|
随着电子商务市场逐渐发展成熟，网店引流成本逐年上涨，实体店近期又重回消费者视野，但是库存积压依然是困扰服装行业多年的难题，目前仍然未能完全解决。 本文选取了一家实体零售店面抽取销售和库存数据，运用数据分析模型及工具对数据进行清洗整理和分析，构建针对实体零售店的供应链数据分析模型，对进一步提升实体零售店竞争实力有着显著的价值。 一、服装实体零售店供应链环节现存问题 １．服装产品SKU多，库存容易积压 SKU是服装企业生产和销售的基本单位，单款单色单码作为一个SKU单位。服装产品属于快速消费品，季节性强，加之消费者对产品需求的多样性，造成了服装产品SKU数量多，例如一直以基本款为特色的优衣库，SKU常年保持在1000左右，而国内大多数服装品牌的SKU则达到了2000~5000款，一旦某个款式或者尺码销售不畅就会造成产品库存积压。 ２．消费者需求多样，断码缺货时难以快速补货 除定制品牌外，服装产品均属于备货式生产，即在服装销售周期开始之前已经完成主要生产备货任务，生产具有小批量、多批次的特点。 服装产品的季节性和流行性强，销售难以预测，因此服装实体店铺货量大，但是受店面空间限制，每个SKU提前备货量有限，通常只有1~2件，销售时容易造成断码缺货现象，目前在企业备货充足的情况可以实现快速调货，但是当企业库存不足时，生产补货都需要一定的周期，一般企业的补货周期为45天，一些快时尚品牌能够将补货生产周期压缩到了2~3周。 因此实体零售店需要能根据销售趋势做出正确的补货策略，以防止补货到货时销售周期已趋于结束，形成新的库存积压。 ３．实体店销售受环境影响大 实体店销售受到地域、商圈、气候以及突发事件等多因素影响。实体店销量与店面所处城市及商圈直接相关，地域和商圈决定了客流量以及当地消费喜好，历史销售数据能有效反映出店铺所在地的消费特征。 除地域和商圈影响外，每年的气候变化也会对服装销售产生重要影，一些突发事件也会对实体店零售产生重大的影响，例如2020年上半年突发的疫情导致服装、配饰等非生活必需类产品销售额出现负增长，实体店较之网店受到的冲击尤为明显。变幻莫测的外部环境变化要求实体店能对环境变化做出快速响应，根据销售变化迅速调整库存。 二、数据源描述 为构建服装实体零售店智能供应链管理模型，选取了某品牌客流量较大的一家门店的４个月的销售和库存数据，数据源内容如表１所示。
在原始数据中存在以下问题： １．数据描述不统一 对原始数据进行整理发现，原始数据在销售和库存数据中存在数据描述不一致的情况。例如品牌在销售数据中描述为数字类型，在库存数据中描述为文本类型。 ２．存在库存数据个别天数与销售数据不匹配 选取了某一款式商品，对其销售数据和库存数据进行对比分析，根据当日库存计算公式： 当日库存＝前一日库存－当日销售量 发现在个别日期出现库存数据与计算结果不吻合，由于企业业务系统数据库中仅记录了库存余额每日变化情况，对数据需要进行差异化分析。 ３．数据中存在无意义或重复数据项 数据中包含了部分数据分析无意义的数据项，如数据类别中的“大类”，所有数据均为服装，还有部分数据内容重复，如“产品季”、“年”、“月”等时间数据，与销售日期数据重复。 三、数据清洗与整理 根据对原始数据中存在的问题，对原始数据进行了清洗与整理。 １．数据统一化 将不同数据类型的描述同一信息的数据进行数据标准化。原始数据中的品牌数据、时间数据在销售和库存原始数据中心都存在描述不统一的问题。对原始数据进行统一化处理。 例如：品牌在销售数据里都是三类，在销售数据中描述为是1、2、3在库存数据中描述为文本类型，通过SKU比对，确定销售数据中1、2、3代表的分类，将1、2、3类均统一转换为文本类型分类，实现数据统一。 ２．删除无意义数据项，对数据进行清洗，将多余的数据列删除 在原始数据中心时间数据描述为三种格式，年、季 度、日。其中日期中数据可以描述前 两类数据，为减少数据冗余，将年、季度两个数据性删除。 ３．寻找供应链数据中关键的补货数据 原始数据中缺少补货数据，补货数据在供应链管理分析中较为重要，因此选取了某一 SKU的１个月的82条库存数据作为样本分析其补货情况，分析发现补货数据虽未单独列出，但可以从库存数据变化中获取。 四、智能供应链管理数据分析模型设计 数据清洗和整理后，利用Tableau对供应链环节中的销售和库存进行数据分析模型设计。 服装供应链管理包括设计、采购、加工、销售、库存多个环节，在实体零售店的供应链数据分析模型中略去了设计和加工环节，主要着重考虑店面零售环节涉及到的采购、销售、库存三大模块，在数据整理过程中发现了缺少补货数据，但由于库存数据量较大，且每月库存盘点后日库存量数据也被修正过，由此推算出的采购订货数据准确率不高，因此不再补加原始采购进货数据，主要对现有销售和库存数据进行分析统计，通过监控库存与销量数据来实现智能补货提醒。 １．销售监控与预测模型 （１）销售额与销售量趋势分析。 销售额和销售量为历史销售数据，以日为单位，数据连续，采用时间序列分析模型进行线性拟合，以日销售额为例，日销售金额拟合公式为： 日销售额=373.482*销售日期+（-1.62181e+07) 销售日期和截距的ｐ值均小于0.0001，满足ｐ＜＝0.05。 除４个月的趋势分析外，还提供了产品系列、畅销款和滞销款的日销售额与日销售量趋势分析。 （２）销售额与销售量预测。 销售额与销售量预测采用指数平滑法对未来７日销售额和销售量进行预测，同样还提供了产品系列、畅销款和滞销款的未来７日销售额与销售量预测。由于销售额和销售量呈现出按星期的周期性波动，在进行预测时在指数平滑法中添加了７天季节模型，以７日为周期进行预测，预测值也呈现出周期性波动曲线。 （３）畅销款和滞销款产品分析。 由于SKU 数量多，无法同时监控所有销售数据，而且容易造成管理疏漏，因此需要对产品进行分类管理，制定相应的销售计划和库存管理计划。 对４个月的交易流水基于 ＳＫＵ 统计销售额和销售量，统计时间维度设为３个层次：所有时间、任意区间和日。按４个月总销售额、区间日期销售额、日销售额将全部 ＳＫＵ 进行销售额汇总排序，对每个时间维度的销售额前十名分类为畅销款，后十名归类为滞销款，其他为普通款。 目前数据总体时间跨度为４个月，时间跨度可根据需求随时调整，区间时间可由用户随意选取，灵活的时间区间选择让店铺可随时查看各时间段历史数据和实时数据中畅销款和滞销款的情况，做出相应的销售计划。 （４）销售分布分析。 销售分布分析主要针对产品系列进行分类统计，包括２个层次：产品系列和产品小类其中产品小类归属于产品系列。对产品分系列和小类进行销售额、销售量、畅销款和滞销款分别进行统计。 （５）销售周期性分析。 服装实体零售店的销售额与客流量成正比，在数值上表现出周期性波动，通常情况下周末的销售量高于平日销售量。对销售数据按星期进行统计分析发现，不仅在整体销售额和销售量上出现周期性波动，在各产品系列上也出现同样的波动曲线。
由表２可看出，周末的销售额明显高于平日，周一和周二销售量较低，符合服装实体零售店销售特征。 ２．库存监控与预测模型 为解决库存积压和及时补货问题，除对库存数据进行常规分析之外，着重对库存和销售数据的关联性构建模型进行分析。 （１）库存分析。 库存分析按照两个维度进行数据统计，一个是时间维度，以天为单位，对库存构建一个整体分析模型，选用库存量和库存金额两个指标，以曲线图显示库存占用资金和库存量变化情况。 另一个是以产品SKU为单位，按照每个SKU库存量进行统计排序。两个维度可以交叉查询，互为数据筛选条件，既可按日查看当日库存量分布情况，也可按SKU查看历史日库存量数据，提供了灵活数据查询功能。 （２）库存周转分析。 库存周转分析主要对库存资金周转情况进行分析，选用分析指标为库存周转率。库存周转率能够有效反映库存资金周转的速度，库存周转率计算方法为： 库存周转率＝周期内销售产品成本／周期内平均库存价值 在模型设计中对库存的周转率采用波士顿矩阵法分析，如图所示。根据库存周转率和库存资金占用不同，将产品分为四个象限，右上象限区域内的产品为明星产品，库存周转率高，库存金额占用。利用波士顿矩阵可以清晰区分需要重点关注的产品库存。
（３）库存－销量分析。 由于销售数据实时变化，如何在保证销售不中断的情况下降低库存资金占用，需要能够根据销量数据对比存货数量，在断货前提前预警，从而及时补货。 因此将库存数据与销售数据进行库销比分析,根据销售情况，对比库存数据，减少库存补货的盲目性，实现智能补货是供应链智能化管理的重要环节。库销比分析通常用于检测库存量设置是否合理，为了实现智能补货，模型中使用库销比分析结果来判断是否进行补货。 通过分析原始数据发现，部分商品出现在销售为０的情况下，库存一直在增加，造成库存积压。服装产品尤其是女装类产品，时尚度高，销售周期短，销售数据波动性强，最近日期的销售数据对销售趋势的影响力最大，因此在库存－销量分析中只对最近一周销售数据进行统计分析，汇总每一周商品的销售数据，对比周日库存量，计算周库销比。 库销比计算公式为： 设任意一个SKU 商品Pi的日销售量设为sij,由日期t开始的一周内的销量合计为Sit，周末库存量为t+6日库存合计为Mi，t+6，库存比为Rit，计算公式为：
当Rit≥１时表明周日库存量高于前一周销售合计，该产品本周不进行补货，否则当 Rit≤１时表明周日库存量低于前一周销售合计，该产品需要进行补货，为提高补货可信度，在补货时可综合参考销售分析模型中的销售预测结果。 ３．数据交叉查询分析设计 在服装实体零售店智能供应链数据分析模型中，除对单一数据进行分析，挖掘数据特征之外，重点进行了数据交叉查询分析设计，实现多维度查询，交叉查询内容如表３所示。
在模型中对数据基于产品类别和时间进行了多维度的数据交叉查询分析。数据分析维度如下： （１）时间维度。 在时间维度进行了总时区、区间时区、周、日四个层次的数据钻取和聚合，从不同的数据粒度反映销售和库存数据特征和变化趋势。 （２）产品维度。 产品维度提供系列、子类、SKU 三个层次的数据钻取和聚合，可以在不同层次查看商品的销售和库存数据。 （３）交叉维度。 时间和产品维度在多个分析模块中进行交互查询，提供时间和产品的 交 叉 数 据 粒 度 对 数 据 进 行 筛选、汇总、排序等，展示数据特征。 五、模型应用效果 １．模型对已有数据进行分析得到的结论 （１）销售数据呈现周期性，周末销售量是平日销售量的1.5~2倍，符合服装销售时间特诊，店铺可根据周期性特征安排销售促销计划和员工轮休。 （２）畅销款产品需要注意库销比，及时补货；滞销款产品需要改进促销计划并合理降低库存。 （３）库存周转率低的产品需要及时做出库存调整。 ２．模型应用价值 （１）模型实现了对服装实体零售店销售和库存数据的全面多维度分析，提供丰富的交互查询方式，能帮助服装实体零售店实现供应链智能化管理。 （２）模型基于一家服装实体零售店构建，构建模型兼顾通用性，可以推广应用到其他服装零售店。 （３）模型时间周期可根据实际应用需求进行快速调整，扩展历史数据周期。同时可对数据进行周期性更新，及时反映供应链数据变化趋势。 六、结论 通过对服装实体零售店实际经营数据中的销售与库存数据构建数据分析模型，使用了时间序列模型、指数平滑预测法，运用销售和库存管理评价指标，基于多维度多层次进行数据分析，使用Tableau软件进行模型实现，模型的应用能够帮助服装实体零售店及时了解销售发展变化趋势及库存周转情况，快速调整销售计划，并根据销售数据变化，及时补货和清理库存。 解决服装产品销售周期短，库存容易积压的问题，实现供应链管理智能化。 |
|
|
