1、零售行业大数据平台方案,零售企业大数据建设需要打造五大关键能力,社交网络分析,相关性分析,时序分析,聚类分析,大数据价值的核心在于数据挖掘,销售榜利润率覆盖率,时间区域分类,消费行为数据,地理位置信息,社交网络数据,历史销售数据,分类回归分析,企业需要创建大量数据模型挖掘数据价值,从已知的数据，探究未来的发生,数据字典与数据标准化：数据的自动解析和智能匹配,品类元素的数学分析 帮助选品更科学,尺寸,颜色,风格,分类算法CART决策树C4.5决策树CHAID决策树K 近邻Logistic 回归 Elastic Net反向传播神经网络 朴素贝叶斯支持向量机随机森林*混淆矩阵*Area Under
2、Curve (AUC)*参数选择/ 模型评估*回归多元线性回归Elastic Net多项式回归指数回归集合回归Logarithmic回归,关联规则AprioriApriori LiteFP-GrowthKORD Top K Rule Discovery概率分布分布拟合/ Weibull分析*累积分布函数Quantile函数Kaplan-Meier生存分析*异常检测Inter-Quartile Range Test (Tukeys Test)方差检验Grubbs Outlier Test*链接分析Common NeighborsJaccards CoefficientAdamic/AdarKat
3、z,统计函数 平均数、众数、方差、标准差分析KurtosisSkewness协方差矩阵皮尔逊相关矩阵卡方检验:Test of Quality of FitTest of IndependenceF检验数据预处理采样随机分布采样Binning 归一化 数据切分主成因素分析（PCA）其他Weighted Scores Table空值替换,聚类ABC分析DBSCAN K-MeansK-MedoidK-MediansKohonen Self Organized Maps层次聚类Affinity PropagationLatent Dirichlet Allocation (LDA) *高斯混合模型(G
4、MM) *聚类分配 *时间序列分析指数平滑指数平滑自动调参Auto* ARIMA/ Seasonal ARIMA - X布朗指数平滑Croston方法预测度量方法包含变化趋势与季节因素的线性回归噪趋、趋势、周期性测试*,数据应用层,数据模型层,数据执行层,业务洞察Sales Insight,基于大数据平台的自开发应用,智能分析Business Object,第三方报表分析工具,非结构化数据管理,精细化的零售计划体系,以提升转化率和客户粘度为主旨的营销策划,零售行业大数据建设的落地方案,门店静态属性全面数字化：门店本身的物理状况，包括面积、最大款色组合数 气候、城市、商圈、位置、环境、竞争 各种
5、时间信息：合同起止、装修起止 门店合同数字化：版本、元素 属性特征及时维护：拓展、店长、区总 ,门店动态属性全面实时化：多维度的门店分群多角度的门店画像动态门店尺码文件动态经营指标体系：销售、利润、客单、坪效 指标体系实时动态：预配置、业务人员自定义 ,销售指标维度,门店及所属商圈的地图动态展现分析,宏观指标维度,门店及所属商圈的地图动态展现分析,门店分析基础,门店画像门店特征库存参照促销偏好对比分析调拨规则,建设必要性以门店作为企业在全国的支点，全面分析所覆盖商圈的消费需求信号以需求导向作为企业从计划体制向市场体制转变的根本以市场驱动作为企业未来全品牌经营的基础,客户行为存储(CAR) -下
6、一代零售智慧运营的数据平台,消费者行为资料库是零售大数据的核心,库存可视性，统一预测模型，多渠道销售分析，消费者分析,市场品类管理，商品运营应用,商品，门店，库存，客户，场景，文字,聚焦客户的平台,可执行的洞察力方案,重新定义 客户互动与商务,提供独树一帜的实时洞察力 包括销售表现与库存,SAP CAR 上整合最佳的零售应用组件,简化 IT，解锁业务创新力,建立在平台性上充满活力的生态系统,所有零售细节的存储,基于 SAP CAR 的统一预测分析应用，便于组件的观察预测结果,举例：统一需求预测,解决方案范围,UDF 能够使用多种需求数据源用来进行建模，并且计算（例如 POS Tlog 数据,
7、销售订单，销售数据）分解影响因子，来预测未来UDF 计算历史上影响销售的关键影响因数，例如促销，日历活动或者调价，然后基于贝叶斯统计分析，来填补历史发生时间的缺失数据UDF 能够按照每个渠道来进行预测计算，引入新的灵活的多渠道数据模型按照商品，渠道，地点，按天(天内也可)计算销售UDF 支持 what-if 的假设试算场景，用来比对不同场景的结果，支持最佳决策新的 UDF 控制板体系使得用户有能力从统计角度来检测预测结果，以及预测的正确性,统一需求预测（UDF）是 SAP 新一代的专注于预测的解决方案UDF 结合了原先 SAP 零售促销计划的预测的预测模型以及 SAP 预测与补货的预测模型；同
8、时也采用了 SAP HANA 作为平台，利用内存计算的性能以及底层数据计算库获得下一代预测引擎,SAP 建议的零售行业大数据建设的落地方案,完善以顾客为核心的销售与营销运营,从以商品为核心到以消费者为核心：渐变会员制注册消费者推广结合传统营销，获取消费者信息引导消费者体验全渠道服务于商务目的：找到线上与线下畅销品的交集，通过线上提前预测线下,门店网店交相辉映，实体数字异曲同工：同城门店库存整合异地互补通过线上网店弥补门店陈列实现商品多款少量顾客分群精准营销目的：保持当前状况不发生巨大变化，增加顾客粘性,SAP 数字化营销整体解决方案概览,SAP全渠道交互和交易：触达消费者，接收信息和发送信息的
9、触点,会员制（记名制）：个性化触达消费者的基石,SAP 大数据营销,SAP 全渠道商务,SAP 忠诚度管理,这套解决方案将改变传统思维与操作模式，带来数字化精准性营销 / 触达 新变革,消费者信息获取,消费者数据库,营销,全方位画像,交易数据,网络点击,店内轨迹,交流、客服和社区,移动设备使用行为,线下POS线上交易ERP系统,消费者基本属性,跨平台身份识别,社交媒体信息匹配,社交媒体和论坛数据,消费者行为数据,消费者身份数据,DMP数据,社交媒体,天网：线上触点,地网：门店数字化升级,人网：导购、客服、粉丝,1. 数据收集和画像：收集全渠道的消费者数据,数据抽取，数据清洗，数据整合，数据转换
10、,自有官网/电商平台,门店POS,APP/微商城,客服,社交媒体,导购,电视和直播,消费者数据,全渠道触点,大数据平台,店内大屏,媒体广告,意见领袖,消费者大数据群体画像（全国-地区-门店）,将消费者数据融合，形成宏观视野内的消费者热力图通过舆情分析（微信公众号，微博，论坛），分析消费者喜爱的话题，节目，款式，颜色等分析消费者的消费行为，购买路径,消费者个人画像,消费者360度视图,消费者浏览和购买历史,消费者静态属性和偏好,客户和品牌商全渠道交互记录,2. 客户洞察和细分 采用多种分析模型进行客群分析归类,灵活的细分模型，帮助客户精准归类定位客群,最终取得客户价值分群 大数据带来“精准营销”
11、的革命性变化,3. 智能的推荐引擎 基于场景化的实时的、个性化产品推荐,针对不同客群，采取针对性策略,完善以门店为焦点的渠道数字化建设,SAP 建议的零售行业大数据建设的落地方案,完善以顾客为核心的销售与营销运营,完善以预测为灵魂的计划与调配体系,更 大 更 多 更 强,SAP 内存计算大数据平台,HANA为实时、多维、细粒度的数据分析提供平台支撑,过去传统数据分析技术,Cube,ETL,操作型数据存储（ODS）,索引压缩分区,查询结果,计算引擎,查询,聚合,决策者获取商务智能,企业应用系统中的数据,从生成数据到用于分析之间存在延迟架构复杂导致建模成本高性能优化方式复杂多维Cube数据冗余抽取
12、时间长,SAP 大数据平台：大数据分析SAP HANA: 预测分析,SAP HANA Predictive Analysis Library是原生内置的SAP HANA类库，实现在数据库内数据挖掘和统计计算,关键能力支持超过100种统计学算法，包括：AssociationClassificationClustering PreprocessingRegression Social Network AnalysisStatisticsTime series收益内置的预测算法库内分析，高效快速实施以及嵌入式预测到应用、解决方案、和BI环境,SAP 大数据平台：大数据分析SAP HANA: 文本分析
13、,SAP HANA 提供先进的文本搜索和分析功能，应用于非结构化数据的处理（文字解析 + 情感分析 + 文本挖掘）,关键能力内置的全文、模糊检索数据库内文本分析搜索模式的图形化建模信息访问 HTML5 UI 工具包和 JavaScript API收益减少数据复制和移动 在同一基础结构中完成分析和搜索任务从非结构化数据中提取重要信息易于使用的HANA Studio建模工具快速构建搜索应用,大数据平台的建设目标：最终实现数据的大协同，大连通 让企业内部一切可协同，一切数据可连接,商务智能,大数据中心,某商超客户经营分析体系，角色化/场景化/流程化,示例,商务智能帮助集团将拥有的数据转化成随时可访问
14、的、精确的数字资产，形成体系化的经营分析体系,XX商超客户BI应用案例：月度经营分析利润分析表,月度经营分析亏损门店原因分析,35,日经营分析经营日报,36,日经营分析门店盈亏预测预警,时段销售预测是基于零售超市一个月内每天的销售占比相对固定根据月实际日销售和历史日销售占比可以预测月剩余日的销售,营运异常管理-负毛利,营运异常管理-负库存,营运异常管理-缺货,营运异常管理-滞销,营运异常管理-高库存,营运异常管理-销售异常,营运常用六大异常报表,以前,VS,现在,XX百货客户BI应用案例：,SAP HANA的卓越内存计算能力能帮助全渠道零售企业实现高效的海量数据预算处理,加速业务效能,大数据时
15、代：持续增长的全渠道海量输入+实时精准的业务场景、传感器/社交媒体等多样化数据传统企业数据仓库/数据管理不再有效，SAP HANA应运而生,3.09亿明细数据的汇总模型,HANA当我们够快，我们可以做什么？通过大数据平台实现业务运营和商务智能体系的飞跃,XXX客户大数据应用案例：多因素决定的最优调拨算法,示例,XX客户大数据应用案例：复杂快速的门店员工绩效与佣金管理,示例,当月主推商品提成比例维护促销商品扣除系数支付方式/打折比例扣除系数积分兑换商品、赠品扣除每天/周/月大数据量统计（200万行）不同岗位绩效计算，移动设备推送,SAP 大数据平台提供丰富的数据挖掘与预测模型（聚类/关联/时间序
16、列）,统一需求预测,商品关联分析,会员全渠道行为与社交关系,决策树会员分群,大数据挖掘关键方法 寻找相关性标签,示例：某产品类别的利润下降,业务 问题,根本原因假设,预计的 数据“指纹”,定制的 工具和报表,切实可行的 结果,可能的根本原因分类过时促销太多价格过高,交易数量促销商品份额平均价格,利润下降某产品类别或销售区域,调整分类、价格、促销强度等,价值驱动因素树显示了利润下降的潜在驱动因素,示例：评估促销活动,业务 问题,根本原因假设,预计的 数据“指纹”,定制的 工具和报表,切实可行的 结果,促销影响：囤积品牌替换拖带销售吸引客户,多买优惠产品喜好购物篮数量,优化未来的促销选择,促销促销有什么整体利润影响？,促销分析工具量化每次促销的整体利润影响,大数据让部门之间更加紧密协同,非常感谢,
