论文部分内容阅读
目的:从各店经营数据的角度来探析该连锁品牌的整体盈利水平,综合考虑便利店的盈利状况和稳定性的基础上,建立一套对连锁便利店全面的合理性评价细则,帮助决策者有效洞察企业整体的经营水平,提出相应改善经营的建议,为国内连锁便利店运营研究提供一套崭新的理念与可借鉴的框架。方法:本研究的数据取自于X市Y连锁便利店的日常销售数据库。截取该企业2017年6月1日至2018年12月19日的数据,共计8020万余条细单记录。提取各店每日的收入、毛利润(以下简称利润)、成本、销量、毛利率和客流量等指标,将符合纳入标准的店面和销售记录保留做原始数据集,共计152家门店,51381条观测。本文对企业整体经营水平的洞察,主要是通过评测各店的盈利状况,故选取的评价指标为利润,并且需要考虑经营的稳定性,即使相同品牌其日均利润差异也较大,故选取变异系数进行衡量。不少店面因其门店位置的特殊性,收入在工作日、周末会有不小差距,故对每家店的利润按是否周末进行分组,进一步做差异性分析。结果表明有66.45%的店面工作日、周末的总体日均利润差异具有统计学意义,故评价指标分别是工作日日均利润及其变异系数、周末日均利润及其变异系数。综合评价的权重采用主观赋权与客观赋权相结合,综合排序采用TOPSIS法、秩和比法、功效系数法。利用TOPSIS法评价结果中的综合指标——C值,有序样品聚类可以进一步实现其分档目标。经过上述方法,不仅可以实现152家门店的综合运营实力排序,而且可以对其所处盈利等级进行标注。而企业管理者一方面关心的是这些评价指标的阈值大小怎样决定所处的等级,另一方面是否能够通过建模对新店的盈利状况做一个有效预测,故在此采用决策树、随机森林对评价指标及其标注进行分类学习。结果:1对评价指标的赋权,采用主观赋权与熵权相结合,最终计算出工作日日均利润及其变异系数、周末日均利润及其变异系数分别是:0.53、0.18、0.2、0.09,此权重与预期结果比较吻合,说明权重设置比较合理。2 TOPSIS法、秩和比法、功效系数法三种综合评价的结果,得出33.55%的门店排名差异在[0,5]之间,34.87%的店面排名差异在(5,10]之间,累计87%的店面的排名差距波动在[0,15]之间。一致性检验结果显示差别没有统计学意义(~2=5.657,P=0.059)。故可认为三种方法的排序结果基本一致。3 TOPSIS法排序结果中的C值是综合指标,表示为诸评价对象与最优方案接近程度,是综合考虑了各子店的工作日、周末日均利润及变异系数而计算出的值。选取C值进行有序样品聚类,结果表明152家门店可以大致分为5个档位。其中第一档为极优门店:2家,占比1.32%;第二档为较优门店:23家,占比15.13%;第三档为良好门店:34家,占比22.37%;第四档为中等门店:50家,占比32.89%;第五档为较差门店:43家,占比28.29%。4对各档位间进行多样本利润均数的比较,工作日的均数比较采用方差分析。检验结果为F=296.54,P<0.0001,说明工作日组各档位间的利润总体均数不同,用SNK检验对结果进行两两比较,结果表明任意两组之间均存在差异。而周末组的比较使用Kruskal-Wallis秩和检验。检验结果为~2=18.49,P<0.0001。可说明各档位间利润的总体分布位置不同,采用DSCF法对检验结果进行两两比较,结果表明任意两组之间均存在差异。5将152家门店总数据集按7:3的比例随机划分为训练集与验证集,训练集用于模型学习,而验证集用于预测。结果显示决策树算法的预测准确率为76.09%,而随机森林算法的预测准确率为80.43%,预测效果比较理想。结论:1构建的评价指标可以体现该连锁品牌各店的综合盈利状况,三种综合评价给予的子店排序结果可认为基本一致。2有序样品聚类可以将152家门店分为五个级别的门店,且各档位之间的盈利状况差异具有统计学意义。但该品牌仅有38.82%的优良门店,整体的经营状况亟待改善。3两种机器学习的预测准确率均比较可观,对新店的盈利状况判断具有一定的推广意义。