聯商網消息：零售業、餐飲業、金融業等與消費者直接接觸的產業，每天都有大量的交易數據產生，近年來由于大數據分析技術的興起，消費性產業也相繼投入數據分析，試圖從數據尋找洞見、擬定戰略并創造價值。大數據的概念抽象、架構龐大卻難以掌握，許多企業制定大數據戰略來因應趨勢，卻兩三年毫無作為，主要原因可能是:

(1) 對于外部數據的過度追求，卻無決策參考意義

企業常認定外部數據才是自己未知的領域，只要分析大量外部數據，就能靠一兩個洞燭先機一舉領先對手。導致部分企業在設定大數據分析目標時，皆在追求”高管未知的洞察”而忽略現有資料能帶來的內涵與價值。此現象常導致企業過度追求外部資料的收集，包含社交渠道(如微信、Facebook)的輿論搜集、天氣、人口地理統計資料等數據，而該種數據的分析成果通常難與現有顧客的數據進行鏈接，最終無法成為決策的根據。

(2) 虛耗時間擴充內部數據成”大”數據，卻無分析能力

除對外部數據有過多的期待，企業在討論大數據分析時，通常會出現”數據這么少，怎么做大數據分析?”的雜音，轉而致力開拓數據源或整合數據，從POS系統、財務數據、營銷活動成效、店內存貨數據、新渠道的顧客活動資料等，最終投入大量資源于升級ERP(企業資源規劃)系統，或建立與ERP系統內存信息重復的數據庫，當企業內部認為數據已經足夠時，分析能力卻未能跟上，最終仍無法產出具有決策影響力的分析結果。

為避免上述狀況，先整合有用的內部數據并針對重大商業議題快速展開分析更能快速體現數據決策的價值，本文將帶領讀者了解消費性產業各種既有的數據組，并探討其應用領域與實際范例:

交易層級數據 – 購物籃中的玄機

交易層級的數據即是小票上的資料，從POS系統出來的小票記載每一筆交易的總金額、購買的物品、參與的促銷活動、付款方式甚至會員編號等，藉由小票數據，企業可以了解各種品類的表現及顧客如何購買商品，從各種商品的銷售表現、并買品類、回購率、忠誠度，商品促銷期間、特殊檔期的表現等等，不但可以協助高管了解銷售數據的細節組成，亦能提供高管商品捆綁、促銷設計的決策基礎。

舉例而言，一臺灣領先便利商店即長期分析其交易層級數據，在近幾年的重點鮮食開發中，該便利商店曾針對銷售額、并買率和潛在需求的考慮，找出現煮咖啡、面包、飯團作為第一優先的開發和擴充品項，并且進一步找到熱門的購買組合，根據商品利潤等不同種的績效指標設計促銷活動，成功帶動整體的銷售績效成長。

門店層級數據 – 除了缺貨數據還有什么重要?

門店的數據通常反映運營的績效，常用的領域包含各門店銷售績效的比較、存貨銷售數據的分析等等，但對于門店較多的零售業者而言，運用不同的門店屬性 (如門店型態、門店區位、門店大小等) 進行關聯性的分析，找出銷售績效的驅動因子，可進一步預測未來銷售績效。

此外，許多新舉措都會以門店為單位來推廣，因此企業會運用門店層級數據變化來評估新舉措的成效。為了避免市場雜音對分析結果的影響，世界許多領先的零售業者會運用實驗組與對照組的分析方法，將有實施新舉措的門店作為實驗組，并運用過去的財務績效表現、門店屬性找出與實驗門店相似的對照組門店，進一步評估在新舉措開始后，實驗組與對照組間的績效差異。該分析可協助企業了解新的營銷活動、運營策略、定價促銷活動之成效，且可針對不同的品類、消費者、門店類型、商圈的人口地理數據進一步的探究，找出未來較適合推行新舉措的門店。

舉例而言，麥當勞中國在推行新舉措時，即會以門店作為基礎進行實驗，并經過縝密的市場實驗及數據分析做出決策。以推出新商品為例，麥當勞先是在部分門店推行新的商品，并比對實驗組與對照組門店的表現差異，了解新商品是否會對舊商品產生競食、或是否能帶來新的客戶，經綜合評估以后，再決議是否推出該產品來完善其產品線。

門店層級的數據在分析上較為困難且繁雜，但其中可應用的議題遠超出存缺貨、人力配置管理的范疇，從貨架空間分析與優化、運營策略調整、門店改裝、開關店的影響、營銷促銷策略等，都適合以門店層級的銷售數據為基礎進行分析，并作為決策推廣的依據。

顧客層級數據 – 顧客分群的盲點

顧客層級數據的分析近年受到高度關注，包含忠誠計劃的推出，支付工具的創新，營銷渠道的擴張等等都加速鞏固以顧客為核心的數據分析邏輯， 相較門店層級的數據著重于營運、商品端等應用，顧客層級數據更聚焦于顧客對于各種營銷溝通、促銷的反應。由于消費者的組成復雜、行為多變且難以預測，多數的企業都會先針對顧客過去的行為進行分群，如RFM的分群、消費型態的分群等，進一步再設計分眾的營銷、促銷活動來最大化顧客價值。

顧客層級數據的分析與應用主要會出現兩個挑戰

(1)顧客對于活動的反饋率、參與程度無法反映至業績

較為領先的零售業者已經能從各渠道擷取完整的數據，了解顧客對于每個營銷、促銷活動的參與率，但高參與率、反應率有時候并不代表高獲利能力，很多時候企業在顧客已經有意愿要購買的商品上，持續投資營銷資源以及折扣來讓顧客高興，此類的活動更受歡迎反而更損害毛利，因此在顧客層級的數據分析，最重要的在于選定正確的衡量標準，(例如每個客戶的購買金額、來店頻率而非參與率)，才能了解各種舉措的真實效益。

(2)顧客分群的預測模型無法快速反應市場變化

顧客層級的數據分析最終在于預測新的活動推出時，顧客對于該活動的反應。如金融業、電子商務及部分的零售業者都已經能針對顧客的分群建立良好的預測模型，但針對顧客的來店頻率、消費金額的預測模型無法預測活動推出后，顧客的增額消費金額、或增額購買頻率，因此很即使了解了顧客未來可能的消費金額，仍難以確認一檔新促銷推出時，顧客多買多少錢，或多造訪門店多少次。

企業如能解決上述兩種挑戰，將可以完全掌握每一種新舉措對于消費者的影響為何，進一步擬定更能直接營利的顧客經營策略。世界領先的銀行及零售業者常運用”實驗學習”的方式來了解新舉措對于顧客的增額影響為何，先針對部分客戶進行小規模的實驗，并根據客戶的各種屬性找出相似于實驗組的對照組客戶，觀察實驗組客戶與對照組客戶在活動開始后，在購買金額、來店次數上的變化，進一步分析在實驗中表現較佳的客戶的屬性為何，進一步根據”該活動”建立預測模型，以全盤掌握該活動推廣時，顧客的真實反映。此方法不但能直接了解活動對于績效的影響，亦能針對各別的舉措進行預測，突破原有的顧客分群及預測模型的概念，讓企業能更大膽的擬定策略，更精準的掌握成效。

舉個實際的案例，一個美國的連鎖便利店業者想提供熱門商品咖啡8折促銷，卻擔憂熱門商品的促銷會大量損害毛利，因此僅提供部分消費者該項優惠，想了解該優惠的成效。當實驗開始后，發現該促銷大幅提升客戶的造訪次數，同時也帶動顧客的并買行為，整體的表現不但彌補了促銷的成本，還帶動了毛利成長。即使該促銷獲得意外的成功，該企業也讓利給部分較為精打細算的客戶，企業因此針對反應較佳的客群建立模型，找出最能拉抬績效的客群，在一半的促銷成本下增加了80%的增額利潤。

了解決策所需、找尋對應數據、產出精準分析

要能運用數據創造價值需要大量的投入，從數據收集、分析能力建置、成果產出到決策應用每個環節都相當重要，企業可以先訂立目標，先了解重大決策需要回答那些商業問題，才能定義所需數據。

拿市場很常見的門店升級作為舉例，坐擁成千上百的零售企業每幾年就推出新店型來升級門店，但門店改裝的成本甚巨，若成效不佳數年內也無法損益兩平，通常企業會先試水改裝數家門店，再逐步推廣。在這項極重要的決策中，高管可能會想先看到幾項數據，

(1)已經升級的門店的績效相較于原有門店成長多少? 對于銷售金額、客單價、來客量的影響為何?

(2)升級后的門店那些品類、客群的反應最好? 那些品類表現最差?

(3)哪一種門店較適合進行升級，且能在3年內損益兩平?

由上述的題目可知，企業需要以門店層級的銷售數據作為分析基礎，再運用交易層級的數據和顧客層級的數據則用來分析品類、客群行為的變化，方能全面輔助決策。企業永遠不缺少議題，也具有相當多的數據，從重要議題來建立更精準、有效的分析方式，并將分析邏輯與決策流程一致化后，再逐步擴充到各種議題，企業才能真正全面運用數據分析協助決策與創新。

(聯商網專欄作者 李展宏/文 轉載請注明出處!作者為APT亞太區資深副總裁)