林克威專欄

【林克威專欄】怎麼分配好電商流量,電商經營最重要的就是不同類型的流量分配

怎麼分配好電商流量,電商經營最重要的就是不同類型的流量分配

近年來,各網路產品的流量分配策略成為討論的焦點,使得相關電商顧問人士價值也水漲船高。那麼,流量分配到底有什麼樣的魅力呢?今天特別分析了不同類型電商的流量分配。

我們先來理解下流量分配,顧名思義就是流量分配至各個管道進行價值最大化的過程。根據目標不同,分配策略也不盡相同。

這里面包含了多種用戶觸達管道,比如:個性化推薦管道、搜尋管道、push管道、社會化行銷等管道。我們就不同類型電商產品的流量分配,以其中個性化推薦這個管道為例,圍繞以下幾點進行展開:

一、當下電商的的幾種形態

一種是我們熟知的PChome、Momo、Yahoo,這種傳統貨架式電商,另一種是Facebook直播這種帶貨式內容電商。

二、不同形態電商的幾個不同點

產品定位:Facebook這類內容電商,現階段的電商帶貨仍然處在探索期,並沒有完全轉型,本質還是社群產品;

核心方式:Facebook主要是觀看、互動、關注、收藏,核心方式不涉及交易,主要是訪問、加購、提交訂單、支付、售後,核心方式圍繞交易變現展開。供應鏈能力:新起內容電商沒有供應鏈能力,老牌貨架式電商已經對供應鏈能力沈澱了多年。

消費場景與業務模式:Facebook對於消費者而言,都是一個比較簡單而清晰的平臺,大多數以 feed流為主,滑動、點讚、關註,使用起來操作很簡單,場景較為單一,是輕業務模式;而貨架式電商,使用流程雖然也並不複雜,但是購物方式較長,購前、購中、購後、客服、售後等環節,場景複雜且較多,是重業務模式。

綜合以上幾點,社群和電商,一個是以消遣為主,一個是以消費為主。

消遣型產品手握流量,消費型產品手握供應鏈;一個是輕業務,一個是重業務;一個是流量的起點,一個是流量的終點。

當消遣型產品在流量充足的前提下,尋找更多變現手段來創造更大想象空間來獲取更高估值或者更多資金進行發展經營時,電商一直都是很好的變現手段;所以我們可以看到社群產品已經開始電商化。

三、在貨架式電商中,抽象出消費場景的一些經驗

比如:購中,提交訂單頁面,對於湊單滿減這種場景,是不能夠和購前的首頁猜你喜歡使用相同的流量分配策略的;但是,又不能一個場景一個策略,這樣會分散產研運的精力;所以,抽象歸類是非常重要的一個環節。

流量域是一個很好的抽象維度,比如:首頁的各種商品主題入口、內容頻道,這些公域流量場景,可以歸為一類。

首頁對於電商而言,意義特殊,我們單獨定義為另一類,同理,搜尋結果頁也是單獨的一類;對於頻道頁,無論是各業務線還是各行業線,都是各業務或者行業運營精細化的主陣地,所推商品都是各業務線或者各行業線的獨立商品池,暫時歸為一類,屬於私域流量,同理還有促銷頁;在有就是店鋪頁,完全是店鋪內商品的分配,暫時也是單獨歸為一類,屬於私域流量。

諸如此類,我們可以先抽象出幾類場景,然後在結合其他維度,建立一個三維或者多維的模型網絡,這樣就可以根據交點找到抽象後的歸類結果。

比如:大促期間的促銷頁,當碰上不同業務時,比如遇上百億補貼,和遇上海選報名,分配策略就完全不同;這兩個場景,就是在二維模型網絡中的兩個交點。

如果在根據不同產品類型(比如榜單,或者feed流產品形式)來區分,就是在三維模型網絡中的多個交點;當在ㄒ促銷頁,百億補貼的榜單這個場景下,和促銷頁、海選報名的feed流場景,就是不同的分配策略。

所以,對於貨架式電商,分配策略要相對複雜而不容易統一,且對商家獲取流量的規則也不是很好理解;針對一些規則,在場景覆蓋上也不是很全面,只能通過建立分場景的分配策略來解決人貨的匹配。

四、搭建個性化推薦系統的思路

我們先要明確的是不同類型電商產品要解決什麼問題?

Facebook解決的是用戶場景和內容的問題,簡單來說是誰在哪想看點什麼,解決的是人貨場的問題,簡單來說是誰什麼場景下想買什麼。一個強調看的內容,一個強調當下關註的商品,一個強調不同場景下關註的商品;所以個性化推進落地時,對消費者一側的側重點是不同的。

當我們明確了問題,也可以定義出場景的時候,剩下的就是考慮在這些場景下如何做個性化推薦了。

然後,再結合用戶行為、停留時長、社群關系,進行用戶偏好意圖獲取;經過召回排序後,在規則層根據不同時期的平臺規則進行調整,既能準確判斷用戶偏好意圖,又使創作者能夠持續性獲取流量。

另一類是貨架式電商,其本質是電商,場景複雜,按照一事一議的原則,對場景抽象歸類,然後就是要多考慮商品側的特徵。

比如:標題、圖片、品類、品牌、價格、行銷和促銷活動,屬性參數比如服飾顏色尺碼等;在這些特徵基礎上,基於用戶行為對應的商品屬性、用戶屬性,進行個性化召回、排序,在結合上面提到的抽象出來的歸類場景,在不同場景下進行不同策略的分配。

當內容與電商相結合,在內容電商方向上進行個性化推薦時,就要結合內容特徵與商品特徵;如果內容特徵重一點,則商品轉化情況可能會受影響,對原業務影響最小。

但是如果商品特徵重一點,則對原社群屬性會造成威脅,用戶活躍度可能會受影響,對新業務的推進而言會受到一定的阻礙;在這一塊,就需要研發人員對特徵進行整合和評估,得出最優解。

五、落地方案要兼顧消費者和創作者/商家的利益

我們一定要有平臺的概念,平臺,提供的是資源供給和產出消費,簡單來說,平臺既面向消費者,又面向創作者/商家;供給方的需求是簡單操作即可獲取流量進行變現,消費方的需求是獲取高質量資源滿足當下欲望。

如果想在獲取流量繼續搞增長的同時,同步還要來保證創作者的持續性投入;就必須為平臺建立一套規則,即面向消費者,也面向供給方;只有建立一個公開透明的流量獲取規則,才可以盤活創作者/商家,保證他們的流量來源。

六、會影響到落地效果的幾個注意點

在梳理這個經驗之前,我們先明確下推薦算法,推薦策略,推薦系統這幾個名詞的概念,其實,看似相同卻不相同。推薦策略,則是指有人參與制定規則的問題解決方案;而推薦系統,是學術界在工業界的落地,是一個相對複雜,且包含推薦算法和推薦策略在內的系統,一個完整的推薦系統所涉及的方式比較長,它涵蓋了基礎日誌採集/基礎業務訊息採集-數據反饋與處理-數據源篩選-召回-粗排-精排-規則-AB Testing-效果分析等多個環節。

這些環節適用於以上每個產品的個性化系統,只是大同小異而已,所以不拆開對比,以下可能會影響到落地效果的幾個點需要提前規避:

  • 個性化推薦

個性化推薦,都會依賴大數據的採集、基礎訊息的採集,無論是行為日誌,還是業務數據,都是有著高要求的。

比如,設備唯一標識、會員唯一標識、會話唯一標識,在曝光、點擊、訪問等日誌中的映射,在請求時的回傳,這些數據是否能夠匹配,業務訊息採集和日誌訊息的採集是否有遺漏,都會有所影響。

  • 即時反饋數據

即時數據反饋,輸出商品後是否有行為發生,如何篩選行為數據,數據中的各字段業務背景與含義,篩選條件是否能夠覆蓋需求,這些會影響反饋的效果。

  • 數據處理規範

數據處理規範,一般是上下遊約定,明確各字段的背景與含義,這個環節最容易出的問題是上下遊訊息不同步,導致業務變更,影響效果;還有就是清洗時的要求,比如對噪點數據的剔除等,比如誤觸、極端活躍用戶的某些數據等;這些都會間接影響效果,且在根據報表逆向定位時無法得出準確結論。

  • AB Testing

AB Testing中,正常模型上線之前,算法會進行評估,原則上離線指標優於線上指標,新模型就具備了上線的前提;但是實際,離線效果不一定是靠譜的結果,所以最終進行線上AB,是上線前的必經之路。

一般都會做調用推薦和沒有調用推薦之間的AB,這種是調用方按照UV,進行分桶;AB模型的效果,會通過模型輸出的數據標識,透傳給調用方,進行埋點,進而實現報表的計算。

  • 用戶行為較少

用戶行為較少也會影響結果,比如在基於用戶行為進行分析時,實際上是有一些偽命題傾向的;因為很難準確判斷用戶的相似性,和商品/內容的相似性,就會存在一些誤導,對於電商而言比較難去預測。

  • 用戶行為不規律不連續

還有用戶行為不規律不連續,這里主要是在相對穩定的時間周期上的不規律和不連續,比如,N%的人M天來一次,N和M沒有固定規律;這中間,偏好會變,行為不連續,即使結合長短期行為進行召回,也不能夠準確的判斷用戶意圖;偶爾逛Momo,偶爾看Facebook的人,是很難確認用戶真實意圖的,此處的真實意圖並非是算法算出來的意圖。

影響用戶決策的因素,除了這些,還有推薦過程中的商品展示元素、體驗、內容的封面、內容質量等基礎數據質量等因素;如果內容基本訊息不全、訊息匹配不準、商品參數錯誤不規範,都很難實現商品與內容的精準觸達。

  • 馬太效應

其實,只有當系統長期處於長尾效應時,才會影響推薦效果,這種越熱的商品經過推薦會變的更熱的情況;比如榜單,長期使用會造成新鮮度下降,長期發展對於用戶是推薦疲勞,點擊率自然會下降。

解決的思路主要是如何針對於頭部商品進行降權,一般通用的比如算法設計的時間衰減,通過時間遷移,商品熱度會降低,還有不同時期通過業務幹預的方案;比如某類商品的加權,或者通過調整商品池門檻,來進行商品池中的長尾商品數量占比。

以上,分享了一些個人在不同產品的個性化分配策略中的觀點,希望能夠和夥伴們進行交流,還望對不合理之處寄予糾正。其實無論是電商內容化,還是內容電商化,轉型和新的嘗試都會承擔觸及企業營收的風險,每一次新的嘗試都會伴隨陣痛期,希望每個企業都能順利度過轉型期並得到預期的發展。

原文來自:林克威的電商老闆創業誌
更多科學與科技新聞都可以直接上 明日科學網站 www.tomorrowsci.com