数据化运营之商品数据化运营

数据在商品运营过程扮演着非常重要的角色，从销售预测到库存管理，从商品结构优化到动销管理，从捆绑策略到捆绑组合等各方面都需要数据支持。如何在海量商品数据和复杂的用户购物需求中，通过数据来发现销售规律已经成为商品运营的关键。

商品数据化运营关键指标

主要包括：销售指标、促销指标和供应链指标。

销售指标

订单量/商品销售量
订单金额/商品销售额
每订单金额/客单价/件单价
订单转化率
支付转化率
有效订单量/有效订单金额/有效商品销售量/有效商品销售额
订单有效率/废单率
毛利/毛利率

促销活动指标

每订单成本/每有效订单成本
每优惠券收益/每积分兑换收益
活动直接收入/活动简介收入
活动收入贡献
活动拉升比列

供应链指标

库存可用天数
库存量
库龄
滞销金额
缺货率
残次数量/残次金额/残次占比
库存周转天数

商品数据化运营应用

主要应用场景包括：销售预测、库存分析、市场分析、促销分析

销售预测

未来一周会产生多少商品销售量？
如果给销售部门50000促销费用，预测可以带来多少订单？
下个月估计能产生多少毛收入？
等等

库存分析

当前的商品结构如何？是否有合理的广度与深度组合？
库存中滞销商品金额多少？滞销时间多长？
当前M商品的可用天数是否能满足促销预期？需要补多少货？
平均商品库龄为多少？如何提升商品周转并降低库龄？
如何设置安全库存警戒线？
如何管理季节性库存商品，以满足季节性促销活动？
如何找到大龄库存商品并合理安排销售周期，防止商品过期和过季?
如何找到最佳的库存位置，以实现更高效的商品分练、包装和出库？

库存分析关键是找到脱销和滞销的平衡点，以在不变的库存状态下，最大化地满足商品周转并降低库存资金占用

市场分析

新产品的市场容量，预测销售量为多少？
用户对新产品的关注点，最满意和最不满意在哪，用户需求是什么？
新产品上线，定价多少合适？
竞争对手是谁，各自的优势与不足在哪，差异化优势？
产品现在定价为4800元，预计3个月后售价为多少？
不同地区用户对产品的预期需求有何不同？

促销分析

如何制定打包和组合策略？
如何制定向上销售策略，购买了家电的用户下次还可能购买什么？
促销资源分析，活动目标销售额为50000元，预计需要多少促销费用？
如何指定精准商品推销或推介，目前有10000件商品需要清仓处理，如何快速销售出去？
恶意、作弊订单检测与分析
促销方式分析，应采取何种促销方式，最有利于销售额提升并总体销量最大化？
商品定价，对指定商品，应制定的促销价为多少销售额最大化需求？
商品陈列分析，如何摆放商品位置，才能使得促销连带的销售额最大？
组合方式方式，大型活动应怎么把不同的促销方式和折扣手段结合，以促进最大活动收入？

商品数据化运营分析模型

主要商品运营分析模型包括：商品价格敏感度模型、新产品市场定价模型、销售预测模型、商品关联销售模型、异常订单模型、商品规划的最优组合模型

商品价格敏感度模型

促销活动时是否应该包含M2商品？
当商品M3提价100元时，订单量会如何变化？
商品详情页的参考定价应该定价为多少才能让客户感觉已经降价并触发下单动作？
满减、满返、跨品类优惠券等那些方式最适合指定商品？

1）调查问卷法
2）数据建模法
收集不同价格下的销售数据
数据建模分析
注意：价格敏感度模型虽然主要关注的是价格与销售量的关系，但仅凭价格做回归往往有限，销售量还可能受其他很多因素影响，因此，变量还应包括商品信息和客户信息两类变量，在控制这些干扰因素的前提下做回归模型会更好

新产品市场定价模型

新产品市场定位分析可通过基于相似度的方法实现，如KNN，需要注意的是KNN模型数据预处理时必须进行数据标准化（聚类算法也是）

销售预测模型

基于时间做销售预测–时间序列模型
基于回归做销售预测–回归模型
基于分类做销售预测–分类模型

商品关联销售模型

关联模型–Apriori
注意：关联模型的数据不同于其他，一般分为以下3种：
事务性交易数据
合并后的交易数据
真值表格数据

异常订单检测模型

基于监督式的分类模型
基于分监督的算法，如：OenClassSVM

商品规划的最优组合模型

基于运筹学–线性规划
可通过scipy.optimize.linprog、pulp等库实现

商品数据化运营分析小技巧

包括层次分析法、假设检验、BCG矩阵分析及4P营销理论

1）使用层次分析法将定量与定性分析结合
2）通过假设检验做促销拉动分析
在做运营效果评估时，往往第一步就是判断运营效果是否显著，在做这种结论定性时，往往可以通过假设检验来做显著性检验，常用假设检验如下：
卡方检验：非参数检验，适用于布尔型或二项分布数据，基于两个概率间的比较
T检验：参数建设检验，适用于数值型数据，总体要服从正太分布，小样本（n<30），总体标准差未知
F检验：又称方差齐性检验，检验两种样本方差是否相等，后可以接着做T检验
U检验：大样本（n>30），检验随机变量数学期望是否等于某一已知值，适用于n样本较大，服从正态分布
Z检验：大样本（n>30），比较两个平均数差异是否显著
方差分析：分析2个以上群体的计量型数据，条件：正态分布，方差齐性
3）使用BCG矩阵做商品结构分析
4）使用4P分析建立完整的商品运营分析结构
产品：质量、外观、样式、皮牌等
价格：基本价格、促销价格、付款价格、毛利等
渠道：分销渠道、供应链、物流等
促销：广告、营销、促销活动等
实际中，还包含：人员、资源、流程和机制等商品外因素

商品数据化运营分析的一些内在本质

1）为什么要低价促销？
扩大市场占有率
树立品牌形象
获得更有力的店铺排名
新产品推广
去库存
薄利多销
组合销售策略
2）促销活动真的是在促销商品销售吗，为什么需要做促销活动？
如果本企业不做促销活动，那么客户消费需求可能被竞争对手的促销活动给吸引走，必然会造成本企业的订单与销量的下降
很多用户已经养成了“促销订单习惯”，若没有促销活动为载体，企业就会减少与客户的沟通机会，导致客户流失
出于市场声量的考虑，促销活动也意味着市场宣传，用于吸引客户、增加企业信心、提高销量，否则会慢慢在市场失去用户关注度
销售方式单一的无奈选择，运营方式的单一，缺乏综合性、强粘性的运营策略，只能依靠促销来销售
3）用户关注商品不一定就是要购买的
用户希望从收藏的商品来获取更多信息
用户心里预测是购买更好的商品
用户目前购买力不支持目标商品
现阶段还没有如此高的购买力，但在未来可预期的时间内可以达到
目标商品突然高于自身购买力，或由于某种原因导致计划资金的占用
4）提供的选择过多反而不利于商品销售
解决办法–个性化推荐

参考–《Python数据分析与数据化运营》–宋天龙