电商运营活动的选品技术

背景介绍

考虑一家零售品牌，销售的商品种类很多，比如服装、美食、酒水、电器等等。销售渠道主要是线上，有自营渠道（APP），也有第三方销售渠道，比如京东、淘宝等等。

日常还有促销活动，比如满减，限时购，品类日等等。这是为了刺激销售，提升短期收益。

由于商品种类多，选品就变得复杂。我们思考几个问题。

第一，谁来选品？

活动是运营团队发起，而商品来自其他团队（商品团队）。两个团队的视角是不同的。运营关注全局最优，比如说这个活动效果好不好。而商品关注局部最优，比如说这个品卖不卖得动。这样一来，团队之间的协同是个挑战。

第二，选哪些品？

参加这个活动，我的目标是什么，是流水，还是利润，或者是清仓。要考虑哪些因素，比如库存，没库存不行。还有怎么定价，低了赚得少，高了卖不动。

资源是有限的，比如坑位有限，所以要有取舍。

第三，怎么取舍？

可以选卖得好的，但不能只选这些。还要考虑渗透，让用户买的种类多。因为老品会逐渐衰退，要让用户尝试新品，培养消费习惯，从而形成良性的循环。

这是关于电商运营选品的大致介绍。我们可以看到，活动选品是一个决策问题，要考虑的因素很多，涉及商品、供应链、运营、用户等等，因此有不小的挑战。

业务流程

接下来介绍一下业务流程。简单来说，有两个重要节点，一是选品，商品团队选，选品需要数据；二是提报，提报给运营团队，负责审核，然后可能要修改。

为了方便描述，把它分成四个节点，分别是数据、选品、提报和修改。

数据

数据是选品的依据，维度越丰富，参考价值越大。常用的数据有这些：

• 商品信息，价格、品类、规格，上架日期等。
• 销售数据，历史销量（分为平销和促销），还有毛利润、销售趋势、销售计划等。
• 活动信息，坑位数量、库存要求，价格要求等。

那么谁来整这些数据？一般来说，谁选品谁整理。原因是这样的，不同的人选品逻辑不同，需要的字段也不同。

说到整数据，手动作业的话，麻烦就来了。比如说，要汇总的数据来自不同的业务系统，于是需要大量导出 Excel 数据，然后进行拼接，还要调整格式，清洗数据。总之是枯燥，还容易出错。

选品

数据准备好了，接下来是选品。怎么选呢？手工作业的话，就是按规则排序，选一些好卖的老品，再选一些新品，最后看看毛利是不是够。

这么做有几个难点：

一是排期不好做，如果有多个活动，活动之间有关联（有先有后，还有互斥），前面的没选上，后面的能不能替补，这些问题就不好处理。

二是品类不好联动，比如服装和化妆品，可能来自两个团队，选品各是各的。

三是策略难固化。人工选品依赖业务经验，人员变化会造成业务波动。

提报

商品团队选完品，把清单提报给运营团队。运营再审核，实际上是做二次筛选。主要有两个原因：一是人工选品，由于理解问题，会存在不合要求的品；二是提报品的数量有冗余度，二次筛选可以从全局考虑。

二次筛选本身也是一个选品过程，其难点不再重复。还有一个麻烦，就是配置容易出问题。下面举几个例子：

1. 数据格式错误，导致配置无法生效；
2. 配置生效了，但是价格配错，导致资产损失；
3. 选品的时候有库存，配置的时候卖完了，最后白忙活。

出现这些问题，就需要修改，要么替换，要么补充。

修改

要修改的时候，说明问题已经发生，这个时候要讲效率，因为每一分钟都可能有损失。但是业务流程并没有缩短，选品和提报遇到的数据问题和流程问题都会存在。

业务问题

现在把业务流程中遇到的问题做个总结。

第一，人工整理数据效率不高，比如拼表、筛选、更新、格式化等等。由于是手动操作，难免会出错，比如定价错误，数据格式错误，这样容易造成资产损失。

第二，业务变化快，但流程很慢，容易导致活动配置失效。回顾前面提到的库存问题，如果用户看到活动商品，却无法下单购买，会影响用户体验。

第三，选品策略难以沉淀，也难以保证稳定的业务效果。

第四，工作枯燥，价值感低，可能会导致员工流动性大。

说明一下，第四点是我个人的感受。之前在业务团队做了一个月运营，每天跟 Excel 打交道，既有重复劳动又暗藏变化，工作中我觉得很痛苦。我也写过一些自动化脚本，但是很快业务就变了，代码的维护成本也很高。

我们想一想，该怎么解决上述问题。

我先说一个容易实现，但可能失败的方案，我称它为流程线上化。具体来说，就是做一个选品页面，支持选品数据的增删改查，然后是审核页面，支持二次选品以及修改。

这个方案有什么问题呢？

人工选品的过程中，有很多交互操作，比如隐藏特定的行和列，这样方便看数据。此外，还要用到一些 Excel 函数，用来自动计算毛利，从而辅助选品。

从功能上讲，要做一个类似 Excel 的东西，才能满足多数人的交互需求，这个要求就非常高。

从效率上讲，底层数据量大，前端页面展示内容过多，会影响页面效率，这不仅对前后端开发要求高，而且对客户端电脑要求高。

从业务上讲，流程线上化对选品策略没有帮助，也缩短不了业务流程（比如减少修改）。

基于上述理由，我认为流程线上化解决不了这个选品问题（实际情况也是这样）。

解决方案

回顾选品的业务流程，要解决的痛点主要是三个：处理大量数据，简化业务操作，快速响应业务变化。要解决这三点，必须把“人”从业务操作中释放出来。

我们的思路是，人不要做选品，而是制定选品的策略。

这些策略可以是简单的规则，也可以是复杂的模型，最后用业务结果进行验证。好的模型胜出，不好的模型淘汰。针对不同的业务场景，可以研发不同的模型，从而应对业务的变化。

这么做的好处是，数据处理和选品这些操作，都可以交给系统去执行，人只需要对模型负责。由于模型相对稳定，业务结果也相对稳定，还会改善下游的决策质量（比如库存和履约）。

技术架构

按照前面描述的方案，可以分成三个模块，分别是数据处理、选品模型和质量保障（如下所示）。

简单解释一下各模块的作用。数据处理获取模型需要的基础数据；选品模型输出符合运营规则的商品清单；质量保障主要检测价格、库存等信息，防止资产损失。

从业务角度来看，选品流程实现自动化，不但提高了效率，而且能改善业务结果。从技术角度来看，前端无需复杂交互，减少了前后端开发量，以及后续的运维成本。

模型示例

我们看一个简单的例子。考虑某个活动时间段，要对商品进行选品和排期，即，输出每天的活动商品。目标是最大化这段时间总的商品销售额。

还要满足一些约束条件（如下所示）：

1. 每个商品大类参加活动的商品数量有限制；
2. 同一个商品不能连续两天参加活动；
3. 同一个商品N天内参加活动的次数有限制；
4. 一个商品（SPU）如果参加活动，则至少有一个型号（SKU）参加活动；
5. 活动商品的整体毛利率不低于底线（分商品大类）。

用数学语言描述，得到下面的模型（整数规划）。

$$ \begin{aligned} \max~ & \sum_{j,t} P_{j,t}D_{j,t}\cdot y_{j,t} \newline \text{s.t. } & \sum_{i} U_{i,k}\cdot x_{i,t} \leq S_{k, t}, \quad \forall k,t \newline & x_{i,t} + x_{i,t+1} \leq 1, \quad \forall i,t \newline & \sum_{t’=t}^{t+N-1}x_{i,t’} \leq L_i, \quad \forall i,t \newline & x_{i, t} \leq \sum_{j} V_{i,j}\cdot y_{j,t} \leq M \cdot x_{i,t},\quad \forall i,t \newline & 1 - \frac{\sum_{i,j,t} U_{i,k}V_{i,j}\cdot C_{j}D_{j,t}\cdot y_{j,t}}{\sum_{i,j,t}U_{i,k}V_{i,j}\cdot P_{j,t}D_{j,t}\cdot y_{j,t}} \geq R_{k},\quad \forall k \newline & x_{i,t}, y_{j,t} \in {0,1}. \end{aligned} $$

通过求解这个模型，我们可以得到满足约束条件的最优解。

上面的模型只是作为示例，在实际应用中，需要根据具体情况建模。建议构建多个模型，用来应对不同的业务场景。

应用

从运营视角来看，无论是品牌或者是平台，都是从商品池中，选择符合活动要求的商品，并使得业务目标最大化。这种自动化的选品方案，不但可以降低运营成本，还能提升业务效果。

从商品视角来看，即使商品数量不多，依然面临复杂的决策。

问题是这样的，有若干渠道（自营渠道、三方渠道），每个渠道有各自的活动，有对应的坑位、流量、收益、成本等因素。要选择渠道和活动，考虑复杂的因素，使得收益最大化。

总结

我们介绍了电商中促销选品遇到的业务问题，并给出了解决方案。核心思路是用算法模型替代人工决策，这样做的好处主要有三点：一是缩短业务流程，提高业务效率；二是工作从“选品”转变成“选策略”，从而沉淀模型并提升业务效果；三是降低系统的开发和维护成本。

在业务落地中，需要注意几点：一是模型必须与业务实际匹配；二是保障数据和系统的可靠性；三是建立评估指标，方便演进选品模型。