• <bdo id="geee6"><center id="geee6"></center></bdo>
  • <xmp id="geee6">
    <option id="geee6"><noscript id="geee6"></noscript></option>
    <table id="geee6"><noscript id="geee6"></noscript></table>

  • 视听号

  • 我在现场

  • 微视频

  • 视听E刊

  • 积分商城

  • 登陆/注册
  • 首页
  • 资讯
  • 产品
  • 企业
  • 访谈
  • 会议
  • 展会
  • 招标
  • 案例
  • 人才
  • 技术
  • 商情
  • 专题
  • 论坛
  • 视听●时尚
  • 耳机
  •  
  • 直播
  •  
  • 智能音响
  • VR眼镜
  •  
  •  
  • 投影机器人
  • 蓝牙音箱
  •  
  • 微投
  •  
  • 播放器
  • 视听●发烧
    视听●家庭
    视听●商用
    视听●工程
    视听●集成
    中国视听网(www.vns119977.com) > 行业资讯 > 视听信息(数字告示) > 跳出误区与“坑”,零售业如何运用BI实现精准管理?
    跳出误区与“坑”,零售业如何运用BI实现精准管理?
    更新:2023-1-5 9:28:16 稿件:智慧零售与餐饮 调整大小:【

    当下,连锁零售行业已呈现出产业规模化、经营业态多样化、管理精细化等特点。零售企业在经营管理中产生的海量数据信息,蕴藏着丰富的商品信息、运营技巧和市场规律。如何将这些宝贵的信息沉淀、复用,精确指导零售行业营销,更好地服务于企业日常经营,已成为零售企业“决胜千里,运筹帷幄”的重要手段和必要工具。

    01  科技加快入场,BI赋能零售行业数字化转型

    如今,越来越多的零售企业开始重新审视数字化转型,不再将转型等同于“线上开店”或是“线下布局”等纯渠道和流量概念,而是直面更为复杂和深度的数据赋能。

    面对消费者的个性化新需求,零售企业开始寻求通过数据实现有效的客群洞察,从而出现了更受年轻人喜爱的“新国货品牌”,以及层出不穷的自有品牌产品,以建立产品上的差异化优势,提升利润空间。面对供应商和合作伙伴,零售企业也希望基于数据建立科学的供应商管理机制,建立更加有效、深入且稳定的合作关系,增加毛利;面对门店运营,则希望通过数据实现“千人千面”的服务与营销,为店长提供有效的数据支撑,以精细化经营管理门店,为导购提供精准的用户画像以提供针对性的服务,并通过前端的与消费者接触反馈并优化后端体系。

    诸多零售企业将目光重新放到了零售业的本质:产品、效率、体验等,通过数据赋能业务和组织,全方位提升服务消费者的能力,打造核心竞争力。可以看出,当前零售企业的数字化转型重点,从打基础、建渠道,逐渐转变为全方位的数据应用,对于外部,实现对消费者、供应链等的精细化管理,对于内部,则实现商品、门店、组织的持续精准优化,以此回归零售本质,实现零售企业高质量发展。

    BI在零售企业具体应用及重要性如下:

    1、线上线下全渠道数据整合:融合零售企业线上线下数据,多维数据分析还原真实消费世界全貌,为零售业务增长提供有力数据分析与支撑;2、一站式数据分析与决策:打通“数据采集-数据接入-可视化分析-智能应用”全链路,统一数据源、统计口径、计算规则及分析思路,为精准的管理赋能;3、企业经营状况实时追踪:时效性数据助力企业掌握一手经营状况,并及时调整运营策略;4、颗粒度细分驱动业绩增长:零售场景指标的细粒度分析与拆解,让零售企业行业成熟场景分析方法论为企业精细化运营提供模式与动力;5、零代码低门槛释放生产力:快速上手、一键应用的简单操作,可让成员释放更多人员精力。

    02  BI误区与“坑”

    对商业智能BI的理解与应用,一些企业CIO常会碰到的一些误区,也会碰到一些“坑”,给企业推广应用BI造成较大的麻烦与挑战。

    1、以为业务部门可以不融入,技术部门数据完全主导

    商业智能顾名思义应该是以业务逻辑及业务需求为导向,但现在国内零售企业实施商业智能BI的现状往往是技术部门主导,业务部门参与度低,这也就导致BI功能设置开发偏向以数据为核心,不仅后期数据维护成本大,业务需求也无法及时响应。

    2、以为推广BI不用基础数据,什么企业均可参与

    许多零售企业技术主管与业务人员不从源头上梳理和控制数据的质量,保证数据原封不动地从数据仓库提取到数据集市中,而是盲目依赖BI工具,以为工具可以解决一切数据问题,在不了解问题的情况下盲目收集应用信息,造成业务数据错误、空缺、与数据仓库中的数据不一致,这样也就大大增加了应用过程的成本,并且直接影响到BI分析结果的质量。

    3、以为BI是万金油,需求不分主次缓急,项目规划周期冗长

    一些零售企业CIO没从最重要最迫切基础数据最齐全的业务需求入手、争取以一个成功案例为基础然后推广到其他项目,在开始实施BI时就贪大求全,不划分需求轻重,试图一次性实现所有功能,导致项目范围太大,项目周期太长。

    4、以为商业智能BI就是业务驱动,商业智能BI就是 BI,跟数据仓库没有关系

    一些零售企业CIO总觉得有了商业智能BI就不需要数据仓库建模,业务人员就可以自己做商业智能BI分析,就可以随意拖拉拽做商业智能BI分析,不需要IT人员支撑,敏捷商业智能BI不需要 IT 介入,不需要建数据仓库。然而类似于敢这样认为或承诺的,要么是对商业智能BI不懂,要么就是被忽悠。在企业级的商业智能BI项目建设中,真正能做到完全靠业务人员简单拖拉拽一些就能随便实现数据可视化分析,95%以上的企业都做不到。

    另外,值得注意,当前一些零售企业即使有了BI系统,但仍有不少数据沉默,未能产生放大价值:业务系统多,接口混乱,数据质量低且未充分应用,取数用数难;工具灵活度不足,难应对业务变化;效率低下,无法通过数据追踪管理,人追数据过程慢;内部数据信息不对称,协同繁琐;依赖经验,缺乏分析模型,描述性分析为主,诊断式分析依赖经验,缺乏指导型分析模型。这值得零售企业CIO的注意与规避。

    03  面对误区与挑战,零售行业如何借助BI实现数字化转型

    在过去的十多年,零售业分为两个阵营:即线上和线下。线上零售价格低、库存大,但无法保证客户购买体验;线下零售体验感强,但是面临着客户流失的状况,必须要进行创新升级引导客户回流。新零售时代的到来,BI可以赋能零售行业数字化转型。零售行业可以利用BI工具可以分析、预测产品的趋势,从而可以在最佳时机及最合适的价格及商店推销合适的产品,同时,亦能加强顾客与供应商忠诚的关系,最后达到利益最大化,在瞬息万变的市场上脱颖而出。那么面对误区与挑战,零售行业CIO如何借助BI,进一步推进企业数字化转型与升级?

    1、自上而下规划、自下而上实施,看三年做三个月

    从0到1搭建BI系统的流程是最基础工作,主要有数据接入、数据准备、数据分析、数据可视化到数据分发应用的标准化流程。

    对于一个BI系统搭建CIO来说,这个问题其实更应该倒着看。企业搭建BI系统的目的是什么?需要解决哪些已有问题,实现哪些提升?涉及到哪些场景?需要如何实现?也就要求企业在做BI系统搭建时,要坚持自上而下规划,自下而上实施的原则。自上而下的规划就是要基于需求规划场景,基于场景规划指标,基于规划搭建应用,基于应用搭建基础。自下而上实施则要求依次完成拉通数据链,梳理指标体系、搭建数据分析场景等动作,最终形成数据驱动决策。

    回归到企业BI系统落地过程中,企业经营目标的达成涉及到各个业务场景指标的完成程度。以零售、快消品为例,可能包含生意分析、商品运营、供应链、财务分析、市场营销、电商分析等众多场景。那有没有必要一次性完成整体布局,全面实施?建议零售企业CIO可以以企业未来3年的数据分析目标为参考,从最近3个月的企业核心KPI作为出发点,由点到面快速启动,逐步完成全场景赋能和AI场景应用。这样也会大大降低企业的试错成本。

    2、围绕企业的经营重心及战略目标,建立数字化分析与决策平台

    建立一套BI标准分析体系,包含指标、报表的定义及管理职责的定义,保障数据准确、严谨。其中主要分为三个部分∶首先是BI指标体系的数量,清晰定义指标口径、含义等, 连接企业关键业务系统,覆盖企业全业务领域,实现规范化管理;其次是报表体系的梳理,对报表整合、去重、合并等,建立报表规范;再次是构建基础数据、元数据管理,通过IT系统固化分析体系标准。然后构建分析体系的运营模式,建立完整的数据管理流程,包括新建、修改、发布的全周期管理,所有异动都必须由对应的所有者确认后方可调整。这值得零售企业CIO的注意。

    3、聚焦核心业务场景,快速释放数据价值

    数字化转型具有周期长、成本高等特征,需要较大的资源投入,一些企业甚至长时间无法看到明显收益。零售企业同样面临此问题,如何利用BI系统快速看到数据成效成为了关键问题之一。

    零售企业的核心业务通常具有流程较长、涉及环节较多、影响较广等特征,数据量大、逻辑复杂。因此零售企业可以结合自身业务体系,从核心业务入手,实现业务场景单点突破、数据资产快速变现。

    在数据体系搭建时,一方面可以通过核心业务最大化的突显出数据价值,为企业发展做出良好支撑;另一方面可以更加完整的验证系统的适配性、数据的有效性和组织的高效性等。通过高频试错,发现各环节的不足,寻求资源,快速解决。如果核心业务的数据应用取得良好效果,即可小步快跑,快速推进其他主题的建设,从建设过程上推进数据、业务与资源的整体融合效率。

    4、着重构建BI各个分析模块,实现精确分析服务模式

    1)销售分析:主要用于分析各项销售指标(如毛利、毛利率、坪效、交叉比、进销比、盈利能力、周转率等等),而分析维又可从管理架构、类别、品牌、日期、时段等角度观察,这些分析维又可采用多级钻取,从而获得相当透彻的分析思路;同时根据海量数据产生预测信息、告警信息等分析数据;还可根据各种销售指标产生新的透视表(如最常见的ABC分类表、商品敏感分类表、商品盈利分类表等) 

    2)顾客分析:顾客分析主要是指对顾客群体的购买行为的分析。例如,将顾客分成“富人”和“穷人”;那么什么人是“富人”,什么人是“穷人”呢?如果有会员卡,可以通过会员登记的月收入来区分,但如果没有会员卡呢?这时可以通过小票每单金额来假设。比如每单金额大于100元的顾客,我们认为是“富人”;每单金额小于100元的顾客,认为是“穷人”。据此,又可派生出很多其他分析思路。如“富人”喜欢什么样的商品,“穷人”喜欢什么样的商品;“富人”的购物时间和“穷人”的购物时间;本企业商圈里是“富人”多还是“穷人”多;“富人”给商场作出的贡献大还是“穷人”作出的贡献大;“富人”喜欢用什么方式来支付,“穷人”喜欢用什么方式来支付等等。此外,还有商圈的客单量分析、商圈里的购物高峰分析、假日经济对企业的影响分析等等分析思路。 

    3)供应商分析:通过对供应商在选定的时间段内的各项指标(订货量、订货额、进货量、进货额、到货时间、库存量、库存额、退换量、退换额、销售量、销售额、所供商品毛利率)进行分析,为供应商的引进、储备及淘汰(或淘汰其部分品种)及供应商库存商品的处理提供依据。主要分析的主题有供应商的组成结构、供应商的送货情况、供应商所供商品情况(比如销售贡献、利润贡献等)、供应商的结算情况等。

    4)人员分析:通过对公司的人员指标进行分析,特别是对销售人员指标(着重销售指标,毛利指标为辅)和采购员指标(销售额、毛利、供应商更换、购销商品数、代销商品数、资金占用、资金周转等)的分析,达到考核员工业绩,提高员工积极性,为人力资源的合理利用提供科学依据的目的。主要分析主题有员工的人员构成情况、销售人员的人均销售情况、开单销售、个人的销售业绩情况、各管理架构的人均销售情况、毛利贡献情况、采购员分管商品的进货情况、购销代销比例情况、引进的商品销售情况如何等等。 

    04  BI成功应用案例 

    在此分享蜜雪冰城、锅圈食汇及中艺股份等零售行业标杆企业的BI应用思路与案例。盘点分析它们如何借助BI数据,建立系统化数据管理分析模式,突破经营难点,实现精确营销,全面运营好管理好众多门店,亦在此以飨零售企业CIO们。

    1、蜜雪冰城:借助BI,实现20000家门店的统一管理与精确营销 

    历经20余年的发展,蜜雪冰城全国门店数量已经超过20000家。蜜雪冰城管理万家门店的BI核心在于“数据一线赋能,精确管理”。

    品牌连锁店通常会聘请“门店督导”维护、指导、服务终端门店。督导人员素质的高低、技术水平的高低,直接影响了终端门店的营运水平。督导就像各个门店的老师,纠正门店错误,指导门店发展。一位优秀的督导可能可以同时教育50家门店,保障50家门店的顺利营运。但蜜雪冰城20000家门店,如果聘请几百个督导,不仅人力成本是一笔不菲的开支,而且督导水平的高低也难以掌控。蜜雪冰城期望沉淀优秀督导的门店运营经验,实现标准化能力的复制,让年轻督导也可以轻松管理好门店。对此,蜜雪冰城选择了某软件商BI软件,通过数据赋能业务管理门店。

    蜜雪冰城万家门店已沉淀了海量的价值数据,要做的就是如何借助BI有效地进行数据分析,挖掘数据价值,提升数据信息的传递效率。最了解这些数据的人是谁?或许是这些日常与门店打交道的“老督导”们,也只有他们更了解,哪些指标反应门店在往好的地方发展,而哪些指标是危险信息的预警。

    于是蜜雪冰城基于优秀督导的经验沉淀,同时引用BI数据系统,构建了统一的数据运营分析应用体系、企业数仓平台,打造蜜雪冰城数据运营整体解决方案。

    现在要观测一家门店是否健康,蜜雪冰城只需在BI后台调取门店数据,观察其核心指标表现是否异常。不仅仅是营业额这些常见的粗粒度指标,更是品类、相关占比、环比变化等精细化数据。打个比方:柠檬茶作为爆品,在大部分门店销量都比较好,为什么某门店该品类销量占比不高?这个商圈的门店外卖占比普遍高于30%,为什么某门店外卖占比只有20%?某家门店营业额环比逐月下降2%,背后是什么原因?等等。均可借助BI商业智能分析实现获取信息。 

    除了发现异常、解决异常,还可以将门店运营地更好。同一个商圈,两家距离不远的门店,生意都很火爆,但某一家门店中午时段的销量却会稍微低一些。背后又是什么原因?通过对比分析,蜜雪冰城基于“标杆店”(目标门店)的核心指标,例如时段营业额、折扣率、小程序点单占比、品类销售等等,聚焦指标洞察趋势,进而全面分析门店的可提升点,为蜜雪冰城营收、盈利进一步提升进行全面数据赋能、数字化改进,也为未来进一步做大做强打下基础!

    2、锅圈食汇:引进BI打造柔性供应链,赋能8000+门店全面数字化 

    锅圈食汇本质是一个以“供应链为核心”的企业,目前有8000多家连锁门店,通过强大的供应链体系,整合上游原材料工厂、食品工厂,强化对产品能力的把控及精准管理。

    然而火锅食材供应链市场长久存在着“订货不平衡”的问题,畅销产品存货不够,导致收入降低;滞销产品积压,损耗成本提高。这是“货与场”的问题,表面上只需要降库存就能解决,但根本是自适应的商品结构调优、实现健康库存系统的管理难度很大。锅圈食汇亦经常遭遇。 

    随着锅圈门店在全国的拓展,会存在不同的区域、商圈客群与消费偏好差异化的问题,商品结构与门店策略上也要与之匹配,通过AI智能补货,也会一定程度优化商品结构,并且模型会根据销售数据的变化反馈进行调整,即通过算法优化“人与货”、“场与货”的匹配关系。例如夏天顾客更想吃烧烤而不是火锅,店里是不是应该提升烧烤相关产品比例?这是锅圈食汇急需改善的一个重要方面。

    对此,锅圈食汇引进BI软件系统,通过数据智能赋能供应链以及门店运营,从而打造柔性供应链,匹配业务的高速发展。

    在产品分析场景上,锅圈食汇BI系统数据应用涵盖商品分析,如区域畅滞销,了解区域品类偏好,新品上新追踪销售表现,进行及时的铺货跟进和补货策略调整;高效预测:通过客户数据、产品数据、当地门店模型等数据,预测客户的未来需求,根据购买记录进行商品的组合和套餐的推荐;在供应链场景中,覆盖高效物流体系:对多个现代代中心仓、分仓冷配物料网络、冷冻前置仓进行统一管理,实时监控食材次日达,日流转N万件指标变化;AI智能补货:库存与销售数据实时打通,监控全链条订单流、商品流、资金流,将产品周转天数从30天缩短至10天,未来将进一步降至5-7天;借助一站式BI分析平台,锅圈食汇实现了供应链上下游的全程可视化,从采购与库存监控、报货与出货动态分析及预测、导入了AI算法模型(门店智能配补货、中心仓智能配补货)等智能决策入手,最终打通了订单流、商品流、资金流的一体化,实现业绩稳步增长。 

    总之,锅圈食汇通过BI系统为企业提供更立体、更多视角的数据洞察,在避免企业风险的同时,能给予企业更多具有发展力、乃至预测性的经营建议,建设健康库存体系,让畅销商品“永不断货”,滞销商品避免积压,实现“人货场”的平衡。

    3、杭州中艺:搭建统一数仓和BI分析平台,实现决策准确反应速捷

    杭州中艺实业股份有限公司成立于1999年,是一家集研发、生产和销售于一体的全产业链户外家居企业,产品遍布欧、美、澳等30多个发达国家和地区,连锁分店上千家,是户外家具行业中最具影响力的企业之一。

    近年来,随着企业规模的不断扩大,中艺股份在运营管理中逐渐开始暴露出一些问题:1)数据沉淀的利用不足;2)数据体系不标准统一;3)各业务板块间管理割裂;4)管理支撑数据不足。

    为解决以上痛点与问题,中艺股份借助BI商业智能,引进并搭建统一数仓和BI分析平台,纵向按照盘、规、治、用四步进行规划,横向依据各业务条线进行深入分析。所有数据源集中采集到数据仓库,通过数据建模和主题域划分,进行数据资产管理和数仓研发,然后统一对外提供数据服务,保证数据可管、可用、可追踪。

    总体规划业务架构如下:

    1)构建管理驾驶舱,保证决策准确及时 

    高层领导关注的指标都是每周通过周会PPT汇报来呈现,周中需要关注指标还要业务人员重新统计后上报。首先,核心指标的数据质量和数据及时性都无法保障,大大影响了高层运营决策的效率和质量。其次,当指标出现异常时,很难快速定位到问题,极易造成解决问题时出现治标不治本的情况。 

    解决方式:驾驶舱+数据下钻

    中艺通过收集和分析高层需求,形成了6张不同主题的高层驾驶舱看板,将核心指标按照业务逻辑进行布局,同时开发移动端驾驶舱,实现随时随地查看公司运营数据的目的。同时PC端还实现了数据下钻的功能,任何指标都可以实现逐层下钻到最细粒度明细数据,真正做到数据问题一目了然。

    驾驶舱的上线,极大程度解决了中艺高层管理中面临的“数据荒漠”。以前至少需要近10个人每周汇总整理更新一次PPT周报数据,现在通过数仓自动采集、定时计算和报表平台前端展示的方式,实现每天自动更新一次数据,随时随地查看报表数据;而在报表内容方面,也由PPT中固定格式的数据展示,扩展为多个主题、逐层下钻的报表体系。 

    2)年度订单更进,迅速快捷 

    中艺目前的业务,从接单到交付持续时间较长,每个销售季节会持续18个月,这样每年都需要同时跟进新老合同。 

    外销订单的落单及出运情况主要依赖明细报表,每次汇报都要导出到Excel中核对数据后再进行汇总,至少需要消耗半个工作日,一旦数据异常,则需要下载其他明细报表核对数据找问题,耗时加倍。而基层员工想要及时了解自己负责的合同只能通过定期更新线下文档中的合同数据,准确性和及时性均无法保障。

    解决方案:数仓+驾驶舱+看板+明细

    通过数据仓库,以外销订单出货批次为基础,将采购、生产、预配、出运及收汇等环节数据进行打通,并开发运营主题驾驶舱(高管)、订单专题驾驶舱(部门)、订单出运看板、单一合同看板及一系列明细报表。用户可以销售年度为单元,跟进所有订单的生产、出运进度,并针对关键步骤进行专项分析。 

    数仓打通了各业务模块的数据并完成数据核对;平台驾驶舱及看板则将日常跟单工作中80%左右的工作内容固化下来。在保证数据准确及时的前提下,将手工统计的工作量缩短至只需要几分钟来查看结果和下钻找到问题明细数据即可;高层领导需要关注指标时,也可以随时查看系统数据,等待数据时长由原来至少半个工作日降至几秒钟。

    对于基层员工,通过数据权限控制,员工在进入明细报表页面时,只展示本人负责的订单及落单和出运详情,在保障数据安全的情况下,基本实现零手工。 

    3)加强业务预测,让订单、收汇更为及时、精准

    无论是手工报表还是之前开发的部分自动报表,都缺乏预测的功能;每个销售季节的订单,在下单时预估单笔订单的利润情况,但整体利润都要等公司的财务报表;收汇出现了问题的时候,才发现有很多到期的未去催款等等,无法预知未来的方向,无疑是让管理层在黑暗中摸索前行。 

    解决方案:数仓+加强指标预测模块+预警

    与业务共同探讨确定毛利、净利等预测方案,并在数仓中实现预测数据指标的测算;针对已知截止日期的关键操作,在即将到期前一个月开始进行预警,提醒业务员按时操作;对于特别重要的指标进行日常监测,定期推送异常数据。

    指标预测虽然并非真正的结果,但却在很大程度上成为了公司运营决策的照明灯,管理层能通过预测数据来预判业务是否正常,是否需要进行干预或决策调整。而数据预警,则更倾向于日常业务监控,将核心工作呈现在报表中,督促业务人员及时跟进。

    系统上线半年以来,中艺逾期收汇比例较去年下降6.4个百分点,整体收汇及时率较去年上升4.1个百分点,取得较好的效果。

    05  结语

    三年疫情,推动了消费者“数字化进程”硬生生的提前了数年,零售企业从最初的手足无措,貌似也找到了方向,可以明确的是:企业一定要紧追消费者“数字化”的脚步,更要将脚步努力迈到消费者身前。长远来说,数据是驱动行业业务增长的源动力,无论消费者信息、消费行为数据、商品数据、场景数据,还是消费者、商品、门店之间的联系,都构成了零售企业的数据资产。零售企业对“人”的数字化运营越全面,形成的数据资产就越多,运营和变现的能力也越强,因此BI等商业智能分析系统的应用推广愈发重要。

    以“重构价值链、重塑增长”为主题的行业风向标会议——第十五届中国商业信息化行业大会暨智慧商业信息化展览会,预计2023年2-3月份召开。行业大咖及新锐共同探讨数字化转型落地的痛点和切实需求,不断深化和完善数字化运营模式,行业同仁在聚智交流合作中洞见未来数字商业发展趋势,以及从信息化到数字化到智能化的演变和实践真知。诚挚邀请您共同打造一年一度的中国智慧商业信息化、数字化、智能化行业盛会!

     网友评论
     编辑推荐
    • 2022视听行业高峰论坛 视听行业金孔雀“开屏”揭榜了
    • 2021 SIAV上海国际高级HiFi演示会展会_联合HiFi专题
    • 2019年视听行业大型活动之走进企业(西安)
    • 2019年视听行业大型活动之走进企业(河南)
    • 2022视听行业高峰论坛 视听行业金孔雀“开屏”揭榜了
    • 声名远扬——森海塞尔EW-DX新品发布会
    • 专注HIFI,经典重燃—— Technics SL-1200系列50周年纪念款发布会顺利举办
    • “见微知著 跬步千里”微步AIoT产品推介会·长沙
    日日拍夜夜嗷嗷叫偷拍
  • <bdo id="geee6"><center id="geee6"></center></bdo>
  • <xmp id="geee6">
    <option id="geee6"><noscript id="geee6"></noscript></option>
    <table id="geee6"><noscript id="geee6"></noscript></table>