Ⅰ 超市销售数据分析应该如何入手从数据怎么样看到问题求解
超市销售数据分析主要从以下几方面入手：
销售额分析
从每日的销售额在本周总销售额中所占的比率，看出一周中销售是好的时间段在哪几天，这样有助于安排门店员工的工作与休息，但是也须在分析报表的同时，注意一些特殊的日子，如节假日、突发性的集团购买、发工资日(主要是在大型厂矿机关的门店，销售主要来自于此)。大部分在周五、六、日三天的销售要高于其他时段，故应该在繁忙时段到来前，备足商品，并减少员工休假，以增加服务人员等举措
毛利率分析
从毛利率可以看出超市每日的毛利率和各部门毛利率的高低。现在大型卖场的综合毛利率在13～18%，标准超市的毛利率在16～20%，便利店的毛利率可能会在22%左右。其实综合毛利率的高低也不是一成不变的，它会随着节假日的到来而随之提升。一般来说，节假日时，高毛利的商品会有较大提高，从而对门店的毛利有一定的补充，这样就有助于超市的管理人员合理补货和安排利润计划。
贡献毛利率分析
部门的贡献毛利率由高到低的排列可以看出，一般的排列为：文具、塑料五金、针织品、休闲食品、曰化、烟酒、肉食、副食品、粮油。管理者由此可以逐步调整单品价位和普通商品与利润商品的结构，促使其在综合毛利贡献率上减少差距。对于贡献毛利率较高的部门应加大要货的力度，对于贡献毛利率较低的商品部门应加大调整力度，了解目标顾客群的消费需求。例如：肉食品会因夏季的到来而销售下滑.就应通过增加夏季的畅销品来转移定位。某一部门可能会因利润商品的断货，而使整个部门的贡献毛利率下滑(有时即使是销售额不变，但是利润率却下滑很多)，这就要求超市根据自身的情况，重视利润商品的库存，合理提出要货需求单以便配送中心配送。
提高毛利率
如果一周的毛利率低于预计指标，就可以对各部门的毛利率和销售构成比进行人为调整。例如：一周的整体毛利率为13%，低于预计毛利率15%，而其中休闲食品的销售构成为13.71%，但是毛利率为11%，为了提高总体毛利率，就可以增加休闲食品的品种和数量及展示的排面，以促进销售，提高这一部门的销售构成比，从而达到提高整体毛利率的目的。
有效提高毛利率的方法为：
(1)提高高毛利率商品部门的构成比。应当注意的是：a.毛利率虽高，可能季节性商品(如雨季到来，雨伞销售增加)较多;b.毛利率虽高，但是易成为损耗高的商品;
(2)降低低毛利率部门的构成比;
(3)提升高销售构成比部门的毛利率;
(4)若有构成比相同的部门，应发展高毛利率的商品。但是不能完全绝对为了提高综合毛利率，而使销售构成比下降。要对不同个性、特征、用途的商品进行有效的组合，能够满足顾客的各种需求，使综合毛利有所增长。
经营指标
超市情况设定经营指标及达成率，以决定商品的库存。各部门商品的库存是否适当，库存是否能有效发挥效率等，这种商品成绩判定的指标我们谓之交叉比率。商品的交叉比率越高，就表示越有效率;交叉比率最少也要确保在200。如果为100，是指得到与商品投入资本相同数额的毛利，如果将风险负担、滞销商品及损耗计算在内的话，就谈不上效益了。各部门的目标交叉比率先由公司总部统一设定，然后各门店根据实际情况自行调整设定各部门的目标销售额，计算其应有的库存量。计算方法：假设有一部门销售目标a为154万元，销售占比b为15.7%，交叉比率c为133%，目标毛利率d为15%，那么贡献毛利率为e=b×d=15.7%×15%=2.355%，目标周转率f=c/d=133/15=8.87次，目标库存g=a/f=154/8.87=17.36万元。
营运部门重点查询及分析的数据：
⑴ 日销售数据
⑵ 月销售数据
⑶ 销售明细数据
⑷ 未销售商品数据
⑸ 商品排行榜——前、后50名销售数据
⑹ 商品大中小类别排行数据
⑺ 贡献率数据：类同单品销售数据，但增加了百分比
⑻ 变价数据：对应变化商品，检查是否已更换便签和POP
采购部门需查询和分析的数据：
⑴ 供应商变动数据：新增、终止交易的供应商和单品促销。
⑵ 按主供应商汇总每天的销售金额。
⑶ 单品进销存数据
⑷ 含应付款的供应商进销存数据。
⑸ 结算汇总数据
⑹ 日销售数据
⑺ 月销售数据，促销商品销售数据
⑻ 销售明细数据
⑼ 未销售商品数据：标准时段积压商品库存的清单。
⑽ 商品排行榜——前、后50名单品销售数据
⑾ 商品大中小类别排行数据
⑿ 贡献率数据
Ⅱ 数据分析能力不强，应该通过什么方法加强
数据分析一般不需要编程能力，但是要有编程的逻辑思维能力：
1、要开发数据分析软件以及程序，让岗位人直观看明白的话可以采用编程方式开发出来，这个就要编程能力。
2、懂业务。从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。
3、懂管理。一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。
4、懂分析。指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。
5、懂工具。指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。
6、懂设计。懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。
参考链接：http://ke..com/link?url=b8z_U8-QuI49JAGq#3
Ⅲ 大数据如何与零售业结合 在实战中应用
大数据如何与零售业结合 在实战中应用
一、“大数据”的商业价值
1、对顾客群体细分
“大数据”可以对顾客群体细分，然后对每个群体量体裁衣般的采取独特的行动。瞄准特定的顾客群体来进行营销和服务是商家一直以来的追求。云存储的海量数据和“大数据”的分析技术使得对消费者的实时和极端的细分有了成本效率极高的可能。
2、模拟实境
运用“大数据”模拟实境，发掘新的需求和提高投入的回报率。现在越来越多的产品中都装有传感器，汽车和智能手机的普及使得可收集数据呈现爆炸性增长。Blog、Twitter、Facebook和微博等社交网络也在产生着海量的数据。
云计算和“大数据”分析技术使得商家可以在成本效率较高的情况下，实时地把这些数据连同交易行为的数据进行储存和分析。交易过程、产品使用和人类行为都可以数据化。“大数据”技术可以把这些数据整合起来进行数据挖掘，从而在某些情况下通过模型模拟来判断不同变量(比如不同地区不同促销方案)的情况下何种方案投入回报最高。
3、提高投入回报率
提高“大数据”成果在各相关部门的分享程度，提高整个管理链条和产业链条的投入回报率。“大数据”能力强的部门可以通过云计算、互联网和内部搜索引擎把”大数据”成果和“大数据”能力比较薄弱的部门分享，帮助他们利用“大数据”创造商业价值。
4、数据存储空间出租
企业和个人有着海量信息存储的需求，只有将数据妥善存储，才有可能进一步挖掘其潜在价值。具体而言，这块业务模式又可以细分为针对个人文件存储和针对企业用户两大类。主要是通过易于使用的API，用户可以方便地将各种数据对象放在云端，然后再像使用水、电一样按用量收费。目前已有多个公司推出相应服务，如亚马逊、网易、诺基亚等。运营商也推出了相应的服务，如中国移动的彩云业务。
5、管理客户关系
客户管理应用的目的是根据客户的属性(包括自然属性和行为属性)，从不同角度深层次分析客户、了解客户，以此增加新的客户、提高客户的忠诚度、降低客户流失率、提高客户消费等。 对中小客户来说，专门的CRM显然大而贵。不少中小商家将飞信作为初级CRM来使用。比如把老客户加到飞信群里，在群朋友圈里发布新产品预告、特价销售通知，完成售前售后服务等。
6、个性化精准推荐
在运营商内部，根据用户喜好推荐各类业务或应用是常见的，比如应用商店软件推荐、IPTV视频节目推荐等，而通过关联算法、文本摘要抽取、情感分析等智能分析算法后，可以将之延伸到商用化服务，利用数据挖掘技术帮助客户进行精准营销，今后盈利可以来自于客户增值部分的分成。
以日常的“垃圾短信”为例，信息并不都是“垃圾”，因为收到的人并不需要而被视为垃圾。通过用户行为数据进行分析后，可以给需要的人发送需要的信息，这样“垃圾短信”就成了有价值的信息。在日本的麦当劳，用户在手机上下载优惠券，再去餐厅用运营商DoCoMo的手机钱包优惠支付。运营商和麦当劳搜集相关消费信息，例如经常买什么汉堡，去哪个店消费，消费频次多少，然后精准推送优惠券给用户。
7、数据搜索
数据搜索是一个并不新鲜的应用，随着“大数据”时代的到来，实时性、全范围搜索的需求也就变得越来越强烈。我们需要能搜索各种社交网络、用户行为等数据。其商业应用价值是将实时的数据处理与分析和广告联系起来，即实时广告业务和应用内移动广告的社交服务。
运营商掌握的用户网上行为信息，使得所获取的数据“具备更全面维度”，更具商业价值。典型应用如中国移动的“盘古搜索”。
二、“大数据”与零售业的结合运用
对于数据的使用，许多实体零售商同样表示非常重视，他们对企业积累的数据进行了各种预测和分析。然而，对具体的销售业务来说，往往存在理想与现实的纠结，前不久市场中一家知名的服装零售企业一方面在宣传盈利上市的同时，一方面曝出有近10亿元的库存。国内很多零售企业都知道“大数据”应用的好处，但他们一旦将“大数据”的应用结合到自己的企业经营中时，便会出现与目前经营有非常大的不适应问题，如此导致许多企业对此都持非常谨慎的态度。
1、将零售策略与“大数据”技术进行结合
零售企业谈的“大数据”的最大价值，是在零售策略上与“大数据”技术进行结合，最大程度地编制前置性的零售策略，确保销售计划的实现。“大数据”讲究四个“V”：一是数据体量大（Volume）；二是数据类型复杂（Variety），多涉及到各种结构性与非结构性的；三是价值密度低（Value），这和体量大是相对应的；四是数据更新与处理速度快（Velocity）。
根据这些特性主动地在业务数据产生的同时做出相应的策略应对，会为企业赢得更多的时间和市场策略调整空间。这类似于大江大河的洪峰预警，上游的洪峰出现什么状况，下游要做什么样的应对。数据用到这一层面上，才具有直接的业务价值，这不是那种销量同期比、环比、销售计划比数据能指导业务的价值能相比的。例如一家涉足线上业务的实体零售商，在一组货品的15分钟促销时间内，往往准备着3套应变策略，以确保货品能够按计划卖出。
在实体商业领域，有许多关于数据与营销的案例。一个较早的版本就是美国沃尔玛啤酒和尿布的数据关系。原来，美国的妇女在家照顾孩子，所以她们会嘱咐丈夫在下班回家的路上为孩子买尿布，而丈夫在买尿布的同时又会顺手购买自己爱喝的啤酒。
当分析师了解到啤酒和尿布销量存在正相关关系、并进一步分析的时候，发现了这样的购买情境，于是将这两种属于不同门类的商品摆在一起。这个发现为商家带来了新的销售组合。当然，即使再多的零售连锁企业知道这个故事，也极少从平时销售中能发现这样的组合，哪怕是牵强附会的。
所以，零售策略设计是零售业“大数据”价值最大的地方，也是“大数据”可以直接为其提供支持的业务。
2、零售企业对“大数据”应保持正确态度
企业的领导者首先要重视“大数据”的发展、重视企业的数据中心，把收集顾客数据作为企业营销运营的第一目标；第二，对企业内部人员进行培训及建立收集数据的软硬件机制；第三，以业务需求为准则，确定哪些数据是需要收集的；第四，确认在企业已有的数据基础上或者未来方向前提下，如何达成前三项目标的基础建设方案。
在这些IT基础工作需要企业有实实在在的投入和建设规范的信息化团队，作为中国商业最大的一分子——中小微型零售企业似乎是不可能也没有足够的能力来面对这样一场变化的。
大中型零售商因为本身业务及利润的积淀，已经能够承担这样一场需求趋势的需要成本。中小微型企业还处于快速发展过程中，如果也如同大中型企业进行全方面的投入，将很快会被新型的IT工具拖垮或者遭受重创。
但这并不意味着中小零售企业没有机会，实际上IT的发展为所有的企业都提供了平等的选择，云计算的广泛应用即是对这样一场变革带来的临时礼物。
作为中小微型零售企业，完全不必考虑自己建设一套“大数据”的IT系统，他们从精力、成本、能力上来说都不适合，因此此类企业可以将企业的IT建设外包给适合的服务商，企业本身的所有精力可以投入到对商圈的开发上。
目前，一些IT软件开发运营商也已经针对传统零售企业推出了云服务的基础平台，为中小微型商业企业提供了大型企业和超大型企业同样的基础环境及系统架构，小企业只需清晰地规划出自己的目标和适合的步骤，使用云平台按需付费即可，大可不必进行巨大的初始投入和不可预测的运行成本。
三、“大数据”在零售企业实战中的应用
1、Target
最早关于“大数据”的故事发生在美国第二大的超市塔吉特百货（Target）。孕妇对于零售商来说是个含金量很高的顾客群体。但是他们一般会去专门的孕妇商店而不是在Target购买孕期用品。人们一提起Target，往往想到的都是清洁用品、袜子和手纸之类的日常生活用品，却忽视了Target有孕妇需要的一切。为此，Target的市场营销人员求助于Target的顾客数据分析部要求建立一个模型，在孕妇第2个妊娠期就把她们给确认出来。在美国出生记录是公开的，等孩子出生了，新生儿母亲就会被铺天盖地的产品优惠广告包围，因此必须赶在孕妇第2个妊娠期行动起来。如果Target能够赶在所有零售商之前知道哪位顾客怀孕了，市场营销部门就可以早早的给他们发出量身定制的孕妇优惠广告，早早圈定宝贵的顾客资源。
如何能够准确地判断哪位顾客怀孕？ Target想到公司有一个迎婴聚会（baby shower）的登记表，开始对这些登记表里的顾客的消费数据进行建模分析，不久就发现了许多非常有用的数据模式。比如模型发现，许多孕妇在第2个妊娠期的开始会买许多大包装的无香味护手霜；在怀孕的最初20周大量购买补充钙、镁、锌的善存片之类的保健品。最后Target选出了25种典型商品的消费数据构建了“怀孕预测指数”，通过这个指数，Target能够在很小的误差范围内预测到顾客的怀孕情况，因此Target就能早早地把孕妇优惠广告寄发给顾客。
为了不让顾客觉得商家侵犯了自己的隐私，Target把孕妇用品的优惠广告夹杂在其他一大堆与怀孕不相关的商品优惠广告当中。
根据这个“大数据”模型,Target制订了全新的广告营销方案，结果Target的孕期用品销售呈现了爆炸性的增长。Target的“大数据”分析技术从孕妇这个细分顾客群开始向其他各种细分客户群推广，从Target使用“大数据”的2002年到2010年间，Target的销售额从440亿美元增长到了670亿美元。
2、ZARA
ZARA平均每件服装价格只有LVHM四分之一，但是，回看两家公司的财务年报，ZARA税前毛利率比LVHM集团还高23、6%。
（1）分析顾客的需求
在ZARA的门店里，柜台和店内各角落都装有摄影机，店经理随身带着PDA。目的是记录其顾客的每个意见，如顾客对衣服图案的偏好，扣子的大小，拉链的款式之类的微小举动。店员会向分店经理汇报，经理上传到ZARA内部全球资讯网络中，每天至少两次传递资讯给总部设计人员，由总部作出决策后立即传送到生产线，改变产品样式。
关店后，销售人员结帐、盘点每天货品上下架情况，并对客人购买与退货率做出统计。再结合柜台现金资料，交易系统做出当日成交分析报告，分析当日产品热销排名，然后，数据直达ZARA仓储系统 。
收集海量的顾客意见，以此做出生产销售决策，这样的作法大大降低了存货率。同时，根据这些电话和电脑数据，ZARA分析出相似的“区域流行”，在颜色、版型的生产中，做出最靠近客户需求的市场区隔。
（2）结合线上店数据
2010年，ZARA同时在六个欧洲国家成立网络商店，增加了网络巨量资料的串连性。2011年，分别在美国、日本推出网络平台，除了增加营收，线上商店强化了双向搜寻引擎、资料分析的功能。不仅回收意见给生产端，让决策者精准找出目标市场；也对消费者提供更准确的时尚讯息，双方都能享受“大数据”带来的好处。分析师预估，网络商店为ZARA至少提升了10%营收。
此外，线上商店除了交易行为，也是活动产品上市前的营销试金石。ZARA通常先在网络上举办消费者意见调查，再从网络回馈中，撷取顾客意见，以此改善实际出货的产品。
ZARA将网络上的海量资料看作实体店面的前测指标。因为会在网络上搜寻时尚资讯的人，对服饰的喜好、资讯的掌握，催生潮流的能力，比一般大众更前卫。再者，会在网络上抢先得知ZARA资讯的消费者，进实体店面消费的比率也很高。
这些顾客资料，除了应用在生产端，同时被整个ZARA所属的英德斯（Inditex）集团各部门运用：包含客服中心、行销部、设计团队、生产线和通路等。根据这些巨量资料，形成各部门的KPI，完成ZARA内部的垂直整合主轴。
ZARA推行的海量资料整合，后来被ZARA所属英德斯集团底下八个品牌学习应用。可以预见未来的时尚圈，除了台面上的设计能力，台面下的资讯/数据大战，将是更重要的隐形战场。
（3）对数据快速处理、修正、执行
H&M一直想跟上ZARA的脚步，积极利用“大数据”改善产品流程，成效却不彰，两者差距愈拉愈大，这是为什么？
主要的原因是，“大数据”最重要功能是缩短生产时间，让生产端依照顾客意见，能于第一时间迅速修正。但是，H&M内部的管理流程，却无法支撑“大数据”供应的庞大资讯。H&M的供应链中，从打版到出货，需要三个月左右，完全不能与ZARA两周的时间相比。
因为H&M不像ZARA，后者设计生产近半维持在西班牙国内，而H&M产地分散到亚洲、中南美洲各地。跨国沟通的时间，拉长了生产的时间成本。如此一来，“大数据”即使当天反映了各区顾客意见，无法立即改善，资讯和生产分离的结果，让H&M内部的“大数据”系统功效受到限制。
“大数据”运营要成功的关键，是资讯系统要能与决策流程紧密结合，迅速对消费者的需求作出回应、修正，并且立刻执行决策。
3、亚马逊
此前亚马逊并未大张旗鼓推展广告业务，直至2012年年底，有报道指出，亚马逊即将推出实时广告交易平台，从而向Facebook和谷歌发起挑战。这个实时广告交易平台又称“需求方平台”（Demand Side Platform，DSP），可以让广告与目标消费者相遇。广告商可以在“需求方平台”上竞标网站的闲置广告空间，而竞标标的包括广告版位，以及符合特定条件的消费者。
亚马逊开发的“需求方平台”可以“协助广告商接触网路上的众多用户，同时也帮助客户迅速找到想购买产品的相关资讯”，“需求方平台”概念虽非亚马逊首创，但以丰富资料为后盾。
亚马逊与广告商分享的资讯有两类，一是依用户网路行为所做的通用分类，例如热衷时尚、喜爱电子产品、身份为母亲、爱喝咖啡等，二是用户的商品搜寻记录。至于消费者的实际购物资料，亚马逊似乎尚未列入分享。广告商即使无法得知实际消费记录，能了解潜在顾客的商品搜寻记录；亚马逊如果全力进军网路广告市场，仍可能大大改变产业生态。
亚马逊2012年的广告收入约为5亿美元， 2013年的广告收入将达10亿美元。这会成为亚马逊未来几年内营收增长的新动力，更重要的是，它可能是亚马逊各项业务中利润率最高的业务之一。
4、沃尔玛
2011年，沃尔玛电子商务的营收仅是亚马逊的五分之一，且差距年年扩大，让沃尔玛不得不设法奋起直追，找出各种提升数字营收的模式。最终，沃尔玛选择在社交网站的移动商务上放手一搏，让更大量、迅速的资讯，进入沃尔玛内部销售决策。沃尔玛的每张购买建议清单，都是大量资料运算而出的结果。
2011年4月，沃尔玛以3亿美元高价收购了一家专长分类社群网站Kosmix。Kosmix不仅能收集、分析网络上的海量资料（大数据）给企业，还能将这些资讯个人化，提供采购建议给终端消费者（若不是追踪结帐资料，这些细微的消费者习惯，很难从卖场巡逻中发现）。这意味着，沃尔玛使用的“大数据”模式，已经从“挖掘”顾客需求进展到要能够“创造”消费需求。
沃尔玛本身就是一个海量资料系统，适用各种商业上的分析行为，它的综合功能，作为世界最大的零售业（专题阅读）巨人，沃尔玛在全球超过200万名员工，总共有110个超大型配送中心，每天处理的资料量超过10亿笔。由于资料量过于庞大，沃尔玛的“大数据”系统最重要的任务，就是在做出每一笔决定前，将执行成本降到最低，并且创造新的消费机会。
Kosmix为沃尔玛打造的“大数据”系统称做“社交基因组（Social Genome）”，连结到Twitter、Facebook等社交媒体。工程师从每天热门消息中，推出与社会时事呼应的商品，创造消费需求。分类范围包含消费者、新闻事件、产品、地区、组织和新闻议题等。同时，针对社交网络快消息流的性质，沃尔玛内部的“大数据”实验室专门发展出一套追踪系统，结合手机上网，专门管理追踪庞大的社交动态，每天能处理的资讯量超过10亿笔。
“社交基因组”的应用方式五花八门。举例来说，沃尔玛实验室内部软件能从Foursquare平台上的打卡记录，分析出在黑色星期五，不同地区消费者最常购买的品项，然后，针对不同地区送出购买建议。
以上是小编为大家分享的关于大数据如何与零售业结合 在实战中应用的相关内容，更多信息可以关注环球青藤分享更多干货