购物商场若能善用大数据高级分析法选择租户、优化布局和敲定租金,便可实现20%的营收增长。

作者:Ismail Bel-Bachir、Sandrine Devillard、Alex Sawaya (艾力)、Ivana Valachovicova 与Joanna Mak (麦恺茵)

如今,越来越多的消费者开始摒弃实体店,转向线上购物。在购物过程中,他们也更加追求体验,而不仅是产品本身。这一现状总让购物商场焦头烂额。在最近发表的一篇文章[1]中,我们给出了这样一个观点:商场只有重塑业务模式,引入新技术,培养自身的大数据高级分析能力,才能在新环境中绝处逢生。

在所有前沿技术中,高级分析法脱颖而出。购物商场若能掌握其精髓,便能颠覆各个业务领域,实现利润的强势增长。可惜,在使用高级分析法这个议题上,许多商场总是落后于租户。最常见的一种解释,就是商场并不直接接触消费者,因此也没有多少消费者数据可供分析。但我们出乎意料地发现,商场其实掌握着大量数据,包括消费者购买行为、品类销售与租户业绩等。商场普遍缺乏的其实是分析大数据的技能与工具,因此难以从数据中汲取洞见。大部分商场仍基于以往惯例、经验和直觉来做决策,只能眼睁睁看着价值流失。

不过,部分目光长远的购物商场已经率先采用了大数据高级分析法。它们利用指导性(prescriptive)和预测性(predictive)模型打造出分析工具,既便于使用,又能一目了然地展示所有数据和图表,从而作出更为明智的决策。本文阐述了大数据高级分析法应怎样应用在购物商场最关键的营收管理环节。使用了高级分析法后,商场能明确最佳商铺组合,更好地理解租户,并规划各商铺在商场里的布局,从而增加消费者的购物金额与逛店时间。同时,这也能让商场在招商与协商租金时,更加胸有成竹。事实证明,这些工具都带来了丰厚的回报:使用了高级分析法的商场,租金均取得了双位数增长。

规划最优商铺组合

决定将店铺租给谁、租在哪个位置时,大部分商场都看机遇。某些商场可能会有基本的租户品类划分,但到了招商和对租户进行优先排序时,他们却又缺乏系统性的分析方法,也无法根据实实在在的数据来回答重要问题。比如:哪一类商铺能在商场辐射的客源区,吸引最多在周边生活和工作的消费者?商场的主力商铺是否真的在为商场带动客流、拉高消费?哪些租户是出乎意外的“消费引擎”(即租户本身的销售业绩可能并不高,但却能够拉动其他店铺的业绩,创造价值)?什么样的商铺或品类组合,能提升商场整体的销售业绩?

一家亚洲购物商场就使用了大数据高级分析工具。通过研究销售和交易数据,他们琢磨出了消费者在商场内的典型逛店路线,以及品类之间交叉销售的相互作用情况。这一工具还能量化出每家商铺对消费者在商场总体消费的影响。换言之,就是能检验每家商铺作为“消费引擎”的表现。比如,有没有特定的商铺能够提升或降低其他商铺的业绩?如果有的话,影响有多大?每次消费者来逛商场时,是否会重点逛某些商铺?该商场发现,他们一家以服装为重的主力店,似乎会削弱周边服装店的业绩,同时又会拉动邻近配饰和美妆店的业绩。该工具还能量化各商铺在批发与线上销售对实体零售店的“光环效应”。

这些洞见能够极大地帮助商场优化租户选择及位置布局。参考分析结果后,该商场能识别出哪些商铺需要调整面积或迁移,哪些需要调整租金或撤离,哪些需要提供宣传支持(见图1)。例如,某租户的坪效虽低(每平方尺的销售额低于商场平均水平),但它能够带动其他商铺的业绩,那么就可以考虑缩小该商铺的面积,或将其搬到更小的铺位。

租户位置分配

当招商团队审议即将到期的租约时,他们应该仔细研究所有潜在的租户,以找出最合适的候选者填补空缺。例如,商场内哪些租户换到这个位置后,表现可能会更好?位于此地其他商场内的品牌,会不会也想进驻这家商场?哪些新租户已经表达过进驻商场的意向?

商场有时会重新把租户“分区”,或专门划分品类专区。这种改造项目可造就机会,把租户迁移至商场其他铺位。当然,这种评估所有排列组合的工作总会让人“千头万绪”,没有高级分析法的帮助几乎无法实现。

在高级分析法的支持下,商场现在拥有新工具,名为RTRL 对户对位(Right Tenant Right Location,意为“让合适的租户到合适的位置”)。它能估算在每一个租户与位置的排列组合下,每家潜在租户的全渠道销售额和应付租金。(值得注意的一点是,在决定租户租金时,商场的首要目标并非最大化自身的租金收入,而是最大化商场租户的总体销售额。这看似有违常理,因为租户的销售额并不会直接影响商场的利润。但其实只有租户租金成本率[2]降低,业务才会健康持久,生生不息。)

上文提到的那家亚洲商场在使用了RTRL工具后,最终确定了10家新租户,以取代10家合约即将到期的租户,同时还决定好新租户商铺的位置。测算结果显示,新的10家租户进驻后,商场销售额将比前一年增加1.15亿美元,租金收入也会上涨500万美元(见图2)。

销售额与坪效数据是RTRL工具的支柱。它所掌握关于当前与潜在租户的信息越多,测算结果就越准确。要让工具分析出同一租户在铺位A与铺位B的业绩差别,商场必须收集足够多的可靠数据,包括租金成本和全渠道销售数据。商场若无法收集到潜在租户的数据,那就要从目前租户数据库中,认真选择出合适的对标基准。

RTRL工具还必须设置一定的业务限制。例如,商场若有分区,那么工具就不应该把玩具零售商放在服装区或者餐饮区内。此外,商场还要明确品类占比的上下限额。例如,高端服装占商场总面积的10%,低价电子产品占3%等[3]。如果不设定合理的业务限制,工具难免会给产值高的品类(如奢侈品或电子产品)分配过多的面积。

为每份租约设定价格区间

设定商铺租金对全球商场而言,都是一个让人头疼的挑战。商场一般都缺乏清晰的流程和内部共识去设定每家商铺的租金;比方说,资产管理与招商团队往往意见相左。除此之外,各个国家或各个品类也没有公开的行业指标。我们的研究发现,全球商场租金收入在租户总销售额中的占比天差地别——在巴西的一家商场是5%,而在澳洲的另一家却是25%。

理论上,商铺租金应取决于四个变量:1)商场的类型与地段;2)人流量与质量;3)铺位特点(包括大小与格局);4)该品牌或品类的效坪。但这些理论并没有被应用到实践当中。我们发现,招商经理通常会按自身对租户的了解(“我了解他,x元的租金对他来说已经是上限了”)、往常惯例(“就延续以往的惯例,涨个2%吧”),或是凭自己的直觉和商业知识来决定铺位租金。

亚洲一家商场借助了高级分析定价工具,在整体和个别店铺层面了解全部租户的经营情况,定下明确的租金目标。该商场先对每一个租户都做了透彻的经济数据分析,不但研究了每个铺位的销售情况,还分析了租金成本与利润。随后,商场又使用定价工具,把以前的4个变量拆分为25个子变量,如铺位与商场入口的距离、品牌价格定位等。定价工具进行了多重变量回归分析,为所有现在与潜在租户都设定了价格区间(或“协议区间”)。在对各租户进行铺位租金估值(ERV)时,商场计算了单个铺位的价值创造,让整个过程更加科学严谨。该商场使用ERV工具之后,5年内将实现20%的租金增长。

高级分析法不仅能让企业有效管理与改善短期业绩,还能提高其长期健康水平。一家企业的ERV工具清晰显示,商场内业绩较差的租户,所支付的租金反而远高于商场平均水平。这就好比“竭泽而渔”:多付租金的租户迟早会撤离商场,带来闲置危机。而如果这些租户都集中在同一租赁周期,或同一商场分区中,情况会更加令人担忧。该工具还指出,商场在与业绩较好的租户协商时,可以更加理直气壮一些。如果商场能善用这些工具,并根据洞见采取行动,就能实现每年5%的EBITDA(息税折旧摊销前利润)增长。

□    □    □

在数字化时代,成功来自于基于数据的决策。除了运用高级分析工具外,商场需加大投入,收集更多有价值的数据,支持业务决策。例如,商场可以部署新技术(如信标、高密度Wi-Fi、面部识别摄像头等)来抓取行为数据;也可以在整个商场内推出会员忠诚计划,收集个人交易数据,以了解整个商场内的顾客历程;还可以与租户合作,提供租金优惠,换取数据分享。有强大的数据与高级分析工具做后盾,商场就有可能让自身业绩乃至整个零售业都重振旗鼓,焕然一新。

 

Ismail Bel-Bachir是麦肯锡全球董事合伙人,常驻迪拜分公司;Sandrine Devillard是麦肯锡全球资深董事合伙人,常驻蒙特利尔分公司;Alex Sawaya(艾力)是麦肯锡全球董事合伙人,常驻香港分公司;Ivana Valachovicova是麦肯锡项目经理,常驻布拉格分公司; Joanna Mak (麦恺茵)是麦肯锡项目经理,常驻香港分公司。

麦肯锡公司版权所有©2019年。保留所有权利。

[1]商场应基于一系列因素而设定上下限,这些因素包括:商场位置、规模、定位以及客源区域内的人口分布。同时也应通过消费者调研分析该区域的消费习惯与客流量。

[2]租户租金成本比率定义为全年租用成本(租金加服务费)除以全年销售额

[3] Pranay Agarwal,Raffaele Breschi与Sandrine Devillard,《数字时代的商场应如何实现自我革新》(How the mall business can reinvent itself for the digital age),2017年11月,McKinsey.com。