3.3 大数据背景下产品策略的优化与动态管理

3.3.1 大数据在产品生命周期管理中的应用

产品生命周期是指某产品从进入市场到被淘汰退出市场所经历的市场生命循环过程。因此产品生命周期理论又称为“商品循环”理论。一般来说，产品生命周期可以分为以下四个阶段：导入期、成长期、成熟期和衰退期。

在不同的生命周期阶段，产品的销售额、利润额以及市场占有率是不同的。企业在进行产品生命周期划分时的常用方法有以下两种。

（1）销售增长率分析法：

销售增长率分析法是以产品的销售额增减快慢的速度，来判定、预测该产品处于生命周期的哪个阶段的方法。

销售增长率=（当年销售额-上年销售额）/上年销售额×100%

当销售增长率小于10%且不稳定时为导入期；销售增长率大于10%时为成长期；销售增长率小于10%且稳定时为成熟期；销售增长率小于0时为衰退期。

（2）产品普及率分析法。

产品普及率分析法是根据产品在某一地区人口或家庭的平均普及率，来判断该产品处于生命周期的哪个阶段的方法。产品普及率有两种算法，一种是单位人口拥有产品的数量，另一种是单位家庭拥有产品的数量，根据产品类型的不同，可以采用不同的算法。

当产品普及率小于5%时为导入期；普及率在5%～50%时为成长期；普及率在50%～90%时为成熟期；普及率在90%以上时为衰退期。采用此方法，需要掌握大量的统计资料。

以上两种方法虽然可以大致地划分企业产品所处的生命周期，但是对大多数企业来讲，这些划分方法存在弊端。销售增长率分析法是以产品实时的销售状况进行分析并划分生命周期阶段的，这种方法天然的存在滞后性；产品普及率分析法则需要在大量的统计数据的基础上才能相对准确地划分生命周期的不同阶段，而且这种方法很难适用于单个企业的产品。此外，这两种分析方法均仅使用了一种指标进行产品生命周期的划分，标准比较单一，不能够准确地判断或是预测产品正确的生命周期阶段，为企业制定营销策略提供依据。

在大数据背景下，企业可以获得非常全面的市场信息，利用多种类型的信息进行产品生命周期阶段的划分，还可以结合内部同类产品相关数据以及行业同类产品数据对新上市产品进行生命周期的预测。图3.6显示了大数据分析平台的常见算法和人工智能模型。

大数据分析可以通过代入不同变量，如销售额、销售额增长率、成本、市场占有率、现有消费者数量及使用者类型等，拟合产品生命周期曲线。例如，通过历史同类产品的销售额、利润数据拟合出某一产品的生命周期曲线为经典的S曲线，判断导入期大约持续3个月；通过历史同类产品的成本、价格数据拟合出该产品的生命周期曲线为U型曲线，判断导入期大约持续两个半月。同样的，根据不同的变量数据均可以拟合出一条生命周期曲线，并能判断其每个阶段持续的大约时间。根据这些数据建立分析模型，通过分析模型预测出最佳的生命期曲线，并明确地划分出不同的阶段。

通过大数据事先预测新产品的生命周期及其各个阶段，有利于企业从整体上对新产品上市后的整个过程的营销策略进行统一的规划和效果模拟预测。

例如，在产品导入期，企业可以利用大数据对以往同类产品上市后采用的营销策略和手段进行类别和效果分析，并结合企业的目标、资源等条件选择一些恰当的策略和手段，随后利用大数据分析平台模拟用户反映，判断这些营销策略和手段能否实现导入期的目标。如果模拟效果良好，则可以在新产品上市后正式投入使用。在整个导入期，企业需要时刻关注产品的销售情况，消费者对产品的认知情况，充分发挥大数据的监测和分析功能，一旦确定产品进入成长期，就要立刻采取相应的营销策略和手段。

总之，用大数据分析制定不同产品生命周期的营销策略，就是首先根据历史数据对同类产品的生命周期进行预测，同时辅以多种变量，如消费者购买行为特征等进行调整，然后对不同生命周期的营销策略进行规划并模拟消费者反映进行效果评估。在产品正式上市以后，结合产品销售的实际情况对大数据的预测结果进行持续的动态修正，并时刻监控消费者需求的变动趋势，持续改进和研发新产品。

3.3.2 用大数据对现有产品组合进行动态优化

营销学中把企业提供的满足消费者需求的不同产品或品牌称为产品项目，原材料、功能、销售对象、销售渠道等方面比较接近的一系列产品项目被称为产品线。产品组合是指一个企业所经营的不同产品线和产品项目的组合方式，它可以通过宽度、长度、深度和关联度四个维度反映出来。

企业最初确定的产品组合并不是一成不变的，而是需要定期对现有产品组合进行分析和评价，并决定是否增加或减少某些产品线或产品项目，是否深化产品项目的开发程度，从而对现有产品组合进行优化。传统的分析评价方法有很多，如波士顿矩阵法、GE矩阵法、产品项目分析法、产品定位图分析法等。在大数据的背景下，这些分析方法在极大程度上得到了深化和升华，除了少部分的定量数据以外，企业能够利用更多种类型的数据去分析其产品组合。

一般，很少有企业的产品组合中只有一条产品线，那么企业需要定期对其产品组合中的产品线进行分析以确定哪一产品线应该扩大、缩减或是维持现状。常见产品线分析的主要指标是销售额和利润。在大数据的背景下，企业在进行产品线分析时可以用多个变量同时分析一条产品线，如产品线发展前景、产品生命周期阶段、客户满意度、客户忠诚度、销售额、利润、市场份额等。这些变量信息有些是定量的，而更多的是定性的文字评论、图片或是半定量的点击量、搜索指数、转化率等。

产品线上的每个产品项目对总销售额和利润的贡献是不同的。企业可以利用大数据选择恰当的模型分析不同产品项目的市场地位、产品项目开发程度、搜索指数、评价内容、投诉内容和数量、客户忠诚度、客户满意度等，从而确定某一产品项目是否需要被剔除。

在企业对其产品组合中各个产品线、产品项目进行了深度的分析之后，可根据其自身资源条件、市场状况和竞争态势对产品组合决策进行优化。常见的产品组合决策主要有产品线延伸策略，扩大产品组合策略，缩减产品组合策略。大数据背景下的企业产品组合决策相比于传统营销的产品组合决策本质上并无明显不同，只不过在大数据背景下做出的决策使用了更多的信息，更准确的模型，同时也更加注重产品组合决策的动态变化。

实例3-4 大数据背景下的服装企业产品及产品组合的动态优化

阿迪达斯拥有丰富的产品线，以往经销商在下单时往往对照阿迪达斯展厅里的产品按个人偏好下订单，阿迪达斯本身并不对经销商进行较多的产品组合指导。一些经销商经常出现断货，另一些经销商则出现产品积压，订货产品类似的同规模经销商的销售状况完全不同等现象经常发生。这严重影响了经销商的积极性，同时也加剧了阿迪达斯与经销商之间的矛盾，影响了企业产品的最终销售。

随着大数据的普及，阿迪达斯开始运用大数据对其产品组合进行差异化的动态整合与调整，从而大大增加其产品对经销商和终端消费者的吸引力。阿迪达斯的技术人员每天会采集并整理门店的销售数据，并将它们上传至阿迪达斯总部。收到数据后，阿迪达斯会结合其他数据源数据对其进行清洗和存储，然后利用自身数据库数据分析各个区域市场的需求特征和购买行为特点。阿迪达斯通过数据挖掘发现，同在中国南部，部分城市的消费者会特别喜欢香港元素，会追随香港的潮流，而另一些城市的消费者更愿意追随其他国家的潮流；同为一线城市，北京和上海消费习惯又会因为环境气候的不同而不同。此外，一、二线城市消费者的消费品位和习惯更为成熟，当地消费者需要用不同类型和风格的服装来应对不同的场合，但在三、四线城市，普通女性可能只需要上班、休闲、宴请的三种不同风格的服饰就可以了。

这些发现使阿迪达斯更深度地了解了不同精分市场目标消费群体对商品颜色、款式、功能等因素的偏好，同时知道什么价位的产品更容易被接受。通过这些信息，阿迪达斯实现了对其产品组合的差异化整合和调整。例如，在重庆这样的山城或是较多山坡的地方，阿迪达斯重点投放耐损度和舒适度较高的产品，在炎热或是寒冷的地区投放透气性良好的产品。阿迪达斯对产品组合的调整是动态的，技术人员会定期对当前获得的消费者信息与其产品组合进行分析和匹配。如果分析发现，数据显示的消费者产品需求偏好等信息与其产品组合中的某一产品项目不匹配，同时该产品项目销售状况较差，那么公司设计部门会针对消费需求对原有产品进行设计升级或是直接更换新产品；如果分析发现，目标市场对于某款产品的价格存在较大争议，那么公司可以对产品线进行向下延伸，以消费者最为关注的产品特性进行低端产品设计，仅添加消费者能够接受的产品溢价点以降低产品销售价格。同样的，如果发现某一产品项目的销售量出现明显下滑或是很难提升，排除销售人员的主观因素外，可以考虑缩减该产品项目。这样的产品组合调整是随着数据采集定期进行的，大数据技术为此提供了良好的依据。

大数据的运用，帮助阿迪达斯实现了大中华区的战略转型。阿迪达斯从过去的“批发型”公司变成了现在的“零售驱动型”公司，它不再是将产品卖给经销商，而是将关注的重点放到了终端消费者身上。阿迪达斯的产品组合不再是过去的统一的批量增生，而是一种动态的差异化产品整合。这样的产品组合在一定程度上实现了规模性的个性化定制。

（资料来源：联商资讯，阿迪达斯的“黄金罗盘”，2013年4月15日，节选）

思考：

1.阿迪达斯的产品组合差异化主要体现在哪些方面？

2.阿迪达斯是怎么利用大数据实现产品组合的动态优化的？