ITPub博客

首页 > 大数据 > 数据分析 > 告别拍脑袋!数据中台如何驱动智能商品运营

告别拍脑袋!数据中台如何驱动智能商品运营

原创 数据分析 作者:StartDT 时间:2020-10-23 11:36:30 0 删除 编辑

数据决策时代,越来越多企业着手将数据资产累计转化为企业最重要的资产,渴望用数据驱动商业决策,提升商品运营能力。

然而,企业意识到数据资产的重要性,但在实际操作过程中,真正能把企业数据资产利用好的却寥寥无几。数据提升商品运营价值到底在哪里?

「数智·泛零售」06课开始正式进入应用实操系列,由泛零售行业「人、货、场」 展开。 南弈老师从「货」出发,分享「数据中台提升智能商品运营能力」。

数据时代重新定义商品运营

在泛零售领域,商品运营到底存在哪些痛点?

人货场关系发生转变:新零售背景下,人、货、场三要素关系已发生转变,需要重构人货场。

同质化严重:品牌设计和定位同质化,设计师对流行趋势预测普遍依靠经验,设计理念不能满足消费者和市场需求。

产能过剩、库存积压:对市场的需求信息和预测不符,造成生产端产能过剩、库存积压严重。

经营模式粗放:普遍采用传统订货模式,订货的数量依靠订货商对于市场的经验来判断。

终端门店管理粗放:缺乏对门店数据精确采集和智能分析能力,店铺管理相对粗放。


新零售时代重构「人、货、场」

「人」:商品最终都由「人」来购买,「人」即顾客,也就是客源。如果把商品比作舟,那么顾客就是水,水能载舟,亦能覆舟。

实践证明,门店之间竞争的本质是客源的争夺,门店的生存和发展,主要取决于可持续进店消费的优质客源,精准捕捉客群,在对的时间找到对的人。

「货」:营销最根本的目标就是为顾客提供合适的商品,「人」和「场」都是为实现这一目标服务的。俗话说:巧妇难为无米之炊。门店没有优质的商品,无异于无源之水,无本之木。

「场」:顾名思义就是场地,即门店卖场。创造门店业绩的永远是人,其中很关键的一点是优质客源,而要保证门店的客源,就必须想方设法创造良好的门店环境,以吸引更多的顾客进店和购买。这同时直接关系门店的形象。包括装修设计和布置陈列。

数据中台如何提升商品运营

搭建数据中台的第一步是客户要有自己的数据,称为「一方数据」。数据维度越多,分析获得的结果越有价值。因此,除了一方数据之外,还需要三方数据,如:渠道投放数据、外部营销数据、运营回流数据等等。

数据从成本向资产进行转变。

数据成为资产后,要用企业一方数据中台对数据进行存储、管理、治理,面向商品,所有数据分析的底层无外乎「指标」和「标签」两个维度, 基于商品运营做一些指标,进行标签加工,可以为上层的商品运营提供数据支撑。

「商品洞察分析」可以做定位分析、生命周期分析、新品上市分析、销售实时分析、经营洞察分析、商品复盘分析等。 「商品运营分析」领域则可以基于营销动作进行销量预测分析、店货匹配建议、商品首铺建议、商品调货建议、商品补货建议、商品整合建议等。基于分析和运营成果进行运营策略,运营管理人员有相应运营决策支撑。帮助客户创建数据服务能力,沉淀一方数据中台后有自身的数据资产,也可跟公域流量做资源置换。「一方数据」:企业自由数据;「二方数据」:广告投放及回流数据;「三方数据」:公开的天气、地图等互联网数据。

将一方数据、二方数据、三方数据汇集到数据中台;垂直数据中心只是把数据同步过来,公共数据中心内建维表、事实表、业务过程、分析维度等;萃取数据中心面向不同体系做汇集。对外提供数据服务时,提供一整套数据开发逻辑,同时提供数据资产管理链路,满足底层对数据开发、数据治理的需求,围绕新零售领域的三要素「人、货、场」构建数据智能应用。以「货」为核心,商品洞察分析核心的业务价值是提升洞察能力、问题分析能力;商品运营分析的核心业务价值则是产销协同、供应链洞察、渠道管理分析支撑,优化企业资源配置,实现精细化管理、降本增效。 那么,如何通过数据驱动商品运营?

从销售不同阶段,通过数据帮助不同的场景解决相应问题。

「售前」阶段,做商品定位分析、商品数量规划、流行趋势分析、价格分析、销量预测等;

「售中」阶段,做商品上架、商品销售、价格带分析、商品陈列/排序、商品连带分析;

「售后」阶段,做销售分析、商品复盘分析、决策支持等。实时的销售分析,快速的策略调整,支撑决策制定。

中台架构下商品运营场景设计

举一个运营场景设计案例—— 商品定位分析:离不开市场分析,市场定位是指对目标消费者市场 的选择,可以是由地域、性别、年龄等方面综合选择的用户群。基于市场定位找到目标人群,下一步我们对应什么样的商品来满足目标消费市场的需求。 如何基于数据中台做商品定位分析?

底层的数据层主要是一方数据,在此基础上还需三方数据,数据统一到数据中台后,做数据加工,基于数据建模方法论,做指标(商品属性、价格带分布等)和维度(时间、天气、商品属性)分析,有了这些维度可对商品畅销特征进行分析,进行辅助决策。

商品运营案例解析

智能选品案例

目前爆火的直播带货也属选品范畴, 主播也会遇到选的商品没有带货成功的情况,是因为对粉丝没有很好的认知。在合适的门店,要基于消费群体选对合适的商品。

在线下,选品要店货匹配,门店画像(包括门店的基础属性、营销数据、会员数据、商圈客流数据、周边环境数据)。同理,商品画像(商品标签、电商平台数据、历史销售数据)。 通过混合推荐算法,把合适的商品推送到合适的门店,数据标签越丰富、越精细,店货匹配计算越精准。分享一个实际服务客户的案例:我们为其在pad端做智能选品,利用算法根据门店和商品标签计算两者匹配程度,同时兼顾周日均销量、库存、价格带分布等因素,为每家门店独立进行商品推荐;在自动推荐商品的同时,也支持店长自行选款,还可以修改款下的颜色和尺码的数量;选择完毕后提交,即生成订单实现店长自主选品。

智能补货案例

智能补货规则,一般要对历史数据(补货记录、销售数据、库存数据、天气数据、运输成本、门店数据、商品数据)进行分析,通过数据中台,结合数据智能算法生成智能数据模型, 销售预测要足够精准,降低断货率、成本提优。基于智能数据模型生成自动补货计划表,补货专员仅需做审核工作,帮助客户实现智能补货。

我们服务的一家服装企业,该男装品牌在全国有400多家门店,每个门店单品的sku并不多,需每天进行补货,原来每人每天需要花2小时调整20张excel表,手动改sku等,对爆款的认知欠缺。 通过智能补货模型,数据中台沉淀人工的补货经验,通过算法形成补货的逻辑,结合业务规则(库存、物流等)与订单业务系统无缝衔接。

奇点云为某男装品牌公司打造智能补货系统,实现了:

·补货计划实时一键自动生成;

·上线后补货工作比原来节省 95%的人力时间成本;

·补货工作考核指标(断码率和补货售罄率)达成率平均提升 20%以上。并大幅避免了人工经验水平差异和工作意外导致的调补货效果波动,降低物流成本;

·通过数据跟踪和AI智能分析持续优化算法模型,补货规则更加精细化,利润上升 20万/店/年。


数据决策的时代,数据即资产。企业想要充分发挥数据资产,更应该重视数据、善用数据,沉淀自身一方数据能力,构建全面数字化运营能力。


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/69911376/viewspace-2729051/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论

注册时间:2019-04-08

  • 博文量
    89
  • 访问量
    64326