“聚划算”的智慧营销

阿里巴巴集团C00张勇说:“天猫‘品质’、淘宝‘万能9聚划算‘活力’。”聚划算就是阿里巴巴和所有商家的“倚天剑”,曾任大淘宝CEO的张建锋说:“聚划算本身没有商户,它的商户是从两个平台里面选的,可能是淘宝可能是天猫。”聚划算最核心的价值就是它有非常强的规模化的能力,走量。销售模式是一个金字塔,顶层是聚划算这种团购模式。第二层次是一段时间之内销售很多商品,卖光为止。第三层次是平台模式,如天猫、京东。团购是在金字塔的塔尖,有非常强的出货能力。有些商品需要短时间内的出货能力,特别是生鲜类。可以说聚划算是整个集团业务里最顶尖的销售方法。但是天猫、淘宝、聚划算,是一个有机的配合的过程。聚划算网站是一个体验式营销平台,以聚新品、量贩团、商品团为主,致力于给买家提供极致性价比的商品,以有限的商品打造热门商品,支撑平均每日高UV(Unique Visitor,独立访客)访问下的高成交额和高售罄率。

大数据有两个强项:一是挖掘好的,二是发现坏的。随着聚划算的高速发展,这两个问题衍生出越来越多的大数据解决方案。举例来说,好的方面,通过数据算法自动挖掘出好的招商商家与商品,根据兴趣点推荐给最合适的消费者,提高平台销量;坏的方面,对虚假订单进行监控和预报,识别秒杀器等作弊现象,更快更恰当地辅助运营处理纠纷。

聚划算平台整个业务流程可分为两部分,“招商”和“交易导购”。招商系统主要根据一定的策略和工作流程,选择出合适的商家、商品。交易导购负责在某一时间段内,进行前台展示,引导买家购买。聚划算一直在做数据化运营,利用大数据来决定招商与导购。聚划算的量特别大,备货、生产,都要一定的周期,这个周期导致很多时效性强的商品没有确定性就不敢去备货。大数据给这个平台带来了很多变化,能够在一定程度上降低卖家的风险,根据卖家申报的商品合适与否进行销售预测。大数据让聚划算知道,什么价位能卖出多少此类商品,这是传统企业没法知道的。所以聚划算员工会跟卖家做进一步的沟通:产品要做哪些改变,定在什么价位。机器给出选择,人工进行最终审核与确认。

1. 商家端:数据化招商

在商家端,聚划算的整体运营发展路线,是从“人工”到“积累数据”,从“数据”到“模型”,从“模型”到“自动运营”的过程,经验积累数据,数据养起模型,运营越来越精准高效,历史数据判断哪个品类销售最好,预测未来销量,给出最优商品选择,审批人确认决策,商品团基于数据自动化运营,品牌团由数据支撑发挥运营创新性。

1.1. 聚划算的招商流程

如图 1 所示,聚划算的招商流程包括活动管理、品类规划、招商报名、报名审核、排期发布5个环节,却存在因为人员经验等差异化因素导致的审核质量问题、招商与导购效果问题、运营能力沉淀问题、小众品类发现速度问题、人工审核量太大等问题。所以在原有人工流程中,以“去运营化”作为突破口,加入了模型支撑,依靠接入各种数据模型,自动化执行品类规划、报名审核两个步骤,由活动管理提供模型输入(坑位数、品类范围等),模型根据要求跑出数据,自动生成品类规划、发起商家/商品的邀约报名。

图 1 数据运营招商流程图

招商架构图如图 2 所示。

图 2 招商架构图

在整个招商流程平台上,规则引擎、数据模型、数据平台三个组成部分十分关键。

(1) 规则引擎:是针对各行业类目的数据化运营“执法者”,贯穿整个参聚商品的生命周期,既要融合准实时系统与离线选品模型,又要兼顾运营规则管理的灵活性、实时性、简单性,而且降低离线模型对规则的在线依赖。

(2) 数据模型:是整个环节的核心、数据支撑的重点,关键数据环节包括数据类、工具类、算法类,数据类平台需要连接多个来源的数据,并提供基本数据查询、统计、展示和数据再加工等功能:工具类包括人群分析、市场分析、报表系统、人工选品等,需求是能够定制各种维度或组合的数据或数据报表;算法类包括主题挖掘、算法选品、潜客挖掘、主题创意、投放优化等,这类需求一般要根据业务的特点建模和优化,尽管需求不同,但底层的算法模型和基础数据具有共性。

(3) 数据平台:提供完善的基础选品维度,以及快速整合数据资源,响应数据需求的能力是做优整个选品流程的基础,主要提供4种视角的基础维度特征。

①商品维度特征:基础类特征(行业、类目等),浏览成交类特征(浏览、收藏、加购、购买及各项转化指标),运营服务类特征(上架时长、包邮退货服务、品牌授权等)。

②卖家维度特征:基础类特征(主营类目、店铺类型、星级等),浏览成交类特征(浏览、 收藏、加购、购买及各项转化指标,笔单价、客单价等),运营服务类特征(开店时长、熟客率、 动销率、DSR评分、有无消保等)。

③图片维度特征:基础类特征(宽高比、边框宽度),颜色显著类特征。

④行业维度特征:店铺在行业下的老客复购率等。

1.2 数据应用(请详读原书第83~85页)

......

2. 消费者端:数据化导购

在消费者端,推荐“好宝贝”的方法主要是两个场景,基于搜索和非搜索推荐,前者是淘宝主搜的方式,后者是聚划算的重点。因为消费者登录无线端3〜5min如果找不到喜欢的宝贝就离开了,所以个性化的首屏展示十分关键。聚划算致力于将最适合消费者的商品主动推荐过来,并提升大流量在商品列表、详情页的订单转化率,基于偏好推测你最想看到什么商品,以及商品与商品之间的关联推荐(啤酒与尿布相关性),在商品详情页、付款成功页“趁热打铁”推荐更多相关宝贝,促进“交叉销售”效果。在无线端,比较私密的场景下,根据用户喜好等个体因素主导,将数据理论与业务经验相结合,独创在线学习的“马虎算法”,使用个性化展示,将多个团队开发的在线学习、个性化等算法融合,不断优化不同场景下的数据推荐策略,成功将转化率大幅提升。在PC端,注重调性与氛围,采用类似天猫的“赛马” 机制,根据宝贝的历史表现(点击率、销售额等多项复杂因素),即某一时段的销售情况,将评估潜力足的宝贝往前排放展示,同样将订单转化率提升了很大比例。

聚划算每天收集到很多有价值的数据,日成交UV和成交订单已经超过百万,超过千万的浏览UV,用户的行为可以成为数据驱动开发很重要的切入点,在此分享一些有趣的数据发现。

2.1. 购买前的踌躇

博弈论中有这样一个观点,“消费者的购买冲动是随着对商品接触次数的增多而减弱的”。也就是说,如果能让用户一时冲动就买下商品,成交的可能性会大大增加。当用户对商品了解越多,接触越多,也许一些负面的东西就留下来了,便无购买意愿。当然,用户对商品的多次试探,其中的原因可能也很复杂,也许是预算不够,也许是本身就没有这个需要,那么如此一来他也可能不会加入“购物”的大军。提取某天的聚划算PC交易数据,并整合了当天的浏览数据,就成交前的用户浏览次数和决策时间进行分析,如图 3 所示。

图 3 成交前商品详情页的浏览次数

从图 3 中可以看出,绝大部分用户是“冲动型”的。90%左右的用户,在三次浏览以内,就完成了下单和付款。浏览次数的加权平均值是3. 0,浏览三次以内成交的占比为 89. 4%(占有浏览量的订单总数)。

图 4 是用户在下单付款前的“决策时间”分布图。这里所谓的决策时间,就是下单时间与当天第一次浏览的时间差。主流的详情页决策时长在1~5min(50~300s)。时长的统计和浏览次数很不同,时长分布曲线是急速上升后缓慢下降。后面有很长的尾巴,说明决策时间在消费者中差异比较大,用平均值(平均值1340. 8s)作代表的意义就不大了。

图 4 成交前决策时间分布

在完成以上两个简单分析后,有一个问题一直困扰着数据分析师,在交易和日志记录中,每天存在着约5万~8万没有任何浏览记录的订单(这个数字在查询日志扩展到成交前一天后依然没有太大的变化)。在数据团队讨论后,做出了两种猜想:一是有一些用户在手机端加人购物车,然后在PC端进行的付款,无法完整跟踪;二是有一批“专业”的刷单账号,通过聚划算的直接购买链接(buy_item_action)采用机器下单,批量作弊。于是数据专家对这些用户产生了兴趣。

2. 交易行为聚类(请详读原书第86~88页)

......

3. 聚划算秒杀反作弊(请详读原书第88~90页)

......

3. “聚划算”的数据价值

1. 业务价值

通过大数据算法设计与优化,将聚划算订单移动端转化率提升了 20%~30%,PC端转化率提升了 10%以上,零秒订单减少了 65%以上,极大地提升了商品销售量,大幅降低了作弊比例。

2.产业价值

为移动电商、在线团购营销,提出了数据营销、数据招商、数据反欺诈的创新模式,为 DT时代的产业形成行业应用标杆,具有良好的商业复制价值。

3.社会价值

保障消费者公平、便捷、舒适地享用电商团购服务,保护了优质商品和信誉良好商家的商业利益,培育更健康的电商市场秩序,DT社会化应用功不可没。

大数据是“互联网+”浪潮下的重要产物,也是推进“互联网+”战略的关键技术。

清华社《数据:引爆新的价值点》分为4篇,共10章,搜集了来自互联网企业、运营商、旅游、交通、电力、税务多个领域的真实案例,通过理论概念和应用案例相结合的方式逐步展开。建议购买纸书阅读学习。

书名:大数据

作者:孙静, 主编

出 版 社:清华大学出版社

定价:¥45.00

发表评论
留言与评论(共有 0 条评论)
   
验证码:

相关文章

推荐文章

'); })();