推荐 :如何通过数据分析选品(以新零售为例)

01

选品的场景

又见面了,我是热情依旧但一不小心就拖稿的Snowki。

这次想和大家聊聊选品,选品其实是一个“宝藏”话题,你深入探索后会发现需要学习的东西越来越多,应接不暇。我仅能在有限的认知下,说说自己的理解,供大家开拓思路,或者娱乐也行。

选品包含了很多大的场景,常见的有以下:

  • 电商平台选品推荐。

    根据商品画像和用户画像做千人千面推荐

  • 电商小B型商家选品。

    这在网上能找到很多相关信息,教大家如何根据市场热度、用户需求和心智,再结合一些分析套路选对热品,“发家致富”。

    例如亚马逊上火了的中国痰盂-老外尊享水壶(虽然好笑但很成功的例子)

推荐 :如何通过数据分析选品(以新零售为例)_第1张图片

  • 新零售选品。

    新零售概念很抽象,炒的也热(题外话,对新零售概念感兴趣的同学可以读读刘润老师写的《新零售:

    低价高效的数据赋能之路》,算比较通俗易懂的),比较主流的模式为线上线下一体化,选出的商品大多同时满足线上和线下场景的售卖,同质同价,比如盒马、便利蜂,售卖生鲜日百等生活相关的商品,并有线下本地商超。

不同场景的选品策略、限制条件、影响因素等都大相径庭,需要细化场景,分开详述。本篇选品策略适用于有本地商超的大B商家,并在线上售卖日常消费品的新零售场景。

02

案例和基础概念

新晋产品汪Snowki进入商品管理部门后,老板给了她首个任务:现有一个大卖场和一个便利店,线上线下销售表现均不理想,看看能否通过选品策略结合算法,调整品类结构,选出优质单品,牛转乾坤。

品类?单品?大卖场和便利店又有什么区别?又如何量化复杂的业务场景?别急,我们结合案例往下看。

单品

也可以理解为SKU,即可售卖/库存的最小标准单位,选品也以此为单位。它和商品不太一样,举个例子,农夫山泉纯净水是商品,它下面有不同规格属性,通过属性确认唯一单品,一瓶农夫山泉纯净水1.5L即是一个单品。

品类

零售管理的核心,它不是按照商品原材料归类,而是将满足用户相似需求的商品逐级分类,这样能更有效、灵活地做出调整,顺应市场需求。例如,婴儿用品传统上分散于食品、服装、纸品等品类,但随着这部分商品销售贡献越来越庞大,逐步形成了新品类-孕婴童。

大卖场

可以理解为大型综合超市,占地面积很大,有2、3层购物空间的线下实体店,靠近生活区,有可能坐落郊区,常见的有沃尔玛、家乐福,经营商品基本满足用户全部所需,可售上万不同的单品。

便利店

面积小,经营小规格酒水饮料零食等便民商品,靠近学校、CBD、小区等人流量大的地方,开店密度高,常见的有711、全家、便利蜂。

03

解析案例,明确策略产品的核心价值

案例中涉及到4个选品场景,大卖场线下、线上分别售卖什么?便利店的线上、线下分别售卖什么?需要根据不同场景选出建议售卖的商品清单。我作为一个不会复杂建模的“低配版”策略产品,与算法工程师的分工大致如下:

推荐 :如何通过数据分析选品(以新零售为例)_第2张图片

而策略产品最核心作用便是对业务的深度理解,如何将抽象的业务场景量化为可供算法工程师参考的选品逻辑框架。

04

初识零售选品

传统的零售选品,大多依靠人为经验判断,数据在其中至多起到辅助作用。例如日本的711便利店,定期会举办选品大会,品类部门选出主营商品供同台竞技,对于自有品牌的快餐鲜食,高级主管们会亲自参与品尝,如有异议,品类部门再拿出历史或市场数据作为佐证。这样选品存在的问题很明显:

  • 耗时耗人,每次选品大会前1个月品类部门便开始准备商品清单,往往选品大会一开就是一天,遇到换季或市场变动大时甚至需要一周

  • 按照人的经验判断存在主观性和信息滞后,可能会疏忽市场最新变化,错失商机

算法选品,则是数据先行,人工审核为辅。将限制条件、内&外部影响因素、商品标签等相关参数投喂给模型,让模型给出推荐方案。目前做算法选品极具代表性的是便利蜂,通过算法模型推荐上架商品,店长只需要听从系统指示,执行物理操作既可。(题外话,便利蜂不仅用算法选品,还用算法为便利店选址、商品动态调价,面试还有可能考挺难的数学题哦~)

推荐 :如何通过数据分析选品(以新零售为例)_第3张图片

算法选品的解决了传统选品存在的诟病,虽然初期模型计算结果不太稳定,但随着机器不断学习和数据训练,选品效果不会差于选品专家,长远来看它的优势不容小觑:

  • 节省人力成本,缩减选品耗时,品类部门可以从重复的选品低效劳动中释放出来

  • 不依赖于人的经验判断,减少出错率

05

构建选品策略

便于理解,我画了一个简单的选品逻辑示意图,实际算法会比这个更复杂,需要结合很多业务细节。

推荐 :如何通过数据分析选品(以新零售为例)_第4张图片

商品库

B端商家有渠道、可采购的商品总池,不一定正常在售,甚至不一定经营过的新品,作为基础数据供算法处理、选择。

限制条件

在选品前,需要明确一些业务限制或要求作为前置条件,不满足这些条件的单品或品类不会进入后续的选品。常见限制条件有:

  • 单品数上限:

    影响算法选品的单品总数。

    线下选品数有门店物理空间、货架数限制,大卖场一般上万个单品,例如沃尔玛大卖场经营3~5W个单品;

    便利店由于面积狭小,一般上架2000-3000个单品;

    而线上选品虽然没有空间和货架限制,但是考虑用户在手机上选购时商品曝光率和配送成本问题,一般单品数控制在1500-5000

  • 品类覆盖率:

    大卖场线下基本要求品类全覆盖,应有尽有;

    便利店线下的品类基本覆盖在休闲食品、酒水饮料,而大型电器、衣服鞋帽等无需经营覆盖

  • 规格带覆盖:

    大卖场售卖规格繁多,基本没有限制;

    便利店受面积和用户需求影响,售卖规格小;

    线上选品大规格的单品更受青睐

  • 价格带覆盖:

    受商家定位影响,例如山姆超市定位高端,进口商品多,价格带偏高;

    物美超市主打中低端价格敏感用户,因而价格带偏低

影响选品因素

影响选品的因素有很多,且不同品类受到影响程度不同,例如冰淇淋受季节影响大,但卫生纸则不受季节影响。因此在用影响因素搭建选品模型时,需先将品类分为几类角色(或者可以理解为商品标签)再进行不同策略的选品:

  • 季节品:

    供需受季节强影响,最具代表性的:

    生鲜果蔬

  • 节日品:

    用户需求受节日强影响,具代表性:

    巧克力、红酒、计生用品(咳,情人节)

  • 核心热卖品:

    一年四季均可上架,为品类贡献80%的销售,具有市场竞争力,甚至代表商家形象,例如:

    盒马的海鲜

  • 新品:

    之前没有售卖,但是市场数据或需求趋势表明可以带来一定价值

  • 必备品:

    商品销售表现不一定优异,甚至垫底,但不能不选,因为缺少了会给客户带来在架物品不全的印象,例如牙签

  • 品牌感知度高品:

    在购买时用户决策树受品牌影响,例如,饮用水用户倾向选择农夫山泉、怡宝等知名大品牌

根据这几大类再去做影响因子的权重配比(根据商家要求及关注度、业务实际场景考虑),常见几种会影响选品决策的因子:

  • 从商品维度:

  • 既往销售指标:

    针对已经营过商品的销售量、销售额、毛利、销售增长、动效率...

  • 投入产出比指标:

    投入多少促销力度、陈列资源,获得多少销售反馈。

    例如盒马将线上和线下表现合在一起创造坪效奇迹

  • 市场调研、舆情数据:

    这个主要针对于新品的挖掘,通过外部舆情分析获得市场最新变化趋势,结合竞争对手热卖,对新品选择策略的影响权重高。

    例一些网红商品

  • 商圈表现:

    这个主要针对线下选品,根据门店所处位置强化某品类的单品配比,例如位于学校附近的门店售卖文具较多,CBD附近的门店售卖加工熟食、快餐较多

  • 从用户行为表现维度:

  • 关联购买:

    通过用户经常一起购买商品选出组合销售或关联陈列的商品,尿布和啤酒的经典案例不用我说啦。

    线上有很好的优势,例如我们逛某品A的时候,下面会有推荐文案:

    xx%的用户也会购买B。

    提醒我们买全商品,并带来更多付费

  • 复购数据:

    从用户的复购行为、购买频率,得到高复购、高频购买商品,商家喜欢这样的商品,可以为他们重复制造价值

  • 用户近期线上搜索行为数据:

    即代表近期用户需求、市场热度趋势,又能强关联影响线上选品。

    例如热搜(疫情期间口罩、消毒酒精)、搜索无果(代表当前选品未满足用户所需)、搜索增长(代表市场变化趋势,可提早警觉)

  • 用户近期线上点击行为数据:

    这部分数据可以用于调试模型,增加算法逻辑及参数。

    这个理解稍微困难些,举个例子说明,如果用户在洗发品类下更多倾向于点击功效(防脱、柔顺、去屑等)进行选择,其次品牌、规格,那在选品时,洗发品类的影响因子权重会调整为:

    功效>品牌>规格

建议售卖商品

如何通过选品决策和算法模型得到建议售卖的商品清单。通俗来说,通过一些前置条件进行选品限制,再结合不同业务场景、不同商品属性标签,在多种影响因子作用下,从商品库中选出建议上架商品,并获得更高收益。

06

效果复盘,数据反哺

完成选品决策后,很关键也很容易被忽略的一步便是对选品效果复盘,可参考销售增长表现,并将表现差强人意的品类拿出来,单独下钻具体单品数据,根据失败数据调整模型,并将反哺更多数据便于机器学习。

作者:@Snowki ;转自:一个数据人的自留地;

版权声明:本号内容部分来自互联网,转载请注明原文链接和作者,如有侵权或出处有误请和我们联系。

商务合作|约稿 请加qq:365242293  


更多相关知识请回复:“ 月光宝盒 ”;

数据分析(ID : ecshujufenxi )互联网科技与数据圈自己的微信,也是WeMedia自媒体联盟成员之一,WeMedia联盟覆盖5000万人群。

推荐 :如何通过数据分析选品(以新零售为例)_第5张图片

你可能感兴趣的:(算法,大数据,人工智能,数据分析,机器学习)