自己采集、处理数据所需要的大量时间。通过在前端页面进行的简单拖拉拽操作,他就可以实时地查看分析结果,得出有价值的结论。

零售数据统计分析,新零售大数据分析,数据分析系统软件

(购物篮系数周变化趋势制作流程)

零售数据统计分析,新零售大数据分析,数据分析系统软件

首先他为了探索购物篮系数是否存在一定的时间规律,他选择我的自助数据集中的订单明细表,创建组件,将订单支付时间和商品件数分别拖入横轴和纵轴,修改商品件数汇总方式为求平均,快速得到了购物篮系数这一指标。

为了以周为维度观察,他把时间维度的分组方式改为星期,并添加平均值的分析线,即可观察到从周一到周日的购物篮系数变化趋势。

零售数据统计分析,新零售大数据分析,数据分析系统软件

他发现了周末的购物篮系数普遍比工作日高。同样,他通过FineBI快速制作对应的图表,分别观察工作日和周末的购物篮系数的日时间段分布,发现周一到周五12:00-14:00,18:00-20:00的购物篮系数明显偏低,周末却没有出现这种情况,而这段时间刚好属于下班的购物高峰期。

零售数据统计分析,新零售大数据分析,数据分析系统软件

(下班高峰期商品件数客户分布图制作流程)

零售数据统计分析,新零售大数据分析,数据分析系统软件

为什么下班购物高峰期的购物篮系数会偏低呢?接下来他重点分析了这段时间的客户购买行为,他使用准备好的下班高峰期顾客购买件数汇总表,将商品件数拖入横轴,客户数拖入纵轴。

为了看到各类别所占百分比数量,他使用柱状图展示,并对客户数这一指标进行了快速计算得到占比数据,得出的图表非常清晰地展示了购买1-2件商品的顾客占比高达50%,拉低了整体的购物篮系数。

零售数据统计分析,新零售大数据分析,数据分析系统软件

零售数据统计分析,新零售大数据分析,数据分析系统软件

他猜测下班高峰期购买的顾客主要为楼上商场和写字楼的员工,为了验证这个假设,他从性别、年龄、消费频次、购物偏好这四个维度对下班高峰期购买客户进行了画像分析。

制作了对应的图表,他发现68%的顾客分布在18-35岁,顾客的消费频次较高,购买的商品偏好前三类为饮料、香烟、卫生巾及护垫,有很强的临时性和目的性,从侧面验证了他的假设。

零售数据统计分析,新零售大数据分析,数据分析系统软件

为了正面验证顾客的类型,他通过线下观察统计确认了约70%的顾客是楼上商场和写字楼的员工,同时发现了购物篮放置存在问题,只有少部分人在进入超市时拿购物篮,基本没有白领人士拿购物篮。

而通常在购买3件商品后,顾客拿不下更多的东西了,但很少顾客会回入口拿购物篮,而超市内是没有放置购物篮的,所以他们放弃了购买超过4件的商品。通过上述的分析,超市经理感觉已经找到了问题的关键点,解决方案也渐渐清晰了起来。

零售数据统计分析,新零售大数据分析,数据分析系统软件

(重点商品缺货情况与购物篮系数关系图制作流程)

零售数据统计分析,新零售大数据分析,数据分析系统软件

最后他继续分析了ABC类商品的缺货率与购物篮系数的关系,他添加了一个组件,使用已经准备好的购物篮系数与缺货率信息表,将时间拖入横轴,将购物篮系数与平均日缺货率拖入纵轴,并将ABC类别拖入结果过滤器过滤为A类。

为了更直观展示两者的变化趋势,他使用了多系列折线图,并设置平均日缺货率为右轴值显示,通过对比他发现只有重点A类商品缺货会对购物篮系数有明显的影响,主要是由于超市库房小,进货量较小,A类商品也时常出现缺货现象,拉低了购物篮系数。

三、精准解决业务问题,大幅提升业绩水平

零售数据统计分析,新零售大数据分析,数据分析系统软件

超市经理在FineBI的帮助下,快速定位到了购物篮系数偏低的原因,并且提出了针对性的“购物篮系数提升三步走”计划。

第一个月,他在超市不同区域增添了购物篮,以便客户中途取用;

第二个月,他根据后续对商品的关联分析,推出针对商场员工和写字楼白领的产品组合优惠套餐,如下午茶套餐:”饮料+小零食+湿巾“,来促进他们的冲动性消费;

第三个月,严格控制了A类重点商品的缺货率在1%-2%左右。每一项措施实施后的一个月,购物篮系数都有一定提升。

三个月后,购物篮系数显著提升了30%,达到3.9,完成了购物篮系数的大逆袭!

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。

零售数据统计分析,新零售大数据分析,数据分析系统软件

零售行业解决方案介绍: https://www.fanruan.com/solutions/retail

产品体验

相关内容

目录
立即咨询 立即咨询

商务咨询

在线咨询
专业顾问帮您解答问题

电话咨询

技术问题

投诉入口

微信咨询

返回顶部