编辑导读:在互联网+引领的新时代，数据作为新能源驱动，赋能商品运营，为商品运营带来新动力。本文阐述了商品运营的营销和商品中的数据分析，并列举了相关的分析方法，给读者最真实的阅读体验。让我们看一看。

1.什么是商品运营？

运营是对商品全生命周期的管理，包括发展期、新产品期、成长期、成熟期、衰退期。

在这个过程中，分为计划、供应链、运营三个业务单元。

「企划」是根据市场需求、品牌调性、竞品情况来制定新品，并通过包装等营销手段，引导顾客进行场景化消费。「供应链」在这里更多是库存管理、物流发货。当然也是不可或缺的一环，比如配合运营触达玩法，在发货包裹中夹带精准推荐商品卡片等。除此之外的都是「运营」范畴，比如在电商平台配合平台运营根据人群、场景进行选品，跟踪、监控产品表现，及时调整产品定位并匹配安全库存。

接下来，我们跟踪一个产品的生命周期过程，看它是如何诞生、成长，最后退出舞台的。

1.开发期-商品计划

对于品牌来说，在产品上市之前，需要洞察消费者需求、行业趋势、竞品动向、近期热点等。，并结合品牌调性，综合考虑后再选择合适的产品。

比如一部电视剧开播就上了热搜，女演员的DIY手环在哔哩哔哩的评论区好评如潮。这时候作为珠宝公司的策划判断，出现了不错的行情。马上判断出电视剧的目标受众符合品牌调性，然后策划电视剧同款新品。

2.新品期——种草造势

新品上市前，可以开始去小红书等社区找人KOL发内容种草，或者和跨界品牌联合制造话题吸引眼球。

当然，根据品牌自身的定位和资源，也有不同的玩法:

对于成熟品牌：可以利用头部资源引爆话题营销对于人气新锐：可以借流量明星抓牢粉丝破圈而对于大部分的零资源品牌：同样可以通过针对性内容提高种草力

3.成长期——打造爆款产品

站外种草造势配合站内新品售卖渠道拉草，通过利润折扣，把销量冲到顶，进而获得更多平台分发的流量，一点点运气因素让新品成为爆款产品。

这时候，爆款的作用就是补充现金流，同时还能给店铺带来可观的客流量。

当然，并不是说爆款产品就等于引流产品，也有可以直接给门店带来利润的高价产品。

在这个阶段，注意供应链库存的支持。

4.成熟期-运营收获

这时，除非是门槛难以逾越的商品，否则市场上的竞品会迅速赶上新标杆产品的发布，品类竞争加剧，销量放缓。

为了巩固先发优势，品牌一般会在品类上横向和纵向延伸，产生相同的风格或主题系列。

或者通过场景营销，引导客户购买爆款产品，同时可以一起购买其他商品，实现联合销售，进一步挖掘剩余红利。

5.衰退清仓促销

可能因为廉价替代品的出现，IP热度的消失，或者内部结构的调整，很多原因会把货带到这个阶段，曾经的爆款不香，产品逐渐被市场淘汰。

挤压仓库里的库存成为成本费用，需要通过会员赠送、打折促销等方式清理空。为了给下一个爆炸腾出空间空。

二、商品运营中数据分析的落地

在过去，单个商品的生命周期是以线性方式讨论的，但在实际业务中，它会更加复杂。

因为面对成百上千甚至上万的商品，以及瞬息万变的市场行情和竞争招式，人工的思路已经不能满足品牌发展的需要，需要用数据分析工具来赋能商品运营。

当初说商品运营由计划、供应链、运营组成，数据分析也是和这三个事业部合作进行的。

1.规划

新产品开发的开端之一可以由处理竞争产品的策略带来。

假设小米发布了一款可以短距离无线充电的手机空，受到市场极大关注，作为其竞品的华为、OV等品牌会采取措施保住市场，发布相同功能的新品，或者发布划时代的产品降维打击。

在数据分析的过程中，是通过对竞品的分析。

通过分析变化的市场份额、品类比例、价格趋势，或多指标聚类，我们可以洞察竞争产品的战略趋势，以便提供建议。

在天猫平台上，信息沟通工具可以获取竞品的销售数据。通过价格和品类的交叉分析，发现品牌A洗发水正在走向高端，而品牌B则盘踞在低端入门品类。如果我们公司打算发展洗发水品类，我们可以建议介入中间市场。

接下来，结合对市场价格、人群、竞品等维度的分析，给出更具体的建议，如:

竞品的爆款分析：是否要从产品风格突破、差异化突破、客单价突破；竞争对手定位：如何超越竞争对手，从营销上突破；主推款的更换突破；店铺促销方案的突破；店铺文案设计的突破；竞争对手推广渠道：竞品是通过什么渠道做的可以，付费、免费、站外、直播、活动。

2.消费者洞察

宝都是洞察消费者心理的成功案例。比如针对年轻人“养生跳舞”的心理，宝都推出“无糖、非碳酸饮料”，迅速抢占市场，成为国内网络名人饮料品牌。

消费者洞察的渠道主要是通过内容社区(如小红书、微博)、APP联盟(根据消费者手机安装的APP推断用户画像)、拥有自有数据的平台(如天猫的数据银行)。

这里有一种利用社交平台洞察消费者的方法:

社交倾听是一种社交倾听方式。这个方法类似于做用户调研的Custimer的VOC Voice。简单来说就是基于社交媒体，通过文本挖掘洞察用户心理。

不仅用在产品策划阶段，在后续的营销传播中也非常有用，比如分析竞品成交量，了解网友对品牌的抱怨，推出解决方案。

知乎的苏格兰大神喵详细介绍了其中一个实用方案，需要一个心理学方法和一个用户动机分析工具来实现:

1)心理投射分析法

比如网易过去做的荣格心理测试，就是一种心理投射:用户在不同场景下的选择，代表了特定的心理暗示。每一个选择都会产生一个标签，最后结合分析模型，从这些用户标签信息中获得情感洞察。

2)Censydiam用户动机分析模型

马斯洛需求理论是最著名的用户需求分析模型，将人的需求分为生理需求、安全需求、社交需求、归属需求和自我实现五个层次。

但马斯洛的需求理论存在一个Bug:当人们的温饱(生理需求)在经济萧条中受到威胁时，高端品牌(归属需求)是否无人问津？

回答:没有。

比如美国的“口红效应”，大萧条时期，非必需品口红的销量反而上去了，因为它能对处于困境的人起到安慰的作用。

为了解决马斯洛需求理论的Bug，结合了心理学大佬们的几种理论的Censydiam用户动机分析模型诞生了:它将人的行为动机分为八种类型:享受/释放、整合/交流、服从/归属、舒适/安全、理性/控制、个性/独特、能力/地位、活力/探索。

有了方法和工具，再来看如何落地。

比如去微博平台洞察小米用户画像:

找到最近期最活跃的小米官博认为官博下的粉丝为活跃忠粉，通过工具或爬虫拿到他们的标签，如旅游、美食、数码等将标签映射到Censydiam中，发现主要集中在“享乐/释放”、“活力/探索”、“个性/独特”根据享乐/释放，小米提出“堪比XBOX游戏机”、“双摄像头”等新功能活力/探索，也是MIUI开发版的各种不同玩法、功能尝鲜的印证个性/独特，表示用户追求个性化的用机体验，能有自己DIY的空间

3.操作

在新产品期决定将资源投入到商品的成长期之前，交易者需要对商品有足够的信心。

此时，就需要通过量钱来降低投资风险。

数据分析:采集率、跳转率、停留时间、转化率等关键维度一周的数据统计。

其中，需要追溯爆品的历史数据，找到爆品的幻数。比如，如果集峰比达到20%，就认为这个模式有很大的爆发潜力。商品定位-聚类和分组

面对数百种商品和有限的资源，需要对商品进行分类，分配不同的资源，形成更有针对性的营销策略和博弈。

这时候数据分析是以指标聚类的形式来做的，比如帕累托分析、象限分析、波士顿矩阵等。

1)单指标聚类-帕累托分析

商品的帕累托分析是二八法则的升级应用，找到贡献最大、数量少的那部分商品作为核心利润产品，其余商品像长尾理论一样满足细分人群的需求。

然后将商品划分为不同的战略产品，采取不同的行动计划，提高商品管理的效率。

如何计算:

对评估指标(如销售额、利润等)进行排序；求出每个商品的累计数据；求出每个商品的累计数据占比；对每个商品的累计占比进行等级划分

如累计比例

在实际的业务落地过程中，因为数据分析往往属于事后分析，也就是对已经发生的现状进行分析。

比如帕累托分析中，会有一个以销售额为评价指标的商品划分问题:企业已经在某一种商品上投入了大量的资源或者投入到聚划算引流中。现在分析说属于A类，只是企业交易的结果，不能对未来给出指导和建议。

这是单指标聚类最常被质疑的一点。为了解决这个问题或者提供更多的信息，就需要多指标聚类，最著名的就是波士顿矩阵。

2)多指标聚类-波士顿矩阵

波士顿矩阵通过业务增长率和市场份额两个指标进行聚类，形成四个分类，并形成针对性的建议:

明星商品：高增长率，高市场份额。建议进一步扩大资源投入，扩大竞争优势;金牛商品：低增长率，高市场份额。维持资源投入，保持市场份额;问题商品：高增长率，低市场份额。扩大投入，转成明星商品;瘦狗商品：低增长率，低市场份额。处于衰退期，清仓处理。

波士顿矩阵是基于全局的商品战略发展战略。其实商家是没有市场份额数据的，可以用相对市场份额来代替，也就是在得到4-5个竞品数据后，作为一个大市场来看商品在里面的市场份额。

根据场景目标选择用于聚类的指标，不同的组合满足不同的目的。

比如一个业务场景是为熟客推荐商品，翻译出来就是找出熟客偏好的商品并做成页面吸引回购。这时，可以计算商品的常客TGI指数，并与常客销售额进行聚类。对于老客户TGI高、老客户销售额高的商品，可以认为是老客户首选的、能够吸引回购的商品。

此时，除了运营，供应链还会根据商品所处的位置，采取相应的安全库存策略，保证爆款产品不会缺货，滞销产品不会积压。

1)滞销资金

根据二八原则，一个店铺80%的利润是由20%的商品带来的。

剩下的80%，除了普通商品，肯定还有滞销的钱拖累销量。

除了上面提到的指标聚类法，还通过以下方法判断当前业务:

打分排名：适用于所有商品，先基于多指标制定排行榜打分标准，在一定的时段后，针对所有商品进行打分，排名最后5％～10％为淘汰对象；销售量/额：适用于单价低的商品，基于历史数据，找出销量/销额的生存线魔法数字，如300个/月，未达此标准的淘汰处理；

在这个过程中，数据分析师需要深入了解业务，找到数据变化背后的原因。

如果一个商品参加直播活动，销售数据很差，仅凭数据很容易误判不适合直播。

事实上，调查后发现，那天正是直播的日子。因为平台运营设置错误，导致一个平台上的价格更低，以至于顾客在直播上看到商品，去其他平台购买。

这时候就需要用商品组合分析法了。以下是对这种方法的解释:

也称为购物篮分析。现在常见的“福袋”是一种商品组合游戏，目的是提高客户名单。毕竟买两件比一件贵。

在这个场景中可以通过购物篮分析做数据分析，分析不同商品组合的支持度、信心度、促销力度，最后给出落地策略。在实际的业务落地过程中，分析逻辑会更加丰富:

不仅是单品之间的连带，还可以是风格、材质、价格等之间的关联不仅是单次订单的组合，还可以是顾客历史消费的商品组合在应用场景上，不仅是连带推荐，还可以是关联复购推荐

目前最常用的关联分析算法是Apriori。理解了原理之后，用Python或者自己计算都很容易实现。

2)销售预测

销售预测当商品进入成长期或成熟期，已经沉积了足够的数据来预测未来的销售趋势。

但实际上，在大多数业务中，业绩是做出来的，而不是预测出来的，那么为什么需要做销售预测呢？

一方面，要帮助供应链在商品库存管理上更加高效；另一方面，做复杂算法模型的意义在于探索影响业务和销售的因素之间的关系，有助于制定销售目标，或者制定完成目标所需的必备条件。

销售预测模型在落地过程中，不仅要考虑周期性和区域性，还要量化业务规则等因素，或者根据业务场景对模型的预测结果进行补偿。

不然高大上的机器学习模型，报告准确率90%，但是一旦预测到更细的类别，就直接降温了。

对于供应链来说，预测整体销量没有太大意义，他们运作的粒度是到SKU的，所以模型预测结果至少可以二次分类使用。

进行销售预测的常用方法有:

MA移动平均，是许多时间序列预测的基础，通过设定时间窗口大小，计算平均值并推断/预测下一个时间窗口数据；ARIMA模型，它由AR（Auto Regress 自回归模型）+I（Integrated 差分）+MA（移动平均）组成，或者说ARIMA模型的拟合序列 = 周期序列 + 趋势序列 + 残差序列。看起来比较复杂但是不难理解，建议可以到知乎深入学习；Prophet模型，Facebook出的、比前两者更复杂的时间序列预测模型，但是它反而因为融入了更多业务因素（如季节），更具备可解释性，上手也不难；以及其他机器学习模型，如回归算法、XGBoost等，但这些实操效果发现，要做到高准确率，需要花费更大的功夫，还有头发的话就可以抓紧再学习。

3)流量拆解预测销量

除了以上方法，有自己流量体系的电商平台，比如天猫，也可以根据流量换算公式计算出预期销售额。

天猫618促销前，根据去年同期和近180天的流量数据，转化率，以及品牌私域用户策略数据，得出618销售目标，给出各流量渠道的投入预算。

对于品牌来说，费用的投入是基于预期收益。

4)库存分析

供应链分析的另一个重要部分是库存分析。分析指标包括:库存、存销比、周转率、销售率、统一码率、品类占比等。

第三，结束

在互联网+引领的新时代，作为数据驱动的新能源，“数据分析+”也随之衍生。

数据分析+用户运营，数据分析+商品运营等。，都是用不同于传统方法的数据思维来操作的，但这并不意味着我们只能从业务上看数据。相反，本文在很多地方强调了将业务融入数据分析的重要性。

如果你对商品运营有不同的看法，或者想详细了解哪一部分，欢迎留言讨论~

本文由@饼干哥原创发布。每个人都是产品经理。未经作者许可，禁止复制。

题目来自Unsplash，基于CC0协议。