與零售業CIO探討BI項目規劃與數據分析_數據分析師培訓

想從海量信息中挖掘出有用信息、精準營銷？除了面向全體顧客實施地毯式轟炸的”商品營銷“之外，更需要對商業智能體系重新反思，零售業需掌握先進的數據分析與高級決策支持能力，已經迫在眉睫。 國內零售業正在上演如同古羅馬競技的瘋狂場面： 賣場扎堆經營，”千店一面“的雷同叫賣，”自殺性炸彈“的價格肉搏，盲目的”低性價比“： 你滿100送100，我就滿100送110，一家比一家送得狠，一家比一家送得絕； 誓要拼個你死我活，爭個魚死網破――似乎整個群體都身不由己地陷入了最后的瘋狂。而虎視眈眈伺機而動的，是全球最大50家跨國零售財團中47家已經進入中國、并且馬不停蹄地完成了在中國零售市場”高端布局“的” 帝國軍團 帝國軍團“在各中心城市的巷戰讓我們明白了： 只有實現營銷創新的企業才能成為肉搏戰中的勝利者?！鄙唐窢I銷與顧客營銷雙輪驅動“將逐漸成為零售行業主導趨勢。除了DM、買贈、滿省、搭售、抽獎、返券、減價、換購等面向全體顧客實施地毯式轟炸的”商品營銷“之外，我們更需要在細分客戶群體基礎上實施精確制導的”顧客營銷“。

構建商業智能（BI）體系、掌握先進的數據分析與高級決策支持能力，已經迫在眉睫。 　面對著零售企業要把”數據墳墓“轉化為”信息寶藏“的需求，我們選擇了以CRM為切入點，推出的是分析型CRM，以幫助零售企業診斷目前在顧客管理方面的現狀和問題，發現能夠影響消費者的營銷行為和提升經營業績的有效方法，從而幫助企業經營決策者進行營銷戰略與策略的調整，指導營銷策劃和執行人員完成精準的”一對一“營銷。當然，這個”一“的目標不局限于一個顧客，也可以是一個顧客群體。 

下面，筆者從商業智能的項目規劃和數據分析兩個層面，談談一個探索者的經驗教訓與體會。 　商業智能的項目規劃 在規劃層面值得關注的有兩點： 一是數據倉庫平臺的選型，二是商業智能項目的階段特征。 

　零售業的商業智能項目以系統上線為界，分為兩個階段： 前一個階段的特征是共性化和廠商主導，如同購置商品房； 系統上線后應用階段的特征是個性化和用戶主導，如同對商品房是簡易裝修入住還是豪華裝修，完全取決于房主在經濟實力、生活品位、規劃能力、專業素養、用途需求等各方面的差異。 最了解企業戰略與經營需求的是用戶自己。系統上線后，用戶可以運用廠商提供的與數據倉庫配套的工具包，隨需應變地構建層出不窮的數據模型與分析主題――這是個只有起點沒有終點的進程。在這個非開放環境中打造出來的、內生的數據分析與高級決策支持能力，才是企業的核心競爭力―這也是企業IT團隊實現角色轉換和價值升華的大好機遇。 

數據分析的主題研發 　商業智能、數據倉庫是”舶來品“，可是追本溯源、尋求借鑒的過程遠非”依葫蘆畫瓢“那么順當。幾乎在每個分析主題的模型構建與算法推理的過程中，從”三角幻圖“的構成原理中，我都經歷了以下三個思維階段： 1.初次接觸，隨意觀察，表面印象，沒有深入探討； 2.進入懷疑、批判階段，疑團滿腹，眼前是假象； 3.經過驗證、推理、分析獲得真知灼見。 第一個例子： 亦真亦幻的”客戶價值矩陣分析“模型 幾乎每個CRM軟件提供商在與零售企業接觸的時候，都會拿這個”客戶價值矩陣分析圖“（見圖1）來說事 可是這么多年過去了，雙方的交流始終停留在這張看起來很簡單的模型圖上。軟件廠商們沒能把這個模型的算法推理出來、設計到軟件中去； 零售企業們也只能依舊沿用”消費額ABC分析法“來簡單地切分會員價值群體。 

　本質是價值驅動，追求的效果是把企業有限的營銷與服務資源準確地投入到最有回報價值的客戶身上。所以，”客戶價值矩陣分析“是整個CRA（客戶關系分析）體系構建的基礎，也是我們這次CRM產品研發要突破的第一道關口。 　可是，筆者閱遍了所能搜索到的相關資料、用盡了所能想到的方法，也像此前的探索者那樣沒能從這張圖上推導出合乎邏輯的算法來。 就在山窮水盡還苦苦求索的時候，筆者最終恍然大悟： 原來，行業中流行的這張矩陣圖是用于交流的高度抽象概念圖，而不是能用于推導算法的數學模型圖――并不是有葫蘆可依就能畫出瓢來。

 　筆者從中得到啟發，終于把客戶價值矩陣的算法推導出來了。 第二個例子： 無葫蘆可依的RFV三維分類模型 　我們設計的RFV（最近，頻率，消費者價值）分類模型（或稱RFV檢測儀）（見圖2）從”停止采購時間“和”來店頻率“兩個維度，把”價值矩陣分析法“界定出的5個客戶價值群體再次細分為125個不同的群體，商場可以針對不同的群體采取不同的營銷方式。營銷的主導思想是： 讓左邊（F值小、來店頻率低）的多來商場，讓右邊（來店頻率高）的提高消費金額，讓下邊（V值低）的提升消費能力，把后面（R值大）的挽救回來、激活起來。最有價值的、使用頻率最高的用法是監測客戶消費行為異動，及時采取應對措施，防范重要客戶流失（即”客戶流失預警“）。

 　用戶還可以分別從R、F、V三個維度進行切片和切塊觀察，鎖定感興趣的目標群體； 具體到會員記錄的時候，還可以用右鍵調閱該會員的”FM心電圖“（每次購物的金額與間隔時間）。富基融通董事長顏艷春把RFV三維分類模型生動地形容成： ”零售醫院的CT機“。

 第三個例子： 現成的瓢―客戶生命周期分析 　在所有的數據分析模型中，”客戶生命周期“的分析模型可能是最簡單、最現成的。在理論上表述得最為完整的、集大成者應該是某著名咨詢機構的這張圖。（見圖3） 　對于零售企業來說，數據分析與運用的聚焦點在會員的”成長、成熟、衰退“這三個階段所形成”拋物線“上。 　可是把真實的會員消費數據導入分析模型后，生成的卻不是BI廠商和咨詢機構們所描繪的、和用戶們所期盼的拋物線，而是雜亂無章的鋸齒線。 

　是分析模型錯了嗎？在這樣的圖形上怎么能判定出會員正處于生命周期的哪個階段？ 有些資料對”商品生命周期“的階段劃分和描繪的拋物線，與”客戶生命周期“同出一轍?？墒巧唐放c顧客這兩個分析對象在本質屬性上卻存在著巨大的差異： 商品是受控對象，在有效的管理狀態下形成拋物線狀的銷售曲線，是可信的。而顧客是行為自控者，并且商場對顧客目前還遠遠談不上有效管理，所以消費行為呈現出無規則的鋸齒線狀態，正是對實際狀態的客觀寫照，不是分析模型出了錯。 

　那是理論權威們錯了嗎？也不是。畢竟這套理論不是在中國零售業目前的經營水準上構建起來的。富基融通的副總裁唐天明認為： 客戶生命周期確實可以形成分析模型圖中所描述的拋物線，但前提是要持續保持客戶的”忠誠度“。在運用CRA的分析數據對會員按價值、特征、行為等多維度屬性劃分為不同的群體，實現個性化營銷之后，會員的忠誠度和在商場的消費能力應該會隨著商家”面向客戶“的營銷組織能力日益成熟而越來越高，然后相對持續平穩，呈現出與商品營銷類似的受控狀態?！睆倪@個意義上講，客戶生命周期是拋物線我覺得是合理的，這也是商家需要追求的，或者說這是商家對實施CRM的最高期望?！案笨偛锰铺烀髡f。 

　由此可見，對于零售行業來說，理論權威們所描繪的拋物線是”未來時“，是”共產主義階段“； 而我們現在和CRM產品上線初期所看到的鋸齒線是”過去時“，是”社會主義的初級階段“。當鋸齒線逐漸向拋物線演變的時候（這種演變將率先在”關鍵客戶 “、”重要客戶“群體中出現），我們的用戶就成功了。 關于”客戶生命周期管理“的用途，行業中的普遍印象是用于”客戶流失預警“。對此，筆者人有不同的思考 　”客戶流失預警“對時效性的要求比較高，而”客戶生命周期管理“是相對宏觀的管理工具，以”月“為數據。

等到從拋物線上觀察出一兩個月前客戶有流失跡象的時候，很可能已經時過境遷、生米做成熟飯了，還預什么警？ 如果真的要用于”客戶流失預警“，那就不能像分析模型圖那樣，在拋物線上示意性地進行階段劃分，而是要對客戶”成長期、成熟期、衰退期、流失期“的界定指標進行量化。這個難度是相當大的，也沒有見到在零售業中有相關研究。 我們已經為”客戶流失預警“配備了以”日“和”次“為數據顆粒的RFV三維分析模型和各維切片視圖以及FM心電圖等一整套從宏觀到微觀的”會員體檢設備 “，可以及時監控和應對會員消費行為的異動――這遠遠不是在那根以”月“為顆粒度的”客戶生命周期折線圖“上所能夠實現的。 

　尺有所短，寸有所長?？蛻羯芷?a href='/map/zhexiantu/' style='color:#000;font-size:inherit;'>折線圖“可以與RFV檢測儀和FM心電圖配套使用： 當RFV檢測儀發出某會員停止采購時間超過平均采購周期的預警信息時，是否要立即采取發送短信等聯絡措施呢？我們可以調閱該會員的”生命周期折線圖“，觀察此前是否存在過類似的現象，再做出適當的決定。 破除對”啤酒與尿布“的盲目迷信 　

談到商業智能（BI），言必稱購物籃分析； 談到購物籃分析，言必稱關聯分析； 談到關聯分析，言必稱”啤酒與尿布“。比較流行的故事是： ”沃爾瑪利用NCR自動數據挖掘工具對一年多詳細的原始交易數據進行分析和挖掘時發現： 與尿布一起購買最多的商品竟是啤酒?！坝谑恰逼【婆c尿布“就成了商業智能皇冠上的明珠。 　運用先行者的研究成果把”購物籃分析“模塊設計出來是沒有什么難度了，但我們更需要關注的是： 這樣設計出來的模塊真正能給用戶帶來什么應用價值――價值目標不明確的產品研發，會讓開發商與用戶都深陷泥潭。有鑒于此，本人提出幾點直覺上的質疑，希望能與大家在探討的過程中釋疑解惑。 ”啤酒與尿布“真的是被”購物籃分析“給挖掘出來的嗎？

諸多版本中的這個故事更為接近真實場景： ”曾經有一段時間，沃爾瑪在美國的店面經理發現一種現象： 每周啤酒與尿布的銷量都會有一次同比攀升，后來沃爾瑪運用BI技術發現，購買這兩種產品的顧客幾乎都是25～35歲、家有嬰兒的男性，每次購買時間均在周末。沃爾瑪在對相關數據分析后得出，這些人習慣晚上邊看球賽、邊喝啤酒，還要照顧的孩子，為了圖省事就用一次性尿布。得到結果后，沃爾瑪決定，把這兩種商品集中擺在一起，結果銷量有了顯著增加。

“ 請注意三個關鍵點： ”有一段時間、店面經理發現、后來運用BI技術分析“。這與BI能自動挖掘出”啤酒與尿布“，可是相去甚遠的兩重境界。 既然”啤酒與尿布“是被”自動數據挖掘工具“給挖掘出來，那就應該有源源不斷的精彩案例傳頌于世。而”啤酒與尿布“已經走紅多年了，怎么還是在唱獨角戲？購物籃分析是高端應用，高端應用往往意味著高投入，高投入就必須有高回報，僅憑一個從海量的交易數據中挖掘出銷售額占比微不足道的”啤酒與尿布“的案例，似乎很難打動追求投資回報的零售企業。 在一本書中是這樣介紹的： ”研究‘啤酒與尿布’關聯的方法就是購物籃分析，購物籃分析是沃爾瑪秘而不宣的獨門武器，購物籃分析可以幫助我們在門店的銷售過程中找到具有關聯關系的商品，并以此獲得銷售收益的增長。

“如果軟件廠商真的用這幾句話來跟客戶交流，客戶只需一句話就很可能讓開發商趴下： ”請找找看牙膏和牙刷有沒有關聯關系？“ 雖然我們強調，關聯挖掘算法的價值在于它的窮舉性可以發現人們未曾關注到的類似”啤酒與尿布“這樣潛在的關聯規則。但這是否意味著，它可以拒絕人們用已知的關聯規則來驗證它的可信度？ 資料上介紹的能自動挖掘”啤酒與尿布“關聯關系的模型與算法在技術層面的科學性是毋庸置疑的。

問題可很能會出在： 購物小票上用來分析的牙膏和牙刷是兩種商品（單品），而陳列在貨架上的牙膏和牙刷卻是兩個頗有規模的商品群； 數十種品牌、系列、口味、功效、不同的包裝規格、不同的消耗周期、不同的單次購買數量、越來越快的產品更新換代、消費者對新體驗的追求、甚至在牙膏包裝中贈送牙刷，這么多種因素的綜合交錯會大幅度地稀釋牙膏牙刷在單品層面形成”同時并且重復購買的組合“的概率，對購物小票進行遍歷分析后很有可能會得出反常識的結論： 牙膏、牙刷這兩種商品之間沒有關聯性。 對自動挖掘”啤酒與尿布“這類潛在的”同時并且重復購買的商品組合“大可不必那么癡迷，我們其實可以用”購物籃分析“演繹出更為現實更有價值的應用。比如通過構建會員消費檔案來挖掘出會員與商品、品牌、營銷方式、供應商等等之間多維度的關聯規律，幫助商場在數以百萬計的茫茫顧客群中精確鎖定個性化營銷的目標。