零售系統BI應用


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

 品種決策

 

決策方向:決定經營品種;

 

 

分析內容:商品周轉率

 

 

 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

 

 

 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

 

 

 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

 

 

 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

 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

 

 

 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

 

 

 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

 

 

 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

 

 

 企業財務分析

 

 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

 商品經營價值分析

 

銷售、毛利、貢獻度、交叉比率

 

 

 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

 

 

 商品價格定位分析

 

 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

 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。

 

 

 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

 

 

 

 

 

 

 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。

 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。

 

 

 

 

 

 

 

 

 

 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。

 

 

 

 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)


注意!

本站转载的文章为个人学习借鉴使用,本站对版权不负任何法律责任。如果侵犯了您的隐私权益,请联系我们删除。



 
粤ICP备14056181号  © 2014-2021 ITdaan.com