数据中台产品规划「产品设计解析」

今天给大家普及一下数据中台产品规划「产品设计解析」相关知识，最近很多在问数据中台产品规划「产品设计解析」，希望能帮助到您。

你可以分析下我们提到的用户相关的指标，比如：注册量、访问时长、留存率等这些指标都无法提高产品的价值，指标中最重要的是留存率，你发现站在价值的角度留存率也只能监控产品的价值，但是并不能提高产品的价值。

对于B2B电商产品来讲，产品的价值就是要给我们的采购商提供好货，所以商品才是最核心的地方。我们的用户直接接触的是我们的商品，商品能直接传递公司的价值。没有好的商品就不用提用户、产品、流量等其他方面的运营，这些都是手段，这些手段在我们提供好的商品基础上才会事半功倍。

我们先看下商品的整个生命周期，第一步是招商的工作人员负责吸引供应商入驻，如果有一套对供应商的严格筛选标准， 能直接决定商品的档次、品质和货源的稳定性等因素。

第二步是商品的选择，我们要从供应商的货中挑出最好的货给我们的用户，包括商品的款式、质量、性价比等指标。细节的地方我们会涉及到商品的图片及文案，每个细节对商品的转化率都有比较大的影响，因为用户是否下单是有很多因素的，我们把可控的因素做到最好，那就可以比较好的提高转化率。

接下来是商品的销售环节，我们怎么通过数据挑出好卖的货给到我们的用户的呢？

商品卖出去后我们的售后怎么样、我们的发货速度怎么样，也是直接影响用户的体验，可以说商品的每个环节都直接决定我们产品给用户的价值。

怎么保证我们的商品都是爆款、好货呢？

商品的生命周期分为售前、售中、售后，接下来结合数据中台实战，分别从三个时期的细节方面分析下，如何保证我们提供的都是真正的好货。

一、售前1. 关于供应商的选择

我们有一套严格的准入机制。为保证效率，我们要求供应商适应“快反应”的柔性供应链模式，并建立了供应商分级动态管理系统，包括供应商准入机制、供应商绩效评估和激励机制、供应商分级认证机制、供应商升降级调整机制。从供应商的选择、分级、合作模式、绩效测评、订单激励和退出等方面进行严格的动态管理。

在供应商准入方面，由招商小组、相关业务部门、品控管理小组到生产供应商进行实地访厂和现场打分，重点评估厂家的信用等级、设计能力、生产能力、运营状况以及品质管理等。通过审查的厂家在试单测试通过后，方可成为我们的正式供应商。不是所有的供应商都有资格同我们合作，经过筛选后我们会保留综合能力较强的供应商，保证我们货源的稳定性以及商品品质的保障。

供应商商品的销售数据与合作意愿，同样可以反馈与我们合作的供应商的质量。我们会根据季度测评结果将供应商动态划分为A级战略供应商、B级核心供应商、C级优秀供应商、D级合作供应商。每级供应商，采取不同的激励。

例如：针对D级新供应商，我们会基于供应商商品的销量、发货速率（一般评判48小时发货率）、次品率（包括用户不满意退款、缺货退款等）三项评定数据，再进一步根据沟通交流是否流畅、理念是否一致等主观判断进行打分。如果得分较好，会将其升级为C级优秀供应商。

供应商如果连续两个季度测评等级下降或者产品品质连续两次降至规定的标准以下，将给与暂停合作，缩减订单甚至停止合作的惩罚。

做这么严格的原因是：我们希望能做一个长久的生意，我们必须为我们的用户负责，同样也是为我们的供应商负责。 只有对自己高标准严要求的供应商，才配得起用户的青睐。

2. 关于商品的选择

（1）商品定位

在谈论商品定位时，我们不得不再提到一个词：市场定位；很多的人对商品定位与市场定位不加区别，混淆概念。具体来说，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，而商品定位，是指我们对应什么样的商品来满足目标消费市场的需求。

大家可以想象这么一个场景来帮助理解。你现在想去市场摆摊卖货，城里有南北两个市场，北面市场主要集中一些老人及家庭主妇；南面的市场集中打工一族。

首先你得选择一个主战场，这就是对市场的选择，也是对消费人群的选择。假设现在选择北市场，那就定位目标消费人群为老人及家庭主妇。针对这群人，你应该用什么样的商品来满足她们的需求呢？

这就是商品定位，商品定位清晰后就可以确定商品款式了，即如何规划平台的商品。

如果你的平台没有商品定位，就无法确定自己的人群是谁，那你就是在把商品卖给不需要的人，商品的点击和转化自然不会好。所以首先我们应该先进行市场定位，再进行商品定位，然后挑选出需要的商品款式。接着根据商品反馈的各种数据矫正市场定位和商品定位，再优化商品。

长远来看，这是一个螺旋上升的良性进化过程，不断的精细化定位，最后不止你的商品，你的平台都可以得到稳定的自然流量。

（2）商品数量规划

我们会把商品划分成几个维度，涵盖了设计款、跑量款、高利润款等这些纬度。大概有8%的商品属于设计师款，主要用于吸引新用户，这些商品往往兼顾了设计潮流与一定的利润。其他还有35%属于四季常青款，这些四季常青款作为基础款，来满足整个供应链对他的支撑，可以达到最优的性价比，同时满足了各个档口的需求。大约占比57%左右的高利润款，同比其他的平台已经是非常的低价了，整体的毛利只有30~45%左右。

首先为什么要定义高利润款呢？

从供应链端来说它是一个季节性款，那么对实效性和计划性的要求非常高，所投入的人力与管理的成本也相对来说是比较高的；

第二，由于它是高利润款，所以我们也会返给供应商一些利润，使得供应商跟我们有一个良性的循环互动。

（3）流行趋势：市场热点与时尚趋势

流行趋势分为两点：

第一点是结合当下的一些热点流行趋势包装现有的产品，因为流行趋势永远是一个循环，所以可能目前流行的，在我们商品库里面也有一些商品，那么就结合流行趋势去包装一些商品的热点；另外团队会积极的关注很多大牌秀，通过买手对大牌秀的精准分析和精准的眼光，来挑选适合我们平台，以及适合我们用户的爆款。

（4）价格优势：与同类产品的差价

很多行业的价格体系相对来说并不是太透明，并且有大品牌的背书，他们议价空间往往是商品的8到10倍。但是我们的毛利率往往只有25~30%，因此价格优势也是爆款衡量的重要标准因素。

（5）品质感：高于用户期望值

我们希望所有的商品，尤其是爆款能够高于用户的期望值，所以从原料到工厂管理，再到最后的包装检验检疫，都有相关的严格把控，希望给用户带来惊喜感，也希望这种惊喜感能让用户进行口碑传播，从而促进爆款的打造。

二、售中1. 商品上架

前期用户数量比较少，不用评估需要上多少款商品，随着用户的数量的增多就要评估我们究竟要上多少款才能满足当前用户呢？

首先要计算出有多少活跃用户，然后统计出每个用户平均要浏览多少件商品，包括用户搜索、浏览、分类查看多少商品。比如：我们有1000个活跃用户，平均每个用户每天要浏览5个商品，那么我们就要准备5千个sku，其中热销返场商品规定要占比20%，那么我们就要准备4千个新品。

我们如果有20个买手，那这20个买手每人就要从供应商那里挑选200个sku。最关键的是我们会记录到商品属于那个供应商，甚至商品是那个买手挑选的，商品的文案、照片是那个商品运营输入的。

商品的挑选是十分依赖买手的，买手的核心竞争力就是选到更多的爆品，我们会要求买手从原料、颜色、尺码、品牌、品类、采购价格等输入商品基础信息。为了保证sku的充足我们做一个功能可以实时看到每天每个买手的上架款数。基于之前拆分的目标，负责人可以实时查看买手的上架数量是否达标。

2. 商品销售

还有一波人专门做商品运营，他们要做的工作就是把合适的商品放给在合适的地方给合适的人看。商品运营十分依赖数据，因此我们做了商品的实时数据监控，需要指标包括商品的 流量（pv,uv）、销售件数、转化率（销售件数/pv）、爆款件数。

商品运营会基于转化率，来判断商品是否有潜力，如果一个商品放到一个比较明显的位置，那相对来来说他的流量应该比较高，但是他的销售件数又不行，那就说明商品不太受欢迎。反过来，如果一个商品放到一个角落的位置，他的流量不高，但是他的销售件数却比较高，那么这个商品是十分有潜力的，可以考虑如果放在更加显眼的位置是不是销售件数会更高呢。他们也是反复用这些AB测试来验证，我们的商品到底该怎么放。

随着商品的增多，关注单个商品已经效率比较低，那我们引入了品类的转化率分析，也就是可以实时看到品类的总pv和用销售件数，如果某个品类的转化率比较高，那就需要及时调整该品类的显示位置和数量。

3. 品类价格带分析

还有一个商品运营比较关注的指标就是品类价格带的流量和销量数据，拆分完价格带后，就能直接看出一个品类下究竟那个价格带的销量是更高的。这样就拆的更细，十分有利于他们的精细化运营。如果周期内某个价格带的销量比较好，那就会投入更多的资源推广这个价格带。

那此时就会遇见一个问题，我们的品类拆到3级还有180多个品种，那怎么对这180个品类进行划分呢？ 如果人工一个品类来看，那需要话费大量的精力，人工来分还有一个缺点就是如果品类增加怎么办？

每增加一个品类，我们还需要再次通过人工去划分，还需要协调数据开发帮我们计算。我们的要求是不能依赖人工，需要基于每个品类能自解释（自动基于价格带的分布划分）。此时我们的算法工程师提出k-means聚类算法，刚好能解决这个问题。

算法还是比较经典，具体的步骤就是通过k-means算法可以找到每个品类价格带有几个中心点，再通过中心点划分出价格带。

有几点需要注意的地方：

要剔除异常值，因为数据上会有很多不合理的值。定时时间跑跑一下这个算法，因为商品是会不断增加的，价格带也会不断变化，特别是前期。划分好价格带一定找运营讨论一下究竟划分出来的价格带是否适用。

接下来就可以就可以做品类价格带分析，统计的周期有这么几个：

截止到昨天品类价格带的累计销量和流量；周期内商品价格带的销量和流量；昨天当天品类价格带的销量和流量。

上个简单的图片大家参考：

作为商品的负责人，需要知道整体的商品数、动销率、转化率。每个品类的商品数、转化率、动销率，基于动销率和转化率可以初步判定我们那些品类销售的比较好，那些品类销售的比较差。接下来就有了行动方案，转化率和动销高的品类一定是要投入更多的资源，更多的曝光。

4. 商品的自动排序

我们有一套专场管理的功能和专场内商品管理的功能。商品首先是上架，然后会放到运营同事创建的一个一个主题的专场。

那专场的顺序是怎么决定的呢？

首先运营的同事会基于自己的经验对所有的专场进行默认排序，数据中台会基于用户对专场和商品的浏览记录计算用户的偏好。比如：用户以前总是点击连衣裙相关的专场，那么有关连衣裙的专场也会被优先排序，所以每个用户看到的页面都是不一样的。

同样的我们引入了一套算法计算用户看的专场内的商品的显示顺序。专场内商品的顺序是我们的商品运营人员基于经验排好的，但是商品运营排的顺序不一定符合每个用户的喜好。

我们会基于用户的的行为比如浏览商品的数据、收藏商品、支付的商品的数据设置不同的权重，基于相似度算法（基于物品的协同过滤、基于用户的协同过滤），基于用户的协同过滤，计算出来用户对专场内的商品偏好的优先级，基于优先级的高低决定商品的显示位置。

比如设置如下权重：

某用户进入商品下单页权重2%；点击详情权重8%；收藏15%；支付20%；分享15%；好评20%；评分20%；

基于余弦相似度，建立商品评分矩阵（如下表）：

通过计算4个用户（四维空间中）对4件商品的评分我们获得了用户间的相关性数据（如下表）。

系数浮动区间在-1~1之间，系数越靠近1，向量夹角越小，两件商品的相关性越高，由此可见A&B、A&D的相关性最高，C&D相关性很弱。

相关系数：

强：0.8—1.0；较强：0.6—0.8；一般：0.4—0.6；弱/不相关： 0—0.4；不推荐：-1.0—0。

利用用户对某商品产生过的记录计算其相关性。

【例如】：某用户对商品A和商品B的行为得分为权重，对商品C和商品D进行加权排序，得分高者优先推荐。

根据相关性和加权评分后，商品C优先被推荐。针对新用户我们做了个兜底策略，基于商品的热销程度来排优先级。这样就能做到货找人，而不是人找货。

关于推荐这块后面会有专门的文章讲解数据中台中的推荐平台的搭建，此处只简单写一下思路。

三、售后

有了数据我们会对现有商品和供应商做大量的复盘。商品上架销售后，每7天一个周期，会对商品进行“爆旺平滞”的标签化。

比如：3月1日上了100款，到3月7我们的标签平台就会给我们的商品自动打上爆、旺、平、 滞的标签，其中涉及数据模型，核心指标是转化率（pv/销量），排名高的是爆款，排名低的是滞销款。商品标签出来后，爆旺款，可以返单；如果是滞销款，马上可以打折销售。对于一些数据比较差的商品，我们会采取下架的机制。

而这些标签完全是可配置化的，只用在我们的标签平台设置好规则，就会每天自动化给商品打上标签。关于标签会在《数据中台实战：基于多条产品线的标签平台》讲到，请持续关注。

新用户的前几单一般是十分重要的，当一个新用户下单后，我们的跟单会第一时间联系供应商，如果有货的情况下，会要求供应商对下单的商品进行质检，保证商品的质量没问题。另外会提醒供应商这个单的重要性，我们有一个考核指标是48小时发货率，这个指标是个十分关键的指标，它直接决定了用户收到货物的时效。如果没货的情况下，我们协调其他渠道的资源，做到尽量不伤害用户。

我们基于RFM对用户做了分层，针对一些高价值的客户，我们对客服的相应时间，处理速度等都有相应的要求，这类客户的货是优先处理的。因为我们高价值客户不到1000人占了平台交易的70%，所以他们有优先的特权也是自然而然。

以上其实就是商品品控的流程，从商品的挑选、供应商的挑选等方面投入很多的资源，就是为了保证用户看到的都是经过我们精心筛选过的好过，我们相信真正对用户好的公司，一定都有一个好的结果。慢慢的积累下来，我们的复购和口碑也一直在上升，品牌效应也会产生。