編輯導讀：在互聯網 引領的新時代，數據作為驅動的新能源，賦能商品運營，為商品運營帶去新動力。本文從對商品運營、數據分析在商品中的營銷落地展開陳述，并列舉相關分析方法，給讀者最真切的閱讀體驗，一起來看看吧。

一、什么是商品運營

商品運營是圍繞商品做全生命周期的管理，包括開發期、新品期、成長期、成熟期、以及衰退期。

在這個過程中，總共分成三個業務單元：企劃、供應鏈、運營。

「企劃」是根據市場需求、品牌調性、競品情況來制定新品，并通過包裝等營銷手段，引導顧客進行場景化消費。「供應鏈」在這里更多是庫存管理、物流發貨。當然也是不可或缺的一環，比如配合運營觸達玩法，在發貨包裹中夾帶精準推薦商品卡片等。除此之外的都是「運營」范疇，比如在電商平臺配合平臺運營根據人群、場景進行選品，跟蹤、監控產品表現，及時調整產品定位并匹配安全庫存。

接下來我們跟蹤一款產品的生命周期流程，看它是如何從誕生、到成長、到最后退出舞臺的。

1. 開發期 —— 商品企劃

對于品牌來說，在商品上市前，就需要洞察消費者需求、行業趨勢、競品動態、近期熱點等，結合品牌調性，綜合考慮后才能選好合適的商品。

比如某電視劇開播就上熱搜，劇女主DIY手鏈在B站評論區好評如潮，此時作為珠寶公司的企劃判斷有較好市場，當即研判該電視劇目標人群符合品牌調性，則著手策劃電視劇同款新品。

2. 新品期 —— 種草造勢

在新品上市前就可以開始到小紅書等社區找達人KOL發內容進行種草，或者與跨界品牌聯名制造話題吸引關注。

當然，根據品牌自身定位、資源，有不同打法：

對于成熟品牌：可以利用頭部資源引爆話題營銷對于人氣新銳：可以借流量明星抓牢粉絲破圈而對于大部分的零資源品牌：同樣可以通過針對性內容提高種草力

3. 成長期 —— 打造爆品

站外的種草造勢配合站內新品發售渠道拔草，通過利潤折讓，把銷量沖到榜首，進而拿到更多平臺分發的流量，再加上一點運氣因素把新品打造成爆品。

此時爆品的作用在于補充現金流，同時還能為店鋪帶來可觀的流量。

當然不是說爆品就等于引流品，同樣也存在高價產品直接能為店鋪帶來利潤。

該階段注意供應鏈庫存的支撐。

4. 成熟期 —— 運營收割

此時，除非是具有不可逾越門檻的商品，否則市場競品都會迅速跟上發布對標新品，品類競爭加劇，銷量放緩。

為鞏固先發者優勢，品牌一般會在品類上橫縱延伸，衍生出同風格或主題系列。

或者通過場景化營銷，引導顧客購買爆品的同時，搭配購買其他商品，實現連帶銷售，進一步挖掘剩余紅利。

5. 衰退期 —— 清倉促銷

可能因為廉價替代品的出現，可能因為IP熱度消逝，也可能因為內部結構調整，很多原因都會把商品帶到這一階段，曾經的爆品就不香了，產品逐漸被市場淘汰。

擠壓在倉庫的庫存就成了成本費用，需要通過會員贈禮、折價促銷等方式進行清空，為下一個爆品騰出空間。

二、數據分析在商品運營的落地

前面是對單個商品以線性思維討論生命周期，但是在實際業務會更復雜。

因為面對成百上千乃至上萬的商品，以及變化迅速的市場行情、競品招式，人工的思路已經無法滿足品牌發展需求，需要借助數據分析的工具，賦能商品運營。

開篇時候說商品運營由企劃、供應鏈、運營組成，那數據分析同樣是與這三個業務單元配合開展。

1. 企劃

新品開發其中的一個開端可以是由應對競品的策略帶來的。

假設小米發布了可以短距離空間無線充電的手機，大受市場關注，則作為它競品的華為、OV等品牌為了保住市場會采取措施，發布同樣功能新品，或者發布劃時代意義的產品降維打擊。

數據分析在這個過程中，則是通過競品分析來落地。

通過此消彼長的市場份額變化、品類占比、價格趨勢、或多指標聚類等分析，洞察競品在產品上的策略趨勢，以提供應對建議。

在天貓平臺，情報通工具可以獲取競品的單品銷售數據。通過對價格與品類交叉分析，發現A品牌的洗發水正往高端發力，B品牌則盤踞低端入門品類，若我司計劃開拓洗發水品類，可建議從中端市場介入。

接下來再結合分析該市場價位、人群、競品等維度，給出更具體建議，例如：

競品的爆款分析：是否要從產品風格突破、差異化突破、客單價突破；競爭對手定位：如何超越競爭對手，從營銷上突破；主推款的更換突破；店鋪促銷方案的突破；店鋪文案設計的突破；競爭對手推廣渠道：競品是通過什么渠道做的可以，付費、免費、站外、直播、活動。

2. 消費者洞察

爆品都是洞察消費者心理的成功案例，比如瞄準年輕人“養生蹦迪”心理，推出 “無糖、非碳酸飲料”的元氣森林，迅速搶占市場，一躍成為國內的網紅飲料品牌。

做消費者洞察的渠道主要通過內容社區(如小紅書、微博)、APP聯盟(基于消費者手機裝的app來推斷用戶畫像)、自有數據的平臺(如天貓的數據銀行)等。

這里介紹一種利用社交平臺洞察消費者的方法：

Social Listening社會化聆聽，此方法與做用戶研究的VOC Voice of Custimer 用戶之聲相似，簡單來說就是基于社交媒體，通過文本挖掘方法洞察用戶的心理。

它不僅用于產品企劃階段，在后續的營銷傳播也大有用處，比如對競品做聲量分析、了解網友對品牌的吐槽并推出解決方案等。

知乎的蘇格蘭折耳喵大神詳細介紹了其中一個實踐方案，需要一個心理學方法和一個用戶動機分析工具實現：

1）心理投射分析方法

比如以前網易做的榮格心理學測試，就是一種心理投射：不同場景下用戶的選擇動作，代表著特定的心理暗示。每次的選擇都會生成一個標簽，最后再結合分析模型從這些用戶標簽信息中獲得情感洞察。

2）Censydiam用戶動機分析模型

馬斯洛需求理論是最著名的用戶需求分析模型，它將人們的需求分為生理需要、安全需要、社會需要、歸屬需要、自我實現五個層次。

但是馬斯洛需求理論存在一個Bug：是否在經濟蕭條人們溫飽(生理需要)受到威脅時，高端品牌(歸屬需要)就無人問津了呢？

答案：不是。

例如美國的「口紅效應」，在大蕭條期間，非必需品的口紅銷量反而上升，因為它可以對處在困境中的人們起到安慰作用。

為了解決馬斯洛需求理論的Bug，融合了多個心理學大佬理論的Censydiam用戶動機分析模型誕生：它把人們行為動機分成享樂/釋放、融合/溝通、服從/歸屬、舒適/安全、理性/控制、個性/獨特、能力/地位、活力/探索，八種。

有了方法和工具后，我們來看下如何落地。

比如到微博平臺洞察小米用戶畫像：

找到最近期最活躍的小米官博認為官博下的粉絲為活躍忠粉，通過工具或爬蟲拿到他們的標簽，如旅游、美食、數碼等將標簽映射到Censydiam中，發現主要集中在“享樂/釋放”、“活力/探索”、“個性/獨特”根據享樂/釋放，小米提出“堪比XBOX游戲機”、“雙攝像頭”等新功能活力/探索，也是MIUI開發版的各種不同玩法、功能嘗鮮的印證個性/獨特，表示用戶追求個性化的用機體驗，能有自己DIY的空間

3. 運營

打造爆品之測款在新品期，決定對商品成長期投入資源之前，需要讓操盤人對商品具有足夠的信心。

此時，則需要通過測款來降低投入風險。

測款的數據分析：針對收藏率、跳失率、停留時間、轉化率等關鍵維度進行一周的數據統計。

其中需要回溯爆品的歷史數據，找到爆款的魔法數字，比如點擊收藏比峰值達到20%的比例，則認為該款極具爆品潛力。商品定位 —— 聚類分群

面對成百上千的商品，在資源有限的情況下，需要將商品進行分類，分配不同資源，以形成更具針對性的營銷策略、玩法。

此時數據分析以指標聚類的形式落地，如帕累托分析、象限分析、波士頓矩陣等。

1）單指標聚類——帕累托分析

商品的帕累托分析是二八法則的升級應用，找到貢獻最多、而數量少的那部分商品作為核心利潤品，而其余商品如《長尾理論》那樣滿足細分人群需要。

進而將商品劃分為不同策略產品，并采用不同的行動方案提高商品管理效率。

如何計算：

對評估指標(如銷售額、利潤等)進行排序；求出每個商品的累計數據；求出每個商品的累計數據占比；對每個商品的累計占比進行等級劃分

如累計占比<=70%為A類款，累計銷售占比在70-90%之間的為B類款，累計銷售占比在90-100%之間的為C類款。

在實際業務落地過程中，因為數據分析很多時候屬于后驗型分析，即是在分析已經發生的現狀。

例如帕累托分析中，以銷售額作為評估指標對商品進行劃分會存在一個疑問：企業本來就對某款商品投入了大量資源或放到聚劃算引流，現在的分析說它屬于A類款，也只是企業操盤后的結果，不能對未來產生指導建議。

這是單指標聚類最常被業務質疑的點，為了解決這個問題，或者說提供更多信息，就需要進行多指標聚類，其中最出名的就是波士頓矩陣。

2）多指標聚類——波士頓矩陣

波士頓矩陣用業務增長率和市場份額兩個指標進行聚類，形成四種分類，并形成針對性建議：

明星商品：高增長率，高市場份額。建議進一步擴大資源投入，擴大競爭優勢;金牛商品：低增長率，高市場份額。維持資源投入，保持市場份額;問題商品：高增長率，低市場份額。擴大投入，轉成明星商品;瘦狗商品：低增長率，低市場份額。處于衰退期，清倉處理。

波士頓矩陣是從大局出發，制定商品的戰略發展策略。實際業務中沒有市場份額數據，可以用相對市場份額替代，即拿到4-5個競品數據后，作為大盤，看商品在其中的市場份額占比。

用于聚類的指標是根據場景目標選的，通過不同組合滿足不同目的。

例如業務場景是針對老客推薦商品，翻譯過來就是想找出老客偏好的商品做成頁面吸引回購，此時可以計算商品的老客TGI指標，與老客銷量做指標聚類，對于高老客TGI、高老客銷量的商品，就可以認為是老客偏好且有能力吸引回購的商品。

此時，除了運營外，供應鏈也會針對商品所處的位置，采取相應的安全庫存策略，以確保爆款產品不會脫銷，滯銷產品庫存不會積壓。

1）滯銷款

根據二八原則，一個店鋪80%的利潤是由20%的商品帶來的。

那剩余的80%里面，除了平平無奇的商品，必定還存在拖累銷售的滯銷款。

除了前面講的指標聚類的方式做分類，現行業務以下方式進行判斷：

打分排名：適用于所有商品，先基于多指標制定排行榜打分標準，在一定的時段后，針對所有商品進行打分，排名最后5％～10％為淘汰對象；銷售量/額：適用于單價低的商品，基于歷史數據，找出銷量/銷額的生存線魔法數字，如300個/月，未達此標準的淘汰處理；

這個過程中，數據分析師要深入了解業務才能找到數據異動背后的原因。

如某商品參加一次直播活動銷售數據很差，只通過數據很容易誤判它不適合直播。

實際上調研后發現是直播當天，因為平臺運營設置錯誤，導致某平臺上售價更低，以至于顧客直播看到貨都跑去其他平臺購買。

這時就要運用商品組合分析法，以下是對這種方法的解讀：

也稱為購物籃分析。現在常見的“福袋”就是一種商品組合玩法，目的是為了提高顧客客單，畢竟買兩件要比買一件花更多錢。

數據分析可以通過購物籃分析在此場景落地，分析不同商品組合的支持度、置信度、提升度，最終給出落地策略。在實際業務落地過程中，分析邏輯會更加豐富：

不僅是單品之間的連帶，還可以是風格、材質、價格等之間的關聯不僅是單次訂單的組合，還可以是顧客歷史消費的商品組合在應用場景上，不僅是連帶推薦，還可以是關聯復購推薦

目前最常見的關聯分析算法是Apriori，理解原理后，通過Python掉包或自行計算，皆可輕松實現。

2）銷售預測

銷售預測當商品進入到成長期或成熟期后，已經沉淀了足夠的數據可以對未來的銷售趨勢進行預測。

但是事實上，大部分生意中，業績是干出來的，而不是預測出來的，那為什么還要做銷售預測呢？

一方面是要幫助供應鏈在商品庫存管理方面更加高效，另一個方面，要做復雜算法模型的意義在于探索影響生意的因子與銷售之間的關系，幫助銷售目標的制定，或制定完成目標所需的要素條件。

在落地的過程中，銷售預測模型不僅需要考慮周期性、區域性，還要把業務規律等因素量化進去，或者根據業務場景對模型預測結果進行補償。

否則，高大上的機器學習模型，報告準確率為90%，然而一旦要預測到更細品類就直接涼了。

因為對于供應鏈來說，預測整體銷售沒有多大意義，他們操作的顆粒度是到SKU，所以模型預測結果起碼得到二級分類能用才行。

做銷售預測的方法比較常見的有：

MA移動平均，是許多時間序列預測的基礎，通過設定時間窗口大小，計算平均值并推斷/預測下一個時間窗口數據；ARIMA模型，它由AR（Auto Regress 自回歸模型） I（Integrated 差分） MA（移動平均）組成，或者說ARIMA模型的擬合序列 = 周期序列 趨勢序列 殘差序列。看起來比較復雜但是不難理解，建議可以到知乎深入學習；Prophet模型，Facebook出的、比前兩者更復雜的時間序列預測模型，但是它反而因為融入了更多業務因素（如季節），更具備可解釋性，上手也不難；以及其他機器學習模型，如回歸算法、XGBoost等，但這些實操效果發現，要做到高準確率，需要花費更大的功夫，還有頭發的話就可以抓緊再學習。

3）流量拆解預測銷售

除了以上方法外，諸如天貓等自有流量體系的電商平臺還能根據流量的轉化公式計算預期銷售額。

天貓618大促前，根據去年同期流量及近180天流量數據、轉化率、結合品牌私域用戶策略數據，可以得出618銷售目標，并給出各流量渠道的投入預算。

對于品牌來說，費用的投入就有了預期收入作依據。

4）庫存分析

商品供應鏈另一大塊的分析則是庫存分析，分析指標包括：庫存量、庫銷比、周轉率、售罄率、齊碼率、品類占比等。

三、結尾

在互聯網 引領的新時代，數據作為驅動的新能源，同樣衍生出“數據分析 ”。

數據分析 用戶運營、數據分析 商品運營等，都是在用與傳統方法不一樣的數據思維來操盤，但這不意味著可以脫離業務只看數據。相反，本文多處都在強調融入業務做數據分析的重要性。

如果你對商品運營有不同的看法，或者哪部分想深入了解，歡迎留言討論~

本文由 @餅干哥哥 原創發布于人人都是產品經理。未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。