Convertlab师海生 |服装行业如何做「数字化运营」(上)

2020年7月29日 上午11:27 作者:admin 阅读(153)

 

在企业营销的数字化运营这个问题上,不少CMO常抱怨自己的困境是“听了很多大道理,依然带不动销售量”。数字营销技术如何与服装企业现有的架构对接落地?这些工具如何切实地在运营流程中帮助销售实现增长?

今天Convertlab解决方案群总监师海生为大家解答这些问题,并针对服装行业的数字化营销落地进行详细讲解。

 

01  从业务架构看数字化营销如何起效

 

服装行业处于新零售概念的浪潮顶端,不少企业很早前就开始进入天猫等平台开始新零售的数字化建设,之后经历了微信商城、会员通等多个平台的增建和迭代。从这点上来看,服装一直是走在数字营销风口浪尖上的行业。

无论如何变化,零售的本质其实是运用数据去回归价值的创造和传递。作为品牌方,为客户提供的品牌价值、产品价值、服务价值和社交价值,这些是不变的。

从客户视角讲,客户生命周期价值也是不变的。所以说数字化营销一定要回归商业本身,也就是价值的创造和传递过程。

从数据产生价值,起点是数据,终点是价值。整个过程可以分为数据采集、数据整合、数据洞察和数据应用4个阶段。

 

 

经历了这4个阶段才能真实地从数据中创造价值。

数据采集具体可以包括搭建自有电商,处理第三方平台的订单,搭建多渠道的会员体系,抓取官网行为数据,铺垫多渠道的触达能力去做导购端,这些是属于业务前台的建设过程。

然后,企业需要建设自己的CDP和全渠道数据仓库,形成数据整合。

接下来是数据洞察部分。所有的数据放在一起之后,要为商业决策做辅助,尤其为沟通策略和营销策略。这个部分就是数据洞察,通常来说会有不同的BI系统,比如行为BI、商业BI等,还有标签体系。

除此以外,一些企业会有自己的科学家团队、数据团队去做推荐和决策算法。同时也会有ABS帮助一起做投放效果追踪,这些都是属于数据洞察。

在所有的数据整合结束之后,得到了一些有价值的洞察,再进行数据应用。

数据应用的过程有两端:

一端是为了生产和供应链决策,缩短库存周期、提升销售转化率、降低库存——这是属于销售端的应用。

另一端则包括日常的营销活动、四大渠道整合、个性化推荐、自动化营销、生命周期的营销等等——这是属于数据端应用。

这个过程是融合所有的数据,去创新一些运营手段,使数据成为工具,帮助提升运营质量。

 

整个逻辑最核心的部分其实是数据应用,对一个企业的核心问题就是:数据能不能产生价值?

我们今天讲的是运营落地操作,所以从实际来设想。当有一个消费者来到了我们的品牌,他可能会经历从获客开始到推荐、留存、购买结束整个过程。

但实际上消费者是在多个端、多个渠道去产生各种各样的行为。所有的这些行为以及相应的数据能不能整合在一起,同时被利用,跟消费者进行个性化的沟通,是营销是否成功的关键。

以前做活动推动营销是很麻烦的,麻烦在哪?因为组织者要找很多人对接,比如IT部门、 CRM部门、官网后台,这些可能还不是一个供应商。麻烦在于,需要告诉这些部门的人员,活动的逻辑,提供什么样的人群包。然而,这些要求有的可以做到,有的做不到。把这些人群包给到组织者,最后实际上能做到的可能只是提交一个Excel表格。

组织者再把 Excel给到他的下游,比如说短信或者微信服务商,然后请他们去作为做触达。

做完触达之后,具体的转化率或者说购买转化有多少,又需要去官网后台,根据数据去核对,这样下来,做一场活动是很累、很麻烦的

 

如果刚才所说的这些“麻烦”可以在一个平台实现,达到全渠道统一认知的状态,就能为业务摆脱IT束缚提供很大的助力。

 

 02 标签体系的搭建要点

 

标签体系和客户画像很多人都听说过。本质上是从各个渠道去获取了关于 ID的各种各样信息,把这些数据整合到一个人身上。

对于服装行业来说,因为整个标签体系涉及的范围非常大,客户最多可能有几千个标签,因此体系的建立很难。

从实用性角度来,在建立过程里可以注意这么几个维度:

第一个就是人口学标签。

 

 

常用的标签有性别、年龄段、省份、城市、地域等。之后还有兴趣爱好和一些三方广告标签。后面这些标签平时用的比较少,扎扎实实把实用性比较强常用的标签用起来的,已经能够把营销活动做得很不错了。

每个标签都会有很多来源,它们的特点也不同。

以性别举例,有从微信、支付宝授权获得的;有会员在注册的时候主动填写的;有通过购买商品的适用性别计算得到的,这三种各有各有优缺点。

第一种的准确度比较高,我们实验发现其实用户填写微信性别的时候很少填写假的性别,因为他本身也有社交需要。所以准确度相对比较高。

第二种会员注册的性别准确度就比较低。有的时候大家习惯性地去填未知,这里有个很有趣的现象,就是注册性别这件事情,跟后期会员活跃度强相关。举个例子,注册会员整个会员池里面,如果性别未知的占20%,后面活跃度比较高的会员里面,性别未知的可能只占2%。

然后再说第三种购买性别,这个在营销场景中经常用,我们要上女装或者上男装的时候,在选择用户的逻辑,经常会用到购买行为更符合从货找人的逻辑。

但问题是这种方式的渗透率比较低,也就是说所有会员可能只有50%能够找到购买性别,但是能够找到的人通常在营销活动场景中的实用性更强。

所以从覆盖率讲,粉丝(性别)>注册>购买。而从应用的有效性是购买>粉丝>注册。

年龄标签也有类似的问题,注册年龄应该按照自然年龄和生日去进行自动滚算。地区的标签来源也有很多,比如注册填写省份,门店所在的省份等等,这些从覆盖率到准确性上也有不同。

区域等级标签在服装行业是非常重要的一个人口标签。

在换季的时候我们要按照地域不同进行市场活动。因为上新的时间不一样,所以根据业务区域划分,有的时候分成南北方,有的时候会分得更细一点。东北、华北、华东、华中、华南、西北或者像超一线、二线、三线、四线、五线及以下。根据不同品牌所在覆盖的城市等级,可以自己再继续去划分。

区域和等级其实也是来源的分类方法,和前面几项不同的就是可以从数据权限的角度严格按照注册或者管理划分。有的时候不同区域是有不同加盟商或代理商的,他们各自会引流带来不同的会员,在使用中也要按照不同的流量来源和数据权限去划分。

 

第二个是会员标签。

 

会员标签有很多,这里举三个例子:会员状态,渗透渠道,等级变更。

会员状态标签是经常用到的,比如异常会员和有效会员。

服装行业导购和收银员的流动性比较大,有很多导购和收银员其实会用自己的会员码去帮客户下单,就会有很多累计消费频次或者消费金额异常高的会员。

它们会给营销活动带来很多不确定性。如果分在对照组,活动效果不会很好。如果在执行组,活动效果好,又不知道为什么。所以这部分人一定要去判别出来。活跃/沉睡会员,这类划分根据不同的公司,不同的管理风格,会有不同定义,比如说有的近期有购买的叫活跃,有的公司是消费者有购买的就叫活跃。

新老会员是根据时间周期详细划分,比如说这个月的新会员或者季度新会员,今年的新会员等等。

再说说渗透渠道。

常见服装渠道包括门店、天猫、唯品会、拼多多、小程序、H5、APP等等不同的渠道。为什么要算渗透渠道呢?因为有的人会在一个渠道注册,但是跑到另外一个渠道购买。我们会发现一个很显著的特征:渗透渠道的多寡,跟会员的活跃度、留存率、总体消费额有强相关关系。

也就是说用户只在天猫买的话,它的流失成本比较小,它的流失概率比较大。如果他在我们多个渠道都有活跃,都有渗透的话,这个人相应的留存概率,或者说总体消费金额的预测可能相对比较高。

所以渗透渠道是一个判定现有会员质量的很重要指标。

接下来就是等级变更标签。

等级变更标签分为几种,一种是未来的总体变化,第二种就是近期有等级变化。

为什么要用这个标签?举个例子,金牌会员是一个消费的中坚力量。但即便都是金牌会员,响应度也是不一样的。最直接的一个划分方式,就是这个金牌会员是升级还是降级来的。可以通过价格标签去区别同一等级的不同群组,来设置不同的活动目标做针对性的营销活动。

下面是消费统计标签,挑几个核心的营销决策说一下。

折扣敏感度。

这个标签很多人都想做但做不到,怎么知道消费者到底对打折敏不敏感?

折扣敏感度的计算有几种方式:

第一种,折扣订单的比重。消费者的历史消费记录里,折扣订单占整体订单的比重。

如果说日常折扣活动比较多,那就要算折扣率的平均数。也就是用折扣率去算一下所有订单的折扣率大概是多少,然后去做一个排布。

第二种,优惠券使用率。使用率适合发券比较多的品牌公司。

给会员发券历史的总发券个数做分母,整体的优惠券和销售做分子,然后每个人会有一个不同的百分比。从中也能够看出来这个人对于优惠券也就是对于折扣的敏感度。把不同的人再分为高中低,这样就有一个不同的优惠券敏感度的分数。

第三个就是消费产品价格段。

一个小品类里面,比如说羽绒服品类,一些 IP联名款有最高价,也有品类的最低价,就是入门款和基本款。在这个情况下会有价格段的区分,消费者的某类价格产品占总体订单的比例,侧面反映了消费者的购买能力。

还有是消费时间与渠道。

品牌的店庆、双十一和618这三个时间点通常是折扣比较高的。还有清冬季库存和夏季库存的时候,会搞很多促销。

如果消费者在这些时间点的消费次数占总体的消费次数过多,也能反映出他对于折扣的敏感度。另外一个就是销售渠道,一些工厂店的折扣力度比较大,款也比较旧,这类客户主要追求的是一个性价比。

所以一个综合的折扣敏感度应该考虑4种指标,也就是折扣订单、优惠券、消费的价格段和时间渠道。

 

 

上面说了很多,但做标签的话其实不需要那么复杂,只要把每个都适合自己的挑出来就可以。如果要做一个整体的考核,可能要做一些算法,把各自加权加起来。

折扣敏感度用来干什么?

最简单的用在折扣时间段,告诉商家应该找谁。比如商家决定要发券了,手里的预算有限,要发邮件,发给谁,最有可能的核销率是怎么样的。

还有一个就是新品发布,要发的新品宣传应该发给谁。需要找那些忠诚度又高,敏感度又低的人,他们其实追求的是款式,新品对于品牌的认知是比较高的,所以整个敏感度是一个非常客观的指标。

接下来是消费时间。

在服装行业,消费时间对于判别消费者跟商家的关系是非常有用的,能看出消费者跟品牌是怎样的消费关系。

然后就是周末消费和促销员消费。

周末消费和促销员消费主要是用来给门店做活动和季节性活动做营销策略决策用。

第三个是品类的RFM, RFM是根据客户活跃程度和交易金额的贡献,进行客户价值细分的一种方法。这个是所有的标签里面较大的一个。

消费者在不同的品类里面的最近一次购买天数、总的消费订单数和总体的购买金额,能够完全客观真实地反映出消费者到底喜欢商家什么产品,在不同品类的忠诚度或者购买力是怎么样的。

 

 

 

不同品类的RFM怎么做?首先是统计会员所有的订单,在某一个品类,单个会员的RFM的分布值,也就是一个客户最近一次购买的时间,总体的购买订单数和总体的购买记录,这是一种做法。

还有一种是把它抽象总结一下,做成近期的RFM,比如说最近30天、最近60天在羽绒服品类下的购买次数和金额等等,这种就会更加直观一点,比较方便简单或者是轻易的去获取数据洞察。

RFM可以做出来很多,但大家需要注意一点,还是要从实用性角度去考虑。

相关推荐

共有 0 条评论

通过提供你的电子邮箱地址
您将收到来自convertlab博客的电子邮件更新

申请试用