http://blog.csdn.net/foxnet2003/archive/2005/09/15/481825.aspx

零售系統BI應用

從決策的內容分類

一 品種決策

 

決策方向：決定經營品種；

分析內容：商品周轉率

二 庫存決策

 

決策方向：決定庫存水平；

分析內容：庫存周轉率、周轉天數

三 價格決策

 

決策方向：決定商品的售價；

分析內容：商品價格帶分析

四 進貨決策

 

決策方向：決定進貨廠家和數量；

分析內容：供應商的綜合評分

五 資金決策

 

決策方向：決定付款的方式和數量。

       分析內容：

從分析和評價的角度分類

一 顧客購買行為分析

 

☆會員結構分析

如年齡、性別、收入、與商場的距離、月購買量、每次購買平均單等

☆會員購買行為分析

如每次購買平均單價、各類商品比重、購買時間、退貨次數、退貨金額、受促銷活動影響的購買額等

☆購買行為相關分析

商品各類別購買量，按年齡、性別、收入、與商場距離的分布等

☆顧客忠誠度分析

連續30天未購買的顧客占總顧客的百分比等

二 供貨商行為評價

 

☆供應商供應能力

分析品種數、平均日供應量、平均月供應量、最大日供應量、供貨期等

☆供應商的經營結構

分析供應品種的進、銷情況等

☆供應商的運營狀況

分析銷售額、銷售額排名、毛利額、費用收入、促銷次數、促銷讓利、贈品金額、返廠筆數、返廠金額、周轉天數等

☆供應商的結算條件

分析經營方式、借用資金利息、單位銷售額占用利息等

☆供應商的綜合評分

三 人員業績評價

 

☆營業員考核

銷售、退貨、交易次數、平均客單價等

☆合同員、物價員考核

新品筆數、合同筆數、供應商筆數、定價筆數、調價筆數等

四 部門經營狀況評價

 

☆部門業績考核

銷售、庫存、毛利、人均銷售、地均銷售

☆計划指標考核

買手、營業員、部門完成計划的百分比

五 企業財務分析

 

六 商品結構分析

 

各大類品種數

各大類平均價格

各大類平均庫存

各大類平均庫存時間

各大類平均毛利

非正常商品分析

 

超保本期或保利期商品

連續無銷售商品

超保質期商品

超退換期商品

市場需求分析

 

分大類銷售

分大類銷售平均價

分類銷售同比變化和環比變化

六 商品經營價值分析

 

銷售、毛利、貢獻度、交叉比率

七 商品促銷效果分析

 

促銷毛利、促銷銷售增加、促銷前后銷售下降費用

八 商品價格定位分析

 

九 商品布局和陳列效果分析

 

歸結起來就有：商品聚類分析、競爭格局分析、消費趨勢分析、商品淘汰分析、商品引進分析等。

商品聚類分析

競爭格局分析

消費趨勢分析

商品淘汰分析

商品引進分析

從應用的手段分類

一 指標分析（總量指標、比率指標）

 

指標分析是指對企業不同的業務流程和業務環節的指標，如：利潤率、應收率、銷售率、庫存量、單品銷售情況及所占營業比例、風險采購和庫存評價指標等進行搜集和分析。但這些指標只能反映局部的經營狀況。為了解企業的整體經營狀況，還需對這些指標進行科學的組織和分析，利用智能管理技術，形成一個能反映企業整體情況的數學模型。這樣通過觀察總指標並設置告警，才能獲得整個企業的經營狀況。

二 趨勢分析（同比、環比）

 

對於某一指標的發展趨勢進行分析，計算該項指標的同比、環比，移動平均數、平滑指數等趨勢信息，結合相關模型對該項指標進行預測。

同比分析：本期（年、月、周）數據與往年同期（年、月、周）數據比較

環比分析：本期（月、周）數據與上期（上月、上周）數據比較

移動平均數：利用移動平均預測方法

平滑指數：利用平滑指數預測方法

三 排序分析

 

對於查詢獲得的供應商、顧客、買手、部門、營業員等數據，可以進行正向、反向的排序，可以對查詢結果中的任一項目進行排序。

四 相關分析（相關系數分析）

 

應用統計學中的相關系數方法計算兩個指標之間的相關系數，從而得知兩個指標之間的關聯度。

對兩個不同的經濟變量進行相關性判斷，確定經濟變量之間是否存在相關關系。相關分析是進行因果分析的基本工具，通過相關分析可以判斷經濟指標之間的替代關系和關聯度。

五 模型分析（季節模型、回歸模型、指數模型）

通過計算時間序列的回歸系數，得出某一指標變化的規律，建立起數學模型，描述其預測方法，為人們的決策提供支持。

建立模型就是根據實際應用的需要，采用一定的模式模型來模擬數據的相互關系和數據發展趨勢。有些模型可能是沒有實際意義或者沒有使用價值的，也有可能不能准確的反映數據的真實意義，甚至在某些情況下是與事實相反的，因此，如何建立模型、建什么樣的模型是建立模型的關鍵，常用的模式包括以下幾類：

A．分類模式

分類模式是一個分類函數（分類器），能夠把數據集中的數據項映射到某個給定的類上。分類模式往往表現為一棵分類樹，根據數據的值從樹根開始搜索，沿着數據滿足的分支往上走，走到樹葉就能確定類別。

B．回歸模式

回歸模式的函數定義與分類模式相似，它們的差別在於分類模式的預測值是離散的，回歸模式的預測值是連續的。如給出某種動物的特征，可以用分類模式判定這種動物是哺乳動物還是鳥類；給出某個人的教育情況、工作經驗，可以用回歸模式判定這個人的年工資在哪個范圍內，是在6000元以下，還是在6000元到1萬元之間，還是在1萬元以上。

C．時間序列模式

時間序列模式根據數據隨時間變化的趨勢預測將來的值。這里要考慮到時間的特殊性質，像一些周期性的時間定義如星期、月、季節、年等，不同的日子如節假日可能造成的影響，日期本身的計算方法，還有一些需要特殊考慮的地方如時間前后的相關性（過去的事情對將來有多大的影響力）等。只有充分考慮時間因素，利用現有數據隨時間變化的一系列的值，才能更好地預測將來的值。

D．聚類模式

聚類模式把數據划分到不同的組中，組之間的差別盡可能大，組內的差別盡可能小。與分類模式不同，進行聚類前並不知道將要划分成幾個組和什么樣的組，也不知道根據哪一（幾）個數據項來定義組。一般來說，業務知識豐富的人應該可以理解這些組的含義，如果產生的模式無法理解或不可用，則該模式可能是無意義的，需要回到上階段重新組織數據。

E．關聯模式

關聯模式是數據項之間的關聯規則。關聯規則是如下形式的一種規則：“在擁有金卡的人當中，60％的人的月收入在3000元以上。”

F．序列模式

序列模式與關聯模式相仿，而把數據之間的關聯性與時間聯系起來。為了發現序列模式，不僅需要知道事件是否發生，而且需要確定事件發生的時間。例如，在購買彩電的人們當中，60％的人會在3個月內購買影碟機。

在解決實際問題時，經常要同時使用多種模式。分類模式和回歸模式是使用最普遍的模式。分類模式、回歸模式、時間序列模式也被認為是受監督知識，因為在建立模式前數據的結果是已知的，可以直接用來檢測模式的准確性，模式的產生是在受監督的情況下進行的。一般在建立這些模式時，使用一部分數據作為樣本，用另一部分數據來檢驗、校正模式。聚類模式、關聯模式、序列模式則是非監督知識，因為在模式建立前結果是未知的，模式的產生不受任何監督。

六 圖形分析（直方圖、餅圖、折線圖）

 

       能夠以直方圖、餅圖、折線圖、散點圖等圖形表達各個指標之間在同一時間或不同時間的相互關系，讓人們直觀地掌握數據之間的內在關系。（如圖）