现在大数据、人工智能风靡一时，但是零售业到底需要什么样的数据科学？

我个人认为，还是一些简单、实用的传统分析方法更好，可以解决很多实际问题。

其中相关性分析就是一种很好的数据分析方法。

一、销售业绩与时间的相关性：

有经验的人都知道，零售是一个时间高度敏感的行业，不同日期、不同销售时段都会对商品销售产生巨大的影响。

在国外零售业，销售业绩与时间之间的影响方式被表示为周期性和日历型关联规则（Cyclic and Calendric association rules）。

国外零售业者发现，土豆和蛋黄酱发生关联（即出现在购物篮中）的时间最多在下午4：00-6：00，某种意义上是时间敏感商品。

国内某生鲜店发现，早上买菜一族，会论斤购买水果等、整只购买哈密瓜、西瓜等商品，而附近小区居住的年轻一族，喜欢购买切好的盒装水果，很少购买论斤称重的商品，尤其不会购买整只的哈密瓜、西瓜等，这种购买行为与销售时段高度相关。

二、天气与销售业绩的影响案例：

国外零售业认为，门店所在的地区天气变化会对顾客的购买行为（Buying  pattern）产生影响。 

沃尔玛通过数据分析，掌握了天气因素对于门店的影响方式，2004年在飓风“佛朗西斯”袭击美国东南沿海时，沃尔玛准确地预测到，当飓风即将来临时，人们的购物习惯可能会改变，他们通过分析以往飓风袭击时的销售数据了解人们可能想要购买什么，答案是“草莓馅饼”，在飓风前几天，这种产品的销售速度比正常情况下快七倍！

根据分析报告，沃尔玛在飓风到来之前，加快飓风途径区域的草莓馅饼上货。事实证明，这些馅饼的确卖的不错。

具体为什么会是草莓馅饼，而不是其他食品，案例中没有找出原因，但是这个飓风与草莓馅饼的相关性非常明显（还有啤酒的销量也上去了），并使得沃尔玛的卖场获得了很好的收益。

同样在飓风之前摆放草莓馅饼，在晴天摆放脆米棒（晴天相关商品），已经是沃尔玛的常规操作。三、三、一叶知秋：先行性相关指标

现实中还存在存在着一种被称为先行性相关指标。

先行性相关指标指的是某些事务的部分指标（可以称为局部的“小数据”指标），会与整体指标发生某些相关性，从而可以反映出整体的“大数据”指标特征。

在零售业、餐饮业存在这种大量应用先行性的相关指标应用案例。

某些超市的店长可以根据早上8：30-10：30的销售额，估算出门店全天的销售额，基本八九不离十，也可以根据生鲜、肉类品类的销售状况，整体估算门店销售比例是否正常。

某些大型购物中心，没有办法了解购物中心的整体销售状况，因此采取了以某家流行水吧的奶茶销售杯数（客群主要是年轻人）），以此作为购物中心销售额及客流估算依据，基本可以做到八九不离十，这就是利用先行性相关性指标的故事。

某大型餐厅无法精确预估每天的就餐人数，这样会导致人员、食材安排上会出现纰漏，后来根据每天下午5：00前的预定数与当天的总就餐数存在1：5的相关性，由此将预定人数作为总就餐人数的先行指标，假定某天下午5：00前预定就餐人数是50位，那么当天总就餐人员应该是250位（注：精益数据分析 【加】阿利斯泰尔.克罗尔，本杰明.尤科维奇 著，韩知白 王鹤达 译，北京：人民邮电出版社2015.1 P49）。