零售企业如何通过数据驱动优化品类和提升销售？

      数字化转型已经成为当下连锁零售企业实现降本增效的必经之路。今天，我们就通过一个用数字化方式优化商品结构带来品类销售增长的对照试验案例，带大家看下有效的“数字化”服务是如何帮助连锁零售企业提高品类销售能力的。

饼干品类优化模型对照试验

     我们通过门店的销售数据和总部商品库背景，对每个门店的商圈特点进行识别，基于品类优化模型，给出每个门店相关商品的优化方案。然后将算法结果融入到日常门店商品优化流程，指导商品的退出和引进，实现门店对各品类商品的优化。

     具体过程：

     首先，我们选取了11**8家门店，随机分成了实验组7**4家和对照组10**4家，进行了为期30天的试验。（本次试验是在客户门店正常经营下进行的，无场景模拟）

     对照组和实验组下发前（开始试验前30天的商品数据）的品类销售额大约是31**0元和26**1元，对照组品类参数由人工调整，实验组品类参数由品类优化模型动态调整。

图1 “数字化”服务流程

      试验结束时，得到的销售额数据如下：

表1 实验组和对照组试验期间的销售额对比明细

     我们可以看到，实验组销售额增长率环比上月提升13.65%，对照组销售额增长率环比上月提升7.08%。相较于对照组，实验组多增长6.57%。相当于实验组每个门店每月多销售456元。

      在进行对照试验的过程中，我们还根据综合经营指数对下发前后（即试验前的商品数据和通过算法调整了商品以后的数据）的饼干类单品销售情况进行了排名预测，并将实际销售情况数据列出来进行了对比：

表2 以30天为周期的排名预测部分数据截图

      从这个品类实际销售情况的排名来看，预测准确性是很高的，通过预测和实际排名差的统计数据可以证明这个结论。

图2 单品经营预测排名与单品经营实际排名差值分布图

      图2横坐标代表的是单品经营预测排名与单品经营实际排名之间的排名差值，纵坐标代表的是排名差值相同的单品的数量。排名差值越接近于0，表明这个商品的排名预测越准确。排名差值越接近于0的单品数量越多，表明算法的预测精度越高。

图3 排名差值相同的单品数量占比

      从图2的单品经营预测排名与单品经营实际排名的差值分布图可以看出，差值高度集中在±3之间，达63.24%，且预测排名差在±5之间的单品量占比接近80%，说明本次试验的品类优化模型在单品销售额预测上的准确率非常高。

      从该试验结果也可以看出，通过数据驱动的算法模型进行的商品优化要显著优于人工的工作方法。在提升了销售额的基础上，还帮助客户大大减少了工作量，工作效率得到提高，人力成本这块也得到了降低。

     该案例所采用的算法除了应用在品类经营上，还可以应用到以下的业务场景：

表3 可应用的其他业务场景

     该试验通过点三三数字化服务平台，由点三三团队与客户共同完成。点三三团队深耕连锁零售行业十数年，拥有18年积累的数据分析成果与行业经验，已经建立了一套成熟的商品结构优化数字化服务模式，可快速接入到门店的经营流程当中，不更换企业已有系统，也几乎没有额外学习成本，利用数据+智能驱动就可以帮助企业实现数字化经营。点三三商品结构优化服务，基于行业高维分析模型助力企业实现千店千面，有效提升门店的基础销售收入，降低门店经营的成本。

本文来自微信公众号“点三三科技”（ID:D33Tech），作者：小点，36氪经授权发布。