“啤酒与尿布”背后的商业逻辑是什么?

Martech时代的“啤酒与尿布”-电商推荐系统背后的商业逻辑到底是什么?

Retail is detail. —— Sam Walton(沃尔玛创始人)

电商运营经理们都早已知道,在增量红利消失的时代,流量成本的暴涨严重影响了广告ROI和本已微薄的销售利润。

在无法大幅增加入站访客数的前提下,通过增加购物车中的商品数量达到增加销售额的目的,从而获得更大的经营收益,是每一个电商运营者必须考虑和实现的运营目标。

20世纪90年代,在美国有婴儿的家庭中,购买尿布的任务往往由年轻的父亲负责,他们会在买尿布时顺带为自己购买啤酒。沃尔玛超市尝试将啤酒与尿布摆放在相同的区域,并通过一次销售两件商品而获得更好的销售收入。

这就是众人皆知的“啤酒与尿布”的故事。

然而,“啤酒与尿布”的故事作为一个购物者与经营者皆大欢喜的经典案例被传颂,却很少被复制成功。这是因为如果没有强有力的商业逻辑与分析方法,这样的弱关联商品组合一定会被淹没在大量的零售数据中。

我们真正需要学习的,是如何发现和创造出更多的“啤酒与尿布”组合,在 Martech(营销技术)环境中,这比对其进行技术实现要重要和复杂的多。

购物车价值变化的七种诱因

1、拿了就走——直接购买

入站访客按照自己的购买计划,直接购买商品。直接购买可以保持电商网站与顾客的关系, 但是过多的直接销售一定会使网站的经营效益下降。

2、降价时买了更多——促销购买(Promotion sell)

这基本已经是所有电商平台的必要营销手段。采取促销、打折等刺激销售方法,诱使顾客在没有或超出购买计划的前提下形成了冲动购买。

3、A商品没有或不中意,买了B——替代性购买

致力于研究替代性购买的电商团队已经可以获得更多的增量销售收入,在某种程度上来说,它实际上拯救了顾客的购买放弃率。

在电商运营数据指标矩阵中,我们往往通过观察和分析以下数据来获得替代性购买的访客行为动机:

1、多个商品详情页连续跳转的路径关系数据

2、发起站内二次/多次搜索的关键词关系数据

3、从商品详情页再次转入导航系统的路径关系数据

4、从站外广告引导转入站内非连续性广告、橱窗、热卖排行的路径关系数据

5、购物车商品被清除并替换购买的数据

4、买了 A 商品,也买了B 商品——交叉购买(Cross sell)

“啤酒与尿布”的故事是典型的交叉购买行为,交叉购买可以使购物车的价值大幅提高,是我们研究的重点对象,下文详述。

5、放弃买便宜的A 而买了贵的 B——向上购买(Up sell)

这种购买行为的产生是提升销售收入的最佳方式,采取合理的站内推荐/广告策略诱使顾客改变购买低利润商品的初衷,而购买了高利润商品,这种购买行为的触发就是向上销售。

我们应下大力气研究的并不是诱导向上销售成交的促销手段,而是顾客群体形成向上成交的原因到底是什么。

数据只能告诉我们发生了什么,却很难告诉我们为什么而发生。这需要我们进行大量的顾客微观行为分析和顾客调研/访谈来发现其中的秘密。

通常情况下,向上购买的出现会引发顾客耗用更多的决策时间,我们建议关注以下电商运营数据指标:

1、访客在同一访问Session 中频繁跳转于多个价格不同的商品详情页和停留时长数据

2、不同“凑单”策略的成功率和失败率数据

3、在价格明显更高的商品详情页中浏览至第几屏信息而决定加车的数据

4、在价格明显更高的商品详情页中浏览至某些关键决策信息而决定加车的数据(例如客户评价、商品稀缺信息、商品限时折扣信息等)

6、因为各种因素而终止了购买——放弃购买

访客放弃购买的行为应分为不同的阶段来检讨和修正,其中的电商运营数据包括:

1、广告着陆页跳出率

2、商品列表页/类目导航页(桥页)退出率

3、商品详情页退出率

4、搜索结果页退出率

5、购物车放弃率

6、结账流程页放弃率

7、登录/注册页放弃率

7、放弃买贵的A,而买了便宜的B——向下购买(Down sell)

再没有比这个更让运营者捶胸顿足的事儿了。但是我们必须面对现实,在某种程度上,它也是拯救顾客购买放弃率的一个办法。有些时候通过合理的站内营销策略,可以让顾客们感觉自己“占了便宜”从而加速了决策周期。

“啤酒与尿布”——研究的并不仅仅是商品组合

商品交叉销售往往让分析师们陷入一个误区,就是致力于通过数据寻找最佳的商品售卖组合。

但仔细一想就不难发现,交叉销售之所以成功的最大因素,并不是商品组合吸引了顾客,而是顾客是谁,以及他们为什么愿意买的更多

研究人的心理层面因素比研究商品更为重要。只有找到了顾客的本质需求,才能反推至电商推荐系统应该如何发挥作用。

交叉销售的数据通常由三组核心数据构成:

⚫购买商品的顾客:

将顾客分类是Martech 时代必须要做的基本数据功课。也能够将营销技术发挥极致。

我们通常由远至近关注以下用户数据:

  • 购物者年龄、性别、地域、兴趣倾向、互联网使用设备习惯等
  • 购物者属性信息,包括:新访/回访、新客/老客、广告入站/直访入站等;
  • 购物者决策信息,包括:闪电决策/艰难决策、理性决策/优惠决策、购买力:买的多/买的贵/只看不买/只买不看、复购频次高/中/低、访问时段/周期等

⚫销售趋势分析:

利用数据仓库和算法对品类销量和库存消耗的趋势进行分析。选定需 要补充或提前备货的商品,研究顾客购买趋势,分析季节性购买模式,确定促销策略等。

销售趋势分析同样影响了商家的供应链管理工作,是电商运营过程中预测性分析的重点内容。

⚫商品相关性分析(重点内容):

哪些商品可以一起购买,关联商品如何组合、陈列和促销:

支持度(Support)指标:

在购物车分析中,支持度指的是多个商品同时出现在同一个购物车中的概率。

比如啤酒与尿布同时出现购物车中的概率是20,我们称啤酒与尿布的支持度是20,按照国际命名规则表示为:啤酒 Implies 尿布=20 。

支持度公式:项集{X,Y}在总项集中出现的概率。

注意:“啤酒与尿布”不等于“尿布与啤酒”——商品相关性往往具有单向性。年轻的父亲是买尿布时买了啤酒,不等于买啤酒时会专门去买尿布。

计算商品之间的支持度时,需要反过来计算和进行验证。这也直接决定了我们在商品详情页上陈列关联商品的逻辑。

置信度(Confidence)指标:

置信度是对支持度进行衡量的指标,用于衡量支持度的可信度以及数据强度。由于这项指标是将商品同时出现在购物车中的概率进行反复运算,因此这是衡量商品相关性的主要指标。

置信度公式:在先决条件X 发生的条件下,由关联规则{X->Y }推出Y的概率。

提升度/兴趣度(Lift)指标:提升度是对支持度、置信度全面衡量的指标,很多时候在衡量商品关联关系时只采用这一个指标,可见这个指标有多重要。

提升度公式:表示含有X的条件下同时含有Y的概率,与无论含不含X含有Y的概率之比。

当提升度指标大于1时,表明商品之间可能具有真正的关联关系。提高度数据越大,则商品之间的关联意义越大。

如果提高度等于1时,表明商品之间不太可能具有真正的关联关系。

某些情况下,提高度会小于1,此时商品之间很可能存在相互排斥的关系。也就是说它们几乎不会出现在同一购物车中。那么我们在推荐系统内就不应该耗费任何资源来同时推荐它们给访客。

计算简例(你一定能看懂):

  • 1000名顾客,A组有500人购买啤酒,有450人购买尿布;B组有0人购买啤酒,有450人购买尿布。
  • 啤酒→尿布的支持度=450/1000=45%
  • 啤酒→尿布的置信度=450/500=90%
  • 啤酒→尿布的提升度=90%/90%=1
  • 由于lift(啤酒X→尿布Y)=1,所以说明 X 与 Y 相互独立,即是否有X 对于 Y 的出现没有影响。虽然支持度和置信度都高,但它们之间没有必然的关联关系。
  • 满足最小支持度和最小置信度的关联关系叫做强关联关系

如果 lift>1,叫做有效的强关联关系,

如果 lift<=1,叫做无效的强关联关系

特别的如果 lift(X->Y)=1,则称 X 与 Y 相互独立

支持度、置信度和提升度的计算是一个优秀的电商自定义推荐和自动化运营系统的核心价值构成,它综合了采集数据、建立模型和评价体系、反复证伪、基于机器学习不断自我进化迭代的多个过程。也是非常典型的Martech(营销技术)应用。参加课程的同学可以在课上与宋天龙老师进行更为深入的讨论和学习。

同时,我要强调的是在真正的电商运营工作过程中,没有最优的动销。你的货架上一定会出现动销率很差的单品乃至组合。电商运营是一个完整的生态环境,有大树就有小草,有红花也有绿叶。我们只能不断努力,不断追求,无限趋近于价值最大化的运营策略,而不要特意的放大某些推荐和商品关联销售,那只会让我们适得其反。

商品相关性分析简报范例

如果我们采用一种最简单的方式来呈现商品与商品之间的关联关系,那么下面这张简报则可以一目了然的帮到你的团队,在已经验证了商品之间关联关系的基础上,它比充满数据的表格更适合运营团队快速使用:

小结

⚫研究商品关联是电商运营团队的重要工作,基于有效的商品关联关系的洞察和细致分 析,才能更好的反推出电商站内各个推荐位、广告位以及商品详情页交叉销售的商品组合。

⚫影响购物车价值变化的因素有很多,应首先进行购物车特征分类,并有针对性的进行 营销策略修正和改善。

⚫电商推荐系统的重要算法依据首先要研究顾客构成和他们的购买行为与动机。仅仅通 过研究商品组合是不够的。

⚫在商品关联关系中,应重点关注支持度、置信度和提高度这三个数据指标。并反复证 伪,以达到电商推荐算法和商品组合策略的最优。

⚫一个优秀的电商自定义推荐和自动化运营系统,应综合采集数据、建立模型和评价体 系、反复证伪、基于机器学习不断自我进化迭代的多个过程。

⚫不要刻意的放大商品推荐和关联销售策略,一个好的电商生态应该无限追求进步,但 不是杀鸡取卵,寅吃卯粮。

发表评论

邮箱地址不会被公开。 必填项已用*标注