版权信息 书名：Power BI 零售数据分析实战
ISBN：978-7-115-60055-4
本书由人民邮电出版社发行数字版。版权所有，侵权必究。
您购买的人民邮电出版社电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。
我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。
如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。
版 权 著 郑志刚
责任编辑 郭 媛
人民邮电出版社出版发行 北京市丰台区成寿寺路11号
邮编 100164 电子邮件 315@ptpress.com.cn
网址 http://www.ptpress.com.cn
读者服务热线： (010)81055410
反盗版热线： (010)81055315
读者服务：
微信扫码关注【异步社区】微信公众号，回复“e60055”获取本书配套资源以及异步社区15天VIP会员卡，近千本电子书免费畅读。
内 容 提 要 本书基于零售数据分析及 Power BI 的综合实现，全面、详细地介绍 Power BI 在零售数据分析领域的专业解决方案。本书从指标体系、业务场景、技术流程、经典模型、模块实现、图表展示等多个维度给出可供读者直接复用的整套方案及 Power BI 模板系统。读者直接按照数据格式模板导入数据，一键刷新即可实现整套零售商业智能分析方案。
本书内容由浅入深，从业务到体验再到深度实践。首先，引入和介绍零售行业的核心业务知识，包括零售行业核心指标含义、零售行业常用业务场景、零售行业常用数据分析模型。其次，介绍通过 Power BI工具来构建数据分析技术实现流程，让读者理解业务问题和技术工具结合的可行性和有效性。最后，详细介绍如何利用 Power BI 从运营管理分析、商品管理分析、会员管理分析这三大板块和在 13 个高频应用场景进行零售数据分析的思路和技术实现，其中包括每个场景中的业务问题痛点、技术构建思路、综合运用 Power BI 及 DAX 制作可视化分析图表的过程。
本书立足于零售业务，并通过 Power BI 实现技术落地，实操性强，适合专业的零售数据分析师、使用一般数据分析工具但遇到技术瓶颈的零售数据分析“老兵”，以及对零售数据分析、Power BI 感兴趣的分析师和爱好者阅读。
推荐序1 大家好，我是 BI 佐罗，很荣幸可以为郑老师的书作序。这本书的读者可能是Power BI 爱好者、零售分析从业人员，以及传统企业的管理者和决策者，可能有一定的 Power BI 基础，也许还没有用过 Power BI ；也许关注的是业务本身，也许关注的是如何运用 Power BI 技术本身。这里我将个人对这本书的粗浅理解以及个人在行业和 Power BI 等自助式商业智能工具使用中的经验做简单介绍，希望可以给不同背景的读者提供一些参考。
如今，自助式商业智能分析已经成为传统企业数字化转型的技能标配。自助式商业智能分析已经不再是未来趋势，它已经深刻地发生在当下。众多企业开始重视数字化文化建设，同步推进复合型数字化人才的培养，因此成为最先由此获得红利的企业。本书正是基于作者所处的真实企业环境所提炼出来的，是一套零售行业的通用自助式商业智能分析模板。
自助式商业智能分析，不一定非得用 Power BI。自助式商业智能分析强调由熟悉业务的人员在不过多依赖 IT 支持的情况下，根据业务需求迅速开展业务数据分析并驱动经营的过程。自助式商业智能分析必须能够满足以下条件：
● 可以由业务人员开展，不必过分依赖于纯技术人员，分析数据时做到零代码（不编程，不写 SQL 处理数据库）；
● 可以通过瀑布图等数据可视化手段，将数据中的业务信息更快速、直观地给到业务人员；
● 可以通过交叉筛选、高亮显示等方式使图表之间动态交互，以便在灵活的环境下回答业务问题；
● 可以通过钻取等方式层层深入数据，从宏观层面到微观层面，再到明细层面；
● 提供各种动态维度、指标、参数等供业务人员选择，如RFM 的 R 是多久、F 是多频繁等；
● 可以高性能地处理多达百万、千万乃至亿级别的数据，而业务人员却不需要了解底层技术；
● 由上述能力要求附带的自助刷新、行级别权限控制等自动化及权限管理相关能力。
Power BI 是满足以上所述自助商业智能分析工具所需具备的能力的完整实现工具，所有使用 Excel、PPT 等传统工具进行分析管理的伙伴都会因为使用了Power BI而享受到工具红利。具体来说，由于Power BI的日渐普及，人们从数据中提取信息的水平得到了提升，部分传统行业（如零售行业等）也从中获益。提取信息的所有工作都可以由业务人员完成，而业务人员具备业务思维，可以从数据中最快速地洞察、提炼并迭代形成价值—数据—信息—价值的闭环。
如果缺乏上述能力，数据价值的提炼是非常低效的。但请大家注意，即使不具备以上任何能力，也不影响业务人员对业务本质理解的深度。业务人员完全可以通过白纸、电子表格和幻灯片，在理想情况下对企业业务进行深刻且有效的分析，并驱动业务的改进和提升。
我和郑老师是在几年前认识的，他曾和我探讨过大量使用 Power BI 来实现某些分析模式的技术细节。郑老师写的这本书无疑满足了以下三大条件：有着真实且典型的企业环境；具有极高的主观意愿来使用新的生产力工具；根据原有业务分析模式实践出更加高效的工作模式。
这本书的另一个特点是，它兼顾了零售数据分析的业务、 Power BI 工具的操作，以及模块之间的通用度，读者不必掌握高级的 Power BI 技巧就可以通过练习文件构建模块，并举一反三地运用到自己的实际工作中。
如果你是一个零售数据分析小白，可以通过这本书感受、理解零售数据分析中各种核心指标的定义以及如何在 Power BI 中实现计算。
如果你是一个有零售数据分析经验、但没有用过 Power BI 的分析师，可以通过这本书感受到 Power BI 这种新的生产力工具带来的可能性和想象力。
如果你是一位资深零售 Power BI 分析师，可以通过这本书与作者进行思想碰撞，也许它可以启发你对某些分析模式实现的思路。
如果你是传统企业的管理者或决策者，可以通过这本书快速领略在新生产力工具下战略落地的过程和细节，借此来优化企业数字化文化建设。
我之所以推荐这本书，是因为我以业务分析小白的身份阅读和实践了这本书，并从中找到了我需要的信息，感谢郑老师。接下来，你的旅程就可以开始了，期待和郑老师以及爱好者们进一步深度探讨。
BI佐罗
微软 Power BI MVP
推荐序2 零售行业作为一个古老的行业，其相关数据有着独特的特性——量大、细碎，这也是很多人对零售行业的总体印象。这样的行业特性让业内分析人员很难对零售行业有精准的把控，因为仅信息抽取、信息规整等环节，就会花费分析人员大量的时间。我特别认同零售行业里流传的一句话：零售便是细节。这句话包含以下几层意思：
（1）零售业务本身很散、很细碎；
（2）零售人员需要聚焦、落地地去分析、把控业务；
（3）零售业务不易分析，细碎而庞大的数据量正是分析的壁垒。
我在零售行业从业超过10年，看到财务和零售支持团队的同事大多并没有将时间用在真正的分析和深挖数据上，而是把数据来回“捣鼓”，似乎抽取数据、整理数据、归集数据才是工作的全部。我也一直苦于没有好的分析工具和呈现方法，只能用Excel 日复一日地重复着类似的工作。直至两年前，我有幸在一场培训里认识了郑老师。郑老师专门研究零售行业的商业数据分析，曾获微软“第三届 Power BI 可视化大赛”零售行业特别奖。郑老师对“人、货、场”这3个零售分析的关键要素有着深刻的理解和精准的把控，对运营、商品、会员等核心指标都有着清晰的分析思路和方法。当时我就想，如果郑老师能出一本专门针对零售行业的数据分析书就好了。
在一个月前，我惊喜地收到了郑老师的《Power BI 零售数据分析实战》初稿，于是花费了一个周六的下午“一口气”读完。在书中，郑老师立足于运用 Excel 和 Power BI 工具，对核心的零售指标进行了定义，并对其应用场景进行了详细的描述及分析，每个知识点和案例都用图文并茂的形式讲解清楚，使读者既可以把这本书当作知识类图书学习、阅读，又可以当作工具类图书放于案头，以便有需要的时候及时翻阅。
除了针对不同的指标和场景进行讲解，这本书还循序渐进、层层深入地介绍了能够帮助读者逐步提升的各种模型。书中提到的帕累托、杜邦等分析法，不一定会为读者所用，但是一定会为想要精进的读者拓宽思路，为用户提供可实践的方法。本书丰富的内容，为零售行业具有不同需求的读者，以及在不同的学习、成长阶段的读者，都提供了丰富的、具有参考意义和实用价值的指引。
Power BI 是一个工具，工具在不同的人手里会用出不一样的精彩。而郑老师的这些方法正是开启读者智慧、启发不同的读者创造出不同精彩的典范。希望这本书的每一位读者都能日有所进、学有所成。
衷心感谢郑老师的无私付出，感激他对零售行业的贡献，感恩他对知识传承的努力和数据分析方法发展的贡献。
Collins Liang
原DFI零售集团中国区财务总监
2022年9月于广州
自 序 我步入职场10年有余，一直从事零售行业的业务类工作，但自己又和一般的业务型人才不同，属于业务领域的偏技术人士。从最初使用、“玩转”Excel透视表和函数，到自学 VBA 代码来生成各种自动化报表，我也算逐渐能够得心应手地处理各种零售业务问题。但随着业务数据的增加、业务需求的深化和业务场景的扩展，企业对业务分析结果的时效性及专业度也提出了更高的要求。在这一背景下，传统Excel工具的短板愈发明显，加之市面上各种统计分析工具的盛行，促使我开始了新一轮的“转型升级”。
2018 年年初，我开始尝试一些当下流行的数据分析工具，在粗略地比较、学习了一番之后，我越发地感受到 Power BI 带给我的震撼。其大规模的数据量级、精准的业务定义、炫酷的视觉展现，既能很好地发挥我现有的业务分析的专长，又能完美解决现有分析工具的各种痛点。动态、交互、钻取的分析模式，“高大上、接地气”的可视化分析模型，完美地契合了业务人员的分析需求，既有“面子”又有“里子”，让我认定这就是我多年来一直苦苦寻找的那个它。
接下来我开始专攻 Power BI。学习的道路是美好而辛苦的，我平均每晚花费 3 小时左右，学习该领域的国内外众多顶级 Power BI 专家的书籍、文章及视频，并仿照其中的案例，尝试将其应用在多年积累的零售业务场景中，在学中做、在做中学。暂时解决不了的问题，我会有针对性地搜索相关文章或是请教各路“大神”，直至将其突破。随着解锁的零售业务场景的增加，我的 Power BI 水平也在飞速提升。
2020 年我参加了微软“第三届 Power BI 可视化大赛”。借着大赛的机会，我潜心研究了国内外众多的 Power BI 优秀作品，并将之前做过的各种零售业务场景进行了系统的整理和提炼。当时也是抱着冲击奖项的目的，我精心设计模型的总体架构及每一个应用场景，不断“打磨”作品中的每一个细节，最终经过众多国内外专家的层层筛选，有幸获得零售行业特别奖，作品也被微软收录进了“赋能全员 引领数据驱动的企业文化转型”官方文档。这次获奖，也进一步增强了我在这个领域深耕的信心和决心，帮助我对自身做了清晰的定位，促使我不断深入研究 Power BI 零售数据分析这一领域。
在和一群志同道合的小伙伴深入学习交流后，我不断地将零售分析模型迭代、扩展，并在大家的鼓励和建议下，决定将自己在零售行业的经验积累及数据分析成果汇集成书，这样一方面是对自身知识体系的归纳总结，另一方面也可以惠及更多领域内的小伙伴。
经过近一年的撰写和修订，书稿如约完成。在这里，要特别感谢 Power BI 战友联盟的宗萌老师，在成书的框架结构、规范性及细节方面，他给予了很多有价值的意见和建议；也要感谢人民邮电出版社的郭媛老师及其他几位编辑老师，他们对书稿进行了非常专业的评审，提出了很多修改建议，他们的专业度及责任心令我由衷敬佩；同时也要感谢我的妻子和母亲，在我写书的过程中分担了很多家庭事务，让我可以心无旁骛地创作；还要感谢所有为我提供帮助的小伙伴！
书中的观点及构建的数据分析模型，仅代表我个人对零售数据分析领域的理解、积累和总结，不当之处欢迎您提出宝贵的意见和建议。同时，如果您在零售业务的实践中有新的场景和思路，我也非常乐于与您交流学习！
这个时代，以大数据为核心的新技术的迭代速度越来越快，对企业传统的业务分析模式的降维打击也越发强烈。当前，企业正在快速地“拥抱”数字化变革。个人唯有走出舒适区，不断提升自身数字化的思维能力和分析能力，以新的数字化工具为多年积累的业务经验保驾护航，才能在职业生涯的发展中处于领先地位。希望未来越来越多的小伙伴加入进来，通过 Power BI 的学习积累，在职场中的关键节点赢得先机。
前 言 传统零售数据分析的困局 传统的零售数据分析方法，通常是由数据分析师根据业务分析需求，将分散在各个业务系统中的历史数据导出到Excel表格，用Excel工具对数据进行加工处理，并将缺失的信息匹配完整后，进行数据透视，生成最终需要的分析报表。此种分析方法有以下几大弊端。
（1）报表制作花费时间过长，数据分析师几乎没有时间对报表结果进行高价值的业务分析。一个业务报表，80%～90%的时间花费在数据的收集、处理及数据结果的核对上，而对报表结果的深入挖掘只占10%～20%的时间。
（2）报表的可复用性较差。虽然日报、周报、月报的制作方法类似，甚至相似主题的分析报表其逻辑框架也基本相同，但很多企业的数据分析专员依然是每日重复相同的工作，即收集、整理数据及核对结果。长期来看，数据分析专员对企业产生的价值有限，自身能力毫无提升。
（3）处理的数据量级有限。使用Excel进行数据处理和分析，几万行的数据基本上毫无压力，但是当数据达到几十万行时，Excel的运行效率会显著下降，出现严重卡顿。而对于百万行量级的数据，由于超出了Excel工作表约 104 万行的限制，在Excel中甚至无法计算。在真实的企业环境下，如果分析得足够深入，比如分析销售额背后商品、会员、单据等数据的变化规律，或者分析的时间区间足够大，比如分析一整年或者数年的销售变化趋势，那么基础数据的量级很容易突破百万行。以上这些分析场景都是难以通过Excel处理的。
（4）分析的指标相对简单且数量有限。Excel 透视表中自带的分析指标只有求和、计数、平均值、最大值、最小值及统计中常用的方差、标准差等，对于业务逻辑稍微复杂的指标，需要在透视表外进行二次计算。比如对于单据数的计算，由于在销售表中单张单据可能包含多个商品，因此单据编号会重复出现，这样在计算单据数的时候，就不能简单地对单据编号计数，而要去重后再计数。在统计单据数的过程中，如果包含一些对于单据是否有效的判断逻辑，数据处理过程会更加复杂。
（5）在一些相对高级的 Excel 分析中，已经引入了比较成熟的模板概念，很好地解决了报表复用的问题。每次只要把新的数据追加到表格末尾，刷新后就会出现最新的分析报表，但这依然无法解决数据量大和分析指标简单、有限这些痛点。而且在将新数据追加到分析模型之前，往往需要对数据做一系列的前期处理工作，将基础数据进行聚合运算，分成几个主题后再进行追加。这样，一方面工作量会增加，另一方面，数据聚合的过程也会伴随着数据颗粒度（即数据的细化程度）的增大而无法进行深入分析。
（6）如果既要保持基础数据时间跨度足够大，又要数据颗粒度足够小，往往要借助IT的力量，使用数据库或数据分析软件。通常情况下，IT 人员擅长编写代码，对企业经营业务接触较少，IT人员做出的报表往往难以满足业务分析的需求，且一旦增加新的需求，分析周期也相对较长。这样，分析报表在专业度、时效性、灵活性等方面都会大打折扣。
正是基于对传统零售数据分析所存在的种种痛点的深刻反思，借助微软强大的商业智能分析软件 Power BI，我们搭建了一套零售行业通用业务模型，以辅助业务人员准确、高效地进行零售数据分析，助力推进企业的数字化进程。
成书背景介绍 本书中虚构了一家专营女装的大型服装公司，公司日常的分析工作主要集中在运营分析、商品分析和会员分析三大领域。随着市场竞争的加剧、业务需求的复杂化以及新型业务的不断增加，公司管理者对业务报表的专业度和时效性的要求也在不断提高。但是利用传统的数据分析工具及分析方法，业务人员每天要花费大量的时间从诸如 ERP、POS、SAP 等业务系统导出数据并进行数据清洗和整合，效率非常低；对于一些时间跨度较大或分析粒度过小的业务需求，数据量经常会超过单张 Excel 表格的限制，只能将数据按照某个维度拆分后分别进行分析；同一个业务指标，不同部门汇总上来的结果往往有或多或少的偏差；对于公司管理者提出的一些高级业务需求，比如购物篮分析，业务人员完全没有办法实现。
现有的数据分析工具及分析方法已经远远无法满足企业快速发展的需求，对散落在各个业务系统中的数据的高效整合，即时、专业、统一的业务报表及数据模型的构建，以及业务人员自主高效地通过拖曳来生成报表以解决一些临时的问题等，是企业数字化转型升级之路的迫切需求。基于对国内外商业智能分析工具的调研比较，笔者发现微软推出的 Power BI 能够非常完美地契合企业数字化转型的需求。本书将详细介绍利用 Power BI 搭建零售数据分析模型，以及运用数据分析模型指导企业业务运营的过程。
如何使用本书 不同于绝大多数讲解 Power BI 技术的图书，本书的侧重点是讲解Power BI 在零售行业内业务领域的实战。书中各章讲解的案例，“分”则是一个个独立的业务应用场景，“合”则是一整套前后衔接、逻辑清晰的零售业务解决方案。无论您是在零售行业打拼多年的职场“老兵”，还是 Power BI 的技术“达人”，抑或是入门 Power BI 数据分析的新人，本书都会为您现有的知识结构提供强有力的补充和帮助。
本书使用的数据源以及数据源中所包含的业务字段均经过了仔细的考量、筛选，能够涵盖绝大部分零售数据分析场景。在阅读本书之前，建议您首先在异步社区下载案例数据源，按照书中讲解的操作方法，边读边进行实操演练，从而加深理解。另外，我们还建立了零售数据分析学习交流群，通过扫描右侧的二维码即可入群学习、交流，探讨与零售业务相关的问题及与 Power BI 相关的技术问题，以不断拓展利用Power BI进行零售数据分析的各类应用场景。
最后，书中有几点可能会使您在阅读中产生一定的困惑，在此统一做说明。
（1）书中数据模型刷新日期是 2019年8月20日，所有的业务发生日期都是截至该日，所以很多趋势分析图表中2019年的数据并不完整，只有1月到8月的数据，这个是由以上业务设定所导致的，并非数据缺失。
（2）书中部分图表展示的数据，个体的总和与合计有微小差异，这是由于软件对展示的小数位数进行了四舍五入处理，并非数据计算有误。
（3）书中涉及“率”的公式，为了计算和表示方便，统一没有乘以 100%。
资源与支持 本书由异步社区出品，社区（https://www.epubit.com）为您提供相关资源和后续服务。
配套资源 本书提供以下资源：
● Excel数据源；
● PBIX 源文件。
您可以扫描右侧二维码并发送“60055”获取配套资源。
您也可以在异步社区本书页面中单击 ，跳转到下载界面，按提示进行操作即可。
提交错误信息 作者和编辑尽最大努力来确保书中内容的准确性，但难免会存在疏漏。欢迎您将发现的问题反馈给我们，帮助我们提升图书的质量。
当您发现错误时，请登录异步社区，按书名搜索，进入本书页面（见下图），输入错误信息，单击“发表 勘误”按钮即可。本书的作者和编辑会对您提交的错误信息进行审核，确认并接受后，您将获赠异步社区的100积分。积分可用于在异步社区兑换优惠券、样书或奖品。
与我们联系 我们的联系邮箱是contact@epubit.com.cn。
如果您对本书有任何疑问或建议，请您发邮件给我们，并请在邮件标题中注明本书书名，以便我们更高效地做出反馈。
如果您有兴趣出版图书、录制教学视频，或者参与图书翻译、技术审校等工作，可以发邮件给我们；有意出版图书的作者也可以到异步社区在线投稿（直接访问www.epubit.com/selfpublish/submission即可）。
如果您所在的学校、培训机构或企业，想批量购买本书或异步社区出版的其他图书，也可以发邮件给我们。
如果您在网上发现有针对异步社区出品图书的各种形式的盗版行为，包括对图书全部或部分内容的非授权传播，请您将怀疑有侵权行为的链接发邮件给我们。您的这一举动是对作者权益的保护，也是我们持续为您提供有价值的内容的动力之源。
关于异步社区和异步图书 “异步社区 ”是人民邮电出版社旗下IT专业图书社区，致力于出版精品IT技术图书和相关学习产品，为作译者提供优质出版服务。异步社区创办于2015年8月，提供大量精品IT技术图书和电子书，以及高品质技术文章和视频课程。更多详情请访问异步社区官网https://www.epubit.com。
“异步图书 ”是由异步社区编辑团队策划出版的精品IT专业图书的品牌，依托于人民邮电出版社近40年的计算机图书出版积累和专业编辑团队，相关图书在封面上印有异步图书的LOGO。异步图书的出版领域包括软件开发、大数据、人工智能、测试、前端、网络技术等。
异步社区
微信服务号
第1章 零售数据分析概述 零售行业，作为和消费者联系最为紧密的行业之一，在人们的日常生活中占有举足轻重的地位。不管零售企业（以下简称企业）销售何种商品，其内在的业务模式都是类似的，就是利用现有的商业渠道，将商品卖给消费者，从中获利。这种业务模式中关键的3个要素就是人、货、场。人，主要是指消费者。企业的目标客群是谁？我们的商品到底卖给哪类客群？概念虽然简洁、易懂，对客群的选择却是企业最为重要的战略。客群定位关系到企业的发展方向，甚至“生死存亡”。货，就是企业经营的商品。目标客群确定后，就要配置满足目标客群需求的商品。货客匹配，两者相互促进，企业才能蓬勃发展；货客不匹配，必易导致目标客群不满、商品滞销，恶性循环，甚至会使企业逐渐没落以致衰亡。场，即销售渠道。传统销售渠道为线下实体店，新兴销售渠道则是各种电商平台。
零售数据分析，就是围绕人、货、场三大要素，对企业经营活动中产生的各种数据，从多种业务维度进行分组、汇总，生成具有业务价值的指标；通过比较分析，发现在业务开展过程中存在的与目标的差距及潜在的问题，为管理者的业务决策提供数据支持，达到风险管控及规范企业经营管理的目的。
1.1 零售行业核心指标含义 以人、货、场为基础，一个相对完整的零售数据分析体系通常包含一系列业务指标及分析场景。其中业务指标按照类型分为：运营类业务指标、商品类业务指标、会员类业务指标。本书选取使用频率相对较高并对销售业绩产生重要影响的指标，作为零售行业核心指标进行重点讲解。本书涉及的金额类指标，单位统一为“元”；数量类指标，单位根据汉语语言环境确定，为“个”“件”“岁”等。图 1-1所示为对零售行业核心指标进行的划分。
图1-1 零售行业核心指标
1.1.1 运营类业务指标 常用的运营类业务指标划分为 4 类，共16个核心指标，即图1-2中标注蓝色的16个指标；标注绿色的为非核心指标，用于在核心指标间建立关系。运营类业务指标间的依赖关系如图1-2所示。
图1-2 运营类业务指标间的依赖关系
1．业绩指标 业绩指标主要指直接体现销售业绩的指标，包括销售额、利润、销售目标、销售完成率、折扣率等。
● 销售额 ，是指顾客购买商品支付的金额，是企业销售业绩最直接的体现，也是绩效考核的重要依据。销售额是结果性指标，只反映最终结果，无法对导致结果的原因进行判断。
● 毛利润 ，是指销售额减去主营业务成本后的余额。此处我们只考虑商品销售额减去商品进货成本后的利润，不涉及财务领域的各种费用及税金。毛利润是企业经营成果的综合反映，是绩效考核的重要依据。
● 销售目标 ，是根据企业未来经营策略、门店历史销售额、门店租金、预期的外部市场环境等因素综合测算后制定的门店销售额的目标。销售目标可分解为年度目标、月度目标、单日目标、时段目标以及店员个人目标。
● 销售完成率 ，是指实际销售额占销售目标的百分比，是企业销售业绩的最终体现，也是绩效考核的重要依据。其计算公式为：销售完成率 = 销售额 ÷ 销售目标。需重点关注各关键时间区间的销售完成率，包括年度完成率、月度完成率、日完成率、时段完成率、个人完成率。
● 折扣率 ，是指实际销售额占吊牌金额的百分比。其计算公式为：折扣率 = 销售额 ÷ 吊牌金额。折扣率在很大程度上反映了企业整体经营方向。经常性的打折策略虽然可能会在短期内对销量有较大提升，但同时会降低客户的信任度，尤其是忠诚客户对品牌的信任度，长期来看会降低企业的品牌价值及在行业内的影响力。所以企业要想永续经营必须控制折扣率。
2．四核指标 四核指标即单据数、客单价、件单价、连带率。四核指标是对销售额使用杜邦分析法进行分解时常用的二级指标。
● 单据数 ，是指销售的单据数量。单据既包括正常的销售单据，也包括退换货单据。退换货单据对企业的业绩增长未起到任何正向作用。因此，计算单据数时，退换货单据通常不能作为企业的有效单据。不同企业的业务关注点不同，有效单据数的计算逻辑也略有差异。
● 客单价 ，是指单张单据的平均购买金额。其计算公式为：客单价 = 销售额 ÷ 单据数，或者客单价 = 件单价 × 连带率。客单价是导购销售能力的集中体现。销售能力包括连带销售能力及高单价商品推荐能力。
● 件单价 ，是指单件商品的平均销售额。其计算公式为：件单价 = 销售额 ÷ 销量，或者件单价 = 吊牌价 × 折扣率。其中，吊牌价是由品牌定位决定的，同时要关注竞争对手，有策略地提高或降低吊牌价；折扣率由阶段性、策略性的活动力度决定。这两者共同决定了商品在不同销售阶段的件单价。
● 连带率 ，是指单张单据的平均商品销量。其计算公式为：连带率 = 销量 ÷ 单据数。连带率反映了企业内部对产品的规划能力、产品搭配组合的设计能力、企业连带话术的培训能力、陈列师和门店导购的执行力，是企业系统化的管理能力和执行力的集中体现。
3．三效指标 三效指标即店效、坪效、人效，它们是进行经营效率分析的3个重要维度。
● 店效 ，是指单店平均销售额。其计算公式为：店效 = 销售额 ÷ 门店数量。店效主要用于区域对比及时间对比。区域间由于门店数量不同，对比总销售额并不直观，通常会选择店效进行对比分析。由于通常各年度门店数量不同，对销售业绩进行同期对比时，根据业务场景需要也会选择店效进行年度间的纵向比较。
● 坪效 ，是指单位面积平均销售额。其计算公式为：坪效 = 销售额 ÷ 门店面积。坪效主要用于门店间单位面积销售贡献度的比较以及门店内部各区域/各货架销售贡献度的比较，是增减门店面积、调整卖场陈列、增减品类及 SKU 的重要依据。
● 人效 ，是指平均每位店员的销售额。其计算公式为：人效 = 销售额 ÷ 店员人数。人效主要用于门店间单个店员销售贡献度的比较，是增减店员及雇用临时店员的重要依据。关于门店的人员配置，门店面积是参考因素之一，更重要的是依据门店的销售额。销售额高的门店，即使面积小，也要配置更多店员，这样既可减少单个店员的工作负荷，也可减少因人手不够而导致的问题；销售额低的门店，即使面积大，也要在不影响门店正常运转的基础上将店员人数控制在最少范围内。
4．拓展指标 拓展指标是指和门店数量相关的指标，包括门店数、开店数、关店数、净增店数等。
● 门店数 ，是指历史开设的门店数量，包括营业门店数及关店数。
● 开店数 ，是指开店日期在统计期间的门店数量。
● 关店数 ，是指撤店日期在统计期间的门店数量。
● 净增店数 ，是指统计期间开店数减去关店数，即净增加的门店数量。
1.1.2 商品类业务指标 常用的商品类业务指标分为 3 类，共8个指标。
1．动销指标 动销指标主要用于衡量商品的畅销程度，包括售罄率和动销率。
● 售罄率 ，是指一段时间内商品的销量占总入库数量的百分比，是衡量商品畅销与否的重要指标。其计算公式为：售罄率 = 销量 ÷ 入库数量。售罄率用于单品间的对比、相同品类本期及同期对比、区域或单店间的横向对比等。
售罄率分为公司售罄率和区域售罄率。
公司售罄率，是指销量占公司进货数量的百分比，重点考核品类或单品在整个公司内的整体销售表现。其计算公式为：公司售罄率=销量÷总仓入库数量。
区域售罄率，是指销量占门店累计发放数量的百分比，重点对比品类或单品在单店或区域间的销售差异，作为单品在区域间调拨流转的重要依据。区域售罄率也用于门店或区域间的整体对比，用于考核商品管理人员的商品调配能力。其计算公式为：区域售罄率=销量÷门店入库数量。
通过对单品进行售罄率排名，结合单品所处生命周期阶段，确定畅滞销单品，并辅以相应的销售策略，包括补单、增发、调拨、让利促销，使销售额最大化。
● 动销率 ，是指有销售的单品数占总单品数的百分比。动销率分为门店商品动销率和单品门店动销率。
门店商品动销率，是指门店有销单品数占门店入库单品数的百分比。其计算公式为：门店商品动销率 = 门店有销单品数 ÷ 门店入库单品数。门店商品动销率是评价门店各品类有效单品数的重要指标，反映了门店整体商品质量的高低。门店商品动销率高说明门店商品整体实卖性较强，与门店客群匹配度较高；门店商品动销率低说明滞销品相对较多或者商品与门店客群不符。门店商品动销率也不是越高越好，动销率过高可能意味着门店单品数相对偏少，顾客可选择范围较小，可通过调整品类宽度增加单品，给顾客更多选择空间，从而提升顾客满意度，增加门店销售额。
单品门店动销率，是指某款单品产生销售的门店数量占经营该款单品的门店数量的百分比。其计算公式为：单品门店动销率 = 单品有销门店数 ÷ 单品铺货门店数。单品门店动销率是考查单品在门店中的销售表现、评价单品适销度的重要指标。
2．库存指标 库存指标主要用于衡量企业从商品入库到售出各环节的管理效率，主要包括周转率、库销比、断码率等。
● 周转率 ，是指商品从入库到售出所经过的时间和速度，是衡量和评价企业从商品入库到售出各环节管理状况的综合性指标，分为周转次数和周转天数。
周转次数，是指在一段时间内库存商品周转的次数。其计算公式为：周转次数 = 计算期销售成本 ÷ 平均库存成本。其中，平均库存成本 = (期初库存成本 + 期末库存成本)÷ 2。
周转天数，是指库存周转一次所需的天数。其计算公式为：周转天数 = 计算期天数 ÷ 周转次数。
● 库销比 ，是指在没有补货的前提下，门店的剩余库存按照之前统计期间的销售水平，理论上还可以卖多少个统计期间。其计算公式为：库销比 = 期末库存数量 ÷ 期间销量。库销比主要用于评估门店期末库存的数量是否合理。库销比高于公司设定标准表示库存数量偏多，库销比低于公司设定标准表示库存数量偏少。通过门店日常补货及调拨工作将库销比维持在一定区间，保持库存的合理性。
● 断码率 ，是指断码的单品数占总单品数的百分比。通常某款商品的核心尺码如果齐全，则称为齐码，否则称为断码。核心尺码的定义根据不同企业、不同品类、不同地域会略有差别。断码率是反映商品管理水平和调配效率的重要指标，可以分为门店断码率和单品断码率。
门店断码率，是指门店所有的单品中，断码的单品数占总单品数的百分比。其计算公式为：门店断码率=门店断码单品数÷门店有库存单品数。
单品断码率，是指针对某一个特定单品，在所有经营该单品的门店中，断码的门店数占总经营门店数的百分比。其计算公式为：单品断码率=单品断码门店数÷单品有库存门店数。
3．关联指标 产品关联度，是指产品组合在顾客的购物单据中出现的概率，综合评价关联度的关联指标有支持度、置信度、提升度。
● 支持度 ，是指同时包含产品 A 和产品 B 的单据数占总单据数的百分比。支持度描述的是产品组合与整体的关系，反映了产品组合的重要程度。
● 置信度 ，是指包含产品 A 的单据中同时也包含产品 B 的百分比，即同时包含产品A和产品B的单据占包含产品A的单据的百分比。置信度描述的是个体与个体的关系，反映了产品关联规则的准确程度。
● 提升度 ，是指包含产品 A 的单据中同时包含产品 B 的百分比与包含产品 B 的单据百分比的比值，即在购买产品 A 的情况下，购买产品 B 的概率是否大于只考虑购买产品 B 的概率，考查在产品 A 的影响下，产品 B 的购买率是否会有所提升。
1.1.3 会员类业务指标 常用的会员类业务指标分为 4类，共10个核心指标。选取其中9个指标建立指标间的依赖关系，即图1-3中标注蓝色的9个指标；标注绿色的非核心指标，用于在核心指标间建立关系。会员类业务指标间的依赖关系如图1-3所示。
图1-3 会员类业务指标间的依赖关系
1．存量指标 存量指标主要用于对企业现有会员进行分析，主要包括会员数量、有消会员数量、会员消费占比等。
● 会员数量 ，是指截至统计时点所有开卡的会员数量。会员数量是企业的资产，是企业长久经营的重要保证。会员数量包括开卡消费会员数量和开卡未消费会员数量。会员管理的重要工作就是激活开卡未消费会员产生消费，并使之成为企业的活跃会员。
● 有消会员数量 ，是指统计期间产生消费的会员数量。规模可观且数量稳定的活跃会员是企业销售业绩稳定、有效抵御外部风险的重要保证。
● 会员消费占比 ，是指会员产生的销售额占总销售额的百分比。其计算公式为：会员消费占比 = 会员销售额÷销售额。会员消费占比是考核企业会员管理工作的重要指标。只有将来店消费的客户发展成会员，才有极大可能在后期与其互动，提升会员满意度，最大限度地挖掘会员的终身价值。
2．新增指标 新增指标主要用于对企业拉新的会员进行分析，主要包括新会员数量、有消新会员数量、新会员有消占比等。
● 新会员数量 ，是指开卡日期在统计期间的会员数量，重点考查门店会员拉新工作的执行结果。新增会员是门店未来业绩增长的重要来源。
● 有消新会员数量 ，是指首次消费日期在统计期间的会员数量，重点考查门店会员拉新工作的执行质量。只有真正产生消费的新会员才是门店的有效新会员。
● 新会员有消占比 ，是指在新增会员中，产生消费的会员数量占比。其计算公式为：新会员有消占比 = 有消新会员数量 ÷ 新会员数量。新会员有消占比重点考查门店会员拉新工作的执行质量。新会员数量及新会员有消占比这两个指标值均高的门店，才是门店会员拉新工作执行到位的门店。
3．复购指标 复购指标主要用于对企业老会员的消费及复购进行分析，主要包括老会员数量、复购率等。
● 老会员数量 ，是指首次消费日期早于统计期间且在统计期间内产生消费的会员数量。在当前客流量不断被分化的大环境下，获取新会员的难度及成本越来越高。聚焦现有会员的复购，挖掘老会员的终身价值，才是企业最大的课题。
● 复购率 ，是指在统计期间消费 2 次及以上次数的会员数量占统计期间有消会员数量的百分比。其计算公式为：复购率=有消会员数量(消费2次及以上) ÷有消会员数量。复购率是会员管理的核心指标。只有不断提升产品品质，提升顾客的购物体验，配合精准的数据分析，在恰当的时间对恰当的会员进行二次激活，才能最大限度地提高复购率，保持企业业绩的稳定增长。
4．流失指标 流失指标主要用于对已流失及即将流失的会员进行分析，主要包括流失会员数量及流失率等。
● 流失会员数量 ，是指会员最后一次消费日期距统计期间的起始日期超过 N 天的会员数量。根据行业不同，未消费天数 N 的取值也有很大差异。消费频率较高的产品，可能 1～2个月未再次消费的会员即被定义为流失会员；而消费频率较低的产品，可能 1～2 年未再次消费的会员才被定义为流失会员。
● 流失率 ，是指基期有过消费但在统计期间流失的会员数量占基期有消会员数量的百分比。其计算公式为：流失率 = 流失会员数量 ÷ 基期有消会员数量。任何品牌都不能满足所有客群，所以一定的会员流失率是正常的。我们要做的是，一方面，找到会员即将流失的时点，及时进行唤回；另一方面，在进行预流失唤回时，如果资源有限，重点针对历史消费金额及消费频率相对较高的会员，对于历史消费金额小或者消费频率低的会员，唤回概率通常很小，可以酌情放弃。
1.2 零售行业常用业务场景 本节从运营、商品、会员3个板块介绍零售行业经常使用的业务场景，包括各场景的场景描述、涉及的指标及分析维度，并配以相应的可视化图表辅助读者理解。需要注意的是，每一个业务场景，其展示效果的本质都是一张或数张数据透视表，可用多种方法对其进行可视化展示，使用的指标及维度也可根据业务的需求略有不同。本节仅起到抛砖引玉的作用，辅助您梳理业务分析框架、拓展分析思路和了解分析方法。在后面的章节中，我们会精选部分业务场景，详细讲解其业务分析技术实现的方法。
1.2.1 运营板块业务场景 运营板块主要包括区域分析、单店分析、销售预测、开关店分析 4 个主要业务场景，如图 1-4 所示。
1．区域分析 ● 场景描述 ：对比企业各区域整体销售绩效，找到业绩贡献的相对落后成员。图 1-5 展示了报表刷新日（即报表数据更新日期）各区域核心指标本期和同期的业绩表现。
● 指标 ：门店数、销售额、同期销售额（销售额 PY）、销售额同比增长率（销售额 YOY%）、销售额占比、同期销售额占比（销售额占比 PY）、销售额占比同比增长值（销售额占比 YOY）、店效、销售完成率、折扣率、同期折扣率（折扣率 PY）、折扣率同比增长值（折扣率 YOY）。
● 维度 ：区域、省份；时间区间作为切片器。
图1-4 运营板块业务场景
图1-5 区域整体销售对比
● 场景描述 ：对于销售异常的区域，通过指标拆分进一步对比影响销售额的核心二级指标，看看到底是哪些二级指标导致业绩偏差。图 1-6展示了报表刷新日各区域核心二级指标本期和同期的业绩表现。
● 指标 ：单据数、同期单据数（单据数 PY）、单据数同比增长率（单据数 YOY%）、客单价、同期客单价（客单价 PY）、客单价同比增长率（客单价 YOY%）、件单价、同期件单价（件单价 PY）、件单价同比增长率（件单价 YOY%）、连带率、同期连带率（连带率 PY）、连带率同比增长率（连带率 YOY%）。
● 维度 ：区域、省份；时间区间作为切片器。
图1-6 区域二级指标销售对比
● 场景描述 ：从年度视角整体把握各核心指标在各月的变化趋势。图 1-7展示了2019年1～8月公司各核心指标本期和同期的月度趋势（销售完成率无同期数据）。
● 指标 ：销售额、同期销售额（销售额 PY）、销售完成率、折扣率、同期折扣率（折扣率 PY）、客单价、同期客单价（客单价 PY）、连带率、同期连带率（连带率 PY）、单据数、同期单据数（单据数 PY）。
● 维度 ：月份；年份、区域、省份、城市作为切片器。
图1-7 核心指标年度各月趋势同期对比
● 场景描述 ：关注核心指标在近期的变化趋势，以便在发现趋势异常的第一时间恰当应对。图1-8展示了2019年8月公司各核心指标的日趋势同期对比。
● 指标 ：折扣率、同期折扣率（折扣率 PY）、客单价、同期客单价（客单价 PY）、连带率、同期连带率（连带率 PY）、单据数、同期单据数（单据数 PY）。
● 维度 ：日期；区域、省份、城市作为切片器。
图1-8 核心指标当月日趋势同期对比
● 场景描述 ：奖励先进门店，鞭策落后门店，并进一步找到优秀门店销售业绩占比较高的商品是哪些，为落后门店提供参考。图1-9 展示了报表刷新日近30日内营销四区各门店销售排名以及销售额构成。
● 指标 ：销售额、销量、销售额占比。
● 维度 ：区域、门店名称、季节、新老品、品类、单品；时间区间作为切片器。
图1-9 门店销售额排名及销售额构成
● 场景描述 ：“前线打得轰轰烈烈，后勤粮草供应也要跟上”。通过各区域品类的销存对比，找到可能的缺项品类以及针对某个品类可能存在库存不足的区域。图 1-10展示了报表刷新日各区域各品类销量占比及期末库存数量占比。
● 指标 ：销量占比、期末库存数量占比。
● 维度 ：区域、品类；时间区间作为切片器。
图1-10 区域品类销存占比
2．单店分析 参照区域分析的核心指标年度各月趋势对比。
参照区域分析的核心指标当月日趋势对比。
● 场景描述 ：“仗打得好坏，装备的种类、质量、数量至关重要”。从商品层面深入剖析门店销售偏差到底是由哪些品类导致的，是发放的款色数不足还是发放的款本身质量较差，从而有针对性地补充和调整。图 1-11 展示了 2019 年初至报表刷新日某门店新品动销率对比，新品款色数及销售额本期和同期的对比，其中，新品动销率对比图中的虚线代表各个品类新品的平均动销率是83.78%。
● 指标 ：动销率、款色数、同期款色数、销售额、同期销售额。
● 维度 ：品类；门店名称、时间区间作为切片器。
图1-11 某门店新品动销率对比、新品款色数同期对比、销售额同期对比
● 场景描述 ：聚焦门店业绩占比较大的主力单品，重点关注其库存情况，及时补货或者寻找替代品。图 1-12 展示了某门店打底裤品类在报表刷新日前7日的畅销款入库、销售及库存情况。
● 指标 ：到店日期、首次销售日期、总销售周数、销售额、销量、累计销量、售罄率、入库数量、期末库存数量、在途库存数量、库存可销天数。
● 维度 ：产品 ID、品类；门店名称、时间区间作为切片器。
图1-12 单店畅销款排名
3．销售预测 ● 场景描述 ：年度目标的设定和完成是企业最重要的任务之一，决策者通过比较年初制定的目标和当前已完成的目标，对年度未来日期的目标进行预测和调整，实时动态拟合年度目标的达成情况，从而更加轻松、高效地管理年度目标及未来调改方向。图 1-13 展示了公司截至报表刷新日的实际销售额，按照当前增长趋势到年底所能达到的销售额预测值，以及按照决策者的期望增长率到年底的销售额期望值。销售预测（客观预测）和销售期望（主观设定目标）的差距促使决策者在当前进行战略调整，从而最大限度达成销售期望。
● 指标 ：销售目标、销售额、同期销售额（销售额 PY）、预测销售额、本年至今累计销售额（销售额 YTD）、同期年度至今累计销售额（销售额 YTD PY）、年度累计预测销售额-按最后报表日（销售额 预测 YTD按最后报表日）、年度累计预测销售额-按预期增长率（销售额 预测 YTD按预期增长率）、全年销售目标（销售目标 CFY）、同期全年销售额（销售额 PFY）、全年预测销售额（销售额 预测 CFY）。
● 维度 ：月份；年份、区域、省份、城市、门店名称作为切片器。
图1-13 年度销售预测
● 场景描述 ：未来 N 天销售预测及业务调整给出了应该在哪些点发力，以及各个发力点应达成的目标，使得业务人员想尽一切方案实现每一个发力点的既定目标。图 1-14 展示了公司报表刷新日前 30 天的各项指标完成情况，按照目前的增长态势预测未来 30 天的销售完成率，以及针对各项指标采取相应的业务策略后，最终可能达到的销售完成率，从而指导业务人员有针对性地采取动作。
● 指标 ：销售额、单据数、客单价、件单价、连带率、吊牌单价、折扣率、销售完成率、销售额同比增长率（销售额YOY%）。
● 维度 ：区域、省份、城市、门店名称作为切片器。
图1-14 未来 N 天销售预测
4．开关店分析 ● 场景描述 ：开关店是快速改变市场份额的重要手段，通过对比新开店数及净增店数，预测区域发展战略能否按照既定目标实现。图 1-15 对比了各区域 2019 年初至报表刷新日的开关店及门店数详情。
● 指标 ：年初门店数、本期开店数、本期关店数、本期净增店数、期末门店数。
● 维度 ：区域、省份；时间区间作为切片器。
图1-15 开关店及门店数详情
1.2.2 商品板块业务场景 ● 维度 ：品类；区域、省份、城市、时间区间作为切片器。
商品板块主要包括采购入库分析、销售结构分析、新品售罄分析、畅销款分析、关联性分析 5 个主要业务场景，如图 1-16 所示。
图1-16 商品板块业务场景
1．采购入库分析 （1）新品采购宽度/深度分析
● 场景描述 ：宽度是指产品的款色数，表示产品的丰富程度，深度则是指产品单款的平均采购数量。一个相对成功的产品配置方案是在保证产品丰富程度的基础上确保核心产品备货充足。图1-17展示了2019年春夏两季各个品类本期和同期的入库款色数及单款平均入库数量。
● 指标 ：款色数、同期款色数（款色数 PY）、单款平均入库数量、同期单款平均入库数量（单款平均入库数量 PY）。
● 维度 ：品类。
图1-17 新品采购宽度/深度同期对比
（2）入库数量分析
● 场景描述 ：品类累计入库数量趋势对比。图1-18展示了新品总仓累计入库数量趋势对比。
● 指标 ：入库数量、同期入库数量（入库数量 PY）。
● 维度 ：日期；品类作为切片器。
图1-18 新品总仓累计入库数量趋势对比
2．销售结构分析 （1）季节销售额占比分析
● 场景描述 ：商品是应季的还是反季的，季节交替时是否能够根据气温变化灵活高效进行相应产品的配置。图1-19展示了2019年8月当月各季节产品本期及同期的销售额占比。
● 指标 ：销售额占比、同期销售额占比（销售额占比 PY）。
● 维度 ：季节；区域、省份、城市、时间区间作为切片器。
图1-19 季节销售额占比同期对比
（2）品类销售额分析
● 场景描述 ：对比各品类本期销售额和同期销售额是否存在较大偏差，快速锁定异常品类。图1-20展示了2019年8月当月各品类产品本期及同期的销售额。
● 指标 ：销售额、同期销售额（销售额 PY）。
图1-20 品类销售额同期对比
（3）新老品销售额占比分析
● 场景描述 ：既要充分发挥新品价值，也要合理利用老品，使合适的商品出现在合适的门店，保证新老品都能发挥自身价值。图1-21展示了2019年8月当月新老品的销售额占比。
● 指标 ：销售额占比。
● 维度 ：新老品；区域、省份、城市、品类、时间区间作为切片器。
图1-21 新老品销售额占比对比
（4）各品类ABC分类款色数占比分析
● 场景描述 ：快速诊断各品类销售结构是否符合健康的“二八法则”。图 1-22展示了 2019 年春夏两季各品类商品整体的销售额以及品类内部 ABC分类商品的款色数占比（X 轴长度代表销售额大小）。
● 指标 ：销售额、款色数占比。
● 维度 ：品类、ABC 分类；区域、省份、城市字段作为切片器。
图1-22 各品类ABC分类款色数占比对比
（5）价格段分析
● 场景描述 ：对比各价格段的款色数占比及销售额占比。图 1-23展示了2019年连衣裙品类各价格段产品的款色数占比及销售额占比。
● 指标 ：款色数占比、销售额占比。
● 维度 ：价格段；区域、省份、城市、品类作为切片器。
图1-23 各价格段款色数占比及销售额占比对比
3．新品售罄分析 （1）新品销量及区域售罄率结构对比
● 场景描述 ：横向对比各个品类本期及同期的销量及区域售罄率，快速锁定区域售罄率偏差较大的品类。图1-24对比了 2019 年春夏两季各品类商品本期及同期的销量和区域售罄率。
● 指标 ：销量、同期销量（销量 PY）、区域售罄率、同期区域售罄率（区域售罄率 PY）。
● 维度 ：品类；区域、省份、城市作为切片器。
图1-24 新品销量及区域售罄率同期对比
（2）新品区域售罄率周趋势对比
● 场景描述 ：关注具体品类区域售罄率变化趋势，出现拐点时及时予以关注。图 1-25展示了 2019 年半身裙品类本期和同期的区域售罄率趋势。
● 指标 ：区域售罄率、同期区域售罄率（区域售罄率 PY）。
● 维度 ：周数；年份、品类、区域、省份、城市作为切片器。
图1-25 新品区域售罄率周趋势同期对比
（3）新品销售额/区域售罄率/折扣率综合分析
● 场景描述 ：根据销售额、区域售罄率及折扣率对各品类进行定位，为各品类的调整计划提供参考依据。图1-26展示了对2019年春夏两季各品类新品按照销售额、区域售罄率及折扣率进行的综合分析。其中，X轴表示区域售罄率，Y轴表示销售额，散点大小表示折扣率。
● 指标 ：销售额、区域售罄率、折扣率。
● 维度 ：品类；区域、省份、城市作为切片器。
图1-26 新品销售额/区域售罄率/折扣率综合分析
4．畅销款分析 （1）品类销售额前 N 排名
● 场景描述 ：不仅要找到畅销品，而且要清楚其库存现状，是否存在门店缺货风险或是总仓库存不足，需要补单或者寻找替代品的情况。图1-27展示了半身裙品类报表刷新日销售额前10的单品，并对比了其累计销量、入库及库存情况等。
● 指标 ：入库日期、到店日期、首次销售日期、总销售周数、销售额、销量、累计销量、折扣率、公司售罄率、区域售罄率、入库数量、总仓库存、门店库存。
● 维度 ：品类、产品 ID；区域、省份、城市、时间区间作为切片器。
图1-27 品类销售额前10排名
（2）畅销款门店销售明细
● 场景描述 ：对于某款畅销品，检查其在各个门店的销售和库存分布情况，重点锁定有销售但库存不足及无销售但库存充足这两类异常门店，及时进行店间调拨。图 1-28 展示了某款畅销品本周至今的销量在各个门店的分布明细，以及入库、库存情况。
● 指标 ：到店日期、销售额、销量、累计销量、折扣率、区域售罄率、门店库存数量、门店入库数量。
● 维度 ：产品 ID、门店名称；品类、区域、省份、城市、时间区间作为切片器。
图1-28 畅销款门店销售明细
5．关联性分析 （1）品类关联分析
● 场景描述 ：购买了某个品类的顾客或单据中，同时购买另一个品类的概率。重点探索品类间的相关性关系。图 1-29以置信度、支持度和提升度的具体数值展示了各品类与女士防寒服的关联性。
● 指标 ：单据数、置信度、支持度、提升度。
● 维度 ：品类；区域、省份、城市、时间区间作为切片器。
图1-29 品类关联分析
（2）单品关联分析
● 场景描述 ：购买了某个单品的顾客或单据中，同时购买另一个单品的概率。通过单品关联分析，找到和目标单品关联性较大的商品。通常选择主推品或者畅销品进行单品关联分析。图1-30展示了防寒服品类的某款畅销品与其关联性较高的单品。
● 指标 ：单据数、置信度、提升度。
● 维度 ：品类、产品 ID；区域、省份、城市、时间区间作为切片器。
图1-30 单品关联分析
1.2.3 会员板块业务场景 会员板块包括会员结构分析、新增及复购分析、会员转化分析、RFM 分析 4 个主要业务场景，如图 1-31 所示。
图1-31 会员板块业务场景
1.会员结构分析 （1）会员性别、年龄分布
● 场景描述 ：展示门店会员基础信息。图 1-32 展示了会员整体的性别及年龄分布。
● 指标 ：会员数量占比。
● 维度 ：性别、年龄区间；区域、省份、城市作为切片器。
图1-32 会员性别及年龄分布
（2）会员消费等级分布
● 场景描述 ：分析会员对门店的历史价值贡献，将更多的精力用在贡献度较大的顾客上。图 1-33 展示了会员的消费等级分布。
● 指标 ：会员数量占比。
● 维度 ：会员消费等级；区域、省份、城市作为切片器。
图1-33 会员消费等级分布
（3）会员生命周期分布
● 场景描述 ：门店会员活跃程度，在很大程度上决定了门店的销售潜力。图 1-34 展示了会员的生命周期分布。
● 指标 ：会员数量占比。
● 维度 ：会员生命周期；区域、省份、城市作为切片器。
图1-34 会员生命周期分布
2．新增及复购分析 （1）新增会员趋势分析
● 场景描述 ：拉新是会员管理的关键指标，需要监控各时间区间新增会员的变化趋势。图 1-35展示了 2019 年各月（截至8月）新会员数量本期和同期的变化趋势。
● 指标 ：新会员数量、同期新会员数量（新会员数量PY）、新会员数量同比增长率（新会员数量 YOY%）。
● 维度 ：月份；年份、区域、省份、城市作为切片器。
图1-35 新会员数量趋势同期对比
（2）新会员/老会员/非会员消费人数趋势分析
● 场景描述 ：对比各时间区间消费顾客中，新会员、老会员、非会员的占比趋势。图 1-36展示了 2019 年各月（截至8月）新会员、老会员及非会员的数量占比变化趋势。
● 指标 ：新会员数量占比、老会员数量占比、非会员数量占比。
● 维度 ：月份；年份、区域、省份、城市作为切片器。
图1-36 新会员/老会员/非会员数量占比趋势对比
（3）老会员复购人数及复购率趋势分析
● 场景描述 ：复购是业绩增长的动力，门店要想尽一切办法通过产品及服务提升复购率。图 1-37展示了 2019 年各月（截至8月）复购人数及复购率的变化趋势。
● 指标 ：年平均动态复购人数、同期年平均动态复购人数（年平均动态复购人数 PY）、年平均动态复购率、同期年平均动态复购率（年平均动态复购率 PY）。
● 维度 ：月份；年份、区域、省份、城市作为切片器。
图1-37 年平均动态复购人数及复购率趋势同期对比
（4）会员区域销售对比
● 场景描述 ：综合对比各区域拉新及复购的效果。图1-38展示了 2019 年各区域会员数量、拉新及复购业绩。
● 指标 ：有消会员数量、同期有消会员数量（有消会员数量 PY）、有消会员数量同比增长率（有消会员数量 YOY%）、新会员数量占比，同期新会员数量占比（新会员数量占比 PY）、新会员数量占比同比增长值（新会员数量占比 YOY）、会员消费占比、年平均动态复购率。
● 维度 ：区域、省份；时间区间作为切片器。
图1-38 会员区域销售对比
3．会员转化分析 （1）会员消费次数转化分析
● 场景描述 ：消费N 次的会员，有多少会员会进行第 N +1 次消费，通过转化率的趋势分析，找到提升转化的关键发力点。图 1-39展示了某门店会员的消费次数转化率。
● 指标 ：会员数量。
● 维度 ：消费次数；区域、省份、城市作为切片器。
图1-39 会员消费次数转化漏斗
（2）会员首次消费与二次消费间隔天数分析
● 场景描述 ：进行二次消费的会员中，通过分析首次消费与二次消费的时间间隔是如何分布的，找到一个相对合适的时点对未二次消费的会员进行触达。图 1-40展示了某门店会员首次消费与二次消费的时间间隔分布。
● 指标 ：有消会员数量、首次消费与二次消费间隔天数累计人数占比。
● 维度 ：首次消费与二次消费间隔天数分组；区域、省份、城市作为切片器。
图1-40 会员首次消费与二次消费间隔天数累计人数帕累托分析
4．RFM分析 （1）RFM 各等级会员数量及销售额分布
● 场景描述 ：根据会员的最近一次消费距今时间、历史消费频率及历史消费金额对会员进行等级划分，针对不同等级的会员采取不同的营销策略。图 1-41 展示了 RFM 各等级会员的数量分布及销售额分布情况。
● 指标 ：会员数量占比、销售额占比。
● 维度 ：RFM 分类；区域、省份、城市作为切片器。
图1-41 RFM各等级会员数量占比及销售额占比
（2）会员消费次数分布
● 场景描述 ：分析门店会员的消费次数主要集中在什么范围，找到需要重点触达的客群。图 1-42 展示了各消费次数的会员数量占比及销售额占比。
● 指标 ：有消会员数量占比、销售额占比。
● 维度 ：消费次数；区域、省份、城市作为切片器。
图1-42 会员消费次数分布
（3）会员最后一次消费距今月数分布
● 场景描述 ：通过会员最后一次消费距今月数分布反映门店会员的活跃度水平。图 1-43 展示了会员最后一次消费距今的月数分布情况。
● 指标 ：有消会员数量、有消会员数量累计占比。
● 维度 ：最后一次消费距今月数；区域、省份、城市作为切片器。
图1-43 会员最后一次消费距今月数分布
1.3 零售行业常用数据分析模型 本节介绍在零售行业经常使用的8个用于定量分析的数据分析模型。
1.3.1 帕累托模型 帕累托模型，又称“ABC分析法”或者“二八法则”，是由意大利经济学家帕累托提出的。它指的是在任何一组事物中，通常最重要的部分只占到大约20%，而其余的80%尽管是多数，但却是次要的。例如：80% 的财富掌握在20%的人手中，80%的业绩通常来自20%的客户贡献等。
该模型运用在零售数据分析中，比如多门店连锁经营，可以分析重点门店的销售额对整个公司业绩的贡献程度，前20%的门店能否贡献 80%的业绩，或者 80% 的业绩是由前多少百分比的门店贡献的。重点门店业绩累计贡献占比过低，说明整个连锁系统缺少核心的标杆门店，无法形成强有力的品牌效应；贡献过高则说明销售过于集中在几家重点门店，其他门店和第一梯队差距过大，风险过于集中。而对门店进行 80/20 分类后，管理人员可以将有限的精力更加高效地分配在重点门店，产生最优价值。
针对产品也可以进行帕累托分析。比如具体到某个品类，80% 的销售业绩是否由前 20% 的产品贡献。如果贡献 80% 业绩的产品占比明显高于 20%，说明订货偏向保守，具有畅销款潜质的产品未加深定量；如果小于或等于20%，除非重点单品真的是匠心独运的优质商品，否则说明订货略显激进，销售业绩都集中在了前几款产品上，存在较大风险。图1-44展示了卫衣品类各款色的销售额及累计销售额占比，共计20个款色。其中前7个款色累计销售额占比65%，款色数占比35%，属于重点单品，较好地契合了“二八法则”。
图1-44 卫衣销售额帕累托分析
1.3.2 波士顿矩阵模型 波士顿矩阵，又称“四象限分析法”，由美国著名的波士顿咨询公司创作。它的主要思想是，在分析事物时，从两个不同的维度着手考虑，通过两个维度的相互作用，产生4种不同的类型，从而将事物划分在4个象限中，针对不同象限中的事物采取不同的策略。
比如进行产品分析时，可以按照市场占有率和销售增长率将产品划分在4个象限中。市场占有率和销售额增长率均高于平均水平的产品，叫作明星类产品；市场占有率和销售额增长率均低于平均水平的产品，叫作瘦狗类产品；市场占有率低、销售额增长率高的产品叫作问题类产品；市场占有率高、销售额增长率低的产品叫作金牛类产品。
该模型运用在零售数据分析中，可以通过各个品类的销售额和售罄率对各品类进行定位。图 1-45展示了对各个品类按照销售额和售罄率进行的四象限划分。处在右上方象限的是核心大品类，销售额高且售罄率保持良好，后期需保持品类宽度和深度的稳定；处在右下方象限的品类售罄率较高，但销售额偏低，后期需适度增加品类的宽度和深度，“做大”品类，提升销售额；处在左上方象限的品类售罄率相对偏低、销售额较高，后期在订货时需精选款色，适度压缩品类的宽度和深度；处在左下方象限的品类，销售额及售罄率均偏低，后期订货时需减少单款订量，精选款色、精选门店发放。
图1-45 品类销售额/售罄率综合分析
针对会员的新增及流失分析，也可以运用波士顿矩阵模型。图1-46展示了将各城市按照新会员数量占比和预流失会员数量占比划分的4个象限。会员管理较好的城市是处在右下方象限的城市，新会员占比相对偏高，预流失会员占比相对偏低；会员管理相对较差的城市是处在左上方象限的城市，新会员占比偏低，预流失会员占比偏高。
图1-46 各城市新会员及预流失会员综合分析
1.3.3 购物篮模型 购物篮模型是用来进行商品间关联性分析的经典模型。它通过研究客户的购买行为，找到同一个购物篮中出现频率相对较高的产品组合，从而挖掘出客户群体购买习惯中隐藏的共性和规律。运用这一规律，指导后期的业务策略，从而将这一规律主动性地放大，达到 1 + 1 > 2 的效果。比如经典的“啤酒+尿布”，以及超市中经常看到的“泡面+火腿肠”“贡丸+牛羊肉卷+火锅调料”等的组合陈列，均大大提升了购物篮的客单价及连带率。
购物篮模型通过 3 个指标衡量产品间的关联程度，这3个指标分别为支持度、置信度、提升度。
支持度（Support），是指同时包含产品 A 和产品 B 的单据数占总单据数的百分比。其计算公式为：支持度 AB = 单据数 AB ÷ 单据数 Total×100%。支持度描述的是产品组合与整体的关系，反映了产品组合的重要程度。
例 ：在100 张单据中，买泡面的有 40 单，买火腿肠的有 30 单，同时包含泡面和火腿肠的单据有 20 单，则泡面和火腿肠组合的支持度是 20 ÷ 100×100% = 20%，即在所有单据中，同时包含泡面和火腿肠的单据占比为 20%。
置信度（Confidence），是指包含产品 A 的单据中同时也包含产品 B 的百分比，即同时包含产品A和产品B的单据占包含产品A的单据的百分比。其计算公式为：置信度 AB = 单据数 AB÷单据数 A×100%。置信度描述的是个体与个体的关系，反映了产品关联规则的准确程度。
例 ：在100 张单据中，买泡面的有 40 单，买火腿肠的有 30 单，同时包含泡面和火腿肠的单据有 20 单，则泡面对火腿肠的置信度是 20 ÷ 40×100% = 50%，而火腿肠对泡面的置信度是20÷30×100% = 66.7%。也就是说，在所有购买泡面的单据中，50% 的单据中购买了火腿肠；而在所有购买火腿肠的单据中，66.7% 的单据中购买了泡面。
提升度（Lift），是指包含产品 A 的单据中同时包含产品 B 的百分比与包含产品 B 的单据百分比的比值，即在购买产品 A 的情况下，购买产品 B 的概率是否大于只考虑购买产品 B 的概率，考查在产品 A 的影响下，产品 B 的购买率是否会有所提升。其计算公式为：提升度 AB = (单据数 AB ÷ 单据数 A) ÷ (单据数 B ÷ 单据数 Total)，或者提升度 AB = 置信度 AB ÷ 支持度 B。
例 ：在100 张单据中，买泡面的有 40 单，买火腿肠的有 30 单，同时包含泡面和火腿肠的单据有 20 单，则泡面对火腿肠的置信度是 20÷40×100% = 50%，而火腿肠的支持度是30÷100×100% = 30%。泡面对火腿肠的提升度是 50%÷30% = 1.67，即在购买泡面的影响下，购买火腿肠的概率比单独购买火腿肠的概率大，所以泡面和火腿肠是正相关性关系。
图 1-47展示了女装各品类与女士防寒服的关联性分析，可以看到女士厚毛衫、女士内衣、打底裤这 3 个品类相对女士防寒服的支持度和置信度都很高，具有较强的正相关性。女士牛仔裤相对女士防寒服的置信度是最高的，说明购买女士牛仔裤后买女士防寒服的概率最大，但是两者组合的支持度相对偏低，说明组合单据数相对偏少，其重要性程度弱于前 3 个组合（女士厚毛衫、女士内衣、打底裤分别与女士防寒服的组合）。
图1-47 女装各品类与女士防寒服的关联性分析
1.3.4 转化漏斗模型 转化漏斗模型，本质上是对流程进行分解，从流程的起点到终点，量化每个步骤到下一个步骤的转化率，找到流程中对最终目标影响最大的关键节点进行改善，从而提升整个流程的转化率。
转化漏斗模型广泛应用在电商领域。某个购物网站，从进入首页→中间页→产品页，到加入购物车，进入支付页面，支付成功，再到复购，这里面的每个环节都存在一定程度的访客流失。通过转化漏斗模型找到转化率较低的几个环节进行优化。
转化漏斗模型也可以用于会员复购分析。从顾客进店注册成为会员，绝大部分顾客会在当日进行首次消费。如果购物体验良好，那么一段时间后顾客会进行复购。如果满意度一直保持在较高水平，那么顾客会不断地重复消费，成为忠实会员。另外还有一些顾客，在消费了一次或几次后，由于各种原因，不再来店消费，成为流失会员。转化漏斗模型就是分析从首次消费到二次消费、二次消费到三次消费……每增加一次消费，会员的转化及流失情况，找到针对会员转化的“发力点”。
图 1-48展示了会员消费次数每增加一次，会员留存率的变化情况。可以看到随着消费次数的增加，留存率也在逐步增加，说明会员的忠诚度随着消费次数的增加在逐步提升。其中，从首次消费到二次消费，留存率最低，仅有58.21%。但从二次消费后继续增加消费次数，留存率基本处于一个较高水平，且逐渐趋于稳定，从65.1%逐渐增加到了83.53%。这说明该品牌会员转化的发力点在首次消费到二次消费这个节点。配合其他辅助手段，找到需要进行二次激活的会员及激活的最佳时点，最大限度地增加二次消费转化率，增加会员留存的基数，最终带来每个环节会员留存数量的增加。
图1-48 会员消费次数转化漏斗
1.3.5 AARRR模型 AARRR 模型是用于用户分析和管理的经典工具。它以完整的用户生命周期为线索，描述了用户使用产品需经历的5个环节。这5个环节从获取用户到用户最终为产品进行推广传播，形成一个使用户流量不断扩大的闭环商业飞轮，快速实现企业规模的扩展。AARRR 模型是转化漏斗模型的一个具体应用。
AARRR 模型分为用户获取（Acquisition）、用户激活（Activation）、用户留存（Retention）、用户变现（Revenue）和用户推荐（Referral）等 5 个部分，如图 1-49所示。
图1-49 AARRR模型
1.3.6 RFM模型 RFM 模型是衡量用户价值和创利能力的重要工具和手段。它通过研究用户的历史消费行为，包括用户最近一次消费距今时间、历史消费频率及历史消费金额3个指标，综合评定用户的价值。
● R（Recency） ：最近一次消费距今时间。R 值越小，表示用户的活跃度越高。
● F（Frequency） ：历史消费频率。F 值越大，表示用户的满意度越高。
● M（Monetary） ：历史消费金额。M 值越大，表示用户的贡献值越高。
首先依据行业特征对R、F、M进行等级划分并确定各等级分值。表1-1展示了一个服饰企业的 RFM 评分等级。分值越高，表示用户价值越大。其中，R-MIN 表示 R 的最小值，R-MAX 表示 R 的最大值，关于 F 与M 的表头依此类推。
表1-1 RFM评分等级
分数
R-MIN
R-MAX
F-MIN
F-MAX
M-MIN
M-MAX
1
360
10000
0
1
0
400
2
240
360
1
2
400
800
3
120
240
2
3
800
1600
4
60
120
3
4
1600
3200
5
0
60
4
10000
3200
1000000
然后，计算每个用户的R、F、M指标的实际数值，参照评分等级进行打分，并与所有用户的平均分进行比较，得到每个用户的RFM等级。根据这3个指标大于等于或小于均值，将所有用户分成8个组，如表1-2所示。
表1-2 RFM用户分组
RFM等级
等级名称
R↑F↑M↑
重要价值客户
R↓F↑M↑
重要价值流失预警客户
R↑F↓M↑
频次深耕客户
R↓F↓M↑
高消费唤回客户
R↑F↑M↓
消费潜力客户
R↓F↑M↓
一般维持客户
R↑F↓M↓
新客户
R↓F↓M↓
流失客户
最后，计算每组的会员数量占比及销售额占比，如图1-50所示。
图1-50 RFM各等级会员数量占比及销售额占比
从图1-50中可以看出，重要价值客户及重要价值流失预警客户的数量占比及销售额占比都相对较高，需进行重点维护或再次激活，他们是企业当前业绩的保证；频次深耕客户数量占比相对较高，销售额占比低于前两种客户，他们的活跃度及历史消费金额均较高，需吸引其不断进店消费，增加消费频率；高消费唤回客户的消费频率及活跃度相对较低，但客单价高，需重点唤回；新客户数量占比很高，但销售额占比很低，需重点跟踪并进行二次消费激活，他们是企业未来业绩持续增长的动力；流失客户数量占比相对较高，但销售额贡献很低，在资源有限的情况下可以放弃。
1.3.7 杜邦分析模型 杜邦分析模型是指利用几种主要的财务指标之间的关系来综合分析企业的财务状况的模型，是从财务角度评价企业经营绩效的经典模型。其基本思想是将核心的财务指标逐层拆解为一个个细分指标，便于从多个角度分析影响最终销售业绩的各项因素。
运用这一思想，我们可以将销售额进行拆解并对细分指标逐一分析，找到影响销售额的关键因素。图1-51展示了构成销售额的各项二级指标。
图1-51 构成销售额的二级指标
对销售额进行二级指标拆解后，参考各项二级指标同期或者上期的实际值，对各项二级指标进行预测，通过计算得到未来的销售目标，并制定相应的业务策略实现各项二级指标，最终实现既定销售目标。
图1-52展示了通过计算得到的最近 30 日的各项二级指标实际值。以实际值为基础，预测各项二级指标未来 N 天的数值，如果通过各二级指标预测值最终计算得到的销售额及销售完成率符合预期，则将预测值作为未来 N 天的目标，并制定相应的业务策略来实现各项二级指标，最终达成预期销售完成率目标。
图1-52 杜邦分析法拆解销售额并制定未来销售目标
1.3.8 销售预测模型 预测领域有很多成熟、经典的销售预测模型。此处介绍一种业务逻辑相对简单且能得到较为准确的预测结果的模型——历史同比法销售预测模型。该模型适用于零售行业销售数据呈现较为明显的周期性变化的应用场景。
模型以历史销售数据为基础，假设未来的销售数据会呈现和历史销售数据同期相似的变化规律。同时考虑到外界环境影响以及被预测个体自身的发展变化，引入同比增长率，该增长率反映内外因素对销售数据的综合影响。最后，考虑到单日销售数据会呈现一定的随机波动，对历史销售数据进行移动平均处理，对当日历史同期的前 N 天的销售数据求平均值，将其作为当日同期销售数据，消除单日销售数据随机波动的影响，以便更加清晰地呈现出销售数据整体的变化趋势，从而预测未来的销售走势。
销售额的预测公式：预测销售额 = 同期销售额移动均值×（1+销售额同比增长率）。
图1-53展示了通过 8 月 1 日到 8 月 20 日的销售额，截至报表刷新日的销售额同比增长率，以及去年同期的日销售额，对 8 月剩余天数的日销售额及月度销售额进行的预测。
图1-53 月度销售额预测分析
本章小结 本章介绍了零售行业的核心指标，梳理了常用的业务场景及数据分析模型，帮助您对零售行业的基本业务知识及分析方法有一个初步的了解。在后面的章节中，我们会选取本章提及的部分指标、场景及模型，介绍如何利用 Power BI 去精准定义业务指标、设计业务场景及构建数据模型，帮助您快速实现技术和业务的有效结合，提升数字化生产效率。
读者服务：
微信扫码关注【异步社区】微信公众号，回复“e60055”获取本书配套资源以及异步社区15天VIP会员卡，近千本电子书免费畅读。
