1.4 商——企划
供需关系是新零售的重要一环，随着电商的无线化、多元化发展，传统的零售行业经验无法应对新业务发展的需求，如何引导工厂上货、备货及生产制造成为电商平台需要帮助中小企业解决的主要问题。
1.4.1 品类规划定义
品类规划是一种零售企划解决方案，商家在了解和把握消费者需求的基础上，把商品品类作为经营单位，通过分析销售数据和市场数据，寻找适合自己的个性化商品经营方案。品类规划是高效消费者回应（ECR）的重要策略之一，是扩大需求、最大化资源的重要手段。
首先来了解一下品类是什么。品类即商品的分类，一个分类代表消费者的一种需求，它是类目体系的延续和细化。电商平台的类目体系通常包括3级类目，例如：第一级为服饰、第二级为女装、第三级为连衣裙。对于越来越精细化发展的消费者运营，这种粗粒度很难完成品类细分。因此我们通过算法模型挖掘各个类目的关键属性，通过组合关键属性和类目定义出消费者强诉求的机会市场，即品类。举例来说，通过建模消费者的浏览和购买行为，用决策树模型挖掘影响消费者购买决策行为的关键属性，如挖掘出“连衣裙”类目下的30元价格和碎花，那么定义出的机会品类就是30元价格-碎花款-连衣裙，这样就可以从价格和款式细粒度维度定义商品，更贴合消费者意图。
下面介绍几个关于品类的基本概念。
品类评估：水这个品类又可以分为矿泉水、矿物质水等，矿泉水又可以细分为不同的品牌、不同的功能，针对消费者对品类需求的偏好及消费者特征等，对品类进行更好的评估，从而优化商品结构，实现更高的利润。
品类策略：通过找到哪些品类最受消费者喜欢，进一步决定采用何种策略来提升竞争力，比如增加顾客购买次数、吸引更多人群、增加留存的时间等。
品类战术：包括高效的产品组合、相似、关联，高效的定价与促销，高效的新品引进等。高效产品组合的目的是增加产品的多样性，降低产品的重复性。
品类实施：根据不同品类的利润贡献率或者策略重要性，可以将商品分类为最优选、满意选、较佳选和一般选4种。最优选品类即持续令顾客有物超所值的感觉的品类；满意选品类即能持续令顾客有满意的感觉的品类；较佳选品类即能让顾客有不吃亏的感觉的品类；一般选品类即令顾客感觉还算差强人意的品类。
基于消费者需求对整个平台的各个层级品类的交易规模、交易增长速度、商家/商品规模、买家规模等维度进行宏观分析，就能够更好地判断哪一个品类更适合消费者需求。品类宏观分析的定性，需要有参照物，各个细分品类分析的参照物就是其父品类。父品类表示整个品类的市场规模，子品类表示该品类整个市场的一部分。有了参照物，就能够分析出哪个子品类是更优秀的。图1-35是一个饮料品类示例，其中对饮料品类进行了结构化细分（示例仅供参考，非真实数据）。
图1-35 饮料品类示例
通过这样的结构化分析，我们可以知道水在整个饮料市场的占比和市场增速，通过波士顿矩阵（稍后介绍）可以来定性评估该市场属于优质、成熟、新兴、问题市场中的哪一类。比如图1-35显示饮用天然矿泉水市场份额为20%，但增速为20%，那么这块市场就是一个新兴市场。
品类结构化分析的合理性基于以下几点：
·品类是基于消费者需求来进行分类的，每一类代表了消费者的一个需求，代表了一个市场；
·市场具备一定交易规模、商家规模和买家规模；
·市场的定量和定性评估是以总的市场作为参照物进行的，对比强烈，从宏观分析角度看比较客观合理。
1.4.2 波士顿矩阵
波士顿矩阵（BCG Matrix），又称市场增长率-相对市场份额矩阵、波士顿咨询集团法、四象限分析法、产品系列结构管理法等。通过分析该矩阵，能够掌握产品结构的现状，预测未来市场的变化，进而有效合理地分配企业经营资源。淘宝、天猫目前已经基于波士顿矩阵实现了品类评估，1688平台也会构建与本平台相符的波士顿矩阵来实现品类评估。
利用波士顿矩阵可以定量和定性地分析出哪些商品是高增长且具有潜力的，哪些商品是有问题的。在品类规划上，波士顿矩阵的本质是从消费者需求的角度来分析品类。
品类划分会根据不同平台提供不同的方法，如波士顿矩阵的X、Y轴，可以根据不同平台的需求进行不同的定义，也可以通过几个波士顿矩阵的分析从不同角度来分析市场。1688平台波士顿矩阵的X、Y轴根据B类特色进行自定义，甚至可以考虑下游淘宝、AE、天猫市场的情况，叠加本市场的评估结果。
波士顿矩阵的X、Y轴的出发点可以基于以下3个问题来考虑。
·选品导向，是以GMV为导向，还是其他偏好？
·我们最期望将什么产品展示给用户？
·我们最不希望将什么产品展示给用户？
这3个问题会随着平台的不同发展阶段而变化。我们可以带着这3个问题来构建波士顿矩阵。此外，波士顿矩阵可以是多个，分别从不同的角度来进行分析。
1.4.3 CBU品类规划
CBU平台（1688.com）品类规划是基于经典的品类规划方法论实现的，以市场作为商品分类的依据。市场是存在供需关系的商品集合，在“行业＋一级类目”下由算法进行聚类分析。该项目提供了品类定义、品类评估、品类决策、品类运营和上下游联动分析等功能，通过建立基于品类的宏观数据分析方法，并结合上下游的联动分析，为平台用户提供了具有良好商机的机会市场以及对风险市场的预警，帮助运营构建了更加丰富、精准的营销场景，为CBU平台提供了数字化与智能化运营的能力。
该平台目前主要面向运营“小二”，帮助运营人员发现市场。通过市场评估以及结合上下游市场的对比分析，为运营人员提供潜在的机会市场发掘、风险市场预警，并基于市场提供多个维度的分析，包括市场—人群、市场—地域、市场—价格带、市场—生命周期、上下游市场联动，为运营提供数字化决策的能力，帮助运营实现精准的营销场景搭建。CBU平台品类规划的主要流程如图1-36所示。
品类&市场定义、品类&市场评估、下游市场对接是品类规划平台的基石，同时也会围绕买家、商品、市场三者进行联合闭环构建，保证数据流的前后端运转，以及市场的正向反馈和反向牵引，如图1-37所示。
图1-36 品类规划主要流程
图1-37 品类规划模块图
1.市场定义
市场是存在供需关系的商品集合，它是介于单个商品和类目之间的抽象数据结构。我们所定义的市场是一些类似商品的集合（拥有一组共同的属性，如图1-38所示），但较类目具有更明确的市场运营导向，例如，“公主范连衣裙”是各式各样偏可爱风格的连衣裙商品的抽象，又较一级类目（女装）有明确的运营抓手。市场划分的方法目前有类目+属性、算法聚类。市场是在“行业+叶子类目”下发现的，算法会通过分析商品的标题、属性等信息定义品类，使用品类+风格/材质等关键属性来定义市场，这里我们用CPV（Category+Property+Value）表示。通常一个市场的CPV在一定时期内是比较稳定的，比如短袖连衣裙市场，在4～9月间商品、卖家在一定程度上稳定。
市场定义通过算法产出，输入为商品、类目、Query、类目映射，输出为市场和商品的关系。这里的一级类目是行业下的一级类目，此外，标签包含一个“品类”标签。市场一般存在多个标签，但是也存在单标签市场，即只包含品类的标签。
图1-38 市场组成
市场是通过算法进行海量文本聚类生成的。我们使用的语料包括站内庞大的终端用户搜索Query日志、海量的商品成交日志、商品标题、商品属性、用户行为等，具体流程如图1-39所示。
2.市场评估
市场评估是在“行业＋一级类目”这个大的范围内进行分析的，即分析对比的范围为1688二级类目下的所有商品交易规模，这意味着所有的市场定性是在1688二级类目范围下来实现的。市场评估基于波士顿矩阵方法，波士顿矩阵的X、Y轴的取值为0～1，0.5为中值，通过中值划分为4个象限，图1-40所示为一个示例。
图1-39 市场生成流程图
图1-40 市场评估策略
（1）基础函数
为了清晰地进行指标对比，需要对不同域的数值进行标准化。标准化函数：
func_scale(A) { (A-avg(A))/std(A) }
异常值处理函数：
func_outlier(A) {
if A is null then null
if A >= avg(A) + 3*std(A) then avg(A) + 3*std(A)
if A <= avg(A) - 3*std(A) then avg(A) - 3*std(A)
else A
}
min-max转换并映射到[-1,1]区间：
func_min_max(A) = 2 * [A - min(A)]/[max(A) - min(A)] - 1
（2）X、Y轴计算方法
假设X轴有x1,x2,…,xn几个指标。每一个市场X轴的值计算方法如下。
·对N个基础指标分别进行标准化，然后取算数平均值，得到X_1：
·对X_1进行边界值处理，将超出3个标准差的部分均置为边界值，得到X_2：
·对X_2做min-max转换，把值映射到[-1,1]，空值部分直接置为1：
case when X_2 is null then 1
else func_min_max(X_2)
end as X_index
类似地，可以计算每一个市场Y轴的值。
（3）定性计算
函数说明：rank(X,desc)，将列X倒序排列；n()，参与排序的总样本数。
X轴分位：rank(x_index,desc)/n()
Y轴分位：rank(y_index,desc)/n()
优质市场：X分位≤0.5且Y分位≤0.5
成熟/饱和市场：X分位>0.5且Y分位≤0.5
风险市场：X分位>0.5且Y分位>0.5
新兴/淘汰市场：X分位≤0.5且Y分位>0.5
（4）可扩展的波士顿矩阵
市场的评估会受到运营目标导向、行业、行业产品生命周期等因素的影响。例如，女装行业和百货行业所关注的X、Y轴的维度是不同的；运营目标导向会影响市场评估方法，比如以交易为导向、以提升客单价为导向等；不同行业评估周期长短不同，有些市场的商品生命周期比较短，有些则比较长。因此，市场划分相对固化，市场评估需要扩展，上层应用可以定制。
3.1688波士顿矩阵评估指标
（1）常用评估指标
·发展维度：包括占有率/增速。
·健康维度：通过退款率/退款件进行评估。
·评估周期：评估周期会受到行业、市场商品不同生命周期影响，有些市场的商品一年都基本没有变化，而有些商品则可能一周会爆发。
·市场增速：将同比上期的增长速度，比如GMV、核心买家数的增速。
（2）核心指标组
考虑到市场的商品规模、交易规模分布不均，有些划分的市场商品数量达到数百万，有些市场商品只有几十。因此，在指标计算的时候，需要有合理对比度才能更加合理评估。市场商品规模越大，其变化趋势可能越趋于平缓。最终确定的核心指标组如下。
·发展维度：GMV增速。
·健康维度：退款率、同质化。
·占有率：市场成交商品数、市场GMV、市场成交买家数。
·相对指标：一级类目的平均值。
4.市场画像
（1）市场—买家侧画像
市场—买家侧分析从买家的特征入手，对市场画像进行定义，比如买家的身份特征是淘卖、跨境、微供，我们可以将占有率最多的身份用于刻画市场—买家画像，这样可以定义出淘卖市场、跨境市场、微供市场等。目前定义的买家画像主要有以下几个基本维度。
·买家身份
·是否实体店
·等级
·采购商城市
（2）市场—供给侧画像
市场—供给侧画像则是从商品端入手，我们通过生命周期、价格带、商品力来刻画商品，这样可以定义出新品市场、高档市场、金冠品市场等。
1.4.4 技术架构
1.基础架构
项目使用Spring Starter自动装配。基于内存数据库实现单元测试，模拟HybridDB行为，尽量避免线上调试，只需线上验证，提高开发效率。
数据层基于ODPS、MySQL、HA3，ODPS作为离线数据分析引擎，将计算的结果同步到MySQL和HA3。有关市场—商品、市场—商家的部分存储到HA3。技术架构如图1-41所示。
2.顶层设计
顶层设计（High Level Design）期望能够满足更加通用化的品类分析、规划。首先，顶层设计能够支撑面向不同买家人群、不同营销场景等应用的品类分析和规划；其次，顶层设计能够为不同应用定义分析路径；最后，基于当前分析路径，顶层设计能够与现有的品类规划、执行体系兼容。品类分析的顶层设计如图1-42所示。
从消费者侧出发，可以圈定满足需求的商品池，以青岛地区买家的商品池为例，根据相应决策树和品类分析模型来确定优势品类和劣势品类，再基于品类分析的结果进行场景应用。
图1-41 技术架构
图1-42 品类分析顶层设计结构
面向不同场景构建的商品池—品类分析决策树，在具体品类规划和执行的应用如图1-43所示。
3.扩展性设计
品类分析是基于商品池进行的，商品池可以根据实际需要进行圈选，不同业务、不同人群、不同场景可以构建不同商品池。品类分析基于决策树构建面向不同业务、不同人群、不同场景的决策路径。品类支持扩展，可以通过算法、数据分析等手段生产更多品类，集成到决策树上。分析模型可扩展，不同业务有不同的品类角色定义，这些定义基于品类分析模型，比如厂货通重点打造高规模、高增长、低渗透的品类，每一个分析模型有3个维度X、Y、Z。分析指标可扩展，品类分析涉及品类的买家结构、商家结构、销售属性、历史数据、预测数据等指标。
图1-43 品类规划执行图
1.4.5 展望规划
当前，基于多源市场的品类分析方案给1688带来了重要的上行优质供给来源，提供了中台化的市场洞察能力，但针对电商活动链路的坑位规划尚未深度研究。另外，在洞察目标场景时，我们需要洞察下游渠道或人群的特征，匹配到核身的品类需求。综上，我们有以下几点迭代规划：
·基于最大化收益与坑位效率的优化算法构建一套坑位品类选择的在线实时决策模型，动态调整前台货盘的商品结构；
·通过对渠道侧买家行为的洞察，识别下游渠道的买家身份，通过人群身份的结构化表征，来构建渠道的品类规划策略；
·目前我们也在构建商品侧到工厂侧的知识图谱，结合业界前沿的图谱推理能力，我们期望重构营销侧到生产侧的关系，缩短前台品类和核心产地的链路，提高网站的优质商品的供给能力。