双11的白色11尚未完成，双12的花蕾再次被提升。圣诞节和新年也即将到来。这是当今电子商务的特点，每年365天频繁促销。不是光明，离线零售也是如此。无论技术如何发展以及营销方法如何改进，薄利多销，以及消费者追逐降价的本质似乎都没有改变（注意它正在追逐降价而不是廉价降价）。

我们都知道电子商务平台交易的最小粒度是SKU。本文将从多SKU组合推广的角度提供一个简单的分析。我希望能帮助您了解如何使用电子商务平台（类似于离线）来设计多SKU设计促销策略。这篇文章可能无法清楚地告诉每个人该做什么，但要求提出能激励每个人的想法！

1.多个SKU的综合推广是什么？

1.概述

促销必须围绕货物和消费者。我们假设在电子商务平台上有3个sku和5个注册用户。现在我们需要在圣诞节期间为这3种产品和5位用户进行促销活动。我们现在需要做什么？ ？

首先，我们需要为每个项目设计具体的促销策略，例如降低价格和制作什么类型的广告。根据促销费用和目标利润限额确定每个项目的促销策略。接下来要做的是确定推送不同产品的用户类型。也许你会问：无论如何，促销策略都已完成，为什么不是每个用户都推动它呢？

边际成本和用户注意力的稀缺使我们无法做到这一点。除固定成本外，促销策略还会增加每个用户的边际成本。此外，用户的注意力只有这么多，所有产品都被推送。相反，他们不会选择，因此推动最能给用户留下深刻印象的产品和促销活动是最佳选择。

上面的段落实际上意味着两个重要的概念，它也是我们应该评估促进的两个关键指标：

促进整体响应速度：推广，客户的实际购买作为参与在促进人的总数，该值越高，越好的百分比后。

最大化预期回报：即获得最大利润（或通过促销与用户建立稳定关系，以便在未来实现更大的长期利润）

这也决定了公司不能投入大量资金与所有客户建立长期关系，但应选择高价值用户。

2.如何确定每个SKU的高价值用户？

不同的公司有不同的模型来确定自己的用户评级。以京东和淘宝为例，使用用户行为增长模型和RFM模型（不一定完全正确）：

还有一些方法可以衡量用户价值，例如客户的终身价值（客户在整个生命周期中可以为企业带来的预期净现值），以及良好评估方法。本文以RFM模型为例，这也是传统零售业中常用的模型。

3.如何使用RFM模型对用户进行评级？

RFM基于美国数据库营销协会的Arthur Hughes的研究，该研究有三个基本假设：

最近购买购买的客户比最近未购买服务的客户更有可能再次购买

购买频率较高的客户比购买频率较低的客户更有可能再次购买企业产品

总购买量较高的客户更有可能再次购买并且是更有价值的客户

获取RFM指标值的最简单方法是查询每个客户上次购买产品（服务）的时间，并根据从近到远的排序将整个客户集分类为N个相等的部分。购买时间是从当前时间开始。最近的第N个客户被标记为得分N，并且距离当前时间最远的客户被标记为1。以类似的方式，根据他们的购买频率和总购买量对客户进行评分。从高到低。本文采用N=5。

回到第1部分概述中的“案例市场”，我们假设该市场中的五个用户具有三个SKU的RFM值：

根据RFM的值，可以获得特定SKU的用户总值。经验表明，最近购买时间R，总购买金额M比购买频率F更有效，以区分客户的响应率与促销，因此在计算总分时，“2× R + 1× F + 2× ; M“公式计算总分：

二，如何根据约束选择促销策略用户组？

1.约束

我们知道做任何事都不是完全免费的，我们将面临各种各样的限制。在运筹学中，这称为约束。那么，3个SKU和5个用户的组合推广策略有哪些限制？通过共同电子商务促销的总结，以下是要点：

总预算成本，此促销的成本不能超过它，假设成本;促销的成本是固定成本和边际成本的总和

假设N（最大）

促销的规模必须符合某些条件，即参与者的最小数量和参与者的最大数量（可以通过发行债券来控制），分别假设L和H

假设这种情况为“案例市场”。成本=50，N（最大）=3，L=3，H=6”。每次促销的人均边际成本为：c1=10，c2=1，c3=7，固定成本为0.

需要满足的约束由数学表达式表示如下：

2.促销的目标

谈了这么久，我终于到了最重要的地方。促销不是为了玩，而是为了获得最大的利润。我应该使用什么样的表达来表达目标？

我们需要根据约束和目标函数来解决这个模型，并为每个Xij获得最优解。答案如下：

根据先前的RFM值，可以计算max [profit]=161。我们应该将SKU1的推广推广到用户1,2,3,4; SKU2的推广将推送给用户1,2,3; SKU3的推广将推送给用户1。

结论

电子商务平台的推广是围绕SKU设计的。对应于每个SKU的客户价值是不同的。如上所述，我们可以根据促销的约束和客户价值设计最优的投资组合促销策略模型。但是，有进一步研究的地方：我根据RFM模型计算的分数计算每个SKU的响应率和促销。我认为得分越高，回复率越高。对于响应系数Rij的设计，还可以考虑用户行为的影响，例如某个SKU的购买行为，这将使模型更准确。

参考文献：

《数据挖掘技术在CRM 中的应用》，张继基，常桂然，黄晓源

《基于RFM 分析的促销组合策略优化模型》，赵晓彤，黄晓源，孙福权

专栏

平张大人，每个人都是产品经理专栏作家。专注于电子商务行业，用户增长和营销科学研究。

这篇文章最初发表。未经许可，禁止复制。

该地图由作者提供