发布时间:2022-05-18 05:00:01源自:https://www.it-th.com作者 :it谈话网阅读(351)
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。
电商平台选品推荐。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)
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。
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。
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。
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。
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。
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。
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:
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。
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~)
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。
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。
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:
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
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
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
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:
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:
例如盒马将线上和线下表现合在一起创造坪效奇迹
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。
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。
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。
-END-
欢迎分享转载→ 电商选品策略——新零售篇