数据化管理：洞悉零售及电子商务运营

编辑推荐

赫基国际集团CEO徐宇、唯品会高级VP蒋泾、知名自媒体人鬼脚七、中国传媒大学教授沈浩等17位企业老总及行业大腕联袂推荐；

教你如何用常见的Excel工具建立商业运营模型；

从数据中发现商业规则、洞察消费者行为、量化商业价值，让你的商业价值算得出。

内容简介

《数据化管理：洞悉零售及电子商务运营》讲述了两个年轻人在大公司销售、商品、电商、数据等部门工作的故事，通过大量案例深入浅出地讲解了数据意识和零售思维。作者将各种数据分析方法融入到具体的业务场景中，形成了数据化管理模型，从而帮助企业提高运营管理能力。
《数据化管理：洞悉零售及电子商务运营》全部案例均基于Excel，每个人都能快速上手应用并落地。

作者简介

黄成明（@数据化管理）：拥有15年的销售及数据分析经验，历经美国强生公司、妮维雅公司、雅芳公司和鼎盛时期的诺基亚公司。目前是数据化管理的咨询顾问和培训师。他独立研发了基于周销售权重指数的零售管理模型，可以有效地进行目标管理、销售预测、客流预估、促销评估、销售预警等。

第 1 章　什么是数据化管理
1.1　“聪明”的销售人员
1.2　数据化管理的概念
1.3　数据化管理的意义
1.4　数据化管理的四个层次
1.4.1　业务指导管理
1.4.2　营运分析管理
1.4.3　经营策略管理
1.4.4　战略规划管理
1.5　数据化管理流程图
1.5.1　分析需求
1.5.2　收集数据
1.5.3　整理数据
1.5.4　分析数据
1.5.5　数据可视化
1.5.6　应用模板开发
1.5.7　分析报告
1.5.8　应用
1.6　数据化管理应用模板

第 2 章　寻找零售密码
2.1　周权重指数
2.1.1　寻找店铺零售规律
2.1.2　周权重指数
2.1.3　周权重指数的计算
2.1.4　日权重指数的特殊处理
2.2　周权重指数的应用
2.2.1　判断零售店铺销售规律辅助营运
2.2.2　分解日销售目标
2.2.3　月度销售预测
2.2.4　销售对比
2.3　神奇的黄氏曲线——单位权重（销售）值曲线
2.3.1　单位权重（销售）值曲线
2.3.2　应用在销售追踪过程中
2.3.3　特殊事件的量化处理
2.3.4　促销活动的分析及评估
2.3.5　新产品上市的分析及评估
2.3.6　其他应用
2.4　案例及应用——数据化排班

第 3 章　销售中的数据化管理
3.1　销售都是追踪出来
3.1.1　没有目标管理就没有销售的最大化
3.1.2　没有标准就没有追踪的依据
3.1.3　如何用数据化追踪销售
3.1.4　销售追踪注意事项
3.2　常用的销售分析指标
3.2.1　人货场是零售业基本的思维模式
3.2.2　零售业常用的分析指标
3.2.3　如何确定指标的重要性
3.3　提高销售额的杜邦分析图
3.3.1　路过人数
3.3.2　进店率
3.3.3　成交率
3.3.4　平均零售价
3.3.5　销售折扣
3.3.6　连带率
3.4　促销中的数据化管理
3.4.1　影响冲动购买的因素有哪些
3.4.2　零售业常用的促销方式
3.4.3　促销活动的准备、执行和评估
3.5　案例及应用

第 4 章　商品中的数据化管理
4.1　常用的商品分析指标
4.1.1　商品分析的基本逻辑
4.1.2　常用的商品分析指标
4.1.3　伤不起的售罄率
4.1.4　再谈如何确定指标间的重要性
4.2　常用的商品分析方法
4.2.1　商品的自然分类方法
4.2.2　商品的销售分类方法
4.2.3　商品的价格分析
4.2.4　商品的定价策略
4.3　商品的关联销售分析
4.3.1　商品的关联程度分析
4.3.2　购物篮分析
4.3.3　提高商品关联度的方法
4.4　商品的库存管理
4.4.1　库存分析逻辑
4.4.2　异常库存管理
4.4.3　设置库存预警条件
4.5　商品的利润管理
4.5.1　谁在决定商品的利润
4.5.2　商品的现值
4.5.3　库存的现值分析法
4.6　案例分享

第 5 章　电子商务中的数据化管理
5.1　数据分析是电商营运的指路明灯
5.1.1　电子商务和传统零售数据分析的区别
5.1.2　电商数据分析需要的数据
5.1.3　电商数据来源及分析工具
5.2　电商数据分析指标
5.2.1　流量指标
5.2.2　转化指标
5.2.3　营运指标
5.2.4　会员指标
5.2.5　财务指标
5.2.6　关键指标
5.3　流量及会员数据分析
5.3.1　流量及转化的漏斗图分析
5.3.2　对比发现有质量的流量
5.3.3　电商销售额诊断
5.4　案例分析

第 6 章　零售策略中的数据化管理
6.1　渠道策略的数据化管理
6.1.1　如何科学地将渠道分类
6.1.2　渠道拓展分析
6.1.3　渠道的管理指标
6.2　会员策略的数据化管理
6.2.1　会员数据分析
6.2.2　会员价值分析
6.2.3　会员的生命周期管理
6.2.4　会员购买行为的研究
6.3　竞争对手分析
6.3.1　谁是你的竞争对手
6.3.2　如何收集竞争对手的数据
6.3.3　竞争对手的分析方法
6.4　营运策略的数据化管理
6.4.1　如何做销售预测
6.4.2　如何制定年度销售目标
6.5　案例分享
6.5.1　整理思路
6.5.2　界定问题
6.5.3　收集数据
6.5.4　分析数据

第 7 章　必知必会的数据分析方法
7.1　数据分析的立体化
7.1.1　数据分析必须立体化
7.1.2　三维分析之点-线-面
7.1.3　三维分析之时间-对象-指标
7.1.4　三维分析之人-货-场
7.1.5　三维分析之广度-宽度-深度
7.2　数据没有可对比性就没有数据分析
7.2.1　被滥用的同比和环比
7.2.2　伤不起的各种“率”
7.2.3　她真的是销售冠军吗
7.3　常用的数据分析方法
7.3.1　如何设定指标的权重
7.3.2　经典的二八法则应用
7.3.3　ABC分析方法
7.3.4　排行榜分析方法
7.3.5　你真的了解平均值吗
7.4　数据展示也是一种分析方法
7.4.1　Excel图表的展示逻辑
7.4.2　不一样的雷达图
7.4.3　清清爽爽的K线图
7.4.4　高端大气的热力图
7.4.5　四象限图的策略思维

第 8 章　如何建立数据化管理模型
8.1　数据化管理应用模板
8.1.1　自定义区域
8.1.2　数据源区域
8.1.3　分析辅助区域
8.1.4　业务预警区域
8.1.5　业务分析区域
8.1.6　报告展示区域
8.2　搭建数据化管理模板必会的Excel十大技巧
8.2.1　必须要掌握的54个函数
8.2.2　数据透视表
8.2.3　自动排名
8.2.4　四象限图
8.2.5　智能提醒
8.2.6　PPT随Excel图表自动更新
8.2.7　密码保护
8.2.8　控件和VBA的使用
8.2.9　名称管理器
8.2.10　如何隐藏数据

后记
附录　测试你对数据敏感度的答案

前言

前言
测试你对数据的敏感度
五一刚过，北京某大学校园内来了几个人，他们是新春天连锁商业有限集团公司负责校园招聘项目的员工。而此时阶梯教室早已坐满了慕名而来的同学，他们是被这样一张海报吸引过来的：
We want you
我们不在乎你学的是什么专业，我们也不在乎你是男是女，但是我们在乎：
你是否对未来的工作充满幻想和期待？
你是否对数据有足够的敏感度？
你是否有很强的逻辑思维能力？
如果有，我们5月7日14:00阶梯教室见！
招聘会中将有资深职场人士分享“如何提高你对数据的敏感度”等内容。
我们是新春天连锁商业有限集团公司，中国50强零售企业。我们的总部在北京，我们的主要业务来源于百货、超市和电子商务。
14:00新春天校园招聘会准时开始，例行发言后，主持人给每位同学发了一张笔试卷子。要求10分钟内完成，不能使用计算器或者具有计算功能的手机等（友情提示：最好是心算）。
亲爱的读者，准备好纸和笔，你也一起来测试下自己对数据的敏感度吧。
第一部分：请判断下面的描述是正确的、错误的还是不能确定。
① 某公司业务员小强有24个客户，4月不重复客户购买比率为78%。（注：不重复客户购买比例=有订单的客户总数÷总客户数，重复购买的客户只算一次）
② 我国城镇住房建设较快发展，人均住宅建筑面积升至26.11m2（北京市为32.68m2），户均住宅建筑面积为83.2m2。同时，城镇住宅建筑面积达到历史最高的300.16亿m2。
③ 2013年4月，某品牌在某地区销售同比增长32%，该地区的三个客户分别完成销售23.8万元、36.8万元、27.0万元，去年同期他们分别完成销售18.3万元、28.8万元、20.9万元。（注：该地区只有三个客户）
④ 某学校200名同学全部参与了优秀学生干部的选举活动，最后李刚同学以88.8%的投票支持率当选。（注：共5名候选者，每位同学只能选择支持1位，候选者也可以参加投票）
⑤ 国家统计局发布的《2009年国民经济和社会发展统计公报》显示，2009年70个大中城市房屋销售价格上涨1.5%，其中新建住宅价格上涨1.3%，二手住宅价格上涨2.4%，房屋租赁价格下降0.6%。
⑥ 2012年，某公司各部门员工离职率分别为：销售部125%，市场部48%，物流部26%，人事部0%。
⑦ 甲、乙两单位进行大学生招聘，只要两单位的女性录用率分别都高于男性录用率，就能确保两单位的总录用率女性高于男性。（注：录用率=录取人数÷应聘人数×100%）
⑧ 2011年8月，京沪高铁开通运营一个月以来，共开行动车组列车5542列，日均179列；运送旅客525.9万人，日均17万人，平均上座率为107%。
⑨ 345678＋13897＋6732＋19753＋685454＋23988＋348766＋768＝1445038
第二部分：请找到如下数字的规律，并将正确答案填到括号中。
① 11，27，66，146，（）
② 5，5，9，17，29，（）
③ 3，4，6，10，（）
④ 65，8，50，15，37，24，（）
第三部分：请运用加减乘除和括号计算试题，要求计算结果是24，同时要求每题用两种方法。
① 5，8，9，2
② 6，6，8，3
③ 3，5，7，8
测试题答案请见附录，总分20分。
15分钟之后，一位英俊潇洒的帅哥走上了讲台。他叫杰克，新春天集团总裁特别助理，主要负责集团的数据化管理项目，也是这次校园招聘项目MT（Management Trainee，管理培训生）的导师。杰克以严谨、严厉、严格著称，被下属取绰号“严三儿”。
杰克上台后环顾了一下全场，场下是数百位同学在等待他的演讲。
大家好，我叫杰克。我今天第一个问题是：有谁知道数字、数值和数据的区别吗？
同学A：数字就是阿拉伯数字，而数据应该和数值差不多吧？
同学B：我认为数据和数值不一样，比如我数学考了88分，88是数值，而88分就应该是数据。
杰克：不错，综合你们的说法就是答案。数字是阿拉伯数字，只是计数符号，数据是有背景的数值，这个背景一般以单位来体现。例如，2013年5月5日新春天集团王府井店营业额是人民币3686万元，3、6、8、6是数字，3686是数值，人民币3686万元就是数据。
如果你们能进入新春天集团的数据部门工作，那你们就会每天面对各种数据。
我的第一份工作是做销售经理的助理，天天负责给销售团队做各种报表，也就是大家熟知的“表哥”。刚开始的时候，非常痛苦，辛苦半天做好的报告被经理一秒钟就给打回来了，说里面有错误，并且还不告诉我具体错在什么地方了。于是我又不得不花上一些时间去找那个该死的错误值。时间长了我就总结出一些快速找到数值（注意不是数据）错误的方法。
请大家在30秒内选择出下面这4道题的正确答案，前提是不能用计算器：
① 345678＋13897＋6732＋19753＋685454＋23988＋348766＋768=
A1445035 B1445036C1445037D1445063
② 3872×68=
A263296 B283296 C 193296 D213296
③ 1258×308=
A38764 B3874064C 3870464 D387464
④ 12837 9235 432867 235=
A435174 B489174C 455174 D555174
说实话，我现在非常感谢我的这位领导对我的磨练，他用一种特殊的方法让我快速融入到数据之中。你们进入社会以后也需要这种磨练才能快速成长，这样能迫使自己快速进入状态，找到对数据的感觉。心算是找数据感觉的一种方法，并且在很多场合，例如在商务谈判时，在听别人做销售报告时，下属向你汇报工作时……你好意思拿出计算器来吗？所以我们需要掌握一套判断数字运算结果是否错误的速判法。这种方法虽然不能准确知道正确的结果是什么，但是可以快速判断哪些结果肯定是错误的。
如何快速识别真假数值？
◆尾数法：只看最后一位数字，尾数相互加减乘除后的结果必须满足对应的算术规律。例如①所示，我们可以快速判断尾数应该是6，所以ACD肯定是错误的。
◆首位法：只看每个数值的第一个数字，相乘或相加，结果需要满足或近似满足四则运算规律。例如所示，首位数字近似于4乘以7，计算结果②应该靠近且小于28，所以BCD是错误的。
◆数位法：通过数每个数值的位数来判断计算结果是否正确。例如所示，4位数乘以3位数结果应该是6或者7位，而③题中的两个数值偏小，所以结果应该是6位。从而判断ABC都是错误值。
◆极值法：在求和运算中，最大值左右了运算结果，所以通过对比最大值和运算结果大致就能做出判断。例如④利用此法很容易就能判断ABD是错误的。
“So easy，我们在小学就会这些了！”突然从人群中冒出一句话，随即引起了同学们的哄堂
大笑。杰克平静地看着大家，等大家安静下来后才继续。
杰克：我曾经在不同的企业、不同的层面，把上面几组错误的数据嵌套到销售报告中做测试，遗憾的是，只有少数人发现了其中的错误数据，这个比例不到5%，因为大家已经将这些知识“还给”小学数学老师了。我相信到时候你们中的大部分人也会犯这种错误，因为大部分人没有数据思维，也没有养成对数据的质疑精神，这种精神不是学出来的，而是练出来的。
如何提高自己数据化思维的意识？
包括三个方面：对数据的敏感度、数据化思维意识以及习惯用数据说话，可以从主动和被动两方面来提高。
◆主动提高
玩数字游戏：什么24点1、数独等都统统可以有。刚开始工作的那几年，在每天上下班的路上，我常常一个人盯着公交车外一闪而过的汽车尾部牌照玩24点，很有效。最后我可以做到
在下一辆车出现之前就能算出前一辆车牌照号的24点。
1　24点规则：随机抽取4个整数（一般是1~9之间的数字，可以重复），运用加减乘除等运算法则，最后得到结果必须是24。
多看财经类的新闻报道：当看到数据的时候，多想一想，花点时间思考一下，还可以通过搜索、查证、逻辑判断等来证明这些数据是正确或错误的。
学会质疑：不迷信不盲从专家的数据，养成独立思维的习惯。
记大数、关键数、异常数等：在业务过程中多记一些有用的数据会让你显得更专业，时间长了对数据的感觉就出来了。
当然每个人都有适合自己的方法，找到它坚持下去，时间长了这就会变成一种能力。很多女孩子总是认为自己对数据敏感度低是天经地义的，其实这是用心不够。
◆被动提高
杰克：被动总是一件很痛苦的事情，我服务的第一家公司是一家号称具有浓郁报表文化的美国公司。当时我平均每天需要做10~20张左右的报表，在那个没有电脑、报表只能靠手工传真的年代，大家可以想象这是一个多么宏大的工程。
若干年前的某个夏天，我在主持某品牌服装北京地区销售周例会的时候，有个商场当周销售额环比下降了18%，店长解释的原因是天气太热，顾客都不愿意逛商场，客流量下降，所以销售额也必然下降。有意思的是当周有个商场销售额环比上升了15%，而这位店长给出的原因也是天气。天气太热顾客都喜欢逛商场，因为可以享受凉爽的空调，平均停留时间增加，所以销售额上升。
2012年8月28日，我在新浪微博写了这样一条，如图Q-1所示。
图Q-1　微博图片
“So easy！”不知道哪位同学又冒出一句，又是哄堂大笑。
杰克微笑地看着大家：很多职场人士遇到问题的时候，不是主动找问题的原因，而是习惯性地编故事。我做过统计，当销售表现不好的时候，有25.7%的人会归结于天气，有22.1%的人会归结于客流，就是没有顾客，有18.5%的人会归结于商品的原因……为了帮助这个公司的同事更快地提高数据化思维，我做了一个艰难的决定，必须强迫他们养成用数据说话的习惯。
① 培训：我们准备了专业的数据课程培训，同时我还安排了公司数据分析中心的同事每月给大家上课。
② 做表：每天做5张表，包括日销售分析表、月销售预测表、商品数据汇总分析表、会员数据汇总分析表、竞争对手数据调查表。这是我当时强制留给店长们的作业，他们报表交上来后，我会不断地给他们“挑错”。三个月后再看大家对数据的感觉，效果相当不错。
③ 诱惑：三个月后我把上面的5张表整合成一个店铺管理模板，我在里面植入了各种销售和商品的分析及各种算法。只需要店铺每天录入几个数据，其他的模板自动生成，如图Q-2所示。通过模板诱惑他们主动去分析，这时候提高的就是店长的综合分析能力。
图Q-2　店铺管理模板（部分）
④ 换岗：经过前三步的培养之后，对于那些实在不愿意改变的同事，这是下下策的安排。
数据思维是一个不断训练提高的过程，然后放到业务环境中去思考问题，数学成绩的好坏并不是我们这次招聘的必备条件。
祝大家好运！