woojean的博客 模仿、熟练、超越

《电商大数据——用数据驱动电商和商业案例解析》读书笔记

2020-04-27

前言

电商耦合了物流、零售、支付手段、互联网等载体,各种载体产生的数据汇整在一起便形成“大数据”。

商业中(包括电商行业)的大数据一般指的是数据维度比较丰满且数据观测数在1000万以上的规模。

电商群雄逐鹿中原,数据驱动主宰沉浮。

数据驱动跟数据分析、数据挖掘和数学建模有本质的区别,后面三种皆侧重数据技术层面,没有考虑到商业流程和使用者。数据驱动的核心是数据创造生产力。

数据只有产生价值才会有价值。

数据应当是作用于“商业决策点”,哪里遇到决策的拐点,哪里便需要数据,并不是商业和商务中方方面面都离不开数据。认清数据在商业中的角色也很重要。

电脑虽然能替代人工计算过程,但是永远无法替代数据驱动的思想和思路,必须由我们人类赋予计算机以睿智的思路,计算机只是把我们解决问题的思路做成软件封装起来而已。

第1章 电子商务的战略解析

随着电子商务(简称“电商”,下同)企业之间的竞争不断加剧,其成本也在急剧攀升。

电商行业的初级阶段营运模式具有伸缩性强、利润空间大、投资成本低、操作简便、营销手段灵活等优点,也正是因为电商这种扁平化的业态结构使销售业务由劳动密集型转向技术密集型,甚至一些被注资的电商企业还呈现出资本密集型的形态。

无空间、无区域、无时间限制的互联网土壤促进了电子商务在初期野蛮狂飙式的“J”型增长,随着资源消耗型的企业“触网”,电商内部“格斗”升级,电商业务的增长开始趋向“S”型的渐近线。电商企业经过新一轮的洗牌之后,开始形成了自己的护城河,慢慢回归理性的轨迹,更加关注ROI(投入产出比),开始在意销售额增长的同时,成本的增长能否跑赢利润的增长,不计策略使用烧钱的方式驱动电商短线业务生长的商业模式已经成为过去式。从之前普遍认知的“规模决定电商企业的生与死”慢慢演变成“盈利才是电商企业的目的”,这条行业路演既符合逻辑规律,也符合商业的本质。

做电商更多的是需要把握所销售商品习性范畴的东西,如果卖的是彩妆,就是做化妆品的;如果卖的是女装,就是做服装的;如果卖的是碧根果,就是做坚果类的等。与电商行业特性相关度要弱于商品属性的相关度,除非是经营电商平台的,那应该另当别论。

假设一条小街上东、西两头有A和B两家商店,从距离上讲,小街上的中间与东边沿线的客户一定倾向A家商店,中间与西边沿线的客户一定倾向B家商店。为了赢得更多的客户,A家商店决定朝小街中间的位置挪了挪;同样的道理,B家商店为了获得更多客户,也朝小街中间移动。久而久之,A和B距离越来越近,慢慢形成了商业集群,并且在移动过程中,为了吸引更多客户,商品价格也有了“同步效应”,渐渐趋向一致(一致性程度的度量,化学科学中有两个概念可以准确表示:熵和超熵)。

因此,从“非合作博弈论”的角度来说,一些大牌或者奢侈品牌如果想觊觎淘宝上巨大的流量,要在淘宝上开设店铺,除了勇气可嘉和富有开拓、冒险精神,这种开创必定不能成为先驱但是可以成为先烈,违背逻辑和规律的事情不会成功。

京东盈利的思路是很清晰的,就是依照做大规模降低边际成本来实现盈利。从商业模式的本质上说,这与沃尔玛、苏宁、国美等零售企业并没区别,所以也从另一个侧面说明,电商就像一个“元素周期表”,初期看起来比较新颖奇特的地方完全不同于线下企业,就好像“元素周围表”中的一些未知元素。但是,随着电商模式的逐渐成熟,会发现这些元素都能在“元素周期表”中找到其对应和对照的位置。

本来,促销对于商家来说期望能够产生增量市场,不过事与愿违,现在响应促销的多数网购群体常常借助大促囤货居奇。如果从数据上解读,消费者客单价变高,单价也变高说明大促带来了增量市场,非刚性需求。不过,目前的情况却是,客单价固然变高,但是单价都在下降,表明大促更像是一场饥饿销售的盛宴,是刚性需求。

电商以互联网为载体并耦合了物流体系,整个业态是通过整合形成的,但是它仍然脱离不了销售的本质,线下销售所具有的一切特征都会在线上一一呈现出来。

淘宝和天猫体量虽然庞大,但是,是各个卖家之间的集成,商家和平台未必是一条心,大商家成气候之后,纷纷寻找新的销售渠道来分化风险,甚至淘宝/天猫联合卖家举行的大促活动,也常常调度不灵。

每年的“双11光棍节”年终大促是电商业界翘首以待的压轴大戏,不过大促之后,天猫上商家过不了多久就会发现,年终大促更多是“杀敌一万,自损八千”。

传统企业大鳄涉水电商的能力不会比先行进入电商行业的企业差,传统企业凭借巨大的规模和资源优势及优厚的待遇可以吸引电商操盘手通盘营运。对于后发制人的传统企业来说,目前电商一些成熟的运作模式可以实行“拿来主义”。

英国学者研究得出结论:重新建造社会秩序是现在年轻人乐于进行的事情,他们希冀打破“勒沙特列”的社会平衡,有叛逆精神和逆反心理,喜欢张扬个性并希望得到关注。因此,恰恰是打破常规才是让生活有所皈依、增强质感、形成凝聚力和魅力磁场的核心与根本。

流量获取方式在不同的阶段不能盲目出招,不同时期有不同的流量获取渠道。比如,对于淘宝店来说,初期店铺的流量获取主要是三种:①卖家建立的客户旺旺群;②帮派和论坛;③自然搜索的优化。中期流量获取方式:①CPM类型广告(因为ROI比CPC广告高)②CPS类型的推广,如淘宝客推广。成熟期的流量获取就是全网多口径获取。需要提醒的是,电商生态的发展已经趋向成熟,所以不应当再幻想使用各种技巧可以获取大量免费流量,这是一个美丽并且奢侈的陷阱,是无法办到的,因为自然搜索的排名永远都是与商品销量或者CPC出价绑定在一起的,与质量得分固然有关系,优化的技巧空间也是有限的,比如淘宝网或者天猫上的爆款往往能带来较多的免费流量,但是爆款多数源于砸钱的付费流量(CPC/CPM)。

大数据的精髓在于数据库之间的打通形成数据流。数据流既可以变现也可以曝光客户群体的信息,甚至是绝对的隐私。举一个例子来说,比如做女装行业,假设能够采集到客户的购买服装尺寸、颜色和款型的相关数据,我们就能利用各种机器学习的技术来预测客户的心理、年龄、嗜好和三围。继续向下挖掘,会发现三围跟婚姻的幸福程度又是线性相关关系:美国的PEW研究机构早已经研究出BRA尺寸跟离婚率是负相关的。A杯离婚率37%,B杯离婚率16.3%,C杯4%,>=D杯离婚率小于1%,然后我们再结合客户的购买力水平,就这样将客户从婚姻幸福的角度聚合成四大类:幸福美满的家庭生活;生活水平一般的家庭生活;生活富裕的离异女人;生活不宽裕的离异女人。因为这是基于概率统计学,讲究的是规律分布而不是一对一的精准,所以我们大概知道客户群的生活幸福程度分布情况,而通常一个人是不是幸福主要取决于两个方面:金钱和婚姻形态,对应的就是购买力和家庭生活,当然会有不少个体差异及样本品质都会存在一些离群客户。知道了这些结论有什么用呢?这是至关重要的一环!我们知道在局部区域剩男和剩女的数量是非常多的(例如上海市2013年,剩女∶剩男=4∶1),所以在未来相当长的时间里,剩女经济都是一片蓝海市场,现在业已出现关于剩女经济的一些商业服务、体验或者产品,比如剩女相亲技巧培训班。

这是一个平台之争、商家之争、服务商之争、代运营商之争的“电商乱世”。

想清楚,看明白,低姿态,再去做。

电商行业进驻的门槛提高是必然事件,靠规模盈利降低边际成本与中小卖家被边缘化的态势是不可逆转的趋势。

电子商务10大营销学定律

定律一:营销的前提是解除客户的心理抗拒 如果把网络营销过程分解成三阶,那么可以划分成:在购买之前要取得客户的足够信任,这是任何营销的必要条件;在购买过程中要让客户感觉到顺手;在购买之后要让客户感觉无后顾之忧。

定律二:非平台电商最好不要做SNS等 目前主流思想都是倾向电商卖家应该做论坛、SNS、帮派、社区家园等,客户(亦称“买家”)之间可以相互交流、制造口碑、话题营销、分享体验,据说可以提高客户的黏性。但是,从作者亲历的电商事件经验来看,作者觉得电商卖家或者公司做SNS之类需要做一个评估,慎重一点。

实际上我们很难操控良好口碑的形成过程,而且即使生成原生态的良好口碑并且是在社区集中呈现,一些客户常常会出现违心的逆反心理,有意无意出现负面评价。在女装类目中,如果出现负面评价且同时满足三个条件,这件商品必死无疑:①关于色差或者尺码不准;②同一个问题有两个以上的客户说过;③负面评价出现后,没有其他客户做出正面的接茬。

社区之类作者个人觉得,只有第三方做最划算。比如淘宝或者天猫可以做SNS,可以做社区,因为这些平台本身不卖货的。对于自身卖货的卖家,还是独裁一点的好,这跟电商思潮有冲突,但是目前作者得出的经验还是买家与买家之间最好不要有交流。

已经做了帮派论坛的卖家或公司对自身的业务究竟产生了多大的增量市场呢?确实是增加了销售额,还是降低了销售额,依作者看最多的情况应该是不痛不痒、不愠不火、有等同于无、无等同于有。建议最好做一个量化,把社区营销收益单独分离出来,不要把不做SNS但是客户依然会来购买的客户纳入SNS的功劳。

定律三:在物有所值的基础上才能通过营销塑造价值 即使很便宜的商品客户对质量也抱有较高的期望值。

包装目的有两个:①把客户次要的需求表达成最需要的需求(必买品);②把客户不感兴趣的商品表达成有购买欲望的商品(非必买品)。

品位、理念、价值都是务虚的,但是通过某种生动而全方位方式表达出来就不再务虚了。

价值塑造好了就要用价格来体现。价值上来了,就要提升价格,以较高的价格卖给客人。

价值塑造成功之后,商品就会变得更有档次和品位,低价行为会令客人质疑是否物有所值,价值塑造面临失败的可能。

定律四:优惠券和红包是一般等价物

电商中常见的优惠券和红包营销之于客户而言,从“心理账户”的角度上说,是一份“意外的惊喜”,而且优惠券和红包可以买店内或者电商平台内的一切商品,因此类比货币定义,它其实是一般等价物。优惠券和红包营销需要注意三点: 1.面值低(比如5元)的优惠券有效期要尽可能长,面值高的优惠券有效期适中。尽管优惠券面值很低,但是只要长期存在客户的账户中,那优惠券其实就演变成客人进入店铺的垂直入口。

2.优惠券不可滥发,数量多了会导致客户来不及使用而失效作废,心理学认为:客人对失去的会比得到的更在意。

3.注意优惠券受惠客户群体覆盖面尽量大,切忌不进行统计而对某些客户经常性无意间重复赠送优惠券致使同一个客户同时对同一个店铺的优惠券保有量饱和。

优惠券不可随意派发,更不提倡在平时促销之际,人人都可以点击领取。这个世界上任何免费的东西都是一文不值的。大规模发送优惠券就跟大面积印刷钱币一样,会急速贬值。应该慎重合理地使用优惠券,保持优惠券坚挺。

定律五:营销是一门转移客户注意力的艺术 从作者实践来看,即使全场大面积包邮对于支付率也没有产生预期的那样跳跃性的上升,只有很小的幅度提升,好几次实践结果都是这样,或许类目不同和客户层次不同效果也会不同,但是数据显示单纯包邮总体效果不是很理想。

我们在研究年轻女人购物行为的时候发现两点(不管这个女人是不是很有钱):①在网购的时候,女人表现出比男人更多的精明,逻辑更清晰,但是在线下实际上表现的并不明显;②在加入购物车准备付款的一刹那几乎不约而同地想到是不是包邮。一般情况下,我们刻意以包邮为诱饵引导女性客户消费,成效不大,因为包邮力度还不足以撬动女人的欲望。但是,如果在女人纠结是否支付的瞬间有包邮,支付率会有所提升,所以包邮在这个节点实际上是一个杠杆的作用,以小搏大。

定律六:品牌广告要在意想不到的地方出现 意料之中,情理之外,那是戏;意料之外,情理之中,那是计。

定律七:营销需要两厢情悦

在电子商务的快消品类目中,新客户(第一次购买的客户)购买之后只有很少的一部分(比如25%)会继续回头购买,这时候需要做一些主动形式的营销活动来促进新客户二次甚至多次购买。作者通过对购买记录的海量数据(原始数据作者做了对数处理)进行挖掘得出一个结论:如果新客户有继续回头购买意向的话(前提),有很大一部分集中在收到商品的前几天里追加下单(如图2-3所示)。所以,作者决定把现金券的有效期设置为3天,既符合新客户回头购买的习惯,又可以保证客户同时握有我们优惠券的数量不会太多。如此分析看起来是一个不错的主意,并且在系统自动发完20元现金券(假如我们服装的客单价很高)之后及时发短信通知客户查看自己的账户。三天过去了,效果不甚理想,客户的响应率5%左右,刚开始作者对此结果十分迷惑,后来作者做了一个对比的验证试验才知道问题的症结。强迫客户在3天之内用完现金券绝对适得其反并致使客户失去现金优惠券之后耿耿于怀。因此,营销不能过分强势,否则会激起逆反心理,要和客户你情作者愿。在营销过程中,要体现出与客户探讨的诚意。

定律八:客户生命周期是营销行为的“纵贯线” 一家做化妆品或者女装品类的电商公司,跟女人年龄密切相关的周边产品,这个要考虑生命周期的,比如作者是做女装生意的,定位淑女风格的,2006年开的淘宝店,至今已经有7个年头了,部分老客户流失是必然事件,再如何做CRM(客户关系管理)都无济于事,只能减缓流失的速度。因为对于一些很老的客户,服装的风格定位与老客户的年龄其实是错位的,原因是老客户已经成熟了。大致了解客人的生命周期,可以把现有客户按照时间轴划分为潜在客户、新客户、活跃客户、预流失客户和流失客户,然后针对不同客户的特质进行定向精准营销。

定律九:营销不能不知道确切的成本和收益 营销是要讲究成果的,营销人员必须知道自己的投资回报,必须知道营销做了之后,花费了多少成本和资源,以及带来的具体收益。做电商不可不知ROI!

定律十:营销的大方向要清晰 通常投放广告越多,投放效率是在不断缩水的,比如多次重复试验对按照某种规则筛选出来的TOP100客户做广告投放,其利润率大于TOP 200客户,尽管TOP200客户购买金额的绝对值要高于TOP100客户。这两个对广告收益考虑的维度根本区别在哪里呢?最根本的区别在于,前面一种强调ROI(相对值),是一种十足精细化广告投放的做法;后面一种强调总利润值(绝对值)有多大,更多是一种战略高度的运筹帷幄。

应季性产品对季节的诉求特别强烈,商品上架对季节的切入点拿捏特别重要。尤其是鞋类、服装类、雨伞类等。

没有“富二代”基因的草根电商卖家如果想在电商业界有所作为,一定是“胸中有丘壑”,有运营思路才可以。单款致胜的“爆款”法则是小卖家非常实惠甚至是唯一的运作策略,在目前淘宝或者天猫平台上几乎是屡试不爽的“灵丹妙药”。

爆款很多情况下是在从众心理的驱动作用力下形成的。爆款有三点非常重要:时机、细分类目和价格。一定要保证所打造的爆款在未来一段时间是处于销售生命周期内的。爆款的选取可以通过CPC或者CPM形式的广告来测试成为爆款的可能性,观察的指标有点击率、收藏率甚至转化率。

小卖家要根据爆款策划各类营销活动,营销活动的目的是为爆款服务的,这一点不能本末倒置,不能有规律、有周期地举办各类营销活动而忽视活动本身的目的,活动目的不是为了冲击销售额,冲击利润和提升ROI才是终极目标。另外,一般CPS广告类型的站长是不愿意推广没有实力小卖家的商品的,只有做成爆款出来之后才能吸引CPS广告站长(例如淘宝客)来推广。

通过数据分析发现,尽管客户回头率跟很多因素相关,比如客服态度、品牌价值理念,再比如发货速度等因子一定会深深影响客户体验,不过这只是表象,事实并非完全如此,这些并不足以影响客户是否回头。

其实,影响客户是否回头的关键因子只有一个:商品性价比。譬如说,客服不够机灵或专业,只要商品品质不错,绝大部分仍然会回头购买,只是由咨询客服下单改成静默下单多一些。商品的质量优秀、包装精美和快速的发货速度是做好客户体验最基础的三要素,其中商品质量是最重要的,是前提。

合伙的团队成员建议不要是好朋友,最好是建立在商业关系上的撮合而不是友谊上的联盟。好朋友组合成的团队在创业初期的利益和角色分配规则往往不是很清晰或者没有明文规定,这便为后续团队发生分歧植下了隐患。

有资金的电商企业都习惯使用砸钱投放硬广的形式暴力拓展市场,忽视ROI值,甚至最起码的投放策略都不对,例如100多块一件的冬装请一线明星代言,每瓶几十块钱的酒在机场海报上投入大量广告……,类似情形屡见不鲜,不计策略地烧钱砸广告其实是人傻钱多的做法,对公司资源造成了极大的浪费。

令人费解的是,一些电商公司一面在重金聘请明星代言,一面在五折促销六折包邮忙的不亦说乎。现在,连一些从草根中脱颖而出的大型淘宝店都要聘请明星或者名媛代言,其实没有必要在掘得第一桶金之后就急于把自己摆放到致力于名牌打造的战略高度。聘请明星代言是可以的,但是需要慎重尤其是处于爬坡期的公司。要综合考量公司战略、资本厚度、投资回报、品牌调性这四个方面。

规模稍微大一点的店铺或者电商企业,并不完全依赖单款致胜,这时候选择供货商就显得非常重要。

对于规模很大的电商企业就需要一套成熟和完善的机制来管控供应链,对供应链的每个环节进行分解并加以不断优化,例如可以分解成下单量预测环节、给供货商下单环节、供货商交付环节和仓库接受上架环节。

有规模的电商可以在IT系统上实现销售数据和库存数据同步共享,实现柔性化生产,但是推进起来有难度。原因之一,柔性化生产不存在大货订单,供应商订单数量没有保障,损害供货商自身利益,所以不会轻易配合;原因之二,柔性化供应链使得公司内部很多员工变得可以忽略,为了保住利益,公司内部也是有阻力的。最后就是组建“供应链数据化管理模型”,现在的ERP系统在供应链模块都缺少大脑,也就是数学模型,模型是很难组建的,而模型的稳定性和准确性最为重要。事实上,供应链问题是自古以来的难题,连圣人也解决不了,三国时期诸葛亮六出祁山最终“出师未捷身先死”,皆因粮草不济,补给跟不上,供应链没整好。

现在不论在任何电商平台上做电商,没钱没资源是不可能做起来的,更别提独立B2C了。

传统企业做电商,也经常遇到类似的问题。老板或者公司投入电商的每一笔资金都是经过冗长的流程和羁绊的规则,完全不符合电商扁平化的理念;老板或者公司投入的每一笔资金都关心什么时候能实现收支平衡;老板或者公司投入的每一笔资金都希望看到立竿见影的效果。

广告大师奥格威认为:“最终决定品牌市场地位的是品牌本身的性格,而不是产品间微不足道的差异。”这个性格,便是品牌的个性。

国内电商将来也是传统企业的天下,能跟做电商的传统企业叫板的纯电商公司犹如凤毛麟角,与国外并没任何区别。

人多低效的团队不仅容易拉帮结派,而且有建设性的意见往往在相互讨论中或者推诿中抵消。

剩女电商将会是一个越来越大的市场。

现代网购女性多数希望得到个性化服务,享受购物过程中的乐趣及受尊重的感觉,如果得到大众化的常规服务,心理很可能不舒服。例如,对于向客服咨询的问题,希望得到精准有针对性的回答,如果客服人员频繁用自动回复来回答她的问题,她(客户)往往抱怨客服敷衍。

网购进行的降价、打折和附赠品等促销活动虽然毫无悬念地对卖家仍有赚头,但是很多女客户都对这些商品的物美价廉深信不疑,乐此不疲,所以经常在情人节、妇女节及其他法定假日开展活动,虽然是老办法,但是这个很老土的营销方法非常值得应用。

女装配饰物件客户往往有种额外馈赠的错觉,因此这样的服装相对热卖,为此可以在商品标题上明确标注等;再比如,购买化妆品的客户可以赠送其他一些同一类型的化妆品。电商公司一般不允许频繁、大幅度打折(压缩利润空间、品牌折损度较大、消费者不以为然)。但是根据大部分客户的平均购买周期做些灵活的促销活动是可行的,因为消费者的购物习惯是可以培养的。

与年轻的网购女性进行互动甚至网站温馨的文案都能触发她们的消费神经。现代年轻女性多半由自己情感来支配消费行为,这个年龄段容易被诱导和进行感染性消费。很多女性在网购时并不是特别清楚应该买什么样的衣服、廋身产品和化妆品(化妆品品牌忠诚度要高一些),许多情况下都是因为一见钟情的商品及其他因素的引导而临时萌发了消费心理,而且在情绪高涨和低落时容易进行突击消费。从这个意义上说,女人无所谓购买力饱和这一问题,尽管放马过来。

新品上线以后,很多客户都是只收藏不购买,原因之一是在等待其他人的评价。

成功的网络品牌在线客服都是比较少的,甚至都是零客服,因为客户定位明确、售后服务很少,倒是那些低客单价的客户常常低利润高售后成本。另外,从人性的逆反心理角度来说,低端品牌的客人接待务必要非常殷勤,而高端品牌的客人接待则需要相对合理的冷漠。比如你去高端商场购买服装,服务员不会不厌其烦地献殷勤,一般都会简单介绍充分尊重客人的意见,话并不多。

品牌孵化以后,逐步减少客服,有助于提升品牌形象、降低人力成本。

根据作者的长期观察,闷骚其实不是女人的个性而是共性,这就是所谓的“外表平静,内心沸腾”。闷骚是一个相对值而不是绝对值,是相对一个女人性感心理“活跃度”的比例,展示“活跃度”的深浅程度,之所以闷骚是因为有所隐藏。不过现在女性尤其是网购女性,思想相对开放,很坦荡地承认自己有此心理属性。这种女性客户的心理往往具有在陌生环境中寡言少语,但是着装等方面用色大胆、版型前沿等特征。

女性客户的容忍度具有相当的弹性,只要不超过其容忍的阈值,女性都可以接受。女人的心也是很宽广的。

可以根据订单数据库计算出客户的平均退款周期。比如,顾客因为未及时收到货而申请退款的平均周期是11.12天,因为卖家缺货而退款的平均周期为14.62天。换句话说,如果因为缺货而导致推迟发货的时间在14天以上,客户必退货,随之而来的是难以抹掉的差评。反之,如果在10天之内发货,虽然比较慢,女性客户尚可接受,一般只会在评价中发几句牢骚,却不会真的给予差评和恶评。最重要的是,如果心理抚慰工作做到位(比如赠送一个精品),这些女性客户是不会流失的。或者在14天以内与客户主动取得联系并给客户更换商品或者帮客户退款,客户体验会好很多,等客户自行找上门来质问为什么还没发货,客户流失将成为必然事件。

女性在购买商品时,脑海中常常不自觉地构建各种各样的场景,想像这种商品能否使自己变得更美,并在购买过程中沉醉在有没有明天在朋友或同事甚至男朋友面前表现、炫耀和八卦这种服装的“亮点”,就是说衣服要有特别之处,能够引起身边人的注意,渴望体现自我和凸显自我,服装的式样、材质、色系及面料的肌理都要让她们有联想的空间。

女性选择商品的心理是“求实”、“方便”,希望花最少的钱买到最大限度满足自己需要的商品,即“少花钱多办事”。为了凑足10元运费能承担的最大限重,本来只需要1个物品,最后“凑”了N件衣服,一次性完成了多项采购任务。 所以搭配销售的策略虽然比较古老,但屡屡得手。

可以说购物“侃价”几乎是大多数女性的天性。有时候侃价可以少付10块钱对于多数女性来讲是没有物质上的意义的,但是却可以获取精神上的短暂满足,将其视为“胜利”因而潜意识里有相当的成就感。

网购买的不是商品是寂寞,是满足。一个有趣的现象,女人网购一个10块钱的笔记本居然选择用顺丰邮寄,还在商品评价中讲这个笔记本很划算,性价比很高。女人真是奇怪,一方面可能为了节省那么一点的邮费而尽量多买一件衣服,但是往往为了一个小装饰品单独邮寄。

赞扬、微笑、尊贵及不期而至的小礼物是满足女人心理的四件利器。微笑可以通过线上客服和电话传递给客户——女人能感觉到。

还有其他的一些消费心理也值得关注和研究。譬如在热卖商品旁边放置一个价格奇高的商品作为陪衬,对转化率的提升能够起到一定的促进作用。再比如作者曾经做过一个心理测试实验,我们在网站的首页展现某件主推商品的时候,将价格写成198元,当客户打开商品详细页面的时候,故意把价格显示为178元,一些客户就会认为是卖方将价格弄错了,转化率也会有一定程度的提升。

第3章 电商大鳄逐鹿中原、数据驱动主宰沉浮

为了从我们行为产生的数据中挖出有用的信息,特定的机构正在利用精密复杂的技术,在很短的时间内,从海量数据中寻找有价值的信息,并最终将这些结果传输给卫生、咨询、广告等相关部门或者单位。例如从富人聚集的别墅区垃圾堆中提取各种垃圾物体的二维码,便能分析出别墅区富人的消费行为,然后将其撰写成分析报告卖给商业咨询公司或者各种供货商。

零售行业数据运用已经相当成熟,成熟的表现不在技术上,而在模式上,例如可以根据订单上物品的海量数据来辨识哪些人群是孕妇簇群,并挖掘跟孕妇相关的关联产品,从而进行定向营销。最近能够耳熟能详的是美国人奥伦·埃齐奥尼(Oren Etzioni)利用海量数据来帮助客户抓住机票购买的最佳时机,从而使美国航空业每年损失几百万美元的潜在收入,无疑对旅游电子商务网站是一个竞争的“杀手锏”。

数据挖掘的背后是一种非常简单的商业动机:从广告中获利。数据挖掘是“行为定向”的主要驱动力,旨在通过将特定的广告带给恰当的人群,以实现利益的最大化,而不像传统的电视、LED广告屏等媒介,具有不可分割性而无法实现精准定位。

女性饰品或者用品一般是女人自己买自己用,也可以男人购买送给女人。我们发现商品价格越高,男性所占的比例越来越低。不管是铮铮誓言,还是海誓山盟,在数据面前都显得苍白无力。

企业的发展归根结底仍然是人才的博弈,所以打败竞争对手有两种方法:挖走他的人才,或者挖走他的客户。

其实,企业最重要的是在用人策略上下功夫,抓住两项关键指标:业务能力(包含所在岗位的各种专业技能)和品行。

所谓“拣货”就是在订单被打印出来之后按图索骥,根据库位把货物捡出来打包扫描发货。这样问题就转换成,当天的很多订单,如何排序打印拣货单使拣货员所走的总路程最少。

要使路程最短,必须综合每个客户订单的数量、订单中产品的种类及货架相互距离的远近。根据当今的技术发展,解决最优化拣货路程已经是轻车熟路的事情,我们只要使用一种称之为“遗传算法”的技术就能快速找出最短拣货路径从而提高效率。

从数据挖掘的角度来说,有一个技巧,就是数据曲线在拐点的地方更容易看出端倪。

“数据驱动”顾名思义就是利用各种数据挖掘的手段来驱动企业的各项发展和进步,它由两部分构成,首先是运用数据挖掘得出有效结论;其次便是在决策上执行下去。我们认为,数据挖掘应该创造生产力,表现在两个方面:一方面,通过数据挖掘的优化功能为企业降低不必要的成本使之精细化运营,即为公司省钱;另一方面,挖掘商机为企业创造增量市场,即为公司赚钱。

我们就是根据最近7天的销量来预测未来一个月的大致销量。

电商操盘手(通常是公司的COO)不必问津数据挖掘的技术细节,但是对于数据挖掘的知识架构及思想需要略知一二;同时,尽量养成在有数据支撑、信息对称的情况下做出更为优秀决策的习惯。电商行业的数据借助互联网各种API(应用程序接口)容易获取且非常全面、丰富,数据品质高,数据噪声少。传统行业在早期的时候也进行各种数据的采集,但是主要是为了报告,而不是为了挖掘。现代电商行业的数据常常用来做挖掘。

如果一个店铺或者电商网站(快消品类目)有较长时间没有上新,那么以下指标一定会下滑的是? A.浏览回头率↓B.访问深度↓C.浏览回头率↓D.访问深度↓

请你通过数据分析解决以下三个问题: (1)请分析缺货产品的成分结构。经常会戏剧性地出现因为一个类似小吊带的小物件缺货而导致大批货物不能发送,如何避免?请给出建议。 (2)为了能给客户更好的体验,现在或许是唯一能做到并一定会起到显著效果的措施是什么?并计算成本有多大。 (3)预售商品导致不能发货的问题并没有完,还会衍生出其他问题。例如,某预售A商品与现货B商品被C客户同一天拍下并付款,但是当A商品到货后,C客户订单仍然不能发出,原因是原来的现货B被其他订单挪用,B商品也因为缺货而变成预售,无辜的C客户无奈只能一等再等。当然,接下来可能损失了一名C客户或者其身边的朋友。为了避免此种情况发生,请给出你详尽的数据支持方案。

一件女装刚刚上架,很多新客户一般不会轻易出手购买,请问大部分新客户的心理是在等待观望新品评价出来之后再购买,还是因为从众心理,等部分人群购买了才会出手。所以: (1)请通过数据分析还原新客户在购买新品时的心态。对于新品或者新开张的店铺或网站,女人的哪种心态更多一点? (2)运用此结论,如果你是一个女装主线品牌的操盘手,现如今欲创建副线品牌,如何操作才最可能成功?

请你一口气列举出影响客户可能流失的40个数据指标用来组建客户预流失数学模型,且这些指标目前基于淘宝数据工具或者独立B2C网上商城运用GA(一种网站数据采集工具)并结合ERP系统都可以抓取到。如果该预流失数学模型用在精准会员营销方面,你将策划哪些营销方案?为了使客人最终成为忠诚度极高的客户,请给出你的连环精准营销方案。

在女装商品标题进行SEO的时候,常常会使用热词比如韩版和欧美等一些搜索量很多的词汇,显然热词会带来更多的自然流量。问题是: (1)热词在提高流量的同时是不是对转化率也会有一定程度的提升,姑且不论提升程度的多寡,但是会有一定量的提升吗?请不要一拍脑袋就流利地说出答案,因为每个决策都会影响到隐性和显性的销售额。 (2)对于一个成熟的电商网站和店铺,热词有时候可能与品牌调性不合,如何权衡此问题?

现有一定量库存商品(女装类目),为了尽快释放出现金流,公司想把这批库存消化。如果你主持这件事情: (1)你打算从什么角度来分析库存结构? (2)按照优先级,哪些子类目的库存应该最先清理,依据是什么? (3)通过对不同地域的客户群购买特征的数据分析,你能得到什么样的结论并基于此结论制定何种有效的清仓计划? (4)为了防止库存积压的事件重现,请你通过数据分析,能否给出在订货时间节点和数量两方面的弹性补货机制,并依据女装的销售生命周期,在保证库存量和公司利润兼容的情况下,选择什么样的清货流程才最佳?

在女装类目中(也包括其他服装类目),视觉效果表现往往需要借助模特去表现,因为服装只有穿在模特身上才能完美诠释神韵,但是模特是有生命周期的,而且品牌风格的转变也是需要更换模特。在更换模特的时候,原来的女性客户往往表现出不买账抑或不支持的声音,而且通常反对声音都是相当的激烈。这是很正常的,风格转型必然会遭遇阵痛,不可避免。但是,女人心理的天然属性意味着即使有再多反对声音,也会有噪音,也永远不能完全还原整个事件的真实状态。问题是,转型意味着改变而不一定意味着朝好的方向改变。老板很纠结,在大批老客户反对声音中,无法拿捏准是不是应该坚持转型。 (1)你应该从数据的哪些角度分析模特转型是否成功呢?经过客观的数据分析结果表明,倘若模特转型是成功的,也给老板尽早吃一颗“定心丸”;倘若转型不成功,也给老板提供决策支持,及早防止老客户开始流失。 (2)衍生另一个问题。大家都在谈论“意见领袖”的作用,女模特几乎每个女装电商企业都在用,从需求角度上说,一些成熟有财力的女装电商企业都希望得到在平民中有较高影响力和号召力“意见领袖”模特。问题是,“意见领袖”发挥的作用究竟有多大有没有比较靠谱的方法分离出来以便进行合理的量化呢?比如请网络红人代言天猫商城,取得成功的可能性有多大? (3)目前女性SNS(Social Network Site,社交网站)分享做的比较优秀的平台有“蘑菇街”和“美丽说”。利用上面结论,请你预测一下,如果这两个平台上具有超高人气和众多粉丝的美丽达人自己开一个跟她风格比较搭的网上小店,你觉得她市场号召力有多大,能不能快速地做起来(在启动资金完备但不是烧钱的前提下,且供应链基本顺畅)?说明:此问题伸缩性较大,所以只要给出数据分析的思路即可。

以下问题稍微技术性强一点。快消品客人的生命周期通常服从以下何种分布? A.幂函数分布B.负指数分布C.正态分布右半部分D.不确定

新客户再次回头购买的概率比较低,假如目前只有20%左右回头。为了提升新客户的二次购买率,现进行新客户数据库营销。最简单也是最容易操作的是发放10元优惠券鼓励新客户感受二次购物体验。为了使客户对我们的优惠券保有量并不总是充足的(客户优惠券保有量过多对后续营销活动会有所钳制),优惠券有效期设置为一周。但是,实际测试的营销效果并不理想,优惠券使用率不到8%,尽管跟优惠券营销的老套过时有不小的关系,不过,这不是该问题需要讨论的内容。请用数据分析说明: (1)影响优惠券使用率最重要的因子是什么? (2)我们猜想,按照常理推断,刚刚进入网购的客户(这可以从淘宝或者独立B2C商城的信用等级来大致区分,比如一颗心的客户与一黄钻的客户相比,前者网购时间大概不会太长),应该更在乎优惠券,而网购达人应该觉得优惠券不是很稀罕。请从数据分析的角度来预测,如果新客户营销方案改成二颗心以下(含两颗心)的客户使用优惠券营销,而两颗心以上的客户改用其他更有新意一点的营销方式,那么10元优惠券对两颗星的新客户刺激购买是否有显著提升作用呢?

客户沉睡周期如何划分才有利?如果周期过短,也许会打扰到客户甚至引起客户逆反心理从而造成了客户永久性流失;如果周期过长,对于沉睡客户的唤醒是极为不利的,其可以唤醒的概率会伴随周期的变长而急剧衰减。

对大部分的个体消费者来说,数据挖掘的人群定位差不多都是错的。

没有方向性的广告实际上就是广告的随机播放,碰见目标用户的概率极低,可能只有2%的客户响应。从商业角度来解析,数据挖掘过程换来15%的响应客户是非常值得的。

最好的比例可能是希望广告吸引来的80%是我们现在的客户,20%是未来客户,“二八法则”,总之为未来潜在的客户也预留覆盖的机会。假如有一份广告,95%的客户都产生了购买行为,从眼前来讲,这份广告是异常成功的,其实不然。从长远目光来看,这份广告的受众面过于狭窄。

数据挖掘工程师在某种意义上讲,他们是电商操盘手的“军师”。

数据挖掘最肤浅的表现是所从事的行业背景与统计学技术之间找不到挈合点,更甭提大而化之地、夸夸其谈所谓的“数据驱动运营”了。

从统计学的角度已经知道,“大数定理”告诉我们,样本越多越会接近事情的真相。但是,很多时候在进行数据挖掘的过程中,纵然样本很多,技术使用非常高深,还是会出现情绪性的偏差,数据挖掘的结论几乎总是收敛于50%左右,这让数据挖掘陷入困境。

每个CRM软件里面似乎总有一个叫RFM模型:最近一次消费时间(Recency)、消费频率(Frequency)、消费金额(Monetary)三个方面。这个RFM模型最早来自美国零售行业,被我们电商业界移植到国内电商CRM环境下,不仅对客户群体的划分粗糙,而且是水土不服。看起来有经典理论作为支撑,宣传起来也有理有据,但是实际效果定然不痛不痒。

假设某公司销售额足够高,所以对CPS各种广告商还是具有相当的控制力和话语权。有三个CPS广告商分别是A、B和C,其前期广告的效果数据分别如下: A的ROI是2.1,新客户比例是30%,GMV是2.2W/D B的ROI是2.4,新客户比例是10%,GMV是1.9W/D C的ROI是1.95,新客户比例是60%,GMV是2.6W/D

因为处于广告投放测试阶段,所以抽佣比例(也就是回扣或者说是扣点)是相同的。根据这组数据,我们做出的决策是,淘汰B,降低A佣金,提升C佣金。原因在于B广告商新客户占比只有10%,广告的本意是产生增量市场,但是B没有;A的新客户比例30%,不算多,且销售额不是最多,可以适当降低佣金;C广告商销售额占比最高,根据广告的特性,提升佣金比例,销售额增长还会有巨大潜力,且ROI只比A略低,最重要的是C广告商与既有客户重合度(40%)较低。

做数据挖掘有一个技巧就是必须掌握一种套路,或者说一种成熟模式,而不能完全依靠做数据分析和数据挖掘工程师的主观能动性。

网购的心理抗拒来自对商品了解的信息贫瘠,而老客户的带头购买却顺应了客户的“从众心理”。我们可以清晰地看出,新品上架刚开始的第一笔订单是老客户下的。

等到第2388笔订单的时候,老客户订单占比变成了87.78%的比例,且整个过程几乎没有震荡的线性下降过程,图(b)亦是如此。现在,这条结论已经被广泛和创造性地应用在电子商务的各个方面,看起来已经不是重大的发现。这是因为我们已经从数据中挖掘了信息,而信息又变成了知识,作为知识储备(也就是经验)之一,我们往往忽视它的来龙去脉,而这案例再次佐证数据挖掘的“价值性”却是一个不争的事实。

没有形成体系的数据挖掘往往导致做数据的员工很苦恼,因为今天做了工作明天就不知道做什么好,此外产生的作用力也很有限:数据挖掘出来的是点而不是面。

如果是独立B2C网站投放CPC广告,需要提前预热,因为市场熟悉推广商品是需要一个周期的;如果是淘宝或者天猫,做直通车定向地域推广,也需要超越季节进行推广,因为直通车推广的质量得分是需要培养的,否则相同的展现位置CPC会很高。

不是所有业务都能用数据来驱动,比如设计,因为难以量化,不能量化就找不到数据挖掘的着力点,心有余而力不足。

阿里为了使自己的敏感数据不被泄露,很多数据都做了“变形”处理,比如进行对数等技术处理,比如在数据魔方刚推出的时候会有“行业销售额”这个字段,但是现在“销售额指数”类似的指标,如果A店铺的销售额指数高于B店铺,肯定表明A的销售额多于B店铺,但是具体高到什么程度是无从知晓的。这里稍微提及一下数据变形的作用,常用的数据变形手段是对数处理,当然对数处理还会配合其他“编码”措施以便不会轻易被破译。

对于中小型电商公司来说,Excel足够应付数据分析。初学Excel不需要面面俱到,掌握一些常用功能,譬如countif函数、vlookup函数、自定义排序、数据透视表(图)、数据分列、删除重复项、分类汇总、宏的录制及简单的窗体控件等就能解决常见数据分析问题。

Facebook正在收集的关系数据与谷歌收集的意向数据是极其不同的。意向数据可以直接了当地表明购买意向,但关系数据只能是购买后的数据,它告诉我们用户对产品的感受如何。出于这个原因,关系数据将永远无法预测短期的采购意图。不过,关系数据是一种基于情感的数据,往往多年保持稳定。这意味着关系数据可以有一种别样的营销作用:它可以是有效的品牌广告,而不是直接营销。

数据的积累、数据的挖掘,分析、归纳、整理,是一支优秀团队所必须具备的基本素养,没有它,你永远是匹夫之勇。

第4章 搭建数据化体系

数据的作用力会贯穿电子商务行业进化的始末。

在对数据进行各类分析、挖掘和建模之前,需要建立完善的数据指标体系和数据库,方便管理数据,这些数据不仅包括自身电商网站的数据,还要包括主要竞争对手数据和大盘(所在品类的行业)数据。数据化体系包括销售图谱、晴雨表体系、流量漏斗模型体系、广告绩效体系、供应链数据化管理体系。

符号Such that表示销售额最大化需要受到哪些条件的制约,例如会受到UV、转化率和客单价三大因素的牵制。由于不同的流量途径带来的流量大小和品质大相径庭(例如通过广告投放带来的客户与直接登录网站的客户所带来的转化率和客单价完全不一样),所以需要区隔开来以便进行分析和追踪。

销售额的公式可以分解如下: MAX销售额 = UV1转化率1客单价1 + UV2转化率2客单价2 + …

不同渠道

如果风险投资商(Venture Capital Investment,简称VC)对电商企业进行战略注资或者电商企业内部年终业绩盘点就需要绘制销售额图谱了。图谱的骨架如下: 销售额 = 客户数量* 平均购买次数 * 客单价

有两个指标需要特别解释下,第一个指标:商品集中度,表示的销售额或者销售量之中,占比80%(具体数字可以自行约定)的商品数量或者比例。一般来讲,商品集中度越高越方便下单和追单,也就是补货更加容易,但是同时也暴露优质商品较少,有潜在风险,尤其季节性快消品类目,一旦处于换季边缘,集中度高的商品不给力,整个销售业绩将受到重挫,所以要联系所处品类的行业参考值,合理观察“商品集中度”;第二个指标:客户重合度,现在很多电商公司都是实施全网铺货和多品牌的战略(多品牌定位可以使市场覆盖面更广且抵御风险能力更强),为了使新品牌更快、更有效地启动和成长,通常的做法是在初期把成熟品牌的网站流量导入到新品牌,加速其生长,这时候一定要计算新品牌和老品牌之间的客户重合度,以便达到一定的阈值可以使新品牌与老品牌解绑,让其独立行走。

我们可以这样来比较两个品牌,假设成熟品牌是A,新品牌是B: 1.两个品牌的客户重合比例是多少? 2.在1的基础上,计算重合客户的重复购买率? 3.在1的基础上,计算重合客户自从在B买过商品之后就再也没有回到A购物过的客户比例? 4.在1、2、3的基础上同时满足,客户的比例是多少?

解读数据需要把控以下关键点: 1.知道该指标的实际值和行业参考值。例如,想知道店铺的转化率水准是怎样的,就必须了解行业TOP卖家的平均转化率数值。 2.优先注意数据奇异点和数据拐点,突然变大或者变小的数据一定是受到外力的作用。例如,给客户短信群发,应该在短信发出去之后极短的时间内便会出现流量拐点,如果没有出现相应的流量拐点表明短信通道没有发送出去(短信延迟),或者客户对于长期的短信已经产生免疫的作用,抑或促销活动不能吸引到客户。 3.数据要有对比,可以是同比,也可以是环比。 4.选取合适的数据呈现形式。依据数据想要表达的意思选择相应的呈现方式非常重要,生动形象的数据展现形式能有助于快速抓住重点。

例举6个问题来讲解如何通过指标来解析数据背后的意义: 1 对于网络女装品牌的估值应该看哪些指标? VC除了看GMV以外,还要认真研究单价、客单价和回头率三项指标,理由是: 单价:品牌的背后实际是奢侈品文化,是承载客户消费快感的载体,所以单价越高越好。 客单价:服装是讲究陈列和搭配的,所以在单价固定的情况下,客单价越高越好。 回头率:毋庸置疑,品牌是讲究忠诚度的,所以回头率固然越高越好。

2 如果收藏人数多但是成交人数少是什么原因? 唯一的原因是出在商品的定价上面。可以采用两种方法改变这种销售“对峙”状态:其一,降价,也就是让利亏钱;其二,价格再提升一些,然后设置打折优惠,之所以客户乐意收藏但是没有出手购买说明还处于犹豫阶段,临门一脚的打折优惠(当然只是虚拟的,利润空间并没有被压缩)促使客户成交是相当重要的。

3 回头率低一般是什么原因造成的? 分两种情况讨论:如果网站或店铺新开抑或规模很小,回头率偏低是因为缺少强大的客户基数(客户回头是有周期的,且周期对于个体差异十分明显),客户还需要继续积累;如果是规模较大且成交量也很大,但是回头率较低(之前多半是依赖烧钱砸出来的),可能性非常大的原因是商品没有竞争力。

4 网站平均停留时间越长说明了什么问题? 对于同一种类型的网站或者同一个品类的电商网站,平均停留时间越高表示网站越有吸引力,换句话说,停留时间长短是衡量网站黏性的唯一指标。不仅如此,停留时间与成交也有很强的正相关关系

5 翻页数(PV/UV)越大表示网站越好? 如果单纯看[图片]大小实际上是没有意义的,可能是表示客户对网站感兴趣,也有可能是网站的布局设计太糟糕了,客户不能快速找到自己想买的商品。这时候要联系“平均停留时间”的指标一起综合研判,如果两个指标都是偏大的则表示客户对网站的体验很好;反之,客户体验糟糕透了。 正常情况下,[图片]指标变大但是停留时间也变小了,按照我们已有的数据解析理论,这样一组指标表明网站结构不合理,比较凌乱才会有此结果。不过,如果网站页面进行了技术优化,加载速度大大提升,那这时候[图片]变大并且有可能停留时间同步变小,这种状况也是良性的,网站也是健康的。

6 某件商品销量下滑一般是什么原因? 同样要用到分类讨论的思路。如果销量的下滑曲线是缓慢下滑,这种通常是因为商品销售周期到了,或者上架已经一段时间了,大多数客户已经购买。如果销量突然下滑,那一定是外力的作用,常见的有恶评突然出现、商品被电商平台降权屏蔽、撤销了广告的投放等因子,这里尤其注意恶评的突然出现,因为恶评还会连累其他与之关联商品的销售。

漏斗模型的核心就是将问题进行分解,笼统看一个“销售额”指标只能看出结果,却不会发现问题出在哪里。分解销售过程可以先拆分PV的流转,进而建立流量漏斗模型。

流量漏斗如果用四个关键词来概括便是:进入→逗留→跳转→跳出,这一点对于任何类型的电商平台都是相通的。

进入→逗留→跳转→跳出

流量漏斗模型把PV的流动性裂解成四个环节——进入→逗留→跳转→跳出——便于检查流量的黑洞,从而实现精确卡位。一般诊断的流程为:数据奇异(显著变大、变小、最大或者最小)→发现症状→消化问题→剖析原因→制定措施(立即措施、纠正措施和预防措施)→解决问题→监测效果,整体来讲套路大同小异,最基本的作用就是实时监控流量行情。

商家举办一次活动,通过观察活动前两天的页面平均停留时间就能基本判定活动即将取得的销售额量级水平,这对提前制定客服排班计划和安排仓库打包临时工的数量都很有参考价值。

在电商数据驱动业务过程中,有三种数据处置办法:数据分析、数据挖掘和数学建模。

以短信或者其他媒介催付款来说明数据分析的步骤,主要是为了引导读者掌握数据分析层层推进的演绎方法。

步骤一:确定催付的客户群体 如果我们选用短信催付,在一定程度上说可能打扰到客户,所以在保证客户体验不被破坏的前提下势必小心翼翼。我们通过客户在线调查得知,加入购物车没有付款的主要原因如下: 遗忘 冲动消费不想买了 货比三家发现性价比更高的产品[图片]跟客服索要小礼物未遂,心理不平衡 支付发生障碍,比如网银没钱或电脑手机出现故障

催付对于“遗忘型”的客户是有比较好的效果的,其他类型的客户效果并不大,尤其是冲动性消费。问题是,无法确切知晓哪些客户是因为遗忘而没有及时付款,所以在目标并不是很明确的情况下发送催付短信或者使用其他催付手段势必会打扰到客户。因此,为了尽可能地不破坏客户体验,一般催付客户只锁定在新客户和沉睡客户上(快消品类目一般是200天以上未回头购买)。

步骤二:确定在哪天付款 统计发现,在“等待付款”(即加入购物车但是尚未付款)状态的订单中,随着时间的推移,付款的人会越来越少,快速锐减。 一项科研成果,即人类的记忆保留比例与时间的关系。从该图可以看出,遗忘型客户在第二天或者第三天催付效果相差无几。 第3天催付理论上是最合理的,原因在于第二天也有不少会自发付款的客户。不过,这里还要考虑一个至关重要的感性因素:客户(尤其是女性客户)往往在购买消费品时容易冲动型购物,逾期未付款跨越购物所带来的快感后,就不容易再付款了。因此,付款时间需要选择在客户下单后(未付款订单)的第二天催付最为合理。

步骤三:催付时刻的确定 一天之中每个时间段的转化率,从该图可以很清晰地看出13:00—17:00和22:00—24:00两个时间段转化率非常高。由于晚上催付客户肯定会打扰客户,所以晚上时间段显然是不合时宜的。 考虑到16:00—17:00时间段临近下班,人们思想相对放松,乐意做工作以外的事情。综上,催付时间阶段选在第二天下午的16:00—17:00发送催付信息效果会比较好。

步骤四:催付内容的拟定 我们催付的初衷是在不影响客户体验的基础上促进客户付款从而产生增量销售额,所以,不论以何种媒介催付客户,都希望达到即使客户没有付款也不会让客户产生排斥和厌恶心理。比如催付信息内容可以拟定如下: 主人,那家伙又来电话啦,说我是您昨天在XX旗舰店购买的“宝贝”,今天付款,我就能跟您回家啦。退订回复TD【XX旗舰店】

当客户量级非常大的情况下,精细化运营的优势就会显现出来。

双样本T检验:是统计学的一种假设检验,就是先假设结论是对的,然后再验证这个假设是不是对的。举一个通俗的例子来辅助说明。例如命题A说的是:比秃子多一根头发还是秃子。 知道了假设检验的统计学思想,我们不妨给出“双样本T检验”的不是很严苛的定义:检验两组数据的平均值之间有无明显差别。至于检验的办法有计算机帮忙,很容易做到,其基本原理依然是先假设两组数据的平均值有明显差异(或者没有明显差异),然后再检验这个假定是否存在。

小概率事件:一般以为,事件发生的概率如果低于5%,我们认为是反常的,是不合理的,是不大可能发生的,正常状态下发生的几率太小了,所以称之为“小概率事件”。

P值:P值是在假设为正确的情况下,如上述命题“比秃子多一根头发还是秃子”先假定是对的,然后计算在这个假设的前提下发生的概率。一句话概括:“P值是在假设为真的基础上计算出的事件出现的概率”。

经常使用GMAIL邮箱的客户与经常使用126邮箱的客户平均客单价有没有显著性差异呢?根据作者的分析,在快消品类目,两者是有很大差别的,这对识别客户潜在购买力是大有裨益的。

一组客户最喜欢购买的服装版型是连衣裙,另一组客户最喜欢的版型是卫衣/绒衫,现在要甄别哪类客户更有价值,也就是说客户生命周期更长。每组客户2313名,一共两组,所以共有数据量[图片]个,都是选自购买三次及以上的老客户样本(新客户是无法准确识别喜欢哪种服装版型的)。

我们先假定钟爱“卫衣/绒衫”版型的客户与钟爱“连衣裙”的客户的生命周期是一样的,没有显著差异。通过专业的数据挖掘软件计算[图片](在默认情况下),居然小于“小概率”,说明之前的假设“两种客户的生命周期是一样的”是不靠谱的,再简单计算下各自生命周期的平均值会发现,钟爱连衣裙的客户更加优质,生命周期更长,客户忠诚度更高。读者朋友一定有疑问,直接计算两者的平均值不能比较吗?正常情况下是不能的,因为我们在研究客户生命周期时发现,生命周期跳跃性非常大,有的可能是1天(只买一次而后从未购买),而有的可以是1000天,并非均匀分布。所以,为了克服此瑕疵,更为了严谨,我们会采用T检验来进行分析。

数学建模跟前面两种方法有本质的区别,它是依据事物的内部机理来解决难题,这跟小学时候的“数学应用题”道理类似,都是根据题目的意思进行解答。举一个例子。在医学上经常需要测试生物薄膜的渗透率。渗透率的测定一般有两种方法,一种是根据不断做实验测定;还有一种就是建立数学模型来评估。

如果能用数学模型对数据或者事物进行分析,我们多半不再使用数据分析和数据挖掘的方法去解决问题。不过不幸的是,找不到事物内部规律的场景时常存在,因而也就没办法进行建模了。为了找到相对近似的模型,常常对原本场景进行假设和抽象,去掉一些烦琐的细节干扰。模型优劣的判断标准是否稳定和准确,稳定是关键。有时候为了使模型更加稳健会舍弃一些相当重要的但是不稳定的变量。

第5章 广告投放策略

广告之于品牌一般有两类作用:其一是增加品牌的曝光量,目的是增强品牌的知名度;其二是发掘潜在客户,产生增量市场。一般衡量互联网广告效果看三个指标:一段时间内的销售额、ROI(投入产出比)和新客户占比。

在互联网媒介上,互联网客户群体忠诚度相对较低,对于曾经购买过但是还不是忠实的客户,如果你不用定向广告抓取他,就会被别的商家抓走。

实际上,推而广之,互联网客户不属于任何商家,是属于互联网市场,就像淘宝上的客户并不属于淘宝,也不属于淘宝店,而是属于市场,是自由体,是可以在市场上广泛而又自由地流动。

互联网广告平台(包括电商平台)乐意将客户投放广告的效果数据“秘密地”、“友好地”交给同一个平台上的其他广告买主(商家),买主经过对这些对手数据计算之后,广告买主之间必然发生激烈的博弈,从而更加快速地抬升广告的整体出价。互联网广告就是一把双刃剑。

天盖地的广告会引起别人的注意,但是未必能引起别人的兴趣,而互联网广告相对来说比较友好,尽管一些网站也有恶意弹屏广告。互联网广告把大部分主动权交给受众,受众会依据自身喜好选择感兴趣的广告。

专家预计,未来互联网广告有三大趋势。“互联网广告的第一个趋势是更讲究交互,即商品就是广告,广告就是商品。不是强制性地推送给客户,而是像货架一样,让客户来交互和体验。例如第三方电商平台淘宝做了很多广告,基本是橱窗型的。第二个趋势是口碑营销,很多互联网广告非硬性广告,而是客户跟朋友的推荐,跟朋友的‘晒’(亦即SNS模式),造成朋友间的拉动;第三个趋势是,移动终端是二次营销,未来企业的客服中心都放在掌心上面,消费者随时可以找到企业,而企业有好消息也可以告诉客户,这就是移动终端的角色。”

互联网广告的常见形态有CPC、CPS、CPM、CPT和DSP,每一种广告都有着各自的特点,每一种广告也绝非孤立的,而是可以相互组合的;有些互联网广告比如CPT伴随着互联网生态的不断成熟和完善逐渐退出历史的舞台。

还有一种新型广告形式谓之RTB(Real Time Bidding,实时竞价),RTB广告是在每一个广告展示曝光的基础上进行竞价,就是为每一个出现的PV进行一次展现竞价,出价高的广告将会被这个PV看到。其广告原理是这样的:某个网站提供实时竞价(RTB)的广告位,当某一个用户访问该网站时,网站会自动触发收集用户Cookies信息的机制,并将信息发送给广告交易平台,广告交易平台再转发给所有接入进来的DSP,收到通知的DSP将接收到的信息与自己数据库中用户的信息进行对比,确认用户的身份、属性及爱好,然后根据相应的广告投放需求进行竞价。

RTB广告的优势在于能在毫秒级(比如100ms)时间内完成目标人群的定向、广告位出价策略、创意优化、虚假流量识别等过程,瞬时完成对目标人群进行广告投放以便实现真正意义上的及时性和精准性,毕竟,及时性和精准性很多时候对广告投放而言,其实是一回事,保证时效性才能精确“制导”。RTB广告不仅要判断是否是目标客户,还要对不同的目标客户展示不同的广告创意,综合考虑性别、年龄、收入、教育水平、地域、时段、投放频次及偏好等多种维度来提升广告投放的效果,从而实现广告展现与目标人群最大程度的匹配。

分析CPC广告效果要看成交用户数、成交金额、广告支出、新客户成本和ROI等指标,但是这里千万不能忽略一个至关重要的指标:新客户数或者新客户比例。

CPC广告具有一定的天花板,达到一定的投放量极限,继续增加投放量,效果会逐渐萎缩或休克,其精准性将会急剧消失或停滞。

单纯依靠增加投放量带动销售额的持续增长是不可能的。

在统计CPC广告效果的时候,特意把“品牌关键词”单独拎出来,原因在于搜索品牌关键词的客户都是了解该品牌或者甚至是品牌的绝对忠诚客户,否则混合统计方法势必造成ROI部分程度失真。因此,分离“品牌关键词”和“非品牌关键词”来独立核算广告效果是比较严谨的方式。

服装电商公司(亦包括其他一些品类)产品结构中一般包括品牌形象款、大众款和利润款。什么叫“利润款”?不是利润款高的款型就叫利润款,是利润高并且转化率高(即“[图片]”给力)的款才叫“利润款”。

CPS(Cost Per Sale)是按照销售额提成的一种广告形式,即每成交一笔订单,广告主便会按照事先约定的扣点获取佣金。CPS广告是一种以结果为导向的广告形态,完全忽视只对品牌有曝光量但是无成交的广告供应商,所以现在单纯CPS广告资源有收窄的趋势。表5-2就是CPS形式的广告一个月的完整数据,从表中信息可以知道,CPS广告对于成熟的电商企业(比如表5-2电商网站回头率为60%~65%),导入新客户的能力是比较羸弱的,对于市场暴力拓展方面不够强势,根本原因在于这种形式的广告必须对成交结果负责,所以很多广告平台不愿意做CPS广告,加上互联网广告生态已是僧多粥少,形势发生逆转,CPS广告慢慢地朝CPC或者CPM形式的广告过渡。但是,CPS广告ROI极高,这跟其按照销售额付费的形式有最直接的关系。CPS出价最有效的策略是“高开低走”,就是前期佣金比例高(当然成本需要测算,要能扛得住)比如出到50%,然后佣金比例逐渐减少,回归到5%左右的正常状态。

多数CPM广告素材(或称物料)是以图片形式呈现的,所以它的优点是对广告素材拥有较强的控制能力,不同的素材创意其点击率无异于不啻天渊,差别极大。例如一件毛领的羽绒服做CPM广告推广,若广告图片加上这样一行广告短语:“冬天,关于毛毛那点事”,则点击率非常高,尽管这种创意文案有打擦边球的嫌疑。

高点击率的CPM广告素材通常具备两个特征:把精准的热搜词汇和销售量数据(如果销量很高的话)添加到广告素材上。如此,点击率则会显著提升。至于广告图片的艺术加工,我们不会完全从美学或者从广告学角度来考量(毕竟广告设计的目的不是奔着“嘎纳广告奖”去的),而是要观测素材图片带来的实际转化效果。

硬广,顾名思义“硬性广告”,只是广告的一种形态,具体付费形式可以是CPC、CPM甚至CPT(Cost Per Time,按时间付费的广告,现在这种广告已是凤毛麟角),其特点是“简单粗暴、直接有效、入不敷出”,粗放投递的形式,定位不够精准,是广告角色中真正的烧钱大户,其ROI极低(见表5-4,数据为0表示当日没有投放硬广)。不过,需要说明的是,硬广的后劲比较大,对于增强品牌曝光量大有裨益,是市场暴力拓展的有效手段。硬广投放的关键点在于选对正确的位置。

广告投放的技巧正在被弱化,渐渐被资金实力所取代,从技巧运营型转向资本密集型。需要特别说明的是,在大量投放付费广告的时候,一定要时时追踪网站“到达率”指标。如果到达率极低(比如小于70%),这说明广告有很大一部分被浪费掉了,因为广告导入的流量还没有登录至网页就中途夭折跳出了。

网站加载速度(也就是打开速度)是影响达到率非常关键和常见的原因。

若在站外投放付费广告,而网站自身加载速度极慢,那就是奢侈的烧钱行为。据数据统计显示,网站加载速度超过3秒,将有超过57%的客户放弃登录;网站加载速度超过5秒,将有超过74%的客户从此不再登陆该网录,这对于客户结构主要是新客户的网站来说是异常致命性的。

付费广告的投放我们一定会关注效果(销售额和ROI),但是广告效果毕竟有显性和隐形之区别。很多情况下,广告的职能是需要区分渠道的,有些适量投放在门户网站的品牌宣传类广告ROI也许并不高,但是经久累月有可能对转化率的提升产生质变的作用。

在企业中,我们知道有这样的职场定律:高管必须具备预算能力、规划能力、识人和用人能力和向上管理能力(忽悠住老板);主管必须具备专业技能、判断力(跟对人尤其是直属上司)和向上管理能力。那么,预算能力是一项重要的职场能力,广告预算尤为如此,因为需要考量众多外在因素,电商大势一日千里,广告预算的重心也需要跟随大势来制定。做好广告预算首要条件是区分一年中哪些月份是销售旺季,哪些月份是销售淡季。

广告预算的中心思想是,预设年度销售额目标并将平摊到每个月份,然后计算为了实现每个月的目标需要多少流量的支持,结合流量结构估算广告费用(成熟网站的流量结构相对稳定,标准品网站的流量结构也相对恒定)。

实际上,真正的广告预算需要区分广告类型,还需要区分地域,并且给一定会做的大型促销活动预留资金;最重要的是,预算归预算,并非一成不变,在商业实践过程中需要不断做动态调整(比如广告价格超过预期的攀升速度,或者是电商行业的洗牌带来的震荡等),方可适应电商生态。

网络广告是一种容易量化的业态,所以商家之间的博弈也非常激烈。我们运用量化的手段指导广告的投放比完全凭感觉要更加靠谱,而首要解决的问题便是何时投放广告才是最佳时机?这个问题我们通过建立微分数学模型来说明。

每个公司在进行互联网广告投放之时,都应当充分考虑到公司的资源、未来规划和每种广告的属性。

由于品类的特殊性,除了转化率之外,咨询率是考察广告投放效果的另一关键性指标。

在CPC付费广告中,出价关键词的遴选非常重要,在上面的内容已经穿插着提到一些,主要根据目前市场上的点击量、跳出率及当前的出价水平来综合判定。

实际上,特别细致的广告投放甚至可以把关键词、地域、时段、品类排列组合(BCG矩阵),找准四者之间的最佳匹配关系,实现广告投放的细分策略。

幂函数关系是一种“神奇美妙”的函数关系,电商客户的很多行为皆能用幂函数精确刻画,这方面知识我们后面再讲解。

我们看到CPC上升,但是点击率却是持续下降的(见图5-14)。原因是什么呢?是因为有效流量过饱和导致其中掺杂着很多的垃圾流量吗(这里的垃圾流量即为非精准流量)?

我们发现,市场上的关于最为精准的一个词的市场份额争夺已经白热化(见表5-11),等同于贴身肉搏,目前行业该词的出价维持在29.6元一次点击,接近30块。综上分析,图5-14所示的ZD官网虽然CPC出价一直是连续提高的,但是跟市场大盘相比,总是落后于大盘的CPC涨幅,而自身网站CPC小幅上升→排名靠后→点击率/点击量下降→销售业绩不达标→缩减预算→业绩更加恶化,这是一系列的连锁反应。百度搜索引擎排名的点击率会伴随排名的前后位置而急剧衰减。

如果CPC上升,但是点击率下降可能的原因有以下几种: 选词不是很精准,垃圾流量增多,或者投放的广告平台的非精准流量较多 CPC出价跟不上大盘的涨幅节奏 CPC广告所推广的商品为季节性商品,已经过了商品销售的生命周期,例如夏天推送风衣显然不是很合适,这方面的更多的知识会在稍后的章节中着重介绍 其他原因

CPC广告不可能没有边界,当CPC出价到某种边界时就应该停止投放。

所谓临界值是指广告支出与利润收益正好相等。

当商品尤其是快消品生命周期过了之后,增加CPC出价也不能阻止其点击率或者点击量的下滑。 那么,一个商品是否过了生命周期,有哪些判定方法呢?方法有很多,比如: 看商品的转化率是否在下滑,若在逐渐持续下滑则表示处在换季的边缘 看历史的行业数据判定商品所处的品类生命周期大概处在什么时间段 以周为基本统计单元分析销量是否持续萎缩

当CPC出价继续上升,但是点击率或者点击量并没有显著上升,这时候往往因为广告排名已经达到第一名的巅峰位置,暂时已经没有对手,再继续提升CPC出价就显得不明智了,会浪费资源。

当我们同时面对多种类型的广告时,应该哪些广告多投放,哪些广告少投放呢?这是典型运筹学中的规划问题。

还应该考虑,任何一种广告所带来的成交金额不能过多,否则会造成对某一种广告的过分依赖,所以我们假设任一广告带来的销售额不超过50%的比例。

第6章 数据驱动艺术设计

电商有两块业务非常重要。第一种,着力视觉传达,贩卖视觉,这种在服装、化妆品等类目得以全方位地体现,在3C数码等其他标准品类目亦有抢眼的表现,譬如说对女生出售笔记本电脑,各种电脑参数对其没有绝对的影响力,但是如果转换思维,在罗列主要参数的同时告诉此类客户该电脑打什么类型的3D网游都不会卡并辅以游戏界面,女生客户定然能感同身受;第二种,数据驱动业务,尤其是在大数据时代,尽管目前的电商大数据还处于空心的概念性阶段,能形成生产力的案例屈指可数,但是数据驱动正发挥举足轻重的核心作用。

说到网页结构的布局,不能不提到经典的“F型”结构,而此项结构来源于:长期研究网站可用性的美国著名网站设计师杰柯柏·尼尔森(Jakob Nielsen),在2006年4月发表了一项《眼球轨迹的研究》报告。

不过“F型”理论也并非放之四海而皆准,作者就曾见到一些质疑此理论的观念并罗列了众多事实,有的学者还研究出与之对应的所谓的“E型”结构。任何一种理论都有其使用的前提和环境,也就是外延,这一点非常重要。

一般站内搜索词筛选方式如下: 热词不需要多,一般不会超过10个,多了会模糊搜索目标 热词要结合跳失率和搜索量两个数据指标综合决定。搜索绝对量大但是跳失率也高,说明搜索热词与产品对应关系不精准;反之,即使跳失率很低,但是搜索量很小对于引导客户亦没有价值 热搜词一般参考行业数据或者站内数据,如果站内数据与行业数据发生对立,以本站搜索数据为参考标准,因为行业的数据一定代表的是行业的共性,而一般电商网站在商品方面都有自己独特的个性和特质(标准品类除外) 热搜词需要不断新陈代谢,具体依据类目特点决定。例如化妆品类目更换频率一定会高一些,而3C数码会低一些。当然,更换频率跟产品线丰富程度也有很大关系

我个人不主张将文案放在商品最顶端的部分,建议放在商品页的中后端位置,客户在浏览一部分商品图片之后再适时奉上精美的文案。

最后需要提醒的是,一些电商网站喜欢把客户的好评单独截图贴出来放置在商品详情页(尤其是淘宝和天猫平台上的卖家),作者经过多次的测试和跟踪之后得出的结论是(女装品类):将如潮的好评堆放在商品页对于转化率基本上不会有任何帮助作用。

套餐必须具备一定的价格优惠,优惠的幅度应大于11.6%,因为11.6%是一个阈值,为人类的最小心理感觉差,好比月薪10000元的人,老板至少一次性给他上涨工资1160元,这个员工才会有感触。

套餐遴选的办法很简单:选择客户一起加入购物车的两件或者三件(超过三件通常很难形成套餐)商品一起分析,经常被客户同时加入购物车或者没有同时加入购物车但是几乎在同一时间段购买的商品便可以组合成套餐,配合套餐的价格优势,从理论上说,是可以促进销售的。

当我们通过数据监控发现两个不同商品在购物车里具有组合关系之后,我们特意将其组合成搭配套餐并放置在独立的套餐页面,且给予流量入口。经过一段时间的套餐销售,我们发现客户成套购买套餐的行为确实被强化了,说明套餐在引导客户提升客单价方面具有一定的作用。

关于搭配套餐,需要说明三点: 1.搭配套餐除了表6-1所示那样追踪购买套餐的客户占比,这只是相对值,还要观测绝对值,也就是搭配之后的套餐总销量有没有明显的提升。如果只是购买套餐的客户比例上升,但是搭配在一起的两件商品总销量没有上升甚至下降,这样的套餐实际上是没有意义的,应当尽早取缔组合销售。

2.构建套餐的商品通常不能为呆滞库存。搭配套餐纵然可以使销售额锦上添花,但是也不能让呆滞库存商品起死回生,套餐用来清理库存肯定是不够威力的。

3.套餐商品之间最好存在搭配关系,例如上下装搭配,外套搭配开衫,服装与配饰小物搭配等。

关联推荐跟搭配套餐有显著区别。首先,关联推荐一般就在商品详情页上,不需要另外单独制作套餐页面;其次,关联推荐通常不会有折扣,或者象征性地有折扣;最后,搭配套餐一般会降低商品利润,且有可能还会影响转化率,但是关联推荐却没有。

关联推荐的本质: 改善这种情况:客户购物车里应当有的但是却没有。 关联推荐在线上是为了缩短客户找到目标商品的最短路径,客户是因为逻辑相关且购买顺手才购买多件的。 作者曾经做过数据分析,有50%的客户在网页点击次数不超过三次(不同类目,网站数据可能不同),所以如何在三次点击之内让客户尽可能多买一件显得非常重要。

关联营销的两种类型: 商品因为自身属性相关,比如不管哪个女性客户,买开衫的往往购买外套,购买衬衫的往往购买休闲西裤或者职业裙装,这种关联只跟商品有关。 特定人群相关,比如孕妇会购买跟孕妇需求相关的商品,这种关联只跟特定人群有关。

“置信度”在这里如果用严谨的术语去描述则为:置信度是支持某个关联规则的观测数与使规则的条件部分成立的观测数之比。

当然,仅仅知道“置信度”还是远远不够的,因为单从“置信度”大小上判断商品之间关联强度有可能判断失误,需要借助“提升度”的指标来加以甄别。

至于“1元商品”需要重点解释一下。该电商网站常年推出满298包邮的营销活动,当客户订单金额不足298元时,可拍下页面的虚拟商品“1元商品”,差多少就拍下多少个“1元商品”以便凑足298元达到免邮的条件。

由此,很容易得出一个关联规则:“如果客户购买某某商品,那么他(她)会购买‘一元宝贝’商品”。很显然,从机理上判断,这条关联规则是成立的,但是该条关联规则工作情况有多好呢?单凭从常识上判断,这条关联规则显然效力极差,因为它取决于营销规则的导向,客户若下单的金额在298元附近浮动,购买“1元商品”是必然事件。换句话说,“1元商品”跟任意商品都可能存在关联,跟每个商品的关联程度皆是均匀的。在快消品类目新品上架的两三天时间内,新品销售通常良好,假设有两件商品A和B尤其畅销,势必同时把A和B加入购物车的客户很多,但是A和B本质上很可能并没有任何关联,只是皆因畅销而被客户同时加入购物车的可能性比较大。为了判定类似情况是否再现,我们启用“提升度”来度量关联强度的真实性,排除偶然性。

“提升度”亦可以理解成支持整个关联规则的记录数与期望数之间的比值。

第7章 数据化管理

If you can measure it, you can manage it(如果你能量化,你就能管理)!

数据化管理的定义众所纷纭,难以形成统一共识,但是可以确定的是,相关数据化管理模型早已经蛮声海外,在各行各业发挥着重大作用,且已经成为MBA重要课程之一。

数据化管理的套路:数据监测→数据奇异→发现症状→消化问题→剖析原因→制定方案→解决问题→监测效果,整个工作流对于数据化管理来说,方法皆大同小异;

之所以越来越多的电商企业采用数据化管理,是因为任何一个企业上了规模成了气候几乎都会实施精细化运营战略以便能降低边际成本,粗放式经营方式是不可持续的。

客服团队的排班设计相对简单,只要按照成交金额或者下单量的高峰波段抓住了,则成交效果相差无几,不必精确到具体的分钟级别科学安排班次。同时,优秀的客服被安排在成交的黄金时段,尽管对客服个体或许并不公平,但是对于整个公司来说是公平的,有利于增加销售机会,能达到最优化配置资源的目的。

我们了解一下客服团队“绩效化管理”的相关指标。

  • “转化率”亦称“咨询转化率”,为前来咨询的客户转化效果指标,此项评定的是客服个人的订单转化优劣程度。 以周为基本单位来测算订单转化率会更有代表性,能较好地消除波动性的影响。需要注意的是,售前和售后咨询需要分开统计,以免混淆转化率的真实面目。订单转化率也是排班的重要依据,若把专业技能高的客服放在咨询量高峰波段,有助于提升团队整体转化率。
  • 客单价和客件量
  • 客单价和客件量

需要说明的是,有的客人对点对点的、经常沟通的客服黏度相当大,通俗地讲就是“认人”,这对于规模性的公司是不利的,因为任何一项大规模作业都是标准化的流程,弱化个人的影响力。

实际上,考核指标还有另外一项重要用途,就是用来全面诊断客服能力的短板在哪里,这是团队主管或者经理的职责。

根据我们对人力资源部客服离职数据的分析,我们发现,客服离职的高潮之处有两个:其一是刚入职的前两个月;其二便是入职后的半年至一年期间。第一种离职的原因主要是职业目标不明确,多数属于主观原因,通常公司是难以挽回其离职决心的;第二种离职的原因是公司的环境不适合他(她),没有归属感,一般是公司的客观原因造成的。

供应链的数据化管理是一个系统的工程,非常复杂,每一个环节都会紧密相扣,牵一发而动全身,其核心是数据流、数学模型、IT系统及流程化管理。

供应链数据化管理的目的有两个:其一是为了让过季或者过期的商品在仓库中没有或者少有呆滞库存;至于呆滞库存产生的原因一般是首次下单量过多且后期销量不及预期,还有就是一些应季性商品没有及时或者忘记来年上架,从而变成“死库存”。其二是为了让热销商品及时上架并保证尽量不会断货。

订货预测环节:这个环节一般要保证三种目标必须同时达到,哪三种目标呢?分别是所花费的总成本最少,库存吃进去的总资金最少,在售商品的断货量最少。

订货预测环节就是权衡各方面的因素,在准确数据分析的基础上,作出订货量和订货时间节点的预测。

商品采购环节:商品采购环节,这既是决策的过程(因为商品销量尽管已经预测出来,但是订货量和时间还要受到众多条件的牵制,比如小订单工厂一般不会接,所以只好满足工厂最小起订量或者拼单),更多是执行层面的工作,比如寻找合适的OEM供货商、驻厂跟单等。

采购是否及时审批,是否及时执行,汰换供货商、产品PQA等都需要很强的执行力。

配送商品环节:商品加工一般分成两种形态,一种是自有工厂生产加工;另一种是依托外包供应商,当然也可以两者并存,比如服装品类两者兼容的较多,既能提高供应链的灵活性,又能维持相对较低的平均加工成本。

配送/出货环节经常会出现三种状况:一种是短交,亦即供货量少于实际下单商品数;另一种是延误供货时间;还有一种是产品品质不如确认的小样。

在电商业界,有“轻电商”的言论,但是实际上除了完全第三方平台如淘宝、天猫以外,很难做到真正意义上的轻电商而兼具劳动密集型和技术密集型的特性,一般都有自营业务甚至以自营业务为主,自营业务配送(出货)产品一部分来自渠道,另一部分来自自建工厂。

仓库发货环节:仓库发货的根本目的在于快速反应,把客户订单隔日甚至当天送达,而拣货和质检是仓库发货耗费时间最长的两道工序。科学拣货不仅依赖于仓库员工的专业熟练程度,更需倚重计算机系统的商业智能拣货路径设计。

有些类目比如服装中的羽绒服、皮草之类,供应链数据化管理最大的风险是碰见不可抗拒的外力因素,比如羽绒服出货周期长,因此需要在夏天就准备冬季的货品,而且羽绒服类目成本较高,越来越频繁且无法预测的“暖冬”让羽绒服称为滞销品,这是任何服装品牌巨头都无法根本改变的。再比如在3C数码品类,我们通过数据挖掘发现,整个经济大势越差的时候,电视上配备的机顶盒越畅销,虽然经济是有周期的,但是仍然无法准确预警经济何时发生灾变。

销量预测的三种最基本的方法:应当知道,任何预测如果不是建立在信息充分的基础上,并且数据呈现出明显的规律,使用任何计算机系统、任何高级数学方法都是不靠谱的。换句话说,人都无法预测或者判断的问题,交给计算机处理一定是非常离谱的。 1.平均法预测 2.短线预测 3.长线预测 长线预测顾名思义就是预测的时间范围较宽,几个月乃至一年。 长线预测一般需要按照历史销售量作用力构成的成分进行分解,通常会分解成两大部分:第一大部分是跟随大盘(行业)水涨船高的趋势性;第二大部分是外力作用比如季节性扰动的周期性。趋势性和周期性建筑了整个长线预测的大部分内容,当然还可能有其他因子的影响。如果该因子虽然作用力大但是不够稳定,一般也会选择忽略,否则对于预测模型的鲁棒性(亦即稳定性)是一个隐患。

即使准确预测商品销量也不能轻易确定下单量和下单时间,这里面有很多因素相互掣肘,比如下单量受到目前仓库的库存容量的影响。因此,采购环节的数量和时间节点的确定也有一套复杂的逻辑体系在里面。

真实的供应链补货情形五花八门,个案非常多,需要区别对待,以便总结经验从而补充供应链知识库,最终使供应链系统容错能力和泛化能力(推理能力)更强。需要提醒的是,供应链补货需要精确到具体的SKU,精确到具体商品会过于模糊。

预售补货模型跟现货模式下的补货策略有天壤之别,预售模式是颠覆传统零售行业的利器。当然,不是所有电商都能适合采用预售模式。预售模式在快消品类目且客户忠诚度极高的电商企业使用频率较高。

实际上,销售过程是连续的,但是工厂生产或者下单生产过程都是离散的,都是集中完成的,而这里假设生产过程是连续的是为了在后面最优化补货策略时,需要用到数学上的求导(求导过程要求函数是连续的)。

现在电商拼完价格再拼服务,经过两轮火拼,绝大部分电商企业都会下野。强壮的供应链是做好差异化服务的重要砝码(尽管差异化服务是需要付出很大的成本,但是行业趋势由粗放低级的价格竞争过渡到个性化的服务竞争,转型之痛不可避免),供应链的重要性不仅表现在客户体验上面,而且意味着是否新增或损失了销售机会,尤其是季节性商品,供应链若不够灵敏,销售机会稍纵即逝,无法挽回。

审单目的是检查仓库中是否有可用库存,否则系统不能打印订单;合并订单则是将同一批次客户的不同订单进行合并,减少重复发送包裹的次数;计算机聚类的目的是把相近的订单比如同时含有相同商品的订单集中打印;智能化拣货路径的设计属于较高层次的策略,又分成一次拣货和二次分拣两个步骤。一次拣货是把有相同商品的订单都集中拣货,然后拿到特定的仓库区域进行二次分拣,这在快消品和图书音像品类且订单量较多的情况下,具有相当大的优势,能够有效提高效率。智能化拣货路径的设计,目前尚无大型电商公司有特别突出的成果。

供应链数据化管理是计算机系统和大数据紧密结合的管理方法,所涉及的内容之深,范围之广,影响之深远,业务之覆盖面都是其他方面的数据化管理所不能望其项背的。

商家的促销活动也需要进行数据化管理,其涉及的层面较多,测算销售额天花板有助于应对大型促销活动提前统筹安排,例如仓库人力、客服人力及商品下单量的准确范围(以免造成积压库存),而对最佳促销节点的科学估算是为了尽可能使销售额和利润最大化。

客户通常可以在习惯性购买力水平的基础上最高提升120%的购买水准。因此,如果客户平时购买相同类目的客单价在100元附近,则其最高购买力将可以达到220元左右。

第8章 客户“怪诞行为”研究

单个客户的心理和可能的下一步行为确实很“怪诞”,我们难以拿捏;不过,通过对大量客户的整体研究之后,我们发现客户群体的心理和行为还是有规律可循的。“怪诞”行为学的研究不仅需要对客户心理和行为做深入的观察,还需要必要的统计学知识。

电商模式除了扁平化的结构之外,还能进行大规模的预售,此举不仅颠覆了传统的零售形态,而且对于控制库存也是非常有利的,甚至对于资金的利用效率都是很有裨益的。但是,预售对于转化率是否有巨大的负面作用呢?

统计分析表明,预售对于快消品并且对于客户回头率极高的成熟电商企业是完全可以执行的,但是,对于尚未成熟的电商品牌或者部分不适合预售的品类,预售反而成了一把“双刃剑”,会严重破坏客户的体验。

具有季节性的快消品比如女装,预售时间不宜过久,否则不仅影响客户感受,还会出现大量退货的情况。有的预售商品出货时间若是恰好赶上换季的边缘,客户势必无法再穿了,一定会进行退货和退款。

在快消品类目,不同手机号客单价也有差别,例如186的客户客单价很高,人群占比7.8%左右,且大量身边的案例佐证,使用186号码的人消费力确实非常强。一些在线旅游互联网公司,甚至研究了不同手机号喜欢预定什么类型的宾馆房间,这是高度精细化。如此精细化,究竟能产生多大的附加值我们不得而知,但是类似“手机号经济”的研究领域方兴未艾。

电子邮件常常被用在EDM(EmailDirectMarketing,电子邮件营销)方面,其成本低廉且携带推送给客户的信息量较多,所以是一种广泛应用的营销方式。

与手机号波段类似,我们也能从电子邮件的地址大概推测出客户购买力(如表8-2),例如使用Hotmail及Gmail的客户消费力强且所占比例较多;如此分层现象,是因为客户的工作环境不同吗?还是因为自身习惯不同呢?抑或因为Hotmail和Gmail全球漫游能力可能稍微好一些?我们无从得知还需要做进一步的调研,但是数据表明,使用Yahoo邮箱、Hotmail邮箱和Gmail邮箱的客户,确实有高购买力的属性。

当然,电子邮箱中的秘密远不止此。举例来说,我们每个人尤其是女人,对自己的年龄肯定在意,因为年龄通常对于女人来说可能意味着是否还青春,而对于男人来说,在这个快节奏的社会环境中,年龄则意味着是否还有竞争资本。但是,我们可以通过合规并且含蓄的方式了解客户的人口信息,用来做生日营销,也可以用来推测品牌的客户群定位等,意义比较大。我们通过观察发现,很多客户习惯将自己的出生年月这些隐私信息嵌入在电子邮箱的地址中(如表8-3),我们可以通过一种称为“正则表达式”的数据处理方法把客户的出生年月信息批量捞出来;如果客户量级足够大,规模效应就相当明显了。

在女性消费品领域,品牌的黏性非常重要,同时品牌是有生命周期的,所以客户群体也会有生命周期。老客户逐渐流失新客户不断加入进来,如此便形成了良性的客户簇新陈代谢的过程,这种客户群体内部的动态汰换机制也是品牌的自净化能力。我们需要对客户流失概率进行量化研究,以便作出一些客户关怀和维系的动作来减缓客户流失,从而使客户价值最大化。

首先必须确切理解计算流失概率的目的是什么?目的是为了知道客户过了多久如果还不来购买的话,其流失的可能性有多大。假设第一次购买的客户为新客户,则第1周购买的人数有11865人,只买了第一次而后再未购买的客户为6309人。新增客户数表示第一次购买之后在后面的周别里面又购买了第二次的人数,不重复计算(比如某客户第1周第一次购买,第2周购买则算在第2周的新增客户数里面,如果该客户后续还继续回头购买则不再计入)。例如新客户第1周的流失概率为53.17%,表示有53.17%的新客户只会购买一次;第2周新客户的流失概率为59.98%,表示新客户如果在购物后的第2周还没来购买,其流失概率为59.98%左右。

实际上,新客户(包括老客户)的流失概率分布严格服从数学函数中幂函数的分布规律。

如果新客户大概在第13周也就是天的时候还没有回头购买的话,流失的概率达到80%(大概是80.66%)。

有一个美国数学教授平生最怕坐飞机,他研究了近20年的统计数据,发现恐怖分子携带炸弹上飞机的几率其实非常低,大概是十万分之一,但是他还不安心;他又进一步研究数据发现,两个人同时带炸弹上飞机的几率大概是一百亿分之一,几乎为零,这下教授心情轻松多了。从此以后,每每坐飞机他都自己携带一枚炸弹。

教授的案例就是一个简单的“条件概率”案例,其精义在于“已知了前提条件,接下来发生的概率有多大”。

任何一个行业都必须研究客户的生命周期,譬如说淑女风格的品牌,当客户自身由淑女变成熟女,必然发生品牌定位与客户年龄之间的错位,所以客户一定是有生命周期的。超越生命周期之外的客户,对其进行营销通常是无济于事的,因为固有的品牌调性不足以撬动其购买的欲望。

在回头概率中我们发现客户购买7次是考量其忠诚度的阈值。

在购买两次以上的客户中,当有一半的人离开的时间称之为“中值客户生存周期”,或者称为“中值客户生命周期”,有时候也称作客户的“半衰期”,请结合实际电商案例尝试分析“中值客户生存周期”是多少?

请基于客户生命周期分析客户的购买能量曲线分布。“购买能量”也就是客户的购买能力,估算客户的购买能量是一件很有意思和有意义的事情。

第9章 客户关系管理

客户关系管理的重要性在于能够提高客户黏性,提升回购率。显然,圈养猎物比每天上山打猎要容易很多。

成交潜在客户是CRM的目标之一 CRM是以数据库为基础的 发掘目标群体或者了解客户的真正需求是CRM的重要内容 有效的策略是CRM制胜的关键

不可以在时间轴上人为创造CRM机会,真正CRM不是在时间节点上而应当是在业务节点上顺理成章地创造CRM的切入点,客户的需要才是商家的追求,这是CRM的本质。所以,每隔一周,然后每隔一个月,或者每隔三个月给客户推送一些短信、邮件,甚至一些微信(有的商家使用微信做CRM,不顾客人心理感受总是不断推送给客户并不想要的资讯),不是真正的CRM。

实施CRM需要体现出与客户探讨的诚意,按照时间或者购买次数人为创造CRM的机会,不断用短信、邮件或者其他管道接触会员,其最终的结局,客户是否厌烦我们姑且不论,但是可以肯定的是,CRM对于提升客户在生命周期(或者称为“生存周期”,第8章已有介绍)内最大化购买能量几乎是没有帮助的。

相反,我们应该在订单付款的时间节点、发货的时间节点、货物大致送到的节点、开始配送至目的地的节点、会员等级接近升级的节点(比如即将从VIP等级升级到SVIP级别的提醒)等方面给客户推送服务或者资讯,效果要好很多。

说得更浅显易懂,CRM最忌跟“客户没话找话,没事找事”,一定要充分挖掘客户真正的需求。实施CRM最难的是:猜透客户到底想要什么。这是CRM中最重要、最困难、最神秘的地方,因为这是CRM的核心推动力。而这,又恰恰是客户经常掩饰的地方或者是没有行为和心理留痕的地方。

CRM做得最好的还是传统行业一线的销售人员,包括房地产销售、汽车销售、保险销售、银行理财产品销售等。作者曾经专门研究过这些CRM实战经验丰富的人群,他们善于对目标客户进行分类,并对不同分类的客户提供差异化的咨询和服务,且根据客户价值的大小投入不同的精力(“二八法则”总是屡试不爽的),给客户节日送礼(包括客户本人和家里所有人的生日都记得清清楚楚),每逢节日和生日及时赠送礼物,然后辅以感情沟通,如此整套CRM动作下来,客户流失率极低。

一般通过对收货地址的日志分析,挖掘出哪些地址中带有“公司”、“银行”、“财政局”等关键词的,我们发送模特画册礼品,目的是实现办公室文化分享,更容易产生口碑营销。其他地址赠送手提袋,除非客户有特殊要求,这是常规的。还有非常规的,就是临时发生的,比如一件烫钻的衣服,及时发送短信给购买过这类服装的客户,告诉服装清洗的正确方法,否则很容易掉钻。

CRM之所以是一个系统性的工程,是因为并非依靠某一个奇思妙想的点子或者某一个令人振奋的数据挖掘结论便能一蹴而就,而是不断地潜移默化与客户培养感情从而达到最终提升品牌黏性的目的。不论什么行业,实施CRM大思路务必要有,首先要确保方向和思路不能错了。

加厚数据的方法有哪些呢?通常有四种渠道: 1.收藏有礼 收藏有礼不仅是客户垂直进入网站的入口,而且也可以增加新客户的数量。通过收藏有礼的手段鼓励客户加入浏览器收藏对于扩充数据方面更多是体现在,客户的喜好是什么及其忠诚度。 而对于淘宝和天猫上的卖家,由于涉及到客户的隐私,所以暂时并不开放收藏客户的ID,卖家只能知道收藏店铺的客户数量,但是无法判定客户的喜好及潜在的营销机会。

2.问卷调查 问卷调查是一种可以较全面地获取客户资料并且能自定义的数据库加厚方式,但是问卷调查方式要得体,不应当引起客户反感或者客户填写敷衍了事。

3.EDM EDM即为电子邮件营销,EDM获取客户资料的优点是成本低容易操作,但是响应率常常很低,首先邮件打开率通常都难以超越10%。一般来说,标题的吸引力、客户邮箱的有效性和邮件是否被运营商丢入垃圾箱这三个方面是影响打开率的最重要的因子,除此之外,其他因素影响甚微。EDM可以携带调研问卷的网址,然后通过客户二跳访问问卷的地址。

4.DM 与EDM对应的是自然是DM,也就是直销或者称之为直邮。DM亦可获取客户资料,比如问卷调研内容写在卡片上,随客户所购买商品的包裹一同发送,客户将填写问卷的内容通过电子邮件反馈给商家,记住:商家邮件地址必须简单易记。也许有的读者朋友会纳闷,既然可以使用EDM调研客户资料为何还需要用DM这种相对笨拙的办法呢?原因在于,一方面随包裹发送的问卷不会增加成本,另一方面不是所有客户都留有常用、有效的邮箱,DM是EDM的一种补充性手段。

自定义分层必须有一个分层的宗旨,譬如说按照客户可能贡献的利润大小来进行分层。

分层只是数据库标签的第一步,分层一般比较粗糙,我们还要对客户的自然属性进行进一步分析,比如化妆品类目,有些客户需求商品集中在“祛痘”方面,那么对这样的客户打标签便是“战痘客户”,其他属性类似。

如何快捷、准确地识别哪些客户的包裹邮寄地址是办公室呢?这就需要用到数据挖掘。

公司
大厦
银行
支行
医院
大学
国际
广场
学院
小学
办公
中学
酒店
市场
工业
幼儿园
园区
经济
科技
交警
药房
证券
保险
国税
地产
会所
金融
房产
营销
广电
商厦
居委会
项目
工程
物流
报社
部队
学校
管理
政府
公安
商务
财务
集团
宾馆
售楼
行政
邮政
卫生
药店
设计
办事处
营业厅
专卖店
美容
税务
法院
财政
软件
信用
研究
广播
工商
教育
商业
派出所
资源
艺术
4S
会计
商店
广告
规划
监督
机械
化妆
新华书店
投资
营业部
俱乐部
地质
律师
工厂
诊所
车间
环境
村委会
社会保障
统计局
物价
养生
科研
研发
疾控
健身
电视
供电
国土
检察院
商场
妇幼保健
出版社
银监
批发部
发改委
疾病控制
足疗

知道了表9-4的结论有什么用?至少有三方面的作用: 1.办公室文化分享,强化口碑营销,增加品牌渗透力; 2.从职业上掌握客户的结构层次,比如该品牌银行女性白领比重很大,这对服装产品开发提供了有力的支持,结合金融系统收入相对较高,所以面料尽量少用涤棉混纺(耐磨及容易打理),适当加大档次更高的丝绸成分的服装(丝绸不耐磨,但是银行女性的上班场所决定了耐磨不是最重要的); 3.对忠诚客户进行职业分析,哪些是家庭主妇,哪些是高级高领,为什么有些客户包裹邮寄给公司,有的邮寄到家里,两类客户群的购买力有无显著差异。高收入的家庭主妇和高收入的高级白领两者的诉求完全不一样,出入场合也有差别。

对于同一个品牌,如果客户连续23周没有产生购物行为,客户流失的概率大约为80%;如果连续58周也没有产生购物行为,则其流失概率为100%。

对于成熟、稳定的电商品牌来说(快消品类目),客户使用无门槛的优惠券并不会降低客单价!

对于重新激活的客户要继续观察和跟踪,是一次性购买还是后续回头,本次激活会不会是一次短暂的假象?回头的概率有多大?这些问题都应当作为CRM运作的基本结论了然于心才好。

CRM实施过程势必应该牢牢把握与客户接触的“点”,而全方面的点才能构成服务的面。

这些与客户接触的节点是做好CRM的绝好机会。

解析几何中直线与曲线或者是曲线之间边缘相交即相切总是数学研究者最关注的地方之一;蜡烛火焰总是在略带淡蓝色的外焰温度最高,焰心处温度最低;台风总在边缘处风力最大,风眼的风力为零级;靠近锅边的水总是最先沸腾;电荷在导体的尖端边缘的地方容易聚集;海岸是陆地和海洋作用最强烈的地方。任何自然规律都无法违背,否则势必南辕北辙,互联网形态也不例外。电商便是各种业态的融合结果,同时电商也颠覆式改变所有的商业形态。

客户关系管理商业流小结: 步骤一:知道客户要什么 了解客户真正要什么其实很难,一般通过以下渠道了解: 数据挖掘 问卷调查 忠诚客户访谈 一线客服访谈 分销渠道沟通 业务专家咨询

步骤二:对客户进行分层 主要是基于RFME模型方法。

步骤三:对客户进行分类(属性标签) 情感SNS分类 自定义分类 决策树分类

步骤四:对服务进行分类 服务类型分成常规和非常规两种情况,可以参考前面介绍的KANO方法进行划分。

步骤五:强化客户服务的节点 要对客户服务,首先必须找到为客户服务的机会。 请记住,做CRM把握与客户接触的点非常重要!

步骤六:整合CRM 面向所有的服务节点 对不同类型的客户进行不同层次的服务 评估效果 优化改进 形成商业流程

如何才能精准绘制有价值客户的画像呢?有一种非常实用的方法叫做“决策树”,决策树有可能是商业管理中最有效的手段。

决策树(Decision Tree)一般都是自上而下生成的。每个决策或事件都可能引出两个或多个事件,导致不同的结果,把这种决策分支画成图形很像一棵树的枝叶,故称“决策树”。决策树上的每一个分支都会生成一个“子叶”,无法再细分下去的“子叶”通常呈现出显著的事物规律。决策树是白箱(White Box)系统,意味着可以生成简单易懂的规则,只要顺着子叶往下捋就能发现规则。

建立完善、准确的客户流失预警机制是CRM的重要内容。建立客户流失预警机制的目的: 1.未雨绸缪,对流失可能性较大的、有价值的大客户及时作出预警。我们通过数据分析发现,让一个刚刚流失的客户重复购买比劝说一个流失已久的客户回头购买要容易很多,所以,预警机制的价值之一在于时效性。 2.本节介绍的预警机制还可以帮助客户筛选商品,客户选择过多会感到不耐烦,所以电商企业不能定位成超市,而是精品店。

神经网络的原理简单地讲,就是把客户历史各项行为、人口信息等数据进行自动化的学习,然后自行把通过学习得到的规律保存在神经网络中,这样神经网络就具备了推理能力。由于网络经过训练已经掌握了像人一样具有思考和分析的能力,下次遇到其他的客户,只要朝神经网络中输入客户相关信息,就能预测客户是否会流失。当然,训练好的网络通常不能直接拿来使用,需要进行测试,只有测试合格的神经网络才能用来做预测。

神经网络作为成熟的数据挖掘和大数据处理工具,有很多专门的软件开发出了神经网络,本例使用MATLAB(R2010b版本)训练客户样本,从图9-10可以很清晰地看出,神经网络经过45秒、1360次学习,终于拥有了一定的客户流失预测能力。

需要说明的是,神经网络的训练样本和测试样本必须是两个不同的样本,否则用训练网络的样本再来用此样本测试网络性能,肯定是满意度很高的,但是没有意义。

第10章 数据驱动高级商业案例

人的作用就是赋予计算机以思想和思路,而计算机只需要完全按照人的意志把我们的思路封装起来即可。

一个基于网络爬虫调整页面库存数据的方案。

在电商网站中(也包括各种平台上的专卖店和旗舰店),页面显示的库存或者即便不显示库存只显示是否有货,一定都是基于仓库中可销库存的数量来确定的。比如,仓库中已经没有良品可卖,页面上也许就显示“暂时缺货”;或者,页面上直接显示还剩库存的具体数量,比如淘宝和天猫的店铺一般都这样显示。

由于其他方面的原因,有些商家目前没办法保持ERP可销库存与架上库存数量同步。比如在女装行业,综合考虑到资金利用率、用户体验及货品上新的节奏,不会把ERP可销库存同步更新到架上去,主要是因为: 有的商品预售,有的商品现货[图片]有的商品部分SKU预售,部分SKU现货 现货和预售相互之间不断转化(今天是预售,明天可能就是现货;反之亦然) 预售当做现货卖(仓库中无库存,但是最近几天会大批量到货的) 客户不能及时付款,在拍下三天之内都可以付款,不付款商品释放库存不及时 希望能够尽量多售出一些服装

架上库存调整有什么意义呢?商业价值很大尤其是在快消品类目的预售模式下。举例来说,如果架上库存多于ERP系统中的可销库存,一定会发生客户付款购买商品但是没有货可发的窘境,这就是“超卖”。超卖的后果不仅会影响客户体验,还可能触发遭客户投诉的隐患。再比如,商品处于正常的销售周期,并且前一段时间销售量还不错,但是因为各种原因下架暂停销售,而店铺管理员或者运营员工很难及时发现,尤其是在SKU数量很大的情况下,如此会造成销售机会的白白浪费。还有断码或者断色的情形,网站或者店铺详情页显示商品确实在卖,但是会有一些明明有可销库存的SKU漏掉了,这也需要及时调整,错失销售季很可能变成呆滞库存。

这时候需要多爬几次,通常第一次没有成功爬取数据,第二次基本都能获取网页信息,除非是网速极度不给力或者网络爬虫被反制。

网络爬虫涉及到一个称之为“Robots.txt”的文件,它是一项协议而不是一项命令。Robots.txt是搜索引擎访问网站时要查看的第一个文件,Robots.txt文件目的是告诉爬虫程序在服务器上哪些文件是可以被查看的,哪些文件是不可以被查看的。举例来说,电商网站如果修改Robots.txt文件,不开放重要信息被爬虫抓取,这就是对爬虫的反制措施。那么,专门用于电商比价的搜索引擎抓取的信息就缺失了。如果网站的Robots.txt不存在,则爬虫可以访问除口令保护以外的所有页面信息。

淘品牌资本化运作有两种方式:其一是IPO;其二是IPO以外的融资。虽然,淘品牌上市的呼声甚嚣尘上,但是能够真正上市的或者达到上市条件的淘品牌可能没有抑或屈指可数。淘品牌存在两方面的先天不足:

  • 品牌溢价水平低
  • 传统金融估值模式与淘品牌持有者之间几乎难以达成共识

淘品牌很多说到底是“皮包公司”(业界称之为“轻电商”),财务信息不透明,没有固定资产,商业模式同质化严重,缺少讲述故事的能力和颠覆式盈利的想象力空间,存在严重依赖平台流量的隐患。

再说说IPO之外融资的可能性,此种方式的融资有两种:股权投资(PE投资和VC投资)及贷款融资。股权投资溢价问题首当其冲,而且融资之后,淘品牌多数草根属性决定其即便得到了股权投资,如何运用资本的力量开拓疆土亦经常迷惑甚至束手无策,资金利用率很低,一般淘品牌融资被用来充盈团队、加大订单量、自行研发IT系统等,但是企业管理能力羸弱。

传统金融风控体系基本上断绝了淘品牌去银行贷款融资的可能性。除此之外,淘品牌的现金流存在于支付宝中,如何及能不能监控支付宝中的现金流也是难题。

规模较大的电商公司都需要一个强大的数据驱动团队,部门名称可能不一样,有的叫数据部,有的叫数据营销部,有的叫运营支持部等;另外,数据驱动团队也可能与市场部、运营部、或者IT部结合在一起,这样的好处是有利于深入接触到一线的业务。

在作者曾经的团队中,做数据驱动的岗位优先录取管理学专业,或者是市场营销专业,统计学和数学出身的占比很少,因为作者以为,不懂业务就没办法很出色地完成数据驱动工作。作者曾经问一个知名互联网旅游公司出身的数据分析师一个问题:你认为到目前为止,你做过最有价值的数据分析结论是什么?他想了一下告诉作者:机票的售价与航班时间的远近直接相关。我一下就懵了,这不是常识吗?类似的事情作者还碰到过许多,深感不了解业务很可能会陷入纸上谈兵的怪圈。

还有一类人,非常了解业务,能针对业务提出很多具体的、前瞻性的数据化管理和运营的思想,尽管他/她不懂数据处理技术,不过这不要紧,数据驱动最重要的是深度了解业务,技术实现相对而言通常都不会有大问题。

真正的数据驱动是跟业务绑定在一起的,单纯写数据分析报告的分析师不算真正的数据驱动者。

如果分析师认为数据驱动的主要目的是汇总报表,然后根据报表配上几句话那就大错特错了,说明对数据驱动的理解还差得很远。数据驱动不是简单图形加文字的漫画。

电商的信息透明化,数据中暗藏玄机。数据之于电商行业是一座金矿,目前形势是,大部分人看到了金矿的方向而没有卓越的方案去开采。


文章目录