人货匹配模型搞懂没?大家都在讨论它

大数据 数据分析
所谓电子商务,还是商务,本质上运作的逻辑是一样的。不同的是,互联网上用户行为能留下充分的数据记录,因此能进行相对准确的分析。再也不用像传统门店那样,靠研究人员现场肉眼观察消费动线了。

很多数据分析书本、文章都提过人货场模型,但对于其中最核心的人货如何匹配,没有详细介绍。人货匹配是非常底层的分析理论,涉及到转化率分析、用户分群、推荐算法训练等重要议题,无论互联网的电商、O2O、短视频、直播等产品都会考虑这点。废话不多说,今天详细介绍一下。

一、导购型匹配

设想一个最简单的场景:顾客站在柜台前,说“我想要个电风扇”。此时顾客需求已经跋山涉水来到店里,成交意愿很高。且需求已经表达得很清晰了。作为导购要确认的,就是:到底是啥样的电风扇。这就是常见的:导购型匹配。

此时匹配的,主要是具体商品信息,比如:

  • 场景:出门用?办公桌用?卧室用?客厅用?
  • 款式:手里拿的、台式的、落地式的?
  • 价位:价格大概在XXX范围内?
  • 设计:这个外观/颜色/造型,您满意不?

注意,这四点信息的匹配,是层层递进的关系。使用场景决定了款式、价格、设计。价格又决定了设计、做工等等细节。所以一个优秀的导购,一定是由大到小确认,这样更容易锁定顾客需求,提升匹配成功率。

这就是为啥名字要叫导购(像向导一样引导购买),而不叫推销员的原因。无脑的推销员才是一上来就blabla讲一堆:“我们的产品有十八项功能二十种专利好好好各种牛逼……”

当然,不同商品,导购提升匹配成功率的手段也不同。常见的手段包括:

1、场景式匹配:常见于耐用品、大件商品。从需求场景出发,逐步引导到具体价位、功能。

2、体验式匹配:常见于快消品、服装、美业。直接让用户体验产品,体验良好马上锁定需求。

3、陈列式匹配:常见于快消品,特别是啤酒瓜子矿泉水这种小金额即时消费产品。反正顾客买了也就图个新鲜,直接陈列几十款,看中哪个拿哪个。

4、价格式匹配:常见于快消品,特别是日用、家居、护理、清洁类产品。这些化工产品成本低、囤货周期长、日常都要、用户对价格敏感,只要价格有优惠都能吸引一波囤货。

所以理论上,场景式匹配是最佳的导购匹配模式。但实际上,相当多快消品,消费者并没有耐心细细思考:到底为啥要买。消费者本身就是冲动消费。因此不需要事事都场景匹配,体验、陈列、价格都很好用。只有大件商品,才适合细细梳理场景,进行引导。

总结以上要素,可以推导出导购型匹配的分析模型(如下):

图片

二、门店型匹配

设想一个略复杂的场景:顾客在商场里逛,还没有决定去哪个店。此时顾客成交意愿并不高(甚至都不确定他是不是来购物的),需求也不明确。因此不可能一上来直接精准匹配到一件商品。此时要做的匹配,本质上是:把有需求的用户挑出来,引导到店里。

注意:在这个场景,是无法准确获取用户信息的。客人还在商场里晃来晃去的时候,就叨叨问一堆问题,不但啰嗦,而且会把客人吓跑。此时更需要的是引流手段,能吸引有需求的客人来,同时尽量规避无需求的客人,避免浪费资源。

常用的手段,有:

1、基于自然周期的:大部分消费品都可以用,因为大部分消费品在一年中,都有自己固定的热销时间段,比如:周末、月末、季度末、逢年过节。在相应的时间段开展活动即可。

2、基于消费周期的:根据顾客消费记录,之前购买的预计已消耗完了,提醒二次购买。

3、基于用户分层的:常见于美业、健康等大客户聚集的行业。针对高端用户定向邀约,定向开展活动,一方面防止客户流失,另一方面给潜在的大客户树个榜样,吸引加入。

4、基于生命周期的:常见于母婴、教育、健康等生命周期强烈的行业。想拦截妈妈、宝宝、老人,去公园、游乐场、波波池拿着玩具、鸡蛋、米面油等等就行了……

5、基于渠道的:常见于金融、地产、家居等需要大客户的行业。在目标客户的聚集的渠道(企业、小区、商会等等)集中推广,吸引客人。

由于既不确定顾客购买意向,又不确定需求,因此这个阶段的匹配成功率必然是大大降低的。并且夹杂的影响因素太多,根本无法分析清楚:到底是哪个环节出的问题导致不成交。因此为了提高分析效率,一般拆成两段进行分析:引流到店、到店成交。单独考核各种手段引流到店的质量,再看到店后怎么引导成交。

总结以上要素,可以推导出门店型匹配的分析模型(如下):


图片

三、商场型匹配

设想一个更复杂的场景:顾客在步行街里逛,还没有决定去哪个商场。此时顾客成交意愿和需求非常不明确,甚至只是单纯路过而已。

注意:在这个场景里,商场和门店思考的问题是不一样的。

  • 门店:如果商场没有人流,就关了这个店,找有人流的商场开店。
  • 商场:不在乎具体一家店的死活,只要我有人流,就有源源不断的人来开店。

图片

这种利益分歧,直接导致了后续分析思路的差异。只有商场才在乎:如何把步行街的用户匹配到我这里来。

商品的匹配逻辑是非常简单粗暴的:

1、搞垄断:我用超低价补贴干死竞争对手,或者我直接把步行街的主干道给占了!用户自然到我这里来。

2、拉同伙:我低价拉一些大品牌门店入住,自然能吸引高端用户进来。

3、造流量:我在负一层开一个便宜的巨型超市,顾客自然会蜂拥来买。

4、做配套:我开一个大型儿童乐园,爸爸妈妈们就会带娃来玩,顺便逛个街。

仔细观察就会发现:这里几乎没有考虑用户需求。单纯地靠商业运作即可。实际上,商场也是要考虑用户需求的,毕竟以上四点,只能把用户拉进来。想进一步赚钱,还得吸引小商家入住。因此涉及:怎么把用户匹配给小商家的问题。

商场是完全不在乎某一个小商家的死活的(除非这是自己的亲儿子)。所以商场处理用户与商家匹配的问题,也是非常简单粗暴:

1、直接出钱买。谁花钱买好的铺位,我卖给谁

2、按区域分配商家。有电影院入住了,就把奶茶、小吃摆在旁边

3、观察用户行为。比如妈妈们都喜欢在波波池溜娃时顺便看母婴商品,就推亲子消费季。

这样就足够了。然后还可以包装一些成功案例,给还没入驻的小商户看:“你看入住这里多赚钱呀,快来快来。”

图片

四、传统企业VS互联网企业

有的同学会说:陈老师,你这讲的都是传统开商场,可我们是互联网行业呀。其实认真看了这三种匹配模型,大家发现什么没有……

所谓互联网,根本就是把传统商场搬到线上而已!

  • 把导购换成网红,就是所谓直播电商玩法
  • 把导购换成加个人微信,就是所谓私域流量玩法
  • 把门店投在商场的广告,换成直通车,就是平台电商的玩法
  • 把门店投在路边的广告,换成加企微群,就是社群营销的玩法
  • 把门店VIP老带新有礼,换成裂变广告,就是裂变增长的玩法
  • 把商场换成XX平台,这帮互联网APP烧钱、派券、1元购,是不是很熟悉了
  • 把按区域分商家,换成按首次点击商品属性计算商品间距离函数,就是推荐算法里相似性推荐算法。
  • 把按人群行为推活动,换成按相似点击行为分人群,再推荐商品,就是协同过滤算法。

所以,所谓电子商务,还是商务,本质上运作的逻辑是一样的。不同的是,互联网上用户行为能留下充分的数据记录,因此能进行相对准确的分析。再也不用像传统门店那样,靠研究人员现场肉眼观察消费动线了。

这也从另一个角度反映:不要迷信所谓“大厂推荐模型”,不同角色、不同场景、推荐商品的思路和关键要素完全不一样,一味抄袭,只会画蛇添足。

责任编辑:武晓燕 来源: 接地气的陈老师
相关推荐

2022-05-07 09:08:13

路由策略网络规划

2021-11-12 08:58:58

CIO客户体验首席信息官

2021-03-02 07:08:38

比特币区块链加密货币

2009-09-22 11:27:41

模型对象Hibernate

2023-01-03 00:49:00

2020-10-14 08:50:38

搞懂 Netty 线程

2020-03-02 15:48:26

戴尔

2021-07-01 07:34:09

LinuxIO模型

2018-02-02 08:55:47

LinuxCPU

2022-04-12 08:00:17

socket 编程网络编程网络 IO 模型

2021-12-15 06:58:28

RedisEhCache缓存

2020-11-20 07:58:04

Java

2019-09-24 09:47:20

IOT大数据物联网

2021-04-29 22:11:28

Python排序算法

2020-05-11 14:35:11

微服务架构代码

2009-10-29 16:32:34

Oracle表空间

2018-04-26 11:05:55

分布式系统集中式系统数据处理

2021-04-14 11:20:04

无代码APPNo Code
点赞
收藏

51CTO技术栈公众号