抖音号买卖在哪个平台_电商分发业务(电商流量分发数据分析)

新媒体兔抖音号出售:近年来,各种互联网产品的流量分配策略被媒体或企业推到风口浪尖,成为讨论焦点,使得相关产学研输送人才的行业价值上升。那么,流量分销的魅力在哪里?本文分析了不同类型电子商务的流量分布。

我们先来了解一下流量分布。顾名思义,就是把流量分配到各个渠道,实现价值最大化的过程。根据不同的目标,分配策略也不同。

它包含多种用户访问渠道,如个性化推荐渠道、搜索渠道、推送渠道、社交营销渠道等。

今天,我们以个性化推荐渠道为例,重点关注不同类型电商产品流量分布中的以下几点:

一、当下电商的的几种形态

一个是我们熟悉的JD.COM、苏宁、拼多多,都是传统的货架式电商。

一个是快手颤音淘宝直播,是带货电商。

二、不同形态电商的几个不同点

产品定位:电子商务在抖音号亚图快。现阶段,电子商务还处于探索期,还没有完全转型。本质仍然是社会产品;目前,即使Aauto Quicker与JD.COM的合作只是借用了JD.COM的供应链能力,抖音号虽然在抖音号建了自己的小店,但还是以引流为主,还是二级电商;都是从内容开始的,核心还是用户对碎片化时间的消耗;JD.COM苏宁拼多多本质上是一个贸易电商产品,其核心是消费者对商品的消费。

核心链接:抖音号 Aauto faster主要用于观看、互动、关注和收藏,核心链接不涉及交易;在拼多多、苏宁、JD.COM,拜访、追加采购、提交订单、付款、售后,核心环节围绕着交易的实现。

供应链能力:新内容电商没有供应链能力,老货架电商沉淀了多年的供应链能力。

消费场景和商业模式:抖音号 Aauto quipper是一个相对简单明了的消费者平台。大部分主要关注饲料流量、滑动、点赞和关注。使用起来非常简单,场景相对简单,是一个轻量级的商业模式;对于货架式电商来说,虽然使用流程并不复杂,但购物环节长,在预购、进店、后购、客服、售后等环节场景复杂且多,是一种重磅的商业模式。

综上所述,社交和电商主要以娱乐和消费为主。

休闲产品掌握流量,消费产品掌握供应链;一个是轻生意,一个是重生意;一个是流动的起点,一个是流动的终点。

当娱乐产品在流量充足的前提下,寻找更多的实现手段来创造更多的想象空间以获得更高的估值或更多的开发运营资金时,电子商务一直是一个很好的实现手段。所以我们可以更快地看到抖音号和亚图的电子商务。

同理,淘宝也是流量的终点。当流量转换遇到瓶颈时,为了保证市场份额和GMV,我们只能继续获取更多的流量。我们看过淘宝的电商内容;目前天猫、苏宁、JD.COM、拼多多也有基于内容的发展,但暂时主要是基于货架的电商。

三、在货架式电商中,抽象出消费场景的一些经验

如上所述,货架式电商环节长,场景复杂,流量分配策略要按场景定向分配。

比如在购买过程中,提交订单页面时,不可能猜到你喜欢使用与购买前首页相同的流量分配策略;但是,不能一个场景一个策略,会分散生产、科研、运输的精力;因此,抽象分类是一个非常重要的环节。

流量域是一个很好的抽象维度,比如首页上的各种商品主题入口和内容渠道。这些公共域流量场景可以分为一类。

对于电子商务来说,首页有着特殊的意义,我们将其单独定义为另一个类别。同样,搜索结果页面也是一个单独的类别。渠道页面方面,业务线和行业线都是业务或行业运营精细化的主要阵地,推送的产品是各业务线或行业线的独立商品池,暂归一类,属于私域流量。同样,也有宣传页。还有店铺页面,完全是店铺内商品的分布,暂时也归为单一类别,属于私域流量。

这样我们可以先抽象出几种场景,然后结合其他维度构建一个三维或者多维的模型网络,这样就可以根据交点找到抽象出来的分类结果。

比如在推广期间的推广页面,遇到不同的业务,比如遇到几百亿补贴,遇到海选报名,分配策略完全不一样;这两个场景是二维模型网络中的两个交叉点。

如果是根据不同的产品类型(如列表、或feed stream产品形式)进行区分,则是3D模型网络中的多个交集;在推广页面,数百亿补贴的列表,以及在推广页面,海选报名的feed flow场景都是不同的分发策略。

因此,对于货架式电商,配送策略相对复杂,不易统一,商家获取流量的规则也没有很好的理解;对于一些规则,场景覆盖不是很全面,只能通过建立不同场景的配送策略来解决人货匹配。

四、搭建个性化推荐系统的思路

首先,我们应该清楚不同类型的电子商务产品应该解决什么问题。

Aauto解决了用户场景和内容的问题。简单来说,谁想看什么;淘宝直播解决了用户当前时间和商品的关系。简单来说,现在谁想看,谁想买;天猫JD.COM拼多多解决了人们的货场问题。简单来说,谁想在什么场景买什么。

强调内容,强调眼前关注的商品,强调不同场景下关注的商品;所以,在推广个性化的时候,对消费端的强调是不一样的。

当我们确定了问题,定义了场景之后,剩下的就是考虑如何在这些场景中做出个性化的推荐。

比如在抖音号和Aauto Quicker,做个性化推荐的时候,场景单一,主要考虑的是内容端更多的特色。

比如横屏和竖屏的区别,拍摄时间是否适合碎片化时间浏览,片头是否简洁悬疑,封面是否好看,以及内容本身的点赞、评论、转发、播放、观看时间等核心指标。然后,结合用户行为、停留时间和社会关系,得出用户偏好意向。召回排序后,在规则层根据不同时期的平台规则进行调整,既能准确判断用户的偏好意图,又能让创作者持续获取流量。

另一种是货架式电商,本质是电商,场景复杂。按照一案一议的原则,对场景进行抽象分类,再多考虑商品端的特点。

例如:标题、图片、类别、品牌、价格、营销推广活动、服装颜色、尺寸等属性参数等。在这些特征的基础上,基于商品属性和用户行为对应的用户属性进行个性化召回和排序,并结合上述抽象分类场景,在不同场景中分配不同的策略。

当内容与电商相结合,向内容电商方向进行个性化推荐时,需要将内容特征与商品特征相结合。如果内容特征较重,可能会影响商品转化情况,对原有业务影响最小。

但如果产品特性较重,会对原有的社交属性构成威胁,用户活动可能会受到影响,从而阻碍新业务向部分ext推广

平台提供资源供给和产出消耗。简单来说,平台既面向消费者,也面向创作者/商家。供应商的需求是通过简单的操作就能实现流量,消费者的需求是获得优质的资源来满足当下的欲望。

要想流量持续增加,同步也要保证创作者的持续投入;需要为平台建立一套规则,即面向消费者和供应商;只有建立公开透明的流量获取规则,才能重振创作者/商家,保证其流量来源。

五、落地方案要兼顾消费者和创作者/商家的利益

在梳理这段经历之前,我们先明确推荐算法、推荐策略和推荐系统的概念。

事实上,他们看起来一样,但不一样。

推荐算法是一个学术名词,实际上是多种数学算法经过不断筛选和组合形成的综合模型。

推荐策略是指有人参与制定规则的问题解决方案;推荐系统是学术界在工业界的落地,是一个包含推荐算法和推荐策略的相对复杂的系统。一个完整的推荐系统涉及的环节很长,涵盖了基础日志收集/基础业务信息收集-数据反馈与处理-数据源筛选-召回-粗排-细排-规则-AB测试-效果分析等多个环节。

这些链接适用于上述每一款产品的个性化系统,但它们是相似的,所以不要拆解比较。需要提前避免以下可能影响着陆效果的几点:

六、会影响到落地效果的几个注意点

个性化推荐依赖于大数据和基础信息的收集。行为日志和业务数据都有很高的要求。

比如设备唯一标识、成员唯一标识、会话唯一标识、曝光中映射、点击、访问日志、请求返回,这些数据是否能匹配,业务信息采集和日志信息采集是否有遗漏等都会影响建模。

1. 个性化推荐

实时数据反馈,商品出口后是否有行为,行为数据如何过滤,数据中各个字段的业务背景和含义,过滤条件能否覆盖需求,都会影响反馈效果。

2. 实时反馈数据

数据处理规范一般是上下游协议,明确每个领域的背景和含义。这个环节最容易出现的问题是上下游信息不同步,导致业务发生变化,影响效果;对清洁也有要求,比如消除噪音数据,比如偶然触摸和一些极度活跃用户的数据;这些都会间接影响效果,根据报道反向定位是不可能得出准确结论的。

3. 数据处理规范

在AB实验中,在正常模型上线之前,算法会进行评估。原则上线下指数优于线上指数,所以新模式有上线的前提。但其实线下效果不一定是可靠的结果,所以最终上线AB是上线前的必经之路。

一般是做主叫推荐和不叫推荐之间的AB,就是主叫按照UV分桶;模型的效果会通过模型输出的数据来识别,并传输给调用者进行嵌入,从而实现报表的计算。

4. AB实验

较少的用户行为也会影响结果。比如基于用户行为分析的时候,其实也有一些伪命题。因为很难准确判断用户和产品/内容的相似性,会有一些误导,对于电商来说;比如,三四线城市的用户看到了昂贵的进口奶粉和中国制造的廉价手机。因为行为很少,他们可能只会以一个价格购买,所以很容易误判他的消费能力;并且在计算用户相似度时容易误导,这也适用于内容。

5. 用户行为较少

也有不规则不连续的用户行为,主要是在相对稳定的时间段内不规则不连续。比如N%的人每m天来一次,N和m没有固定的规则;在中间,偏好会改变,行为会不连续。即使召回结合长短期行为,也无法准确判断用户意图。偶尔访问天猫和抖音号的人很难确认用户的真实意图。这里真正的意图不是算法计算出来的。

除了这些因素,还有推荐过程中的产品展示元素、体验、内容封面、内容质量等基础数据质量因素。如果内容的基础信息不完整,信息匹配不准确,产品参数错误不规范,很难实现产品与内容的精准触达。

6. 用户行为不规律不连续

其实只有当系统长期处于长尾效应时,推荐效果才会受到影响,推荐后越热的产品越热。比如长期使用列表会导致新鲜度下降,而长期开发则是推荐用户疲劳,点击率自然会下降。

主要解决的是如何降低头部商品的功率,比如算法设计的时间衰减,通过时间迁移会降低商品的热度,以及不同时期业务介入的方案;例如,某些商品的权重,或者通过调整商品池的阈值,可以说明商品池中长尾商品的数量。

7. 马太效应

类似于抖音号早期的个性化推荐策略,看推什么,比如看美食,你会一直推美食,看土视频,你会一直推土视频。这些推荐大多基于用户标签图像。这种推荐策略其实是很多平台的主流推荐,因为它相对可靠,容易大范围应用。

但是缺点很明显,就是信息茧房,不新鲜,推荐在划定的范围内,像抖音号后期的综合热度;在一定程度上抑制了兴趣偏好,使得流量分配更加公平公正,也让用户能够获取更多的信息,帮助用户不断发现新的偏好,从而跳出茧舍。

以上,我就不同产品的个性化分销策略分享了一些个人的看法,希望能与合作伙伴交流,纠正不合理的地方。这次暂时不基于不同的策略和效果开始,下次继续。

事实上,无论是电商内容还是内容电商,转型和新尝试都会承担触及企业营收的风险,每一次新尝试都会伴随着阵痛。希望每一个企业都能顺利度过转型期,得到预期的发展。

本文由@柴原创发布,大家都是产品经理。未经允许禁止复制。

这个数字来自pexels,基于CC0协议。

奖励作者,鼓励TA努力!欣赏



新媒兔新媒体交易平台目前有 抖音号出售抖音号转让抖音号购买快手号购买等新媒体账号服务市场,并在新媒体服务的基础上将会开拓更多的虚拟资产服务业务。新媒兔对用户的需求提供信息匹配、账号估值、数据鉴定、资金担保、合同担保、运营指导等专业的虚拟资产服务配套服务! 还有问题补充欢迎评论与新媒兔小编互动哦~