鞋服时尚行业涵盖面很广，价值链横跨制造业和零售业，零售业态及模式上，包括综合商品零售（例如超市的服装部类）、大规模时尚商品零售（例如：GAP、优衣库、海澜之家、美邦）、快时尚（例如ZARA、A&F、UR等）、品类杀手（例如运动品牌、内衣等）、高级服装、高级定制等等形态。本文讨论的是这个行业在大数据分析上的共性，以“大规模时尚商品零售”模式最具代表性。
我们说“大数据”分析，和传统的数据分析相比，包含有四层含义：
1、数据来源：既有来自企业的业务系统（例如ERP、CRM、供应链、商品管理、POS、电商平台等等），也来自外部数据，例如行业数据、气象数据、竞争对手数据、地理数据等等，以及互联网上的社交媒体动态、时尚动态等。需要说明的是，无论是内部数据还是外部数据，数据本身的质量对分析的效果起着直接影响；
2、数据形态：业务交易数据多为结构化数据，而外部数据，尤其是互联网数据，自由文本，甚至图片、视频等，多为非结构化数据。下图是跟商品分析相关的一些数据及数据类型的示例：
3、分析效率：传统的企业数据仓库的抽取、分析效率较低，今天，随着数据管理和分析技术的发展，使得大数据管理、非结构化数据分析，以及实时数据分析变得更容易；
4、 智慧程度：通过汇集、整理数据，形成数据湖；按业务需要，提取、清洗和分析，利用算法设计，如下图所示，从“描述性分析”到“指导性分析”，分析的复杂性和智能性越高，渐次进入到“人工智能”的范畴。
例如服装商品管理中，季前根据历史经验、销售策略决定了商品到门店（或店群）的配置，在销售过程中，需要根据相关的内部因素，例如测款销量、上市开始几天销量等，外部因素，例如事件、天气、关连产品销售等，快速做出销售预测，迅速做出增补、调货或者促销、打折的决策。
如下图所示，鞋服时尚企业大数据分析框架建立在如下三个因素，以及各个因素的交叉因素上，大致涉及到如下七个分析主题：
一，商品和供应链分析
大多数服装企业是以“季”（Season）为单元来进行商品管理的，一季的商品的端到端流程包括商品企划、设计/开发、下单生产、门店铺货等过程。在商品开发上，对于流行趋势的预测和分析非常重要，直接指导一季商品的范围企划和买货计划。用计算机图像识别技术进行服装流行趋势预测很长时间以来在学术界和技术圈已经有不少讨论，IBM的应用示例，可以参看我的文章：《 认知时尚和总统预测：那些凡人和上帝间的电脑们 》。一些市场研究机构、时尚信息机构的数据，也可以作为时尚预测的数据来源，可以参看我的老文章《 时尚业 | 转载 —— 服装企划和流行预测 》：
鞋服时尚企业销售的商品分为三种类型，一是季节性服装商品，通常以季节商品日历（Season calendar）驱动，衔接从企划、到下单、到上市铺货、到销售、到清仓等一季商品完整的销售周期，决定门店或店群的商品配置的因素包括门店类型（例如Mall中心大店，Mall周边店，商业街街店等等）、温度带（对于中国、美国这样横跨热带、温带等区域的地理大国，全国性经营的连锁服装零售企业，其各个门店所处温度带，对上市时间和品类组合有巨大影响），此外，季中折价的时机对于保证销售利润尤为重要。需要说明的是，欧美等国外大规模时尚零售企业由于离供应链源头（东亚、东南亚、中东等地）远，按季节管理的商品，一般没有集中补单或快反，对于商品计划和季中折价清货计划要求较高，而中国服装企业由于离供应链源头近或者本身就是产业链垂直整合企业，因而大多数中国服装企业都带有快时尚运营的特点，关于这类商品和供应链的数据分析，可以参见我过去的文章 《 零售商品管理（RAMA）的IT应用发展 》。二是，长销款或基本款，例如女式内衣、袜子等，受季节影响因素较小，而且有助于消除季节交替时的销售下降，这类商品的数据分析模式和季节性商品有所区别。三是饰品配件类，例如围巾、皮带、钱包等，这类产品往往单价较低而毛利较高，瞄准了顾客为衣服搭配而产生的冲动性需求而设计，有些还和突发性的时尚潮流相关，通常还为销售人员销售这类商品设定额外的销售激励机制。这三类商品进入到卖场，需要通过数据分析，根据卖场的陈列资源（挂架、陈列柜架、模特等），对商品进行陈列和展示优化。
二，地点分析
零售的店址选择对销售绩效影响巨大。时尚零售的店址有很多类型，例如大型城市的独立店、市中心精品购物中心、市郊购物中心，大型购物中心，中小型城市的街边店，百货公司等等。商铺的物业条件也会对销售产生影响，例如拐角店（Anchor Store）是优良的选择。今天，各类购物中心都形成了自己特点的客流范式，对于年轻人的潮流品牌，电商和购物中心组合对销售的影响，使得门店选址模型的评价有了新的方式。新零售时代，选址所需考量的销售，不仅仅是在门店发生的，甚至会考虑到该店周围区域线上线下的综合销售状况。
三，顾客分析
时尚零售商可以通过数据分析来精准定位客群，分析客群动态变化。对购物者类型建立架构，不仅可以从消费者的人口统计学特性（年龄、职业、收入、生活地区等）的数据来细分，还可以从购物者的其他外部属性（例如文化影响、群体类型）以及购物者的个性特质（可以利用IBM Watson PI这个个性特质工具来分析，详见我2016年的文章 《 人性洞察云技术——零售和营销的黑科技 》）等多维属性，来定义消费者的自我概念和生活方式类型，实现更为合理的消费者画像。
上图：食品消费者类型定义示例
上图：分类型消费者的销售分析
上图和下图：一个比较流行的品牌类型划分，对应到消费者类型
四，商品+地点：商品组合分析
传统的门店商品组合计划，考虑到数据分析的复杂性和供应链的复杂性，一般采用“店群”（store cluster）作为地点维度最小单位来计算品类组合计划（Assortment Plan）。今天，不仅是门店数据特性更加丰富，支持商品和供应链决策，随着地理信息系统（GIS）的发展，门店周边信息，例如天气信息、活动信息、周边社区/人群和社会动态，都会对鞋服时尚企业的商品配置产生影响，数据分析能力强的公司，能跟做到对门店超级本地化的商品组合决策（localized assortment）。
五，顾客+地点：地理营销分析
基于门店的大数据和用户大数据的综合分析，利用数字化营销设备和移动设备，可以实现更精准的营销offer，详细内容可以参见我前不久的一篇文章《 邻域数字化营销——实现全渠道运营的闭环 》
六，商品+顾客：行为分析
对顾客的购物行为分析，有助于对个体或者群体顾客产生更精准的洞察。购物篮分析（MBA）是零售行业最重要的行为分析手段之一，目的是发现特定购物单元（购物篮）前提下，顾客购物行为反应出来的商品之间的关联性，即，“如果买了A，是否还会买B”，从而优化商品组合、营销策略、商品陈列和门店布局等。在杂货、超市类零售企业，购物篮通常设定为一次收银条（TLOG），而在鞋服时尚业，会员购物记录也常被作为购物篮对象。
购物篮分析不仅可以用来做交叉销售的推荐、下一次购买商品的预测，还有助于识别顾客的冲动型消费类型（impulse buying），例如前文所述的饰品配件，可以通过购物篮分析进行规划。不仅是饰品，随着快时尚的发展，消费者购买时尚服装的行为越来越多是冲动性购买，用数据分析来识别、洞察消费者的情绪因素，激励冲动性购买，需要借助数据分析。
七，多因素综合：业务绩效分析
商品、店址、顾客等因素交叉的数据分析，有助于识别企业的战略绩效或者战术绩效。战略上，可以评价品牌的市场表现，很多鞋服时尚企业是多品牌运作，不同品牌承担不同的战略性财务角色，即有些品牌策略是进攻性（例如收入增长、竞品市场占有、忠诚用户活跃度）、有些是防守性（例如品牌利润、同店增长/坪效等销售有效性指标），数据分析可以评价战略执行的效果。战术上，企业可以通过数据分析，来评价广告投入、市场活动的有效性。鞋服时尚企业开展市场活动是持续性的常态，无论是广告，还是店内推广、优惠促销等活动，要在利润水平和销量间取得平衡，保证促销投资的投入产出比，数据分析也是非常必要的手段。
零售业数字化，请关注
很多朋友请我推荐零售管理的教材，以下这本书是我读过最好的一本零售教材。中译本的版本稍微有些老（英文版 https://www.amazon.com/Retailing-Management-9th-Michael-Levy/dp/007802899X/ref=sr_1_4?ie=UTF8&qid=1529316016&sr=8-4&keywords=retail+management+retail ），不过也够用了。这本书的第四版也曾经出过中译本。
