销售数据分析案例
对于许多网店经营中小卖家而言，大数据对于他们不仅深感遥远而且深感无奈。
或许许多中小卖家并不清楚，在淘宝作为一名高级数据分析家，必须具备以下几种能力：
1、对淘宝用户数据进行挖掘分析，挖掘用户行为特征；
2、深入研究某一方面用户行为特征，支持业务部门的数据化运营；
3、对消费者线上、线下消费行为，无线应用行为进行分析、探索；
4、对物流、供应链业务进行行业研究、分析、建模；
5、深入研究业务问题，输出基于挖掘技术解决方案；驱动物流、O2O、无线等业务的发展。
他们必须通过上述能力有效地完成至少以下三项日常工作：
1、对多种数据源进行深度诊断性组合分析、挖掘、深度分析和建模；
2、通过专题分析，对业务问题进行深入分析，能对关键分析思路进行产品化提供相关建议；
3、通过对线下、线上业务进行研究和分析，形成O2O的业务方案，并推动业务部门的数据化运营。
通过上述能力与岗位的描述，相信许多中小卖家一定清楚：大数据不是一个小小的网店就能拥有和掌握的。因此，对于许多中小卖家而言，虽然希望大数据能帮到自己的网店经营，却又不知从何处入手借助大数据。因此，围绕数据带来的烦恼与风险往往也是许多中小卖家无从借助数据指标，实现网店经营突破和提高网店经营效率，防范网店经营业绩下滑的经营瓶颈。
一、从消费者心理数据导入网店营销数据台帐体系中
数据作为淘宝商业平台的体系支撑，对网店经营者同样非常重要，那么中小卖家又应该从何寻找数据突破口呢？
首先中小卖家可以根据进入网店消费者的不同消费行为，将消费者进行不同类别的划分，根据【消费者十大心理学】的划分，我们可以按消费者的消费行为将消费者划分为以下十大类别：1、面子心理；2、从众心理；3、权威心理；4、占便宜心理；5、朝三暮四心理；6、价位心理；7、炫耀心理；8、草根心理；9、攀比心理；10、懒人心理。
二、将不同消费者的消费行为数据导入网店营销策略之中
说到数据导入，在此特别需要向各位中小卖家强调一点的是：希望各位卖家不要将数据与经营分离，就像不要将经营与生活消费行为完全割裂一样。正如我们从上面的十种消费心理的划分一样。只要我们仔细体会，就一定会发现其实其中每一种消费心理，我们都能够在生活中找到发生在身边的每一种场景。如果说性格决定行为，行为影响生活，生活离不开消费，消费却能体现性格。因此，各位中小卖家，当你们实力有限，无力大数据经营时，不妨可以从身边的消费行为入手，对进入自己网店的消费者消费行为进行充分的分析，同时再从淘宝同行或是平台系统的公开数据中，找到可以用于网店经营的消费心理数据，形成有利于自己网店经营决策的基础。
【案例分享】
网店数据营销你有哪些精彩案例分享？如分享你知道吗？在此，我们例举一家网店营销数据案例与大家一起分享：
店铺信息：
经营类目：品牌中高档女装
目标人群：30~40岁职场白领、时尚达人、小资女等
设计工艺：丝绣加数码工艺，面料以真丝、蕾丝、精纺为主打
设计款式：以简洁、明快、个性、时尚、大胆用色，对比度强，立体剪裁，体现女性崇尚、个性、自
由、闷骚、国际欧范
价格区间：380~3800元
网店经营相关数据分析：
1、网店单色且色泽艳丽的服装订单往往来自于38-45岁的女性；消费者往往分布于北京、上海、深圳、大连等城市；
2、28-35岁年龄段女性占网店消费者比例的67%；35-45岁年龄段女性占网店消费者比例15%；此两年龄段消费者消费金额平均在1500-3500元/月；
3、28-45岁月年龄段城市女性为网店品牌女装的主流用户。在70%的女性用户中，有35%的女性是网店忠实的回头客，这部分客户基本可划分为：价位心理；炫耀心理；攀比心理的回头客；15%的女性用户处于权威心理和懒人心理用户。
网店数据分析结论：
1、网店品牌女装产品设计单色系女装比例是花色系女装数量的2倍；
2、品牌女装价格定位保持在380-3800之间，且380-1800价位的女装应该占到45%；2000-3800价位的女装只占16%；
3、品牌女装多以套装为主，方便城市白领，轻松选择日常商务着装。同时提供必要的与女装搭配的鞋和装饰品。
销售数据分析的重要性已无需赘言，只有通过对销售数据的准确分析我们才有可能真正找准数据变动（增长或下滑）的根本原因，笔者称之为“动因”。找准了“动因”也就发现了真正的问题所在，解决问题、发现新的生意机会点才成为可能！
那么实际的销售过程中，我们如何才能有效做好数据分析，寻找到真正的“动因”呢？接下来笔者结合一个实际案例阐述一下数据分析的主要维度及如何才能真正找准“动因”。
案例：某糖果企业Y公司南京市场8月份销售业绩较去年同期下滑了100万。
数据分析的三个维度
维度一：分析是哪个品类的数据发生了变动？
在做销售数据分析的时候，第一个分析的维度就是要看数据变动是来自于哪几个大的品类。回到案例，面对Y公司南京市场8月份销售业绩较同期下滑了100万的数据变动情况，我们首先要确定的是下滑的100万是来自于哪个品类或哪几个品类，每个品类各自的下滑占比是多少，在此基础上进一步分析得出下滑的品类中是哪个规格的产品出现了下滑，从而真正找到造成业绩下滑的“罪魁祸首”。
经过维度一的分析我们发现，8月份南京市场销售业绩下滑的100万主要是来自于水果糖和巧克力的下滑，其中水果糖下滑了60万，占比60%，巧克力下滑了40万，占比40%，进一步分析得出，水果糖的下滑主要是来自于128g袋装的下滑，巧克力的下滑主要是来自于散装巧克力的下滑。
维度二：分析是哪个区域发生了变动？
销售数据分析的第二个维度是要看引起数据变动的销售区域在哪里？是整体销售区域都出现了下滑，还是局部区域市场出现了下滑？回到案例，南京市场下辖南京城区及江宁、六合、溧水、浦口四个县级市场。
按此维度分析后，我们得出结论，南京市场销售额下滑100万主要是来自于城区市场和六合县城，其中散装巧克力的下滑主要是来自于南京城区市场，而128g袋装水果糖的下滑主要是来自于六合县城市场。
维度三：分析是哪个渠道发生了变动？
销售数据分析的第三个维度是要看引起数据变动的主要渠道在哪里？换句话说，是哪个渠道或哪几个渠道出现了销售业绩的变动？每个渠道数据变动的比例各是多少？
按此维度分析后，我们进一步得出结论，南京市场8月份销售额下滑的100万主要是来自于两个渠道，一个是城区的喜铺渠道，另一个是六合县城的批发市场渠道，其中散装巧克力下滑的渠道主要来自于城区的喜铺渠道，128g水果糖下滑的渠道主要来自于六合县城的批发市场渠道。
经过以上三个维度的分析后，我们就可以确定销售数据变动的基本情况，从而为进一步找准“动因”提供了更加细致、准确的依据！
回到案例，面对8月份销售额下滑100万的现状，经过分析后得出的结论是南京市场下滑的100万主要来自于南京城区喜铺渠道散装巧克力和六合批发市场128g袋装水果糖的下滑，其中散装巧克力下滑了40万，占比40%，128g水果糖下滑了60万，占比60%。
数据结论得出以后，接下来最为关键的是要找到“动因”，找准造成数据下滑背后的真正“动因”才是我们数据分析的最终目的！动因又应该从哪些维度方面着手呢？笔者认为，要找到数据变化的真正“动因”需要从以下几个方面入手。
“动因”寻找的五个维度
一、是不是铺市率发生了变化？
面对案例中下滑的两个品类散装巧克力和128g水果糖，我们首先要分析确定8月份这两个品类的铺市率较7月份相比是不是也出现了下滑？如果铺市率出现了下滑，那业绩自然也会下滑，如果铺市率没有下滑则业绩下滑另有他因。
二、是不是销售效率发生了变化？
所谓的销售效率主要是指产品的动销速度，销售效率的变化是引起销售数据变动的主要原因之一，当然销售效率的变化不能孤立的分析，它必须与以下提及的几点放在一起进行整体性的分析。
三、是不是价格发生了变化？
价格是影响终产品动销的关键因素之一，某个时间节点内的产品涨价或降价会在很大程度上影响该时间段内产品销售数据的变动。
四、是不是促销形式发生了变化？
随着产品同质化的程度越来越高，市场竞争日趋激烈，促销对产品的动销有着至关重要的因素，因此有无促销活动或促销形式的变化直接影响着销售数据的变动情况。
五、是不是竞品发生了变化？
市场是竞争的市场，竞品的因素很大程度上影响着本品销售数据的变化，在“动因”的寻找过程中，除了分析本品的因素以外，更要着重分析竞品的各项因素变化情况。
回到案例，经过以上5个方面的“动因”分析后我们最终得出结论，散装巧克力的下滑是因为主要竞争对手H品牌8月份在喜铺渠道开展了一次100箱送5箱的促销活动（竞争对手的原因），128g袋装水果糖的下滑是因为批发市场最大的一个分销商放弃了与Y公司的合作（铺市率降低的原因）。到达这一步，我们才算完成了有效的数据分析，因为我们找到了造成数据变化的真正“动因”。
总的来说，数据分析是一切问题决策的基础，数据分析整套模型的核心目的就在于帮助我们又快又准的找到“动因”，“动因”找准了，解决“动因”的方法自然也就有了！
大数据在商业领域的应用可描述为，企业借助海量数据的分析利用，有效地实现市场动向预测，并支持市场活动各个阶段的不同商业行为决策，实现追踪消费者行为，对其心理甚至下一步行为实现相对精准的预测，产生更好的用户体验，满足目标消费者的多元化需求。
如何挖掘大数据并转化成果支持营销策略的制定？
在聚焦大数据的同时，也有很多不同的声音：“花钱不少，搞出来的大数据也没什么价值”、“传统企业在大数据应用上存在先天不足，现在谈大数据不现实”、“企业小，技术弱，大数据对于我们来说是伪命题”……但不管大家对大数据给出多少不同的定义，也不管有多少人对大数据的应用表示不屑。不得不承认的是，依靠当今技术，我们通过手机、电脑、信用卡等工具留下的生活痕迹，正在以大数据的身份使商业营销智能化。
中国连锁经营协会日前就以“大数据时代的营销策略”为主题举办了一场沙龙活动，邀请传统企业及电商企业共同分享他们是如何获取及挖掘大数据，并转化成果支持营销策略的制定。
大数据正成为电商发展最有力的助推器
电商企业在大数据的获取方面具备得天独厚的优势条件，这也使得大数据成为了电商企业发展最有力的助推器。
由于电商企业商业模式的特点，覆盖全流程（包括浏览、交易、仓储、配送、售后、客服等等）的用户数据成为实现精准营销，提升用户体验的巨大利器。通过数据挖掘和分析洞察用户的需求是实现营销策略的前提，企业主要从三个方面去构建立体的用户视图：（1）基于用户特征、购物心理、社交关系等方面的用户画像建模；（2）基于用户需求变迁、购物特点等方面的消费趋势预测；（3）基于用户价值、商品价值的全生命周期的营销策略体系。
用户需求的个性化、多样性需要电商对用户行为数据进行深度挖掘，比如通过用户购买品类的特征判断用户的购物偏好（进行兴趣分群）、通过用户购物 过程中的行为数据判断用户的购物特点（比如冲动还是理性）等等，一系列相关的挖掘、建模工作会让企业对用户的购物轮廓慢慢清晰，包括在此过程中使用计算方 法去预测用户的年龄、收入等社会属性，将大大提升营销的精度和实际效果。
京东的大数据营销平台同时服务于EDM、短信、移动消息推送等多种营销渠道，大大优化了对用户的立体式营销。基于用户需求所构建的“非营销式” 营销，效果显著。如已经通过大数据分析获取到顾客的单反相机购买需求后，不去推荐商品或者促销活动，而是发送知识邮件教用户如何去选购单反相机，大大提升 了用户的黏性，在潜移默化中影响用户的购物决策和购买行为。
京东大数据应用对消费者的消费趋势也进行了诸多分析，包括网上购物人群的性别比例正在悄然变化，正趋向男女平衡；在一天24小时中，用户习惯于在休息时间使用移动设备购物，而在工作时间使用电脑购物等等。还有个有趣的发现是“线上看，线下买”的顾客并不少于“线下看，线上买”的顾客。
1号店也 是早早就着手大数据研究的电商企业。其与中科院虚拟经济与数据科学中心合作组建的一个包括几十位来自斯坦福、牛津、剑桥、香港理工、清华、上海交大等国际 知名高校博士或硕士毕业生构成的大数据分析团队，创建了1号店大数据部门，重点研究虚拟商务和大数据挖掘，成功地支持了企业前端营销活动及后端供应链的各 项决策。
实体零售商也可以唱响大数据
关注归关注，前面提到过，很多传统企业仍认为大数据对于他们来说是阳春白雪。虽如此，在对大数据关注度较高的百货、购物中心行业中，仍不乏起步较早，成果斐然的，大悦城便是其中之一。
大悦城拥有70多万的会员顾客，其信息团队利用三年的时间，对会员进行大数据研究，分析会员的购物生命周期。研究发现，消费者在办了会员卡的前 3个月的消费力都非常好，从第4个月开始下滑，第4至第9个月为消费平稳期，如果从第3个月开始进行基础性的会员维护，那么第9至第12个月会员的消费力 就会有所增长。
公司通过不同的算法，将大数据转化为不同的结果，支持公司决策。如重点商户识别运用Pareto帕累托法则，业态、商户销售识别运用BCG波士顿矩阵，单体消费者运用CLV生命曲线算法，总体销售预测运用向量、因变量算法，竞争预测运用贝叶斯算法等等。
当然，运用什么算法或模型还要根据企业类型及经营思路来定。很多企业更关注销售额，不做精细化分析。更没有相关部门做这样的事情，企业更多的是 做历史销售记录简单推算，这样的预测水平并不高。大悦城做销售预测，考虑历史销售因素仅占一半。大悦城拥有一个预测管理平台，里面有更多的不同纬度的信 息，包括消费者层面、推广层面、品牌层面、竞争层面……全部要整体综合计算。现在预测30天的销售准确度达到了93%，60天销售预测达到90%。行业水 平一般在60%-70%之间。这样的成果不仅是依靠分析，还有对业务、市场、竞争对手的了解，都可以量化成可参考的数据指标，并赋予准确的权重，他们将直 接影响预测的准确度。
先关注小数据，为与大数据融合做准备
企业也可先关注和运用好企业的小数据，为后续工作中与大数据进行更好的对接与融合做好准备。北京甘家口大厦便是一直力求做精小数据的企业。
ERP系统数据是最有价值的黄金数据。企业循序渐进的使用数据，通过实际问题找到数据并进行分析，逐步发展成为通过数据找对问题的过程。实现通过20%的ERP数据分析，实现80%的业绩大幅提升。
最有帮助的融合数据。大数据是一种融合，不只是同业、异业间的交互合作，还有跨领域数据的融合。如结合德尔菲气象定律及多年来的数据收集会发现，什么情况的入冬时分应该减少保暖商品量，什么情况应提前准备换季服装。
最新的交互式“活”数据。通过微博、微信、APP端等网络新媒体数据，配合店内布置的WIFI、探针、蓝牙等手段，收集到顾客进店、路线、停留时长等关联数据。让这些数据去印证其他数据获取的分析结果，从而挖掘出更有价值的资讯进行调整并不断交互。
另外，数据的使用也应该根据企业情况有所取舍，不能一味地为了获取尽量多的数据，将自己困住。
大数据实现价值顾客精准营销
大数据的来源有四类：1.交易数据，来自于企业ERP系统、各种POS终端，以及网上支付系统等业务系统；2.交互数据，来自于移动通信记录以及社交媒体等；3.传感数据，来自于GPS设备、RFID设备、视频监控设备等；4.环境数据，来自自然环境和社会环境。
IBM曾提出，企业可以通过大数据收集，全面地了解顾客，做到洞察顾客的态度，发现顾客的偏好、需求与愿望。有了这些数据，企业就可以利用新的模型对顾客进行新的分群并挖掘出潜在的最有价值的顾客个体。
利用分析模型把这些顾客个体与他们愿意接受的优惠或其它营销活动相匹配，利用模型中归纳出的事件实时地激活这些营销活动，并通过顾客个体在不同 时间偏好的交互渠道，传达给个体的目标顾客。然后来评估营销效果，把顾客个体进行生命周期的划分，再通过反复使用这种实时的适当渠道进行个性化的个体营 销，实现顾客个体从潜在最有价值顾客向忠诚的最有价值顾客的转变。
传统零售企业“大数据”有点疼
其实，传统企业所谈的“大数据”和电商企业所谈的“大数据”是有很大差异的。
就从商品数据和客户数据这两个大数据的基础来说，第一是商品数据。传统企业受时间和空间限制，多采用二八法则经营商品，商品数据仅限主体品类或商品。而电商企业在这方面却没有限制，他们是长尾积累经营商品，理论上来说每个品类的长尾商品可以无限长，商品数据自然可以达到无限多。
第二是顾客数据。传统企业获取顾客数据的来源主要是依靠POS系统、CRM系统、企业微信、定位技术（WIFI/探针）、市场调研等方式获取顾客行为数据，更多的是依靠会员数据做数据支撑。而电商企业可以通过网络全天候、全方位地获取顾客数据，并对其进行用户画像，画像越清晰，顾客营销就越智能化。
正如一些传统企业所说，现阶段传统企业在大数据应用上面临着诸多困难。
（1）技术获取方式传统。传统企业获取数据方式如采用新技术或打通线上， 成本支出较高，有一定难度。
（2）人才、技术不足。由于传统企业的商业逻辑转换难，大数据人才匮乏，同时也导致了大数据应用的技术欠缺。
（3）内部数据汇总较难。电商企业的大数据是大数据研究部门在后台全部获取的。传统企业部门间相对独立，企业大数据皆分布在营运部、信息部、财务部等各独立部门中，而且企 业大数据分析部门多数为信息部兼管，其职能权限在企业内较弱，导致数据汇总有难度。
（4）外部数据获取条件差。传统企业如需获取企业外部环境数据，只能通 过BAT，但数据的挖掘、采样工作量非常大，分析结果时间过长会影响大数据的时效性。所以大部分传统企业做大数据的投入、产出以及实际作用并不能达到预期 目标，这确实是客观存在的。