数据中台實战(四):商品分析(產品設計篇)

admin

上一讲讲了用户模块《数据中台實战（三）：用户阐发（產物設計篇）》咱們用的是海盗模子，從用户的获得、激活、保存、收入、举薦的角度来做阐发。這些指標是没問題，可是作為電商產物，若是站在价值的角度来思虑就有問題。你可以阐发下咱們提到的用户相干的指標，好比：注册量、拜候時长、保存率等這些指標都没法提高產物的价值，指標中最首要的是保存率，你发明站在价值的角度保存率也只能监控產物的价值，可是其實不能提高產物的价值。

對付B2B電商產物来说，產物的价值就是要给咱們的采購商供给好貨，以是商品才是最焦點的處所。咱們的用户直接接触的是咱們的商品，商品能直接通報公司的价值。没有好的商品就不消提用户、產物、流量等其他方面的運营，這些都是手腕，這些手腕在咱們供给好的商品根本上才會事半功倍。咱們先看下商品的全部生命周期，第一步是招商的事情职员賣力吸引供给商入驻，若是有一套對供给商的严酷挑選尺度， 能直接决议商品的档次、品格和貨源的不乱性等身分。第二步是商品的選擇，咱們要從供给商的貨中挑出最佳的貨给咱們的用户，包含商品的格局、質量、性价比等指標。细节的處所咱們會触及到商品的圖片及案牍，每一個细节對商品的轉化率都有比力大的影响，由於用户是不是下单是有不少身分的，咱們把可控的身分做到最佳，那便可以比力好的提高轉化率。接下来是商品的贩賣环节，咱們怎样經由過程数据挑出好賣的貨给到咱們的用户的呢？商品賣出去後咱們的售後怎样样、咱們的发貨速率怎样样，也是直接影响用户的體驗，可以说商品的每一個环节都直接决议咱們產物给用户的价值。

怎样包管咱們的商品都是爆款、好貨呢？商品的生命周期分為售前、售中、售後，接下来連系数据中台實战，别離從三個時代的细节方面阐发下，若何包管咱們供给的都是真實的好貨。

咱們有一套严酷的准入機制。為包管效力，咱們请求供给商顺應“快反响”的柔性供给链模式，并創建了供给商分级動态辦理體系，包含供给商准入機制、供给商绩效评估和鼓励機制、供给商分级認證機制、供给商起落级调解機制。從供给商的選擇、分级、互助模式、绩效测评、定单鼓励和退出等方面举行严酷的動态辦理。

在供给商准入方面，由招商小组、相干营業部分、品控辦理小组到出產供给商举行實地访廠和現場打分，重點评估廠家的信誉品级、設計能力、出產能力、運营状态和品格辦理等。經由過程审查的廠家在试单测试通事後，方可成為咱們的正式供给商。不是所有的供给商都有資历同咱們互助，颠末挑選後咱們會保存综合能力较强的供给商，包管咱們貨源的不乱性和商品品格的保障。

供给商商品的贩賣数据與互助意愿，一样可以反馈與咱們互助的供给商的質量。咱們會按照季度测评成果将供给商動态劃分為A级计谋供给商、B级焦點供给商、C级優异供给商、D级互助供给商。每级供给商，采纳分歧的鼓励。比方：针對D级新供给商，咱們會基於供给商商品的销量、发貨速度（一般评判48小時发貨率）、次品率（包含用户不得意退款、缺貨退款等）三項评定命据，再進一步按照沟通交换是不是流利、理念是不是一致等主观果断举行打分。若是得分较好，會将其進级為C级優异供给商。

供给商若是持续两個季度测评品级降低或產物品格持续两次降至劃定的尺度如下，将授與暂停互助，缩减定单乃至遏制互助的赏罚。做這麼严酷的缘由是：咱們但愿能做一個久长的買賣，咱們必需為咱們的用户賣力，一样也是為咱們的供给商賣力。 只有對本身高尺度严请求的供给商，才配得升引户的青睐。

（1）商品定位

在评论辩论商品定位時，咱們不能不再提到一個词：市場定位；不少的人對商品定位與市場定位不加區分，混同观肛裂藥膏,點。详细来讲，市場定位是指對方针消费者市場 的選擇，可所以由地區、性别、春秋等方面综合選擇的用户群，而商品定位，是指咱們對應甚麼样的商品来知足方针消费市場的需求。大師可以想象這麼一個場景来帮忙理解。你如今想去市場摆摊賣貨，城里有南北两個市場，北面市場重要集中一些白叟及家庭妇女；南面的市場集中打工一族。起首你得選擇一個主疆場，這就是對市場的選擇，也是對消费人群的選擇。假如如今選擇北市場，那就定位方针消费人群為白叟及家庭妇女。针對這群人，你應當用甚麼样的商品来知足她們的需求呢？這就是商品定位，商品定位清楚後便可以肯定商品格局了，即若何计劃平台的商品。

若是你的平台没有商品定位，就没法肯定本身的人群是谁，那你就是在把商品賣给不必要的人，商品的點击和轉化天然不會好。以是起首咱們應當先举行市場定位，再举行商品定位，然後筛選出必要的商品格局。接着按照商品反馈的各類数据改正市場定位和商品定位，再優化商品。久远来看，這是一個螺旋上升的良性進化進程，不竭的邃密化定位，最後不止你的商品，你的平台均可以获得不乱的天然流量。

（2）商品数目计劃

咱們會把商品劃分成几個维度，涵盖了設計款、跑量款、高利润款等這些纬度。大要有8%的商品属於設計師款，重要用於吸引新用户，這些商品常常分身了設計潮水與必定的利润。其他另有35%属於四時常青款，這些四時常青款作為根本款，来知足全部供给链對他的支持，可以到达最優的性价比，同時知足了各個档口的需求。约莫占比57%摆布的高利润款，同比其他的平台已是很是的低价了，总體的毛利只有30~45%摆布。起首為甚麼要界说高利润款呢？從供给链端来讲它是一個季候性款，那末對實效性和規劃性的请求很是高，所投入的人力與辦理的本錢也相對於来讲是比力高的；第二，因為它是高利润款，以是咱們也會返给供给商一些利润，使得供给商跟咱們有一個良性的轮回互動。

（3）風行趋向：市場热門與時尚趋向

（4）代价上風：與同類產物的差价

不少行業的代价系统相對於来讲其實不是太透明，而且有大品牌的背書，他們议价空間常常是商品的8到10倍。可是咱們的毛利率常常只有25~30%，是以代价上風也是爆款权衡的首要尺度身分。

（5）品格感：高於用户指望值

咱們但愿所有的商品，特别是爆款可以或许高於用户的指望值，以是從原料到工場辦理，再到最後的包装查驗檢疫，都有相干的严酷把控，但愿给用户带来欣喜感，也但愿這類欣喜感能讓用户举行口碑傳布，從而促成爆款的打造。

前期用户数目比力少，不消评估必要上几多款商品，跟着用户的数目的增多就要评估咱們事實要上几多款才能知足當前用户呢？起首要计较出有几多活泼用户，然後统计出每一個用户均匀要阅读几多件商品，包含用户搜刮、阅读、分類檢察几多商品。好比：咱們有1000個活泼用户，均匀每一個用户天天要阅读5個商品，那末咱們就要筹备5千個sku，此中热销返場商品劃定要占比20%，那末咱們就要筹备酵素梅子,4千個新品。咱們若是有20個買手，那這20個買手每人就要從供给商那邊筛選200個sku。最關頭的是咱們會記實到商品属於阿谁供给商，乃至商品是阿谁買手筛選的，商品的案牍、照片是阿谁商品運营输入的。商品的筛選是十分依靠買手的，買手的焦點竞争力就是選到更多的爆品，咱們會请求買手從原料、色彩、尺码、品牌、品類、采購代价等输入商品根本信息。為了包管sku的充沛咱們做一個功效可以及時看到天天每一個買手的上架款数。基於以前拆分的方针，賣力人可以及時檢察買手的上架数目是不是达標。

另有一波人專門做商品運营，他們要做的事情就是把符合的商品放给在符合的處所给符合的人看。商品運营十分依靠数据，是以咱們做了商品的及時数据监控，必要指標包含商品的 流量（pv,uv）、贩賣件数、轉化率（贩賣件数/pv）、爆款件数。商品運营會基於轉化率，来果断商品是不是有潜力，若是一個商品放到一個比力较着的位置，那相對於来来讲他的流量應當比力高，可是他的贩賣件数又不可，那就阐明商品不太受接待。反過来，若是一個商品放到一個角落的位置，他的流量不高，可是他的贩賣件数却比力高，那末這個商品是十分有潜力的，可以斟酌若是放在加倍显眼的位置是否是贩賣件数會更高呢。他們也是频频用這些AB测试来驗證，咱們的商品到底该怎样放。

跟着商品的增多，存眷单個商品已效力比力低，那咱們引入了品類的轉化率阐发，也就是可以及時看到品類的总pv和用贩賣件数，若是某個品類的轉化率比力高，那就必要實時调解该品類的显示位置和数目。

另有一個商品運营比力存眷的指標就是品類代价带的流量和销量数据，拆分完代价带後，就可以直接看出一個品類下事實阿谁代价带的销量是更高的。如许就拆的更细，十分有益於他們的邃密化運营。若是周期内某個代价带的销量比力好，那就會投入更多的資本推行這個代价带。那此時就會碰见一個問題，咱們的品類拆到3级另有180多個品種，那怎样對這180個品類举行劃分呢？ 若是人工一個品類来看，那必要话费大量的精神，人工来分另有一個错误谬误就是若是品類增长怎样辦？每增长一個品類，咱們還必要再次經由過程人工去劃分，還必要和谐数据開辟帮咱們计较。咱們的请求是不克不及依靠人工，必要基於每一個品類能自诠释（主動基於代价带的散布劃分）。此時咱們的算法工程師提出k-means聚類算法，恰好能淡紋面膜，解决這個問題。算法仍是比力經典，详细的步调就是經由過程k-means算法可以找到每一個品類代价带有几其中心點，再經由過程中間點劃分出代价带。有几點必要注重的處所：

作為商品的賣力人，必要晓得总體的商品数、動销率、轉化率。每一個品類的商品数、轉化率、動销率，基於動销率和轉化率可以開端断定咱們那些品類贩賣的比力好，那些品類贩賣的比力差。接下来就有了举措方案，轉化率和動销高的品類必定是要投入更多的資本，更多的暴光。

咱們有一套專場辦理的功效和專場内商品辦理的功效。商品起首是上架，然後會放到運营同事建立的一個一個主題的專場。那專場的次序是怎样决议的呢？起首運营的同事會基於本身的履历對所有的專場举行默许排序，数据中台會基於用户對專場和商品的阅读記實计较用户的偏好。好比：用户之前老是點击連衣裙相干的專場，那末有干系衣裙的專場也會被優先排序，以是每一個用户看到的页面都是纷歧样的。

一样的咱們引入了一套算法计较用户看的專場内的商品的显示次序。專場内商品的次序是咱們的商品運营职员基於履历排好的，可是商品運营排的次序不必定合适每一個用户的爱好。咱們會基於用户的的举動好比阅读商品的数据、保藏商品、付出的商品的数据設置分歧的权重，基於類似度算法（基於物品的协同過滤、基於用户的协同過滤），基於用户的协同過滤，计较出来用户對專場内的商品偏好的優先级，基於優先级的凹凸决议商品的显示位置。好比設置以下权重：

經由過程计较4個用户（四维空間中）對4件商品的评分咱們得到了用户間的相干性数据（以下表）。

系数浮動區間在-1~1之間，系数越挨近1，向量夹角越小，两件商品的相干性越高，因而可知A&B、A&D的相干性最高，C&D相干性很弱。

操纵用户對某商品发生過的記實计较其相干性。

【比方】：某用户對商品A和商品B的举動得分為权重，對商品C和商品D举行加权排序，得分高者優先举薦。

按照相干性和加权评分後，商品C優先被举薦。针對新用户咱們做了個兜底计谋，基於商品的热销水平来排優先级。如许就可以做到貨找人，而不是人找貨。關於举薦這块後面會有專門的文章讲授数据中台中的举薦平台的搭建，此處只简略写一下思绪。

有了数据咱們會對現有商品和供给商做大量的复盘。商品上架贩賣後，每7天一個周期，會對商品举行“爆旺平滞”的標签化。好比：3月1日上了100款，到3月7咱們的標签平台就會给咱們的商品主動打上爆、旺、平、 滞的標签，此中触及数据模子，焦點指標是轉化率（pv/销量），排名高的是爆款，排名低的是滞销款。商品標签出来後，爆旺款，可以返单；若是是滞销款，顿時可以打折贩賣。對付一些数据比力差的商品，咱們會采纳下架的機制。而這些標签彻底是可設置装备摆設化的，只用在咱們的標签平台設置好法则，就會天天主動化给商品打上標签。關於標签會在《数据中台實持久藥，战：基於多条產物線的標签平台》讲到，请延续存眷。

新用户的前几单通常為十分首要的，當一個新用户下单後，咱們的跟单會第一時候接洽供给商，若是有貨的环境下，會请求供给商對下单的商品举行質檢，包管商品的質量没問題。此外會提示供给商這個单的首要性，咱們有一個稽核指標是48小時发貨率，這個指標是個十分關頭的指標，它直接决议了用户收到貨品的時效。若是没貨的环境下，咱們和谐其他渠道的資本，做到尽可能不危险用户。

咱們基於RFM對用户做了分层，针對一些高价值的客户，咱們對客服的相合時間，處置速率等都有响應的请求，這種客户的貨是優先處置的。由於咱們高价值客户不到1000人占了平台買賣的70%，以是他們有優先的特权也是自但是然。

以上實在就是商品品控的流程，從商品的筛選、供给商的筛選等方面投入不少的資本，就是為了包管用户看到的都是颠末咱們精心挑選過的好於，咱們信赖真正對用户好的公司，必定都有一個好的成果。渐渐的堆集下来，咱們的复購和口碑也一向在上升，品牌效應也會发生。