1.3 商業(yè)數(shù)據(jù)分析的典型方法

數(shù)據(jù)對于商業(yè)中的決策者來說非常重要，不同領域的企業(yè)都在尋求利用數(shù)據(jù)的最佳方案。零售領域發(fā)展非常迅速，數(shù)據(jù)的應用也相當全面，例如零售商會分析數(shù)據(jù)并發(fā)展特殊的客戶畫像，以了解零售商的痛點，對大數(shù)據(jù)的全面分析甚至可以影響與操縱客戶的決策。

下面我們簡單介紹一些零售業(yè)分析中采用的典型方法。

1.3.1 推薦引擎

推薦引擎對零售商來說非常重要，可以作為用戶行為預測的工具，零售商傾向于使用推薦引擎作為影響客戶購買決策的重要方式。此外，商品推薦一方面使零售商能夠提升銷售額，另一方面還可以主導消費趨勢。推薦引擎就可以根據(jù)客戶的偏好計算出商品相似性指數(shù)，從而相應地提供商品或服務的推薦。

推薦引擎利用大量的數(shù)據(jù)篩選來獲取有價值的商業(yè)洞察。通常，推薦引擎使用協(xié)同過濾或內(nèi)容過濾的模型來實現(xiàn)，主要考慮客戶過去的行為或一系列的產(chǎn)品特征，例如人口統(tǒng)計數(shù)據(jù)、消費偏好數(shù)據(jù)、先前購物體驗等，都會被納入模型中。

1.3.2 購物籃分析

購物籃分析被視為零售業(yè)中數(shù)據(jù)分析的經(jīng)典方法。零售商多年來一直從該方法中獲利，這個過程主要取決于梳理客戶交易歷史數(shù)據(jù)。消費者未來的決策和選擇可以通過這個工具進行預測。挖掘籃子中的產(chǎn)品以及客戶的所有喜歡、不喜歡和預覽記錄，從而有助于零售商在貨架管理、價格制定和內(nèi)容放置方面的決策。

購物籃分析通常通過規(guī)則挖掘算法進行，需要事先將數(shù)據(jù)進行處理，轉(zhuǎn)換成以訂單為基礎的格式，在此基礎上，建立產(chǎn)品之間的關聯(lián)聯(lián)系，并且進一步應用關聯(lián)規(guī)則進行分析，這些分析有助于改善零售商的發(fā)展戰(zhàn)略和營銷技巧，從而極大地提升營銷效果。

1.3.3 保修分析

零售領域中的保修分析包括監(jiān)控保修索賠、檢測欺詐活動、降低成本和提高質(zhì)量等。該過程涉及數(shù)據(jù)挖掘和文本挖掘，從而實現(xiàn)識別索賠模式，并通過細分分析將數(shù)據(jù)轉(zhuǎn)換成可以執(zhí)行的實時計劃和建議。

通常保修分析可以使企業(yè)專注于檢測保修索賠中的異常情況，尤其是對于互聯(lián)網(wǎng)數(shù)據(jù)平臺，可以加快保修索賠的過程。

1.3.4 價格優(yōu)化分析

為客戶和零售商提供合適的價格是優(yōu)化分析的優(yōu)勢。價格形成的過程不僅取決于生產(chǎn)的成本，還取決于客戶的消費力和競爭對手的報價。數(shù)據(jù)分析工具將這個問題提升到一個新的水平。該方法先假定客戶對價格變化是敏感的，使用實時優(yōu)化模型，零售商有機會吸引客戶，保持關注度并實現(xiàn)個人定價方案。

價格優(yōu)化工具從多個渠道來源獲得數(shù)據(jù)，能夠定義價格的靈活性，并且考量位置、客戶的個人購買意愿、季節(jié)性和競爭對手的定價等因素，計算極值和頻率表等，以進行預測變量和利潤響應的變量評估和最優(yōu)分布等。

1.3.5 庫存管理

庫存管理是指在緊急時能夠使用的庫存，以供將來使用。零售商的目標是在適當?shù)臅r間、適當?shù)臈l件、適當?shù)牡胤教峁┖线m的產(chǎn)品。為了實現(xiàn)這樣的目標，零售商必須對庫存和供應鏈進行深入的分析。

機器學習算法和數(shù)據(jù)分析平臺可以挖掘各要素和供應鏈之間的模式與相關性，通過不斷調(diào)整參數(shù)，算法可以算出最優(yōu)的庫存和庫存策略，分析師可以發(fā)現(xiàn)合適的模式，并制定合理的銷售策略以及優(yōu)化物流管理等。

1.3.6 選址分析

商業(yè)選址是企業(yè)經(jīng)營模式對場地的具體要求，同時也反映了商業(yè)企業(yè)經(jīng)營策略、開店能力、擴張能力等。招商工作不僅僅要了解對象的具體門店要求，還要了解對象的發(fā)展策略和擴張意圖，只有這樣才能完成招商任務，并達到物業(yè)價值最大化、經(jīng)營持久化、業(yè)態(tài)租金的均衡化，其中比較有名的是星巴克（Starbucks）選址策略。

數(shù)據(jù)分析對解決選址類型的問題非常有效。通常為了解決這種類型的問題，需要進行大量的分析。數(shù)據(jù)分析師在探索客戶數(shù)據(jù)時，會非常關注人口的相關因素，其中郵政編碼和地理位置為分析市場潛力提供了基礎。此外，分析師還可以對零售商進行網(wǎng)絡分析，期望能夠通過連接所有關聯(lián)點而找到最終解決方案。

1.3.7 情感分析

情感分析不是零售行業(yè)的新工具，隨著數(shù)據(jù)科學開始流行，它的金錢和時間成本已經(jīng)降低很多。數(shù)據(jù)分析師可以通過從社交網(wǎng)絡和在線服務反饋收到的信息來進行品牌與客戶間的情感分析，社交媒體資源也相對容易獲得，這就是為什么在社交平臺上進行分析要容易得多。

情感分析使用語言處理來跟蹤客戶的積極或消極詞匯，這些反饋成為服務改進的背景。分析師在自然語言處理、文本分析的基礎上進行情感分析，以提取正面、中性或負面的情緒。算法會分析所有有意義的詞語，被發(fā)現(xiàn)的情緒都會屬于某些類別，最后的輸出是類別的情緒評級和文本的整體情緒表現(xiàn)。

1.3.8 品類分析

品類分析已成為零售業(yè)務的重要環(huán)節(jié)，包含增加產(chǎn)品銷售和推廣的絕大多數(shù)活動和戰(zhàn)略。它有助于通過各種渠道影響客戶的決策過程，商品輪換有助于保持產(chǎn)品的新鮮和更新，精美的包裝和品牌保留了客戶的注意力，增強了視覺吸引力。

此外，品類結構優(yōu)化是對品類定義階段定義好的品類分類、品類角色，經(jīng)過一段時間的實際運營后，對相應的指標達成情況進行綜合評估，對品類定義直到單品構成的一個改善優(yōu)化過程。品類結構優(yōu)化經(jīng)常被簡單地理解成商品的淘汰過程，這種認識具有片面性，因為這樣做的結果不是品類結構的慢慢優(yōu)化，極有可能導致品類不斷地縮小。

1.3.9 生命價值預測

在零售業(yè)中，客戶生命價值是客戶在整個客戶與公司業(yè)務關系中對公司的利潤總值，可以獲得客戶生命周期中的兩個重要指標：歷史銷量和預測銷量。所有預測都是基于客戶最近交易的歷史數(shù)據(jù)進行，品牌的客戶生命周期也是這樣進行，其中比較典型的是基于客戶生命周期的LRFM價值分析。

通常，客戶生命價值模型收集、分類和清理有關客戶偏好、消費、最近購買的細節(jié)和行為的數(shù)據(jù)，處理完這些數(shù)據(jù)后，我們可以得到現(xiàn)有客戶和潛在客戶價值的線性方程。該算法還可以發(fā)現(xiàn)客戶特征與其選擇之間的相互依賴關系，此外統(tǒng)計方法的應用還有助于確定客戶的購買模式。

1.3.10 反欺詐分析

反欺詐的檢測是零售商的挑戰(zhàn)之一，欺詐檢測的主要目的是為了防止經(jīng)濟損失。客戶可能會遭受退貨和交付類型的欺詐、權利濫用、信用風險等，這些案件只會破壞零售商的聲譽。一旦成為這種情況的受害者，可能會永遠破壞客戶的寶貴信任，因此保護公司聲譽的唯一有效方法是比欺詐者領先一步。

為欺詐檢測而開發(fā)的算法不僅應該識別欺詐并杜絕其發(fā)生的機會，還應預測未來的欺詐活動，這就是為什么深度神經(jīng)網(wǎng)絡被證明是有效的原因。應用常見的降維法來識別隱藏的規(guī)律，并用來標記活動和欺詐的交易，在某種程度上提高了零售商保護客戶和公司的能力。

1.3.11 留存分析

留存分析是一種分析用戶參與活躍程度的模型，考察進行初始行為的用戶中有多少人會進行后續(xù)行為，是用來衡量產(chǎn)品對用戶價值高低的重要方法，可以幫助回答以下問題：

?新客戶在未來的一段時間內(nèi)是否完成了你期望完成的行為？

?改進新注冊用戶的引導流程，改善用戶注冊后的參與程度，如何驗證？

?改善產(chǎn)品功能是否有效，如新增邀請好友功能，是否有人因此而多使用產(chǎn)品？

標準的留存分析模型具有靈活條件配置—根據(jù)具體需求篩選初始行為或后續(xù)行為的細分維度，針對用戶屬性篩選合適的分析對象。留存分析具有如下價值：

第一，留存率是判斷產(chǎn)品價值最重要的標準，揭示了產(chǎn)品保留用戶的能力。

留存率實際上是一種轉(zhuǎn)化率，即由初期不穩(wěn)定的用戶轉(zhuǎn)化為活躍用戶、穩(wěn)定用戶、忠誠用戶。隨著統(tǒng)計數(shù)字的變化，運營人員可看到不同時期用戶的變化情況，從而判斷產(chǎn)品對用戶的吸引力。

第二，宏觀上把握用戶生命周期長度以及定位產(chǎn)品可以改善之處。

通過留存分析，可以查看新功能上線之后對不同群體的留存是否帶來不同效果，可以判斷產(chǎn)品新功能是否提高了用戶的留存率，結合版本更新、市場推廣等諸多因素砍掉使用頻率低的功能，實現(xiàn)快速迭代驗證，并制定相應的策略。