搜索引擎营销:国内SEM客户与SEM公司对应关系汇总

九月 25, 2011 by · 29 Comments
Filed under: 舆情引导 

众所周知,在流量圈子里搜索引擎一直占据着四大来源前两位,除开我们日常提到的搜索引擎优化SEO外,搜索引擎付费推广PPC也是很直观和效率的手法,针对此我们2011年9月初收集了一些各行业的知名品牌,以及相对应的主要SEM服务商,供大家参考。

在SEM领域客户千千万,大客户也不在少数。由于个人认知能力有限,无法保证把很多SEM知名客户都囊括其中。另外SEM服务提供方变动非常快,还有一些情况会造成出现误解的,比如某些代理商拿下客户的SEM业务后又转包给第3方,某些客户把百度和谷歌分给不同的服务商,某些客户的产品线是独立运营的,从而分给不同的SEM公司、又或者由某几个服务商联合提供SEM服务的,总之是情况复杂,因此表格里的服务方一项可能同时列举多个Vendor。

本数据主要为部分主流电商以及大型公司采用的sem公司,我们可以很明显地看出:

1、总共110家投放者里,自建团队执行的仅四家,这就是现实,包括专业的数据分析师、PPC操作员都是大难题。

2、服务商行业属性区别很开,试想一下,我们两家做同类产品的商家,同时在一家PPC公司那接受服务,,,

3、群邑23家,品众互动10家,博雅立方9家,华扬联众 9家,MediaV 7家,赛美特 6家,艾德思奇5家,OMD 5家,iClick 4家,奥美 4家,明锐互动 4家,国双4家,紫博蓝3家,IM2.0 3家,创世奇迹 3家,好耶2家,网迈 2家,亿玛 2家,无双科技 2家,麦肯 2家,科斯世通 2家,Metapeople 1家,同舟酷讯1家,贝都因 1家,三星鹏泰 1家,  Agenda 1家,BLUE 1家,,我们可以看出一些明显的区别群邑提供的更多高端客户(品推为主,服务商家也更多);华扬联众也是以大企业及国有企业为主;博雅立方更多的是门户与电商;品众互动服务的几乎全是电商。(当然这里的数据仅作为参考)。

4、很多公司也有PPC投放的,但一时没能获得确切的信息,包括部分公司把这些信息列为了机密,还有部分行业比如医疗本来是PPC投放最大群体之一,但因为这样那样的原因很多信息很杂乱,无从考究加之管制所以就没更多的信息公开。

5、我们可以看出很多大品牌公司包括国有企业在网络搜索广告投放这块还是很保守的。

6、本数据仅供参考,部分来源于网络,如有差错或不便请告之更正,谢谢。

国内SEM客户与SEM公司对应关系表
行业分类 客户名称 客户英文名 PPC服务商
电商/网商 京东商城 360buy 自建团队,好耶
电商/网商 新蛋 newegg
电商/网商 凡客 vancl 好耶,品众互动
电商/网商 当当 dangdang iClick
电商/网商 卓越 amazon iClick
电商/网商 易趣 ebay
电商/网商 库巴 coo8 品众互动
电商/网商 苏宁电器 suning 博雅立方,IM2.0
电商/网商 国美 gome 品众互动
电商/网商 1号店
电商/网商 兰亭集势 lightinthebox 自建团队
电商/网商 梦芭莎 moonbasa 博雅立方
电商/网商 乐蜂网 lafaso 品众互动
电商/网商 乐淘 letao MediaV,群邑
电商/网商 好乐买 okbuy 网迈,MediaV,品众互动
电商/网商 玛萨玛索 masamaso MediaV
电商/网商 麦包包 MediaV,品众互动
电商/网商 红孩子 博雅立方
电商/网商 中粮我买网 womai 艾德思奇
电商/网商 银泰网 品众互动
电商/网商/团购 拉手 亿玛
电商/网商/团购 高朋 品众互动
电商/网商/团购 团宝
电商/网商/团购 24券 国双
电商/网商/团购 窝窝团 IM2.0
电商/网商/团购 聚美优品 亿玛
电商/网商/团购 美团 紫博蓝
电商/网商/团购 糯米 品众互动
门户/垂直 赶集 自建团队
门户/垂直 腾讯 tencent 博雅立方
门户/垂直 智联招聘 zhaopin 博雅立方
门户/垂直 搜狐 sohu 同舟酷讯
门户/垂直 中华英才 chinahr OMD
门户/垂直 神州租车 紫博蓝
门户/垂直 一嗨租车 无双科技
门户/垂直 58同城 博雅立方
门户/垂直 Global Blue 赛美特
奢侈品 香奈儿 chanel 群邑
奢侈品 LV
奢侈品 Gucci
奢侈品 爱马仕
奢侈品 迪奥 dior
奢侈品 Coach 赛美特
奢侈品 啊玛尼 amani
奢侈品/手表 欧米茄 omega 群邑
奢侈品/手表 Tiffany
奢侈品/手表 劳力士 lorex
奢侈品/手表 西铁城 citizen
软件 微软 microsoft 麦肯,群邑
软件 甲骨文 Oracle Metapeople
软件 SAP 奥美
软件 IBM 奥美
软件 用友
软件 金蝶
软件 Vmware 赛美特
软件/杀毒 卡巴斯基
软件/杀毒 赛门铁克 semantic 明锐互动
IT电子 英特尔 intel OMD
IT电子 AMD 华扬联众
IT电子 德州仪器 ti 群邑
网络设备 思科 cisco
网络设备 华为
网络设备 瞻博网络 juniper
网络设备 中兴
汽车 奔驰 benz 群邑
汽车 宝马 bmw 华扬联众
汽车 大众 群邑
汽车 奥迪 科斯世通
汽车 北京现代 MediaV
汽车 本田
汽车 丰田
汽车 通用 华扬联众
汽车 别克
汽车 日产 科斯世通
汽车 东风标致 OMD
汽车 沃尔沃 volvo 明锐互动
汽车 马自达
汽车 雷克萨斯 lexus 赛美特
电脑 戴尔 dell 群邑
电脑 惠普 hp OMD,群邑
电脑 联想 lenovo 奥美
电脑 宏基 acer
电脑 华硕 asus 贝都因
电脑 东芝 toshiba
电脑 神州 hasee
电脑 三星 samsung 三星鹏泰
电脑 索尼 sony
商用办公设备/打印 爱普生 epson 国双
商用办公设备/打印 兄弟
电器/电视 LG 群邑
电器/电视 夏普 sharp
电器/电视 TCL
电器/电视 海信
电器/电视 长虹
电器/电视 创维 skyworth
电器/电视 康佳 konka
电器/综合 海尔 haier IM2.0
电器/综合 美的 midea
电器/综合 西门子 siemens
电器/综合 松下 panasonic
电器/综合 Mondial 赛美特
电器/综合 格力 gree
电器/空调 志高
电器/空调 科龙
电器/空调 格兰仕
电器/洗衣机 三洋 sanyo
电器/洗衣机 小天鹅
电器/洗衣机 博世 bosch
电器/洗衣机 惠而蒲
电器/洗衣机 小鸭
电器/洗衣机 荣事达
数码产品/相机 佳能 canon
数码产品/相机 尼康 nikon
数码产品/相机 柯达 kodak
数码产品/相机 奥林巴斯 olmpus
数码产品/相机 宾得
数码产品/相机 理光 risoh
数码产品/相机 富士
数码产品 卡西欧 casio
数码产品 爱国者 aigo
服饰鞋包 H&M 群邑
服饰鞋包 杰克*琼斯 J&J
服饰鞋包 佐丹奴
服饰鞋包 欧时力
服饰鞋包 ECCO 群邑
服饰鞋包 真维斯 jeanwest
服饰鞋包 红豆
服饰鞋包 鳄鱼
服饰鞋包 利郎
服饰鞋包 七匹狼
服饰鞋包/体育类 耐克 nike
服饰鞋包/体育类 阿迪 adidas
服饰鞋包/体育类 李宁 lining
服饰鞋包/体育类 匹克 peak
服饰鞋包/体育类 匡威 converse
服饰鞋包/体育类 卡帕 kappa
服饰鞋包/体育类 鸿星尔克 erke
服饰鞋包/体育类 德尔惠 deerway
服饰鞋包/体育类 锐步
乳制品 伊利 群邑
乳制品 蒙牛 奥美
乳制品 三元
乳制品 惠氏
乳制品 美赞臣
乳制品 雅培
乳制品 多美滋
乳制品 美素
乳制品 亨氏
乳制品 澳优
乳制品 贝因美
乳制品 明智
乳制品 雀巢 群邑
日用快消 可口可乐 星传
日用快消 百事可乐
日用快消 嘉士伯啤酒
日用快消 喜力啤酒
日用快消 百威啤酒
日用快消 青岛啤酒
日用快消 重庆啤酒
日用快消 五粮液
日用快消 泸州老窖
日用快消 茅台
日用快消 华润雪花啤酒
日用快消 燕京啤酒
日用快消 郎酒
家居 百安居 bnq 华扬联众
化学化工 道康宁 dowcorning BLUE
化学化工 立邦 nipponpaint 群邑
化学化工 华润 群邑
化学化工 多乐士
化学化工 汉高
化学化工 壳牌 华扬联众
重型机械 卡特彼勒 cat 群邑
重型机械 三一重工
重型机械 小松 komatsu
重型机械 柳工
重型机械 徐工
重型机械 龙工
视频门户 优酷
视频门户 土豆
视频门户 酷六
视频门户 奇艺
视频门户 56
视频门户 PPTV
游戏 畅游时代 创世奇迹
游戏 完美世界 创世奇迹
游戏 千橡 创世奇迹
教育 智康 紫博蓝
教育 泰祺 博雅立方
教育 新东方 艾德思奇
金融保险投行 平安 艾德思奇
金融保险投行 中国银行 华扬联众
金融保险投行 华旗银行 iClick
金融保险投行 信诚 群邑
金融保险投行 招商银行
金融保险投行 广发银行 艾德思奇
金融保险投行 建设银行
金融保险投行 工商银行
金融保险投行 深发展 暂无
金融保险投行 民生银行
金融保险投行 交通银行
金融保险投行 兴业银行
金融保险投行 渣打银行
金融保险投行 汇丰银行
金融保险投行 安联保险
金融保险投行 友邦
金融保险投行 中国人保 picc 华扬联众
手机 苹果 OMD
手机 诺基亚 Agenda
手机 摩托罗拉
手机 索爱
手机 HTC/多普达
手机 OPPO
手机 纽曼
手机 阿尔卡特
手机 飞利浦
航空 国航
航空 东航
航空 南航
航空 新航
航空 法航 明锐互动
航空 荷兰航空 klm 明锐互动
航空 国泰 麦肯
酒店旅游 去哪儿 qunar 博雅立方,无双科技
酒店旅游 酷讯 博雅立方,品众互动
酒店旅游 艺龙 elong 网迈
酒店旅游 携程 ctrip 自建团队
酒店旅游 途牛
酒店旅游 乐途 lotour
酒店旅游 丽思卡尔顿 Ritz-Carlton
酒店旅游 香格里拉 群邑
酒店旅游 喜达屋 starwood 群邑
酒店旅游 洲际酒店集团 InterContinental
酒店旅游 万豪国际 Marriott
酒店旅游 希尔顿 Hilton
橘子酒店
汉听 汉庭
国旅 CITS 艾德思奇,赛美特,iClick
酒店旅游 7天连锁 MediaV
医药健康 西安杨森
医药健康 中美史克 群邑
医药健康 药房网
医药健康 好大夫
医药健康 哈药集团
医药健康 39医药 MediaV
基础通讯 中国联通
基础通讯 中国移动 华扬联众
化妆品 安利 华扬联众
化妆品 曼秀雷敦
化妆品 自然堂
化妆品 欧珀莱
化妆品 Benefit
化妆品 资生堂
化妆品 玫琳凯 群邑
化妆品 倩碧
化妆品 DHC
化妆品 兰蔻 lancome 国双
化妆品 雅诗兰黛 estee lauder
化妆品 欧莱雅 国双
化妆品 联合利华 unilever
化妆品 宝杰 pg 群邑

电商企业搜索引擎营销(SEM)与公关的整合网络营销之道

八月 3, 2011 by · 2 Comments
Filed under: 电子商务运营 

SEM(搜索引擎营销)比较广泛,其主要就是SEOPPC竞价排名,SEO主要在网站建设时期,针对目标为搜索引擎蜘蛛(spider)与最终受众,通过代码结构的优化关键词的布局,内外链等获取搜索引擎好感提高网站的权重从而获得更好的收录与排名;竞价排名目前各大搜索引擎都在用,主要为关键词竞价排名和购买固定排名(前进这几年主要用到的是百度与谷歌的搜索与网盟推广),竞价排名根据关键词质量度,创意关联度,价格等因素决定排名的高低,品专就是购买关键词获取固定位置(百度就是首位,搜狗有右侧前三位)。

sem、seo

sem、seo

   SEO可以说是网站的一个基础,是对网站的优化,似的网站相对于其他网站来说在搜索引起的心里具有更好的竞争力有更好的位置。就算没有优化过的网站一般只要是按正规程序一般官网都可以在搜索首页(全动态网站另说,优化基本以静态网站为宜)。网站代码是给搜索蜘蛛看的,网页是给客户看的,所以在优化网站代码的时候不能忘记网站建设后的用户体验。讨好蜘蛛更要讨好客户。

关键词搜索推广,前进认为搜索推广不能像媒体广告那样去看CPM,因为搜索推广的目标非常精准,只要你的核心关键词没设置错(像做设计培训的关键词里全是平面设计,动画设计类的,偏偏没有培训这俩字那就有问题了)搜索推广里常见的就是展现量,点击率,跳出率,转化率,这里应该重视转化率,而不是展现量,转化率越高证明搜索推广效果越好,带来的直接利润越大,但点击率越高CPM也就越高,那些追求CPM的是不是感觉方向错了?跳出率是一个衡量关键词有效性的标准,跳出率太高的关键词等于无效关键词。展现量高点击率低,适合做品牌宣传,CPM也就低了,但这样用搜索推广你不感觉很浪费么?

网盟推广,前进认为网盟推广很适合做品牌宣传,或促销宣传,一个是成本很低,比搜索推广要低很多。展现量大又不收钱,点击率比较小,是个性价比高的广告宣传工具。近来百度推出了定向人群推广做精准也游刃有余了,至少为意向客户提供了多次展示与宣传的机会,成交概率大大增加。

网络整合营销策略

网络整合营销策略

    在整体传播上网盟及广告作为直接的宣传,覆盖广泛,能够形成立体式的宣传网络,使得客户对产品得到认知,公关软文传播为网站提供优质的外链同时也在潜移默化的影响客户的选择,破除广告与消费者的对立屏障,使他们对产品得到认可。关键词搜索就是针对这部分有兴趣或需求的客户对他们实现销售的转化。所以广告,公关,搜索推广这三方面配合来做的效果会更好。如果没有前面的公关与广告,单独的做搜索推广可能转化就会很低,当然那些指望着打打广告或做个活动或弄个销售专题页就能带来大量订单的想法一样要大打折扣。(入错了行,大部分闲来无事,只好来这里发发牢骚,总结下自己的经验,发表些自己的看法,欢迎各位的板砖与鸡蛋,也许能砸出智慧的火花)

本文来自派代成长的毛毛虫,仅供参考。事实上SEO对中小型电商意义不大,实际操作中需各自根据各自实际情况去操作才是。

 

超大型搜索引擎营销(SEM)帐户的管理优化与测试方法(转)

三月 12, 2011 by · 9 Comments
Filed under: 网站运营策略 

问: 超过10万关键词的超大型账户,怎么分组比较方便管理呢? 现在这个账户主要靠类型去分的,比如行业/通用/疑问/竞品等等,但是感觉管理很繁琐。

答:对于大型帐户来说,帐户结构是SEM管理里最重要的一个部分了。本质上帐户大小,关键词多寡在SEM管理上并无本质差异。大帐户的问题主要是内容过多,容易迷失在细节中,造成无法有效确认优先问题和解决方法。一个清晰合理的帐户结构的目的是提高帐户的可读性和可操作性,排好优先顺序,则管理不会太繁琐。原则上,我们认为哪怕是几百万上千万关键词也不需要几十个人来操作,三五个足矣。

问: 对。现在有一个问题。 我这边客户有几个小女孩自己在弄,他们经常会把质量度低的 拿出来重新建计划。结果我进去一看都要疯掉了,乱七八糟的,大动的话,估计数据波动会比较厉害。

答: 接手新帐户要避免大动,一下动太多容易引起剧烈波动。即使做全新的帐户结构也应该循序渐进,对客户来说,在稳定的基础上优化更有意义。剧烈波动本身也会对优化带来更多障碍。

问:那就只把top消费前100的调整好就OK了吗?我准备筛选出TOP前100消费的keywords,和相关搜索词

再重新分组。

答: 可以这样,比如选一个最大的项目行业做样本, 选出最有意义的关键词重组一个测试系列。然后优化此系列。完成初步优化后,以相同的测试组概念替换其他的项目/行业,一点点更换, 不要一次全改掉。

问: 我看过你以前写百度中级培训的PPT,去测试一组关键词组合,这个没有一套系统,很难实现吧?

答: 也不一定困难,EXCEL就够用。 主要是架构要自己先搭好,做测试的时候自己大概布局就要出来了,然后逐步调整。

问: 恩。 你这边有没EXCEL数据分析的样本。 我看下你怎么做的, 学习下。DEMO数据就行。

答: 没有…… 这个一点不复杂,基本就是简单的排序和效果对比。但是需要经验吧?结构的话,除了自己组织,还可以跟他们的站长或者商业负责人聊聊,与网站结构或者商业流程相呼应,以报告易读性和操作易可执行性为目标。

问: 我想了解你们做这些优化工作中,是关注哪些方面数据的波动。 看一个表的话,就很直观了。

答: 当然是新旧系列的效果对比了。做小的测试组也就是这个目的,保证测试前后的数据可读可对比,以消费和转化为主要指标,展示 点击和CPC为手段。

问: 广告组也是要保证 相关性吧? 创意和keywords的相关性, 不同目的的话,做结构也会有区别。

答: 你的测试系列是要以最优目标来设计的, 否则就没意义了。 测试成功以后更换时逐步复制淘汰旧词旧系列,这样才能保证新结构清晰可控。

问: 恩。明白了。 有时候开始规划是好的,但是后期优化极有可能把账户弄乱了。

答: 嗯,这个是经验问题了。还是思路没理清,东西一多就失去优先顺序呢。做SEM管理要进得去出得来,始终了解问题的核心,任何时候都能抓住主线,纲举目张,则不会被后期大量的细节淹没。

问: 还有这种情况, 我测试的时候不断加入优质的搜索词,这样的话对比就困难了。 如果不加的话,只能在CPC,创意,LANDING这几个环节去优化。

答: 测试只针对旧的,不要复杂化, 扩词是替换掉旧关键词旧系列以后的事情。优化必须分步实施,每次针对有限标的,否则你不知道如何评估效果。 你做帐户优化有点着急,总想一步到位。

问: 恩。 你这边一般什么步骤? 对,我哪有你这么成熟老练啊。 主要是客户也急于求成, 没办法。

答: 有些工作是水磨工夫没法着急的,关键是要确认优化及优化手段可以复制,这些需要数据积累来验证。光着急没用,买彩票中一次不能中第二次,可复制是系统优化的关键。

问: 你大概指导下 具体实施步骤。 我好好记录下,并按照这个执行,看看效果。

答: 首先要解决优先目标。从消费转化两个角度排序,选影响力最大的系列或者关键词下手,建立理想的测试分组或者测试系列。现在谷歌欧美帐户在系列设定中支持测试功能,可以在运行状态中分成测试。中国用户使用百度或谷歌中国的,则使用传统手段:就是停旧关键词旧系列,启动测试系列,对比测试前后同时间周期的效果。

campaignexperiement

campaignexperiement

问: 谷歌的测试就是新旧系列/分组分成,设置不同两个CPC出价,看最后的比对结果?

答: 不仅仅是CPC。 其实优化第一步的时候,CPC不重要,重要的是结构。必须在测试系列中实现最理想的结构,然后调整CPC,广告,LP,相关性,等等。 初步测试完成以后把这套模式复制到其他目标系列中。在已经完成新旧替换的新系列里可以进一步扩词/调整预算/改进广告等优化。其实一点不复杂,主要是思路要清晰,每一步都知道自己做什么,目标是否实现,是否与实施的手段匹配。

问: 恩,我记录下。还有个问题,有些行业本身波动较大,比如 这周比上周正常波动个30%都是有可能的。

答: 一是拉长观察期。二是锁定系列,分组或者关键词,剔除波动来看整体效果。波动是正常,但所有分组关键词一起波动,如果没有外力影响就不正常。

问:整体波动在某些行业真是很正常。

答: 你没明白我的意思。如果你认为一定的波动正常,把这个波动范围放进效果观察去即可,这和拉长观察期的意义是一样的。就是说,如果30%的波动正常,那么我们的优化可以以50%为目标。另一方面,你可以将所有数据用7日平均,15日平均的方式来加权 那么就可以弱化短期波动的影响。 说到底还是思路问题:你定下一个结构和优化方案,如何实施和效果评估。

问: 太感谢了,听你这个一说,感觉思路打开了。平时总是很疑惑如何从数据分析加权去,排除正常波动的影响。

答: 不客气,要有耐心,主要是确定问题,确定解决问题的方法,确认问题得到解决。小处入手,方法正确,则小的改进也是可以复制放大的。但如果一下上一大堆操作,不知道到底哪些有用那些没用,就彻底看不清了,客户急自己急都没用。

问: 测试的系列,是不是不要放入过多的关键词和分组?

答: 以你能够有效管理为标准,如果你有把握可以同时管理大批关键词,也不怕多上。但一般来说,关键词越多,对SEM管理经验要求越高。

注:思路仅供参考,本博不负责解释。本文来源于semwatch.org

2013全球SEO行业调查报告

八月 2, 2013 by · 3 Comments
Filed under: 搜索引擎营销 

这份报告是SEOmoz对每两年一度举办的SEO行业调查进行的分析数据,上次调查是在2010年。该调查,主要围绕SEO从业人员的特征、工作内容时间分配比例、SEO相关消费和预算、对未来市场的看法、seo培训、使用的seo工具以及SEO知识扩充渠道等展开。

  营销人员的特征:

  47% Based in United States(来自美国)

77% Male(男性)

46% 26-34 years old(26至34岁之间)

18% Works at 2-5 person company(在2-5个人的公司工作)

23% 3-5 years in online marketing(3-5年的在线营销/网络营销经验)

35% Started as an in-house marketer(从公司内部做推广营销人员开始)

46% Currently works as an in-house(一般是公司内部/从事内部开发的工作)

19% Makes $30,000-45,000(年薪在30000-45000美元)

可以看出:参与本次调查的SEOer,大多数还是来自美国,其中77%为男性,在26-34岁之间。大部分人都是in-house从业人员。女性受访者比2010年的调查略有增加,从20.6%到23%,但仍然是一个相当大的性别差距。

  seo从业人员数量全球比例

提示:这是moz基于全球65个国家的调查对象而做出的数据比例分析,并不代表真实和权威,是针对MOZ的受众,仅供参考。

47.3% 美国 1.2% 罗马尼亚 0.6% 丹麦
12.9% 英国 1.1% 巴西 0.6% 匈牙利
4.4% 加拿大 1.1% 意大利 0.6% 巴基斯坦
4.0% 印度 0.9% 以色列 0.6% 菲律宾
3.3% 澳大利亚 0.8% 印度 0.6% 波兰
2.4% 德国 0.7% 爱尔兰 0.5% 中国
2.0% 荷兰 0.7% 南非 0.5% 新西兰
1.8% 西班牙 0.6% 保 加利亚 0.5% 瑞典
1.3% 法国

 

在全球调查的65个国家中,列举了前25个国家的SEO从业者数量。其中美国以47.3%占比居首。中国SEOer占比0.5%。对比2010年的调查报告,美国从53%下降至47%,而英国从9%增长到近13%。以色列跌出前10名在2010年从第4位,而,巴西下滑至11,而罗马尼亚狭义的方式推到第10。

  整合营销和多重服务

调查者中,有92%不是专门从事seo服务的。他们还负责其它的一些网络营销服务。

大多数受访者(92%)的SEO服务,只是他们的组合服务的一部分。众多服务中排在前5名的是这样的(记住,大多数受访者提供多种服务):

  92% Search Engine Optimization (SEO 搜索引擎优化)

82% Analytics(数据分析/网站统计)

71% Link building(外链建设)

71% Content marketing(内容营销)

70% Social Media and/or Community Management(社交媒体或社区运营)

  未来营销趋势

调查认为,在未来几年中,社交媒体、社区运营、搜索引擎优化、本地化搜索引擎优化、内容营销及数据分析市场巨大。

  72% Social media and/or community management(社交媒体或社区运营)

71% Search Engine Optimization( SEO 搜索引擎优化)

65% Local SEO (本地化SEO/搜索引擎优化)

56% Content marketing(内容营销)

54% Analytics(数据分析/统计)

而诸如活动策划、线下营销、PR等下降幅度较大,分别下降比例为67%、51%、48%。由此可见,广告主对于网络营销的重视度越来越高。

  获取SEO知识的途径

SEO行业从业人员是通过哪些渠道来学习补充行业知识的呢? 93%的参与者表示,主要是通过网络资源,如博客、网站等,来进行行业知识充电。其它渠道还有自身操作经验、阅读书籍、参加大型会议及相关培训。

  93% Online resources – blogs, websites, etc.(网络资源-博客,网站等)

88% Hands-on experience(实战经验)

64% Read a book(阅读专业书籍)

53% Attended a conference(参加会议)

50% Attended training seminars/workshops(参加培训讲座/讨论会)

超过一半的受访者表示在过去两年(包括本地满足)参加了各种会议,报告汇总还列出了排名前10的会议,由于大多数在国外,对国内SEOer意义不大,故在此省略。

  seo个人及团队每日工作、时间分配

seo一般会在SEO优化上花24%的时间,在内页优化花11%的时间。而外链建立、社会化媒体营销及文案/博客时间占比分别为10%、8%、6%。但是对于整个团队来讲,这一数据比例又稍有变动,具体如下(列举时间分配上占前5位的工作):

seo个人时间分配

  24% SEO (搜索引擎优化)

11% On-page Optimization(页面优化)

10% Link Building(链接建设)

8% Social Media Marketing(社会化媒体营销)

6% Copywriting/Blogging/Writing(文案/博客/创作)

seo团队时间分配

  18% SEO

14% Link Building(链接建设)

12% Copywriting/Blogging/Writing(文案/博客/创作)

11% On-page Optimization(页面优化)

10% Social Media Marketing(社会化媒体营销)

  网站营销的重要手段

  76% Social – Set up/ran a Facebook business page 社会化-建立/运营公司Facebook页面

74% Analytics – Analyzed/tracked site speed and page-load times 分析统计-分析/跟踪网站速度和页面加载时间

69% Competitive – Analyzed competitors’ back-links for opportunities 竞争对手-分析竞争对手的反向链接

64% Competitive – Analyzed competitors’ content for inspiration/opportunities 竞争对手-分析竞争对手的内容

64% Social – Set up a Google+ business profile 社会化-建立一个Google+ 业务简介

63% Analytics – Analyzed [not provided] data in Google Analytics 分析统计-用Google Analytics分析数据(如果没有的话)

59% Content – Started a new blog or invested heavily in blogging 内容-建一个博客或者对已运营的博客加大投入

58% On-page – Used rel=”canonical” to control duplicate content 网页-用rel=“canonical”来控制重复的内容

57% Analytics – Employed conversion tracking to improve ROI 分析统计-利用转换跟踪提高ROI(投资回报率)

55% SEO – Focused on Local SEO: Google Places, local keyword targeting, etc.专注于本地化SEO:谷歌本地,定位本地关键词等

  对客户要以数据和报表说话

对于客户来讲,当你告诉我优化有效果的时候,请以数据说话,这就使得SEOer总是被各种各样的报告所缠绕。本次参与调查者中,有49%的人为客户提供月报,32的人为客户提供周报。而客户对于季度报告、日报、年度报告的要求较少,占比分别为9%、7%、3%。

接下来调查报告列举了一系列的消费预算和数据表,对于国内seo借鉴之处不多,故再次省略。

  seo工具

工具帮SEOer节省了很多时间。工具是SEOer的工作上的挚友。报告列出最常用到的5种分析工具和关键词研究工具:

1、五大网站分析工具

  93% Google Analytics

16% WordPress Stats

13% Omniture

9% CrazyEgg

7% Compete

2、五大关键词研究工具

  88.3% Google AdWords

58.6% Google Insights

20.2% SEMRush

16.7% Wordtracker

13.9% Raven

3、五大内容营销和宣传工具

  74% Twitter

53% LinkedIn

45% Google’s Insights for Search

31% StumbleUpon

31% Google Reader(已关闭)

4、五大优化转化率工具

  73% Google Website Optimizer

18% CrazyEgg

16% Pingdom

11% ClickTale

8% KISSmetrics

5、五大视频托管方案

  75% YouTube

30% Vimeo

23% Facebook

15% Google+

11% Self-hosted

十大优秀付费SEO工具

  55% Moz & Open Site Explorer

17% Majestic SEO

17% Raven

13% SEMRush

10% Screaming Frog

9% Market Samurai

8% Advanced Web Ranking

8% Link-Assistant.Com, Rank Tracker, etc.

7% Wordtracker

7% Spyfu

十大免费SEO工具(*表示该SEO工具也有付费版本)

  83% Google Webmaster Tools

47% Moz & Open Site Explorer*

42% Bing Webmaster Tools

41% Firebug

31% Majestic SEO*

28% Yahoo! Site Explorer

26% Xenu

22% SEOBook Tools*

19% Screaming Frog*

18% Hubspot Grader*

注:1、虽然是2012年调查报告,对于现在的seo工作仍有很大借鉴意义。

2、这份seo调查报告是以美国及西方国家为主,国内seo从业者对相关数据慎重看待。

3、由于篇幅和时间限制,没有完全翻译,择选部分重要内容翻译过来。

英文原文:2012 SEO Industry Survey

浅析个性化推荐十大挑战

四月 3, 2013 by · 2 Comments
Filed under: 电子商务运营 

个性化推荐很多读者都知道,但其中不乏认识上的误区。有的人觉得个性化推荐就是细分市场和精准营销,实际上细分市场和精准营销往往是把潜在的用户分成很多群体,这固然相比基于全体的统计有了长足的进步,但是距离“给每一个用户量身定做的信息服务”还有很大的差距,所以,只能说个性化推荐是细分市场的极致!实际上,信息服务经历了两次理念上的变革,第一次是从总体到群体,第二次是从群体到个体。第二次变革正在进行中,所要用到的核心技术就是这篇文章要讨论的个性化推荐技术。

还有读者觉得个性化推荐就等同于协同过滤,这可能是因为协同过滤应用比较广泛并且比较容易为大众理解。实际上协同过滤只是个性化推荐技术中的一个成员。它与很多更先进技术相比,就好像流行歌曲和高雅音乐,前者广受欢迎,而且一般人也可以拿个麦克风吼两声,但是说到艺术高度,流行歌曲还是要差一些。当然,流行歌曲经济价值可能更大,这也是事实。总的来说,协同过滤只是个性化推荐技术中的一款轻武器,远远不等于个性化推荐技术本身。

信息服务的两次变革:从总体到群体,从群体到个体。

信息服务的两次变革:从总体到群体,从群体到个体。

有些读者可能不是很了解个性化推荐,我先推荐一些阅读的材料。中文的综述可以看我们2009年在《自然科学进展》上的综述[1]。这篇文章质量不能说很好,但是可以比较快得到很多信息,了解个性化推荐研究的概貌。有了这个基础,如果想要了解突出应用的算法和技术,我推荐项亮和陈义合著的《推荐系统实践》[2]。百分点科技出版过一本名为《个性化:商业的未来》的小册子[3],应用场景和商业模式介绍得比较细致,技术上涉及很少,附录里面介绍了一些主流算法和可能的缺陷,或许能够稍有启发。国外的专著建议关注最近出版的两本[4,5],其中[4]实际上是很多文章的汇总,因为写这些文章的都是达人,所以质量上佳。Adomavicius和Tuzhilin的大型综述特别有影响力,不仅系统回顾了推荐系统研究的全貌,还提出了一些有趣的开放性问题[6]——尽管我个人不是很喜欢他们对于推荐系统的分类方法。我们今年发表了一篇大综述,应该是目前最全面的综述,所强调的不仅仅是算法,还有很多现象和思路[7]——大家有兴趣不妨看看。

有些读者认为个性化推荐技术的研究已经进入了很成熟的阶段,没有什么特别激动人心的问题和成果。恰恰相反,现在个性化推荐技术面临很大的挑战,这也是本文力图让大家认识的。接下来进入正题!我将列出十个挑战(仅代表个人观点),其中有一些是很多年前就认识到但是没有得到解决的长期问题,有一些事实上不可能完全解决,只能提出改良方案,还有一些是最近的一些研究提出来的焦点问题。特别要提醒读者注意的是,这十个挑战并不是孤立的,极有可能一个方向上的突破能够对若干重大挑战都带来进展。

挑战一:数据稀疏性问题

现在待处理的推荐系统规模越来越大,用户和商品(也包括其他物品,譬如音乐、网页、文献……)数目动辄百千万计,两个用户之间选择的重叠非常少。如果用用户和商品之间已有的选择关系占所有可能存在的选择关系的比例来衡量系统的稀疏性,那么我们平时研究最多的MovieLens数据集的稀疏度是4.5%,Netflix是1.2%。这些其实都是非常密的数据了,Bibsonomy是0.35%,Delicious是0.046%。想想淘宝上号称有近10亿商品,平均而言一个用户能浏览1000件吗,估计不能,所以稀疏度应该在百万分之一或以下的量级。数据非常稀疏,使得绝大部分基于关联分析的算法(譬如协同过滤)效果都不好。这种情况下,通过珍贵的选择数据让用户和用户,商品和商品之间产生关联的重要性,往往要比用户之间对商品打分的相关性还重要[8]。举个例子来说,你注意到一个用户看了一部鬼片,这就很大程度上暴露了用户的兴趣,并且使其和很多其他看过同样片子的用户关联起来了——至于他给这个片子评价高还是低,反而不那么重要了。事实上,我们最近的分析显示,稀疏数据情况下给同一个商品分别打负分(低评价)和打正分的两个用户要看做正相关的而非负相关的,就是说负分扮演了“正面的角色”[9]——我们需要很严肃地重新审查负分的作用,有的时候负分甚至作用大于正分[10]。

这个问题本质上是无法完全克服的,但是有很多办法,可以在相当程度上缓解这个问题。首先可以通过扩散的算法,从原来的一阶关联(两个用户有多少相似打分或者共同购买的商品)到二阶甚至更高阶的关联[11-13],甚至通过迭代寻优的方法,考虑全局信息导致的关联[14-15]。这些方法共同的缺点是建立在相似性本身可以传播的假设上,并且计算量往往比较大。其次在分辨率非常高的精度下,例如考虑单品,数据可能非常稀疏。但是如果把这些商品信息粗粒化,譬如只考虑一个个的品类,数据就会立刻变得稠密。如果能够计算品类之间的相似性,就可以帮助进行基于品类的推荐(图2是品类树的示意图)。在语义树方面有过一些这方面的尝试[16],但是很不成熟,要应用到商品推荐上还需要理论和技术上的进步。另外,还可以通过添加一些缺省的打分或选择,提高相似性的分辨率,从而提高算法的精确度[17]。这种添加既可以是随机的,也可能来自于特定的预测算法[18]。

随机的缺省分或随机选择为什么会起到正面的作用呢,仅仅是因为提高了数据的密度吗?我认为仔细的思考会否决这个结论。对于局部热传导的算法[19],添加随机连接能够整体把度最小的一些节点的度提高,从而降低小度节点之间度差异的比例(原来度为1的节点和度为3的节点度值相差2倍,现在都加上2,度为3的节点和度为5的节点度值相差还不到1倍),这在某种程度上可以克服局部热传导过度倾向于推荐最小度节点的缺陷。类似地,随机链接可以克服协同过滤或局部能量扩散算法[20]过度倾向于推荐最大度节点的缺陷。总之,如果拉小度的比例差异能够在某种程度上克服算法的缺陷,那么使用随机缺省打分就能起到提高精确度的作用。

品类树的示意图

品类树的示意图

挑战二:冷启动问题

新用户因为罕有可以利用的行为信息,很难给出精确的推荐。反过来,新商品由于被选择次数很少,也难以找到合适的办法推荐给用户——这就是所谓的冷启动问题。如果我们能够获得商品充分的文本信息并据此计算商品之间的相似性,就可以很好解决冷启动的问题[21],譬如我们一般不担心图书或者论文推荐会遇到冷启动的问题。不幸的是,大部分商品不同于图书和文章本身就是丰富的内容,在这种情况下通过人工或者自动搜索爬取的方法商品相应的描述,也会有一定的效果。与之相似,通过注册以及询问得知一些用户的属性信息,譬如年龄、居住城市、受教育程度、性别、职业等等,能够得到用户之间属性的相似度,从而提高冷启动时候推荐的精确度[22,23]。

最近标签系统(tagging systems)的广泛应用提供了解决冷启动问题的可能方案[24]。因为标签既可以看作是商品内容的萃取,同时也反映了用户的个性化喜好——譬如对《桃姐》这部电影,有的人打上标签“伦理”,有的人打上标签“刘德华”,两个人看的电影一样,但是兴趣点可能不尽相同。当然,利用标签也只能是提高有少量行为的用户的推荐准确性,对于纯粹的冷启动用户,是没有帮助的,因为这些人还没有打过任何标签。系统也可以给商品打上标签,但是这里面没有个性化的因素,效果会打一个折扣。从这个意义上讲,利用标签进行推荐、激励用户打标签以及引导用户选择合适的标签,都非常重要[25]。

要缓解冷启动的问题,一种有效的办法是尽可能快地了解用户的特点和需求,所以如何设计问卷调查本身以及如何利用其中的信息也是一门大学问[26]。与之相对应,对于一个新商品,怎么样让用户,特别是有影响力的用户,对其给出高质量的评价,对于解决冷启动问题也有重大价值[27]。如何在保证一定推荐精度的情况下,让新用户和新商品的特性尽快暴露,是一个很有意义也很困难的研究难题[28]。

最近一个有趣的研究显示,新用户更容易选择特别流行的商品[29]——这无论如何是一个好消息,说明使用热销榜也能获得不错的结果。冷启动问题还可以通过多维数据的交叉推荐和社会推荐的方法部分解决,其精确度和多样性又远胜于热销榜,这一点我们在后面会进一步介绍。

 

挑战三:大数据处理与增量计算问题

尽管数据很稀疏,大部分数据都包含百千万计的用户和商品,与此同时,新商品也不断加入系统,新用户不停进入系统,用户和商品之间还不停产生新的连接。数据量不仅大,而且数据本身还时时动态变化,如何快速高效处理这些数据成为迫在眉睫的问题。在这个大前提下,算法时间和空间的复杂性,尤其是前者,获得了空前重视。一般而言,一个高效的算法,要么自身复杂性很低,要么能够很好并行化,要么两者兼具。

提高算法的效率,有很多途径。大致上可以分为两类,一是精确算法,二是近似算法。需要注意的是,精确算法中“精确”这次词,并不是指算法的推荐精确度有多大,而是相对于近似算法而言,强调这个算法并不是以牺牲算法中某些步骤的精确性而提高效率的。譬如说计算n的阶乘,可以有不同的高精度算法,凡是得出最后精确值的就是精确算法,而如果利用斯特林公式进行计算,就属于近似算法了。一般而言,近似算法的效率会明显高于精确算法。

通过巧妙的方法,可以设计出效率很高的精确算法。譬如Porteous等人设计了一种可以用于潜层狄利克雷分配(Latent Dirichlet Allocation, LDA)算法的新的采样方法,比传统吉布斯采样算法快8倍[30]。Cacheda等人设计了一种预测算法,只考虑一个用户与其他用户打分的差异以及一个商品与其他商品得分的差异,这个算法远远快于协同过滤算法,却能够得到比标准的基于用户的协同过滤算法更精确的预测效果,其预测精度有时候甚至可以和SVD分解的方法媲美[31]。提高精确算法的另外一条途径就是并行化——很多算法的并行化,一点都不简单。谷歌中国成功将LDA算法并行化并应用于Orkut的推荐中,取得了很好的效果[32]。最近Gemulla等人提出了一种随机梯度下降法,可以并行分解百万行列的矩阵,该方法可以应用在包括推荐在内的若干场景下[33]。

近似算法往往基于增量计算,也就是说当产生新用户,新商品以及新的连接关系时,算法的结果不需要在整个数据集上重新进行计算得到,而只需要考虑所增加节点和连边局部的信息,对原有的结果进行微扰,快速得到新结果[34]。一般而言,这种算法随着加入的信息量的增多,其误差会积累变大,最终每过一段时间还是需要利用全局数据重新进行计算。更先进但也更苦难的办法,是设计出一种算法,能够保证其误差不会累积,也就是说其结果与利用全部数据重新计算的结果之间的差异不会单调上升。我们不妨把这种算法叫做自适应算法,它是增量算法的一个加强版本[35],其设计要求和难度更高。增量算法已经在业界有了应用,譬如百分点推荐引擎中的若干算法都采用了增量技术,使得用户每次新浏览、收藏或者购买商品后其推荐列表立刻得到更新。但是自适应算法目前还只是在比较特殊的算法上面才能实现,更勿谈工业界应用了。

兼顾精确性和多样性的混合扩散推荐算法示意图

兼顾精确性和多样性的混合扩散推荐算法示意图

挑战四:多样性与精确性的两难困境

如果要给用户推荐他喜欢的商品,最“保险”的方式就是给他特别流行的商品,因为这些商品有更大的可能性被喜欢(否则也不会那么流行),往坏了说,也很难特别被讨厌(不要举凤姐的例子)。但是,这样的推荐产生的用户体验并不一定好,因为用户很可能已经知道这些热销流行的产品,所以得到的信息量很少,并且用户不会认同这是一种“个性化的”推荐。Mcnee等人已经警告大家,盲目崇拜精确性指标可能会伤害推荐系统——因为这样可能会导致用户得到一些信息量为0的“精准推荐”并且视野变得越来越狭窄[36]。事实上,让用户视野变得狭窄也是协同过滤算法存在的一个比较主要的缺陷。已经有一些实证研究显示,多样性、新颖性、偶然性这些从未获得过如精确性一般重要地位的因素,对于用户体验都十分重要——譬如用户希望音乐推荐更多样更偶然[37]。与此同时,应用个性化推荐技术的商家,也希望推荐中有更多的品类出现,从而激发用户新的购物需求。多样性和新颖性的要求在大多数情况下具有一致性,一些商家更喜欢引导用户关注一些销量一般的长尾商品(这些商品的利润往往更多),这种新颖性的要求往往和多样性的要求一致。还有一些特别的需求非常强调多样性和新颖性,譬如类似于“唯品会”这样的限时抢购模式或者最近非常流行的团购模式,广受欢迎的热销商品很快就抢购/团购一空,推荐引擎能够发挥作用的只能是推荐那些不太被主流消费者关注的小众产品。对于新浪微博这类的社会网络,相当部分新用户很快就不活跃了,很大程度上是因为得不到其他人关注。类似地,世纪佳缘和百合网这类的网站中,一个用户如果很长时间没有机会得到任何异性的青睐,也会失去动力。在这种情况下,我们要考虑的不仅仅是向某些用户推荐,而是如何把一些至少目前还不是特别受欢迎的用户推荐出去——这时候,在多样性和新颖性上表现出色的算法意义更大。最近Ugander等人的工作显示,一个用户要向其他若干用户推广某种互联网活动,在同等推广力度下(用推荐的朋友数目衡量),其所选择的推荐对象的结构多样性越大,效果往往越好[38]。

保证推荐的多样性很有价值,但是,推荐多样的商品和新颖的商品与推荐的精确性之间存在矛盾,因为前者风险很大——一个没什么人看过或者打分较低的东西推荐出手,很可能被用户憎恶,从而效果更差。很多时候,这是一个两难的问题,只能通过牺牲多样性来提高精确性,或者牺牲精确性来提高多样性。一种可行之策是直接对算法得到的推荐列表进行处理,从而提升其多样性[39-41]。Hurley和Zhang就是在推荐算法得到的前N个商品中进行一次组合优化,找出L个商品(L<N),使得这L个商品两两之间平均相似度最小[41]。目前百分点推荐引擎所使用的方法也是类似的。这种方法固然在应用上是有效的,但是没有任何理论的基础和优美性可言,只能算一种野蛮而实用的招数。更好的办法是在设计算法的时候就同时考虑推荐的多样性和精确性,这可以通过精巧混合能量扩散和热传导算法[19],或者利用有偏的能量扩散[42]和或有偏的热传导来实现[43]。图3是能量扩散与热传导混合算法的示意图。这个算法认为目标用户选择过的商品具有一定的“推荐能力”,在能量扩散过程中它们被赋予初始能量1,而在热传导的过程中它们被认为是初始热源,具有温度1。能量扩散是一个守恒的过程,每一个时间步节点上的能量都均匀分配给所有邻居(图3上半部分);与之相对的,热传导过程中每一个节点下一个时间步的温度等于其所有邻居温度的平均值(图3下半部分)。前者倾向于推荐热门商品,后者倾向于挖掘冷门商品,两相结合,精确性和多样性都能明显提高[19]。尽管上面提到的这些算法效果很好,似乎也能够比较直观地进行理解,但是我们还没有办法就相关结果提供清晰而深刻的见解。多样性和精确性之间错综复杂的关系和隐匿其后的竞争,到目前为止还是一个很棘手的难题。

对推荐系统实施攻击的示意图

对推荐系统实施攻击的示意图

挑战五:推荐系统的脆弱性问题

受推荐系统在电子商务领域重大的经济利益的驱动,一些心怀不轨的用户通过提供一些虚假恶意的行为,故意增加或者压制某些商品被推荐的可能性[44]。图4展示了一个攻击的实例。假设我们现在要决定是否向用户h推荐商品7,如果系统中只有那些合法用户(a-g),通过上表我们发现用户a和f与用户h的品味比较相似,由于用户a和f都喜欢商品7,那么系统应该把商品7推荐给用户h。如果受到恶意攻击,系统会发现大多数由攻击者生成的虚假用户(i-m)的品味都与用户h相似,并且他们对商品7都给了负面的评价,那么在这种情况下,系统就不会把商品7推荐给用户h。这样一来,就达到了那些攻击者降低对商品7推荐可能性的目的。上面的例子仅仅是众多攻击方案中比较简单的一员,Burke等人2011年的研究报告中就分析了4大种类8种不同的攻击策略[45]。除了如图4这样的简单方法外,攻击者还通过将攻击对象和热销商品或特定用户群喜欢的商品绑定而提高攻击效果,甚至通过持续探测猜测系统的计算相似性的算法,从而有针对性地开展攻击。

从上面的介绍可以看出,一个推荐算法能否在一定程度上保持对恶意攻击的鲁棒性,成为需要认真考虑的一个特征。以最简单的关联规则挖掘算法为例,Apriori算法的鲁棒性就远胜于k近邻算法[46]。有一些技术已经被设计出来提高推荐系统面对恶意攻击的鲁棒性,譬如通过分析对比真实用户和疑似恶意用户之间打分行为模式的差异,提前对恶意行为进行判断,从而阻止其进入系统或赋予疑似恶意用户比较低的影响力[47-49]。总体来说,这方面的研究相对较少,系统性的分析还很缺乏,反而是攻击策略层出不穷,有一种“道高一尺,魔高一丈”的感觉。

挑战六:用户行为模式的挖掘和利用

深入挖掘用户的行为模式有望提高推荐的效果或在更复杂的场景下进行推荐。譬如说,新用户和老用户具有很不一样的选择模式:一般而言,新用户倾向于选择热门的商品,而老用户对于小众商品关注更多[29],新用户所选择的商品相似度更高,老用户所选择的商品多样性较高[50]。上面曾经介绍过的能量扩散和热传导的混合算法[19]可以通过一个单参数调节推荐结果的多样性和热门程度,在这种情况下就可以考虑给不同用户赋予不同的参数(从算法结果的个性化到算法本身的个性化),甚至允许用户自己移动一个滑钮调节这个参数——当用户想看热门的时候,算法提供热门推荐;当用户想找点很酷的产品时,算法也可以提供冷门推荐。

用户行为的时空统计特性也可以用于提高推荐或者设计针对特定场景的应用(关于人类行为时空特性的详细分析请参考文献[51])。最简单的例子是在推荐前考虑用户从事相关活动随时间变化的活跃性。举个例子,在进行手机个性化阅读推荐的时候,如果曾经的数据显示某个用户只在7点到8点之间有一个小时左右的手机阅读行为(可能是上班时在地铁或者公交车上),那么9点钟发送一个电子书阅读的短信广告就是很不明智的选择。从含时数据中还可以分析出影响用户选择的长期和短期的兴趣,通过将这两种效应分离出来,可以明显提高推荐的精确度[52-54]。事实上,简单假设用户兴趣随时间按照指数递减,也能够得到改进的推荐效果[55,56]。随着移动互联网的飞速发展以及GPS及其他手机定位技术的发展和普及,基于位置的服务成为一个受到学术界和业界广泛关注的问题。基于位置信息的推荐可能会成为个性化推荐的一个研究热点和重要的应用场景,而这个问题的解决需要能够对用户的移动模式有深入理解,包括预测用户的移动轨迹和判断用户在当前位置是否有可能进行餐饮购物活动等[57,58],同时还要有定量的办法去定义用户之间以及地点之间的相似性[59,60]。事实上,即便简单把位置信息作为一个单独属性加以考虑,也可以明显提高广告推荐[61]和朋友推荐[62]的精确度。特别要提醒各位读者,知道了用户的位置信息,并不意味着可以随时向用户推荐近处的餐饮购物等等场所,因为频繁而不精确的推荐会让用户有一种被窥探和骚扰的感觉。从这个意义上讲,把握进行推荐的时间和地点非常重要!一般而言,在用户经常出没的地点,譬如工作地点、学校、住家等等进行推荐的效果往往是比较差的,因为用户对于这些地点比系统还熟悉,而且很难想象用户在上下班的路上会有特别地情致购物或者进餐。实际上可以预测的时空信息往往是商业价值比较低的,而用户在吃饭时间去了一个平常不太去的地方,往往有更大的可能是和朋友聚会就餐。这就要求系统更加智能,能够对用户当前行为所蕴含的信息量进行估计(要同时考虑时间和空间),并且在信息量充分大的时候进行推荐。

另外,不同用户打分的模式也很不一样[63,64],用户针对不同商品的行为模式也不一样[65,66](想象你在网上下载一首歌和团购房子时的区别),这些模式都可以挖掘刻画并利用来提高推荐的效果。总而言之,推荐引擎要做的是针对合适的对象在合适的时间和合适的地方推荐合适的内容(4S标准)。通过分析不同用户在选择、评价、时间、空间等等行为模式上的不同,我们最终的目的是猜测目标用户当前的意图,并且针对不同的意图匹配或组合不同的算法结果,将其推荐给用户。这不仅需要更高级的数据分析能力,还需要有丰富经验了解业务逻辑的工作人员配合完成。这种称为“情境计算”的思路,有可能较大程度提高推荐及其他信息服务(譬如搜索)的质量,百分点的推荐引擎就是在这种思路下架构的[67]。

推荐系统评价指标一览

推荐系统评价指标一览

挑战七:推荐系统效果评估

推荐系统的概念提出已经有几十年了,但是怎么评价推荐系统,仍然是一个很大的问题。常见的评估指标可以分为四大类,分别是准确度、多样性、新颖性和覆盖率,每一类下辖很多不同的指标,譬如准确度指标又可以分为四大类,分别是预测评分准确度、预测评分关联、分类准确度、排序准确度四类。以分类准确度为例,又包括准确率、召回率、准确率提高率、召回率提高率、F1指标和AUC值。图5总结了文献中曾经出现过的几乎所有的推荐系统指标[68]。之所以对推荐系统的评价很困难,是因为这些指标之间并不是一致的,一般而言,多样性、新颖性和覆盖率之间一致性较好,但不绝对,而这三者往往都和准确度有冲突。如前所述,解决多样性和精确性之间的矛盾本身就是一个重大的挑战!更不幸的是,即便是同一类指标,其表现也不完全一致。举个例子说,一些基于SVD分解的算法,以降低均方根误差(参考图5)为目标,在预测评分精确性方面表现上佳,但是在推荐前L个商品的准确率和召回率(参考图5)方面则表现得很不如人意,有些情况下甚至还不如直接按照流行度排序的非个性化算法[69]。

图5介绍的那些指标都是基于数据本身的指标,可以认为是第一层次。实际上,在真实应用时,更为重要的是另外两个层次的评价。第二个层次是商业应用上的关键表现指标,譬如受推荐影响的转化率,购买率,客单价,购买品类数等等,第三个层次是用户真实的体验。绝大部分研究只针对第一个层次的评价指标,而业界真正感兴趣的是第二个层次的评价(譬如到底是哪个指标或者哪些指标组合的结果能够提高用户购买的客单价),而第三个层细最难,没人能知道,只能通过第二层次的效果来估计。如何建立第一层面和第二层面指标之间的关系,就成为了关键,这一步打通了,理论和应用之间的屏障就通了一大半了。

Facebook页面上用户注意力集中的区域的分布,其中红色的区域是用户注意力最集中的区域,黄色次之,绿色再次之,白色最次

Facebook页面上用户注意力集中的区域的分布,其中红色的区域是用户注意力最集中的区域,黄色次之,绿色再次之,白色最次

挑战八:用户界面与用户体验

这个问题更多地不是一个学术性质的问题,而是从真实应用中来的问题。十年前就有学者指出[70,71],推荐结果的可解释性,对于用户体验有至关重要的影响——用户希望知道这个推荐是怎么来的。基于相似性的推荐(例如协同过滤)在这个问题上具有明显的优势,譬如亚马逊基于商品的协同过滤的推荐[72]在发送推荐的电子邮件时会告诉用户之所以向其推荐某书,是因为用户以前购买过某些书,新浪微博基于局部结构相似性的“关注对象推荐”[73]在推荐的同时会说明哪些你的朋友也关注过他们。相对地,矩阵分解或者集成学习算法就很难向用户解释推荐结果的起源。一般而言,用户更喜欢来自自己朋友的推荐而不是系统的推荐,这一点在后面讲社会推荐的时候还会详细提到。另外,好的界面设计,能够让用户觉得推荐的结果更加多样化[74],更加可信[75]。

实际应用时,推荐列表往往含有很多项,这些推荐项最好能够区分成很多类别,不同类别往往来自于不同的推荐方法,譬如看过还看过(浏览过本商品的客户还浏览过的商品)、买过还买过(购买过本商品的客户还购买过的商品)、看过最终购买(浏览过本商品的客户最终购买的商品)、个性化热销榜(个性化流行品推荐)、猜你喜欢(个性化冷门商品推荐)等等。当然,每个推荐项呈现的结果往往都来自复杂的算法,绝不仅仅象它们的名字听起来那么简单。另外,推荐栏呈现的位置对于推荐的结果影响也很大,因为同一个网页上不同位置对于用户注意力的吸引程度大不一样。图6给出了EyeTrackShop针对Facebook个人页面不同位置受关注程度的示意,可以看出,不同的位置受到的关注相差很大。

如何更好呈现推荐,是一个很难建立理论模型和进行量化的问题,对于不同被推荐品而言,用户界面设计的准则也可能大不相同。建立一个可以进行A/B测试的系统(随机将用户分为两部分,各自看到不同的推荐页面和推荐结果),可以积累重要的实验数据,指导进一步地改善。

 

挑战九:多维数据的交叉利用

目前网络科学研究一个广受关注的概念是具有相互作用的网络的结构和功能。网络与网络之间的相互作用大体可以分成三类:一类是依存关系[76],譬如电力网络和Internet,如果发生了大规模停电事故,当地的自主系统和路由器也会受到影响,导致网络局部中断;第二类是合作关系[77],譬如人的一次出行,可以看作航空网络、铁路网络和公路网络的一次合作;第三类是交叠关系[78],主要针对社会网络,这也是我们最关注的。我们几乎每一个人,都参与了不止一个大型的社会网络中,譬如你可能既有新浪微博的帐号,又是人人网的注册用户,还是用手机,那么你已经同时在三个巨大的社会网络中了。与此同时,你可能还经常在淘宝、京东、麦包包、1号店、库巴网……这些地方进行网购,因此也是若干张用户-商品二部分图中的成员。

想象如果能够把这些网络数据整合起来,特别是知道每个节点身份的对应关系(不需要知道你真实身份,只需要知道不同网络中存在的若干节点是同一个人),可以带来的巨大的社会经济价值。举个例子,你可能已经在新浪微博上关注了很多数据挖掘达人的微博,并且分享了很多算法学习的心得和问题,当你第一次上当当网购书的时候,如果主页向你推荐数据挖掘的最新专著并附有折扣,你会心动吗?交叠社会关系中的数据挖掘,或称多维数据挖掘,是真正有望解决系统内部冷启动问题的终极法宝——只要用户在系统外部的其他系统有过活动。单纯从个性化商品推荐来讲,可以利用用户在其他电商的浏览购买历史为提高在目标电商推荐的精确度——当然,每一个电商既是付出者,也是获利者,总体而言,大家能够通过提高用户体验和点击深度实现共赢。与此同时,可以利用微博和其他社会网络的活动提高商品推荐的精度,还可以反过来利用商品浏览历史提高微博关注对象推荐的精度。给一个经常购买专业羽毛球和浏览各种专业羽毛球设备的用户推荐关注羽毛球的专业选手和业余教练的成功率应该很高,而且不会陷入“总在一个圈子里面来回推荐”的毛病中。

从机器学习的角度,杨强等人提出的“迁移学习”算法有望解决这种跨邻域的推荐[79],因为这种算法最基本的假设就是在一个领域所学习的知识在其他领域也具有一定的普适性。Nori等人最近的分析显示[80],在某系统中特定的行为(比如说在Delicious上收藏标签)可以被用于预测另外系统中的特定行为(比如说在Twitter上的信息选择),其核心的思想与杨强等人一致。事实上,这种跨网的学习已经被证明可以提高链路预测的效果[81,82]。尽管有上面的有利的证据,我们还是需要特别注意,迁移学习在不同领域间的效果差异很大,还依赖于相关系统内部连接产生的机制,并不是普遍都能产生良好地效果,因为有的时候在一个商品品类上表现出高相似性的用户在另外一些商品品类上可能表现出完全不同的偏好[83]。

我们分析了百分点科技服务客户的真实数据,发现有相当比例的用户都具有交叉购物的习惯,即在多个独立B2C电商有浏览和购买行为,如图7所示[84,85]。即便只考虑两个点上,例如利用麦包包的浏览购买数据为名鞋库的用户进行个性化推荐(这些用户在名鞋库上是没有任何历史记录的新用户,但是在麦包包上有浏览购买行为),就可以明显提高推荐的准确度(比完全冷启动的随机推荐高数十倍)[84],而如果利用3家或以上的外部电商的数据,其推荐的精确度可以明显高于热销榜(注意,热销榜一点个性化都没有),特别在团购类网站上表现非常好[85]。拥有交叉用户使得不同系统之间的“迁移”更加容易(注意,“迁移学习”原始的方法[79]不要求系统之间具有相同的用户和商品),Sahebi和Cohen最近测试同时评价了书和电影的用户,也发现利用对书的评分信息可以相当程度上预测对电影的评分[86]。虽然针对多维数据挖掘的研究刚刚起步,但我相信其必将成为学术研究和商业应用上的双料热点和双料难点。

挑战十:社会推荐

很早以前,研究人员就发现,用户更喜欢来自朋友的推荐而不是被系统“算出来的推荐”[87]。社会影响力被认为比历史行为的相似性更加重要[88,89],例如通过社会关系的分析,可以大幅度提高从科研文献[90]到网购商品[91],从个人博客到[92]手机应用软件[93]推荐的精确度。最近有证据显示,朋友推荐也是淘宝商品销售一个非常重要的驱动力量[94]。来自朋友的社会推荐有两方面的效果:一是增加销售(含下载、阅读……)[95],二是在销售后提高用户的评价[96]。当然,社会推荐的效果也不是我们想象的那么简单:Leskovec等人[95]在同一篇论文中指出针对不同类型的商品社会推荐的效果大不一样;Yuan等人指出不同类型的社会关系对推荐的影响也不同[97];Abbassi等人指出朋友的负面评价影响力要大于正面评价[98];等等。

在社会推荐方向存在的挑战主要可以分为三类:一是如何利用社会关系提高推荐的精确度[89,99],二是如何建立更好的机制以促进社会推荐[100-102],三是如何将社会信任关系引入到推荐系统中[103-107]。社会推荐的效果可能来自于类似口碑传播的社会影响力,也可能是因为朋友之间本来就具有相似的兴趣或者兴趣相投更易成为朋友,对这些不同的潜在因素进行量化区别,也属学术研究的热点之一[108]。

作者:百分点周涛

参考文献:

[1] 刘建国,周涛,汪秉宏,个性化推荐系统的研究进展,自然科学进展19 (2009) 1-15.

[2] 项亮,陈义,推荐系统实践,图灵出版社,2012.

[3] 苏萌,柏林森,周涛,个性化:商业的未来,机械工业出版社,2012.

[4] F. Ricci, L. Rokach, B. Shapira, P. B. Kantor, Recommender Systems Handbook: A Complete Guide for Scientists and Practioners, Springer, 2011.

[5] D. Jannach, M. Zanker, A. Felfernig, G. Friedrich. Recommender Systems: An Introduction. Cambridge University Press, 2011.

[6] G. Adomavicius, A. Tuzhilin, Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions, IEEE Transactions on Knowledge and Data Engineering 17 (2005) 734-749.

[7] L. Lü, M. Medo, C. H. Yeung, Y.-C. Zhang, Z.-K. Zhang, T. Zhou, Recommender Systems, Physics Reports (to be published).http://dx.doi.org/10.1016/j.physrep.2012.02.006

[8] M.-S. Shang, L. Lü, W. Zeng, Y.-C. Zhang, T. Zhou, Relevance is more significant than correlation: Information filtering on sparse data, EPL 88 (2009) 68008.

[9] W. Zeng, Y.-X. Zhu, L. Lü, T. Zhou, Negative ratings play a positive role in information filtering, Physica A 390 (2011) 4486-4493.

[10] J. S. Kong, K. Teague, J. Kessler, Just Count the Love-Hate Squares: a Rating Network Based Method for Recommender Systems, in: Proceedings of the KDD Cup’11. ACM Press, New York, 2011.

[11] Z. Huang, H. Chen, D. Zeng, Applying associative retrieval techniques to alleviate the sparsity problem in collaborative filtering, ACM Transactions on Information Systems 22 (2004) 116-142.

[12]T. Zhou, R.-Q. Su, R.-R. Liu, L.-L. Jiang, B.-H. Wang, Y.-C. Zhang, Accurate and diverse recommendations via eliminating redundant correlations, New Journal of Physics 11 (2009) 123008.

[13]J.-G. Liu, T. Zhou, H.-A.Che, B.-H.Wang, Y.-C. Zhang, Effects of high-order correlations on personalized recommendations for bipartite networks, Physica A 389 (2010) 881-886.

[14] J. Ren, T. Zhou, Y.-C. Zhang, Information filtering via self-consistent refinement, EPL 82 (2008) 58007.

[15] D. Sun, T. Zhou, J.-G. Liu, R.-R. Liu, C.-X. Jia, B.-H. Wang, Information filtering based on transferring similarity, Physical Review E 80 (2009) 017101.

[16] 田久乐,赵蔚,基于同义词词林的词语相似度计算方法,吉林大学学报(信息科学版) 28 (2010) 602-608.

[17] J. S. Breese, D. Heckerman, C. Kadie, Empirical analysis of predictive algorithms for collaborative filtering, in: Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence, 1998, pp. 43-52.

[18] I. Esslimani, A. Brun, A. Boyer, Densifying a behavioral recommender system by social networks link prediction methods, Social Network Analysis and Mining 1 (2011) 159-172.

[19] T. Zhou, Z. Kuscsik, J.-G.Liu, M. Medo, J.R. Wakeling, Y.-C. Zhang, Solving the apparent diversity–accuracy dilemma of recommender systems, Proceedings of the National Academy of Sciences of the United States of America 107 (2010) 4511-4515.

[20] T. Zhou, J. Ren, M. Medo, Y.-C. Zhang, Bipartite network projection and personal recommendation, Physical Review E 76 (2007) 046115.

[21] M. J. Pazzani, D. Billsus, Content-Based Recommendation Systems, Lect. Notes Comput. Sci. 4321 (2007) 325-341.

[22] A. I. Schein, A. Popescul, L. H. Ungar, D. M. Pennock, Methods and metrics for cold-start recommendations, in: Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, ACM Press, New York, 2002, pp. 253-260.

[23] X. N. Lam, T. Vu, T. D. Le, A. D. Duong, Addressing cold-start problem in recommendation systems, in: Proceedings of the 2nd International Conference on Ubiquitous Information Management and Communication, 2008, pp. 208-211.

[24] Z.-K. Zhang, C. Liu, Y.-C. Zhang, T. Zhou, Solving the cold-start problem in recommender systems with social tags, EPL 92 (2010) 28002.

[25] Z.-K. Zhang, T. Zhou, Y.-C. Zhang, Tag-Aware Recommender Systems: A State-of-the-Art Survey, Journal of Computer Science and Technology 26 (2011) 767-777.

[26] A. De Bruyn, J. C. Liechty, E. K. R. E. Huizingh, G. L. Lilien, Offering online recommendations with minimum customer input through conjoint-based decision aids, Marketing Science 27 (2008) 443-460.

[27] S. S. Anand, N. Griffiths, A Market-based Approach to Address the New Item Problem, in: Proceedings of the 5th ACM Conference on Recommender Systems, ACM Press, New York, 2011, pp. 205-212.

[28] J.-L. Zhou, Y. Fu, H. Lu, C.-J. Sun, From Popularity to Personality—A Heuristic Music Recommendation Method for Niche Market, Journal of Computer Science and Technology 26 (2011) 816-822.

[29] C.-J. Zhang, A. Zeng, Behavior patterns of online users and the effect on information filtering, Physica A 391 (2012) 1822-1830.

[30] I. Porteous, D. Newman, A. Ihler, A. Asuncion, P. Smyth, M. Welling, Fast Collapsed Gibbs Sampling for Latent Dirichlet Allocation, in: Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM Press, New York, 2008, pp. 569-577.

[31] F. Cacheda, V. Carneiro, D. Fernández, V. Formoso, Comparison of Collaborative Filtering Algorithms Limitations of Current Techniques and Proposals for Scalable, High-Performance Recommender Systems, ACM Transactions on the Web 5 (2011) 2.

[32] W.-Y. Chen, J.-C. Chu, J. Luan, H. Bai, Y. Wang, E. D. Chang, Collaborative Filtering for Orkut Community: Discovery of User Latent Behavior, in: Proceedings of the 18th International Conference on World Wide Web, ACM Press, New York, 2005, pp. 681-690.

[33] R. Gemulla, P. J. Haas, E. Nijkamp, Y. Sismanis, Large-scale matrix factorization with distributed stochastic gradient descent, in: Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM Press, New York, 2011, pp. 569-577.

[34] B. Sarwar, J. Konstan, J. Riedl, Incremental singular value decomposition algorithms for highly scalable recommender systems, in: International Conference on Computer and Information Science, 2002, pp. 27-28.

[35] C.-H. Jin, J.-G. Liu, Y.-C. Zhang, T. Zhou, Adaptive information filtering for dynamics recommender systems, arXiv:0911.4910.

[36] S. M. Mcnee, J. Riedl, J. A. Konstan, Being accurate is not enough: how accuracy metrics have hurt recommender systems, in: Proceedings of the CHI’06 Conference on Human Factors in Computing Systems, ACM Press, New York, 2006, pp. 1097-1101.

[37] Y. C. Zhang, D. O. Seaghdha, D. Quercia, T. Jambor, Auralist: introducing serendipity into music recommendation, in: Proceedings of the 5th ACM International Conference on Web Search and Data Mining, ACM Press, New York, 2012, pp. 13-22.

[38] J. Ugander, L. Backstrom, C. Marlow, J. Kleinberg, Structural diversity in social contagion, Proceedings of the National Academy of Sciences of the United States of America 109 (2012) 5962-5966.

[39] B. Smyth, P. Mcclave, Similarity vs. diversity, in: D.W. Aha, I. Watson (Eds.), Case-Based Reasoning Research and Development, Springer, 2001, pp. 347-361.

[40] C.-N. Ziegler, S.M. Mcnee, J.A. Konstan, G. Lausen, Improving recommendation lists through topic diversification, in: Proceedings of the 14th International Conference on World Wide Web, ACM Press, New York, 2005, pp. 22-32.

[41] N. Hurley, M. Zhang, Novelty and diversity in top-N recommendation—analysis and evaluation, ACM Transactions on Internet Technology 10 (2011) 14.

[42] L. Lü, W. Liu, Information filtering via preferential diffusion, Physical Review E 83 (2011) 066119.

[43] J.-G. Liu, T. Zhou, Q. Guo, Information filtering via biased heat conduction, Physical Review E 84 (2011) 037101.

[44] B. Mobasher, R. Burke, R. Bhaumik, C. Williams, Towards trustworthy recommender systems: an analysis of attack models and algorithm robustness, ACM Transactions on Internet Technology 7 (2007) 23.

[45] R. Burke, M. P. O’mahony, N. J. Hurley, Robust Collaborative Recommendation, in: F. Ricci, L. Rokach, B. Shapira, P. B. Kantor (Eds.), Recommender Systems Handbook, Part 5, Springer, 2011, pp. 805-835 (Chapter 25).

[46] J. J. Sandvig, B. Mobasher, R. Burke, Robustness of collaborative recommendation based on association rule mining, in: Proceedings of the 2007 ACM Conference on Recommender Systems, ACM Press, 2007, pp. 105-112.

[47] S. K. Lam, D. Frankowski, J. Riedl, Do You Trust Your Recommendations? An Exploration of Security and Privacy Issues in Recommender Systems, Lecture Notes in Computer Science 3995 (2006) 14-29.

[48] P. Resnick, R. Sami, The influence limiter: provably manipulation-resistant recommender systems, in: Proceedings of the 2007 ACM Conference on Recommender Systems, ACM Press, 2007, pp. 25-32.

[49] C. Shi, M. Kaminsky, P. B. Gibbons, F. Xiao, DSybil: Optimal Sybil-Resistance for Recommendation Systems, in: Proceedings of the 30th IEEE Symposium on Security and Privacy, IEEE Press, 2009, pp. 283-298.

[50] M.-S. Shang, L. Lü, Y.-C. Zhang, T. Zhou, Empirical analysis of web-based user-object bipartite networks, EPL 90 (2010) 48006.

[51] 刘怡君,周涛,社会动力学,科学出版社,2012.

[52] S.-H. Min, I. Han, Detection of the customer time-variant pattern for improving recommender systems, Expert Systems with Applications 28 (2005) 189-199.

[53] L. Xiang, Q. Yuan, S. Zhao, L. Chen, X. Zhang, Q. Yang, J. Sun, Temporal recommendation on graphs via long-and short-term preference fusion, in: Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM Press, New York, 2010, pp. 723-732.

[54] N. N. Liu, M. Zhao, E. Xiang, Q. Yang, Online evolutionary collaborative filtering, in: Proceedings of the 4th ACM Conference on Recommender Systems, ACM Press, New York, 2010, pp. 95-102.

[55] J. Liu, G. Deng, Link prediction in a user-object network based on time-weighted resource allocation, Physica A 39 (2009) 3643-3650.

[56] Y. Koren, Collaborative filtering with temporal dynamics, in: Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM Press, New York, 2009, pp. 447-456.

[57] C. Song, Z. Qu, N. Blumm, A.-L. Barabási, Limits of predictability in human mobility, Science 327 (2010) 1018-1021.

[58] E. Cho, S.A. Myers, J. Leskovec, Friendship and mobility: user movement in location-based social networks, in: Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM Press, New York, 2011, pp. 1082-1090.

[59] V. W. Zheng, Y. Zheng, X. Xie, Q. Yang, Collaborative location and activity recommendations with GPS history data, in: Proceedings of the 19th International Conference on World Wide Web, ACM Press, New York, 2010, pp. 1029-1038.

[60] M. Clements, P. Serdyukov, A. P. De Vries, M. J. T. Reinders, Personalised travel recommendation based on location co-occurrence, arXiv:1106.5213.

[61] T. H. Dao, S. R. Jeong, H. Ahn, A novel recommendation model of location-based advertising: context-aware collaborative filtering using GA approach, Expert Systems with Applications 39 (2012) 3731-3739.

[62] S. Scellato, A. Noulas, C. Mascolo, Exploiting Place Features in Link Prediction on Location-based Social Networks, in: Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM Press, New York, 2011, pp. 1046-1054.

[63] Y. Koren, J. Sill, OrdRec: An ordinal model for predicting personalized item rating distributions, in: Proceedings of the 5th ACM Conference on Recommender Systems, ACM Press, New York, 2011, pp. 117-124.

[64] Z. Yang, Z.-K. Zhang, T. Zhou, Uncovering Voting Patterns in Recommender Systems (unpublished).

[65] J. Vig, S. Sen, J. Riedl, Navigation the tag genome, in: Proceedings of the 16th International Conference on Intelligent User Interfaces, ACM Press, New York, 2011, pp. 93-102.

[66] L. Chen, P. Pu, Critiquing-based recommenders: survey and emerging trends, User Modeling and User-Adapted Interaction 22 (2012) 125-150.

[67] T. Lau,张韶峰,周涛,推荐引擎:信息暗海的领航员,中国计算机学会通讯 8(6) (2012) 22-25.

[68] 朱郁筱,吕琳媛,推荐系统评价指标综述,电子科技大学学报 41 (2012) 163-175.

[69] P. Cremonesi, Y. Koren, R. Turrin, Performance of Recommender Algorithms on Top-N Recommendation Tasks, in: Proceedings of the 4th ACM Conference on Recommender Systems, ACM Press, New York, 2010, pp. 39-46.

[70] R. Sinha, K. Swearingen, The role of transparency in recommender systems, in: Proceedings of the CHI’06 Conference on Human Factors in Computing Systems, ACM Press, New York, 2002, pp. 830-831.

[71] A. D. J. Cooke, H. Sujan, M. Sujan, B. A. Weitz, Marketing the unfamiliar: the role of context and item-specific information in electronic agent recommendations, Journal of Marketing Research 39 (2002) 488-497.

[72] G. Linden, B. Smith, J. York, Amazon.com recommendations: item-to-item collaborative filtering, IEEE Internet Computing 7 (2003) 76-80.

[73] L. Lü, T. Zhou, Link prediction in complex networks: a survey, Physica A 390 (2011) 1150-1170.

[74] R. Hu, P. Pu, Enhancing recommendation diversity with organization interfaces, in: Proceedings of the 16th international conference on Intelligent user interfaces, ACM Press, New York, 2011, pp. 347-350.

[75] G. Lenzini, Y. van Houten, W. Huijsen, M. Melenhorst, Shall I trust a recommendation? Lecture Notes in Computer Science 5968 (2010) 121-128.

[76] S. V. Buldyrev, R. Parshani, G. Paul, H. E. Stanley, S. Havlin, Catastrophic cascade of failures in interdependent networks, Nature 464 (2010) 1025-1028.

[77] C.-G. Gu, S.-R. Zou, X.-L.Xu, Y.-Q.Qu, Y.-M.Jiang, D.-R.He, H.-K.Liu, T. Zhou, Onset of cooperation between layered networks, Physical Review E 84 (2011) 026101.

[78] M. Mognani, L. Rossi, The ML-model for multi-layer social networks, in: Proceedings of 2011 International Conference on Advances in Social Networks Analysis and Mining, IEEE Press, 2011, pp. 5-12.

[79] S. J. Pan, Q. Yang, A survey on transfer learning, IEEE Transactions on Knowledge and Data Engineering 22 (2010) 1345-1359.

[80] N. Nori, D. Bollegala, M. Ishizuka, Exploiting user interest on social media for aggregating diverse data and predicting interest, Artificial Intelligence 109(B3) (2011) 241-248.

[81] M. A. Ahmad, Z. Borbora, J. Srivastava, N. Contractor, Link Prediction Across Multiple Social Networks, in: Proceedings of the 2010 IEEE International Conference on Data Mining Workshop, IEEE Press, 2010, pp. 911-918.

[82] B. Cao, N. N. Liu, Q. Yang, Transfer learning for collective link prediction in multiple heterogeneous domains, in: Proceedings of the 27th International Conference on Machine Learning, 2010.

[83] B. Xu, J. Bu, C. Chen, D. Cai, An exploration of improving collaborative recommender systems via user-item subgraphs, in: Proceedings of the 21st International Conference on World Wide Web, ACM Press, New York, 2012, pp. 21-30.

[84] 张亮,柏林森,周涛,基于跨电商行为的交叉推荐算法,电子科技大学学报(已接收).

[85] T. Zhou, L. Gong, C. Li, L.-S. Bai, L. Zhang, S. Huang, S. Guo, M.-S. Shang, Information filtering in interacting networks (unpublished).

[86] S. Sahebi, W. W. Cohen, Community-Based Recommendations: a Solution to the Cold Start Problem (unpublished).

[87] R. Sinha, K. Swearingen, Comparing recommendations made by online systems and friends, in: Proceedings of the DELOS-NSF Workshop on Personalization and Recommender Systems in Digital Libraries, 2001.

[88] M.J. Salganik, P.S.Dodds,D.J.Watts, Experimental study of inequality and unpredictability in an artificial culturalmarket, Science 311 (2006) 854-856.

[89] P. Bonhard,M.A. Sasse, “Knowingme knowing you”—using profiles and social networking to improve recommender systems, BT Technology Journal 24 (2006) 84-98.

[90] S.-Y. Hwang, C.-P.Wei, Y.-F.Liao, Coauthorship networks and academic literature recommendation, Electronic Commerce Research and Applications 9 (2010) 323-334.

[91] P. Symeonidis, E. Tiakas, Y.Manolopoulos, Product recommendation and rating prediction based onmulti-modal social networks, in: Proceedings of the 5th ACM Conference on Recommender Systems, ACM Press, New York, 2011, pp. 61-68.

[92] A. Seth, J. Zhang, A social network based approach to personalized recommendation of participatory media content, in: Proceedings of the 3rd International AAAI Conference on Weblogs and Social Media, AAAI Press, 2008, pp. 109-117.

[93] W. Pan, N. Aharonym, A. S. Pentland, Composite Social Network for Predicting Mobile Apps Installation, in: Proceedings of the 25th AAAI Conference on Artificial Intelligence, AAAI Press, 2011, pp. 821-827.

[94] S. Guo, M. Wang, J. Leskovec, The role of social networks in online shopping: information passing, price of trust, and consumer choice, in: Proceedings of the 12th ACM Conference on Electronic Commerce, ACM Press, New York, 2011, pp. 157-166.

[95] J. Leskovec, L.A. Adamic, B.A. Huberman, The dynamics of viral marketing, ACM Transactions on Web 1 (2007) 5.

[96] J. Huang, X.-Q.Cheng, H.-W.Shen, T. Zhou, X. Jin, Exploring social influence via posterior effect of word-of-mouth recommendations, in: Proceedings of the 5th ACM International Conference on Web Search and Data Mining, ACM Press, New York, 2012, pp. 573-582.

[97] Q. Yuan, L. Chen, S. Zhao, Factorization vs. Regularization: Fusing Heterogeneous Social Relationships in Top-N Recommendation, in: Proceedings of the 5th ACM Conference on Recommender Systems, ACM Press, New York, 2011, pp. 245-252.

[98] Z. Abbassi, C. Aperjis, B. A. Huberman, Friends versus the crowd: tradeoff and dynamics (unpublished).

[99] H. Ma, D. Zhou, C. Liu, M. R. Lyu, I. King, Recommender Systems with Social Regularization, in: Proceedings of the 4th ACM International Conference on Web Search and Data Mining, ACM Press, New York, 2011, pp. 287-296.

[100] M. Medo, Y.-C.Zhang, T. Zhou, Adaptive model for recommendation of news, EPL 88 (2009) 38005.

[101] T. Zhou, M. Medo, G. Cimini, Z.-K.Zhang, Y.-C. Zhang, Emergence of scale-free leadership strcuture in social recommender systems, PLoS ONE 6 (2011) e20648.

[102] G. Cimini, D.-B. Chen, M. Medo, L. Lü, Y.-C. Zhang, T. Zhou, Enhancing topology adaptation in information-sharing social networks, Physical Review E 85 (2012) 046108.

[103] J. O’Donovan, B. Smyth, Trust in recommender systems, Proceedings of the 10th international conference on Intelligent user interfaces, ACM Press, 2005, pp. 167-174.

[104] P. Massa, P. Avesani, Trust-aware recommender systems, in: Proceedings of the 2007 ACM conference on Recommender systems, ACM Press, 2007, pp. 17-24.

[105] H. Ma, I. King, M. R. Lyu, Learning to Recommend with Social Trust Ensemble, in: Proceedings of the 32nd international ACM SIGIR conference on Research and development in information retrieval, ACM Press, New York, 2009, pp. 203-210.

[106] M. Jamali, M. Ester, TrustWalker: A Random Walk Model for Combining Trust-based and Item-based Recommendation, in: Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM Press, New York, 2009, pp. 397-406.

[107] M. Jamali, M. Ester, A Matrix Factorization Technique with Trust Propagation for Recommendation in Social Networks, in: Proceedings of the 4th ACM Conference on Recommender Systems, ACM Press, New York, 2010, pp. 135-142.

[108] J. He, W. W. Chu, A Social Network-Based Recommender System (SNRS), Data Mining for Social Network Data 12 (2010) 47-74.

传统企业电商之道,拒绝8大纠结

十二月 12, 2012 by · 1 Comment
Filed under: 舆情引导 

注:本文整理自网络。【传统企业做电商8大纠结】①线下渠道的延伸or新渠道; ②做差异化商品or做线下商品; ③仓储管理系统自建or外包; ④网络直营or渠道分销; ⑤门户硬广或SNS;⑥团队由线下转岗还是重新招聘。

纠结1:是线下渠道的延伸还是新的渠道

有一些已涉足电子商务的线下传统品牌只是把网络当做原有销售渠道的一种补充,比如说为了覆盖没有门店的三、四线城市,或者仅仅是为了卡位,不让自己在网络上面失声。这些企业的线上业务也由线下团队负责运营,这就导致了在线上线下两种不同商业模式冲突时,企业可能采取回避的态度,最终导致了电子商务形同虚设。一个很有趣的现象是,淘宝商城上有很多知名线下品牌的官方旗舰店,其业绩竟然做不过地方经销商的专营店。

实际上,抱着延伸态度的企业,基本上没有成功的案例。做得比较好的传统企业电商,基本上其电商部门都是由独立公司运作的,权责统一、目标明确了,团队才有向前的动力。美国沃尔玛为了追赶上亚马逊的发展速度,特地把电子商务部门独立出沃尔玛线下管理体系,这个电子商务团队可以完全独立运作,必要时还能与线下沃尔玛分享其商业资源。在发展过程中它卸掉了线下实体的包袱,轻装上阵的按照电子商务的行业规律去运行,最终实现了在投入金额和发展时间上远低于线下实体,但收益回报率又远高于线下实体的好局面。

纠结2:是做差异化商品还是做线下商品

对于部分知名传统品牌来说,电子商务开创初期可直接做线下商品的转移销售。在线下线上统一售价的前提下,凭借线上更先进的营销模式一样可以获得非常不错的开局,还可兼顾对过季存量商品的打折清货。毕竟知名传统品牌本身已具备了足够的品牌影响力和历史用户资源。

但等到电子商务发展到一定的阶段,线上线下的模式冲突还是会逐渐激化,这是由于线上线下的营销方式和营销成本的不同而导致的。在统一的商品售价前提下,线上销售的净利率会高出许多,进而阻碍了电子商务的规模化发展。同时,电子商务的比价搜索引擎使得地区经销商的存在意义,直接转变为单纯的被比价载体。

因此,要实现双线的均衡发展,避免恶性价格战的发生,适时地引入差异化商品线来平衡冲突是唯一途径。当前来说,商品结构规划平衡点在于70%-80%的商品与线下保持一致,新增20-30%的商品作为线上的特供款,让主流的商品去满足主流用户的需求。

纠结3:仓储管理系统是自建还是外包

线下传统品牌是整进整出式的大型货架,其表现特征为大批量少批次的发货给地区经销商或直营店铺,而电子商务则是整进零出式布局,一步送到全国各地的用户手里的,不仅进出货品又散又杂,还涉及到退换货处理等问题,其表现特征为小批量多批次。

所以,线下传统品牌的ERP系统基本不适用于电子商务,且对原有ERP系统进行二次改造的可能性不大,唯有建立适合电子商务发展的仓储ERP系统,实现与原有ERP系统的数据对接才是方案。自建的ERP仓储管理系统,如具备逻辑分仓定义和商品库存锁仓等功能的话,在电子商务的发展初期还能与线下共用仓库资源,等到上了一定规模后再按业务量的增长需求独立仓库,比如日销量过千单以上。

纠结4:是做网络直营还是做渠道分销

对于线下传统品牌来说,线上就是一个渠道。所以并不介意商品在哪卖,用户在哪买,只要能卖掉货就OK,至于直营和分销都会尝试着去做。比如佐丹奴的电子商务模式以独立的直营官网为中心辐射整个互联网,它会在所有的第三方平台上开店,也会给B2C直营平台供货。品牌商只在统一商品售价的原则上,针对不同的通路,不同的用户,提供不同价位的商品和促销方式。

这类传统品牌需要的是多渠道销售,以统一的订单处理的解决方式来维持统一的销售规则的输出方案。其缺点是这类线下传统品牌忽略了在互联网的虚拟世界里也分恒隆广场和第一百货的历史用户层次的区别,不利于品牌地位的长期良性发展。

当然,线下传统品牌中也会有只重点做直营模式的企业。比如美特斯邦威就把其战略重点核心放在了自建的B2C官方网站上。这类传统品牌对第三方平台和分销渠道的供货都很少,即便偶尔跑一下量也是为了短期提高销售额,为直营B2C官网分担部分销售压力,而不会动摇其线上长期规划层面上的发展重心。第三方平台最多也就是个处理掉一些滞销库存品的渠道,好货自然是放在直营的B2C官网上卖。这样做的意义在于通过不断积累的用户购买习惯来完成长远的销售业绩增长目标。这有点类似于线下的街铺店营销模式,毕竟街铺店做大了也可以成为恒隆广场,而电子商务部门也逐渐具备了单独分拆、包装、上市的条件。

纠结5:是走门户硬广还是走SNS路线

电子商务对于标准化商品来说,SEM、CPS、网址导航是常规营销推广的三板斧,但非标准化商品还是需要依靠门户硬广、垂直网媒、社区/客户端等大流量的网站推广。如果是线下知名品牌,就更应在做营销广告的同时,大力进行用户公关宣传了。

另外,微博和SNS也是很好的营销工具,美国76%以上的电子商务B2C都进行微博和SNS营销,其关注的核心指标是ROI投资回报率。不同商品类别的ROI差异很大,包括商品受众度、媒体推广力度、品牌知名度、忠实用户资源等各方面都会影响ROI,ROI的提高是个可持续优化的过程。

现在国内最有名的几家B2C也是从几百块钱一张订单一路过来的,到现在大都也只能做到广告推广的总成本与产生订单的毛利打平而已,不要指望着广告引来的新用户在其第一次购买时就能赚到大钱。在我看来保证ROI的方式除了降低新用户的获取成本外,更应该做的是不断地刺激老用户重复购买,进而降低老用户的流失率。

纠结6:快递团队是自建还是外包

从成本投入的角度考虑,自建配送团队的初期成本很大,在没有达到过万单一天的规模前不用考虑自建配送团队,且绝大部分轻质商品的电子商务到了每天十万单也不需要自建配送。但从用户体验服务的角度考虑,电子商务模式已注定了会带来物流配送的高水准运营服务,在国内当前的物流业相对落后的环境下,通过系统管理软件来监控外包团队的配送服务品质,显得更经济实用些。

线下传统品牌的IT部门通常都很薄弱,同时也缺乏程序研发能力,所以无论让没接触过电子商务模式的IT部门研发,还是独立组建IT团队来研发配送监控管理系统,无论从时间、成本、效率、结果上都是必然不如人意,且系统维护更新的成本也很高。国内市场上,已存在有标准功能齐备,基本管理流程通畅,且兼容性较高的商用解决方案,诸如:IBM WCS、新蛋OVERSEA、SHOPEX等,因此直接购买一个配送监控管理系统是最优性价比的选择。

仓库管理和市场推广不适合外包。因为仓库外包必然会增加备货量,自租建仓库的成本并不比外包高;而市场推广可以外包执行,但营销方案的把握和监控等一定得自己做,这是核心竞争力之一。

纠结7:团队成员由线下转岗还是重新招聘

要组建一个同时具备线下线上品牌营销经验的电商团队,现在基本是一个不可能完成的任务。因此,线下传统品牌很容易走两个极端:要不就用不懂电子商务模式的线下子弟兵,结果自然是笑料百出;要不就请一些所谓的电子商务大公司高管砖家,结果由于不了解线下的传统模式,也会败下阵来。

国内电子商务的规模化发展道路至今还不到五年,且前期的摸索发展基本以草根为主,正规化的线上运营模式也只是最近两年才大致成型的,行业中的大公司也同样面临着因发展时间太短而员工能力不稳定的问题。因此在今后相当长的时期内,电子商务的发展仍得基于对线下传统模式的充分理解之上,再赋予一些电子商务在特色营销模式,进而在发展的道路上逐步改善才能行得通的。所以其团队里既需有成功经验的电子商务人才,又离不开线下传统的商品运营人才,他们是鼠标和水泥的结合,在不断地优势资源整合中对不同模式的冲突,相互理解相互学习。

纠结8:传统品牌该何时切入电子商务

电子商务的发展道路唯快不破,启动得越早则成本和风险都越低,先发优势也越明显。国内的线下传统品牌李宁率先踏入了电子商务轨道,现已具备了年销售额过5亿人民币的成绩,而美、韩等国的线下传统品牌也基本都在十年前就进入了电子商务领域,所以他们才能取得了今日的成绩。

在电子商务市场的总份额逐年井喷的今天,产业链的发展也愈见成熟,行业竞争的激烈性等方面正在推高后来者的进入门槛,且上升速度保持着几何量级的增长,做的越晚,成本越高,竞争越激烈,成功机会越小,风险也越高。短短几年前的初期投入策略,现已完全不能再次复制应用,这也是为什么现在的领跑几个电子商务龙头公司会不计成本的扩大规模跑马圈地。

总而言之,电子商务就是电子+商务的模式。强大的信息化系统就是电子部分,适合网络逻辑的营销模式就是商务部分,这是进入电子商务的两个必要条件。电子商务的发展从来就不是谈短期回报赚快钱的,而是在经历过初创期和发展期的坚持投入,到达爆发点后才会迎来的井喷式回报过程。

思君电商周报(12月3日-9日)

十二月 9, 2012 by · 4 Comments
Filed under: 电子商务运营 

目录

1、开放平台时代;
2、零售革命,展望2025年的中国在线零售;
3、2013电商十大趋势;
4、2013零售业20大预测;
5、百度可超越 但不甘心被超越——李彦宏;
6、腾讯旗下易讯网挑战京东进军北京市场;
7、乐购也要做电商;
8、腾讯电商旗下易讯网北上叫板京东:将建10万平米仓储;
9、淘宝双十二:电子商务SNS化的秩序实验;
10、移动电商仍存在的障碍;
11、电商年度创新;
12、微信O2O细节:2亿用户的生意经;
13、把传统商铺搬到线上华夏银行电商逻辑战小微;
14、京东运营内幕;
15、浅析京东搜索排序规则;
16、亚马逊移动电商成功的12个经验;
17、“淘宝+天猫”一万亿这个可怕的数字将会冲击那些行业;
18、阿里力推C2B 垂直电商“敬而远之”;
19、消费类互联网的“空白领域”将被重新想象;
20、京东对商家推出第三方服务;
21、苏宁试水金融业务;
22、支付宝推出二维码收款,大力涉足线下支付;
23、淘宝布局全国农产,马云现身四川成都;
24、微团购微信粉丝超1万,完成支付闭环;
25、爆料第九大道倒闭的原因;
26、江苏南通农产品电商模式;
27、苏宁易购并购路线曝光:接洽好乐买等垂直电商;
28、Zappos是怎么做电商的?
29、关于2013年流量使用效率的建议;
30、网上药品市场真相;
31、年终大PK 好享购物各路达人来站台;
32、点滴幸福汇聚冬日暖流 好享购物微公益走进岳阳;
33、家有购物李在哲:老顾客是传统企业触电的“一桶金”。

详细内容
1、【开放平台时代】淘宝生个儿子天猫;易购一直号称要成为亚马逊,为开放发展努力;去年京东POP要跟天猫抢市场;一号商城从一号店裂变;建行善融、交行交博汇也要开放性整合;国美重新调整,库巴对准天猫,国美商城要变成小京东;腾讯大搞易迅网,qq网购要并入,拍拍对准淘宝系

2、【零售革命,展望2025年的中国在线零售】①国内会出现年营收超过3万亿的超级零售综合体巨头B2C;②单体仓储物流中心面积超过200万平米,日处理订单600万单,日产出12亿。这样的
大型仓储中心,全国有8-10个;③所有社区、学校覆盖有自动取货柜;④更多变化将在产业链后端http://www.huxiu.com/article/6604/1.html
3、【2013电商十大趋势】1.2013年将是B2C企业的淘汰年2.品牌电商化,电商品牌化3.电商外包挖掘长尾市场价值4.O2O电子商务模式新突破5.社会化电商发展空间广阔6.购物搜索机遇与挑战
并存7.信息流、物流、支付流仍是电子商务三大瓶颈8.网购环境进一步成熟9.移动电商时代强势来袭10.电商法律法规不断完善。
4、【2013零售业20大预测】1、高增长终结;2、勒紧裤腰带过苦日子;3、中小企业处境更艰难;4、与制造业抢一线员工;5、多重红利集中消亡;6、洗牌期间现抄底机会;7、精细化正式
显身手;8、零售业面临多维竞争;9、百货业继续疲软;10、大卖场不再独领风骚;11、线上线下融合前景不明。做好洗牌准备吧!http://www.boraid.com/article/html/215/215703.asp
京东的搜索前经理王文峰将给大家培训京东的搜索规则 京东已经推出自己的京东SEM了,叫京东快车,现在已经开始内部测试,每个类目邀请1个商家测试。下个月正式推出。估计关键字定价
会较高,毕竟都是精准购物人群的流量。截图中左边的“推广商品”就是京东SEM的表现方式。http://www.jingpaidang.com/gonggao/367.html
5、【百度可超越 但不甘心被超越——李彦宏】2012第十一届中国企业领袖年会上,有人向李彦宏问到,“你能不能给你的竞争对手提一个建议,如何才能打败你?”李彦宏表示,超越百度
的方法和路径有很多。但是,我们不甘心被超越。他还提及说,“我们每天在下很多功夫,做很多的努力。http://www.chinaz.com/news/2012/1210/285193.shtml
6、【腾讯旗下易讯网挑战京东进军北京市场】近期易讯网以“在北京,谁比易讯快”为广告对北京主要地铁、公交线路和各大换乘点进行大规模广告宣传,正式发力北京市场,向以北京为主
场的京东商城发起挑战。即日起对北京五环以内用户在易迅网购物,采取重要“一日三送”策略。http://www.chinaz.com/biz/2012/1210/285226.shtml
7、【乐购也要做电商】沃尔玛收购1号店、农工商刚升级网购平台…日前,TESCO中国区CEO鲍睿琪鲍睿琪也透露, TESCO乐购明年上半年将正式推出在线购物平台,主要涵盖食品和杂货,且
其打算使用自己的物流配送,故而其初期的送货范围在上海地区,之后会再向全国扩张。http://www.21cbh.com/HTML/2012-12-7/xMNDE5XzU3OTUxMA.html
8、【腾讯电商旗下易讯网北上叫板京东:将建10万平米仓储】易迅网宣布,其已在北京地区实现“一日三送”,从即日起,北京五环以内的用户在易迅网购物,早上订单将在下午14:00之前
送达,中午订单在晚上18:00之前送达,晚间订单在晚上22:00之前送达,这也是其攻打北京市场的重要“一日三送”策略。同时正在寻求建设10万平米的大仓。而这也被腾讯电商认为是北
上杀入京东腹地的举动。易迅网CEO卜广齐表示:“我们要在北京打一场攻坚战。和京东比一比谁的价格更低,服务更好。”http://news.cyzone.cn/news/2012/12/10/236512.html京东3C四
成市场在北京,不抢太可惜,易讯3C瞄准京东,开放平台也大举进攻,天猫影响有限,还是看京东,力保3C和POP,苏宁易购明年大招聘,主要也是开放平台。
9、【淘宝双十二:电子商务SNS化的秩序实验】在淘宝网双12的活动中,买家可以通过系统向卖家“求优惠”,之后卖家自主决定是否降价。这种方式极具SNS社交气质,也是C2B(个人向企
业要约)模式的尝试。此外,“吃货在民间”、“屌丝必备”等会场,让消费者不用“抢”,而是“逛”。http://tech.qq.com/a/20121210/000148.htm
10、【移动电商仍存在的障碍】尽管移动电商被看好,但目前来看移动电商仍存在着不可忽视的障碍:1)60%的用户依然倾向于用PC购物;2)49%用户觉得移动网购不安全;3)32%的用户认
为移动网购过于复杂;4)20%的用户认为付款过于复杂;5)10%用户付款功能无法使用。http://b2b.toocle.com/detail–6072558.html
11、【电商年度创新】A最后一公里:京东自提柜,阿里邮局和天猫服务站,易迅测试社区服务;B移动:聚美微信营销和二维码展示台,财付通微信发力生活服务,支付宝远程支付创新;C融
合:易购加速融合,测试3C线上线下同价和新品优先发布;D金融:银行保险线上化,阿里小额贷款引震动
12、【微信O2O细节:2亿用户的生意经】腾讯选择O2O(从线上到线下)作为试水的第一站。借助二维码,微信试图打破传统线下商家与海量用户之间的鸿沟。目前微信电子会员卡的品牌商家
已经超过1000个,涵括餐饮、旅行、服装、商城、娱乐等众多行业。http://www.shichangbu.com/article-15520-1.html
13、【把传统商铺搬到线上华夏银行电商逻辑战小微】越来越多的银行开始通过电子商务来锁定企业客户,建行6月祭出善融商务,类似淘宝和阿里的集合平台;交行交博汇亦设有“企业馆”
,实现商品销售和融资业务;华夏银行则另辟蹊径,打算通过引入第三方平台,将传统商铺整体搬到线上。
http://finance.sina.com.cn/money/bank/bank_hydt/20121201/031113862243.shtml
14、【京东运营内幕】如何进驻京东的开放平台,在京东的网站上有详细的介绍,这里不赘述。我们要说的是,如果想在这个平台混出个样子,你要做好三件事:1.让运营经理知道你要做好
的决心;2.弄清运营经理的考核情况;3.争取京东的各种资源。http://bbs.paidai.com/topic/130284
15、【浅析京东搜索排序规则】京东搜索一直是个未知数,不像淘宝有明确的规则!这是许多商家的烦恼!入住京东的时间不长,自己也深入研究了京东的排名,现在分享出来,但愿能给京东卖家
有帮助!言归正传!切入正题!http://bbs.paidai.com/topic/131046
16、【亚马逊移动电商成功的12个经验】亚马逊是首个看到移动电子商务价值的品牌,而且目前在移动领域已经奠定了领袖的地位。他的移动站点和apps都非常成功,维持了他在电商领域的
领导地位并扩大了市场触角。天网视觉呈现精美版亚马逊移动电商成功经验,值得收藏!http://www.chinaz.com/biz/2012/1012/278017.shtml
17、【“淘宝+天猫”一万亿这个可怕的数字将会冲击那些行业】2012年11月30日21时50分18秒,这是一个让阿里载入史册的日子。淘宝+天猫的销售总额突破1万亿元的年度任务提前实现。
这个可怕的数字将会冲击那些行业?我首先想到的是地面店的“空间价值”递减——又租房子又陪店员的,成本很大,而且会成为“比价店”,再加上二维码的盛行,以后的地面店会更加
艰难,因此未来五年的商业地产会受到电商的冲击http://finance.stockstar.com/SS2012120500002710.shtml
18、【阿里力推C2B 垂直电商“敬而远之”】尽管从马云、天猫总裁张勇到阿里巴巴集团总参谋长曾鸣都一致认为电商未来商业模式是C2B,对该模式赞赏有加。但垂直电商对此却“敬而远之
”。“只有坐拥庞大用户和资源的大平台能玩得转C2B,垂直电商不适合做”,这是垂直电商对此的共识。http://news.pedaily.cn/201212/20121205339778.shtml
19、【消费类互联网的“空白领域”将被重新想象】1)耳朵与身体:需更好设备、服务和产品;2)汽车:1.44亿美国人每天在汽车中花费52分钟,这段时间尚未被开发;3)电视:超过5000
万美国家庭拥有互联网电视;4)钱包:美国人均3-4张信用卡,还有大量积分、优惠券等;5)教育:美国助学贷款规模9140亿。
20、【京东对商家推出第三方服务】京东对商家第三方服务今天下午正式推出,所有京东商家每次登录后台都会看到这个推送:http://jmall.360buy.com/p15532.html京东映画的拍摄服务只
是其中一项,京东后台前两天还开始测试类似数据魔方一样的开放平台,感觉京东平台要将商家需要的电商服务全部包揽了(如京东物流等),培养优质商家,直指天猫
21、【苏宁试水金融业务】苏宁电器晚间发布公告称,成立苏宁小贷公司,主要面向小微企业融资。此前,苏宁已经拥有预付卡发行/受理、互联网支付/第三方支付等金融服务业务。阿里巴
巴2007年开展小企业融资领域业务,京东也在今年11月推出供应链金融服务平台。http://tech.sina.com.cn/e/2012-12-05/20457860130.shtml
22、【支付宝推出二维码收款,大力涉足线下支付】近日,支付宝公司宣布推出自定义二维码收款业务,即所有支付宝用户均可免费领取“向我付款”的二维码,消费者只需打开支付宝手机
客户端的扫码功能,拍下二维码,即可跳转付款到对方的支付宝账户中。支付宝已不再满足网上交易,而是正在大力涉足线下支付。
23、【淘宝布局全国农产,马云现身四川成都】淘宝网总裁姜鹏表示,“淘宝将整合‘特色中国’、新农业发展部、淘宝旅行等各个业务模块,通过阿里旗下各大网络平台拉动全国各地土特
产、旅游、当地的吃喝玩乐等全面触网,为各地的传统制造业、零售业和网商从业者开辟一条新的销售渠道。”http://tech.sina.com.cn/i/2012-12-07/15027867213.shtml
24、【微团购微信粉丝超1万,完成支付闭环】新高朋公司CEO林宁在接受采访时披露,其在微信的公众账号微团购粉丝数已经超过1万人,而微团购也是微信上首个完成支付闭环的应用。目前
高朋在微信上运营的“微团购”支持支付宝和财付通,可以在微信页面内完成支付。http://news.cyzone.cn/news/2012/12/07/236385.html
25、【爆料第九大道倒闭的原因】第九大道官网http://t.cn/hb7a5J都打不开了,曾经最高峰日均超过1000单;单月最高销售近700万并盈利;2010年中国网上零售100强、最具投资价值奖企业
;但由于供应链及内部管理问题,今天悄然解散,今晚吃的散伙饭。其官方微博更新到11月10日。倒闭原因3点1供应链管理混乱。2内部管理混乱。3没有新的资金进入。
26、【江苏南通农产品电商模式】江苏南通推动的“菜篮子”网电子商务平台,顾客先购买该电商平台的月卡,然后一个月内会专车配送8次蔬菜,每次分量超过3公斤,包括叶菜、菌类以及
生姜、大蒜等9种,若对菜品种类或分量有要求,可提前致电变更…该平台网站本质上是提供蔬菜订购、加工和配送服务为一体的供应链服务!
27、【苏宁易购并购路线曝光:接洽好乐买等垂直电商】在电商寒冬之际,苏宁易购并购正如火如荼。自红孩子被其收入囊中后,谁会是下一个红孩子引各方猜测。目前最热门传闻对象是垂
直鞋类电商好乐买。有消息称,好乐买陷入资金紧张困境,正寻求对外出售。好乐买创始人鲁明确实到南京与苏宁易购方面进行过洽谈。
http://news.pedaily.cn/201212/20121208339924.shtml
28、【Zappos是怎么做电商的?】Zappos也是华人创建的电商网站,不过是在美国,是卖鞋的:①客户每款鞋可选两个码,以确保起码有一款尺寸是合适的;②隔夜送达;③一年内免费退货
;④唯客户体验马首是瞻,7×24小时,免费双向运送;⑤最优客户服务,客服从不计通话时间。http://www.chuangyejia.com/archives/18875.html
29、【关于2013年流量使用效率的建议】1、营销创新是王道,见到消费者就脱光的纯促销推广的玩法效率减弱(消费者已免疫),成本会大幅度增加;2、凑一撮人(流量)集中过"马路"
(整合营销)比一个人(单品)过"马路"安全有效;3、扎紧流量篱笆不漏水,沉淀老客户将是致胜关键,最好设立用户体验部。
30、【网上药品市场真相】1、7成以上处方药市场,严禁网上销售;2、OTC约一半是医院销售,很难切换到网上;3、OTC剩下一半中又超过一半是老年用药,很难切换到网上;4、剩下的一小
半年轻人OTC用药市场,有部分人一定用医保卡,很难切换;5、剩下可以争抢到网上,但都是客单价极低的标品,越卖越亏。
31、【年终大PK 好享购物各路达人来站台】作为江苏广电旗下的居家购物品牌,肥水不流外人田,好享购物这几天在线上还启动了“订购就抽江苏卫视跨年晚会门票”的活动,每天一个机会
,每天2张门票,活动时间截止到14号。http://news.tom.com/2012-12-07/07EK/34343697.html
32、【点滴幸福汇聚冬日暖流 好享购物微公益走进岳阳】http://news.tom.com/2012-12-07/07EK/34343697.html
33、【家有购物李在哲:老顾客是传统企业触电的“一桶金”】http://www.eguan.cn/talk/yiguanfangtan_149404.html

电子商务网站如果只有50万元推广预算……

十一月 8, 2012 by · 1 Comment
Filed under: 网站运营策略 

如果只有50万元推广预算

目前电子商务行业不景气,但营销成本却一直居高不下。假如你只有50万元的推广预算,应该怎么花才能控制营销成本,提高ROI?

没有太多的钱去砸品牌广告,只能走另一条路,就是效果营销,同时用口碑去影响用户,让用户记住这个品牌。

效果营销的推广可以分为五大类:搜索、联盟、媒体等其他网站推广、导航、EDM和短信等。相对于线下推广,这些方式是营销成本最低、最能直观地评估ROI。

这些推广方式要求细致准确,而以下的这些Know-how,往往都是一些细枝末节的小事情,但是若不知道,你就会走很多的弯路。

我将以自己的亲身经历,总结一下每个推广渠道的一些参数。不过这些参数是根据化妆品网站的经验所得,未必适合你,但肯定是有价值的。

SEM(搜索营销)

目前SEM的收入大概占一个网站总收入的20%~30%,ROI平均能做到1:5以上。

SEM是每个网站必做的,对关键词一定要细化,比如:品牌词、竞品词、商品词、产品词、产品品牌词、疑问词、购买词、活动词、季节词、优惠券相关词等等。

搜索营销是技术活,这里不谈太多。

联盟

目前来看,联盟是ROI最高的一个推广渠道,前期投入也比较少,联盟大概占网站总收入的30%左右,一般ROI在1:6以上。目前联盟出量比较多的3个平台:亿起发、领克特、成果网。

1. 影响联盟订单的因素主要有以下几点:品牌知名度、品类、佣金比例、客单、活动。

2. 促进联盟增量的方法:

品牌宣传:这个影响因素很大。没钱做线下品牌推广,线上品牌推广还是可以做的,比如不定期地在行业信息网站发一些PR,经常性地公告和活动。

活动:好的活动会吸引消费者的注意力,降低网站的跳出率。现在电商常规的活动玩法大概有几种:买送、满减、秒杀、0元抽奖、0元购买、包邮、节日促销、组合促销等等。

站长奖励、佣金比例:佣金比例可以根据自身的品类毛利率去定。前期为了刺激站长,可以把佣金比例设置得高一些,大概是毛利的50%。有了一定的站长 基础,可以适当地下调比例。站长奖励可以按月制定,初期的策略是以奖励新站长出单为主,有一些基础了可以设定多重奖励及阶梯性奖励。

优惠券发放:经常网购的用户,对优惠券还是很有爱的,经常性地发一些优惠券对增量也有很大的帮助。

3.一个新的电商怎么从联盟入手?

首先我们要算一笔账,我们的毛利有多少,客单是多少?能给到联盟几个点?确定这些以后就好说啦。

目前能出量的大站长有:51返利、一淘、QQ彩贝、易购、51比、券妈妈、券老大、139返利等。这些网站是出单最快、量最大的站, 他们会不定期地给商家策划一些活动,商家只要配合好他们的活动,给到一些产品上的支持就OK了。这些网站有很多可以深度挖掘的资源,比如论坛区,我们可以 搞一些晒单、盖楼之类的活动。

4.针对特殊品类的产品:比如哪拍网 、珂兰,这种客单相对比较高、品类有点特殊的,方法就不能和常规的一样了,因为受众的特殊和二购率相对比较少的情况下,要考虑针对特殊品类怎么运用联盟的资源。

5.重点说下返利网站:其实现在有一大部分网购用户对返利网站的黏度比较深的,我也是其中一个。像51返利和一淘等。增量的方法,除了多做活动,就是多做活动。不要心疼奖品,不要心疼佣金,眼光放远一些,通过这样的方法拉新用户成本是最低的。

去年我们和某返利网站做过一期拉新用户的活动,当时一个有效的新用户成本是2块钱,3个月之后再观察那些之前注册的新用户,大概30%的用户在3个月内都有二次甚至三次以上的消费。你可以算一笔账,其实这样的方法是稳赚不赔的,所以很值。

联盟是投资回报最好的媒体,但是别把精力都放联盟上。联盟的量是自然增长的一个漫长的过程,不要期待联盟来拉大流量,不现实。凡事做到尽力而为,把能用上的资源都用上。

媒体推广

推广经理经常相互打探:有没有好的媒体可以推荐啊?

问题是,什么是好的媒体?

没有最好,只有适不适合。

媒体的ROI要怎么样评估才会更合理?

首先,广告的创意对CTR(点击转化率)至关重要。目前行业内的CTR在千分之五左右算是正常,如果你的广告达不到这个标准,就想办法在创意上下功夫吧。

其次,短时间内,单纯地评估一个媒体的ROI,怎么算都是赔钱的。那么我们怎样评估比较合理呢?

我们把时间拉长到3个月来计算:算一下某个媒体的新用户成本是多少,再算一下每个购买用户的成本是多少,再算一下二购率和客单价。

目前一个购买用户的注册成本大概在20元左右,如果客单在150元,再算一下二购率,如果初期的媒体投放ROI在1:1,二购的ROI在1:6以上,那就是好媒体了。

无论在哪个渠道推,做电商的数据挖掘很重要。不仅要核算单一媒体的ROI,更要核算整站的ROI,以及单一媒体对其他推广渠道的影响。

再次,如果你没更多的钱去买位置,可以找一些有实力的广告公司,买一些C或者M (CPC就是按点击付费的,CPM是按千次展现收费),但对于电商来说,做CPC和CPM有些太假了,从广告公司出来的都知道(PS:不以效果为目的的营销都是耍流氓),你要学会甄选。

营销这个东西只有你尝试了,才知道这个东西到底适不适合你,假如你每个月拿出5万元或者10万元来买CPC或CPM,你有没有深度地挖掘你得到的数 据,有没有去看用户的二购或者三购甚至更多……有没有观察你的百度指数和SEM品牌词的搜索量是否提升,有没有观察过联盟的站长数量和质量是否提升?

导航

虽然现在电商行业不景气,但是导航的价格并没有明显的下降趋势。对于品牌型的电商,有钱可以考虑做Top前几名的导航,一般ROI都在1:10以上;但对于知名度比较低的电商来说,Top前几的名站和酷站做不了,内页都十几万元,ROI 连1都做不到,太苦逼了。

其实对于中小型的电商,有点钱的,可以做百度和团800, ROI能到1:5以上,效果也Ok。

一部分导航资源是可以利用的,就是联盟的网址站。还有大的返利网站,都有团购导航频道。

所以,别怕资源小,也别怕资源杂。做电商,不烧钱的话就得合理利用资源,能用到的渠道全部用上。

EDM、短信

EDM或者短信营销目前分两类,一类是会员EDM,另一类是买的资料。

一类是针对会员的EDM,可以阶段性地发。根据自身的品类和用户的二购率,来判断EDM的发送时间。一般快消类,都是一周1~2次地发,ROI能到1:10以上。

另一类是买数据。现在有很多第三方卖会员数据,找到合适的渠道不容易,数据的有效性不好把控(打开率不好控制),会有一定的风险。但也有一些第三方的公司会以保ROI的方式进行投放,所以,买数据要谨慎哦。

推广这个东西看似很简单,但有几个人能把数据研究得细而透?又有多少企业很合理地在支配自己的预算,合理地利用推广资源 ?

其实营销的方法大同小异,渠道都是这些渠道。有句话说得好,赢在格局,败在细节。如果你的用户体验和现有资源没有好好利用,那么就从现在开始,从内功开始下手吧。

原文:销售与市场

我倒认为更多的需要在商品运营能力上下功夫了,目前电商还是太粗放了。

 

网上销售的十大渠道体系

三月 4, 2012 by · 1 Comment
Filed under: 电子商务运营 
      本文系转发,(龚文祥)仅供参考。目前进入网上零售领域成功的传统企业,一般线上分销渠道的销量会占整个网上销售额非常大的比例,如罗莱家纺网络专销品牌LOVO目前每月销售额大约500万,其中外部线上渠道中,B2C渠道:当当卓越的平台代销,每月50万左右; CPS渠道包括第三方及自营CPS联盟,每月50万;C2C联盟渠道:淘宝网店联盟贡献了约10万;再加上C2C渠道淘宝商城的销售,网络分销贡献了不少于50%的比例;有的甚至网络分销的销售额超过了自己官网直销的销量,如从百丽的电子商务渠道的销售结果来看,加盟渠道、CPS及SEM渠道、淘宝渠道、B2C分销渠道的销售额均超过了其官网的直销渠道
       还有线上销售额100%来源于分销渠道的:如徐静蕾的开啦饰品做电子商务,他们只做线上渠道,自己不直接销售,没有自己的官网B2C商城,自己也不在淘宝开店,每天几百个线上订单100%是外部线上渠道带来的,如KAiLA在2009年11月正式上线凡客销售,成为凡客诚品配饰领域的合作品牌,接着进入KAiLA入驻卓越网,并成功获得卓越网免费首页及频道内推广资源,KAiLA入驻当当网,并获得当当网大力资源推广,成为手表饰品频道的重要品牌商。接着进入了时尚类的垂直B2C走秀网、逛街网、时尚起义、麦网,进入3C网站京东商城、新蛋网渠道销售,最新的消息是开啦进入二三线市场B2C三十到五十商城。开啦凭借徐静蕾的人脉与影响力,半年之内几乎进了中国绝大多数排名靠前B2C网站渠道销售,是线上分销的成功案例。
       从以上几个线上渠道案例可以看出,成功的电子商务企业外部线上渠道销量一般不会少于自己的官网平台,可见外部线上渠道的重要性,也说明线上互联网世界与线下实体世界一样,未来仍是渠道为王。有远见的B2C企业如红孩子、走秀网等都成立专门的线上渠道部来负责线上渠道建设。
       我在对传统企业进入电子商务咨询中,对于传统企业刚刚进入网上零售电子商务的运营节奏建议是:第一步商品供应链与运营体系建立,第二步全方位的建立线上渠道,第三步是进行渠道推广;反观现在的B2C网络商城现状,90%以上的企业还未开始建立线上渠道,这就是为什么很多电子商务推广投入产出比不理想的原因。
       其实电子商务与传统商业生意并无二致,不重视线上渠道、分销体系建立的电子商务推广效果会大打折扣。我们线下做销售,有了产品知道要进入沃尔玛,家乐福,要找地区经销商,知道要做渠道,但进入线上互联网世界,就不知道要做网络分销渠道了,仅仅漫无目的利用网络媒体进行推广自己的官网,而不结合渠道来促销商品,推广效果一般会大打折扣,所以推广一定要通过结合线上渠道来推广。亦即有线上渠道的网络推广,会事半功倍;而无线上渠道的网络推广,就会事倍功半。
       我在中国最大的时尚B2C平台走秀网做营销副总裁期间,最主要的工作之一是带领10多人的团队,花了2年多时间在互联网上全面建立线上渠道,一共建立了十大渠道体系,开设了上百个线上销售渠道点,最后的收益是通过这些线上渠道不花一分钱推广费用,一年365天每天给走秀网带来几百单的销售。现在第一次将这些线上渠道体系进行梳理,并将这些线上渠道的建设经验与大家分享:
       一、 B2C商城渠道:
       l 典型渠道点:B2C百货商城如当当网、卓越网等;
       l 渠道情况介绍:我们知道中国前十名的B2C商城大多开始转入百货商城,大多数商品品类都卖,正在建立其他品类商品供应链建设,这就给传统企业的商品进入其他B2C渠道渠道提供了机会。当当卓越在线上渠道的地位相当于线下的沃尔玛及家乐福;
       l 如何进入:如果你的商品是市场上热卖的商品,又有电子商务的客服体系等基本条件,保证这些平台一定的毛利空间,就有可能成为这些B2C平台的供应商,注意以传统企业名义区谈比你用网站名义去谈更能被接受;
       l 效果预估:根据我的实操经验,如果能成为这些大的B2C平台的主推供应商,一个大的平台就可以带来每天带来几十个订单。更何况而其他中小有价值的B2C平台还有成百上千,累计起来每天订单不少。
       二、 银行商城渠道:
       l 典型渠道点:招行网上商城/工行网上商城/交通银行商城/建设银行网上商城;
       l 渠道情况介绍:中国大部分银行商城及信用卡商城都建设有B2C平台,通过与银行网上商城渠道合作,最后发现银行网上商城这个渠道价值非常大,银行是拿出自己开设有网上银行支付的用户来和一些网上商城合作;
       l 如何进入:和银行谈判他们最在乎的是自己网上支付的流水,知道人家的需求就容易进入了,当然你的最基本的条件有自己的网上商城、开通他们的网上支付接口、有互联网资质证明、商品商标许可等;
       l 合作效果:我们的团队进入了中国16家网上银行商城(每个银行的很多地区分行也开设有自己的网上商城),并进行了深度推广合作,除了订单的实际效果,银行对B2C平台的背书作用也不容忽视。如果能达到这些银行的EDM深层次合作,一次合作带来上百万销售额也是可能的。
       三、 网上支付渠道:
       l 典型渠道:腾讯财付通商城渠道、支付宝商城渠道、第三方支付渠道如快钱,环迅等;
       l 如何进入:除了网上银行支付,以上这些第三方支付平台,其庞大的用户量也完全可以成为企业的销售渠道,这些用户已经是开通网上支付手段的用户,基本都有网购经验,是精准的网购人群,这些平台也希望企业使用其支付手段做大资金流,抓住他们需求,展示你的实力与未来注册用户的庞大,他们也愿意利用自己的资源推广你的网站平台。
       四、 门户商城渠道:
       l 典型渠道点:腾讯QQ会员商城/腾讯返利商城/新浪商城/搜狐商城/ 网易购物返现商城等;
       l 渠道情况介绍:中国的主流门户都有自己的B2C商城,虽然他们都没有发力,门户商城的交易量也还暂时不大,但是门户的影响力及庞大用户量是不可小觑的;
       l 如何进入:门户也还是更欢迎和直接的厂商合作,如果和这些门户有广告投放合作,结合推广进入商城,会更容易一些。
       l 效果:如果你在这些门户商城占据较好的渠道位置,并争取门户的推广资源支持,并策划一些在门户渠道的促销活动,有专门的人维护商品与专人的客服,也可取得每天几十单的销售。
       至于其他大流量的网站如天涯、迅雷等,都已经进军电子商务,也可作为线上的补充渠道.
       五、 积分商城渠道:
       l 典型渠道点:平安万里通商城/网易邮箱积分商城/携程特约商户等
       l 情况介绍:现在很多大的有庞大用户量机构,建立有自己的积分体系,并将这个积分和电子商务结合,在积分体系商城中,平安万里通做的是最极致的,将自己的4000万用户的积分变成一个商城,用平安万里通的入口可以直接购买其他B2C平台的商品如1号店及红孩子等商品。
       l 如何进入:由于这个渠道是给他们积分用户带来优惠,所以对商品价格的优惠力度要求较高,而且要求合作伙伴能和他们对接网上同步订单操作,对技术接口要求也高。
       l 效果:1号店的总销售额中60%来源于平安万里通这个渠道,超过其他渠道及官网销售额的总和,这个渠道的效果可见一斑。网易邮箱及携程用户也是海量级别的,将他们的部分用户转为你的购买用户,对BD(商务拓展)及公关工作带来极大挑战,但一旦变成你的销售渠道,其战略意义是很大的。
       六、运营商渠道:
       l 典型渠道点:中国移动商城、中国联通积分商城、中国电信商城
       l 渠道战略意义:随着移动互联网兴起及移动支付的普及,这个渠道的战略意义会越来越大,属于提前占位的策略,就实际效果来说,我们的实际经验是和中国移动商城的合作每天带来上10单,就是用户用手机支付来买我们的商品,等于多开了一个销售渠道与支付手段。
       七、购物搜索渠道:
       l 典型渠道点:聪明点、返利网、比着购、易购网、特价王、askyaya
       l 渠道价值:由于这些购物搜索用户都是购买用户,其价值大于一般娱乐性信息网站,成为成熟网购人群的入口之一,如能让这些购物搜索全部收录这些你的网站商品,而且在首页推荐,每天都能带来一些订单。
       八、CPS渠道:包括第三方CPS平台及自营CPS平台
       l 典型渠道点:yiqifa/linktech/唯一/成果网
       l 渠道介绍:目前电子商务比较主流且固定的渠道推广就是CPS模式,通过推广产生有效的订单后进行比例分成。能覆盖产生销量的20万到30个站长.,CPS方式对你的企业来说是一种零风险的实效营销方式,如果网站主不能为给你的网站带来销售额,广告主不用支付任何广告费用;
       l 如何进入:主要是要争取更多表现形式制定超越竞争对手的联盟分成政策,增强竞争力,还需要有专人结算与维护。
       l 效果预估:一般B2C平台,CPS销售会占到20%比例,不做这个渠道意味着你损失20%的销量;
       当然有实力的企业也可以建立自己的CPS联盟,一旦发展起来,和第三方CPS平台形成补充 ,带来的销量比例更大。
       九、网站导航渠道:
       l 典型渠道点:hao123/265/114la/比着购购物频道
       l 效果介绍:如果能进入这些导航站的首页的购物频道,每天可以带来上百订单左右,但审核较严,需要你的品牌商城关键词在百度每天有5000左右搜索量才行,如果达不到这个标准需要以做广告付费的形式进入。
       十、C2C渠道:
       l 渠道点:淘宝(C2C及淘宝商城)、拍拍(C2C及B2C渠道)、有啊商城
       这个渠道大家都已经熟悉,就不详细介绍了,目前现在对于很多传统企业来说,做电子商务就是在淘宝开店,销量也绝大部分来源于淘宝。但对于传统大型企业做电子商务战略层面,长远来说,淘宝只能作为一个销售渠道,不能作为唯一的渠道,还需要发展自己的全方位渠道,争取未来的主动权。
       由于传统企业缺乏互联网经验,更不用说建立线上渠道的经验,相信不久就会出现专业的全渠道方案解决服务商,不仅协助这些企业省人力物力、最快时间的进入这些有价值的线上渠道;服务商还需要策划一些渠道促销,购物卡渠道促销方案、团购与节庆、渠道促销方案、永不落幕的网上特卖会(银行)渠道促销方案等,正如线下世界进入沃尔玛卖场,要进行堆头促销,要派促销小姐现场导购。此外企业还有将网络推广与以上渠道结合的需求,如进入了新浪商城,在新浪做广告促销,进入了迅雷商城,利用迅雷的推广资源进行渠道促销,形成整合的推广效果,这种进入渠道再进行渠道推广方式,比现在单纯打网络广告的方式,ROI可以提高好几倍,从而达到替传统企业树线上品牌,建线上渠道,促渠道销售全面整合的效果.

外行谈电子商务:电商的成本费用来自哪里

十月 1, 2011 by · 21 Comments
Filed under: 新商业智慧零售 

电商不同于一般流通,电商面对的诱惑太多,所以大家都采用超大品类和SKU的模式,但传统如苏宁国美,他们的毛利率在增加,因为大小家电领域,他们是有控制权的,若采用超大品类但是没有任何一个大品类没有掌控力的话,后果是很危险的,库巴不需要掌控力,国美有就行了。

淘宝大卖家单纯靠营销和拼货是没有出路的。代理生意本来就是一个阶段性的现象。但是我看好会定位、会做品牌、会营销、有供应链把控能力、有服务能力的新淘品牌。今年除了阿里巴巴外整个B2C和团购行业投入的市场支出在百亿以上,受益者是门户网站、搜索引擎、分众、地铁、户外、视频网站、电视、报纸等,而除了tmall外整个市场规模也就800亿附近,也就是市场总支出至少占据电商收入的12%以上,基本耗干了毛利,更不要说物流、人力等等了。当然,物流和人力会随着销售的扩大呈递减趋势。现在的投入,会换来回报的。市场费用是绝对可控的因素。2011上半年京东规模在90亿左右,今年tmall七八百亿的样子,不过这种数据也没有任何意义!要看可持续性、盈利性、趋势、商业生态的合理性、供应链的水平和成本,空谈销售额又有何意义?现在是很多人说你有病,但又说不出你什么病,更不能告诉你怎么治。看球多了,成了评论员。看新闻多了,成了评论员。电商新闻看再多,也成不了评论员。更有圣者,想当教练。

一家典型的B2C网站(排除淘宝商城、腾讯商城类型的平台B2C)成本、费用构成情况,主要包括五个大类,按照占总营收的比重从大到小排序通常是采购成本、营销推广成本、仓储物流成本、运营成本、人力及其他成本(此排序因公司经营性质及策略的不同而有所不同)。

电商的成本费

电商的成本费

1.采购成本。采购,简单说就是进货,从事B2C生意的网商需要先从生产制造商或代理商处购买商品,再将商品运入自家仓库。与采购成本相关的一个主要指标是毛利率,采购成本占营收越高毛利率越低。由于不同品类的商品单价不同,这就导致不同的毛利率水平,例如3C类商品毛利率水平较低,而书籍、服装类毛利率就较高。

除了商品品类,与毛利率通常相联系的还有一个词—“博弈”,B2C商家的成长过程通常是不断与生产制造及代理商博弈的过程。在用户量达到一定量级前,B2C只能和中小代理商合作,此时品牌厂商与大代理商一般不会向B2C直接供货;当网站用户达到非常大规模后,B2C商家就会拥有用户渠道优势,在谈判中处于更加有利地位,可以要求品牌厂商与大代理商直接供货。这个博弈的过程通常会比较漫长,因为B2C要有实力证明自己是可靠稳定的销售渠道,并打消品牌商对于网购压价及窜货等问题的疑虑,最终实现供货商的上游化、分散化。如下图所示:

网购压价及窜货等问

网购压价及窜货等问

(上图也同时显示B2C的价值所在,即绕过层层代理商的加价,将制造商生产的产品直接送往消费者手中)

有关采购的模式较多,例如直接付款购买、赊账购买、实库代销购买。这里简单介绍一下 “实库代销”模式,即B2C商家从供应商处采购商品,但前期不需要垫付任何资金,而是将货物运至库房、销售完毕后才进行结算,滞销产品还可退回。实库代销的好处在于资金周转更快而且销售风险较小,但这一模式对供应商来说要求会比较高。

2.营销推广。对于B2C网站来说,营销推广费用目前是比较大一笔投入,因为业内建立起品牌知名度及口碑的电子商务网站并不多,更多的B2C网站需要通过巨额广告投入来吸引新用户及增加网站流量。

除去直接登陆用户,B2C网站流量一般来自SEO / SEM (搜索引擎优化/搜索引擎营销)、导航、CPS、CPM,与之相对应的广告投放地点分别是搜索引擎(百度、谷歌)、导航网站(hao123、hao360)、各类联盟网站、各大门户及垂直类网站(例如视频)。不同地方导入的流量类型不同,所能带来的点击及用户转化率也有非常大的差别。

至于线下广告,一般包括地铁、公交、户外电子屏,同时包括电视及报纸等传统媒体广告,这些类型的广告均为展示型广告,目的在于塑造品牌形象、增加网站的知名度(例外之一是互动类广告,可以直接增加销量),最终达到线上用户增长的效果。

以ROI(投入1元带来多少销售额)来衡量,电商通常使用的10大推广方式平均数据为:1)银行EDM推广1:10;2)现金券推广1:6;3)CPS(20%提成)1:5;4)100元购物卡(限制消费300元)1:3.3;5)SEM–1:3;6)EDM推广1:2.5;7)购物导航1:2;8)网络媒体广告1:0.3;9)地面推广1:0.1;10)线下媒体1:0.05。(注:ROI数据来自华强北在线副总裁龚文祥微博)

除了广告推广外,各大B2C电商还会推出各种类型营销活动,例如事件营销、病毒营销、口碑营销、邮件营销等。

3.仓储物流。物流成本分为三部分:仓储、分拣和包装费用;干线物流;终端配送。在仓储方面,B2C电商可以选择零仓储,即将货物放在供应商仓库中,不过目前越来越多电商已选择自建(或租赁)仓库自己管理,拥有仓库的好处在于:更快的挑拣货物、更好的包装、更快的送达、更流程的退换货服务。

举个简单例子,品牌商或代理商为送货方便会选择适合自己地段建仓(例如建在生产地青岛),但B2C网站却是以用户需求为导向建仓(例如主要用户需求在北京),两者之间就很容易出现冲突。目前来看大型B2C网站多选择多点平行仓模式,即在多个能更好服务自己网站用户群的地方自建(或租赁)仓库。再举个例子,用户在退换货时的流程包括“退货-取货-入仓-调出新货-出仓”,这一过程如果在品牌或代理商仓库中会涉及到非常多环节,并耽误很长时间,但如果B2C自己建仓的话,那么在“取货”同时就可以“发新货”,统一的系统让再次配送变得更高效。

除了仓储费用外,还有配送费用,目前B2C网站基本采用第三方物流公司的配送服务,只有比较少数B2C网站(例如京东、凡客、卓越)自建配送团队,因为配送需要把控的环节更多,而且需要招聘大量的配送人员。据网上资料(来自新浪微博用户@007-老郭 ),电商借用第三方配送,配送成本是营业额的8-10%是合理范围;电商用加盟快递做站点(只收件不派件)模式,配送成本占比为6-7%;电商以分仓+干线物流+落地配模式,配送成本同样需要5-7%;而做物流的企业做电商,配送成本最低能达到:3-4%。由此也可见电商配送成本提升空间很大。

 

仓储配送费用外,还有产品分拣、包装、搬运、运输等相关环节产生的费用,不同的包装、运输又产生不同费用。例如好的包装将花费2-3元,而一般的可能不到1元就可以。再例如运输又分为一般运输、特种运输、冷链运输等等。

4.运营费用。B2C网站运营费用从大的方面来说包括网站建设及维护费、服务器及宽带费用、产品及系统研发费用。网站运营是B2C电商运营的核心之一,包括网站如何布局、商品如何分类、导航系统怎样设置、站内搜索如何排序、商品如何展示推荐、购物流程如何设计(登陆-购物车-订单提交-支付-查看订单进程)等等。

网站运营出色可以获得让流量更好的转化为订单(例如京东商城,据悉订单转化率能高达3%),而网站运营比较糟糕则可能只有千分之三。再以“商品推荐”功能为例,当用户浏览某一商品时,如何更好的帮助用户做购买决策,如何更好推荐与该商品更近似的商品,也是需要下功夫的地方。一般情况下,从新顾客(首页顾客)-中间页(搜索、分类、促销)-产品页-购物车-实际购买,呈现出用户逐级流失状况。

在系统及产品研发方面,小的公司一般会购买现成后台系统来运营,但大型及中型B2C就必须自己投入资金研发(或聘请专业公司联合研发)系统,用来满足不断增长的业务需求,以及个性化的后台操作需求。最后是服务器及宽带等硬件费用,目前大多选择租赁,随着云计算的的逐渐普及,这部分费用或将将可能下降。

5.人力及其他费用。其实人力费用贯穿在上述四大环节中,不管是营销推广、仓储物流还是运营都需要专业性的人才,都会产生相应人力成本及管理成本。除此之外还有客户服务费用、赔偿费用、公关费用、办公地点租赁费用以及各种日常开销费用等。

附:电子商务销售利润计算公式

 

电子商务销售利润计算公式

电子商务销售利润计算公式

最后面的那个公式,貌似“购买频率”是多余?只有自营b2c才和供应商是博弈关系,而平台式B2B2C则应该作为服务提供商去面对商家,设置公平合理的游戏规则,在各个方面为商家提供支持,再和商家一起去服务好客户。所以对于自营B2C想要从事平台业务的话,转变心态,提高对商家的服务意识最重要!

其实任何一个经营实体货物的公司都是这样一个成本结构。在中国,创新->被模仿->降价->完蛋,成功的都是有门槛的,何况是在互联网中价格明明白白的电子商务,门槛必须自己去建立,假如盲目跟风或者根本就无门槛的厮杀,成功几率又有多大呢?所以有3个办法成功。1, 我的创新你模仿不了; 2, 被模仿不怕, 一样的东西我能卖的比你贵; 3, 我降价, 卖的超便宜, 你敢卖我这个价钱你就完蛋, 但我微利或者抗得住。1 就搞R&D如华为;2 就做品牌如海尔;3 就多融资做规模如京东凡客。

京东货到付款很多情况当天就能回款。卓越当当依靠第三方物流,可能一周才回款。你算算这个资金的效率!每天销售额可不是小数哦。虽然毛利率低,但是资金周转快,未必利润也低啊。配送不是单纯的配送,还是支付,更是销售。电商来到中国,也应该有他自己的本土属性。目前这场游戏由京东挑起,若IPO失败或融资太少,最大的受害者也是自己,而一旦估值很高,将长期把市场拖入价格战的境地,都这么亏着耗着也不是办法。

注:本文整理自i美股分析师江涛的文章,版权归原作者。

下一页 »