数据化管理（二）---寻找零售密码

数据化管理（一）—什么是数据化管理
数据化管理（二）—寻找零售密码
数据化管理：洞悉零售及电子商务运营.pdf 链接：https://pan.quark.cn/s/02aba969e187

一、周权重指数

  零售业规律就是以周为单位不断循环的过程，这就是零售业的规律。无论是传统零售还是电子商务都会遵循这种规律，区别是传统零售一般周末是销售高峰，电子商务周末反而一般。周权重指数是以某段销售周期内的历史日销售额数据为基础，以周为单位，进行权重分析处理的一种管理工具。周权重指数是一个相对概念，每个企业不尽相同，一般介于7.0-14.0之间。值越大表示该企业或者店铺的日销售额波动幅度越大。周权重指数是零售店铺用来量化处理各种销售状况、销售事件的管理工具，非常强大。
  周权重指数等于周一到周日每天的日权重指数相加，假如某个零售店铺的周权重指数为10，其中周一到周日依次为1.0，1.2，1.3，1.2，1.6，1.9，1.8。可以这样简单地理解周权重指数和日权重指数：如果这个店铺每周销售额为10元，那一般来说周一可以销售1.0元，周二可以销售1.2元…权重指数是一个相对值。

日权重指数	星期一	星期二	星期三	星期四	星期五	星期六	星期日	周权重指数
企业A	1.0	1.1	1.0	1.1	1.3	1.8	1.7	9.0
分店1	0.8	1.2	1.0	0.9	1.6	2.0	1.5	9.0
分店2	1.0	1.1	0.9	1.0	1.5	1.9	1.6	9.0
分店3	1.3	1.2	1.5	1.4	1.5	1.1	1.0	9.0
企业B	1.0	1.1	1.0	1.2	1.7	2.2	2.0	10.2
分店1	1.0	0.8	1.2	1.3	1.6	2.1	2.2	10.2
分店2	0.5	0.6	0.8	1.2	2.0	2.5	2.6	10.2
分店3	1.2	1.3	1.7	1.3	1.0	1.9	1.8	10.2

  为了标准化管理，每个零售企业应该是统一的周权重指数。从以上两个零售企业及其中三个门店的周权重指数以及日权重指数可以得出：

• 企业A：每周销量最小应该周一、三，周末销量最高；周末三天（周五到周日）占周总销售额的53%；分店3周末两天的权重指数合计2.1份，占周权重指数23%，可能位于写字楼区域内；
• 企业B：每周销量最小应该周一、三，周末销量最高；周末三天（周五到周日）占周总销售额的58%，相比企业A更依赖周末的销售；分店2周五到周日的权重指数合计7.1份，占周权重指数70%，销售过于集中；

1.1 权重指数计算

  可以利用销售额或客流量来计算权重指数。销售额数据比较便于采集，所以一般采用前者。而以售卖服务为主的业态，比如手机营运商的营业厅，可能不会产生销售额，就可以利用日客流量为基础数据进行计算。其他如呼叫中心可用电话接通数的数据，电子商务网站可以用访问量数据等。
  企业标准周权重指数的计算步骤如下：
step1：收集企业每个完整店铺最近一个完整年度（比如2012年1月1日到2012年12月31日，也可以是2012年8月1日到2013年7月31日）中的日销售数据。
step2：将所有完整店铺的每日销售额数据对应相加得到企业的每日销售额数据
step3：对日销售数据进行预处理，剔除掉异常数据。之所以要剔除异常数据，目的是为了让数据能更真实反应正常日期的销售规律走势。

• 法定节假日。包括元旦、春节、清明节、五一、端午节、中秋节、国庆节等。
• 法定假期的调休日。属性发生变化，所以要剔除。
• 行业特殊日。包括情人节、三八节、儿童节、圣诞节等。这些日期因不同的零售业态有不同的意义，对应的销售值是否必须剔除，要看具体业态或行业特性。
• 非正常销售日。主要指不可抗力或人为影响对应的销售值，前者比如天灾人祸，后者比如零售企业的店庆日等，另外有些店铺每月最后几天的销售都不正常，这种数据也需要剔除。

step4：将剩下的数据以周为单位整理，然后计算出平均日销售数据。

周数	周一	周二	周三	周四	周五	周六	周日
1	-	-	-	-	-	-	-
2	-	73	72	84	133	154	177
3	77	75	78	86	184	180	145
4	84	95	86	95	205	177	191
5	101	92	78	101	122	151	-
6	-	-	-	-	-	-	-
7	-	-	83	109	126	-	146
8	-	102	82	91	115	160	163
9	76	99	128	140	126	145	179
10	70	89	92	99	132	142	161
11	126	-	67	100	135	163	133
12	97	86	98	97	132	146	149
13	81	89	102	84	114	142	152
14	124	101	100	93	114	-	-
15	-	-	89	91	125	122	124
16	110	80	103	76	129	151	165
17	88	104	98	90	113	170	150
18	81	86	103	107	159	-	-
19	-	87	93	113	140	137	170
20	82	93	104	149	137	165	160
21	68	92	103	86	125	161	152
22	107	93	100	95	124	141	146
23	81	83	125	92	101	-	-
24	-	115	93	129	118	144	178
25	92	110	76	90	135	158	180
26	96	104	129	80	115	159	153
27	89	131	103	89	118	166	180
28	105	147	72	119	191	183	142
29	72	94	67	118	166	193	172
30	92	91	101	98	130	155	140
31	90	93	92	96	129	167	162
32	87	89	93	88	145	168	137
33	130	107	123	96	129	179	134
34	100	97	106	77	135	134	175
35	79	95	107	75	134	117	121
36	100	82	114	97	129	141	114
37	74	95	96	99	112	-	-
38	-	100	74	124	135	179	163
39	95	102	85	86	290	239	219
40	67	80	106	88	153	-	-
41	-	-	-	-	-	74	-
42	76	94	81	91	168	162	160
43	76	93	95	88	178	185	177
44	90	77	107	71	178	154	198
45	87	78	90	109	121	148	163
46	75	84	89	127	135	142	176
47	86	107	100	75	179	190	197
48	1.02	1.07	1.12	1.15	1.28	1.32	1.18
49	110	93	134	77	138	174	144
50	122	94	118	88	127	122	191
51	84	87	81	91	123	139	154
52	89	86	95	122	173	258	149
53	95	87	90	71	177	-	-
平均日销售	91	94	96	96	142	160	161

step5：找到平均销售中销售额最低一天的销售数据，设定它的日权重指数为1.0，然后分别用其余六天的平均日销售额除以这个最低值，就分别得到每天的日权重指数。

单位：万元	星期一	星期二	星期三	星期四	星期五	星期六	星期日	合计
平均日销售	91	94	96	96	142	160	161	840
日销售权重指数	1.0	1.0	1.1	1.1	1.6	1.8	1.8	9.4

step6：将每日权重指数相加就是周权重指数。最小的周权重指数应该是7.0，周权重指数越大说明这个企业的日销售越不稳定，这个值越接近7.0，说明这个企业每天的销售额都差不多。
注意：不需要每个分店都有自己的权重指数，会显得比较乱套，不利于后期的标准化应用。计算企业标准时，这个周权重指数就是企业标准，其他分店可以用这个标准去推导自己的日权重指数，找到总部以下单位的销售规律，分店最小日权重指数有可能小于1.0。

1.2 分店权重指数计算

step1：计算分部规律不需要全年数据，有三个月的销售数据就行，一般是最近两个月和去年同期月份数据。例如在预测2013年10月的分部销售规律时，可以收集2013年8月、9月以及2012年10月的数据。这样的好处是既考虑了数据的时效性，又考虑了数据同期的参照性。
step2：对日销售数据进行预处理，剔除异常数据。
step3：将剩下的数据以周为单位整理，然后计算出周中每天平均日销售额以及平均周销售额
step4：分部日权重指数公式（其中N为1~7）：星期N的日权重指数=（星期N的平均日销售额➗平均周销售额）✖企业周权重指数
  从这个步骤来看，分部的销售规律需要每个月都处理一次，即通过三个月的历史数据来预测下一个月的销售规律。权重指数的概念是为了给每天赋予一个值，每天每个分部都会对应一个日销售权重值。另外，企业的权重指数由于是企业标准，则不需要每月处理一次，当然各分部的权重指数也可以固定化，不必每月处理一次，前提是在第一步中需要收集完整年度而不是三个月的数据进行分析。每月处理一次的好处是销售规律更有时效性和针对性。

1.2.1 日权重指数的特殊处理

  分店的日权重指数，我们采用了至少三个月的数据来分析，规律性是比较强的。但对于一些特殊日期的处理，由于每年只会简单的几个销售日数据，我们就不能简单使用这种方法了。例如国庆节七天假，每年只会有七个销售日数据，数据量太少，偶然性比较大。所以我们需要扩大分析范围，增加数据源，可以选取2~3年的历史数据作为数据源，增加这些特殊日期权重指数的规律性。特殊日期可以分成三种情况：七天和三天假期、春节、促销档期。
  国庆和三天假期的日权重指数：以清明节三天假期为例来说明，同时假设这个店铺的周权重指数为9.4。
step1：取三年历史数据，每年取2~4个标准周的销售数据为参照。

step2：计算2010年4月6日-26日单位权重（销售）值，计算公式为：2010年4月6-26日总销售额除以2010年4月6-26日总权重指数。再按日权重指数=日销售额➗单位权重（销售）值分别计算2010年4月3-5日的权重指数。
step3：同样的方法计算2011年4月3-5日，以及2012年4月2-4日的日权重指数。
step4：计算清明节每一天的平均日权重指数，取三年中清明节第一天的日权重指数的平均值作为清明节第一天的日权重指数，第二、三天依此类推。这三个值就是清明节的销售规律值。
  对于三天假期：很多零售公司或店铺遵照如下的规律：第一天约等于周六的日权重指数，第二、三天约等于周日的日权重指数。
  春节日权重指数：计算方法和清明节的计算方法大体一样，不一样的地方在于春节在每年1月或2月不定，所以选取三年1-2月的销售额数据作为数据源，另一个不同就是不但计算春节周的日权重指数，还需要计算春节前一周的日权重指数，因为春节的特殊性，这一周在销售数据上已经没有正常的星期一到星期日的概念。

  促销档期的日权重指数：促销活动会影响到零售业态的日权重指数值，比如某个周一它的正常权重指数是1.0，但由于当日有促销活动，而它的权重指数值就需要随促销活动的力度而提高。促销活动的量化处理可以参照“风力等级"的办法，风力等级一般分为0~12共13个等级，每个等级都有对应的风速指标。同样的道理，可以设定0级促销即无促销，日权重指数为正常值(假定为1.0)；1级促销为销售额增长10%，日权重指数为1.1；2级促销为销售额增长20%，日权重指数为1.2………依此类推。这里的增长幅度可以根据日常促销的历史数据计算得出。

二、周权重指数的应用

  权重指数的目的是为了给365天都赋予权重值，正常状态下赋予每天常规的权重，促销时则使用将促销级别考虑进去的特殊权重，节假日时则使用节假日权重。

2.1 判断零售店铺销售规律辅助营运

  权重指数除了用来分析集团或者门店的数据，还可以用来分析集团旗下某个区域（比如华北区的权重指数），甚至是商场或超市中某个品牌的权重指数，因为他是一个灵活的概念。
  权重指数最基本的应用是用来判断分析对象的周销售规律，下图为某个服装品牌在其中4家店铺的权重指数图，由图可见：

• 古北店：符合大部分零售店铺的销售规律，周一是当周的最低点，销售主要集中在周末。
• 春熙路店：星期三是一个亮点，原因是每个星期三都是该店的会员日。
• 景山店：销售相比较平均分布，没有明显的周末现象，这是社区店所具有的特征。
• 新街口店：销售明显地分布在星期一到星期五，而周末两天是一周中的销售最低点，大部分写字楼店铺是这样的。

  权重指数值对品牌或者企业营运有积极的指导意义，可以根据权重指数值的高低来安排店铺的员工排班、店铺的陈列调整时间、部署送货时间窗口等。比如春熙路店的每周服装陈列换装时间定在星期三就不合适，星期三对春熙路店来说是销售高峰，应该尽量不要安排可能影响销售的事情。同样在春熙路店星期三上班的店员应该是一周中最多的，而相反周一应该是最小的。我们目前很多零售店铺的店员排班还没有实现差异化，每天在班的店员数量都是一样的，这样的排班不利于销售最大化。另外，古北店安排周四送货，新街口店周一送货最好。

2.2 分解日销售目标

  零售店铺的目标管理是零售管理的重心，将目标分解成可执行的最小单元的原则，习惯的做法是先将年目标分解到各店铺。再拆分成12个月，依次分到各业务组，百货商场还会细分到品牌。根据周权重指数将每月目标细分到日。这样的好处是可以按天来追踪销售完成情况，同时都采用周权重指数标准流程，便于店铺间日目标是有对比性的。
  日销售目标=月销售目标✖（日权重指数➗月权重指数），日销售完成情况可以借鉴股市的K线图来展示，通过两道练习题来说明日销售目标的计算公式。
  题目一:2013年8月上海古北店的目标是8200万元，8月18日(星期日)的店铺总目标是多少?(注:店铺没有促销活动。)
  根据计算公式为：8200✖(1.7/42.1)=331.1万元。【42.1=9.4✖4+1.2+1.4+1.9根据8月的各星期天数求和】
  题目二:如果上海古北店在8月17-18日做了一场3级促销{日销售额增长为30%}活动，整月没有其他促销活动，8月18日的店铺总目标又是多少?
  因为8月17-18日的三级促销不但会改变8月18日的权重指数，也会改变这个月的总权重指数。首先计算出8月总权重指数是43.18（用42.1再加上8月17-18日权重指数的0.3倍，即1.08），接着再计算出8月18日当天的目标，公式为8200✖((1.7✖1.3)/43.18)=419.7万元

2.3 月度销售预测

  周权重指数可以用来做月销售预测，思考一个问题：截止8月18日，春熙路店完成当月目标的60%，南京路完成当月目标的57%，王府井店完成当月目标的54%，问谁最有可能完成8月的销售目标？其中春熙路店8月16-18日做过4级促销，王府井店会在27-31日有次3级促销。

  计算得出三个店截止到8月18日的相对目标达成率都差不多，且都没有超过100%（春熙路店最高99.8%），也就说它们本月都有可能完不成目标。

step1：计算出三个店铺8月1日-18日的总权重指数，其中春熙路店由于8月16-18日有个4级促销，所以日权重指数对应乘1.4。8月1-18日跨越2个完整周和1个星期四-日，因此，春熙路的1-18日权重指数=9.4✖2+1.1+1.2+1.7+1.5+促销((1.2+1.7+1.5)✖0.4)=26.1。
step2：计算8月的总权重指数，对应处理了春熙路店8月16-18日促销权重指数和王府井店8月27-31日的促销权重指数。如：春熙路的总权重指数=9.4✖4+1.1+1.2+1.7+促销((1.2+1.7+1.5)✖0.4)=43.4;王府井的总权重指数=9.4✖4+1.2+1.4+1.9+促销(1.2+1.1+1.2+1.4+1.9)✖0.3=44.1。
step3：用1-18日的权重指数除以8月总权重指数计算出三个店铺的理论完成率。
step4：计算1-18日的阶段销售目标。如：春熙路的阶段目标=月销售目标✖(日权重指数/月权重指数)=7800✖26.1/43.4=4691。
step5：用1-18日的实际销售额除以阶段目标算出阶段完成率。如：春熙路的阶段完成率=4680/4691=99.8%。
  利用周权重指数实现月销售预测。如：今天是2013年8月19日，我们就可以根据8月1-18日的实际销售额来预测8月可能完成的销售额，对应公式：1-18日销售额之和/(1-18日权重指数之和/8月权重指数)
$$月销售预测值=\sum _{k=1}^n日销售额➗(\sum _{k=1}^n日权重指数➗月权重指数【理论完成率】)$$

2.4 销售对比

  进行对比分析第一要素就是必须要有可对比性，否则就有可能误导受众。日销售数据的同比需要遵循如下原则：

• 首先遵循星期几对比星期几的原则，因为这是零售业的基本规律。
• 其次遵循公众假期对等对比原则，例如2014年5月1日（星期四）应该和2013年4月29日（星期三）对比，因为这两个日子都是五一放假的第一天。
• 再次遵循中国阴历对等对比原则，这种情况只是出现在每年春节期间，初一和初一对比。春节放假结束后又回归到第一个对比原则。
• 最后遵循阳历对等对比原则，这适合一些特殊的日期和特殊的行业，例如鲜花和巧克力要遵循2月14日对比原则，女士用品遵循三八节对比原则，玩具行业遵循六一对比原则等。

  计算在某个销售时间内平均单位权重指数值的销售额，这就解决了“时间标准”有时没有可对比性的原则。例如：北京王府井店某个星期日销售330万元，第二天星期一销售200万元，直接把星期日和星期一的销售额对比是没有意义的。如果把它们分别除以星期日的权重指数1.7，星期一的权重指数0.9，分别得到194万元，222万元。这样我们就非常清楚地发现星期的相对销售实际上是好于星期日的。
$$单位权重（销售）值=\sum 日销售额➗\sum 日权重指数$$
  再举个例子来说明单位权重(销售)值。2013年2月成都春熙路店的销售额是8,000万元，而2012年2月同期的销售额是9,000万元，简单来看同店同比增长是-11.1%，业绩表现不好。但是如果我们运用单位权重(销售)值来看，则需要颠覆这个结论了，实际上这个店铺单位权重(销售)值是增长了4.9%。造成这样反差结论的原因有两个：2012年2月比2013年同期多一天，2012年的春节在1月，2013年的春节在2月，一般来说传统零售百货在春节放假周的销售是不好的，对应的权重指数也是最低的。

  单位权重（销售）值这个概念还可以被放大，只需要把“销售”替换成例如店铺的人流、网站的UV（独立访客）、呼叫中心的电话量等就行。

三、神奇的黄氏曲线—单位权重（销售）值曲线

3.1 单位权重（销售）值曲线

  每一天的销售额分别除以当日的权重指数，就变成了单位权重（销售）值曲线，简称权重曲线。从图中看出销售额曲线是一条波动幅度比较大的曲线，而权重曲线则显得比较平稳。如果一个零售店铺的每日销售额是绝对服从周权重指数的规律，那对应的权重曲线则将是一条绝对的水平直线，而这种情况是根本不可能出现的，正常的权重曲线是一条围绕某个值变化的曲线，正是这种变化给我们提供了去洞悉某些营运现象的可能。
  图中销售额的最大值出现在9月7日，而单位加权(销售)的最大值则出现在9月3日，最小值分别为23和24日两天。这种变化说明有某种业务逻辑暗含其中，具体的原因需要把权重曲线给大家剥开看，这样就可以让各位看得清清楚楚、明明白白、真真切切。

3.2 应用在销售追综过程中

  在零售业务中，有一些口传心授而不对外的伎俩，经常出现在总部和分部、分部和门店之间的博弈，而数据化管理则是要通过数据分析揭示这些现象，提醒相关人员加以干预，从而促进销售额最大化。常见的两种现象：月初放松和月末踩刹车。每个月最初几天，有些店铺会习惯性地从心态上开始放松；而每月的最后几天有些店铺由于已经或即将完成当月的目标，心态上会放松，也可能担心本月销售做得太多下月目标会被拔高，就会出现有意识或无意识的踩刹车。
  如何用数据追踪这两种现象？

  图中是2024年7月某店女装类的4个有月初放松嫌疑品牌的权重曲线图。它们都有一个共同的特点：都是在7月1日这个时间节点开始权重曲线值向下突变。“休息”时间最长的是品牌1，涉嫌7月1-6日放松，最短的是品牌4，涉嫌7月1-3日在“休息"。

  同样的道理，上图是店中男装类的4个涉嫌月末踩刹车品牌的权重曲线图。它们的共同点都是在月末权重曲线值向下突变。涉嫌踩刹车时间最长的品牌2是5天，最短的品牌1是3天。
  之所以用的是“涉嫌”，是因为出现这种突变的原因有多方面的，有可能是商品缺货，突发的天气状况等等，只是从时间节点来看（正好是月初和月末），更可能是“放松”或“踩刹车”，不管怎样反正是有问题。销售首先是追踪出来的，其次才是分析出来的。销售人员是需要“盯”的，过去用人盯，现在简单了，用数据表盯。
  如何处理这两种状况？
  目前没有办法预测这种现象的发生，不过我们可以做到预防这种现象的连续发生，建议管理人员在发生权重曲线数据向下突变的第一天就应该去找原因，如果连续两天非突发原因而出现这种突变，管理者可以考虑请这个店长“喝茶”了，要和他们“谈谈心”。所以，偶尔1~2天这种突变是店长的问题，超过2天还出现这种现象就是管理者的问题了，因为管理者没有去终止这种损害销售额的事情。
  月初放松背后的原因？：

• 上月末拼的太凶，本月初习惯性地心态放松几天。
• 上月末有虚增销售额的现象，本月初将虚增部分做退货处理。

  月末踩刹车背后的原因？

• 月底完成目标后心态放松，销售也放松。或者到月底发现根本完不成本月销售，奖金拿不到，也会破罐子破摔 踩刹车
• 店铺员工藏销售，本该本月录入系统的销售，人为转移到下月初才录入系统
• 对于购物中心来说，也可能是销售被商户转移到其他地方去了。原因是目前很多购物中心和商户的合同是租金和扣点两者取最高值，商户在销售额达到二者的平衡点后就有转移销售的动机。

3.3 特殊事件的量化处理

  零售过程中会遇到很多销售不可控的特殊事件，比如2008年的奥运会，315曝光某个品牌，突发的异常天气状况……这些状况虽然不可控，但是我们需要事件结束后去评估它的影响。比如如何评估2008年奥运会”对北京商场销售的影响?如果和2007年同期同比，由于时间跨度太大可比性不强。如果和2008年7月对比也有很多客观因素影响，比如7月有促销，季节不同等，可比性也不强。不过我们可以借助权重曲线来进行评估。

  上图是某集团旗下北京5家百货店2008年8月的销售额曲线和权重曲线。如果只从销售额曲线来看，不容易看出奥运会期间的销售受到了多少影响。从权重曲线看就比较明显了，8月8日(星期五)开幕当天，日权重销售值就由7日的1030万元下降到550万元，奥运会闭幕后的8月25日权重销售值为990万元，而闭幕式(8月24日，星期日)当天权重销售值只有740万元。我们能从权重曲线中看出奥运会期间是对北京店有影响的，不过这条曲线还是有些不直观。于是我们把权重曲线换一种表达方式，如图2-19下中黄氏曲线(黄氏曲线为权重曲线同时间段的平均值)，奥运会对销售的影响就非常直观地显示出来了。并且这条曲线只是和相邻的时期对比，所以时效性很强，可对比性也很强。

  在黄氏曲线的基础上就可以很容易的就奥运会对北京店铺的影响进行量化评估，从图中数据可以算出奥运会期间比奥运会前单位销售额下降了20%，而奥运会后又比奥运会期间上升了30%，这种上升和下降体现了特殊事件的突发性。
  奥运会影响了北京5家店铺4668万元，占5家店铺销售额34980万元的13.3%。4668=((907+946)/2-732)✖24；其中(907+946)/2为平均单位权重销售值，24为8-24日权重指数和。用这种方式可以对一些特殊事件进行评估，当然促销活动也可以算作一种特殊事件。

3.4 促销活动的分析及评估

  促销是零售业最常见的销售模式，不过目前无论是线下还是线上的促销活动数据分析都存在一些误区：

• 只和促销目标对比，完成目标的促销活动就算成功。
• 只进行促销期的数据同比，且对比误差较大。
• 只关注促销前和促销中的数据，从来不关注促销后的数据

  借鉴特殊事件的量化处理的思路，同样可以用黄氏曲线来评估促销活动。黄氏曲线之所以有这么大的作用，主要原因是它是和相邻的时间段进行权重值的对比，相邻的时间段能保证对比状态一致，有可对比性，同时对比单位权重（销售）值又剔除了星期一到星期日销售额的不均衡现象。
  下图是某集团上海地区百货渠道所有店铺三八促销分析图，三八促销档期是3月7-10日，促销期间比促销前单位销售额上升了79.5%【79.5%=（1102-614）➗614】，促销后单位销售额下降了98.4%【98.4%=（1102-498）➗498】。这两个数字可以分别叫做促销爆发度 和 促销衰减度。

  促销爆发度体现了促销活动立竿见影的程度，这和促销的方案、宣传力度、卖场等息息相关，是一个综合指标。
  促销衰减度是用来判断促销活动是否有透支销售的情况发生。如果衰减度大于爆发度则有销售透支的现象发生，如果衰减度大于两倍的爆发度，那么这个促销活动就是彻底失败了。如果促销活动只看是否完成促销目标，根本不会关注促销前后销售走势情况，是不对的，对于失败型促销它对总体销售没有帮助，并且还花了不少促销费和宣传费。促销评估评估必须要向促销活动后看，否则就没有意义，透支后期销售的促销活动其实很多。

  从波士顿矩阵分析图可知，4号区域店铺总体是表现最好的，2号区域是最差的，两项指标都差，1号和3号区域各有优缺点，需要进一步分析。总之黄氏曲线、波士顿矩阵分析图不仅可以应用到店铺，还可以向下分析到品类、品牌甚至SKU，电子商务也可以使用，对于超市或者百货商场来说同一个促销活动不同品类的爆发度是不一样的，有高有低；对于连锁企业来说，不同的促销活动也会造成不同店铺的爆发度不一样。通过分析可以发现什么类型的促销更适合什么样的店铺或者品类。
  不能简单地将爆发度或者衰减度看成促销的影响，有可能在促销的同时还有诸如新品上市等其他因素的作用，虽然黄氏曲线的处理方法已经尽量降低了其他因素的影响度，但还是需要综合分析，另外促销前和促销后的周期一般取7天，特殊情况除外。

3.5 新产品上市的分析及评估

  黄氏曲线也可以用于对新产品上市的分析及评估，只需要将新品上市看成一次销售事件就可以了，对新品上市做黄氏曲线分析图时需要注意三点：

• 只需要做上市前和上市中的黄氏曲线，由于上市后的事件节点不好把控，所以一般不做第三段的黄氏曲线。
• 需要同时分析新品占比，以判断黄氏曲线的变化是否主要是新品影响的。
• 同样可以根据黄氏曲线做爆发度和衰减度的分析

3.6 其他应用

  对于黄氏曲线的应用，一定需要注意是“突发”状态，就是要有非常清晰的时间节点、非常明确的事件信息状态才可以使用；另外建议要同时画权重曲线和黄氏曲线，权重曲线是用来追踪跟进的，及时反映状态在数据上的变化，以便及时采取对应的策略调整。黄氏曲线是用来分析和评估的，所以它是“事后”工作，黄氏曲线使用：

• 突然的短缺货对销售的影响，注意是“突然”短缺货
• 同业竞争分析，比如竞争对手新店开业、竞争对手搞促销等，我们可以用这种方法来分析事件对自己的影响程度
• 关键人物的离到任分析，比如店铺新来一个店长，从常理来看黄氏曲线在数据上会呈现积极反应，说明大家欢迎新店长的到来，反之如果黄氏曲线向下说明大家有保留意见。
• 店铺的其他状态变化分析，比如新装修，陈列改变，动线的调整等
• 电子商务网页改版分析

  黄氏曲线的事前、事后的时间长度不能过长或者过短，一般选5-10天比较合适，7天为最佳时间段。权重曲线可以每天关注，正常的权重曲线应该是围绕一个值上下波动。

四、案例及应用—数据化排班

  零售企业管理层大多重视生产线上的排班，但很少有重视店铺员工的排班情况，不合理的排班会增加人力成本，还会极大地影响销售额，影响团队的和谐，值得管理层重视。
  Amy是一个服装公司的店长，管理着一个1,000平的店铺，店铺加上自己共有51名店员(收银员2名，陈列员和仓库管理员各1名，2名副店长带着44名店铺负责店铺销售)，店铺年销售额在3,000万元左右(年目标是3,600万)。Amy现在最大的困惑是总感觉人手不够，面对每天如织的客流量，她只能拼命地让店员加班，但是在高峰时期还是有很多顾客由于没有店员接待而流失掉了。Amy曾不止一次给公司打报告要求增加人手，每次公司都以店铺还在亏损为由拒绝了。并且人事部也在严格控制员工的加班时间，防止增加人力成本。
  店铺成交率大概在10%左右，平均客单价为750元左右。店铺采用顾问式销售方式接待一个成交的顾客平均需要30分钟，接待未成交顾客平均需要10分钟左右。店铺营业时间:10:00-22:00(店员9:30上班打扫卫生、做陈列)。通过对店铺日销售数据进行分析，销售规律如下：同时发现星期六是每周销售最大的一天，平均日销售11.7万元。

• step1：店铺日均成交单数：3000万元➗365天➗750元/单=109.6单/天
• step2：店铺日均客流量：109.6人➗10%=1096人
• step3：店铺日均接待顾客总时长：109.6人✖30分钟+（1096-109.6）✖10分钟=13152分钟
• step4：店铺星期六接待顾客总时长：11.7万人➗750元/单✖30分钟+（11.7万元➗750元/单）➗10%✖90%✖10分钟=18720分钟

  目前店铺采用上一休一的排班方法，每天上班23人，店铺员工每日工作时长：23人✖12小时✖60分钟=16560分钟。这个工作时长介于店铺日均接待顾客总时长（13152分钟）和店铺星期六接待顾客总时长（18720分钟）之间，说明常规状态下人员配置是没问题的。但是除了让员工加班就没办法满足周六销售高峰的接待量，但是加班会增加企业成本。

4.1 常见排班方式

4.1.1 上一休一制

  两组店员轮流上一天休息一天，两组员工之间不见面，每组每次都上一整天班，目前上海及周边流行这种方法。优点是店员能够充分休息，减少了每天在途的奔波。主要缺点有如下四个:
（1）两组店员不见面，没办法直接交接。
（2）每天上班人数一样，不符合销售规律。权重指数1.9(星期六)和0.9(星期一)的时候，如果上班人数还一样的话肯定不科学，也不利于销售额的最大化。
（3）店员每天上12小时班，而零售店铺一般是下午和傍晚客流量最大，此时店员已经相当疲惫了。这个缺点同样不利于销售额的最大化。
（4）上一休一制造成了人力资源的浪费。案例中星期六23人上班时会忙死，星期一23人上班时肯定会闲死。

4.1.2 AB倒班制

  两组店员分别上早晚班，在每天下午某个时间交接班，一般AB两个班次店员数量是一样的。优点是解决了上一休一中1和3的问题，缺点是店员需要每天都上班，对于大城市来说是很麻烦的事情。另外2和4的缺点同样存在。

4.1.3 排班制

  根据店铺的实际需要进行排班，一般分早、中、晚三个班次，有的时候可能会有中晚班。优点是按需分配，灵活多变，基本没有了前两种排班方法的缺点。建议Amy将目前上一休一的排班模式改成早中晚排班制，优点如下：
（1）可以根据每天的销售规律安排上班人数，平时销售相对差一些，上班的店员就可以少一些，让他们轮流休息，周末销售最好的时候则要求全员上班。
（2）上一休一制和AB倒班制决定了店铺每天每时段上班的人数是一个常量，而每天不同时段的人流量是一个变量。这样就会造成客流量小的时候店员闲死，客流高峰时则忙死。店铺每天的人流量是有规律的：一般来说上午客流最少，中午12:00-14:00和下午16:00-20:00客流量最大(不同的店铺规律可能不一样)。排班需要根据客流量来匹配店员数量。
（3）排班制比上一休一制和AB倒班制更灵活，还能灵活地兼顾到一些特殊的销售事件，比如促销等的排班。并且从人力成本上来说它是最经济的一种排班方式。
（4）因为做到了按需排班，所以排班制更有利于销售额最大化。

4.2 如何利用销售规律排班

step1：周销售规律，也就是销售权重指数。

step2：日客流规律：店铺每个时段的客流规律，可以用时段和日总客流量的百分比来分析，一般来讲销售额和客流量是成正比关系的，所有我们既可以用客流量，也可以用销售额来计算这个百分比。根据销售额的排班计划更正如下：

  如果把店铺上班人数做成一条曲线，合理的排班曲线应该和周销售规律曲线、日客流规律曲线是一致的。