专栏首页PowerBI战友联盟PowerBI 通用零售业务分析解读

PowerBI 通用零售业务分析解读

不久前,我们邀请零售业分析大咖郑老师和大家分享了以服装零售为例,来探讨的零售分析模型。

有人参加了两次直播,那么完整的4个小时的绝对实力干货让大家尽兴,可以说已经对零售分析的通用思想和方法有了完整了解。

本文是邀请郑老师做的简要回顾,我们从业务角度再来回顾一下整个内容,然后我们来说后面的安排。

一、指标定义

营业额(销售额):POS小票实际销售金额 任务完成率:销售额 / 销售任务 客流量(本文):成交单数。 客流量(行业):进店顾客数。 客单价:销售额 / 成交单数。 连带率:销售数量 / 成交单数。 折扣率:商品实收金额(销售额)/ 商品标注零售价金额。 动销率(本文):销售数量 / 入库数量。 动销率(行业):某段周期内有销售的SKU数/(期初有库存的SKU数+期中新进的SKU数)。 货龄:商品首次入库日期距今的时间长度。 货品宽度:采购的SKU总数。 货品深度:采购的商品总数量 / 采购的SKU总数。 入库数量:总仓入库数量。 发放率:( 总仓入库数量 - 总仓期末库存数量 )/ 总仓入库数量。

二、报表解读

以下分别对报表进行解读。

1、经营概况

卡片图展示了至报表刷新日公司主要经营指标的整体表现情况。

月份销售完成情况及同期对比图:主要从趋势上反应公司各月份整体销售完成情况以及和去年同期对比,有助于公司高层从整体上了解大盘走势。图中可以看出,从5月份起,公司整体业绩持续走低,形式很严峻。

各区域月份销售完成率图:主要从趋势和结构上对比各销售区域的完成情况,表彰优秀鞭策落后。图中可以看出各区域走势和公司大盘走势相仿,5月开始持续走低。营销四区完成率最低,营销二区完成率虽然整体最高,但下跌幅度也是最大的,8月份完成率跌至第二。

各大区门店销售额等级分布图:此处使用盒须图,该图主要是统计样本的分布情况。假设有100个样本按照从小到大的顺序排列,最下部的横线表示样本的最小值,中间的长方形中,下边缘线表示第25个样本的值,中间的黑线表示第50个样本的值,上边缘线表示第75个样本的值,最上部的横线表示样本的最大值,黑点表示样本的平均值。图中可以看出,各区域的门店销售规模基本集中在100万上下,营销二区集中度最高,门店业绩最为平均,营销四区业绩分布相对分散,有公司最好的店,业绩超过500万,也有公司最差的店,业绩只有4万。此处不排除有新开门店导致业绩偏低,所以现实业务中更为科学的方法是剔除2019年开业的门店。

业态和属性销售占比图:宏观展示各业态占比及自营/加盟占比。建议比较元素在5个以内时使用饼图或环形图,超过5个元素建议使用条形图或柱状图。

各品类销售额图:宏观展示各品类销售情况,迭代方案是增加同期对比数字。

销售完成率分解数图:从区域、省份、城市、月份层层深入找到完成率下降最大的业务单元。

2、区域分析

赛马图:考核实际销售额和销售任务的差距。此处使用子弹图,中间的黑色线条表示实际销售额,右边的黑色竖线表示销售任务,各颜色从左到右依次代表设定的不同等级的任务完成率,本例中分别是60%、70%、90%。图中昨日完成率营销二区最低,可以下钻到省份查看主要问题省份。

近30日完成率移动平均值图:主要从趋势上监控各区域销售完成率走势。此处使用移动均值是为了消除每日的波动影响,便于管理者更清晰的看清趋势。当完成率连续几天走低,就要充分引起管理者的注意,及时调整策略。 销售排名图:此处只显示了销售额前10门店。实际业务中的迭代方案是排名规则可以筛选,例如可以按照销售额、销售数量、销售完成率、同比增长率几个角度排名;排名数量可以筛选,可以自由选择前N名。

重点城市帕累托图:帕累托分析即为ABC分析,旨在找到分析元素中最为重要元素的销售表现。普通的帕累托图展示全部元素,图表相对较长,本例中将非重点元素合计为其它项,集中展示重要元素,即老板想看到的主要城市的销售表现。

3、单店分析

该页面首先展示了所选门店昨日、本月至今、本年至今各项指标表现,使管理者对门店经营状况有了整体了解。 本月日销售及同期对比图则详细展示本月每天销售以及与同期的对比情况。

完成率趋势图通过7日均值曲线监控了销售业绩走势,对于异动能及时发现并采取措施。

客单价和连带率趋势图则从销售指标拆解的角度寻找销售额异动的原因。

入库新品款色同期对比和销售额同期对比图则从品类角度寻找销售额异动原因,是否是因为某个品类新款发放量比去年减少导致销售下降,或是某个品类销售异常导致整体销售下降,指导管理者进行相应调整。

4、客流分析

客流作为影响销售额的最主要因素,单独拿出一个页面分析。

各省市客流同期对比图:展示了各省份客流对比同期的增减情况,针对异常省份可以下钻到城市级寻找问题最大的城市。

各等级门店客流分布图:明显的看出不同销售等级的城市,其客流量的分布差异很大,和销售等级成正相关。 散点图从同比增长率的角度再次印证销售额增幅和客流增幅成强正相关关系,而且能够找到异常点(异常门店),即落在集中区域之外的点,重点检查异常门店是否存在刷单等违规操作行为。

节假日客流折线图,清晰的展示了该企业销售额分布规律,周末和节假日的客流明显高于平时,所以企业的营销重点就是抓好周末及节假日时段。

客流质量同期对比图,展示了客流量及客单价在各月份的变化情况,一方面从客流和客单价角度展示了企业淡旺季规律;另方面也反映出,企业可以在淡季采取一些措施,比如说2019年5-6月,通过一些措施有效提升了成交单据数,但是客单价的下跌也是非常明显,基本是拦腰斩断,而成交量并未达到成倍增长,所以最终的销售综合表现并不理想,促使管理者进行反思,在提升客流的时候,如何平衡客单价的下降。

5、活动对比

该页面的最大特色是能自由选择活动期间和对比活动期间,对比两个时间段各项业务指标表现。其应用就是在活动进行过程中,监控活动与对比活动时段的各项指标差异,及时发现差异表现较大的指标,进行调整。

6、新品入库及发放

新品采购宽度和深度以及新品入库数量对比图,主要从款色和数量对比各品类新品采购及入库情况(此处数据略有失真)。对于和去年入库差异较大的品类,要关注是计划量的减少还是后期厂家入库延迟导致的差异。通常计划量的减少一方面是该品类整体市场趋势在下降,该种情形要精选重点店铺发放货品;另方面是老货可用量比较充足,要重点关注该品类的老货利用。如果是厂家入库延迟导致差异较大,要重点跟踪厂家生产及交货进度。

总仓及各区域库存分布图,重点关注各区域货品发放的及时性,在发放的时间节点是否将货品及时配发出。

新品发放率趋势图,从时间角度关注总盘货品的发放趋势,此处的迭代方案是增加去年同期新品的发放趋势曲线,会更加直观的对比出货品的发放速度。

各品类新品发放率图,从结构角度监控品类发放速度,对于发放率低的品类,要敦促对应的负责人加快发放速度。此处的迭代方案是品类按照春季、夏季、配饰进行归类比较会更为科学。

7、生命周期分析

公司整体动销率同期对比图,跟踪各品类整体动销趋势,对于与同期相比趋势异常的品类需重点关注。

各区域春夏新品周动销对比图及周销量走势对比表,可以结合在一起看,从动销率及销量这两个角度,跟踪品类的销售走势,寻找品类进行大促的最佳时段,可以选择趋势开始下跌的时段让利促销。

单品销售前N名列表,可以关注大区内畅销单品,对于有该款色但销售相对较差门店,则要查找原因、重点陈列、重点推荐,提升畅销款动销水平。

8、新品动销分析

新品销量/动销同期对比图,清晰反应了各品类截至目前的销售表现,对于动销相对同期下跌较大的品类,各销售区域需重点关注,分析原因,制定提升措施。

品类贡献占比图,从品类间对比的角度反应了采销的匹配度。销量占比和入库占比差距较大的品类需重点关注。

新品销售额/动销率/折扣率综合分析散点图,从绝对销售额和相对销售速度综合为各品类做了定位,对于不同象限的品类需采取不同的策略,尤其对于柔性快返的品类及单品,加量或减量均以此作为重要参考依据。同时,该象限图也为来年的订货策略提供重要参照。

9、品类关联性

品类关联性散点图反应了各品类与所选品类间的关联销售程度,在搭配陈列时,优先选择关联销售金额高且关联单据占比高的品类组合陈列。迭代方案可以进行单品间的关联性计算,主要是选择销量高的单品或者公司主推单品,寻找与之关联度高的单品进行搭配陈列,提升连带。

10、业绩追踪及预测

主要目的是通过拆解销售指标,寻找业绩改变的方向。

左图是近期销售完成情况及影响销售的各项指标表现。假设未来一段时间还是按照本年至今的同比增长率继续下去,即保持目前的策略不变,则未来的销售表现只能达到中间图中的数字。为了寻求改变,需要采取措施。

右图中以杜邦分析法拆解了销售指标,给出了调改方向,并参照左图近期各项指标的实际数字拖动滑杆进行适当调整,得出一个假设的业绩结果,如果和预期目标相符,则制定营销方案,监督执行,最终改善业绩,达成期望。

总结

这是郑老师对本次作品的业务解读,由于时间紧迫,部分环节还存在或多或少的问题以及可以迭代升级的空间。

我们衷心希望小伙伴们在阅读过程中将发现的问题进行反馈,并和我们分享、探讨贵公司、贵行业在相关领域一些不同的思路、方法。思想的碰撞才能产生智慧的火花,好的产品也是在不断升级、迭代中趋于完善。

本文分享自微信公众号 - PowerBI战友联盟(powerbichina),作者:BI佐罗

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-05-18

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 个人如何免费注册 PowerBI 账号(终极说明)

    这本来并不是一个问题,但在实际中,却成了大问题。这里做一个统一说明。 下面分两种情况做统一说明。

    BI佐罗
  • 微软发布 PowerBI 开发路线图 未来12个月

    这三部分内容在此前不久结束的 PASS 2018 大会中有完整介绍,不妨回顾文章:

    BI佐罗
  • 【技巧】如何"盗用"他人的PowerBI文件数据

    有不少战友提出过类似的问题:手里有一个PowerBI文件,但没办法修改里面的内容,数据源又没有,怎么办?

    BI佐罗
  • 《驾驭大数据》读书笔记

    花费一个礼拜的时间把驾驭大数据这本书看完了,书不是很厚,200多页。(写读书笔记又花费了我一个礼拜的时间……………) 就像前言里讲的那样,书里并没有涉及到太多余...

    magicsoar
  • 【译】发布你自己的npm包

    如今,NPM已经成为javascript库的事实上的注册表。特别是React,Angular和其他前端库主导的网络和node.js接管的服务器端,NPM软件包比...

    嘉明
  • Oracle数据库漏洞分析:无需用户名和密码进入你的数据库

    摘要 一般性的数据库漏洞,都是在成功连接或登录数据库后实现入侵;本文介绍两个在2012年暴露的Oracle漏洞,通过这两种漏洞的结合,可以在不掌握用户名/密码...

    FB客服
  • 机器学习中的异常检测入门

    顾名思义,异常检测是利用机器学习的方法,从一堆样本数据中选择出异常的个体。例如我们高中数学学习的3

    double
  • 最近做大数据面试官的感想

    Spark学习技巧
  • 独家 | ​采用BERT的无监督NER(附代码)

    图1. 展示了未微调的BERT(bert-large-cased)无监督NER标记的句子样本

    数据派THU
  • Hive与Hbase整合

    https://blog.csdn.net/qq_33689414/article/details/80328665

    Hongten

扫码关注云+社区

领取腾讯云代金券