零售企业

近年来，同质化商品、频繁的价格战、店铺租金上涨、电子商务的冲击等因素导致零售企业利润不断下降，出现了零售业关店潮这一现象，大量零售门店关门。但是，有人倒下，就有人站出来。在当今大数据时代，谁能顺应时代的改变进行改革，谁就能抓住新的发展机遇。

零售企业通过多年的运营，掌握了大量的一手数据资料，如果能从这些数据中发现其隐藏的价值，掌握消费者的消费行为规律，预测消费者的购买意图，从而有针对性地制定精 确的营销策略，消费者将感受到企业对他们的关注，降低营销成本的同时能改善消费者的消费体验。将以产品为导向的传统营销模式改为以消费者为导向的精 确营销模式，是零售企业提高核心竞争力的有效方式。
 

大数据概述
 
大数据（Big Data）是指数据规模大到不能使用传统分析方法在合理时间内进行有效的处理。大数据不仅仅指数据规模大，还包括数据处理和数据应用，是数据对象、数据分析、数据应用三者的统一。大数据的核心就是预测，通过运用数学算法对海量数据进行分析，可预测事情发展的趋势，这将使人们的生活达到一个可量化的维度。在大量数据中有价值的信息相对较少，比如一段监控视频只有几秒的画面是有用的信息。
 
精 确营销的概念
   
最早提出精 确营销的是莱斯特·伟门（1999），他指出要以生产厂商的消费者和销售商为中心，利用电子媒介等方式，建立消费者、销售商资料库，然后通过科学分析，确定可能购买的消费者，从而引导生产商改变销售策略，为其制定出一套可操作性强的销售推广方案，同时为生产商提供消费者、销售商的追踪服务等。由于当时他的研究对象是制造业，因此适用于生产企业。
随着市场经济的发展，现在已是一个产能过剩的时代，市场竞争加剧，零售企业的利润空间不断被压缩，如何在正确的时间将正确的产品销售给正确的消费者，是零售企业管理者普遍面临的一个难题。同时，当代消费者的消费习惯与以往有重大改变，消费者能收集到更多关于产品的信息，更加了解作为消费者的权利，重注消费体验，消费决策更加理性。这就要求零售企业要改变以往的销售方式，更加关注消费者的个性化需求。在大数据时代，消费者的个人资料和交易记录甚至他们的社交关系等都可被收集，零售企业可更好地理解消费者的偏好甚至预测消费者下一步消费行为。在充分了解消费者信息的基础上，通过对数据的分析，针对不同消费者的不同特性，制定精 确的营销策略，可提高营销活动响应率，从而提升企业的利润。
 
基于大数据的零售企业精 确营销体系
   
零售企业精 确营销是指零售企业按照精 确营销系统设定的方案，在对企业内外信息进行综合分析的基础上，找准目标消费者、投入合适的营销资源、建立相应的营销渠道、实施针对性营销，以满足消费者差异化需求，甚至可以激发潜在需求。这种精 确营销体系由五个步骤组成：
一是收集零售企业内外部数据，为数据分析做准备。二是根据消费者的消费行为，利用收集到的数据进行消费者分群，分析不同消费群体的特征、消费偏好，进行消费需求预测。三是设计针对不同消费群体的营销活动方案，对方案可行性进行评估。四是实施营销方案，进行活动效果跟踪；五是对营销活动进行效益评估和反馈，为将来的营销活动提供指导。
 
（一）零售企业 数据管理
数据收集是零售企业实现精 确营销的基础。通过Pointofsales机、观测设备、移动终端、互联网、智能终端等收集企业与顾客的交互数据，同时在企业运营过程中重视对商品数据、销售数据、会员关系数据等交易数据的收集。另外，企业外部的数据如市场调 查数据、专家意见、第三方机构数据等也可收集，并对数据进行清洗、重构、填补，保证数据质量，补充到数据库。根据企业的商业目标，对数据进行分类，将原始数据整理为目标数据集。
 
（二）消费者分群及理解
   RFM模型是通过对消费者的交易数据进行分析，识别其对企业的价值的一种方法，该模型的数据便于采集，而且计算过程简单，是零售行业广泛使用的消费者价值细分模型。该模型使用三个指标：R（Recency）表示分析时点与消费者最近一次购买的时间间隔；F（Frequency）表示消费者在最近一段时间内购买的统计次数；M （Monetary）表示消费者在最近一段时间内购买的统计金额。传统RFM模型认为三个指标都同样重要，将三个指标分为5个等级，所以会有125类消费者。从理论上来说，时间间隔越短、消费次数越多、消费金额越高，该消费者对企业的价值就越高。
但是不同行业对RFM这三个指标的评价标准是不一样的，有时会注重消费者参与，有时会注重消费者消费金额，所以要根据具体情况确定RFM三个指标的权重，对RFM模型进行优化。层次分析法是一种多目标决策分析方法，专家对指标的相对重要性进行两两比较，能够量化决策者的经验。通过对相关行业的经营者以及长期忠诚消费者进行沟通，收集他们对RFM三个指标重要性的评价，最后算出三个指标的权重。应注意的是，由于层次分析法很大程度是依靠人的主观判断，专家小组的构成会影响权重结果的合理性，因此在确定专家小组的时候要科学谨慎。
由于RFM模型中三个指标的单位是不一样的，而且三个指标取值的时候差异很大，为了减少对消费者分群的影响，需要对三个指标的数值进行标准化处理，再结合层次分析法确定的权重，得到优化后的PFM模型数据。如果企业有合适的方法处理大数据，大数据是一座金矿；如果不能驾驭大数据，那么大数据会成为淹没企业的海洋。
大数据时代的技术基础是数据挖掘，通过专业的算法对大量的数据进行分析，揭示隐藏在数据中的规律，发现有价值的信息，为决策者提供决策依据。数据挖掘技术中的聚类分析可为企业提供帮助，把数据按照相似性分成若干类，同一类别内部相似度高，不同类别之间差异较大。其中，广泛使用的是K－means算法：从n个数据对象中任意选择K个对象作为初始聚类中心，将剩下的对象按相似度最小原则分配给相应聚类中心对应的聚类；然后，计算每个新聚类的聚类中心并不断重复，直到生成满足方差最小标准的k个聚类。从理论上说，消费者分群越多越好，会更贴近消费者的个性化需求，但是同时也会导致成本上升，所以消费者分群的最 优个数是在企业提供个性化定制的成本与消费者愿意为个性化得到满足而支付的成本之间的平衡。
 对得到的消费者类别进行描述性分析，根据帕累托的二八原则，企业80%的利润是由20%的重要消费者创造的。零售企业只要把握住这部分消费者，针对不同价值的消费者群体投入相应的营销资源，优先满足重要消费者的需求。在进行营销目标精 确选择后，零售企业可不用像以前那样与竞争对手进行同质化竞争，能够在很大程度上提高营销资源利用率，从而更快地实现差异化经营和精细化管理。
在对消费者价值进行定位后，通过进一步对他们购物篮中的商品进行分析，加深对各类消费者的理解，掌握他们的消费行为规律，预测其消费需求。市场购物篮分析是最简单也是最重要的，描述了零售企业最重要的信息——消费者什么时候买了什么东西。通过这些分析可得到很多信息。比如，沃尔玛“啤酒与尿布”的故事，就是通过对购物篮内的商品进行分析，发现这两件看起来毫不相干的商品在售出的时候居然有正相关关系。沃尔玛就把这两种商品的货架摆在一起，方便消费者购买，结果使尿布和啤酒的销量大幅度增加。市场购物篮分析的方法主要有关联分析、神经网络方法，通过与协同过滤推荐算法相结合可用来预测消费者的选择和偏好。序列模式分析在购物篮分析的基础上增加了时间这一变量，也称为纵向分析，不仅考虑了一次购物中购买商品之间的关联关系，也考虑了一些时间顺序很重要的商品，如周期性商品。如果很多消费者这次不像往常那样购买，可促使企业寻找原因。
 
（三）营销方案设计
零售企业首先设立营销目标，如增加销售10%、提升消费者忠诚度、提升消费者价值、扩大企业知名度等。总的来说，可描述为优化消费者价值、获取新消费者、实现消费者保持、实现交叉销售和增量销售，最终提升企业利润。通过营销活动，将以前低价值消费者转换为重要消费者，并保持其忠诚度。在消费者细分和购物篮分析两种应用的支持下，将企业产品的卖点与消费者的需求进行匹配，将个性的商品推荐给不同类型的消费者，增加交叉销售和增量销售的机会。比如，零售企业首先聚焦于重要消费者，发现这些消费者对哪些单品的兴趣比较大，从而在营销方案设计时重点关注这些单品。从本质上说，设计营销方案就是根据消费者的需求，将消费者最感兴趣的商品进行营销活动设计，及时满足消费者的消费诉求，甚至创造消费需求。在此期间，可用购买者效用图来评估营销方案可行性，利用大众价格走廊评判价格定制的合理性。
 
（四）营销方案实施
利用数据分析选择最合适的营销方案实施渠道，并对营销活动进行活动效果跟踪。有些营销人员在启动一个活动时，想着“活动已经开始启动了，我们只需静候佳音”。然而事情发展并非预计的那样准确，所以对活动进行效果跟踪是必要的。假如事情发展偏离了预期目标，如竞争对手改变定价和发动促销对本次营销活动产生较大的影响，就可在活动开展过程中及时中止或进行适当调整。既需不断保证方案实施的灵活性，也要对实施过程中出现的意外情况保持警惕，才能在竞争对手发现其市场份额被抢占之后再发起反击之前，将营销活动的影响开展到尽可能大的局面。
 
（五）营销结果反馈
通过对营销方案实施过程中的数据进行分析并总结经验，用于指导下一阶段的营销方案制定。对整个营销过程效果的评估可从营销成本、销售收入、企业知名度、消费者满意度等方面进行综合分析。其中，销售收入是评价营销效果最重要指标。但在营销过程中所造成的企业知名度提高、消费者满意度和忠诚度提高等潜在价值提升，也要纳入评估范围，形成报告，丰富零售企业的数据库内容。将评估营销方案实施结果的各类数据与以往的传统营销模式进行比较，统计出营销效果差异，并根据评估结果对现有的营销体系进行优化，力争进一步扩大优势，提升零售企业的核心竞争力。
在当今大数据时代，信息技术不断发展和完善，为零售企业带来了海量数据，同时数据挖掘技术使得零售企业能够有效应用数据，数据被提升到前所未有的高度。
零售企业应重视数据的力量，深层次挖掘隐藏在海量数据中有价值的市场信息，指导企业制定各项决策，建立符合自身实际情况的精 确营销体系，有针对性地实施营销计划，比以往靠管理者个人经验和判断作决策更科学有效。虽然目前零售企业应用大数据还存在一些问题，如个人隐私、数据共享困难、数据安全、大数据人才缺少等，但是大数据在零售企业中的应用是大势所趋，将带来企业整体经营效率提高。