前言
我的一个经济学老师的研究领域是定价,在一次交流中,他开玩笑说如果有一个经济学家能把定价完全解释明白,他就会获得诺贝尔奖。
经济学中的定价模型是数学的最优解,但是业务中的定价则考虑的变量更多,且环境更加复杂。
我曾做过电商运营,其中很多的工作内容是研究竞争对手的价格以及企业商品的价格调整。
当时做的时候如同无头苍蝇般乱撞,在实践和阅读后,想要浅谈电商运营中的定价和业务增长之间的关系。
在战争中学习战争,实践是最好的老师,当然不需要所有事情都要自己去经历。
实践、学习和复盘三合一是成长的最好办法。
本文分为“定价的业务场景”、“定价产品的结构”以及“定价与认知能力”三个部分。
定价的业务场景
本文讨论的电商企业定义是在一个平台经济下作为商品销售的店家。
电商企业在定价商品的过程中有三个业务场景,分别是“提升单价促毛利“、”精准降价促销量“以及“提升单价维供应”。
其中商品分为三种,一是自产自销,二是贴牌代工,三是代运营。
这三种业务场景对应不同的运营策略,其中场景的使用范围可以进一步定义为两种,一是根据业务的成长周期,二是根据商品的产品组合利润最大化。
在业务的成长周期上,一般来讲,业务的成长初期是规模增长,会通过低价去打销量。
平台的算法模型以及人性的消费行为会趋向销量多的产品。
但是这里潜在的风险是对品牌价值的损害。
如果一个品牌在最初就通过促销和降价提升销量,则在消费者的心智中品牌就是一个廉价的商品,不利于后期对毛利的追求。
针对这个问题,可行的解决方案有两个。
一是品牌的定位就是“价格敏感人群”,从长期来讲就不追求高毛利的溢价销售。
二是品牌中部分的商品进行低价销售,在前期积累流量和人气,在后期毛利的指标中,通过推出高毛利的产品对冲低毛利的低利润甚至亏损。
在业务的成熟期,增长变缓,利润成为核心指标,因此在选品侧会重点选择毛毛利的产品。
但是在成熟阶段的店铺存在的问题是流量是平台所有的,为了维持高曝光,过往的高销售以及通过运营提升的店铺评分只是流量分发中的一部分,所以不得不持续购买流量和广告。
从这里我们也可以理解为什么可口可乐这种快消企业尽管已经业务成熟,但是每年依旧会花费大量广告费用去维护流量和用户品牌心智。
在我自己的实践中,第一次独立直面业务,通过负责特定城市的百家店铺进行增长。
但是可惜的是,由于缺失有效方法论以及618的到来冲击即时电商的发展,在实践的过程中,没有拿出很漂亮的答卷。但是其中的一些问题值得思考。
影响电商的定价分为供应和需求。
在供应侧,假设我们是代运营企业(低于市场价的价格获得商品,在店铺进行销售,可以理解为线上的经销商),影响我们定价最大的因素在供应端是我们的进货价格。
在实践过程中,需要根据市场的情况按照一定周期跟采购沟通确定需要购买的商品数量。
在需求侧,我们调整价格的依据有两点。一是竞争对手店铺的价格,二是市场上的需求反应情况。
因为我们是代运营商,所以商品的供应不是独家的,可能竞争对手能拿到比我们更低的价格,因此在价格战上可能我们不具备优势。
在电商行业中,大部分的用户都是价格敏感性的,因此价格是用户判断购买的重要因素之一。
在市场上的需求反应情况,用一个最简单的模型是经济学中的供求模型。
一般来讲,在电商中,除非拥有独家的或者特别的商品,不存在供应不足的情况(目前是供应过剩)。
常见的情况是清库存策略,也就是商品无法销售出去。
总结:讨论了三种定价的业务场景,三种商品结构,以及可能存在的风险以及解决措施。
定价产品的结构
上文分析了定价的业务场景,如果我们运营的是一家店铺且销售额是可把控的,那么我们通过人力可以进行定价数据分析、活动上新以及商品调整。
但是如果对于一家专门做电商的代运营企业,或者SKU较多的单一店铺,使用手动调整定价以及人力判断定价逻辑,有一定的不合理之处。
不合理之处分为两个部门,一是人力资源的投入,可能会降低人效比,二是通过人力手工无法判断过于复杂的定价和商品逻辑。
故这个部分想要讨论的是算法与定价。
算法和定价多用于平台,对于电商企业使用算法来定价,则需要业务发展到人力无法直接管理的阶段。
在定价算法产品系统的搭建中,整体的架构分为四层:
1. 数据层:
数据层包括两个数据类型。一是商品的采购数据,二是商品的销售相关的数据。商品的采购数据包括几个重点,采购价格、采购地点、采购方等。商品销售数据包括几个重点,商品销售的毛利、价格。用户画像上可以实时看到用户购买的时间,以及地点(生成热力图)。潜在的风险是数据存储的成本和安全。此外API接口是否可以直接与平台方相连接,需要商务与平台谈判。如果不能直接调用在平台中的自己店铺的信息,则所有逻辑不成立。
2. 后端系统:
后端系统开发的重点在于数据分析的整理,根据业务的需求进行算法模型的调整。以及整个定价算法产品的底层架构。
3. 数据准确度测试和校对:
需要检查数据的准确性以及模型的科学性,如果数据有误或者算法模型逻辑不对,则会影响后期业务的分析和判断。
4. 前端使用:
前端使用在于数据看版的自动化生成,此外,可以生成建议的定价范围以及逻辑。此外,商品的销售报告直接生成的话可以避免人力调用数据库整理excel的麻烦。
(传统的数据分析路径)
(理想路径)
在一次内网中看到的定价文章中,作者将定价算法产品结构可以抽象地分为三个:定价感知层、定价策略层以及定价工具层。
定价感知层的定义是感知会影响策略的效果,错误的感知能力导致业务的判断失效。
在《思考,快与慢》这本书写道,人的思维模式有两种,一种是快思考,另一种是慢思考。
在快思考中,人会根据直觉进行判断,在慢思考中,人会用较长的逻辑判断。
大部分时候,人的思维都是快思考,这个也就是感知能力。
定价尽管有算法模型的帮助,但是最终的判断是人去做,在判断时存在快思考的可能性。
定价策略层指的是模型根据不同的情况给出价格的调整运营策略。
定价工具层指的是在看板中存在的标签、数据工具以及操作界面。
算法的内核是输入、分析以及输出,业务定价的判断目前依旧是人工判断和机器判断的结合。
定价与认知能力
我认为任何领域和行业的工作,方法论是短期有效的,认知能力以及分析能力是长期有效的,且是可以逐渐积累的。
按照中国传统的说法,这是道与术之间的关系。
术指的是运营或定价的方法论,在经济学中是数学意义上的最优解,在电商中是策略的搭配。
道指的是实践、学习、思考和复盘,无论遇到什么场景都能快速解决能力。
那么如何培养术?比如电商中的淘宝大学、b站的课程以及学校的课程方法论。
如何培养道?长期的阅读和积累,不断的实践和反思。这个是长期的工作作用也是长期的。
定价的认知能力也是如此。
总结
本文浅谈了电商运营中的定价和业务增长之间的关系。
分析的思路有“定价的业务场景”、“定价产品的结构”以及“定价与认知能力”三个部分。