私域流量时代的数据新生态,品牌商如何抓住机遇?

流量三分天下的局面催生了私域流量的诞生。作为领先的数据服务商,TalkingData在零售行业的数据应用正从销售端逐步拓展到供应链生产端。


在巨头控制流量的局面下,品牌商如何构建自身的数据基础?App、公众号、小程序、短视频等新的流量渠道的出现为品牌商获取用户画像开辟了途径,私域流量在此背景下应运而生。品牌商需要积极响应新的数据环境,多渠道获得流量数据,完善自身数据基础。围绕私域流量提供数据服务的公司逐渐涌现。 

全新的数据环境为品牌商创造机遇的同时,也给数据服务商带来诸多挑战。触点的增加,意味着更加多源的数据,线上和线下渠道获取的数据如何统一,数据的标准化处理是需要解决的首要问题。同时,因为直接面向终端用户群体,零售企业的业务需要更加敏捷的对用户群体的需求作出响应,因此对数据服务商提出了更高的要求。

TalkingData作为一家数据服务商,核心优势是数据处理分析,针对客户在线上、线下合法收集的流量数据,在客户授权范围内进行数据清洗、准备、加工、数据分析、数据模型构建等工作,帮助零售品牌商更全面的构建用户画像,优化调整产品的生命周期,辅助客户在销售预测、营销优化、供应链以销定产等方面完善决策。

 

为了使数据模型更加贴近业务场景,TalkingData的服务模式发生了以下变化。首先是增强数据清洗、加工、数据分析、数据模型构建的技术能力。另外,通过简化服务环节,弱化前期咨询,建立数据科学家与客户的联系,更好地了解零售企业诉求,解决应用场景问题。 

 

瞄准零售行业内的头部企业,TalkingData服务的客户覆盖美妆、快消品、服饰等国际大品牌,随着生产侧数据能力的释放,未来公司将进一步拓展供应链上游的业务。       

 

《私域流量时代的数据新生态,品牌商如何抓住机遇?》

                            
近期,爱分析专访TalkingData合伙人兼执行副总裁林逸飞,就TalkingData的产品服务、业务应用场景、发展战略进行了深入交流,现摘取部分内容如下。

1

数据服务加速

零售行业周期调整

爱分析:在当下新的数据环境下,零售品牌商有什么好的应对措施吗?

林逸飞:从18年开始,我们服务的客户主要来自于美妆和快消品行业,基本都是国际大品牌。以前这类企业主要关注曝光跟点击量,现在开始推动品效合一的逻辑,因为它的交易链路天生不是可以直达C端的,它还有中间的一堆渠道、经销商、卖场等。通过集团集约化的回收,对所有广告的曝光跟点击数据,做相应的模型定义,把客群分成8组到80组到800组到甚至更多组,匹配各类用户的需求。


第二件事情我跟客户沟通的是,大流量方尤其是三个主要的流量方,现在的开放程度跟以前不一样,所以品牌客户以前拿不到的通路数据不意味着现在也拿不到。品牌商应积极回收各渠道的流量数据,通过对各渠道流量数据的分析,对受众的描摹和用户对渠道的选择形成更清晰的认识。 

爱分析:数据服务给营销和销售侧的业务带来了怎样的影响?


林逸飞:
传统的模式是在生产出一款产品后对其大规模量产,并在全国几千家店面进行售卖。通过各种促销策略,一个月到三个月数据回笼后对销售数据进行分析。


现在的模式,我们会定义产品的生命周期,定义退出的标志是什么,定义进入大规模量产的标志。在把产品成功与失败的标准给定以后,我们可以把三个月的调整周期变成半天,意味着在数据加科技的模式下,可以调整180次,有180次机会来迭代产品的销售,最终看到底能不能达到成功或是失败的标准。 

爱分析:如何看待未来数据服务的商业模式


林逸飞:
第一,数据本身是以一个非常快速的周期在变化,现在的AIoT,未来的5G,包括之前出现的小程序给市场上的数据带来非常大的一个变化等,数据一直在不断的变化。


第二,数据本身是为了消除信息不对称性,所以当数据足够多、样本足够大、频率足够高的时候,不对称性就会越来越小。倒退到两年前,谁会把小程序作为自己的主营运营基地,今天哪家企业敢不这么做,只用了两年时间,意味着整个数据运营的生命周期注定很短。因此,未来数据服务产品不太可能会出现像ERP、CRM这样的标品。

2

业务应用由营销侧

逐步渗透到供应链端

爱分析:2019年TalkingData零售业务的落地情况如何?

林逸飞:从今年开始,包括金融条线零售条线,甚至互联网条线都做了一个调整,就是不再以数据加科技的经营模式作为公司的核心模式,而是以数据加科技整合到具体的业态场景中的方式,帮助客户在具体的金融产品、零售产品上去释放数据加科技的能力,来证明出现的新品类或者新渠道能够创造更多的价值。 

爱分析:一般是从哪个场景切入为客户提供服务?


林逸飞:
在金融领域,我们会基于客户需求设计金融产品。


零售我个人感觉要比金融难一点,比如制造供应链仓储,你会发现对金融来讲,这一块几乎可以完全忽略,但对于零售却是非常重的一块,这一块数字化程度又不好,所以目前我们关注的不是产品创新,而是通过数据加科技的模式去制定产品的整体营销策略,或者供应链的以销定产的策略。


随着我们在销量和营销侧的影响的建立,我们也被客户邀请对供应链的销量产量布货量提出预测,利用AI模型结合在营销侧获得的数据进行供应链规划,预测布配货等。 

爱分析:销量预测可以承诺给客户带来的收益是什么?


林逸飞:
有领先优势的预测准确率,当然无论是算法还是外部数据,客户反馈的数据越多或者算法使用的越多,准确率还会继续往上提升。 

爱分析:长期来看,需要从生产侧去理解业务吗?


林逸飞:
我个人觉得是需要的,一直有种说法是我们现在的产能是过剩的,不是效能的问题,我们生产的东西要自己消化掉,从美妆到鞋服到休闲食品,我们的产能跟定制化的能力都非常差。我们现在比较关注上游的供应链,我们选择的是一些比较容易预测、相对标准化或者相对可以数学模型化的品类。 

爱分析:除了前期咨询,TalkingData会参与到运营工作吗?


林逸飞:
TalkingData主要做模型的调校和对数据的处理,不会真正参与到运营工作中,比如说广告的运营或者营销运营。

3

多渠道数据整合

构建完整用户画像

爱分析:数据来源都有哪些?如何实现敏捷的回传数据?

林逸飞:与零售业的合作中,客户通常是第一年把POS后所有交易类的数据归总起来,第二年把交互POS前数据,比如App小程序H5短视频等渠道的数据收集起来。还有广告投放回收的数据,以前有很多大媒体是不给你回传数据的,但因为现在几个巨头之间博弈,无论品牌类的还是效果类都开始回传数据,开放程度19年跟17年18年相比有很大的变化。 

爱分析:广告屏回收的数据有哪些?


林逸飞:
主要是LBS数据。  

爱分析:在App越来越集中,越来越往小程序引流的趋势下,TalkingData原有数据有受到影响吗?


林逸飞:
有,因为流量本身和数据本身有很多变化,我们从三、四年前做的准备是做各种数据源的聚合,逻辑上还是加工数据后,通过模型产生智能,产生溢价。有很多厂商具有数据聚合跟批发的能力,但是没有数据深加工的能力。我们在过去的积累下数据智能的探索能力还是很强的。 

爱分析:目前各渠道的数据覆盖率大概是什么水平?


林逸飞:
不一而足。比如说从线下的数据到线上,大概有50-60%左右的覆盖率。如果是某企业的Open ID,就主要考量企业内部自己的小程序开发跟运营了,因为OpenID是一个不可流通的ID,需要从Account ID跳转一遍,所以A企业跟B企业的OpenID打通率可能差到五六倍。 

爱分析:数据模型构建过程中主要面临的问题有哪些?


林逸飞:
从技术本身实现上来讲,问题不是那么大,主要有三个问题。


第一个问题是各种数据的定义不同,团队大概需要花将近一两个月对数据进行规整化。第二个问题是系统不兼容导致系统崩溃,因为传统的系统和数仓CRM用的都是世界上最出名的品牌,我们的系统上去全部都压垮,根本跑不起来,因为它不是以大数据量的模式来做的。第三个问题是在做迭代测试的时候,需要客户调动很多对数据服务没什么概念的人参与,这个过程是比较难的。

4

战略重点聚焦

两高两多头部企业

爱分析:未来两三年TalkingData在零售领域的发展战略是怎样的?

林逸飞:我们会先选择行业中的头部企业去服务,即具有两高两多特性的大企业。两高是指高频和高价值,两多是指多SKU和多场。每个品类里面选择1到2个特别头部的客户合作,我们会推一个新品类,帮助企业升级,定义新的渠道或者新的服务模式甚至新的产品。但也许不会选择特别小的企业,因为很难判断小企业的生命周期是否能支撑的下来对它做数据化升级改造。 

爱分析:一般对企业进行数据化升级改造需要多长时间?


林逸飞:
大概需要一年到一年半的时间。 

爱分析:对于非头部企业,TalkingData会找合作伙伴去填补它的底层信息化空白吗?


林逸飞:
这是我们需要考虑的很重要的一点,有很多企业现在做的不错,营业额GMV都非常好,但因为基础实在是有点粗放,我们觉得要补的课太多,这种不一定是我们的选择。


另外,我们确实在对接非头部企业上拥有很多合作伙伴,比如做智能店面、智能pos的。如果客户要做整体的改进,我们跟他谈的就不是单项目的合作,我可能谈的是2到3年的成效合作(利润分成)模式。

5

服务模式拉近

与客户的距离

爱分析:TalkingData目前对外服务的模式是怎样的?

林逸飞:我们的服务模式为前期咨询加数据服务,另外一种是成效合作模式,在金融侧已经开始了,零售侧我们也在很谨慎的选择品类,整体上业务模式还是依托数据本身,模型软件咨询占比较大。 

爱分析:成效合作模式一般分的是哪块的收益?


林逸飞:
这个视情况而定,有可能是分新品类,也可能是分新增价值,也可能是分成本。 

爱分析:现在TalkingData内部有多少人?零售线有多少人?


林逸飞:
现在整体团队有400多人,零售部门大概有70-80人,共用团队的数据科学家,但咨询顾问是有行业属性的。零售部门按职能分包括咨询、销售,还有产品经理。 

爱分析:TalkingData是否在去年对策略进行了调整,优化了一部分前端的人员?


林逸飞:
是的,我们希望产品经理、算法科学家与前台和客户之间的距离尽量缩小,前端通路从接触客户开始,到建立产品经理和数据科学家与客户的联系,这件事情原来要经历两三个环节,现在没有那么多环节,我们的中台搭完之后,前面垂直的产品每一个产品都有自己的产品经理和算法科学家,直接建立起产品经理、数据科学家与客户的联系。

当前流量格局与市场变化下

品牌商如何构建自身的数据基础?

如何用数据与AI优化产销链条?
T11 2019数据智能峰会
用数据,加速行业周期变革

码上报名

↓↓↓

《私域流量时代的数据新生态,品牌商如何抓住机遇?》

调研:李喆 陈宵雅 

撰写:陈宵雅

本文转载自: 爱分析ifenxi

推荐阅读:

新零售三年:数字化应用被“逼”向深水区

说说私域流量这件事,它对企业的价值到底有多大

如何玩转零售业的数字化转型2.0时代?

《私域流量时代的数据新生态,品牌商如何抓住机遇?》
《私域流量时代的数据新生态,品牌商如何抓住机遇?》

↓↓↓点击阅读原文,查看T11 2019更多消息

原文始发于微信公众号(TalkingData):私域流量时代的数据新生态,品牌商如何抓住机遇?

推荐阅读:

发表评论

电子邮件地址不会被公开。 必填项已用*标注