近日，美邦数据负责人刘珅兰分享了零售业大数据的分析与应用。其分享的内容包括三大主题：一、零售业的挑战；二、零售业大数据的分析应用；三、实现用户探索的关键要素。
嘉宾简介：
刘珅兰，10多年BI工作经验，500强企业背景，专注于互联网及零售行业的数据分析和数据产品领域，目前为国内著名快时尚服装零售企业BI产品经理，曾负责中远集运数据仓库项目、中远咨询BPM绩效管理项目、美邦移动BI等项目。
以下为分享正文，由爱数据编辑团队整理：
科技正在改变人们的生活，传统零售的购物场景也在发生改变，变得越来越好玩，与人的交互情景变得越来越多。下图为国外零售企业在传统零售领域中关于科技改变零售的相关数据。
新科技一方面促成了新的消费习惯，另一方面也悄然改变了消费者的行为习惯。与此同时，消费者行为的变化又反过来影响零售的变革。比如移动互联的引入，社交化购物的变化等。看看下面这些购物场景，你都接触过那些？
这些移动传感设备的加入，意味着以前许多不能被采集的数据将会被采集利用起来，比如某款服饰的试衣次数、店内顾客移动停留轨迹、顾客画像属性识别等，这些数据的加入将传统零售的数据分析带向大数据分析领域。
尽管数据扩张后使用的数据方法模型并没有太多的变化，但数据的扩张，意味着大量数据采集、存储、处理同时发生变化，与此同时，对应的相关软硬件支撑产品也将发生改变。
零售业大数据的分析应用
大量零售场景数据的采集与引用将会给零售业带来怎样的变化呢？关于零售业大数据的应用这里我主要从两方面介绍：一是数据管理方面，这部分内容主要是相关数据产品的规划与架构，以及对相关业务指导成熟度的评估；二是考量数据对业务的提升机会，新的数据引入后，比如客户管理、财务管理、供应链管理、商品/组合管理等关键业务领域都将带来新的业务提升机会。详细内容涉及太多，这里就不展开阐述，感兴趣的童鞋可以看看下面这张“BOSS图”。
那么，大数据在传统零售行业有哪些具体的应用呢？这里我以商品分析给大家举2个简单栗子。比如商品生命周期管理模型，主要利用逻辑回归模型确定商品销售周期节点，利用销售初期利润高的特征，在营销中用数据指导调整上架时间及价格弹性系数，进而形成不同品类在生命周期的不同阶段，建立价格弹性模型，采取不同的价格策略。
【小案例】——客户价值评估模型
背景 积分或者消费历史代表客户过去的消费能力，评估客户的整体价值需要结合历史价值和未来价值；营销和服务需要了解客户的整体价值，才能制定匹配客户发展的策略和措施。
目标 发现不同客户价值群体的需求，消费潜力，重点关注价值增长潜力大的客户。
简单解决方案 建立价值分群模型（利用RFM模型从收入和增长潜力方面着手建模）、 
针对进行营销策略 
效果与影响 营销和服务策略有的放矢，应用效果评估与收入和客户发展直接相关，有效促进整体业务和客户发展。
发现增长潜力客户的消费特征，为未来进行营销规划提供依据。
太多的时候，我们设计服装款式，选择面料，定颜色……而这所有的过程顾客都不参与，那么我们的产品到底是不是顾客想要的？顾客想要什么？他们在寻找什么？这都需要我们多与用户接触，实现用户探索的关键要素。 
用户关键要素探索
探索前，我们首先需要对数据分析能力部署有个清晰的认识，这里小编不多解释，直接看图。
与此同时，要对用户有个清晰的认识，他们是谁？他们的比重是多少？他们有那些特征？分组情况如何？……
最后，我们需要通过数据营销平台，实现从端到端的“数据驱动营销及服务”。
