快捷搜索:  汽车  科技

gmv从零到亿怎么弄(看目标拆分与公式拆解)

gmv从零到亿怎么弄(看目标拆分与公式拆解)公式1——公式2:平均客单价 = GMV / 有消费的顾客总数首先我们引入一个统计值:平均客单价,就是平均每一个顾客的成交额:根据这个公式,GMV很容易就会被后台统计出来,事实上,我们的后台就是这样计算GMV的。但是这样的公式只能用来计算,却对我们的运营指导工作没有什么意义,因为它拆分得太细了。如果这个月有1万个消费的顾客,那么这个公式就有1万个变量(每一位顾客的成交额),我们在运营中没办法去精确控制1万个变量。因此,我们可以尝试用统计学的知识来改变下这个公式的形式。

GMV在电商中是一个非常重要的指标,但不同的电商对于GMV的算法完全不一样;算法不同,计算出的数据也千差万别。这篇文章,作者从四个方面详解GMV公式的推导过程,对于整个电商从业者来说,有不少参考意义。

gmv从零到亿怎么弄(看目标拆分与公式拆解)(1)

一、GMV公式是怎么推导出来的

GMV (Gross Merchandise Volume),字面意思就是交易总额,或者成交额,单位是货币单位,如果是人民币结算,就是元。

我们可以以一家淘宝店为例,这家店铺一个月的成交额GMV = 所有顾客的消费总额,即用下面的公式表示:

公式1:GMV = 顾客的成交总额= 顾客1的成交额 顾客2的成交额 顾客3的成交额 ……

根据这个公式,GMV很容易就会被后台统计出来,事实上,我们的后台就是这样计算GMV的。

但是这样的公式只能用来计算,却对我们的运营指导工作没有什么意义,因为它拆分得太细了。

如果这个月有1万个消费的顾客,那么这个公式就有1万个变量(每一位顾客的成交额),我们在运营中没办法去精确控制1万个变量。因此,我们可以尝试用统计学的知识来改变下这个公式的形式。

首先我们引入一个统计值:平均客单价,就是平均每一个顾客的成交额:

公式1——公式2:平均客单价 = GMV / 有消费的顾客总数

这里GMV就是我们在公式1中的GMV,它和有消费的顾客总数都是可以被后台统计得到的。那么我们再用小学数学的知识对公式2进行一个变形,就得到公式3:

公式2——公式3:GMV = 有消费的顾客总数 * 平均客单价

到这里,是不是就舒服多了,这个公式就可以用来指导我们的运营工作了。

比如,老板让你提高下个月的GMV,那么你可以把这个KPI(关键效益指标,你就理解为一个你必须达到的指标数据就好,就是你的工作目标)根据公式3,分配到提高顾客总数和提高平均客单价这个两个过程指标中去:要么维持平均客单价不变,提高消费的顾客总数;要么维持消费的顾客总数不变,提高平均客单价;要么两个都提高。

注意这里的这个例子,这体现的就是目标拆分的思想,把大目标拆成小目标,然后一个小目标一个小目标去完成,这样最终就可以完成大目标。

这个目标拆分体现到具体执行上,就是公式拆解:将一个指标,不断拆分成更细颗粒度的过程指标,直到无法拆分。

例如公式3,就是将GMV这个目标指标,拆分成了有消费的顾客总数和平均客单价这两个过程指标的乘积。当然这两个指标并不是最细颗粒度的,还可以接着往下拆分。

我们从顾客逛淘宝买东西的过程路径着手:

商家将商品发布到淘宝店铺上,顾客可能是浏览某个促销页面或者自己搜索某个关键词等等,在页面中的商品列表里看到了这家店铺的商品。然后点击进入到商品详情页,浏览商品详情。最后决定要不要买,那么就有如下的公式:

公式4:有消费的顾客总数 = 点击UV * 访购率

其中:

  • 点击UV:点击了这家店铺商品的独立访客数,你用手机登录淘宝点了这个商品,然后你再用电脑登录淘宝点了这个商品,都只算一个独立访客(同一个账号记为一个独立访客);
  • 访购率:所有的独立访客在这家店铺消费购买的比率,这个指标和公式2中的平均客单价一样,都是一个统计值,一般是利用以往的数据测算。可能有些同学会有点懵逼,这个我们后面在应用环节会讲到,这里大家就记住这些公式的推导过程就好,跟着我们的思路一步一步来。

有了公式4,带入到公式3中,就可以得到公式5:

公式3 公式4——公式5:GMV = 点击UV * 访购率 * 平均客单价

这个公式5是不是就很熟悉了,就是所有运营课上都会提到的GMV公式。

上面的过程就是这个公式的整个构建和推导过程。它和最初的公式1是不是一点都不像?因为公式1是用来计算的(给后台计算用),公式5是给我们运营人做运营策划用的,它们虽然都表示GMV,但是因为用途不同,所以形态也就大相径庭。

二、GMV公式的进一步拆解

上一节我们得到了公式5:GMV = 点击UV * 访购率 * 平均客单价,这个公式还是可以进一步拆解的。

公式3到公式5的拆解,我们用到的是分步的方法:分析顾客购物的步骤,将每一步的过程指标做成一个乘法公式。

接下来我们使用分类的方法:根据顾客来源,将点击UV拆分成不同的渠道点击UV:

公式6:点击UV = 站内点击UV 站外点击UV= (站内资源位1点击UV 站内资源位2点击UV ……) (站外资源位1点击UV 站外资源位2点击UV ……)

再利用分步的方法:这个店铺的商品在某个资源位上出现了n次(资源位曝光量),其中有m次被独立访客点击(m次转化,转化率=m/n),就形成了m次点击UV,即得到公式7:

公式7:某资源位点击UV (m) = 资源位曝光量(n) * 转化率(m/n)

公式6 公式7——公式8:点击UV = 站内曝光量*站内转化率 站外点击曝光量*站外转化率= (站内资源位1曝光量*站内资源位1转化率 站内资源位2曝光量*站内资源位2转化率 ……) (站外资源位1曝光量*站外资源位1转化率 站外资源位2曝光量*站外资源位2转化率 ……)

公式5 公式8——公式9:

gmv从零到亿怎么弄(看目标拆分与公式拆解)(2)

这里借用起点学院胡星老师的PPT。到这里,我们就明白了这个在运营课上反复提及的GMV拆解公式是怎么来的了吧。我们在整个公式拆解中反复运用到了分类和分步的思想,这两个思想对于以后你们拆解公司内部的一些指标也会很有帮助。

三、GMV拆解公式怎么用

经过前面两小节的推导(变形、分步拆解和分类拆解),我们从公式1得到了公式5,以及更细致的拆分公式9:

公式1:GMV = 顾客的成交总额= 顾客1的成交额 顾客2的成交额 顾客3的成交额 ……

公式5:GMV = 点击UV * 访购率 * 平均客单价

公式9:

gmv从零到亿怎么弄(看目标拆分与公式拆解)(3)

到这里可能有些人很懵逼,这些东西变来变去都是干啥的呀?

公式1被用来根据后台埋点数据计算某个时间段已经产生的GMV,埋点数据就是我们在APP的服务端记录每个顾客的消费记录,有多少人消费等等数据,然后通过公式1就可以得到这段时间已经发生的GMV。

公式5和更详细拆分的公式9,是用来指导我们的运营策划的,主要有2方面的作用:

  1. 估算KPI:例如老板让你估算下下个季度的GMV,或者你主持策划的某个促销活动需要估算出GMV,你就可以利用公式9,套入历史数据计算得到GMV;
  2. 达成KPI:例如老板让你下个月要做到1000万的GMV,或者让你策划一场元旦促销活动达到5000万的GMV,你就可以利用公式9,将老板给你的GMV目标拆分到各个渠道的曝光量上。更进一步你还可以通过设计文案和活动玩法吸引更多的人点击、更多的人参与,从而提高各渠道的转化率和访购率。还可以通过设计满减等优惠套路提高客单价,通过提高公式右边各个过程指标,从而达成左边的GMV这个最终的目标指标。

下面让我们用一个实际工作的流程来过一遍这些知识点:

估算KPI:

各个资源位的曝光量是可控的,其中站外资源位一般通过钱来买,站内资源位一般通过公司内部申请,我们可以根据我们的预算和公司配给的资源数量,来推算各个资源位的曝光量。

各个资源位的转化率一般是比较稳定的,根据经验我们可以使用最近一次在这个渠道上投放流量时的转化率来计算。这是因为每个渠道能够触达的人群在一定时间内都是固定的,而你们公司的品牌调性短时间内也不会改变,所以在每个渠道上能够触达的人群比例基本固定。

访购率:这个指标也是利用历史数据来计算,如果是活动KPI的计算,一般是参考今年同类活动和去年同样活动的访购率,再进行微调(考虑季节性因素的变化和今年的大盘走势,往往旺季要增加,淡季要减少,经济形势好了要增加,经济形势不好了要减少)。如果是季度/年度KPI的推算,一般是参考上季度/年度的数据进行微调(季节因素和经济形势)。

客单价:同访购率,也是参考同类/去年活动、上季度/年度的数据进行微调。

通过利用上面分析的方法,我们可以得到各个资源位的曝光量、转化率以及访购率和客单价的估算值,带入公式9就可以得到GMV的估算值,这个估算值就可以写进运营计划中当做我们的KPI了。

有了KPI之后,下一步就是执行工作计划,达成KPI。

计算为了达成GMV的KPI所需要的各个资源位的曝光量:

如果是我们自己估算的KPI,那第一步很好办,直接使用我们在计算KPI时假设的各个资源位的曝光量,按量购买或者申请,投放我们的广告即可。

如果这个KPI是老板给的,我们没有计算过程(可能老板也没计算,就是觉得应该是这么多才合理、财务报表才好看、投资者才会满意、股票才会继续涨),那么就需要我们利用公式9,根据GMV的目标值(KPI)去推算各个资源位的曝光量、转化率、访购率、客单价设定为多少,才能够达成最终的KPI。

各个资源位的转化率、访购率、客单价其实还是比较稳定的,还是参考估算KPI中的方法,用历史数据适当增减。

这样公式9中的所有变量除了各个资源位的曝光量就都固定了,我们只需要选择合适的曝光量组合,就可以使得等式成立,KPI达成。

根据计算好的曝光量,在各个渠道进行投放:

工作一般每周都要总结复盘,这时需要将这周的执行数据再套进公式9中,看看我们的曝光量是否达到了预期水平。我们假设的转化率、访购率和客单价和实际的值有多大差距,然后用本周的最新数据带入公式9,修订剩余的工作量:

  • 转化率:用户看到了广告来不来的问题。如果某个渠道的转化率低于预期,我们可以考虑下周减少这个渠道的投放量,增加那些转化率高的渠道,或者思考下我们的广告内容是不是没有找准这个渠道用户的痛点,没有打动他们,这个可能是我们广告的问题,也可能是渠道的用户和我们的品牌不搭的问题。
  • 访购率:用户看到了商品详情页买不买的问题。如果我们的访购率低于预期,我们要思考我们的商品详情页做的是不是有问题,卖点找的是不是不准等等,这个一般是货的信息展示出了问题。
  • 客单价:用户买了东西买多少的问题。如果我们的客单价低于预期,我们要思考我们的选品是不是有问题,定价是不是有问题,促销活动是不是有问题,这个一般是产品本身和定价的问题。

经过不断的修正,我们会越来越接近最终的KPI:

最终达成,当然也可能达不成。这就是一门艺术了,完不完的成KPI,一方面是看团队的能力,另一方面也是看KPI制定的合不合理。

你让一个瘸子定个能百米跑赢博尔特,篮球打赢科比,那这个目标本身就有问题。这里我的建议是,一切都要讲科学,我们要从第一步估算KPI开始,就要认认真真做好每一步的估算。当然,老板好高骛远非要这个KPI也不是不可以,想办法爆肝呗。

四、GMV和实际交易额

做电商的朋友,尤其是电商平台的朋友,都会听说过一个名词:实际交易额,而且这个实际交易额和GMV(交易总额或成交额)还差很多。是不是很迷茫,不知道发生什么事情了,感觉自己数学没学好?

不要担心,这不怪你们,这只是一个数字游戏,用来吹牛骗投资人的游戏。

  • GMV:那些只要下单付款的订单金额,就会被计入到GMV当中,管你取消不取消订单、拒不拒收货物、退不退货呢;
  • 实际交易额:只有买家收到货并确认收货,事后也不退款的订单金额,才能被计入到实际交易额中。

为什么要多此一举搞两个指标呢,一个指标计算简单,它不香吗?

其实这一切都是为了数据好看,还有时效性。

你想,淘宝双十一,GMV可能有1万亿。但是算上刷单退款事后退货的,可能只有5000亿实际交易额。那这两个数据差的有点多了吧,还是那个1万亿的好看好听有面子。而且你如果想计算实际交易额,不得等人家确认收货,还得过了7天的无理由退款时间?

如果是非要公布实际交易额,就会出现一个尴尬的场面:双十一过后的11月18日,淘宝公布了双十一期间的实际交易额,在这个公众记忆只有7天的时代,完全就是把热饭生生放凉了再冷冻下给大家吃的节奏。根本达不到那种控制活动节奏,推动大家参与热情的效果了啊。

具体的不展开,至于忽悠投资人这么大逆不道的话题,我就不展开讲了。讲真,我很诚实,骗人我不会。

还有人可能会问,为什么我们在计算ROI中,一般是用GMV,而不是实际交易额呢?

前面其实已经提到了,还是因为实际交易额的时效性(统计滞后性)。我们需要时间等客户确认收货且不退货的情况下,才能够计算得到这个值,这种滞后不利于我们第一时间根据阶段性运营数据调整运营计划。

事实上,所有的具备这样统计滞后性的数据指标,一般都不用做指示指标。指示指标一定要是具备高度实时性的,这边的动作那边在后台就能看到数据的变化。但是对于大阶段的总结复盘来说,这个指标还是非常有用的。

例如,如果实际交易额和GMV相差太大,就说明我们的退单率和退货率很高,这就要求我们找原因了。

五、总结

最后,我想跟大家分享一个“以终为始、目标驱动”的毒鸡汤。

初学者最容易陷入的误区就是陷入到岗位职责和技能的过渡厘清中,认为这个东西不应该是那个岗位的人做吗,我们需要学吗,发出诸如此类的疑问。

实际上,我们要明白岗位的划分只是为了社会化大分工,提高工作效率,学科的划分也只是为了更好地将知识分门别类去教授。

对于我们个人而言,不要去拘泥于岗位,也不需要拘泥于学科,看看你们身边的大佬就知道。大佬们总是感觉啥都会,主要是因为他们明白“以终为始、目标驱动”。

只要是能解决问题的我都学、我都做,长此以往,他们就可以从众多的知识和技能中提取到做事的底层逻辑和指导思想,提炼出自己的方法论。即使遇到他们不熟悉的业务,也能够很快厘清解决问题的框架,调集资源解决它。

所以,我们希望大家无论在学习,还是做事,都能够“以终为始、目标驱动”,如果陷入到某个具体的知识点迷茫了,不知道怎么用了,就跳出这个具体的知识点,看看你的目标是什么,就都清楚了。

作者:Jimmy ,公众号:Jimmy嘚啵嘚

本文由 @Jimmy 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

猜您喜欢: