将 大数据 转化为有用的分析成果并付诸实行，运用不同的分析方法可能产生不同的分析结果，该如何利用大数据做出商品规划和市场营销等重要的领域有效的决策呢?大数据反映的是顾客过去的行为习惯，并不能判断顾客对未来激进变化的反应。一旦涉及创新，大多数管理者都要在数据不足的情况下作出决策。2015年，零售业常常面临到各方面的挑战，据APT分析，2015年对于零售业发展的最大威胁是消费者偏好的改变，另外电子商务O2O的发展也对线下餐饮业造成了一定的冲击。
而现在，可以基于大数据分析的方法，测算创新营销举措带来的效果。以麦当劳2015年非常成功的新品促销项目“充电饱”为例：
- 可以为新的创意活动估算规模及效益，以及潜在长期影响。
麦当劳2015年8月推出了一个叫“充电饱”的加长汉堡。对于麦当劳来说，怎么在合理的价位区间，让消费者吃得饱尽兴，这是推出这个活动的目的。
- 设计实验：确定实验变量，决定所需店面数目，选择最适合的测试组，利用大数据分析完成实验设计的关键步骤。
在“充电饱”整个战略思考里面，麦当劳的目标很明确——增加新的顾客和消费频次。
首先是要确定活动的时段聚焦，到底选择用餐时段还是茶歇时段?不同的城市群和不同的商圈?差异有多大?执行层面是不是不同?这些是需要通过大数据去分析，麦当劳通过所有收银台的数据，用APT平台进行测算所有消费数据。
数据主要分为三大类型：开设在不同商圈的店铺的总销售额，和每个时段的营业额峰值，以及流水单中的新品套餐所占比例——这主要反映了这一地区消费者对于新品的接受程度。运用APT进行三种数据关联性计算，在经麦当劳内部讨论后，得出的结论是通勤族、上班族在购物商圈的消费远远大于家庭住宅区，所以内部假设推出用餐时段的“充电饱”可以满足通勤族、上班族的需求。但另一方面内部也认为茶歇时段推出另一种”*搭”——顾客可*搭配主餐与一种饮料，价格较超值全餐低，这种套餐组合亦可能吸引目标族群。进一步的，麦当劳决定将两种组合放到市场实验，APT则根据店铺属性、销售数据在2000多家门店中，找出适合实验的门店。
- 分析实验：建立分析假设，审视结果，分析实验反馈。
综合全面性的分析之后，麦当劳做了很多的消费者调研。一个活动推出后，通过营业数据计算出与之前相比，消费者上门的频率、购买的金额是否都会因此提升?大数据分析中，根据不同地区选取的不同实验门店，可以对比出不同顾客群对创新策略的反应如何。对比后发现，“*搭”带动的新销售较多，但是对于其他商品的组合造成了巨大的销售侵蚀，显示原本会买超值全餐的消费者因为能*搭配较为低价的餐点组合，而减少购买了超值全餐，相对的“充电饱”的组合虽然销售表现不如“*搭”亮眼，但是购买充电饱的客户皆是新的客群，归结到全店的销售来看，带动绩效成长更为显著。
- 方案推广 ：根据各个店面的特性，进行最优调整。
最终在“充电饱”和“*搭”两种方案的选择上，APT发现推行充电饱比*搭成效的差距每年高达上千万人民币，也因此麦当劳决议全面推行“充电饱”项目而不是“*搭”，并于8月份推出“充电饱”超值套餐。推出了以后并不意味着测试的结束，这是一个持续学习和演化的过程。随着“充电饱”的大面积上市，所有销售数据都要集中收集做事后的评估，例如在不同的商圈和不同的城市群有不同的表现。通过分析市场反应，可以作为下一波新的市场假设及实验设计的基础。
本文转自d1net（转载）