随着互联网经济的快速发展,越来越多的零售企业开始推动线上线下业务的融合,由此也积累了海量的数据。为了挖掘这些数据的价值,不少零售企业通过数据分析软件、R语言等工具对于数据进行了不同维度的分析。但是,很多零售企业很快就发现,这些数据分析结果的可读性与可理解性并不高,特别是对于缺乏数据专业技能的管理人员与业务人员来说,数据图表的确不少,但是这些数据说明了什么问题,下一步应该怎么做,仍然不得而解。
很显然,对于零售这样一个快速变动、需要实时决策的行业来说,增强数据的可读性显然具备十分重要的意义。那么,怎么增强零售数据的可读性,甚至用数据来讲故事呢?下面我们就通过Data Analytics 数据分析平台以及Data MAX 数据大屏展示工具来进行展示。
       根据业务需求建立一条/多条数据故事线
在制定数据战略之前,零售企业首先需要梳理清楚自身的业务需求,并根据不同的应用方向(如线上销售数据通览、重点活动数据展示、线下营销数据转换)来分别建立故事线,这些故事线应该以业务逻辑为主,让用户能够清晰地通过不同维度的数据来对这些场景进行感知。如果有不同的故事线,可以通过多个数据可视化面板/屏幕切换的方式来实现展示。
数据故事线的建立可以采用“数据管理驾驶舱”的模式来进行,通过分级架构来对不同的数据图表进行排列,这个过程需要注意以下几个事项:可理解性,即通过最容易接受的可视化语言将数据表现出来,还要通过合适的图表组织来共同说明某一类问题;灵活性,可以根据实际实际需要对图表进行灵活的配置;全面性,即在不同数据可视化面板中全面展示可供应用的数据,可以确保数据洞察能力的深入覆盖。
例如,零售企业可以用“大型营销活动效果”为主题搭建一条故事线,其可以包括分日销售数据、过程数据、爆品跟踪、活动页面流量、流量转换等不同的数据图表,以展示不同维度的零售数据。以下是DataHunter针对6.18促销活动,为某零售企业搭建的活动可视化解决方案。通过这种形式,能够让零售企业对于活动的成效一览无余,并针对数据所暴露出的问题进行快速调整,例如发现爆品销售额超过预期之后,及时安排补货;A方案活动效果不及预期时,迅速投入B方案。

       进行零售数据治理以及分析
在根据业务需求建立好数据故事线之后,就需要回归到数据分析之中了。如果属于在零售数据挖掘方面还处于空白的零售企业,其还需要打通不同设备、不同渠道、不同系统消费者标识信息,建立客户统一ID为核心ID,形成统一客户档案,对统一后的客户档案进行丰富增值,借助条件分析、算法挖掘等形成丰富的客户标签体系。

在建立客户标签体系之后,零售企业可以根据在前期设定的几个分析目标挑选数据维度,并对海量的业务数据进行抽取、清洗、梳理,建立统一的数据仓库,并导入到 Data Analytics 数据分析平台之中。由于这个过程会涉及到不同的数据表格,所以企业可以在平台中对于不同的数据进行关联。
之后,零售企业可以将这些数据通过Data Analytics 数据分析平台进行自动化的分析,Data Analytics采用探索式分析模式,无需进行复杂的数据建模,系统就可以根据现有的业务数据特点,智能推荐可视化呈现方式,同时,用户还可以通过动态关联分析、全维度数据钻取、协同过滤等方式,使得业务人员或决策者可以自由地进行深度探索和分析。

       建立整体态势可视化系统
在上述两个步骤完成之后,零售企业就可以着手搭建整体数据态势可视化系统了,以完成“整个故事的讲述”。这一环节并不涉及到数据底层的操作,技术门槛也不高,也常常被企业忽视,但是对于用户更好地理解、阅读数据,无疑有着重要的意义。要完成这个目标,更需要从数据可视化的角度进行设计,以不同样式、风格的图表来对数据进行展现,满足数据易读易懂、实时更新、重点数据突出、结构明晰、业务连接紧密等要求。
这个工作看起来很简单,但实际上却依赖于丰富的数据可视化经验以及行业洞察。考虑到大部分零售企业缺乏数据可视化的设计能力,其可以通过 Data MAX 数据大屏展示工具来便捷地完成可视化系统的搭建。Data MAX 为零售业数据展现提供了相应模板,并具有丰富的可视化设计组件,包括常用的数据图表、图形、控件以及具有3D效果的地图组件等,通过拖拽操作即可进行布局,能够显著加快可视化系统的构建。
这个态势可视化系统不仅可以通过大屏幕来展现,同样也可以通过移动端与Web来展现,这样就方便了随时随地的数据感知,为基于数据的零售业务拓展奠定坚实的基础。

回复

请输入你的评论!
请在这里输入您的名字