从消费者到零售商，大数据正悄然改变一切
当你经常光临的一家连锁超市，扩大装修了进口食品区；亦或是你发现社区宠物商店，将一个宠物狗用品摆放得更接近门口时……也许略加深思，你会发现这并非是偶然现象。
坐拥店铺的零售商们，面对电子商务的冲击，正在越来越主动地调配他们的资源——真实存在的物理空间，以及商品组织呈现的方式——由此来加强消费者购物的体验。而不得不提的是，越来越多的零售商已经习惯于依赖于大数据来管理这一流程。
曾几何时，消费者在足不出户便能轻松买到一切，而现在，务实的实体店必须提升体验，让消费者真正在正确的时间、正确的场所、买到他们想要的正确商品。深入一步来说，强大的数据分析，已经开始帮助提高店铺设计，楼层平面图，商品组合，以及其他本地化的商业元素。
对于零售商而言，大数据并非是陌生的新生事物。店铺运营事实上早就依赖于信息化，来优化商品的销售过程、定价以及促销影响。尽管一些现有的零售系统可以统计汇总大量的信息，但零售商普遍缺乏充分解释数据所必需的分析。而更多的一些商店，则将大数据的使用限制在单项项目中，因此很难将结果转化成持续的策略。
如何取得更大的成功？零售商必须将数据分析应用于实际的营销实践过程。他们必须更持续地使用基于复杂算法的数据应用，而这些算法同样应该深度整合店铺空间、商品分类、产品展示位置，以及消费者在线上层面的品牌偏好，网页浏览习惯和网点热力图等数据。无论零售商是在内部开发大数据工具还是购买现成的服务，他们都必须建立可以高效响应、可重复执行的管理流程。这些数据整合的效能，将重塑每个货架、每一个销售终端，甚至包括每一寸的销售空间，来获得最大化的商业价值。
不可否认的是，采用大数据思维推动零售运营改善，同样也具有相当的挑战性。 因此，亦可以降维思考，将大数据驱动商业运营改善，作为更广泛的变革战略的一部分。这个偌大的改造计划，同样将覆盖跨职能管理团队，包括商品渠道、策划、市场营销，定价策略，以及店铺运营等。对于零售商而言，可以首先尝试小型抗压测试或者是短期项目，然后再启动公司层面的战略升级。
大数据如何驱动零售运营
让我们来探讨一下，基于数据的零售运营是如何发挥作用的，它首先必须包括商店销售的所有信息，而不仅仅是零售商关注度最高的销售商品，更多的信息来自于综合因素，包括商品布局，货架配置，货架库存，应季商品，以及新品牌或是新的SKU等。
以下，几个主要的影响因素及其背后的数据分析方法，可供零售商参照改进：
着眼于销售最大化、并获得每一寸空间产生尽可能的高利润，因此，零售商们首要的难题是，决定为某些产品或产品类别配置多少空间。
通常来说，建面规划这一项工作，是基于历史销售数据，以及行情预测来指导执行。而为了进一步优化未来，零售商往往需要评估边际空间的经济性，来确定一个品类的商品在特定每一寸空间所产生的利润与另一个品类的商品在同等条件下产生的利润差。例如，一家连锁超市，确定划分多少空间用于鸡肉销售，必须考虑增加鸡肉销售空间所对应的销售和利润变化，而不是考虑增加猪肉、羊肉、鱼或者是其他品类的空间。
当详细计算商品销售空间规划时，零售商可以使用大数据来评估销售订单分级的详细信息，并揭示可以利用的隐藏关联以提高销售额。这些详细信息，及其关联的关系包括搭赠销售，或是已购订单中的与预期商品同类的商品，以及可能在未来购买的同类商品。大数据可以揭示的另一个隐藏关系是渠道分销的成本，在此之前，在商品进入货架之前，这些成本往往是无法评估的。
为了找到最大化利润的销售空间分配方案，零售商更需要大数据分析来调整销售数据，以解决各个商店的商品组合、缺货以及应季商品等诸多问题。
商品整理
零售商库存中是商品，无论是品牌、款式和种类的不同，最终构成货架上的不同表现形式，单品或者组合。零售商的终极目标是创造合理的商品系列，提供最大可实现的长期利润。
为了优化品类整理，零售商可以使用按品牌，尺寸或风味等属性汇总的销售数据，将类似商品呈现到上架到近似的货架。如此集中呈现，可以使得消费者更容易识别到这一品类，从而更准确地预测店铺在该品类上的未来销售。
除此之外，零售商可以使用消费者交易数据来衡量增量，或者某一个商品相较于同品类的其他商品，增加了多少销售额和利润。再次以鸡肉为例，消费者购买数据可能会显示提供包装好的预切鸡肉有助于鸡肉品类的整体销售表现，以及如何减少或提供更多此类包装会影响其他非预切鸡肉类产品的销售。
邻接
零售商通常根据常见数据，来制定库存策略，例如连锁企业范围内的销售额，不同连锁店铺的销售额，销售成本和库存成本。大数据分析可以帮助发现不太常见、但却是同样有价值的数据。一个经常被低估的数据点是货架上两个商品之间的相对距离对销售的影响，这就是所谓的邻接。邻接数据可用于比较彼此相邻，彼此相对或在同一过道中的产品类别的销售和交叉销售。然后，零售商可以通过就近搁置两套彼此相邻的商品，来增加销售额和利润，从而增加两者的销售额。
优化整个店铺的邻接关系同样是很复杂的。零售商可以通过使用店铺级的数据，来查找过去最合适的商品展示位置，从而开始挖掘邻接关系。例如，这可以帮助确定冷冻披萨在冰淇淋旁边，或冷冻蔬菜旁边可以取得更好的销售情况；或者是发胶在梳子旁边导致销售量，比位于其他护发商品旁边展示带来的销售更多。研究邻接关系数据还可以帮助零售商确定哪些项目类别可以分配到更好的位置，例如前端货架或是客流通道前。
其他元素
大数据可以帮助优化零售运营的其他元素，包括商店设计，定价和促销。零售商可以使用细分的定量客户体验来分析客户调查，以确定不同类型的客户喜欢购物的方式，从而改善零售空间的外观和感觉。可用于改进商店设计的其他数据，包括忠诚度行为评估，或消费者在意向商品缺货时所做的选择，以及ROI原型评估也将影响并促使各种新元素添加到整体的店铺设计中。
在优化定价方面，零售商可以评估显示消费者愿意支付的数据。例如，研究本地化的竞争对手对某一类特定产品的定价策略，譬如作为刚需标品的牛奶和面包等，据此来设定自己的定价策略。零售商还可以评估数据，揭示过去哪种类型的本地化促销活动最有效，用以规划未来的促销方案。
将大数据融合本地化元素，将带来更多的商业变化。例如，如果边际空间生产力分析表明午餐时间在人流量增加，那么这家零售超市则可以扩大其便当区和自选外带去。（图表2）在分析了其他地方的销售增长情况后，诸如冷冻薯条之类的物品，将可能会邻接到其他相似商品，从而获得额外的货架展示。大数据融合本地化，还同样会带来国际食品区扩大的结果，这正是大数据对本地化需求的反应，是基于现有商品品类相对于其他店铺、消费者人口数据统计的综合影响。
构建基于大数据的零售战略
在Trax看来，尽管大数据改造可能带来巨大好处，但依然有不少的零售商并未始终如一地收集和改善零售数字化运营的所需数据。此外，现有的商品贩售，定价或是销售管理系统，也有不支持复杂分析的状况。
运用Trax创新性的工具组合，将使得大数据零售战略成为可能。从专注前端店铺管理的货架数字化工具，到由物联网与数据支撑、店铺数据化后的市场分析，再到挖掘数据价值的货架策略以及大数据科学，Trax专注于零售视觉识别技术解决方案，加上深度学习的人工智能，可以以最快的时间，完成从图像获取到商业见解形成，成为新零售时代的风向标。
Trax Retail Compass 是一款独一无二的数据科学解决方案，能为消费品公司及零售商找出推动品类销售增长的深入洞察。由此，一场始于货架百态的数字革命，将开启零售增效的新纪元。
这，就是我们翘首期盼的新零售时代。