首页攻略运营篇(3)：资源规划与流量分发

 

四. 资源位规划与流量分发 

首页的一个重要使命是做好流量分发，为业务线给到匹配营收目标的流量。这对业务至关重要，然而，从首页运营的角度，这又非常难做。因为，除了内部分配协调难度极高，同时流量背后又是一个个鲜活的消费者，有明确的需求和品类偏好。并不是我们把资源按业务占比分配好，消费者就会按我们期望的比例来点击和购买的。

为了解决流量分发这个难题，首先我们根据一个复杂完整的实例，来看看资源位怎么进行分配，这是流量分发的基础。

1.资源位规划详解

我加入亚马逊的时候，公司正在做年度业务规划，每个业务线都做出了自己的下一年度的营收预期，市场部也给出了流量预测。从流量到营收，大致的漏斗模型如下：

流量分发模型

我们可以看到，模型的两端是流量和营收预期。市场部负责渠道端引流，结合主动回访的老客以及自发流量，共同构成平台总流量（顾客数到流量还要乘以平均访问频度）。我负责的产品和运营的重要任务，就是把流量按营收占比分发到各个业务线（流量分发），并尽可能多地转化为业务线商详页PV（引导效率），再转化为商品销售数量（转化率），最后乘以业务线的商品均价，成为业务线营收。

这里有三个关键环节：

1. 流量分发：这个决定各业务线获得平台流量的配比

2. 引导效率：这个体现把顾客带到商品面前的能力，是导购频道的核心能力

3. 转化率：体现从商详页到购物车到结算页到支付完成的漏斗效率，是主购物流程的核心能力

我们都知道，流量永远是不够的，营收预期永远是激进的。这三段共同构成从流量到营收的桥梁，不但难度非常高，且难点各不相同。

流量分发的主要难点如前述，顾客及其需求占比受平台特性影响而相对稳定，很难有效操纵。

下面先说说我在资源分配上的实践，这是流量分发的核心与基础。

第一步，计算上年度各条线的销售商品均价、向业务线获取下一年度的预估的商品价格浮动、以及下一年度的营收预期，计算各条线下一年度需要完成的商品销售件数。

下面的红色字为本步输出，蓝色字为通过BI、业务线获取的输入，或上一步的输出，后同。下面以计算A业务线为例，算法覆盖所有业务线。

 

• A业务线预计单品均价 = 上年度A业务线单品均价 * （1+A业务线价格浮动百分比）

• A业务线预计销售件数= A业务线营收预期 / A业务线预计单品均价

 

简单说，就是通过各业务线营收预算和单品均价计算出需要完成的业务线商品销售件数，如下：

第二步，把销售按件数预期分到App、Web、PC三平台（注：此处忽略微信或站外销售，这部分销售与站内资源分配和流量分发无关）。

考虑到顾客迅速转向移动端，还要根据过去几年流量在三个平台上的迁移趋势和整个行业状况，做出下一年度三平台占比变化预测，然后根据这个新占比重新分配各平台销售量。

 

• App端预计销售件数 = A业务线预计销售件数 * App端上年度占比*（1+预估占比增幅）

 

也就是把销售件数分到三个平台，逐个计算。Web和PC的方法相同，下面仅以App为例。

第三步：通过上年度的单品平均转化率（销售商品数/商详页浏览量），计算出要达到销售预期，需要在各平台给到的业务线商详页流量（商详页PV，亚马逊称为GV）。简化起见假设年度转化率不变。

 

• A业务线需要的App GV = A业务线App端预计销售件数 / 上年度A业务线App端转化率

 

把所有业务线的GV需求均逐一进行计算，并求和，就得到了GV需求总量。

 

• App GV需求总量 = ∑ 各业务线App GV需求

 

也就是通过转化率的计算，把商品销售件数再换算为份平台的商详页PV。

注：转化率有两种定义，一种是Order/UV，一种是Units/GV，前者为全站顾客到订单的转化率，后者为商详页流量到销售单品的转化率。因为顾客的购买行为是跨品类的，而商详页是分品类的，因此如果针对业务线来流量需求，必须把流量按业务线分开，因此取后者进行后续计算。

第四步：我从市场部流量团队拿到了下年度的流量预期。这个流量是UV，而不是GV。然后，通过上年度各平台的人均GV，计算下一年度可以得到的总GV（假设流量质量不变）。

 

• App端上年度人均GV = 上年度App端总GV / 上年度App端总UV（日活）

• App端总GV预估 = 下年度UV预估 * App端预计占比 * App端上年度人均GV

 

也就是把GV分到各个平台分别计算UV层面的流量需求。

这一步得到的总GV是引流渠道的流量输出，跟上一步得到的业务流量需求相比，会有不小的差距。这就是理想和现实之间的距离。

作为副产品，在这步计算中我看到，App端人均GV比PC端高22%，比Web端高84%，这体现了App端的顾客更爱逛，一次到访会浏览更多的商品，而web端则非常缺乏可逛性。这更加证明了全力发力移动端的合理性。

第五步：设法弥补第三步得到的流量需求，和第四步的流量预估之间的差距。有五个思路：

1）要求各业务线下调营收预期……好吧，留到最后一步再干这个，比较容易被CEO大刑伺候。

2）要求市场部提升流量。这如果不配合流量采买的经费增加（流量极其昂贵），可能会逼得流量团队去投放劣质渠道或刷流量，也要小心。

3）全力把流量向移动端迁移，充分利用移动端人均产出GV更高的状况，提升同样流量的GV产出。有两件事可以做，一是与市场部沟通，调整投放计划，把更多的引流渠道放在移动端；二是在产品端和运营端发力（如推进Deeplink，设置移动端抽奖或专享活动），把PC端和Web端的用户向App迁移。

4）通过产品和运营的协作，大力建设导购频道和个性化推荐，提升人均产生的GV数量。

5）通过产品端的努力，提升转化率。转化率当然也可以通过让业务线降价或者准备更好的选品来提升，但这方面留给业务线，我们先看产品能做的事情。

1、2两个方向都与产品和运营的工作基本无关，我们的目标，自然放在3，4，5，内部挖潜，先看看能不能有机会弥补差距，避免迫使公司下调营收预期或为市场部大幅增加费用。

第六步，这是最难的一步 - 仔细计算产品和运营的工作，能够提升的转化率和人均GV。

1）产品端计算：产品主要是通过新项目为平台提升流量效率。当时我的产品策略是“All in App”，所有的产品改造全部针对App端。

 

• 转化率提升项目：计算可以优化的购物流程环节能带来的转化率提升预期，随后根据销售预期，计算由于转化率提升而可以减少的GV量。这步计算后相应下调GV需求总量。

• 新导购项目：对标竞品类似频道CTR，估算该项目可能获得的Click Mix，并根据该项目特性估算该项目预计带给每个顾客的人均GV，结合首页日活预估，计算GV增量。

• 导购功能优化：根据当前功能对应的GV产出，估算优化后的GV提升幅度。

• 移动端迁移：在自然迁移的基础上，计算产品做法可以带来的App端迁移增量，并计算这部分增量可以带来的GV增量：（App端人均GV-PC端人均GV）*迁移增量

 

通过上述产品效果计算，一端下调了GV需求量，一端提升了GV产出量，差距被大幅度缩小。

2）运营端计算：首页运营工作比较日常，更多的是资源位产出盘点，资源排期，日常的机动资源位分配和管理，以及大促资源分配和管理。可以做的事情是：

 

• 盘点低效资源位，计算把资源分配做优化（调给产出更高效的业务后）后可以得到的GV提升。

• 盘点亚马逊售卖王牌“镇店之宝”频道的常规促销场次分配情况与GV产出之间对应关系，找到场次-GV的曲线最佳拐点，重置场次规则。

• 盘点大促的时长、频次、主题、大促资源分配，优化大促计划。因为大促是吸取全站常规流量，贡献大促产出，由于大促主题的品类偏向，以及促销疲劳问题，促销贡献的产出在全局上未必能抵消正常非大促销售的损失。因此大促需要最佳节奏，而非一味增加。因为大促组也在我的职责范围，我得以在全局重置大促规则，当然这方面与业务线沟通还是比较费力的。

 

在所有这些盘点之后，运营线也给出了一个GV提升的预期。

通过上述艰苦的产品、运营工作规划和效果预估，很大程度上已经弥补了流量需求和供给之间的差距。这也是产品和运营们的巨大价值所在 – 在不增加成本（除研发）的基础上，大幅提升产出。当然到这里还存在一些差距，于是软硬兼施搞定市场部提高了UV目标和渠道分配，于是总流量（GV）终于匹配上了。

第七步：把总GV分到各个业务线，设定各个业务线的下年度流量指标。随后对比上一年度各业务线的实际流量占比，确定各个业务线的流量占比在下一年度的提升或下降比例。

第八步：计算搜索流量带给各业务线的GV，把这些GV从各业务线流量目标中剥离。因为搜索结果不是可分配资源（其实一定程度上也可以通过搜索权重因子的调整来影响。为了不让模型过于复杂，先假设搜索流量占比不变）。其余GV基本就是通过首页流量分发来达成的了。

 

• A业务线App端非搜索GV目标 = A业务线App端总GV * 非搜索流量占比

 

至此，首页对各业务线的流量分发总目标基本确定。

第九步：盘点当前首页资源位分配，确定各个首页资源位可以产生的GV数量（这一步背后需要强大的BI埋点，可以通过点击流模型来），对比第八步得到的各业务线流量分发目标，规划资源位的初步分配。

举个例子，把本来在业务线里固定分配的顶部轮播第三、四、五帧改为机动资源位，假设第3帧固定每天带来5000个GV，第4帧3000个，第5帧1500个，那么可以先把本来拥有这三帧的业务线的流量相应减掉，然后把这三帧一年可以产生的总GV重新分配给需要提升流量占比的业务线。同样的方法可以用在促销场次分配、大促资源位分配、首页频道入口分配等等。

第十步：在上一步确定的资源位调度方案上，作出全年的资源位分配规划，再细分到月，考虑到业务线的季节性特征、各档大中小促流量特点和日常流量情况，对业务线进行具体的资源分配，并设定每月流量目标值。这个业务线流量月度目标值，就是月度盘点的对比基线，并根据出入情况对下月分配做出调整。

然后，把所有步骤，在PC和Web端重新走一遍，设置好各个平台的流量目标。其中Web的入口分配与App完全一致，仅估算流量纳入全局即可，不需另作分配方案。

至此，资源规划全部完成，形成了流量分发的基线版本。由于牵涉到大量的模型建立、计算、取数、沟通和协调，我的团队日以继夜一共做了46个版本，最终定稿，并获得CEO批准。

是不是工程量浩大？万里长征，这才第一步。确定了行动路线，后面的实际情况需要因地制宜，并不知道在哪里会遇到强大的阻击，哪里会遇到流寇，哪里实际走不通。但至少，方向和目标已经明晰了。

下面再说一下这个方法存在的问题。

流量虽受资源位数量的影响，但不完全呈线性比例关系。我们用一个简化的模型来理解：数码品类拥有3个入口，母婴品类拥有2个入口，得到的GV也是3：2，那么如果希望把GV占比倒转，变为2：3，是不是调整一个数码的入口给母婴就可以了呢？您可能知道，这样不行。因为流量背后可能是9个数码消费者和6个母婴消费者，数码入口减少，数码消费者可能依然会点击数码入口，母婴消费者也同样如此。入口调整后，流量有可能出现一定变化，比如从3:2变成2.7：2.3（毕竟还是存在一定的中立偏好和混合需求的用户），但不会完全按资源位数量发生等比例线性变化。

那么怎么办呢？我在实践中的经验是，保留尽可能多的灵活机动资源，不要预先把所有资源完全分掉。然后每周精细盘点流量情况，对比第十步给出的目标，给缺流量的多调一点，给相对富裕的减一点。当然业务线也有难处，有时候认为会有资源，于是规划了一档活动，动用了营销资源、供应商资源，进了货，结果资源位被调了，活动上不了线，苦不堪言。所以，还是做好尽可能准确的长期规划，而不是频繁调整。

看到了吗，首页资源位管理大概是天下最难干的工作之一！不但技术难度高，而且得罪人。给资源就跟发工资一样，大家都觉得流量不够，但肯定没人觉得有多，更没人愿意把嘴里的资源吐出来。运营能力不足对流量使用效率（即获得资源的实际产出）有问题的业务线，往往大声疾呼是因为流量没给够，而不是思考自己哪里没做好。

所以，首页产品和运营需要一个强大的内心。

2.流量分发策略

在完成了资源位分配后，再谈一下流量分发的一些做法和体验。

1）尽量多留出机动资源位，根据实际数据灵活调配。

2）尽量多设计不需人工运营的跨品类自动化导购频道。可以通过算法调整来改变品类曝光比例，更为机动灵活而且不会碰到太多争执。同时，只有算法能做到千人千面，导购效率通常更高。

注：根据实践数据，做得好的人工运营，因为对商品和顾客的深度了解，尤其是对冷启动商品（如新品）的判断、对季节性的把握、对新潮流和新导购方式的敏感，在非促销的导购栏目可以做到略微胜出算法推荐频道。当然这个和导购逻辑、算法质量都有很大关系。

3）为自动化的栏目，预留人工干预的入口，给战略商品/品类和冷启动商品留下曝光机会。

4）资源规划充分考虑品类的时间特性。移动端流量存在比较明显的时间特征，在一天里的每个小时，在一周里的每一天，针对不同品类可能会存在一定的差异。参见文章《漫谈新零售(13): 70前、70后、85后、95后》里的相关分析。

5）在活动资源位的分配上，建立明晰的门槛规则。比如，大促的A级资源位必须预期完成1000万销售才可以申请。同时建立盘点和奖惩机制，激励产出。缺乏奖惩机制，常会碰到的情况是，业务线要走了资源位，却没相应产出。“地盘先占上，耕得好不好再说”。这在商城平台上就比较没问题，商户好不容易付费购买了活动资源，肯定死抠每个细节，最大化产出。相信这个状况也给到了京东“流量货币化”项目思路启发。该项目在本文“资源位管理”部分简述。

6）流量分发比例调整有上限，而且有一个漫长的过程，不要假设可以通过资源位调整很快翻番地涨。这背后，第一，品类中立，看到推荐就会感兴趣的人比较有限；第二，用户需求和占比的全盘调整会有个渐变的长期过程。

7）建立赛马机制，监控资源位产出效率，在大促时实时调整，在日常进行每周盘点与优化。

 

from https://36kr.com/p/5291261