產品經理談一談:商品上架行為分析

0 評論 549 瀏覽 1 收藏 13 分鐘

本文通過形象的比喻和詳細的分析,深入探討了產品經理的職責、挑戰以及如何通過數據分析優化產品上架流程,提升用戶體驗。對于有志于成為或了解產品經理的人來說,這是一篇不容錯過的精彩文章。

產品經理是干什么的?

一個比喻形象說明下,產品經理就是互聯網行業的“糧食育種專家”,產品經理和技術團隊協作通過“基因編碼”技術編寫某種植物種子各階段生長的主信息,然后移植到土中培育,經過人工選擇和優化最終培育出健壯高產的作物。

01 概述

種子要生長第一步是播種,不丟到土里或其他適宜生長的環境里是無法長出來,無法驗證該品種是否優良。

同理互聯網各行業繁榮的第一步也是“播種”,只有將“種子”播種到“土”里,才能帶來豐收。不同的行業種子不同,播種方式也不同:

1.1. 自動化

對于交通系統而言,無論是地鐵、高鐵、汽車,銷售的車票都是標準化的產品,車票本身的包含的信息屬性較少,可以由計算機程序自動完成車票的上架和下架,無需人工干預。

對于搜索引擎,特別是不主導內容創作的業務模塊,由自動化程序將互聯網存在的各種內容爬取過來,在用戶搜索的時候返回,信息的爬取也是自動化完成,無需人工干預。

1.2. 人工

對于商品系統,無論是衣服、食品、家電甚至房源,這些都是非標的產品,商品擺上貨架,需要人工完成,并且在商品無法銷售時,還需要主動下架。

對于內容平臺,知乎、小紅書等,平臺上提供的知識內容也是非標產品,內容的創作和上架都需要作者主動完成。

1.3. 人工輔助

人工輔助是對人工上架的補充,雖然由于行業的限制,無法完全交給機器自動化完成,但是其中部分的流程是可以交給機器的。

比如:

  • 商品信息可以構建詞典,協助填充部分商品的屬性信息,包括自動生成宣傳標題、自動美化風格等。
  • 商品的智能客服、物流追蹤、自動下架可以由信息系統自動協助完成。

02 電商商品上貨架

本文主要展開電商商品的上貨架分析,期望通過分析商品上架的效率現狀,制定合理的指標,并一步步實現商品上架環節的高效進行。

2.1. 物理世界的商品上架行為

在互聯網以前的貨架主要是物理貨架,包括商場擺貨、菜場擺菜等,銷售方需要花費大量的時間安排專人理貨,并需要定期下架不新鮮的貨源。

筆者調研小區的菜籃子工程商販,他們每次來小區擺攤七八個小時,擺貨、收貨環節就要花掉四個小時不止,可見商品上架占據日常工作的很大一部分時間。

2.2. 互聯網世界的商品上架行為

互聯網興起后,線上商城包括淘寶、京東等成為最新型的貨架,在這些平臺上的商戶需要花費大量的時間處理商品上架的工作,包括文本信息錄入、圖片制作上傳、視頻內容上傳等。

商品上架效率的高低由兩個參與方決定的:商戶的信息錄入人員和平臺的軟件產品及配套服務人員。

  • 如果信息錄入員思路清晰,業務熟練,有耐心,在體驗差的平臺上也可以完成商品的上架
  • 如果平臺智能,即使業務不熟練的新手也可以高效完成商品的上架。

這兩者其中任一方的功能強大,都能彌補另一方的部分缺陷。

作為推向市場的產品,我們愿意相信產品在實驗室環境中已經做了必要的調研和試驗,雖然未經過大量客戶的直接檢驗,至少是能夠正常完成信息錄入。

03 分析目標和思路

大部分平臺需要上架的商品種類和字段會很多,我們期望分析當前使用用戶在商品上架環節花費的時間情況,挖掘可以改進的空間。

3.1. 用戶分群和排序

平臺上的商戶會很多,各種各樣,數據分析第一步,對用戶分群并排序,優先關注高優先級用戶的需求。

該過程首次啟動時,可以使用靜態數據作為分群標準,后續隨著系統迭代,可以逐步豐富分群指標。

產品經理談一談:商品上架行為分析

靜態的信息,包括商戶信息、員工信息、商品信息。

一般的平臺可能會先選擇以下指標:(實際場景各有不同,本處只是引子)

  • 信息完善度:比如工商信息、收款賬戶等,具體考慮考慮標準根據實際業務場景確定,本文抽象為0-1之間的數字。
  • 合同類型:免費用戶、付費用戶,肯定付費用戶的優先級更高。本文抽象為兩個類型:免費用戶、付費用戶。

3.2. 用戶行為定義和分析

分析用戶行為,首先要梳理用戶動作的數據結構,根據行為動作定義狀態事件。動態的信息,核心字段簡化為:

  • 操作商戶、操作人
  • 商品編號:用于唯一識別商品
  • 商品信息:商品信息內容較多,不同類別的商品要上傳的信息數量不同,且會涵蓋文字、圖片、視頻多個維度
  • 商品狀態:用戶的保存和提交動作會導致狀態變化。比如保存失敗、保存成功、上架失敗、上架成功,這些狀態都在影響行為的分析。

商品狀態變化圖為:

產品經理談一談:商品上架行為分析

實際業務可以再此基礎上繼續拓展。

04 分析實戰

4.1. 信息收集

本文使用的數據都是隨機模擬的數據。如需查看完整源代碼可以在GitHub中,搜索”ImPmZhang”查看。四張信息表為:

產品經理談一談:商品上架行為分析

產品經理談一談:商品上架行為分析

產品經理談一談:商品上架行為分析

產品經理談一談:商品上架行為分析

4.2. 定義事件

商戶操作上架,從任意選定的時間窗口觀察,無非兩種情況

  • 商品已成功上架
  • 商品未成功上架

無論哪種事件,都可能是由多個動作組合產生。所以第一步需要按照商品的維度將多個動作打標簽,歸為一類。

4.3. 事件編號

將商品已成功上架和未成功上架的N多個房源的N多個動作賦予唯一的編號。

4.4. 數據計算

數據計算關注點為:

  • 每個事件占用的總時間、平均時間、動作數量
  • 每類事件占用的總時間分布、平均時間分布、動作數量分布。

4.5. 數據可視化

4.5.1. 數據分布對比

產品經理談一談:商品上架行為分析圖表解釋:

  • 圖表中綠色為“商品已成功上架”事件,橫軸表示不同商品成功上架花費的時間,縱軸表示用戶數。
  • 從圖中可知用戶最多要花費60個單位的時間才能成功上架,說明上架效率較低,也側面反映商戶認可平臺的價值,愿意花時間做上架動作。
  • 圖表中紅色為“商品未成功上架”事件,橫軸表示不同商品用戶花費的時間,縱軸表示用戶數。
  • 從圖中可知一部分用戶花費較少時間操作上架,上架失敗后就沒有繼續操作。

另有一部分用戶一直在堅持操作,隨著時間的增加可能會變為商品上架成功狀態。

從模擬數據中獲得信息為:

  1. 該平臺可能新上線不久,系統還在適應期,系統體驗度不好。
  2. 平臺的用戶對平臺認可度高,雖然系統難用但是愿意使用,說明這是一個價值風口。
  3. 平臺從事的行業產品信息復雜,校驗嚴格。

產品經理可以調研上架成功次數多且花費時間多的用戶,了解失敗原因,針對性提供優化建議。

4.5.2. 數據整體對比

產品經理談一談:商品上架行為分析

以上三個箱體圖分別統計“商品已上架成功”“商品未上架成功”兩類事件,每個事件嘗試的次數、花費的總時間和平均時間。

從圖中可知,“商品已成功上架”事件操作次數比“商品未上架成功”事件操作次數多、花費的總時間也多,但是平均每次花費時間少,說明商品成功上架的商戶會集中處理上架問題,不會間隔太久。

4.6.部署實時監控系統

部署實施系統的目標是將上述分析實時化,通過動態系統可以動態觀察指標變化,管理層可以通過該指標明確業務重點,并考核實際成果,提高效率。

此處指標為:平均上架花費時間、平均操作次數。

05 數據可應用方向

5.1.商戶獎懲機制干預

上架效率高低,由兩個變量決定:操作人和平臺系統。

對商戶的干預是分析本公司不同員工的操作效率。通過區分表現優異或表現較差的員工,采取獎懲機制。

5.2. 平臺產品體驗優化

如果整體的效率較低,說明不是人力所能為,需要平臺著重從技術上解決問題。

本文由 @我是產品張 原創發布于人人都是產品經理。未經許可,禁止轉載

題圖來自Unsplash,基于CC0協議

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!