维基解密黄菊内幕最近很多搞零售的朋友都向我抱怨，以前都说零售行业最赚钱，但现在却感觉越来越难做，尤其是实体零售，倍受互联网、微商、电商等线上零售业的冲击，竞争也越来越，零售行业似乎根本看不到出。
在我看来，零售行业的升级是一个商业与技术不断激荡交错的过程，拿实体零售企业和互联网零售企业来说，传统实体零售企业拥有行业视角的广度，而大数据技术公司手握单点技术的深度，两种不同基因的交汇融合将为行业发展提供更大的推力，双方的边界也将逐渐模糊。
零售行业一般不会拥有完整的数据整合系统，比如票务、餐饮、零售这些系统各自，各个系统的数据没有办法打通，形成一个个数据孤岛，数据价值难以得到充分的发挥，因此很难得到统一、完整、直观，并能从各个业务主题与维度展现运营活动的管理数据。
同时，在企业经营管理、经营决策、战略决策、风险管控上，经常出现信息数据依据不足、不准确，判断困难的情况，如何有效进行数据整合以响应企业运行效率，也是零售行业数据决策的实际需求。
随着零售业务系统的越来越多，收集的数据越来越细，使用系统的时间越来越长，数据量的增长越来越快，现有的系统已经无法对数据量较大的数据进行快速响应。
传统的数据应用模式中，业务部门需要将数据需求提交给IT处理，但IT的人力不能对分析需求的及时响应，对一些报表的调整也十分困难。
以顾客分析为例，零售主管不能掌握顾客消费轨迹，无法对顾客的消费进行引导经营。同时，也无法掌握顾客群体属性，导致缺少提升服务水平的重要参考项。
服务业市场化充分，竞争压力相对较大，顾客对服务质量的要求相对较高，缺少对会员的有效管理，无法掌握企业顾客群体属性，企业难以走到消费者签名，提供更出色的服务体验。
如图所示，针对数据决策分析过程中的数据处理，整个零售行业大数据应用架构的建立需要经历四个阶段：源数据库数据抽取、ods数据库ETL转换、数据仓库和数据集市、最终用户界面。其中：
用户需要采集的源头数据库或者数据仓库，本系统源数据库为crm系统和其他原有应用系统，以及一些可能的需要EXCLE导入的数据源。
用于存储从源数据库中获取的数据，中间使用ETL工具进行数据抽取、转换、清洗、装载，数据进入预处理数据库对数据进行清洗和架构，实现数据的可用性。
对目标数据库中的数据进行多次整合加工，形成面向主题的、集成的、稳定的、不同时间的数据集合，改数据库可根据业务情况，有选择的转义成可识别的字段名称，生成用户前端用户可直接拖拽使用的Cube文件数据。
搭建好应用框架之后，就要进行数据分析模型的建立，为此我尝试用过很多数据分析工具，比如Tableau，但这些国外的厂商很难形成一套适用于国内企业的完整行业化解决方案，FineBI，如下图所示。
我曾经做过很多零售行业的数据分析工作，通过不断梳理零售业务，我找到了零售行业关注的重点，分别是商品、门店、库存、活动、会员等五个，然后我建立了每一个场景的分析模型，下面我一一介绍，供大家参考：
：根据商品对店面销售的贡献度及顾客对商品的本身的需求，按照70%，20%，10%将商品分为A，B，C分类，并进行分类数据分析，包括 SKU数量，销售金额，库存金额。
：商品价格带分析是零售商在做市场研究时经常使用的方法，通过分析同类商品不同价格带的销售额，销量，掌握此类商品用户的消费层次及数量，勾画出超市对该商品的基本需求。从而超市采购再根据店面定位来选择商品的采购层级及数量。
：通过对各品牌对应的销售额，利润，客单价，销售成本率等指标的月度变化趋势，进而评估该品牌的效益。
第二步，确定了分析方法之后，梳理出这个场景下的业务模块、业务指标和分析维度，通过FineBI建立起指标体系，商品分析的指标体系如下图所示：