|
大数据推动时代发展的今天，传统零售行业面临着重大变革，目前，Online&Offline的新零售模式，开启了零售行业的新篇章。那么新零售如何将传统的“人”“货”“场”三者进行高效的连接，达成更多、更快、更好、更省的目标呢？答案毋庸置疑——利用数据赋能，将传统便利店的“人货场”模式进行全面升级。新零售本质上还是零售，它是一种更高效的零售，通过将数字技术应用到各个环节，将数据转变为新零售的内在核心驱动力。互联网擅长信息流的“高效维度”，更快、更全、更便宜；线下擅长信息流的“体验维度”，更复杂、更多感、更立体。用数据将信息流、资金流及物流融会贯通，打造新零售智慧门店，用数据创造利润。
鲜生活(X'LIFE)作为专注于便利店行业的新零售赋能、运营和整合型公司，成立于2014年，正好赶在了新零售时代的窗口期，在全国自营和合作便利店门店数量已超过5000家，旗下好邻居更是目前北京便利店市场的知名品牌，2018年底获得数千万美元融资，投后估值超过两亿美元。鲜生活(X'LIFE)通过旗下「楼下」中台生态系统为传统便利店进行综合解决方案的赋能改造提升，在更好服务消费者的同时提升便利店的营业力和便利企业经营盈利性。
一、数据之困
为了更好的开展企业发展战略，用数据持续赋能旗下庞大的新零售体系，鲜生活(X'LIFE)首先架构通过数据进行辅助决策。在数据赋能的道路上，鲜生活(X'LIFE)首先总结了传统零售行业的数据问题：
1、 业务数据和财务数据均是依靠Mysql数据库和Excel表进行信息的传递和保存，业务人员并不懂得数据在数据库中的存放规则； 2、 技术人员和非技术人员对于数据的认知差异很大，纯开发工程师不懂得财务和业务的数据计算逻辑，造成了需求响应不及时，业务人员又没有数据库基础和IT经验，造成了很多数据处理都是采用Excel完成最终的处理； 3、零售数据每天都以成十几万、几十万的速度产生，传统的ERP系统数据展示满足不了个性化的需求，数据导出以Excel为主，灵活性不够，且费时耗力，人员分析数据的速度远跟不上数据更新的速度，只能扩大数据分析的周期，以月、季度作为数据分析的周期，时效性大大降低； 4、数据量多、变化快、分析压力大，造成很多业务人员不敢尝试进行多元的数据分析，数据发挥的作用微乎其微，并不能做到人人都能以低成本进行数据分析。
（用Excel进行数据分析）
二、解锁数据分析利器
为了解决业务人员分析数据“难上加难”的困境，鲜生活(X'LIFE)创始人/CEO肖欣和首席财务官仇国勋敏锐的察觉到公司数据信息化，对于提高内部企业人效和对外赋能都具有极其重要的战略价值。经过慎重的考察BI市场，鲜生活(X'LIFE)集团决定和FineBI合作,一起探索新零售数字化所带来的价值。鲜生活(X'LIFE)逐步利用公司ERP以及FineBI的结合，从最规范的财务数据分析，到各个业务部门的数据分析，再到公司投资企业的数据监控等等，鲜生活(X'LIFE)快速将FineBI应用于公司各个能产生有效数据的地方。
- 目前，IT人员将BI直接对接各个生产系统数据库，将不同的数据表分门别类地放入不同的业务包中，方便业务人员进行不同的分析需求取数，不用每次与IT人员沟通，反复、重复去数据库中取数，同时也提高了响应的速度，做到了想分析便有数可用的效果。
(鲜生活FineBI业务包展示)
（自助数据集处理数据）
- 数据处理好后，可以新建仪表板，FineBI的组件能够自动识别出哪些是维度，哪些是指标。通过简单的拖拽操作，将数据通过不同的图表类型展示出来。
（数据快速可视化）
应用FineBI后，鲜生活(X'LIFE)的数据分析境况发生了很大转变，数据的处理速度提高了40%，对于数据处理和数据呈现分配的员工资源节省了30%，同时： 1、 数据分析门槛降低，业务人员也能够对数据进行处理，无需大量的使用函数、复杂的公式或者是sql，需要做的就是思考清楚自己想要将数据处理成什么样的效果，BI中都有现成的功能，直接使用即可，这大大降低了数据分析的门槛； 2、 财经中心作为FineBI首先试水的部门，基本实现了财务共享中心的对账结算的自动化。财务结算人员只需要导入订单数据，便能够与业务数据进行对账和生成收入成本的核算数据； 3、 同时投融资部门通过FineBI导入数据，分析被投业务的经营损益，对于敏感业务能够做到每日跟踪被投单位的数据变化； 4、 对于业务部，FineBI直接从系统数据库每天定时抽取数据，业务部门省去了做日报、周报、月报的时间。大大解放了员工劳动力的同时，也增加了数据报出的及时性和准确性。
三、案例分享
鲜生活(X'LIFE)的BI数据构架师张晗（ BI工程师从入门到精通实战班学员）主要负责公司各类经营数据的处理和分析工作。通过对新零售各经营数据进行多元化地分析，他做了很多数据分析和数据价值挖掘的工作，在群雄争霸的新零售行业中，鲜生活(X'LIFE)始终和FineBI一起携手，时刻保持高效合作，以公司自研开发的业务中台结合FineBI为最有效的三方分析工具，在瞬息万变的市场环境中，快速地捕捉需求信息并准确及时地反馈到业务部门的各个环节，使得鲜生活(X'LIFE)在激烈的竞争中保持领先。
以下，张晗同学以便利店分门店类型营收监控、连锁超市运营监控、投资项目监控、人资分析4个企业应用FineBI进行数据分析和监控的场景为例，和大家分享一下FineBI是如何助力新零售企业做大做强，快速探索优质的运营模式的。
1、优质的新型便利店不是将一家店简单地复制为N家
新型便利店的生长分为两部分，其一是水平生长，即新店数量的增加；其二是垂直生长，即单店日商的同比成长。如果只有水平生长而单店日商丝毫不动，则表示店铺的竞争力在衰退。如果只有单店的垂直生长而水平维度并没有延伸，则表示市场占有率不足。
优质的新型便利店并不是将一家店复制为N家，而是对不同类型门店进行实时监控，对比分析，优胜劣汰，不断探索适应市场需求的门店类型，不断更替效益更好的店铺，提高市场的竞争力，如此才能与当前瞬息万变的经济型社会进行紧密联系，不被时代所抛弃，好邻居便是如此。
北京好邻居目前有超过300家的门店，并在持续稳步扩张，不断通过积极的门店升级与改造，探索新零售的门店类型。好邻居的店型多元化，每种店型的功能及视觉装修设计，品类结构等均有一定的差异。为了分门店类型监控营收情况，我们制作了好邻居全店营收分析仪表板。
总体指标： （1）核心运营指标的展示，如营业额，订单量，客单价，日商（门店当月日均营业额）等等，这些核心指标由日期控件调节，可以查询不同月份的营业指标概览。 （2）好邻居的门店分布图，按月营业额的数值大小区间做为颜色区分，大于等于月60万的门店高亮动态显示。 （3）好邻居营业KPI完成情况，实际的营业额与当月KPI指标作对比。 （4）不同类型店铺的门店数量情况概览。 （5）月营业额走势与环比分析。
细分指标： （1）不同类型门店的，营业额、定单量、客单价、日商的对比表。直观的对不同店铺类型进行营业数据的对比展示。 （2）不同类型门店的日商占比分析。 （3）不同店铺类型的结构化分析，把门店的日商水平分为4个等级进行追踪分析。 （4）不同类型门店的月营业额环比分析。
对于业务的指导意义与决策意义在于： 1、 300家以上的门店数据汇总的营业指标可以有效保存，方便查询； 2、将门店的分布及其营业额在地图上进行展示让人能够有很直观的感受，并且能够给新店选址提供参考； 3、将每月的预期KPI与实际完成情况进行实时动态对比展示； 4、对于不同门店的营业指标分析，可以看出哪些类型的门店有利于进一步推广和探索。例如：门店的日商指标分为4个等级，根据不同日商等级的不同类型店铺个数的差异，可以看出不同类型门店营收差异。如果A类型店铺是B类型店铺的改造版，经过一段时间的A/B测试，A类型店铺中大于12000元日商的店铺数量占比超过50%，远高于B类型店铺，说明门店改造有明显效果。
2、问题门店白夜追凶，连锁店的营收监控
连锁超市的营业分析，因为商品数量多，种类齐全，仅仅将月销售额进行对比分析，不能发现导致利润下滑的直接原因，究竟是哪些品类、商品甚至是订单出了问题，进而也无法进一步查明根本原因。
店型要分析精确到单门店，单商品的毛利分析等。除了宏观上对于各类型门店进行营业监控，还需要对问题门店进行精准分析，究竟是工作人员效率低下，服务品质有问题，还是商品更新换代慢，新鲜度供给不够，或者仅为单纯的季节因素……都希望能够从店铺的营运数据出发，追根溯源。
数据分析过程:
数据展示的过程还是由总体到局部。 （1）各店分布及营业KPI数据展示 门店的分布和营业额的分级和好邻居的方式类似。KPI的主要数据包括：营业额，订单量，日商，毛利率，动销商品SKU数。 （2）月营业指标环比分析 对于以上关键指标有必要进行月度的环比分析 （3）制作门店的单选框，对于单门店进行营业额，日商的环比分析。 （4）商品大类的帕累托分析同时联动商品中类 通过选择门店，单击商品大类，可以联动查看商品中类的毛利额与毛利率，同时可以联动查看商品销售明细表。 （5）该门店商品中类毛利额和销售额top30的词云图。
对于业务的指导意义与决策意义在于： 1、首先可以宏观的对于门店核心营业数据进行监控与展示。零售店的管理人员对于销售额，毛利率，日商，订单量，客单价都是非常重视的； 2、通过对于单店的销售额，日商，商品的毛利额分析，可以有效的得出结论，比如：商品大类的帕累托图中单击瞰都国际店，可以查看该店的商品大类的销售构成，占比70%以上的商品大类显示红色，表示核心商品大类；占比其余20%的显示蓝色，表示次要商品；占比10%的显示灰色，表示边缘化商品。单击商品大类“日配冷藏”，所有属于日配冷藏商品中类的商品的毛利额与毛利率就会显示在组合图里，然后单击商品中类“酸奶”可以查询这家店所有酸奶明细表。若某一家门店销售额下滑是因为某部分商品的销售出现了下滑的趋势，可以重点针对这个趋势分析出具体原因，是因为季节因素、促销暂停、还是补货不及时，这就要去找门店人员了解情况了。
3、24h动态KPI跟踪 助力企业风险投资
企业在发展过程中有了闲置资金就会有选择地进行战略投资，将经营资源高效利用，可能开拓新市场、开发新业务、研究新产品，也可能选择空间换时间，直接投资其他公司，但是在投资的过程中，充满了许多危险和不确定性因素，机遇与风险并存。我们来看看鲜生活(X'LIFE)集团是如何利用FineBI进行风险投资的把控的。
SQ业务是鲜生活(X'LIFE)集团投资孵化的一项业务，总部希望对于这个被投业务的情况进行以天为单位的跟踪，对于这项业务制定的一系列KPI指标都要进行预实对比，同时要反映这个业务的平均增长情况。业务被拆分为A业务线和B业务线，B业务线又被分为B1业务线和B2业务线。
数据分析过程： 1. 对于GMV、订单量、毛利额和毛利率进行汇总展示。 2. 对于不同业务线的GMV进行占比分析。 3. 对GMV、毛利额、毛利率的总体完成率进行预实对比。 4. 计算CAGR值，对业务的单日增量趋势进行计算。 （CAGR是Compound Annual Growth Rate的缩写，意思是年复合增长率。复合增长率是指：一项投资在特定时期内的增长率。其计算方法为总增长率百分比的N方根。在这里我们可以将CAGR值广义理解为，复合增长率，以N为计算周期,对于年度复合增长率就是N年，对于月度的复合增长率就是N月。） 5. 三条细分业务线的净营业额、订单、毛利额的对比分析。 6. 三条业务线近2周GMV和毛利额的走势分析。
对于业务的指导意义与决策意义在于： 1．监控业务线GMV和毛利额的变化； 2. 根据预期GMV和毛利额的KPI指标对当前的业务状态进行对比，可以监控业务线的完成情况； 3. 通过CAGR值可以看出业务的增长趋势，是否达到了投资前的预期。
4、人资分析 做好企业核心资产的管控
HR部门产生的数据重要性并不亚于财务和市场两端，面对企业成千上万的员工，人力资源管理过程中会积累大量的数据，如培训记录、出勤记录、入离职数据、岗位薪资、在职人员信息数据、绩效评价等，每月的数据量在几万甚至几十万。但若论数据的分析和对决策的驱动作用，HR则远落后于前两者。便利店在人才培育的部分，有一定路径，从正式职员、到店长、到大区经理等，无法一蹴而成。且有完整训练框架体系，选育用留、职业规划等，训练成本投资十分巨大。因此，人力资源数据是急需利用起来的。
对于人力资源数据的分析，此处对集团公司所有人员的在职人数、薪水情况、入职率、离职率等进行有效的分析与展示。因为公司用钉钉作为办公OA，技术部的同事通过钉钉的数据接口可以读取钉钉中的人力资源数据而无需手工处理。
数据分析过程： 人力资源数据分析仪表板分为4个部分：人力资源汇总指标预览、在职员工详情分析、入职员工详情分析、离职员工详情分析。 1.人力资源数据是以月度维度进行统计和展示的，当月汇总的指标数据包括，在职员工数、入职员工数、离职员工数、转正员工数、入职率、离职率、在职员工各类成本等。 2.根据公司的组织架构，分事业群对入、转、调离的各种比率进行展示。 3.在职/入职/离职数据分析：将事业群下探到部门，对于每个部门的在职/入职/离职人数，人工成本，学历占比，工龄占比进行分析。
对于人事的指导意义与决策意义在于：
1、通过人力资源数据仪表板，可以通过查看月度汇总的在职人数、薪水情况、入职率以及离职率，对当月的人事变动进行全方位的把控； 2、同时对于在职员工的详情分析，可以知道每个部门的在职人数、人工成本总额、学历工龄构成； 3、对于入职和离职的员工详情分析，主要可以看到重要部门的入职率和离职率，判断我们人力资源部的招聘是否合格，员工的离职率可以侧面反映企业的人事政策，进而有针对性地进行决策管理，起到对企业的人力资产进行宏观与微观并行分析的效果。
企业信息化推广战略分享
如何进行企业BI信息化推广？张晗同学就此分享了个人经验：
FineBI的推广战略为先从标杆项目入手，先从数据最规范的财经中心入手，让FineBI系统先在少数部门用起来，根据项目的执行和完成情况总结分析，然后扩展到其他部门。当前公司已经建立数据中心，无论是业务数据还是财务数据都保存在数据中心，通过数据清洗做成数据集市，供公司的所有人员查询、导出、可视化。对于核心数据和仪表盘需要专人负责制作，其他的仪表板可以培训有关部门的人员自己完成。目前鲜生活企业信息化、数据中心化的推广实际达成的效果理想，正在稳步推进。
FineBI对于我个人来说是进行数据可视化分析的一个很好的工具，在我研究生做项目课题时经常需要用到Python进行图形的绘制，用代码进行数据可视化效率不高，当数据有些变动时，代码也需要进行适当优化。所以了解到了《 BI工程师从入门到精通实战班》后，我便立即参与到了1904期的课程中。学习期间，紧跟老师的授课节奏，并按时完成实践作业，通过五周的课程学习我对于数据的理解、架构和表达又提升了一个档次，很快便能够使用FineBI开展公司全线的业务数据分析工作。
对于我们企业而言，FineBI对于无论是职能部门还是业务部门都是一种工作的解放，数据的处理速度提高了40%，对于数据处理和数据呈现分配的员工资源节省了30%。对于一些系统化、结构化较高的数据，直接通过数据库连接FineBI，将实时数据呈现在之前创建好的仪表板中，省去了做日报周报月报的烦恼，大家把更多的时间可以用来去分析数据，去挖掘数据的潜在信息。
从张晗同学的分享中，我们切实地感受到了FineBI对个人职业生涯发展和企业的良性运营产生的重要价值，如果您或您的团队在数据工作中，也面临着IT和业务人员对数据的认知差异大、数据分析需求进展缓慢，业务人员着手分析数据难度大的情况，不妨和张同学一样加入 BI工程师线上学习班的行列，学习FineBI工具的操作使用和数据分析的方法。
往期推荐：
| 
最开始看到还以为输入了乱码
做的真的很详细！分析的也很到位，不愧是参与了学习班的学员
