C笑着展开了和经销商商讨的记录本，不过是一套复利计算的公式。

　　 “目前灯具行业的零售利润是多少？”C问道。“怎么着也有30％吧。”A抢着答道。B不语，看着C。

　　 “准确地说，应该是至少30％的顺加利润，”C补充道，“也就是说，这个行业你投100元，这笔钱流转一次，你就能赚到30元，本息合计130元。转得越快赚得越多，这笔钱我们就算一年只转一次，目前，一年只转一次的情况在这个行业是再糟糕不过的情况了。如果经销商坚持要以每盏49元的价格销售，因为已经在仓库放了两年，再过不到一年时间，他的那批货本息合计的损失就会超过商品实际的售卖价格，就是我给他画的这个图。这还不包括通货膨胀的因素，也不包括有些经销商的库存周转次数在10次以上的情况。换句话说，到了明年，经销商即使卖到49元／盏，也是卖一盏亏一盏。我最后就跟他说，如果业务B的建议您不接受，过了今年，您仓库里的那些台灯，即使半价销售，也没有人能帮您收回成本了。”

　　 显而易见的是，对经销商来说，除了看得见的收益，还有很多看不见的收益在影响着他们的生意，可以说是机会成本，也可以说是潜在收益。业务C这里用到的就是一个复利计算公式，并依据行业经验，在确认了30％的顺加毛利和不低于1年1次的库存周转这两个经验数据后，提出以下三个条件：

　　 （1）灯具行业销售毛利至少还有30％；

　　 （2）半价至少一次性清库，可以套现和节约仓库面积；

　　 （3）半价本息合计损失＝24.5×1.3n

　　 库存抛售点公式：

　　 折扣售价×（1＋行业顺加零售利润）n≥原售价，备注：n为产品库龄。

　　 图1-1所示就是业务C给经销商画的那张库存产品跌价图，从中可以看到经销商这批库存产品的跌价趋势。

　　 图1-1库存产品跌价图

　　 结论：只有算不清楚账的业务人员，没有说不通的经销商。

　　 在这次拜访中，关于促销，刚上手的大学生只知道“搞”，老业务知道“怎么搞”，而专注数据说话的专业型业务知道“为什么搞”。“搞”是行动、“怎么搞”是方案、“为什么搞”才是促销的原因，从行动到原因，很多业务人员一辈子都没有跨过这个坎。

　　第二节从定性到定量

　　——从模糊到清晰

　　 很多经典的营销工具传到中国时，实际上已经被改得面目全非了。无数即将或已经走上营销岗位的人被灌输了大量一知半解的知识和工具，他们认为国外专家就用定性的方法来表达营销定量的知识，致使很多营销人误以为营销定量分析就是如此。

　　 其中影响最深的就是波士顿矩阵。“70后”从课本上学到的波士顿矩阵，重点都是对处于明星、问题、金牛、瘦狗四个方格中的产品，应该采取什么策略，大量的文字描述也侧重于策略的介绍，而对产品为什么会落在对应方格中的介绍和说明，却一笔带过。波士顿矩阵一定是先有定量分析，后有定性说明，而传统的波士顿矩阵介绍大都是有定性无定量。实际上，在波士顿矩阵中，需要强调三个重要的概念：相对市场份额、市场增长率、企业目前的销售总额。

　　 相对市场份额：与主要竞争对手销售额的比值，主要表示公司所处的位置。公式：自身销售额／主要竞争对手销售额。通常以1为分界点，大于1为优，小于1有待改进。

　　 市场增长率：公式＝［（T期销售额／T－1期销售额）－1］×100％。体现这个品类的未来增长空间，有些行业有5％的增长空间就非常不错了，有些行业50％的增长都偏慢，所以用5％还是50％作为标准，你需要有丰富的行业经验。

　　 企业目前的销售额：品类对公司的贡献，在图中表现为圆圈大小，需要用Excel表格在矩阵上画气泡图。

　　 需要说明的是：传统的波士顿矩阵不适合用Excel表格展现，四个象限的位置也与我们传统作图的习惯相违背。所以我在这里介绍的是一种变形的波士顿矩阵，内容一样，只是形式有所区别，称为“仿波士顿矩阵”。

　　 例如上一节里的库存产品，要将品类找到对应的象限，首先根据行业特性和经验确认横纵轴的分界点，比如横轴相对市场份额1.0为分界点，纵轴市场增长率0.3为分界点。然后找出公司该品类今年销售额、主要竞争对手销售额、公司去年销售额三项数据，对应填到表1-1中。

　　 表1-1几类产品信息表

　　 在表1-1基础上，形成气泡图的新表（表1-2）。

　　 表1-2气泡图新表

　　 选定数字区，在“插入”选项中选择“其他图表”，在“其他图表”内选择“气泡图”，对形成的图案横坐标值设置为1.0，纵坐标值设置为0.3，再稍加美化和变形，就得到如下我们梦寐以求的仿波士顿矩阵。如图1-2所示。

　　 图1-2仿波士顿矩阵图

　　 至于各问题类型，应该如何处理和应对，各有各法，既要有行业经验，又要对数字敏感，很多书中都能查到相关的应对方案，这里就不再一一赘述。

　　第三节营销量化的基础

　　——数据的四种类型

　　 数据的分类是本书论述的基础，在所有营销活动中需要涉及的数据类型，我们依据其来源，将数据分为四大类：基础数据、统计数据、深度数据和经验数据。

　　 基础数据：通常是根据特定目的，将分散的数据汇总形成的结果。例如，老业务指出经销商去年净出货450万元的数据，就是典型的基础数据。

　　 统计数据：在上面例子中的应用，就是我们说的机会成本的计算和本息合计损失的计算。这样的数据有一些通用的常规公式，通过公式的应用，你能直接得出你需要的结果。

　　 深度数据：没有完全现成的公式，都需要一定的概念转化和再认识。在计算的复杂程度和应用的层面上，要比统计数据对应用者的要求更高，主要涉及统计学、概率论的知识和计算方法。在日常的业务沟通中应用较少，主要应用在专业的市场分析和市场调研中。

　　 经验数据：就是我们看到的业务C预估的30％的行业销售毛利，甚至业务B用经验确认该批产品如果半价销售，一个月内可以消化完毕，这也是他的经验积累。当然这些数据可能需要大量的基础数据、统计数据、甚至深度数据做参考，但经验数据一般都是估计值、大约数，不能算做精确数据。

　　 为了让大家对数据种类有更清楚的认识，这里举四个例子巩固一下：

　　 ?2009年公司内外销各品类销售总额为25亿元（基础数据）；

　　 ?这个经销商的月度安全库存不应低于135万元（统计数据）；

　　 ?10000名经销商中，非重置抽样400个客户，发现有320个客户处于存活状态，存活率80％；今年客户存活率抽样平均误差为1.96％（深度数据）；

　　 ?如果这次促销价格下调10个点，估计本月环比销量将上涨35％左右（经验数据）。

　　 在实际应用中，我们经常用到这四类数据。比如，评估一个优质客户：首先，需要用经验数据锁定优质客户需要符合哪些条件，因为“优质”是一个定性的词，优质也会因人、因公司而异。其次，经验数据往往只能为我们提供方向，而其他三类数据的具体量化能让我们看清目标。优质客户评估图1-3所涉及的各类计算公式，后面都将陆续提到。

　　 图1-3优质客户评估图

　　 所以，企业为什么喜欢招聘有工作经验的人，从数据的形成方式来看也就不难理解了。能够有正确经验数据的人，都是在积累了大量的基础数据、统计数据、深度数据基础之上形成的经验，换句话说，这是用大量的时间成本和学习成本形成的优势资源。当然，那些原有的经验用了十几年，又不善于积累经验数据的人，不在讨论之列。

　　第四节零售界的异类

　　——屈臣氏的量化管理

　　 屈臣氏，这个既与国际、国内大型超市和卖场的销售模式有明显区别，又不同于7-11等便利连锁店的零售门店，以其独特的产品组合方式和细分消费人群，在近20年的时间里，在中国，尤其是经济发达的城市的拓展速度令人震惊。

　　 从1989年试水至今，屈臣氏在内地市场的投资由少到多、由慢到快，已经覆盖了国内100座以上的城市、1000家以上的门店。屈臣氏在2000年后，尤其是在2005年后的高速发展，紧跟中国市场的城市化进程、中产阶层逐步壮大的进程