?隨著互聯網經濟的快速發展,越來越多的零售企業開始推動線上線下業務的融合,由此也積累了海量的數據。為了挖掘這些數據的價值,不少零售企業通過數據分析軟件、R語言等工具對于數據進行了不同維度的分析。但是,很多零售企業很快就發現,這些數據分析結果的可讀性與可理解性并不高,特別是對于缺乏數據專業技能的管理人員與業務人員來說,數據圖表的確不少,但是這些數據說明了什么問題,下一步應該怎么做,仍然不得而解。
很顯然,對于零售這樣一個快速變動、需要實時決策的行業來說,增強數據的可讀性顯然具備十分重要的意義。那么,怎么增強零售數據的可讀性,甚至用數據來講故事呢?下面我們就通過Data Analytics 數據分析平臺以及Data MAX 數據大屏展示工具來進行展示。
? ? ? ?根據業務需求建立一條/多條數據故事線
在制定數據戰略之前,零售企業首先需要梳理清楚自身的業務需求,并根據不同的應用方向(如線上銷售數據通覽、重點活動數據展示、線下營銷數據轉換)來分別建立故事線,這些故事線應該以業務邏輯為主,讓用戶能夠清晰地通過不同維度的數據來對這些場景進行感知。如果有不同的故事線,可以通過多個數據可視化面板/屏幕切換的方式來實現展示。
數據故事線的建立可以采用“數據管理駕駛艙”的模式來進行,通過分級架構來對不同的數據圖表進行排列,這個過程需要注意以下幾個事項:可理解性,即通過最容易接受的可視化語言將數據表現出來,還要通過合適的圖表組織來共同說明某一類問題;靈活性,可以根據實際實際需要對圖表進行靈活的配置;全面性,即在不同數據可視化面板中全面展示可供應用的數據,可以確保數據洞察能力的深入覆蓋。
例如,零售企業可以用“大型營銷活動效果”為主題搭建一條故事線,其可以包括分日銷售數據、過程數據、爆品跟蹤、活動頁面流量、流量轉換等不同的數據圖表,以展示不同維度的零售數據。以下是DataHunter針對6.18促銷活動,為某零售企業搭建的活動可視化解決方案。通過這種形式,能夠讓零售企業對于活動的成效一覽無余,并針對數據所暴露出的問題進行快速調整,例如發現爆品銷售額超過預期之后,及時安排補貨;A方案活動效果不及預期時,迅速投入B方案。

? ? ? ?進行零售數據治理以及分析
在根據業務需求建立好數據故事線之后,就需要回歸到數據分析之中了。如果屬于在零售數據挖掘方面還處于空白的零售企業,其還需要打通不同設備、不同渠道、不同系統消費者標識信息,建立客戶統一ID為核心ID,形成統一客戶檔案,對統一后的客戶檔案進行豐富增值,借助條件分析、算法挖掘等形成豐富的客戶標簽體系。

在建立客戶標簽體系之后,零售企業可以根據在前期設定的幾個分析目標挑選數據維度,并對海量的業務數據進行抽取、清洗、梳理,建立統一的數據倉庫,并導入到 Data Analytics 數據分析平臺之中。由于這個過程會涉及到不同的數據表格,所以企業可以在平臺中對于不同的數據進行關聯。
之后,零售企業可以將這些數據通過Data Analytics 數據分析平臺進行自動化的分析,Data Analytics采用探索式分析模式,無需進行復雜的數據建模,系統就可以根據現有的業務數據特點,智能推薦可視化呈現方式,同時,用戶還可以通過動態關聯分析、全維度數據鉆取、協同過濾等方式,使得業務人員或決策者可以自由地進行深度探索和分析。

? ? ? ?建立整體態勢可視化系統
在上述兩個步驟完成之后,零售企業就可以著手搭建整體數據態勢可視化系統了,以完成“整個故事的講述”。這一環節并不涉及到數據底層的操作,技術門檻也不高,也常常被企業忽視,但是對于用戶更好地理解、閱讀數據,無疑有著重要的意義。要完成這個目標,更需要從數據可視化的角度進行設計,以不同樣式、風格的圖表來對數據進行展現,滿足數據易讀易懂、實時更新、重點數據突出、結構明晰、業務連接緊密等要求。
這個工作看起來很簡單,但實際上卻依賴于豐富的數據可視化經驗以及行業洞察。考慮到大部分零售企業缺乏數據可視化的設計能力,其可以通過 Data MAX 數據大屏展示工具來便捷地完成可視化系統的搭建。Data MAX 為零售業數據展現提供了相應模板,并具有豐富的可視化設計組件,包括常用的數據圖表、圖形、控件以及具有3D效果的地圖組件等,通過拖拽操作即可進行布局,能夠顯著加快可視化系統的構建。
這個態勢可視化系統不僅可以通過大屏幕來展現,同樣也可以通過移動端與Web來展現,這樣就方便了隨時隨地的數據感知,為基于數據的零售業務拓展奠定堅實的基礎。

回復

請輸入你的評論!
請在這里輸入您的名字