鞋服企业数据分析存在哪些问题？应当分析哪些关键指标?
｜一｜
据你们所了解，现在鞋服企业
在数据方面是一个什么样的状况？
丙涛：
我目前主要负责的工作内容包括数据开发、数据运营、数据分析三个大的模块。之前我也先后负责过国内的进出口电商，也算是在鞋服行业里摸爬滚打了好几年。
总体现状：
我所了解的鞋服企业在数据质量方面普遍还处于“脏乱差”阶段。具体的表现体现在做为数据分析师，我们做分析的时候特别在意“人、货、场”的标签。这些标签会涉及到自然属性，社会属性，业务意义。但企业在采集数据时，这些数据往往是缺失的，以至于我们数据分析师巧妇难为无米之炊。
目前我们是如何收集数据的？
目前我们有三个渠道：
离线数据收集。也就是用一个类似我们的EXCEL、WORD的文件进行数据采集。
打通数据库进行数据采集。比如用各种各样的软件跟其他的数据库打通。
用API接口(Application Programming Interface,应用程序编程接口)来链接数据，一般平台都会提供API接口。
企业老板对数据的态度：
我觉得在老板对待数据有连个极端。一种是有些老板过度重视数据，认为单纯依靠数据分析和数据运营就可以解决管理上一切的问题。这是对数据极大的误解。管理问题不一定能靠技术来解决。如果老板没有认识到自己管理方面的问题时，无论是数字化建设还是信息化建设都是浮沙建高楼的结果。
另一种极端则是有的老板觉得数据化无意义。尤其是像广州的老板。因为他们大多是从广州十三行起家，他们认为数据分析没那么要紧。
员工对数据分析应用的需求
员工对数据分析应用的需求可以分为四方面：
企划的同事更在意的是你数据部能否直接告诉我应该采什么货。
我发现不管是零售还是线上，大家最喜欢问“能否自动化”的问题，意思是尽量让自己少动点手。
有些老板出于管控目的，他们会让财务参与进来，表面上讲业才融合，但实际在真实的碰撞过程中，大家会吐槽的问题就是业务、财务两个部门业绩评估口径与统计口径不一致的问题。
传统品牌的线下零售店比较多。店铺希望能够通过数据化实现自动分货与补货。
彭伟兴：
我自己一直是从事互联网这一块的，之前是在阿里，然后在钉钉的团队，对数字化这块算是有比较深的理解，也有一些实践，现在是在给一家童装企业的全国线下零售做数字化的整体升级改造。因为我所从事的互联网行业整体数字化程度非常高。我自从接触到传统零售创业以后发现这个行业的数字化程度非常低。刚刚丙涛给大家讲了很多问题，在互联网公司其实都不太存在，但是在创业鞋服公司则属于普遍现象，甚至大公司也是如此。
我从互联网公司转入鞋服企业，发现几个现状：
服装行业属于一个劳动密集产业，所以它的数字化程度非常低。企业的问题大多靠人的经验来解决。他们中很多没有选择真正先进的数字化工具去改善。
比如说，企业数据质量普遍不高，很多数据指标没有清晰的定义。每个企业的指标定义也不一样。这样数据分析师很难展开工作。
其次，传统企业老板大多既缺少战略目标也缺乏数据思维，也不知道哪些数据指标会决定整个公司的生死存亡。他们对数据的意识只局限于哪些好卖，怎么可以做出爆款，缺乏全盘考虑，也没有用户思维。
冷芸：
我们刚才谈了数据收集和数据质量的问题，其中存在一个认知偏差，就是很多没有做过数据分析的人都认为数据分析师只是做数据分析而已。其实不是这样的。数据分析师的第一步是在数据收集上来以后要进行数据的清理，这个清理就是刚才丙涛说的有的数据是缺失的，有的是定义模糊的。比如说我们商品上经常有一个问题，成本价是含税还是不含税的？每个人的理解是不一样的，有的是含税，有的是不含税。这个就看企业的标准清不清晰，包括你的系统设置是否清晰。那么还有的就是有一些异常值，因为人工输入也可能有出错的，你要对异常值进行检查诸如此类的，所以还有一个数据清理的动作，然后才能对此展开分析。
我做买手培训时积累了很多公司的案例，包括大公司案例。我发现现在市面上大多数公司在用的采购预算OTB预算是错误的，他们是用销售预测除以售罄率来计算OTB的。如果你的数学足够好，你从逻辑上就知道这个公式不合理，如果用销售除以售罄率，显而易见的是你没有考虑库存问题。另外，在这个公式里，你是打算用你的实际售罄率，还是你的目标售罄率？还有包括数据里面数据统计口径的一致性问题，很多人对这些基本的统计学概念很模糊。
我常说我们这个行业会经过一轮大洗牌，很多买手会被淘汰掉，他们相当一部分的功能会被数据分析师替代。
另外大众还对数据分析工作有个误解，他们可以直接给业务方答案。其实数据分析不一定总是能直接给出业务答案的。从数据分析结果到业务的解决方案，这里还有其他过程。比如要结合企业战略、资源、业务目标，综合评估才可能给出解决方案。
所以数据分析它是有特定步骤的，而且大多数情况下不是能够由一个人来完成所有的动作。所以了解到这一点非常的重要。
彭伟兴：
另外我讲一下整个行业的问题，因为丙涛可能在大公司工作，他们会用到很多工具。像BI或者POWER BI是肯定会用的工具，但是在我看来BI只解决了一个问题。比如我从我的ERP系统里面导出来数据比较麻烦，进入BI以后可以给我可视化，我再通过可视化导出来进行分析，这会让数据分析的过程变得更直观更简单。比如指标下降跟什么其他因素有什么关系？它是一个单向输出的工具，只会告诉你问题，没有任何联动做联动方，也没有把整个团队以及架构的效率最大化，所以它的数字化程度非常低。并且我们通过数据本身只能看到一个规律，但数据背后的逻辑是你要去推理的，而数据背后的信息才是真正的价值所在。
我觉得企业应该建立一套数据体系以及数据的模型，通过模型和算法的规律来解决大部分人工会做的事，剩下的问题才需要结合人的经验以及门店的实际情况去判断，这样才能是一个真正非常合理的数字化企业。
｜二｜
你所了解的企业内部数据的主要
收集、分析、运营部门有哪些？
这样的组织架构设计从数据
端来说是否合理？为什么？
冷芸：
下一个问题就是关于内部组织架构的问题。因为数据流通其实涉及到很多的部门，在一个公司有专门负责相关的部门。你们现在所了解到的鞋服企业的数据组织流程，大概是什么样的？
丙涛：
收集，分析，运营这三个板块（步骤）是整个数据生命周期的链路过程。
其一，不管是做BI还是BI之前做数据仓库，我把它看成是一个“工程化”的动作。这个过程主要完成数据采集与整理任务。
第二个板块是则是分析。我们常规会有些适合性、总结性、探索性的预测动作。分析不是单一分析某个指标，还要找到数据之间的关系。比如数据之间的关联关系，什么因素影响了什么结果等等。
分析之后的运营是第三个核心点，也是最后落脚点。
关于运营部门，我认为运营应该是个以经营为目的的动作。说白了，就是怎么通过数据运营让公司赚（更多的）钱。
大公司在这个流程上比较完整，部门建设也各司其职。对于中小公司，没有资金做这些的，可以使用H5页面的采集程序。每个动作由相应员工填写好，你在后台再汇总整理即可。
彭伟兴：
关于组织架构方面，我觉得鞋服行业的分析工作显得尤其重要，因为商品的宽度和深度以及SKU量迭代更新速度太快，所以它需要这些数据工具对应词来匹配分工。
对于分工，我觉得中小企和大企业肯定不一样的一点是它对应的数据吞吐量规模及具体需求不同。大公司应该有一个专门的部门来专门负责数据分析。
我认为组织架构的效率，比如所有的其他的业务部门或者采购、物流部门，只要是与商品相关的岗位，都得把数据分析部门使用的收益最大化，以他们分析来的数据做参考决策，通过部门之间联系产生最大效益。
关于数据分析部门的内部分工，我认为首先数据采集工作应该渗透到各个部门以及一线员工。当然具体怎么收集应该有流程和标准。包括数据指标体系的建立。
数据收集后就是分析阶段。
这个时候我们可以根据一个月、一个季度、一年、近三年多个时间维度进行交叉分析，找到影响销售数据背后的因素有哪些。
数据分析结束以后，我们再看整盘生意怎么样。哪些数据是我们应该关注的重点，需要建立哪些对应的数据模型以及它的算法有哪些。
从数据中找到问题，以及影响问题的规律性因素，最后用数据模型和算法去解决，让数据能够自动运转。而各个部门的人也都可以通过数据分析的结果了解自己的数据指标表现。如果这一套流程公司能做好，应该可以满足80%以上公司的日常需求。
在数据模型与算法运行一段时间后，我们再不断优化其中的问题，包括部门间的沟通成本及决策成本。数字分析部门跟其他部门之间的沟通应该通过一个非常好的数字化办公软件，像钉钉一样，只做简单基础的OA数字化办公，但全公司通用。除此以外，我认为他们内部还要开发出一套让自己内部工作更高效的工具，很多东西可以直接在软件上授权和决策，特别是现在还经常需要居家办公。
｜三｜
你认为一般鞋服企业应该至
少关心哪些核心数据？为什么？
丙涛：
关于这个问题，我做了一个简单的目录树。绝大部分零售企业，尤其是做企业服务的会有一个商品明细表，类似于大家做分析的时候，把采购、买手、供应链、商品企划、商品运营到零售单和财务都匹配起来的表，这也是核心数据。只要搞定了商品明细表，其他所有的数据都可以搞定。下面我从人、货、场三个方面来做一个解析。
在“人”这方面我就讲两个大点。
第一个点是导购能力矩阵的分析。这涉及到连带率和客单价两者的平衡度。大家只要做过零售的数据分析都会想到零售周权重指数的模型。大家日常在做目标拆解的时候，其实是一个颗粒感的问题，我把目标拆解到周，拆解到天的时候，我就会知道这个产品在哪个时间段是卖得最好的。在这个时间段我需要把最核心的员工排班做好，因为它能够影响整个店铺的业绩。
第二点是买手能力的矩阵分析，这里所出现的因素会比较复杂，需要根据公司的具体情况判断。如果是百货制的企业则会看产品指数；如果是类似于快销得公司，这种公司一般控价权限和加价倍率的决定权都在老板手上，所有的员工都是为效率指标负责的，我觉得就考虑毛利额的绝对值就可以。当然，有些公司会考虑售罄率和毛利额。
在商品，也就是“货”的方面也有两个部分，商品企划和商品经营。我觉得商品企划比较核心的一个指标是采买指数。所谓的采买指数说白了就是跑得快则周转高，毛利率高。第二个核心的数据是PSD值，就是产品单店日销售。不管是快时尚品牌还是快消品品牌，体育用品品牌，他们的库存驱动式的体系都很适合使用PSD值。PSD值是一个复合指标，用于企划和运营、买手都非常适合。这个指标它定量也定性。比如在一个店里有一款货上了15天，我目前是上了50个店的话，它的PSD值大概达到什么水平？我进行排序之后，在矮子里面选将军。之后我可以探索性地在50家店设置一个区间，比如大概达到什么区间PSD值可以膨胀，这有利于品牌提升商品效率。安踏在前几年就开始使用类似的形式。
第二个方面是商品运营。商品运营会涉及到周增长、毛利、折扣率、产品指数、PSD值。
在商品板块之后还有两个大的板块，采买把控力和库存把控力。采买把控力是我比较在意的。俗话说好钢用在刀刃上，采买把控力需要符合所谓的帕雷托原则（销售占比80%的产品）。
第一个综合指标是压量款（爆款）的收集率和大盘收集率的差异率。如果你的产品销得太快，有可能是你采货采少了，又或者你的折扣没控好；如果销得太慢我要同步做中间调整的动作，这就是数据运营的意义。
关于库存饱和率的三个指标看起来好像不难，但是做到的公司特别少。如果一个买手商品负责人能够把这些点做到了，我觉得他真正做到在头部中找问题，同时能够去找差距，在控制好折扣的同时控制了库存。
商品运营的第二个部分是库存把控力，它是会涉及到产品“跑得快”的一个指标，包括库销比、周转天数、周转率的指标，它是涉及到销售续销能力的指标。
第三个是动销的SKU占比（销售SKU量与全部SKU量之比）。之前我管商品的时候，我是不会允许任何一个品牌的商品负责人买的SKU没有销售的。如果出现有不动的SKU，则负责这条线的商品负责人，零售负责人一起承担连带责任。
第三个是每平米的铺货系数，我认为这个值非常重要。这个值除了适合线下的标准陈列，在线上也可以用于坪效考量。这个值的核心要领在于当我定好每平米的铺货系数之后，我们与陈列运营和不同部门去沟通的时候可以做到有据可依。
我曾经在一家市值10亿的公司做商品操盘手，当时我们的对标品牌是探路者、哥伦比亚、北面。这些品牌一个季度会上大概500多个SKU，运动品牌的SKU会有SPC的观念。我们公司每一次订货会都是上了1000个SKU，其实有很多SKU是无效的。当时我通过静态的复合系数往下看商品周涨率，我通过测周转率可以得到每月大体的翻新率。之后我很笃定地告诉主设计师，我们上的SKU应该是多少个，我也给了他一个指标，在这个指标的基础上，最多按照上市标准SKU的1.3倍备货。这样可以让设计师在框定的范围内做设计。像哥伦比亚或者北面的户外产品，做一个版大概需要400-500元的成本，但我们可以通过数据分析节省很多开发成本。
关于“场”方面我觉得可以分为“新场”和“老场”两个部分。其中会涉及到时间和税前利润的问题。
以“新场”为例，我们有一个传统。如果6个月内这个新店做不到盈亏平衡，这个时候就要公司老大出面，以“疑难杂症”的形式来沟通，争取无风险地撤场或者通过多品牌的形式把它迭代成新店。
这里我可以给大家一个量化的分享。比如新店运营6个月，利润率低于5个点以下需要商品负责人出面；利润率在5个点到10个点则需要商品负责人和零售负责人一起出面。商品负责人出面是指他可以通过调整折扣，调货来做调整。零售负责人和商品负责人一起出面就是以“双向定向爆破”的形式来对店铺做调整。如果新店利润率低于超过10个点的，这时会有渠道部门的负责人来沟通做撤场等处理动作。
“老场”则需要把整个“场”的标签和货品的标签打好。相对来说“老场”经过一段时间的沉淀，最后还是会回到自然属性、社会属性、业务属性。我们更在意的是其中的业务属性，通过做会员标签，RFM模型，商品投放所做的动作，让“老场”把它的标签做得更完善。完善之后去做各种各样的贴标动作和跟踪动作，这里会涉及到一些坪效利润、回款包括疑难杂症的解决。这些在我们以前做线下的时候会做得比较复杂。
