数据透视 - 商场(如沃尔玛)选址应用

背景

人群透视是商业与数据结合的案例之一，比如大型商场的选址，可与分析的数据包括车流、人流量等等。

结合数据可以更深入的分析人群的组成结构，消费能力等等，给大型商场的选址带来更多的参考价值。

那么如何使用数据库透视人群数据呢？

场景构建

1. 人群属性表

记载了每个人的各个属性段落，比如收入、车龄、固定资产等等。如下

create table people(
  id serial8 primary key,  -- 用户ID
  c1 int2, -- 年龄分段, 假设分5个档, 使用0,1,2,3,4表示
  c2 int2, -- 个人收入分段, 假设分3个档, 使用0,1,2表示
  c3 int2, -- 车龄分段, 假设分5个档, 使用0,1,2,3,4表示
  c4 int2, -- 家庭收入分段, 假设分3个档, 使用0,1,2表示
  c5 int2, -- 固定资产分段, 假设分3个档, 使用0,1,2表示
  c6 int2  -- 存款分段, 假设分3个档, 使用0,1,2表示
);

2. 人群动态轨迹

记录的是人群的活动位置或轨迹

使用PostgreSQL PostGIS插件，可以很方便的记录轨迹数据，并且支持GIST索引，可以快速的根据某个区域或范围搜索对应的人群。

create table people_loc(
  id int8,  -- 用户ID
  -- loc geometry,  -- 位置
  crt_time timestamp  -- 时间
);

生成测试数据

1. 生成1000万人群的测试数据, 其中车龄为4, 年龄段为4的不插入，制造一些空洞。

insert into people (c1,c2,c3,c4,c5,c6)
select
mod((random()*10)::int,4),
mod((random()*10)::int,3),
mod((random()*10)::int,4),
mod((random()*10)::int,3),
mod((random()*10)::int,3),
mod((random()*10)::int,3)
from generate_series(1,10000000);  

postgres=# select * from people limit 10;
 id | c1 | c2 | c3 | c4 | c5 | c6
----+----+----+----+----+----+----
  1 |  2 |  1 |  3 |  0 |  1 |  2
  2 |  0 |  0 |  1 |  0 |  1 |  0
  3 |  2 |  1 |  0 |  2 |  0 |  2
  4 |  1 |  0 |  0 |  0 |  1 |  2
  5 |  3 |  2 |  2 |  1 |  2 |  1
  6 |  1 |  2 |  0 |  0 |  1 |  1
  7 |  2 |  1 |  0 |  1 |  0 |  0
  8 |  1 |  1 |  0 |  1 |  0 |  2
  9 |  3 |  0 |  3 |  1 |  2 |  1
 10 |  3 |  2 |  2 |  0 |  2 |  1
(10 rows)

2. 生成1000万人群轨迹数据

insert into people_loc (id, crt_time)
select random()*10000000, now()+format('%L', (500000-random()*1000000))::interval
from generate_series(1,10000000);  

postgres=# select * from people_loc  limit 10;
   id    |          crt_time
---------+----------------------------
 7278581 | 2017-03-05 16:35:13.828435
 3456421 | 2017-03-07 09:08:26.853477
  976602 | 2017-03-04 18:47:49.176176
 1996929 | 2017-03-11 08:46:31.955573
 6590325 | 2017-03-11 14:48:55.231263
 7252414 | 2017-03-04 08:17:28.731733
 8763332 | 2017-03-01 15:37:11.57363
 9426083 | 2017-03-11 17:51:46.474757
 4399781 | 2017-03-05 08:07:45.962599
 9049432 | 2017-03-09 14:10:42.211882
(10 rows)

数据透视

1. 选择人群

以某个点为中心、或者根据某个闭环区域，圈一部分人群，（采用PostGIS）

这里不举例GIS(跟兴趣的童鞋可以使用PostGIS测试一下，性能杠杠的)，我直接以时间为度量直接圈人。

select id from people_loc where crt_time between '2017-03-06'::date and '2017-03-08'::date;

有人可能要问，如果这个时间段，同一个人出现了多条轨迹，怎么处理呢？

这里使用了IN，PostgreSQL 的优化器很强大，JOIN时数据库会自动聚合，不必在这里GROUP BY，原理可参考如下文章。

《聊一下PostgreSQL优化器 - in里面有重复值时PostgreSQL如何处理?》

2. 数据透视

PostgreSQL的SQL兼容性非常强大，对于数据透视，可以使用grouping sets, cube, rollup等语法。

《GROUPING SETS, CUBE and ROLLUP》

select c1,c2,c3,c4,c5,c6,count(*) cnt
from
people
where id in (
  select id from people_loc where crt_time between '2017-03-06'::date and '2017-03-08'::date
)
GROUP BY GROUPING SETS (c1,c2,c3,c4,c5,c6,());  

 c1 | c2 | c3 | c4 | c5 | c6 |   cnt
----+----+----+----+----+----+---------
    |  0 |    |    |    |    |  555530
    |  1 |    |    |    |    |  555525
    |  2 |    |    |    |    |  475596
    |    |    |    |    |    | 1586651
    |    |    |  0 |    |    |  554079
    |    |    |  1 |    |    |  555864
    |    |    |  2 |    |    |  476708
    |    |    |    |    |  0 |  554738
    |    |    |    |    |  1 |  554843
    |    |    |    |    |  2 |  477070
    |    |    |    |  0 |    |  554552
    |    |    |    |  1 |    |  555073
    |    |    |    |  2 |    |  477026
  0 |    |    |    |    |    |  396349
  1 |    |    |    |    |    |  475616
  2 |    |    |    |    |    |  397502
  3 |    |    |    |    |    |  317184
    |    |  0 |    |    |    |  396947
    |    |  1 |    |    |    |  475504
    |    |  2 |    |    |    |  395852
    |    |  3 |    |    |    |  318348
(21 rows)

更多透视用法参考cube, rollup, grouping sets用法。

目前PostgreSQL, HybridDB, Greenplum都支持以上语法。

3. 结果转换

使用WITH语法，将以上结果进行转换

with tmp as (
select c1,c2,c3,c4,c5,c6,count(*) cnt
from
people
where id in (
  select id from people_loc where crt_time between '2017-03-06'::date and '2017-03-08'::date
)
GROUP BY GROUPING SETS (c1,c2,c3,c4,c5,c6,())
)
select case
when c1 is not null then 'c1_'||c1
when c2 is not null then 'c2_'||c2
when c3 is not null then 'c3_'||c3
when c4 is not null then 'c4_'||c4
when c5 is not null then 'c5_'||c5
when c6 is not null then 'c6_'||c6
else 'cnt' end AS col,
t1.cnt as private,
t2.cnt as all,
t1.cnt::numeric/t2.cnt as ratio
from tmp t1, (select cnt from tmp where tmp.c1 is null and tmp.c2 is null and tmp.c3 is null and tmp.c4 is null and tmp.c5 is null and tmp.c6 is null) t2
;  

 col  | private |   all   |         ratio
------+---------+---------+------------------------
 c2_0 |  555530 | 1586651 | 0.35012740672019240526
 c2_1 |  555525 | 1586651 | 0.35012425542857250901
 c2_2 |  475596 | 1586651 | 0.29974833785123508572
 cnt  | 1586651 | 1586651 | 1.00000000000000000000
 c4_0 |  554079 | 1586651 | 0.34921290189209851442
 c4_1 |  555864 | 1586651 | 0.35033791300040147455
 c4_2 |  476708 | 1586651 | 0.30044918510750001103
 c6_0 |  554738 | 1586651 | 0.34962824212760083976
 c6_1 |  554843 | 1586651 | 0.34969441925161866094
 c6_2 |  477070 | 1586651 | 0.30067733862078049930
 c5_0 |  554552 | 1586651 | 0.34951101407934069937
 c5_1 |  555073 | 1586651 | 0.34983937866613388830
 c5_2 |  477026 | 1586651 | 0.30064960725452541233
 c1_0 |  396349 | 1586651 | 0.24980225645085151051
 c1_1 |  475616 | 1586651 | 0.29976094301771467071
 c1_2 |  397502 | 1586651 | 0.25052894429839958504
 c1_3 |  317184 | 1586651 | 0.19990785623303423374
 c3_0 |  396947 | 1586651 | 0.25017915092859110163
 c3_1 |  475504 | 1586651 | 0.29969035408542899478
 c3_2 |  395852 | 1586651 | 0.24948901806383382357
 c3_3 |  318348 | 1586651 | 0.20064147692214608001
(21 rows)  

Time: 8466.507 ms

perf report

# Events: 8K cycles
#
# Overhead   Command       Shared Object                                               Symbol
# ........  ........  ..................  ...................................................
#
     6.29%  postgres  postgres            [.] comparetup_heap
            |
            --- comparetup_heap
               |
               |--41.84%-- (nil)
               |
               |--33.36%-- 0x1
               |
               |--8.44%-- 0x23e8e
               |
               |--8.43%-- 0x2
               |
                --7.93%-- 0x3  

     5.16%  postgres  postgres            [.] slot_deform_tuple.lto_priv.1138
            |
            --- slot_deform_tuple.lto_priv.1138  

     3.82%  postgres  postgres            [.] mergeprereadone
            |
            --- mergeprereadone  

     3.79%  postgres  postgres            [.] qsort_ssup
            |
            --- qsort_ssup  

     3.51%  postgres  postgres            [.] tuplesort_gettuple_common.lto_priv.1348
            |
            --- tuplesort_gettuple_common.lto_priv.1348
               |
               |--32.14%-- 0x1
               |
               |--22.28%-- 0x2
               |
               |--18.95%-- (nil)
               |
               |--11.41%-- 0x10
               |
               |--5.72%-- 0x3
               |
               |--1.91%-- 0x3d84d9
               |
               |--1.91%-- 0xef259
               |
               |--1.91%-- get_select_query_def.lto_priv.1324
               |
               |--1.91%-- 0x95c9af
               |
                --1.88%-- 0x3a0e54

4. left join 补缺(可选)

对于空洞值，如果你要补齐的话，使用left join即可

select * from (values ('c1_0'),('c1_1'),('c1_2'),('c1_3'),('c1_4'),('c2_0'),('c2_1'),('c2_2'),('c3_0'),('c3_1'),('c3_2'),('c3_3'),('c3_4'),('c4_0'),('c4_1'),('c4_2'),('c5_0'),('c5_1'),('c5_2'),('c6_0'),('c6_1'),('c6_2')) t (col);  

 col
------
 c1_0
 c1_1
 c1_2
 c1_3
 c1_4
 c2_0
 c2_1
 c2_2
 c3_0
 c3_1
 c3_2
 c3_3
 c3_4
 c4_0
 c4_1
 c4_2
 c5_0
 c5_1
 c5_2
 c6_0
 c6_1
 c6_2
(22 rows)

补缺如下

with tmp as (
select c1,c2,c3,c4,c5,c6,count(*) cnt
from
people
where id in (
  select id from people_loc where crt_time between '2017-03-06'::date and '2017-03-08'::date
)
GROUP BY GROUPING SETS (c1,c2,c3,c4,c5,c6,())
),
tmp2 as (
select case
when c1 is not null then 'c1_'||c1
when c2 is not null then 'c2_'||c2
when c3 is not null then 'c3_'||c3
when c4 is not null then 'c4_'||c4
when c5 is not null then 'c5_'||c5
when c6 is not null then 'c6_'||c6
else 'cnt' end AS col,
t1.cnt as private,
t2.cnt as all,
t1.cnt::numeric/t2.cnt as ratio
from tmp t1, (select cnt from tmp where tmp.c1 is null and tmp.c2 is null and tmp.c3 is null and tmp.c4 is null and tmp.c5 is null and tmp.c6 is null) t2
)
select t1.col,coalesce(t2.ratio,0) ratio from (values ('c1_0'),('c1_1'),('c1_2'),('c1_3'),('c1_4'),('c2_0'),('c2_1'),('c2_2'),('c3_0'),('c3_1'),('c3_2'),('c3_3'),('c3_4'),('c4_0'),('c4_1'),('c4_2'),('c5_0'),('c5_1'),('c5_2'),('c6_0'),('c6_1'),('c6_2'))
t1 (col)
left join tmp2 t2
on (t1.col=t2.col)
order by t1.col;   

 col  |         ratio
------+------------------------
 c1_0 | 0.24980225645085151051
 c1_1 | 0.29976094301771467071
 c1_2 | 0.25052894429839958504
 c1_3 | 0.19990785623303423374
 c1_4 |                      0
 c2_0 | 0.35012740672019240526
 c2_1 | 0.35012425542857250901
 c2_2 | 0.29974833785123508572
 c3_0 | 0.25017915092859110163
 c3_1 | 0.29969035408542899478
 c3_2 | 0.24948901806383382357
 c3_3 | 0.20064147692214608001
 c3_4 |                      0
 c4_0 | 0.34921290189209851442
 c4_1 | 0.35033791300040147455
 c4_2 | 0.30044918510750001103
 c5_0 | 0.34951101407934069937
 c5_1 | 0.34983937866613388830
 c5_2 | 0.30064960725452541233
 c6_0 | 0.34962824212760083976
 c6_1 | 0.34969441925161866094
 c6_2 | 0.30067733862078049930
(22 rows)

5. 行列变换(可选)

如果要将以上数据，多行转换为单行，可以使用tablefunc插件，PostgreSQL玩法巨多哦。

https://www.postgresql.org/docs/9.6/static/tablefunc.html

create extension tablefunc;  

select * from
crosstab($$
with tmp as (
select c1,c2,c3,c4,c5,c6,count(*) cnt
from
people
where id in (
  select id from people_loc where crt_time between '2017-03-06'::date and '2017-03-08'::date
)
GROUP BY GROUPING SETS (c1,c2,c3,c4,c5,c6,())
),
tmp2 as (
select case
when c1 is not null then 'c1_'||c1
when c2 is not null then 'c2_'||c2
when c3 is not null then 'c3_'||c3
when c4 is not null then 'c4_'||c4
when c5 is not null then 'c5_'||c5
when c6 is not null then 'c6_'||c6
else 'cnt' end AS col,
t1.cnt as private,
t2.cnt as all,
t1.cnt::numeric/t2.cnt as ratio
from tmp t1, (select cnt from tmp where tmp.c1 is null and tmp.c2 is null and tmp.c3 is null and tmp.c4 is null and tmp.c5 is null and tmp.c6 is null) t2
)
select 'row'::text , t1.col,coalesce(t2.ratio,0) ratio from (values ('c1_0'),('c1_1'),('c1_2'),('c1_3'),('c1_4'),('c2_0'),('c2_1'),('c2_2'),('c3_0'),('c3_1'),('c3_2'),('c3_3'),('c3_4'),('c4_0'),('c4_1'),('c4_2'),('c5_0'),('c5_1'),('c5_2'),('c6_0'),('c6_1'),('c6_2'))
t1 (col)
left join tmp2 t2
on (t1.col=t2.col)
order by t1.col
$$
)
as
(
row text,
c1_0 numeric,
c1_1 numeric,
c1_2 numeric,
c1_3 numeric,
c1_4 numeric,
c2_0 numeric,
c2_1 numeric,
c2_2 numeric,
c3_0 numeric,
c3_1 numeric,
c3_2 numeric,
c3_3 numeric,
c3_4 numeric,
c4_0 numeric,
c4_1 numeric,
c4_2 numeric,
c5_0 numeric,
c5_1 numeric,
c5_2 numeric,
c6_0 numeric,
c6_1 numeric,
c6_2 numeric
);  

 row |          c1_0          |          c1_1          |          c1_2          |          c1_3          | c1_4 |          c2_0          |          c2_1          |          c2_2          |          c3_0          |          c3_1
|          c3_2          |          c3_3          | c3_4 |          c4_0          |          c4_1          |          c4_2          |          c5_0          |          c5_1          |          c5_2          |          c6_0          |
      c6_1          |          c6_2
-----+------------------------+------------------------+------------------------+------------------------+------+------------------------+------------------------+------------------------+------------------------+------------------------
+------------------------+------------------------+------+------------------------+------------------------+------------------------+------------------------+------------------------+------------------------+------------------------+----
--------------------+------------------------
 row | 0.24980225645085151051 | 0.29976094301771467071 | 0.25052894429839958504 | 0.19990785623303423374 |    0 | 0.35012740672019240526 | 0.35012425542857250901 | 0.29974833785123508572 | 0.25017915092859110163 | 0.29969035408542899478
| 0.24948901806383382357 | 0.20064147692214608001 |    0 | 0.34921290189209851442 | 0.35033791300040147455 | 0.30044918510750001103 | 0.34951101407934069937 | 0.34983937866613388830 | 0.30064960725452541233 | 0.34962824212760083976 | 0.3
4969441925161866094 | 0.30067733862078049930
(1 row)

透视优化

1. 关于索引（BRIN, GIST, BTREE_GIST）

通常我们会限定两个维度，筛选人群，1时间范围，2地理位置范围。

由于轨迹数据通常是时间和堆的线性相关性很好的，所以，在索引方面，可以使用BRIN索引。

brin索引详见

《PostgreSQL 聚集存储与 BRIN索引 - 高并发行为、轨迹类大吞吐数据查询场景解说》

而对于地理位置，如果要进行快速筛选的话，可以建立GIST索引

如果要建立两者的复合索引，可以使用btree_gist插件，那么时间和地理位置就能放在一个GIST索引中了。

create extension btree_gist;

2. 递归优化

如果轨迹点很多，但是大多数为重复人群，可使用递归优化IN查询

参考

《用PostgreSQL找回618秒逝去的青春 - 递归收敛优化》

《distinct xx和count(distinct xx)的变态递归优化方法 - 索引收敛(skip scan)扫描》

《时序数据合并场景加速分析和实现 - 复合索引，窗口分组查询加速，变态递归加速》

3. case when 优化，在使用本例的cube,grouping sets,rollup前，或者其他不支持数据透视语法的数据库中，可以使用case when的方法来聚合，但是每条数据都要经过case when的计算，耗费很大的CPU。

select
  sum(case when c1=0 then 1 else 0 end)/(count(*))::numeric as c1_0,
  sum(case when c1=1 then 1 else 0 end)/(count(*))::numeric as c1_1,
  sum(case when c1=2 then 1 else 0 end)/(count(*))::numeric as c1_2,
  sum(case when c1=3 then 1 else 0 end)/(count(*))::numeric as c1_3,
  sum(case when c1=4 then 1 else 0 end)/(count(*))::numeric as c1_4,
  sum(case when c2=0 then 1 else 0 end)/(count(*))::numeric as c2_0,
  sum(case when c2=1 then 1 else 0 end)/(count(*))::numeric as c2_1,
  sum(case when c2=2 then 1 else 0 end)/(count(*))::numeric as c2_2,
  sum(case when c3=0 then 1 else 0 end)/(count(*))::numeric as c3_0,
  sum(case when c3=1 then 1 else 0 end)/(count(*))::numeric as c3_1,
  sum(case when c3=2 then 1 else 0 end)/(count(*))::numeric as c3_2,
  sum(case when c3=3 then 1 else 0 end)/(count(*))::numeric as c3_3,
  sum(case when c3=4 then 1 else 0 end)/(count(*))::numeric as c3_4,
  sum(case when c4=0 then 1 else 0 end)/(count(*))::numeric as c4_0,
  sum(case when c4=1 then 1 else 0 end)/(count(*))::numeric as c4_1,
  sum(case when c4=2 then 1 else 0 end)/(count(*))::numeric as c4_2,
  sum(case when c5=0 then 1 else 0 end)/(count(*))::numeric as c5_0,
  sum(case when c5=1 then 1 else 0 end)/(count(*))::numeric as c5_1,
  sum(case when c5=2 then 1 else 0 end)/(count(*))::numeric as c5_2,
  sum(case when c6=0 then 1 else 0 end)/(count(*))::numeric as c6_0,
  sum(case when c6=1 then 1 else 0 end)/(count(*))::numeric as c6_1,
  sum(case when c6=2 then 1 else 0 end)/(count(*))::numeric as c6_2
from
people
where id in (
  select id from people_loc where crt_time between '2017-03-06'::date and '2017-03-08'::date
);  

          c1_0          |          c1_1          |          c1_2          |          c1_3          |            c1_4            |          c2_0          |          c2_1          |          c2_2          |          c3_0          |
  c3_1          |          c3_2          |          c3_3          |            c3_4            |          c4_0          |          c4_1          |          c4_2          |          c5_0          |          c5_1          |          c5_2
        |          c6_0          |          c6_1          |          c6_2
------------------------+------------------------+------------------------+------------------------+----------------------------+------------------------+------------------------+------------------------+------------------------+--------
----------------+------------------------+------------------------+----------------------------+------------------------+------------------------+------------------------+------------------------+------------------------+----------------
--------+------------------------+------------------------+------------------------
 0.24980225645085151051 | 0.29976094301771467071 | 0.25052894429839958504 | 0.19990785623303423374 | 0.000000000000000000000000 | 0.35012740672019240526 | 0.35012425542857250901 | 0.29974833785123508572 | 0.25017915092859110163 | 0.29969
035408542899478 | 0.24948901806383382357 | 0.20064147692214608001 | 0.000000000000000000000000 | 0.34921290189209851442 | 0.35033791300040147455 | 0.30044918510750001103 | 0.34951101407934069937 | 0.34983937866613388830 | 0.3006496072545
2541233 | 0.34962824212760083976 | 0.34969441925161866094 | 0.30067733862078049930
(1 row)  

Time: 8282.168 ms

perf report

# Events: 8K cycles
#
# Overhead   Command       Shared Object                                               Symbol
# ........  ........  ..................  ...................................................
#
    12.15%  postgres  postgres            [.] ExecMakeFunctionResultNoSets
            |
            --- ExecMakeFunctionResultNoSets
               |
                --100.00%-- (nil)  

     7.11%  postgres  postgres            [.] ExecEvalCase
            |
            --- ExecEvalCase
               |
                --100.00%-- (nil)  

     6.85%  postgres  postgres            [.] ExecTargetList.isra.6.lto_priv.1346
            |
            --- ExecTargetList.isra.6.lto_priv.1346  

     5.43%  postgres  postgres            [.] ExecProject.constprop.414
            |
            --- ExecProject.constprop.414  

     5.37%  postgres  postgres            [.] ExecEvalScalarVarFast
            |
            --- ExecEvalScalarVarFast  

     4.35%  postgres  postgres            [.] slot_getattr
            |
            --- slot_getattr  

     4.13%  postgres  postgres            [.] advance_aggregates
            |
            --- advance_aggregates  

     3.43%  postgres  postgres            [.] slot_deform_tuple.lto_priv.1138
            |
            --- slot_deform_tuple.lto_priv.1138  

     3.12%  postgres  postgres            [.] ExecClearTuple
            |
            --- ExecClearTuple  

     2.82%  postgres  postgres            [.] IndexNext
            |
            --- IndexNext  

     2.45%  postgres  postgres            [.] ExecEvalConst
            |
            --- ExecEvalConst
               |
                --100.00%-- (nil)

小结

1. 语法cube, grouping sets, rollup给数据透视提供了比较好的便利。

2. 行列变换可以使用tablefunc插件。

3. case when过多时，对CPU的开销会比较大。

4. 结合PostGIS可以很方便的基于地理位置和时间维度，分析人群特性。

5. 阿里云HybridDB, PostgreSQL都能提供以上功能，其中HybridDB为分布式数据仓库。

时间： 2024-09-17 19:15:08

数据透视 - 商场(如沃尔玛)选址应用的相关文章

大数据应用论坛（下）：看Dropbox、腾讯、沃尔玛、蚂蚁金服、宜信、高德专家咋玩大数据

2014年12月12-14日,由中国计算机学会(CCF)主办,CCF大数据专家委员会承办,中科院计算所与CSDN共同协办,以推进大数据科研.应用与产业发展为主旨的 2014中国大数据技术大会 (Big Data Technology Conference 2014,BDTC 2014)暨第二届CCF大数据学术会议在北京新云南皇冠假日酒店盛大开幕. 在14日"大数据应用"论坛的下午,Dropbox研发经理邵铮.腾讯广点通高级研究员靳志辉.沃尔玛实验室核心数据科学家Zhu Tao.蚂蚁金

沃尔玛如何利用大数据颠覆零售业

Intetix Foundation(英明泰思基金会)由从事数据科学.非营利组织和公共政策研究的中国学者发起成立,致力于通过数据科学改善人类社会和自然环境.通过联络.动员中美最顶尖的数据科学家和社会科学家,以及分布在全球的志愿者,我们创造性地践行着我们的使命:为美好生活洞见数据价值. "对沃尔玛最重要的是它的规模.消费群的规模.产品的规模.以及技术的规模.""我们渴望洞见世界上每一个产品,我们渴望了解世界上每一个人.我们希望能够通过交易将产品与用户连接." 沃尔玛的

沃尔玛物流模式成功奥秘初探

成功的奥秘:物流现代化 1.沃尔玛是全球第一个发射物流通信卫星的企业物流通信卫星使得沃尔玛产生了跳跃性的发展,很快就超过了美国零售业的龙头--凯玛特和西尔斯.沃尔玛从乡村起家,而凯玛特和西尔斯.在战略上以大中小城市为主.沃尔玛通过便捷的信息技术急起直追,终于获得了成功. 2.建立全球第一个物流数据的处理中心沃尔玛在全球第一个实现集团内部24小时计算机物流网络化监控,使采购库存.订货.配送和销售一体化.例如,顾客到沃尔玛店里购物,然后通过POS机打印发票,与此同时负责生产计划.采购计划的人以及供应

沃尔玛中国区高管集体“换血”或因负面事件

总裁陈耀昌离职或只是负面消息牺牲品? 分析认为,沃尔玛中国管理团队的"更新换代",或与今年以来其在华发生的多宗负面事件有关,"换血"有利于其重塑在华形象,挽救声誉总裁陈耀昌离职或只是负面消息牺牲品? 分析认为,沃尔玛中国管理团队的"更新换代",或与今年以来其在华发生的多宗负面事件有关,"换血"有利于其重塑在华形象,挽救声誉 10月17日,沃尔玛中国区宣布重大人事变动,中国区总裁兼首席执行官陈耀昌辞职.而上周,重庆沃尔玛因以普

1000亿市值亚马逊：围猎沃尔玛的四把手枪

刘燚 7月27日,亚马逊发布2011财年第二季度财报,当季营收增长51%至99.1亿美元,净利润为1.91亿美元.随即,亚马逊盘后股价大涨6.29%达227.65美元,市值突破1000亿美元. 在全球互联网大鳄中,该市值仅次于谷歌,近2.5倍于eBay.与谷歌过去1年股价不温不火相反,过去52周当中,亚马逊最低价为114.51美元,目前其股价与最低价相比已经上涨了90%.按照亚马逊的增长趋势,两三年内亚马逊要超越谷歌并非不可能. 是什么让亚马逊成为明星中的明星?答案可能包括亚马逊全球最成功的云计

沃尔玛网上商店访问总量惨淡，不及亚马逊一半

9月8日消息,据247wallst网站报道,按照市场研究机构comScore的数据,零售业巨头沃尔玛(Walmart)网上商店的访问总量还不到亚马逊(Amazon)的一半. 虽然沃尔玛多次重新改版或上线它的Walmart.com网站,但依然无法追赶上亚马逊,至少是在访问总量上.实际上Walmart.com的访问量不到亚马逊的一半,显示沃尔玛的电子商务业务存在很多问题. 按照comScore的数据,今年7月,亚马逊在美国拥有9540万桌面独立访客,沃尔玛的数据为3410万,要是算上全球或是移动设备

运用小数据逆袭，一家地区超市让沃尔玛甘拜下风

大数据是基于网络的信息收集,在大数据时代,线上的交流与行动充满了伪装.上网的人都知道,技术的出现,让我们至少拥有两种人格.当我们匿名地徜徉网络时,我们就不再是我们了--不用真实的姓名,不用真实的面孔,不用真实的身份. 所以,光有大数据是不够的.大数据会告诉你趋势与未来,却无法告诉你客户的欲望与梦想.只有研究我们真实的生活.文化和国家,研究用户的手势.习惯.喜好.厌恶.犹豫.装饰--才能发现解决问题的关键,这些,就是我说的小数据. 洛斯超市是美国北卡罗莱纳州第五大城市的一家地区超市,坐落在距离市中

看ZARA亚马逊沃尔玛如何利用大数据

大数据时代正在以我们可感知的方式到来,无数公司和创业者都纷纷跳进了这个狂欢队伍. <连线>杂志(台湾版)最新制作了一期大数据特刊,其中涉及到三家零售公司.这三家公司很有代表性:ZARA,一家发家于线下的快时尚品牌商:亚马逊,电商巨头:沃尔玛,全球最大的传统零售企业. 这组报道从不同角度来分析它们是怎么利用大数据的:ZARA运用大数据让自己既有的快时尚模式如虎添翼:亚马逊实现基于大数据的精准营销:沃尔玛分析社交网站海量数据上显露的消费者偏好与需求. 它们在三个方向上的实践样本也许

ZARA、亚马逊和沃尔玛：三巨头的大数据

<连线>杂志报道三家零售公司.这三家公司很有代表性:ZARA,一家发家于线下的快时尚品牌商:亚马逊,电商巨头:沃尔玛,全球最大的传统零售企业. 这组报道从不同角度来分析它们是怎么利用大数据的:ZARA运用大数据让自己既有的快时尚模式如虎添翼:亚马逊实现基于大数据的精准营销:沃尔玛分析社交网站海量数据上显露的消费者偏好与需求. 它们在三个方向上的实践样本也许对很多中国零售企业有所启发.以下内容主要由虎嗅根据该报道编辑而成: ZARA Zara平均每件服饰价格只有LV的四分之一,但是,打开两家公司