Скидки и промокоды можно считать самыми популярными видами промоакций. Однако селлеры, работающие в разных категориях, по-разному видят мир. Например, бандлы (наборы товаров) гораздо чаще используются в категории «Товар для дома», чем в «Красоте и здоровье», как это видно на диаграмме👆.
Кстати, там показано не все – чтобы не загромождать пространство. В отчете Data Insight, откуда мы взяли перечень категорий маркетплейсов, их одиннадцать, на нашей диаграмме показаны три самые «многолюдные» по числу селлеров. Построена диаграмма - впервые на нашем канале - по собственным данным. И это отдельная история.
————————————-
Решать бизнес-задачи, используя как инструмент открытые источники, гораздо интереснее, чем информировать читателей о том, что «есть такие данные». И некоторое время назад мы начали описывать алгоритм такого проекта под хештегом #core_data.
Но жизнь нарушила планы. Читатели присылают реальные задачи, решать которые интереснее, чем учебные. Вот одна из них (публикую с позволения автора): «Как повысить эффективность промо-механик на маркетплейсах для селлеров».
Начали разбираться. Описать решение полностью здесь не получится – слишком громоздко. Но можно проследить логику и дать некоторые результаты. Важное замечание: помогал в решении задачи искусственный интеллект – ChatGPT. Поехали.
Декомпозиция задачи – это анализ факторов, в т. ч.:
🔸Текущие промомеханики (виды, эффективность и т.п.)
🔸Поведение селлеров (мотивы, барьеры, факторы лояльности и т.п. ).
🔸Поведение конечных покупателей (реакция на акций, роль цены, алгоритм решения о покупке)
🔸Действия конкурентов (других маркетплейсов)
🔸И еще несколько параметров, связанных с финансовой и IT тематикой.
Канал у нас про поведение потребителей, потому для публичного разбора сосредоточимся на поведении селлеров как потребителей услуг маркетплейсов, в частности, на их отношении к промоакциях.
Один из результатов вы видите на диаграмме, а про методику – в следующем посте.
#core_data #seller
Кстати, там показано не все – чтобы не загромождать пространство. В отчете Data Insight, откуда мы взяли перечень категорий маркетплейсов, их одиннадцать, на нашей диаграмме показаны три самые «многолюдные» по числу селлеров. Построена диаграмма - впервые на нашем канале - по собственным данным. И это отдельная история.
————————————-
Решать бизнес-задачи, используя как инструмент открытые источники, гораздо интереснее, чем информировать читателей о том, что «есть такие данные». И некоторое время назад мы начали описывать алгоритм такого проекта под хештегом #core_data.
Но жизнь нарушила планы. Читатели присылают реальные задачи, решать которые интереснее, чем учебные. Вот одна из них (публикую с позволения автора): «Как повысить эффективность промо-механик на маркетплейсах для селлеров».
Начали разбираться. Описать решение полностью здесь не получится – слишком громоздко. Но можно проследить логику и дать некоторые результаты. Важное замечание: помогал в решении задачи искусственный интеллект – ChatGPT. Поехали.
Декомпозиция задачи – это анализ факторов, в т. ч.:
🔸Текущие промомеханики (виды, эффективность и т.п.)
🔸Поведение селлеров (мотивы, барьеры, факторы лояльности и т.п. ).
🔸Поведение конечных покупателей (реакция на акций, роль цены, алгоритм решения о покупке)
🔸Действия конкурентов (других маркетплейсов)
🔸И еще несколько параметров, связанных с финансовой и IT тематикой.
Канал у нас про поведение потребителей, потому для публичного разбора сосредоточимся на поведении селлеров как потребителей услуг маркетплейсов, в частности, на их отношении к промоакциях.
Один из результатов вы видите на диаграмме, а про методику – в следующем посте.
#core_data #seller
Скажу важное. Исследования – это не про данные. И не про их получение. Они про правильно заданные вопросы. Ответы на них должны помочь решить бизнес-задачу.
То же касается и подзадач, получаемых в результате декомпозиции основной задачи.
Вернемся к предыдущему посту. Мы решали задачу «Как повысить эффективность промо-механик на маркетплейсах для селлеров».
После декомпозиции она разбилась на несколько более простых. Обобщая это описание промомеханик (виды, цели и т. п.). в контексте поведения селлеров (мотивы, барьеры, факторы лояльности и т. п. ) и поведения конечных покупателей.
Знание того, как использовать в дальнейшем результаты исследования подзадачи позволит точнее сформулировать исследовательские вопросы. Допустим, мы изучили поведение селлеров. Вот, что можно делать с этими знаниями:
🔸Персонализация промо-механик с учетом целей селлера, особенностей его категории отдачи (ROI) той или иной механики
🔸Создание комплексных промомеханик на основе знания ситуации селлеров
🔸Таргетированное обучение и поддержка селлеров
🔸Прозрачная аналитика и отчетность
🔸Повышение вовлеченности покупателей. Например, акции, направленные на создание запасов (скидки на количество), будут привлекать покупателей, ориентированных на экономию и планирование.
🔸Снижение риска каннибализации продаж за счет подбора промомеханик, учитывающих цели селлера.
🔸Организация совместных акций для группы селлеров
Для всех этих действий нужно: знание целей селлеров, особенностей категорий и специфики воздействия каждой промомеханики. Вот это-то и надо исследовать!
Так понимание целей исследования ведет к уточнению исследовательской задачи, конкретизирует ее.
Опрос селлеров был симулирован. Назначил ChatGPT роль опытного селлера Amazon. Далее, ИИ отвечал на вопросы о значимости той или иной промомеханики, ее целях и т. д. Результаты можно видеть на диаграмме предыдущего поста и выше👆. Проверка по контексту показала правдоподобность результатов.
#core_data #seller #ритейл
То же касается и подзадач, получаемых в результате декомпозиции основной задачи.
Вернемся к предыдущему посту. Мы решали задачу «Как повысить эффективность промо-механик на маркетплейсах для селлеров».
После декомпозиции она разбилась на несколько более простых. Обобщая это описание промомеханик (виды, цели и т. п.). в контексте поведения селлеров (мотивы, барьеры, факторы лояльности и т. п. ) и поведения конечных покупателей.
Знание того, как использовать в дальнейшем результаты исследования подзадачи позволит точнее сформулировать исследовательские вопросы. Допустим, мы изучили поведение селлеров. Вот, что можно делать с этими знаниями:
🔸Персонализация промо-механик с учетом целей селлера, особенностей его категории отдачи (ROI) той или иной механики
🔸Создание комплексных промомеханик на основе знания ситуации селлеров
🔸Таргетированное обучение и поддержка селлеров
🔸Прозрачная аналитика и отчетность
🔸Повышение вовлеченности покупателей. Например, акции, направленные на создание запасов (скидки на количество), будут привлекать покупателей, ориентированных на экономию и планирование.
🔸Снижение риска каннибализации продаж за счет подбора промомеханик, учитывающих цели селлера.
🔸Организация совместных акций для группы селлеров
Для всех этих действий нужно: знание целей селлеров, особенностей категорий и специфики воздействия каждой промомеханики. Вот это-то и надо исследовать!
Так понимание целей исследования ведет к уточнению исследовательской задачи, конкретизирует ее.
Опрос селлеров был симулирован. Назначил ChatGPT роль опытного селлера Amazon. Далее, ИИ отвечал на вопросы о значимости той или иной промомеханики, ее целях и т. д. Результаты можно видеть на диаграмме предыдущего поста и выше👆. Проверка по контексту показала правдоподобность результатов.
#core_data #seller #ритейл