联商网消息：零售业、餐饮业、金融业等与消费者直接接触的产业，每天都有大量的交易数据产生，近年来由于大数据分析技术的兴起，消费性产业也相继投入数据分析，试图从数据寻找洞见、拟定战略并创造价值。大数据的概念抽象、架构庞大却难以掌握，许多企业制定大数据战略来因应趋势，却两三年毫无作为，主要原因可能是:

　　(1) 对于外部数据的过度追求，却无决策参考意义

　　企业常认定外部数据才是自己未知的领域，只要分析大量外部数据，就能靠一两个洞烛先机一举领先对手。导致部分企业在设定大数据分析目标时，皆在追求”高管未知的洞察”而忽略现有资料能带来的内涵与价值。此现象常导致企业过度追求外部资料的收集，包含社交渠道(如微信、Facebook)的舆论搜集、天气、人口地理统计资料等数据，而该种数据的分析成果通常难与现有顾客的数据进行链接，最终无法成为决策的根据。

　　(2) 虚耗时间扩充内部数据成”大”数据，却无分析能力

　　除对外部数据有过多的期待，企业在讨论大数据分析时，通常会出现”数据这么少，怎么做大数据分析?”的杂音，转而致力开拓数据源或整合数据，从POS系统、财务数据、营销活动成效、店内存货数据、新渠道的顾客活动资料等，最终投入大量资源于升级ERP(企业资源规划)系统，或建立与ERP系统内存信息重复的数据库，当企业内部认为数据已经足够时，分析能力却未能跟上，最终仍无法产出具有决策影响力的分析结果。

　　为避免上述状况，先整合有用的内部数据并针对重大商业议题快速展开分析更能快速体现数据决策的价值，本文将带领读者了解消费性产业各种既有的数据组，并探讨其应用领域与实际范例:

　　交易层级数据 – 购物篮中的玄机

　　交易层级的数据即是小票上的资料，从POS系统出来的小票记载每一笔交易的总金额、购买的物品、参与的促销活动、付款方式甚至会员编号等，藉由小票数据，企业可以了解各种品类的表现及顾客如何购买商品，从各种商品的销售表现、并买品类、回购率、忠诚度，商品促销期间、特殊档期的表现等等，不但可以协助高管了解销售数据的细节组成，亦能提供高管商品捆绑、促销设计的决策基础。

　　举例而言，一台湾领先便利商店即长期分析其交易层级数据，在近几年的重点鲜食开发中，该便利商店曾针对销售额、并买率和潜在需求的考虑，找出现煮咖啡、面包、饭团作为第一优先的开发和扩充品项，并且进一步找到热门的购买组合，根据商品利润等不同种的绩效指标设计促销活动，成功带动整体的销售绩效成长。

　　门店层级数据 – 除了缺货数据还有什么重要?

　　门店的数据通常反映运营的绩效，常用的领域包含各门店销售绩效的比较、存货销售数据的分析等等，但对于门店较多的零售业者而言，运用不同的门店属性 (如门店型态、门店区位、门店大小等) 进行关联性的分析，找出销售绩效的驱动因子，可进一步预测未来销售绩效。

　　此外，许多新举措都会以门店为单位来推广，因此企业会运用门店层级数据变化来评估新举措的成效。为了避免市场杂音对分析结果的影响，世界许多领先的零售业者会运用实验组与对照组的分析方法，将有实施新举措的门店作为实验组，并运用过去的财务绩效表现、门店属性找出与实验门店相似的对照组门店，进一步评估在新举措开始后，实验组与对照组间的绩效差异。该分析可协助企业了解新的营销活动、运营策略、定价促销活动之成效，且可针对不同的品类、消费者、门店类型、商圈的人口地理数据进一步的探究，找出未来较适合推行新举措的门店。

　　举例而言，麦当劳中国在推行新举措时，即会以门店作为基础进行实验，并经过缜密的市场实验及数据分析做出决策。以推出新商品为例，麦当劳先是在部分门店推行新的商品，并比对实验组与对照组门店的表现差异，了解新商品是否会对旧商品产生竞食、或是否能带来新的客户，经综合评估以后，再决议是否推出该产品来完善其产品线。

　　门店层级的数据在分析上较为困难且繁杂，但其中可应用的议题远超出存缺货、人力配置管理的范畴，从货架空间分析与优化、运营策略调整、门店改装、开关店的影响、营销促销策略等，都适合以门店层级的销售数据为基础进行分析，并作为决策推广的依据。

　　顾客层级数据 – 顾客分群的盲点

　　顾客层级数据的分析近年受到高度关注，包含忠诚计划的推出，支付工具的创新，营销渠道的扩张等等都加速巩固以顾客为核心的数据分析逻辑， 相较门店层级的数据着重于营运、商品端等应用，顾客层级数据更聚焦于顾客对于各种营销沟通、促销的反应。由于消费者的组成复杂、行为多变且难以预测，多数的企业都会先针对顾客过去的行为进行分群，如RFM的分群、消费型态的分群等，进一步再设计分众的营销、促销活动来最大化顾客价值。

　　顾客层级数据的分析与应用主要会出现两个挑战

　　(1)顾客对于活动的反馈率、参与程度无法反映至业绩

　　较为领先的零售业者已经能从各渠道撷取完整的数据，了解顾客对于每个营销、促销活动的参与率，但高参与率、反应率有时候并不代表高获利能力，很多时候企业在顾客已经有意愿要购买的商品上，持续投资营销资源以及折扣来让顾客高兴，此类的活动更受欢迎反而更损害毛利，因此在顾客层级的数据分析，最重要的在于选定正确的衡量标准，(例如每个客户的购买金额、来店频率而非参与率)，才能了解各种举措的真实效益。

　　(2)顾客分群的预测模型无法快速反应市场变化

　　顾客层级的数据分析最终在于预测新的活动推出时，顾客对于该活动的反应。如金融业、电子商务及部分的零售业者都已经能针对顾客的分群建立良好的预测模型，但针对顾客的来店频率、消费金额的预测模型无法预测活动推出后，顾客的增额消费金额、或增额购买频率，因此很即使了解了顾客未来可能的消费金额，仍难以确认一檔新促销推出时，顾客多买多少钱，或多造访门店多少次。

　　企业如能解决上述两种挑战，将可以完全掌握每一种新举措对于消费者的影响为何，进一步拟定更能直接营利的顾客经营策略。世界领先的银行及零售业者常运用”实验学习”的方式来了解新举措对于顾客的增额影响为何，先针对部分客户进行小规模的实验，并根据客户的各种属性找出相似于实验组的对照组客户，观察实验组客户与对照组客户在活动开始后，在购买金额、来店次数上的变化，进一步分析在实验中表现较佳的客户的属性为何，进一步根据”该活动”建立预测模型，以全盘掌握该活动推广时，顾客的真实反映。此方法不但能直接了解活动对于绩效的影响，亦能针对各别的举措进行预测，突破原有的顾客分群及预测模型的概念，让企业能更大胆的拟定策略，更精准的掌握成效。

　　举个实际的案例，一个美国的连锁便利店业者想提供热门商品咖啡8折促销，却担忧热门商品的促销会大量损害毛利，因此仅提供部分消费者该项优惠，想了解该优惠的成效。当实验开始后，发现该促销大幅提升客户的造访次数，同时也带动顾客的并买行为，整体的表现不但弥补了促销的成本，还带动了毛利成长。即使该促销获得意外的成功，该企业也让利给部分较为精打细算的客户，企业因此针对反应较佳的客群建立模型，找出最能拉抬绩效的客群，在一半的促销成本下增加了80%的增额利润。

　　了解决策所需、找寻对应数据、产出精准分析

　　要能运用数据创造价值需要大量的投入，从数据收集、分析能力建置、成果产出到决策应用每个环节都相当重要，企业可以先订立目标，先了解重大决策需要回答那些商业问题，才能定义所需数据。

　　拿市场很常见的门店升级作为举例，坐拥成千上百的零售企业每几年就推出新店型来升级门店，但门店改装的成本甚巨，若成效不佳数年内也无法损益两平，通常企业会先试水改装数家门店，再逐步推广。在这项极重要的决策中，高管可能会想先看到几项数据，

　　(1)已经升级的门店的绩效相较于原有门店成长多少? 对于销售金额、客单价、来客量的影响为何?

　　(2)升级后的门店那些品类、客群的反应最好? 那些品类表现最差?

　　(3)哪一种门店较适合进行升级，且能在3年内损益两平?

　　由上述的题目可知，企业需要以门店层级的销售数据作为分析基础，再运用交易层级的数据和顾客层级的数据则用来分析品类、客群行为的变化，方能全面辅助决策。企业永远不缺少议题，也具有相当多的数据，从重要议题来建立更精准、有效的分析方式，并将分析逻辑与决策流程一致化后，再逐步扩充到各种议题，企业才能真正全面运用数据分析协助决策与创新。

　　（联商网专栏作者 李展宏/文 转载请注明出处！作者为APT亚太区资深副总裁）