超市数据分析的数据思维模式（一）

        前几天，有人问：如何判断哪是维度，哪是度量。因为总是说零售数据的世界就是维度+度量+输出。虽然可能有无数种解释。我只想说下简单点、通俗点、个人理解的维度的两个特点：
       一是属性比较固定不变的东西（比如部门、员工工号、门店、商品类别等等）；
       一是能用五个手指头数出来的东西（比如年份，一年12个月、365天，都能数出来，专业点的说法叫“穷举”），在数据模型里，维度所在的列表叫维度列表。反之，则指度量，通常把度量所在的表称为事实列表（也叫记录表）。当然想要更好的了解，可以搜索相关资料。
       其实，这里不是想解释这个关于维度、度量的问题，而是想起一个很重要的事情：数据思维。想着，这可以做成一个系列（容易系统化）。
       “坦白地讲，如果没有数据思维，即使拥有再多数据，都不能说：做数据。所以，”数据分析的核心之一其实是要拥有数据思维”，最终能使数据落地。
        因此，对业务的了解，以及基于业务的逻辑思维永远要大于数据分析本身。

     1、数据思维

      “量化”的思路

       简单的说，数据思维的核心是利用数据解决实际问题，前提是要深度了解需求，了解真正要解决什么样的问题，以及解决问题背后的真实目的是什么。有时候可能是先有了某个结论，再需要数据分析来验证，而有时候，是从数据分析中发现某些问题，并求得问题的解决方法……。这将决定使用的方法与思路。比如，前面我们几次提到的“量化”的方法（将抽象的东西具体化）。

       所谓“量化”的方法，就是将解决问题的过程（不管是具体的还是抽象的）分解为可衡量、可评估、可对比的度量。一旦度量有了非常明确的“量化”定义，那么，不管是财务、人事、还是门店或销售的每一个环节都将“可量化”，从而通过数据决策达到发现问题、解决问题的目的。

       比如，我们总是要时刻提醒自己思考一下：超市经营的目的是什么？这是核心。在我的另一篇《不忘初心》里提到过超市经营的核心问题： https://mp.weixin.qq.com/s/5jlCI_gpZCB_WBMwpy3LxQ 。当然，你理解超市的经营核心是：获得持续的利润，那么，就数据思维而言，目的就是能将所有分析最后都“量化”到利润（或毛利），即与你的目的挂钩。
      现实中，往往是懂业务需求的不懂分析，懂分析的不一定懂业务需求。 因此，再好的数据思维，首先也要知道它真正目的是什么？然后才是量化分析！好的数据思维过程，是一个既考虑业务需求同时又能运用分析实现需求的过程。

      利用“量化”解决实际问题       

       IBM前总裁郭士纳有一句名言：下属不会做你希望他做的事情，他们只会做你监督和检查的事情 ？这句话比较抽象，关键是，我们如何运用数据思维将它“量化”出来。
       首先，依据之前维度+度量的思路。这句话涉及的业务可能有：监督检查、绩效考核、以及相关流程等；可能的维度：领导、员工、门店…..；对应的度量就是“事情”，我们还是直接尝试着与[销售]这个KPI指标关联上，即将这句话里的“事情”转换成业务条件、维度下的结果指标值—销售。 这样，至少可以理解出它大致的意思：销售额首先是监督和检查出来的，其次才是分析出来的。

        然后，我们参考与此关联的度量的一些参考依据，例如某专业机构的统计数据：2%的销售是在第一次接洽后完成；3%的销售是在第一次跟踪后完成；5%的销售是在第二次跟踪后完成；10%的销售是在第三次跟踪后完成；80%的销售是在第4至11次跟踪后完成！
      这告诉我们：大致的目的（结论）成立：监督和检查很有必要！既然监督和检查很重要，具体的实践如何？有没有成功的案例？自己如何做？
      比如，一些连锁超市设置有专门区域销售跟进团队（比如营销部）；有些领导喜欢通过开会、查阅每日各类销售报表来追踪销售；当然，还可以在企业里建立一套“”动态销售跟踪系统”，驱动业务实现销售的最大化......。

    2、数据思维从哪里来？

        数据思维需要一些“天马行空”

       数据思维“从哪里来”此类的问题，其实非常难回答，它甚至需要一些“天马行空”。我们从小就习惯了接受不要 “胡思乱想 ”的淳淳教诲， 但数据思维一开始是需要一些胡思乱想、甚至做做“白日梦”的。为了勉强的说明一下这个问题，我整理了某个分析工作的过程。可能由于当时思路的需要，会附上一些网上传播的浏览过的图例。思维太难于表述，内容可能有点混乱。
       当时为了某个分析系统需要，希望理顺一下顾客需求与销售的关系。由于是出于策划人的某些习惯，一开始是杂乱而无目的，可能只是想找找感觉（不是头脑风暴）。
         我会想：面对这个需求，该从何下手？因为有时候一个需要，它可能泛指任何需求（就像网络里的某个节点，它的需求并不是孤立的），而所谓的“从哪里下手”便是一个基础门槛。工作中，随时都会有一个需求任务需要完成，这时候，从哪里下手？就决定了你将从哪些方面来获得思维。有时候，还会出现：“有心栽花花不开，无心插柳柳成荫”的情况。
       我先是把大致的想法告诉几个要好的朋友，如是，都噼里啪啦跟我狂讲一通，对方好兴致，我也直点头。可问题是：如何思考接收到的需求？
       再搜索一些相关的东西看看吧。偶然间，找到一本《用户体验要素》，我其实是没看懂多少，大致的浏览了一下，其中的一个”5层10要素“图，给出了书中某个问题的最精致的答案。虽然有些晦涩难懂，但却突然感觉它“很炸”。忍不住把图附上来。

       看不懂这个图已经不重要，重要的是：怎么样的一个人才能创造出如此精致的图（至少，仅仅数据思维还不够吧）？当然，那个标示着从“抽象”到“具体”的双向箭头，不就是我们前面聊到的“将抽象的东西进行量化的思维”过程吗？只不过这个“5层10要素”是已经构建完的思维，即找到了实践的最佳映射。
       这个“5层10要素”图启发我，类似从抽象到具体的这个“要素”，其实就可以是包含超市数据分析的KPI度量，这不是问题。而且， 度量还可以进行各种“对比”（ 同比、环比、计划对比、参考标准对比、平均值对比、移动平均对比...... ），即便如此，始终只是10要素（或更多要素），而没有层，更何况是5层！
       这时候，虽然找到一点“共鸣”，但它对于我则是“曲高和寡”。顺便百度一下曲高和寡的意思：

      有时候，“天马行空”能帮助我们“登高望远”一下，开阔一下思路。万一就此有了思路呢？

      回到思维“目的”

       还是回到： “顾客需求与销售”的目的上来。一开始，我们必须了解一些抽象的概念，这里是顾客需求。 顾客需求，有人将它称为：顾客择店效用。显然，这是一个用于理论及研究假设的抽象概念，它往往指顾客的主观感受。
       虽然，顾客购物效用具有一定的主观性（抽象），从而很难衡量。但是，它会受到多种客观因素的影响，并在这些客观因素的作用下则会形成顾客的购物效用。比如，如果我们将顾客效用分解为两个部分：
       第一部分，顾客从购物中获得的价值；
       第二部分，是顾客从购物中付出的成本。
       那么，很显然，顾客效用问题已转化为财务计算来表示；获得的价值减去付出的成本。基于这两个部分，进一步分析两点：
       第一、对于每个顾客、每一次的购物情形而言，他选择到哪一家零售超市购物，依据的就是该顾客从这家零售超市里所获得的效用大小；
       第二、对于每个顾客，在每次购物行为中感知的总效用，又可以分解为变动效用和固定效用两方面。
       一方面，固定效用不会随着不同的购物过程而变化，也和每次的购物数量与消费额无关（是基于与该超市的综合“关系粘性”）。
       另一方面，变动效用会随着不同的购物过程而变化。而变动效用又与影响它的一些因素直接相关，虽然暂时还不清楚这些因数有哪些，以及它们各自对效用产生的影响大小。但是，但是，它会体现在顾客每次购物的过程结果里：比如顾客购买的商品数量、商品组合、金额的不同以及购物的频率等。这不就是CRM客户系统（比如购物篮分析）的内容？不好意思，我们不是在聊这个主题，打住。其实还是曾说过的一句话：用行为数据来分析数据行为结果。

        如果专门进行此类“顾客购物效用”研究，当然是可以使用表1 - 表3所在的类似分析。附网上查阅到的三个图（只提供抬头部分）
       表一：购物效用的驱动因数表：

表2，顾客的感知因子分析：

:

表3：就某一个感知因子（购物环境）分析表：

       前面三个图，估计要炸晕一大堆人，更包括正在写这篇文章的我。特别是最后那个图，我表示很懵瘪，不知道它是怎么弄出来的。
       这才想起，很久前，看过一家专业分析公司所做的《消费者购物选择的原因》分析结论图后，我做过的一个类似分析图，下图里[占比(前)]列是原参考值，[占比(后)]列是后做的结论（得找找当时的思维，也不重要了）。
       这个图应该比前面的几个高大上的图显得更“亲民”一些吧 ？请原谅我又一次将问题转化了，我总是喜欢将复杂的问题尽量趋向于自己能驾驭的方向（请理解我水平不够的无奈）。

       这个图中，有一个比较明显的结论：购物方便性一直占比较高、变化不大，而商品质量一项上升最大。结论是：请重点关注超市的便利性与商品的质量。比如我们关注：商品质量，这又是一个比较抽象的概念，姑且称为商品管理好了。
        其实，早些年提出的“品类管理”就是商品管理的范畴。而“品类管理”一下子又说不清楚。这“山路十八弯”的从抽象到具体……。已经很晕的感觉了！
       直接上一个具体化一点的“商品化计划”好了（这是我的原创图，引用请注明出处或需本人同意）。妥妥的又一次转化！我们所有关于商品的分析都可以在这个图中找到它对应的量化内容（仅供参考）。

       有了上图，面对熙熙攘攘的菜市场以及琳琅满目的菜品，相当于我们终于已确认好今天的烹饪目标：吃麻辣火锅！接下来相对简单了，准备相关的食材（做麻辣火锅而不是烧烤）：回到你的业务数据模型架构里，做个简单的相关流程与度量指标梳理，提取需要的关联对象，组成对应于“麻辣火锅”的数据模型。
         之后，终于回到我们熟悉的维度+度量的思考。就看你用同样的食材，能做出怎样的“麻辣火锅”了。

        这里提示一下，最好先不要太纠结于具体的维度组合。当然，你可能还记得我在前面的一篇文档里所说的：https://mp.weixin.qq.com/s/I1_VDMfif8Z24dgL-dj-0Q 的数据模型三部曲，简单回顾一下三部曲：构建一个数据分析模型，即建立分析框架（统一的、一次性、最小颗粒维度架构）。
     （1）根据业务流程、了解业务、以及业务想要什么（目标），准备与此有关的数据；
     （2）将需要的数据导入到PowerQurey里处理；
      （3）将数据加载为数据模型，进行数据分析（建模及数据输出）。使用多种维度，进行总体的、细分的、多维的分析，当发现问题时，能够使用这些维度的组合找到影响原因。这一切都基于你有多了解业务：

    3、数据思维到哪里去？

       有了数据思维，知道了目标--“如何烹调”，即如何做麻辣火锅。稍微举几个吃法：这通常就是所谓的数据输出（透视表、各类报表、仪表盘、共享等）

         第一类输出的结果：单一述求的报表类。

    （1）根据年度商品客流、客单、连带率的对比，了解部门商品的变化。

  （2）分析一下某个类别商品的动销情况：

 第二类输出的结果：多维度关联述求的报表类（如决策树类）。

（3）如果要了解每个类别对销售的贡献度（通常的交叉比率）的关键指标变化，如图：

（4）又或者想分解销售度量。以发现影响销售的关键因数之间的变化。如图：

       评价门店运营好坏的指标非常多。根据需要，这次是真的“天马行空”了。

     4、后记

       不知道前面的文字，有没有把你弄晕？
       感谢你的收看，咱们下次再见。