零售行业面对疫情数据分析应该怎么做?

零售行业面对疫情数据分析应该怎么做?

面对突发状况,大数据最能清晰的展现生态链的影响,数据分析师冷静的头脑,以及专业的数据分析能力,则在这个时候可以起到力挽狂澜的作用。

众所周知,当今年三月的全屋服务订单获得保留时,零售额急剧下降。但是,客户行为的这种变化导致了一个尚未引起太多关注的现象:销售信息流向零售行业数据存储库的过程已经干dried了。这是一个重大问题,因为健康的信息流是客户忠诚度计划,人工智能驱动的产品推荐以及各种关键业务决策的命脉,缺少流向数据的数据分析师,想做出科学的数据分析结果,但却找不到着力点。

这种变化的意思是,许多零售行业(独立的或连锁的,实体的或电子商务的,新兴的或传统的)现在都面临信息短缺的问题。当来自客户交易的数据和情报由于买方行为的突然变化而变得稀缺或无法使用时,就会发生这种情况。如今,这个问题已经普遍存在:即使在Covid-19之前积累了大量客户数据的企业,也发现自己处于与进入未知市场或接触新受众的企业相同的冷启动位置。

从中长期来看,这种中断的影响可能是巨大的,因为它显然使客户的行为在解释,预测和模式化方面更具挑战性。在当前情况下,这一点很明显:企业不应该理所当然地认为在Covid-19之前收集的数据将准确预测在遥远社会经济中的买方行为。

取而代之的是,零售行业必须仔细盘点现在驱动其产品和业务决策的数据输入和分析假设。他们必须确定保持现状的风险,并且必须以创造力和创新来应对当前的挑战。这项重新校准工作将帮助零售行业迅速弄清楚如何在美国消费者变化时保持相关性。

信息不足的风险与机遇

在我们呆在家后的现实中,公司需要认识到其现有的预测模型,预测和仪表板可能都不可靠,甚至已过时,并且其分析工具需要重新校准。尽管特定自动化系统或预测模型的目标可能没有改变,但是输入数据和用户肯定已经改变了,这应该导致公司重新评估如何解释和依赖输出。

公司还需要避免对数据基础架构和数据分析人力资源做出短视决策。尽管裁员可以帮助弥补直接的利润损失,但消除那些知道如何组织,清理,挖掘和建模客户以及做数据分析的人可能会造成棘手的技术债务。在做出资源决策时,领导者必须真正了解失去特定角色后会遭受哪些系统破坏,然后量化并权衡任何后果的长期成本。

我们最近在客户行为方面目睹的变化使一些公司感到好像他们没有指南针就被扔进了树林。经典的“谁是我们的客户?” 问题突然变得比以往更难回答。当前的在线购物者是回头客从实体商店中迁移过来的客户,还是在为新客户提供服务?零售企业在这方面一直是一个盲点,但是直到现在,他们还没有太多理由对其进行优先排序。那些利用当前居家条件在此处变得清晰的人可能会做出革命性的发现,这些发现将在2020年以后为他们服务。

这给我们带来了一些好消息:对于没有完全利用数据分析来制定基于证据的业务决策的公司来说,这种情况是一个机会。在新冠肺炎来临之前,这些公司落后于数据成熟的公司,但是由于数据成熟的公司现在正努力应对突然的信息短缺,数据成熟程度较低的公司拥有一次建立其数据收集能力的机会并增强他们的数据驱动型决策。至少在短时间内,他们有机会赶上。

就像很多人在疫情期间提出疑问,为什么阿里这些头部企业不利用数据分析做些事情?原因很简单,数据分析的根源在于数据,基础数据不健全的情况下根本无法做数据分析,也就不会有数据分析结果,就不能指导业务。

在此刻,无论数据多么成熟,所有公司都必须记住“客户数据”不仅限于销售点交易。零售行业应将数据视为与客户行为相关的任何信息,这些信息可以从道德上进行收集,组织和研究,以获取决策者可以依赖的见解。随着人们对公共生活的限制不断减轻,购物恢复,零售行业必须在哪里以及如何收集这些信息方面发挥创意。

例如,他们应该扩大对购物者行为的理解,以包括任何能说明客户与公司及其产品的联系方式的信息。公司还有很多工作要做:他们应该研究哪些消息在不同的客户群中引起共鸣。他们应该衡量自己对实现的期望。它们应该描绘出客户购买模式已经改变的细微差别。公司不得让交易的暂时减少或三个月的数据失真影响其做出明智决定的能力。使用数据分析的分析方法,面对不确定性,他们必须将许多线程编织在一起以增强业务弹性。

数据分析对策

为了防止信息不足,必须了解可用的相关数据以及如何对这些数据进行重新设计以回答当代问题。公司可以在较短的时间内检查自己的现有数据,甚至可以设计调查以使客户的需求和计划获得新的动力。此外,更新的机器学习模型和分析工具将帮助公司重回正轨并开始新的竞争。

这是零售行业可以用来解决数据分析信息不足问题的一些想法。

1. 提出以下指导性问题,建立新的沟通和数据收集渠道:“我们在无法增加收入的同时与客户共建什么?” 通过周到的沟通,公司可以赢得客户对其弹性的尊重,生成有用的数据。了解哪些消息会引起共鸣,客户仍然认为哪些产品至关重要,以及他们对远离社交的购物有多少兴趣。商机在于个人之间这些数据点的细微差别。

2. 即使商店关门或销售低迷,也要利用“ Covid-19感知”数据源来捕获消费者行为指标。这将帮助您开始表征新的偏好和购买方式。例如,通过分析电子邮件交互,客户服务呼叫日志,网站会话和社交媒体数据,可以获得有价值的信息。作为代理,请研究2008和2009年的销售数据,以了解在经济困难时期客户行为的变化。

3. 重新审查收入预测,以解决由于Covid-19而对购物施加的新限制。将这些信息整合到分析中将支持对采购,人员配置和其他重要现金流量决策的更新。需要考虑的一些变量包括有关客户流量的历史数据,以平方英尺为单位的商店规模以及应对经济低迷的调整因素。

4. 如果商店位于多个州,请将空间分析与相关的Covid-19健康条例和法规结合使用,以分析将注意力集中在重新开业上最有意义的位置。并非所有州和地方经济体都将以同样的程度重新开放,需要将这些限制因素与更传统的输入因素一起考虑,例如客户人口统计,人员流动性和历史性商店业绩。

5. 借此机会来关注支持关键数据资产的基础架构。这可能涉及以下方面:重新设计数据收集和存储方法,以便可以快速挖掘新的相关数据以获取见解;使用更集中的数据集创建或重新设计预测模型;解决网站分析和标记实践中的小故障,这些小故障阻碍了从网站数据中得出准确结论的能力;并重新审查关键绩效指标并仔细检查每个公式的变量。这将确保先前的假设仍然适用,并且不会人为地扭曲KPI。

Covid-19最终将消失,但这并不意味着业务决策应恢复其先前的化身。数据分析和质量分析将仍然是对客户做出明智决策的重要手段。可以快速而明智地利用数据的零售行业从长远来看将保持其业务和竞争优势。

发表评论

您的电子邮箱地址不会被公开。