零售末日”到来?Qlik用数据分析开创零售热潮!

零售末日”到来?Qlik用数据分析开创零售热潮!

我们生活在一个“商业纷乱”的时代。电子商务使人们的购物方式发生了巨大的改变。网上购物、一键订购、货到付款……人们可以随时随地使用智能手机购买所需的产品。

电子商务的繁荣使得实体零售陷入“四面楚歌”的境地。许多传统企业倒闭,有关“零售末日”的言论甚嚣尘上——但“零售末日”并非不可避免。亲自接触产品、与经验丰富的销售人员面对面交谈……这些购物安全感是聊天机器人和网上评价无法给予顾客的。

下文将为您介绍Qlik是如何通过ShopperTrak为客户提供顾客追踪方案,以及如何通过Qlik Sense为顾客提供动态报告和销售建议的。

开创顾客追踪方案

ShopperTrak是全球领先的零售店顾客追踪方案提供商。实际上,是Qlik开创了这项业务。Qlik是由一群工程师于20年前创立的,他们发明了一种可以计算进入和离开商店人数的设备。

您可能在您购物的地方看到过这种设备。它们看起来像朝下的摄像头,安装在每个商店的入口处。使用它作为基础,Qlik开始构建零售数据分析服务,向大约2,000家公司提供商业智能(BI)。

Qlik目前安装了大约150,000个这样的传感器,它们可以追踪全球约400亿顾客的购物习惯。

为了提高Qlik的数据收集能力,工程师们还在零售店使用Wi-Fi传感器来追踪携带智能手机和平板电脑等具有Wi-Fi功能设备的顾客的活动。

Qlik严格遵守欧洲的《一般数据保护条例》和加利福尼亚的《电子通信隐私法案》等隐私法规,不会收集顾客的PII(个人身份信息)

在大多数情况下,会安装10到14个两种类型的设备来覆盖整个商店。可以想象,这会生成大量数据,其中一些数据有价值,但绝大部分是没有的。

问题的关键就在于:如何将有价值的数据与无用的分离,又如何将其转化为可行的建议。

用数据分析优化方案

Qlik的顾客追踪方案将数据分析层添加到现有的外围和内部传感器组合以及ShopperTrak零售分析平台(STAN)中。

为了促进BI,Qlik选择了Qlik Sense,因为它易于与Oracle,MongoDB和BigQuery数据库集成。然后,Qlik编写了一系列Python脚本,从数据库中提取可用的数据,并使用Qlik的NPrinting APP来生成数据可视化报告提供给客户。

Qlik Sense和NPrinting APP使ShopperTrak不再仅仅只能提供有关客户活动以及客户与店内销售人员互动信息的静态报告。现在,Qlik可以使用数据、通过数据分析生成动态报告,并为客户提供有关销售业务问题的解决方案。

Qlik Sense和NPrinting还大大加快了客户的报告的生成过程。过去,添加新帐户只能使用Excel脚本手动完成所有操作,创建新报告以及生成初始输出需要花费四到六个月的时间。

现在,新的平台已经启动并良好运行,还可以继续使用扩展功能完善报告。 Qlik Sense支持复杂的计算以及灵活的访问和集成水平。这些功能意味着Qlik可以轻松地为拥有10至11,000个商店的客户提供服务。

用动态报告提供建议

Qlik Sense主要通过两种方式生成动态报告,从而为客户提供可行的建议:包括业务实践和人工模式的改进等。

一、分析流量占比以提高SPS 

第一种方式是Qlik通过使用某一客户零售商店的销售和流量数据的组合生成季度初至今的SPS(每名顾客的消费额)报告。

当Qlik基于转换率和ADS(平均美元销售额)计算SPS时,发现$ 12.53的SPS比应有的低了$ 7.68。

接着,Qlik团队查看了客户流量数据,发现在任何一周中,流量数据最高的两个四小时时段是周六下午三点到七点和周日下午两点到六点。在一周中,这八个小时的流量占客户总流量的21.7%。

为了提高这一时段的转化率和ADS,从而提高整体的SPS,Qlik建议客户在店内安排那些可以同时为尽可能多的顾客提供服务的销售人员。

与此同时,两个最低的四小时流量时段:星期日下午的六点到十点和星期二上午九点到下午的一点,仅占每周流量的2.2%。

这一时段是店内安排管理、补货和维护任务最好的时间段。进一步的建议是配备那些能够回答顾客开放式问题并加价销售的销售人员以增加ADS。这些建议远比简单的流量和数字有价值。

二、处理数据以变革内部分析

第二种方式是让某一客户创建一个内部数据分析报告,该报告提供商店布局和人工模型改进建议。

在一年多的时间里,Qlik追踪了全天营业的15家零售商店的顾客动向。追踪这些活动每天会产生约500万条记录,因此只有依靠强大的处理能力才能产生详细的、有价值的建议。

使用Qlik,工程师能够过滤Wi-Fi传感器收集的信息,将其分为客户和销售关联数据。Qlik将每个商店细分为12×12英尺区域,创建热图,以显示与客户相关的互动发生的位置。

接下来,Qlik通过确定相似读数的序列并将当前值与前一个值进行比较,从而计算出顾客的停留时间并分析顾客的行为。最后,Qlik汇总以上数据,创建每个商店中各个区域的停留时间数据。

为了以最高效率执行这些计算,Qlik将数据集分成较小的批次,接着逐个循环处理。Qlik还使用增量加载来执行计算,因此,每次加载新计算时,只需要重新处理当月的数据。

通过避免重复计算,Qlik能够在几小时内在功能强大的服务器上处理大量数据集。最终的Qlik应用程序仅使用80mb即可生成20页的报告——报告将5亿条记录汇总到热图,客户行为记录和其他可操作数据中。

这比仅使用Excel或传感器数据所能完成的任何操作都要复杂得多,影响力也更大。

致力增强追踪方案

部署Qlik Sense使ShopperTrak能够为客户带来新服务。更重要的是,Qlik Sense的可扩展性,易于集成和强大的关联引擎能够快速有效地构建解决方案。

Qlik可以比以往更快地从研究和原型阶段过渡到面向客户的解决方案,并且每天都有新客户注册并使用高级分析解决方案。

几个月后,Qlik将制作一个视频追踪方案,以便更好地收集客户流量数据。该产品仍处于开发阶段,因为Qlik需要找到能够保护客户隐私的方法。

未来,Qlik还将着眼于增强预测分析产品,并研发一种产品来跟踪电影节,摇滚音乐会和体育比赛等外部事件对零售销售的影响。

►Qlik并不关注零售末日,而是坚定地致力于改变零售格局,开创零售热潮。

About the Author