万达购物中心的数据分析策略

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介:

万达这几年发展的速度非常快,到2013年年底已经开业的万达广场有85个,2014年将新开业24个,预计到2014年年底,开业的万达广场将达到109座,持有物业面积规模超过2203万平方米,将成为全球最大的不动产企业。2015年计划开业26个,2016年初步是31个项目,今年、明年、后年将会翻一番,超过160个购物中心。


购物中心经营需要怎样的大数据思维?

从市场调研到客户的满意度调研,运营管理者都要采用很多的分析方式,常用的分析方式就是抽样调查,但是这种传统的方法最大的弊端就是结论的不准确,不能精准地帮助管理者做出明确的未来决策。最后导致虽然经过了大量的调查分析,但实际上我们还依然要通过经验来做一些决策,这就让企业管理者担负了更大的风险。


无测量,无管理。大数据时代,商业管理变革的方向将从“经验值”转变为“数据化”。有两个方面可以利用到大数据,一方面是全数据,在购物中心的运营过程中打破通过抽样来对未来的经营趋势进行分析的传统模式,而要考虑消费者整体和消费过程中所有数据,来分析运营趋势;第二是要在所有的趋势中找到相关联因素,通过相关性来把握未来的趋势。


万达广场大数据的核心是什么?

万达广场大数据的目的是利用大数据进行趋势研究,从而帮助购物中心提升资产价值,减少错配。核心即不是随机样本,而是全体数据;不是独立个体,而是全面关联。在这样的思维模式下,就需要进行庞大的数据收集,我们通过线上线下做了七方面的数据收集。

1.对租赁的全过程进行数据化管理。商户从进场开始到退场,整个过程中所有团队的变化、进出货的变化还有其各个时间段、各个季节的销售情况,对租赁的全过程进行数据化管理。


2.对所有品牌建档管理。将品牌精确分类,根据顾客年龄层、消费额及客流曲线进行品牌定位,为未来大数据的分析提供依据和分类,将购物中心布局调整至最合理状态。


3.对城市的所有信息进行统计。城市的信息统计不能再来源于以往的实调抽样,而是要尽可能拿到比如说政府真正的统计数据、区域内的人口、区域内的GDP等等以及相关政策在这个区域内的动向。


4.POS交易记录。所有在万达广场经营的商户,都安装POS机,几乎所有商户在分时段、不同位置、不同业态的销售数据,最终可以合并到大数据的数据库里来进行处理。


5.客流监控采集。从三个层段分析顾客,建立广场策略。第一层段是统计进出广场客流量。第二个层段是分区域、分业态进行客流数据统计,万达做了人脸识别摄像头的统计,识别率非常高。第三个层段是在每一家经营的店铺做客流数据的统计。这样三个层段的数据和销售数据一起可以给大家提供很多经营方面的参考。


6.顾客WiFi跟踪。在整个广场搭建大WiFi和大会员的体系,通过WiFi体系可以捕捉在广场里面所有的智能手机用户,他的行迹路线、他所关注的商品和他的消费习惯,然后通过所有的会员体系就可以掌握所有会员的各类信息和其特有的相关产品喜好。


7.建立大会员体系。综合所有有效的数据合并到大数据的数据库里进行处理,这是万达建立大数据管理的基础,也是万达全数据模式的基础。


万达广场如何实施大数据策略?

85座已开业的万达广场分布在全国各地,万达利用大数据思维将中国按照行政划分分为了七个区(东北、华北、西北、华中、华东、华南和西南),同时,把购物中心中的业态分为四个大业态,服装、餐饮、精品和体验。通过大数据模式分析85座已开业的万达广场的经营情况,概括出不同区域市场、业态的最新变化。


1.服装零售

万达体系内经营的497个服装品牌,涵盖15个品类,店铺有3005个,总的经营面积是82万平方米,建立在这样一个数据的基础上分析结论如下:快时尚、淑女和户外休闲将成为未来一段时间增长的主力军;量贩休闲少女装和设计师品牌由于进入的门槛较低,出现了比较明显的下滑,但不代表这个业态是不可以选择的,当然在这个业态里的具体品牌要做慎重选择。

  

2.生活精品

生活精品共468个品牌,分为14个品类,店铺涵盖了1794个,总的经营面积26万平方米。分析结果如下:绝对坪效依然比较突出,但是个别品类已经开始出现了负增长。在对各个区域的数据分析之后,发现生活化的东西越来越符合消费者的消费趋势和消费习惯;个人护理、创意礼品和时尚表开始出现了坪效和销售额的双增长;前几年进入购物中心的数码店和眼镜店反而出现了这两个方面的负增长。


3.餐饮

共1034个品牌,涵盖65个品类或者是菜系,共有2459个店铺,总共的经营面积92万平方米。数据平台上餐饮体现的结果是整体坪效较好,有个别品牌会有极端的数据。针对增长突出的店铺按区域进行了分析,结果是西餐、茶餐、日式料理出现了正增长,这体现了现代消费者的消费趋势;而前几年在全国都非常火爆的韩式料理和越南菜出现了双向负增长。休闲餐饮日渐受到消费者青睐,具有鲜明民族特色的菜系生命周期偏短。


4.体验业态

共239个品牌,涵盖20个品类,经营面积为110万平米(包含院线、KTV、电玩)。数据分析的结果并不像前三类那样有很明显的趋势,结论如下:儿童相关业态均有比较好的表现,坪效和销售额两个方面都有比较好的增长,特别是儿童培训、儿童摄影、教育、游乐等门店,我们认为小手拉大手的经济依然有非常大的空间,也应该是购物中心下一步经营的趋势。


基于万达广场整体数据的分析,从餐饮、精品和服装这三大类分析可以看出,现在消费者的消费习惯或者是消费趋势正逐渐向生活化、时尚化和健康方向发展,体验业态的表现反映了家庭化、娱乐化等趋势。

  

万达要做的就是智慧广场

王健林说过:“购物中心不仅是有物理性的,还有智慧的虚拟性,万达要做的就是智慧广场,是做大数据,真正做到线上线下的结合”。


万达集团的大数据管理体系的搭建也在摸索和研究阶段,当所有的数据具备大数据分析条件的时候,当我们有足够的数据量的时候,如果再开始筹建一个新的广场,就可以直接从数据库信息中提取最有效的信息,对购物中心做出合理的规划和业态组成,同时可以对它后期所有的营运策略作出针对性的指导,对于推广方向也可以给出明确的意见。相信基于这些大数据,也可以同时对广场未来整体增长的情况做一个精准的预测。面对大数据时代的来临,希望我们从现在开始,改变我们所有的决策方式,我们会拿数据来说话,让趋势来决定我们的未来。
摘自:中国连锁经营协会 作者:王志彬,万达集团高级总裁助理、万达商业管理有限公司常务副总经理


原文发布时间为:2014-06-01


本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
打赏
0
0
0
0
30498
分享
相关文章
Pandas实战(1):电商购物用户行为数据分析
Pandas实战(1):电商购物用户行为数据分析
439 1
Pandas实战(3):电商购物用户行为数据分析
Pandas实战(3):电商购物用户行为数据分析
295 1
Pandas实战(2):电商购物用户行为数据分析
Pandas实战(2):电商购物用户行为数据分析
195 1
京东商品详情API:数据分析和挖掘以优化销售策略
商品关联分析:通过分析商品之间的关联规则,商家可以发现哪些商品经常一起被购买,从而制定捆绑销售或搭配销售策略,提高客单价和用户满意度。
Python强化学习应用于数据分析决策策略:** - 强化学习让智能体通过环境互动学习决策。
【7月更文挑战第5天】**Python强化学习应用于数据分析决策策略:** - 强化学习让智能体通过环境互动学习决策。 - Python因丰富库(如TensorFlow, PyTorch, Keras, Pandas, NumPy)和生态而受青睐。 - 使用OpenAI Gym构建环境,如`gym.make('CartPole-v0')`。 - 选择模型,例如神经网络,定义策略如Q-Learning。 - 训练模型,调整智能体行为,如Q-Learning更新Q表。 - 最后评估模型性能,实现数据驱动决策。
121 3
强化学习在数据分析中的应用:使用Python制定决策策略
【4月更文挑战第12天】本文介绍了使用Python进行强化学习以制定数据分析决策策略的方法。强化学习是通过智能体与环境交互获取奖励来制定决策的技术。Python在强化学习中有丰富库支持(如TensorFlow、PyTorch、Keras)、强大的数据处理能力和丰富的生态系统。基本流程包括环境构建(使用OpenAI Gym)、模型选择(如神经网络)、策略选择(Q-Learning等)、训练模型及评估模型。
269 3
用python统计数据分析PAT甲乙级算法的考试和训练策略,附加横向设计图
python是做统计数据的好工具,在学习程序设计时,我们发现算法是一个难点,我们从’简单模拟’, ‘查找元素’, ‘图形输出’, ‘进制转换’, ‘字符串处理’,‘排序’,‘散列’,‘贪心’,‘二分’,‘two pointers’,‘其他’,‘数学’,‘链表’,几个角度分析算法的考试和训练策略,下一篇文章,分析数据结构的算法的考试和训练策略,如果你正在准备PAT甲乙级算法的考试和训练,会大有帮助,祝早日金榜题名。
用python统计数据分析PAT甲乙级算法的考试和训练策略,附加横向设计图
小白学数据分析----->基于数据驱动的最佳渠道评估策略
对于游戏数据分析来说,我们要从很多方面下手,具体从数据分析角度来说,作为游戏CP需要作三块工作,第一是游戏推广,第二是游戏质量,第三是游戏运营,就这三点来看,推广是未来游戏是否有稳定人气,获得稳定收入的关键一环。
1130 0

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等

登录插画

登录以查看您的控制台资源

管理云资源
状态一览
快捷访问