服装零售店非财务指标的采集与应用研究

叶逢春

（湖南商学院工商管理学院，湖南 长沙410205）

一、文献综述

1.非财务指标

许多公司在业绩评价中引进非财务指标是因为财务指标存在一个很大的缺陷——面向过去。财务指标反映的只是过去的绩效，并不能提供创造未来价值的动因。非财务指标则相反，它们往往是面向未来的，比如开发和研制新产品投入市场，用一定的时间建立市场份额，提高对关键顾客的保持力等。[1]这些指标的改善往往需要管理层付出多年的努力，同时一旦上述指标顺利完成，将明显改善公司财务业绩。瓦顿（Wharton）在1995年出版的《年度红利契约中业绩评价标杆的选择》中指出，非财务指标是体现管理层绩效和公司发展前景的更好指示器。对中低管理层使用激励计划同样推动了非财务指标的应用。中层管理者、一线生产管理者甚至专业技术人员都成为激励计划的应用对象，他们并不能控制财务结果。于是，他们发现财务指标如每股收益对他们的激励作用简直与“国内总产值”指标相差无几。与此同时，这些雇员对经营效率、成本管理、技术创新以及产品质量等影响公司效益重要变量的控制甚至超过了公司高级管理层。[2]

2.数据挖掘

数据挖掘（Data Mining），又称为数据库中的知识发现（Knowledge Discovery in Database，KDD），就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程。简单地说，数据挖掘就是从大量数据中提取或“挖掘”知识。它是数据库研究中一个很有价值的新领域，融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术。[3]它通过选择数据对数据进行检测，建立挖掘模型，挖掘出深层次的信息和知识。将其运用在销售数据分析中就能在庞大的客户数据库中将看似无联系的数据进行筛选和净化，提炼出有价值的客户购买模式，并且能对客户未来的发展趋势和行为进行预测，从而帮助决策者作出正确的决策。[4]

数据挖掘的一般流程为：[5]

（1）定义问题。清晰地定义出业务问题，确定数据挖掘的目的。

（2）数据准备。数据准备包括“选择数据”——在大型数据库和数据仓库目标中提取数据挖掘的目标数据集；“数据预处理”——进行数据再加工，包括检查数据的完整性及数据的一致性、去噪声，填补丢失的域，删除无效数据等。

（3）数据挖掘。根据数据功能的类型和数据的特点选择相应的算法，在净化和转换过的数据集上进行数据挖掘。

（4）结果分析。对数据挖掘的结果进行解释和评价，转换成为能够最终被用户理解的知识。

（5）知识的运用。将分析所得到的知识集成到业务信息系统的组织结构中去。

二、服装零售店可以采集的非财务指标类型分析

对刚刚进入服装零售市场或中小型的服装企业而言，对现实销售情况的分析往往要比其他的销售分析与预测方式来得更为重要。从服装零售店的销售情境来看，围绕现实销售情况可现场通过目测采集的非财务指标主要有以下几类：

1.消费者人口统计指标

长期的研究实践经验表明，不同年龄段、不同性别的消费者，在消费心理、购买决策模式、受环境影响程度、价格敏感度等诸多方面均有较大差别，可将这两个指标作为后期分析过程中的主要分类依据。这两个指标通过目测即可轻松得到。

而消费者的家庭规模与其在家庭中的地位等指标，由于受营业员个人经验的影响和制约太大，直接获取的可能性低，获取的时间与沟通成本较高，故不建议在零售店范围内采集。有条件的服装零售店，尤其是服装品牌连锁店可通过发放VIP贵宾卡的形式，在消费者填写相关申请文件时获得相关资料。

2.消费者地理指标

从国内的实际情况看，消费者的东西差异与南北差异较为明显，尤其是身材、着装偏好、人文习惯等指标均存在较明显的差异。这就意味着，如果有哪个服装公司试图用同样的产品提供给全国市场，失败将不可避免。从这个意义上讲，消费者的地理指标应该进行提取。

3.购买时间指标

服装行业是一个季节性很强的行业，消费者在不同的季节的需求都各不相同，从而大大增加了营销工作面临的不确定性。说到因对季节与其相关的天气判断失误造成重大亏损的例子，我们不能不提到国内羽绒服行业的第一品牌“波司登”。在连续经历了两个暖冬之后，其决策层认为2007年应该是个冷冬了，于是大规模备货，然而当2007年冬季已过去大半，注定又是一个暖冬的时候，波司登的销售情况让人感到寒气逼人。截止2007年3月底，因上年暖冬导致退回货品增加，波司登进行了2.5亿元的拨备，当年的存货结余也达到12.4亿元的历史新高，较上年同期倍增，重大亏损则是无法避免。①

此外，对于具体的时点进行分析也是有必要的，我们必须认识到，在星期一至星期五等工作日购买服装的消费者与在星期六、星期日购买服装的消费者之间的生活形态存在重大差异。与此同时，具体到每一天而言，我们认为，在上午九点购买服装的消费者与在晚上九点购买服装的消费者之间也存在较大差异。此外，对不同时间段的分析，也有利于店铺管理人员合理安排一线营业人员的配备与服务时间，从而在降低服务成本的同时，帮助店铺取得更大的收益。

4.产品属性指标

产品属性是反映消费者购买心理及行为发生的主要指标，在主要处理现实销售数据的情况下，数据的获取相对容易，也比较容易标准化。就一般情况而言，服装的款式、面料、颜色与尺码都应该记录下来，以帮助服装公司探查相应的结构，有利于为消费者提供一个合理的产品线结构，规避产品单一的风险。值得一提的是，服装行业有一半以上的库存是因为尺码问题造成的，这就意味着，如果尺码不合适，哪怕是给予消费者相当优惠的促销价格，消费者也不会将不适合自己的服装买走，从而严重影响服装销售的整体盈利能力。

5.价格敏感性指标

如前所说，由于国内的地区差异较大，经济发展水平不一，消费者在消费选择方面就肯定是不尽相同的。尤其是在就业压力大增的心理状态下，消费者对价格的敏感提升到了一个相当的高度。而这种心理将影响服装的销售速度，不利于服装企业的资金回笼与库存流转。基于这样的理解，我们应该记录的指标除了实际销售价格之外，还应当有主动要求折扣的情况、其购买的是否是当前正在进行促销的货品等指标。

6.消费情境指标

据零点市场调查公司的行业经验来看，消费者在进行购买决策时往往会因受到外部作用力的影响而发生改变。因此，我们至少应当记录消费者的陪同人员情况，并判断消费者是否是为自己选购服装。有条件的可以进一步记录货品的摆放（展示）情况、店铺的整洁程度，甚至是背景音乐的声音大小及选择的曲目等指标。

而对于消费者社会/经济特征指标所包括的收入、阶层、职业、教育状况、宗教信仰、民族等指标，由于受营业员个人经验的影响和制约大，直接获取可能性低，获取的时间与沟通成本高，可在有条件的情况下，通过发放VIP贵宾卡的形式，在消费者填写相关申请文件时与消费者的家庭规模与其在家庭中的地位等指标一并收集。

三、服装零售店非财务指标的应用方式

1.数据采集表设计

数据采集表的设计是实现采集上述非财务指标目标的重要环节，须给予充分重视。此外，还需体现不影响正常营业的秩序与客户服务水平的原则要求，使此项工作的落实具有相当的可持续性。具体的数据采集表设计可依照调查问卷的模式设计，详见表1。

2.销售数据采集表填注及数据录入

考虑到很多服装零售店已经采用POS机及条码扫描识别技术，建议在销售数据采集过程中主要通过POS机，并配合使用键盘输入，最终通过Microsoft Office Access数据库导出相关数据，从而使需要人工输入的数据大大减少，实现数据的快速填注，不致影响正常的营业秩序。如在POS系统不支持的情况下可采用CAPI技术（Computer Assisted Personal Interviewing，计算机辅助面对面访问）进行替代，并使用Access数据库导出相关数据。不建议完全使用人工进行数据采集工作。

3.数据分析

当数据转化为可供分析的标准化形式时，就可以真正使用采集到的数据进行相应的分析工作了。建议使用SPSS软件（Statistical Package for the Social Sciences，社会科学统计软件包）进行分析。在进行正式分析前，还应当对不同的变量进行赋值，以适应数据分析的要求。

对于一些面向国内市场运作时间不长或不擅长销售数据分析的服装企业而言，前期主要可采用的分析工具有频数分析和交叉分析两种工具。通过频数分析可以帮助企业了解某一个或几个变量下各个变量值出现次数，从而实现了解不同指标的内在结构的目标，而通过交叉分析，则有助于帮助企业了解不同变量之间相互关系，得到同一变量中的不同变量值在某一或某几项变量上的对比统计值，如不同性别的消费者在面对折扣时的对比情况。以SPSS15.0为例，频数分析的实现方式是：Analyze→Descriptive statistics→Frequencies，然后选择相应的分析数据框即可。而交叉分析的实现方式是：Analyze→Descriptive statistics→Crosstabs，然后选择两组进行对比的变量即可。

表1 服装零售业务数据采集表

4.经验曲线提取

服装零售店尤其是服装品牌连锁店要想长期建立对消费者需求及行为趋势的准确判断，在市场竞争中保持优势地位，对非财务指标的分析显然不能止于数据分析，还应推动普通员工认识到分析这些数据的重要性，培养他们对销售过程中一些平常并不注意却很重要的非财务指标的敏感性，并逐步通过类似的分析积累经验，形成相应的经验曲线，从而帮助企业在新的市场趋势刚刚出现的时候，就有机会识别它、把握它，使企业获得更好的效益。

注释：

①波司登国际控股有限公司2007-2008年度中期报告.

[1]刘永东.非财务指标在财务分析中的应用[J].硅谷，2009（13）：190.

[2]裘益政.全面业绩评价方程——公司如何在报酬激励计划中引进非财务指标 [J].企业管理，2001（8）：76.

[3]潘燕.谈企业客户关系管理中数据挖掘的应用[J].科技信息，2009（7）：148.

[4]夏维力，王鑫，王青松.数据挖掘技术在企业客户关系管理中的应用研究[J].科技管理研究，2007（6）：196.

[5]邹友华.数据挖掘在财务决策中的应用[J].现代商贸工业，2008（4）：157.