商品数据化运营概述

商品是指狭义上的实物商品，不包含有偿服务、虚拟商品等。商品和产品在很多场合下可以互用，但在互联网领域，产品也可用来表示与用户交互的载体，例如app、网站等。但这类产品的概念非以下所讨论的商品范畴之内。

商品运营可分为：

• 销售预测
• 库存管理
• 商品结构优化
• 动销管理
• 捆绑策略
• 关联组合

1 商品数据化运营关键指标

• 销售指标
• 促销活动指标
• 供应链指标

1.1 销售指标

• 订单量 / 商品销售量
  • 订单量：用户提交订单的数量(去重)
  • 商品销售量又称销售件数，指的是销售商品的数量。
• 订单金额 / 商品销售额
  • 订单金额 = 商品销售额 + 运费 - 优惠凭证金额 - 其他折扣(如满减)
  • 商品销售额 = 商品销售单价 X 销售数量
  • **前者侧重于用户实际付款，后者侧重于总收入。
• 每订单金额 / 客单价 / 件单价
  • 每订单金额 = 订单金额 / 订单量
  • 每订单金额 = 订单金额 / 订单用户量
  • 件单价 = 订单金额 / 商品销售量
  • 评估单位对象的价值产出，分别侧重于订单个体、用户个体和商品个体。
• 订单转化率
  • 订单转化率 = 产生订单的访问量 / 总访问量 OR 产生订单的UV / 总UV量
• 支付转化率
  • 支付转化率 = 完成支付的客户数 / 需要支付的客户数
  • 针对先款后货客户
• 有效订单量 / 有效订单金额 / 有效商品销售量 / 有效商品销售额
  • 有效状态下的订单数量为有效订单量
  • 有效状态下的订单金额为有效订单金额。
  • 有效状态下的商品销售量为有效商品销售量
  • 订单状态为有效的商品销售金额为有效商品销售额。
• 订单有效率/废单率
  • 订单有效率 = 有效订单量 / 订单量
  • 订单有效率从订单发生时随着时间推移开始下降，直到所有订单完成妥投才处于稳定状态。（一般在60%）
  • 废单率 = 1 - 订单有效率
• 毛利 / 毛利率
  • 毛利 = 商品妥投销售额 - 商品批次进货成本
  • 考察自营商品盈利情况，综合反映了商品的盈利规模和盈利能力。
  • 毛利率 = 毛利 / 商品妥投销售额

1.2 促销活动指标

• 每订单成本 / 每有效订单成本
  • 每订单成本 = 费用 / 订单量
  • 费用视部门而定。
  • 适合评估部门级别业务效果或作为企业的初级评估指标。
  • 每有效订单成本 = 费用 / 有效订单量
• 每优惠券收益 / 每积分兑换收益
  • 每优惠券收益 = 优惠券带来的订单成交金额 / 优惠券数量
  • 每积分兑换收益 = 使用积分兑换的订单成交金额 / 积分兑换量
• 活动直接收入 / 活动间接收入
  • 直接：单纯通过促销活动带来的收入，用户购买的订单商品均为促销活动商品
  • 间接：通过促销活动带来的用户购买了非活动商品的收入情况。
  • 通过促销活动引入，可通过定义用户落地页是活动页面加以区分；订单商品为非活动商品，可通过参与活动商品列表进行拆分。
• 活动收入贡献
  • 包括直接和间接收入贡献总和。
  • 活动收入贡献占比 = （活动直接收入 + 活动间接收入） / 全站订单成交金额
• 活动拉升比例
  • 活动对全站销售的拉升情况，指：
    • 销量拉升
    • 销售额拉升
    • 订单量拉升
  • 活动拉升比例 = （活动期间收入 / 非活动期间收入) - 1

1.3 供应链指标

• 库存可用天数
  • 库存可用天数 = 库存商品数量 / 期内每日商品销售数量
  • 库存可用天数越长代表商品可用时间越多，但过长的可用天数可能意味着商品滞销，因此库存可用天数需要保持在一定的范围内。
  • 不同的商品的可用天数需要根据库存周转天数来定义：例如商品库存周转天数是30天，那么可以将库存天数划分为7天内、8-14天、15-30天、30天以上等。
• 库存量
  • 周期内全部库存商品的数量。包括正常可售卖商品、已被订单但未发货、残次、调拨未出库商品等。因此会出现商品有库存但无法销售的情况。
  • 安全库存量 = 每日商品销量 X 正常到货时间（天） + P
  • 最低库存量 = 每日商品销量 X 紧急到货时间（天） + P
  • 最高库存量 = 每日商品销量 X 最长到货时间（天） + P
  • 其中P为调节参数，包含企业销售任务、节假日、仓储运维等因素。
• 库龄
  • 从进入仓库时开始产生库龄，指商品库存时间。公式为：库龄 = 出库时间 - 入库时间
  • 先进先出、先进先销的原则出库，因此同一商品的库龄要按照其相应进货批次的时间计算。
  • 按照时间划分不同区间，如1-30天库龄、31-61天库龄、61-90天库龄等。
  • 不同商品的周转天数不同，划分时间段也会有所差异。
• 滞销金额
  • 滞销指商品周转天数超过其应该售卖的周期，导致无法销售出去的情况。
    • 滞销金额占比： 滞销金额占比 = 滞销金额 / 库存金额
    • 滞销SKU占比
    • 滞销商品销量占比
  • 滞销造成资金积压、影响资金流动，另一方面会因产品过季、过保质期或淘汰周期而导致产品损毁而下市。
• 缺货率
  • 相对于滞销的另一个极端，意味着库存商品无法满足用户购买需求。
  • 缺货率 = 缺货商品数量 / 用户订货数量。
    • 缺货金额 = 缺货商品数量 X 缺货商品单价
    • 缺货商品数量 = 用户订货数量 - 库存商品数量
• 残次数量 / 残次金额 / 残次占比
  • 残次指商品库存、搬运、装卸、物流、销售等因素造成的商品外包装损坏、产品损坏、附件丢失等影响商品二次销售的情况。
  • 残次数量是指残次商品的数量。
  • 残次金额是指残次商品的进货成本，公式为：
    • 残次金额 = 残次商品批次进货单价 X 残次商品数量
    • 残次金额占比 = 残次商品金额 / 库存商品金额
    • 残次数量占比 = 残次商品数量 / 库存商品数量
• 库存周转天数
  • 用时间表示库存的周转速度；指的是从商品进货到最终完成销售或损毁所经历的天数。天数越少说明周转越快：
    • 库存周转天数 = 360 / 库存周转率
    • 库存周转率 = 年销售商品金额 / 年平均库存商品金额

2 商品数据化运营应用场景

• 销售预测
• 库存分析
• 市场分析
• 促销分析

2.1 销售预测

销售预测是做计划、管理、预算和制定目标的基础。通过为历史数据的分析，预测未来一段时间内企业可能产生的销售额、销售量或订单金额等。 典型场景如下：

• 未来一周会产生多少商品销售量？
• 如果给销售部门50，000元促销费用，与其能带来多少订单？
• 下个月估计能产生多少毛收入？ 流程：销售预测 >> 目标预测值 >> 评估相应资源投入/针对性做商品销售策划

2.2 库存分析

库存分析是商品动销分析的关键点，也是商品销售的基础和前提。 典型场景如下：

• 当前的商品结构如何？是否具有合理的广度和深度组合？
• 库存中的滞销商品金额有多少？滞销时间多长？
• 当前M商品的可用天数是否能满足销售预期？需要补多少货？
• 平均商品库龄是多少？如何提升商品周转并降低库龄？
• 如何设置安全库存警戒线？
• 如何管理季节性库存商品，以满足季节性促销活动？
• 如何找到大龄库存商品并合理安排销售周期，防止商品过期和过季？
• 如何找到商品的最佳库存位置，以实现更高效率的商品分拣、包装和出库？

库存分析的关键是找到脱销和滞销的平衡点，以在不变的库存状态下，最大化地满足商品周转并降低库存资金占用。

2.3 市场分析

主要应用于对商品所在市场的规模、特点、容量、性质、趋势等方面的宏观分析，主要侧重于解决以下几类问题：

• 公司要打造新产品，该产品的市场容量有多少？预期年销售量有多少？
• 用户对于产品的关注点在哪里？最满意和最不满意的点分别是哪些？
• 新产品要上线，售价定在多少比较合适？
• 产品C的市场竞争对手嗜睡？它们各自具备哪些优势和不足？
• P手机产品现售价4800元，预计3个月后的售价是多少？
• 北京的用户对于商品的预期需求与上海的用户有哪些差异？ 商品市场分析既可以侧重于单个商品，也可以侧重于品牌、品类等更高聚合的维度，并且能从宏观角度评估所有商品本身及所处市场的优劣得失。

2.4 促销分析

促销分析是商品数据化运营应用最为广泛的场景之一，现在几乎每个企业都形成了以促销带销售的运营节奏。 典型业务场景：

• 如何制定打包和组合策略，使得用户单次购买商品金额最大化？
• 制定商品向上销售策略，购买了家电的用户下次还可能购买什么？
• 促销资源分析，明日商品活动的目标销售额是5000万，预计需要多少促销费用？
• 精准商品销售或推介，企业目前有1000件商品需要清仓处理，如何快速销售出去？
• 恶意促销订单、作弊订单的检测和分析，当前订单中有哪些是疑似虚假的订单？
• 促销方式分析，在不同的促销方式下，哪种最有利于销售提升并能使总体销售最大化，而不是全部商品都做促销？
• 商品定价，针对M商品，应该制定的促销价是多少才能满足销售额最大化的需求？
• 商品陈列分析，如何摆放不同的商品才能带来促销连带销售的最大化？
• 组合方式分析，大型活动时应该如何将不同的促销方式和折扣手段结合起来，以产生最大的活动收入？

促销分析涵盖的策略制定、实时监测、后期分析等各个场景都是商品运营值得关注的环节，也是数据产生可量化价值的主要场景。

3 商品数据化运营分析模型

• 商品价格敏感度模型：
  • 从商品信息和客户信息两个角度建模，建立商品价格和销售量间的关系模型（回归）
• 新产品市场定位模型：
  • KNN聚类算法，注意做标志转化、异常值处理、标准化等
• 销售预测模型：
  • 时间序列：自变量较少时，只能基于历史销售数据做预测时使用。
  • 回归: 基于可控的特征变量建立回归模型来预测未来的销售情况。
  • 分类:针对每个销售客户产生的是否购买的预测分类，然后再基于能产生购买的预测分类做客单价、订单量和收入的分析。
• 商品关联销售模型：
  • 关联算法：Apriori,FP-Growth,PrefixSpan,SPADE等。实现的是基于一次订单内的交叉销售及基于时间序列的关联销售。
• 异常订单检测模型
  • 异常订单
    • 黄牛订单
    • 恶意订单，锁定库存，活动后取消、退货释放内存。
    • 商家刷单
  • 检测：
    • 分类算法（SVM,随机森林等）>> 分类预测
    • 非监督式。OneClassSVM
• 商品规划的最优组合模型
  • 线性规划