杜蕾斯的双11:一场曼伦营销理论体系与阿里云数据中台相结合的实践

本文涉及的产品
智能数据建设与治理Dataphin,200数据处理单元
可视分析地图(DataV-Atlas),3 个项目,100M 存储空间
数据可视化DataV,5个大屏 1个月
简介: 全球安全套行业“老大哥”杜蕾斯实现全网销售额突破1.7亿元,同比增长20%,滴露轻松斩获全网1.8亿元销售额......荣获这些战绩,除了有利洁时曼伦总经理吕有名独创的“6W4M”方法论体系指导之外,亦离不开阿里云数据中台的加持!


-更多关于数智化转型、数据中台内容请加入阿里云数据中台交流群—数智俱乐部 和关注官方微信公总号(文末扫描二维码或点此加入

-阿里云数据中台官网 https://dp.alibaba.com/index

当小吴从篮球馆汹涌的人潮中挤出时,没人知道他手上小小的快递盒里装了什么。

没人知道,也没人在意。自从天猫双11的快递挤爆了公司原本设立的小邮局,行政部不得已只能将篮球馆改造成临时快递领取点——每个人脸上都是期待的神色,沿着刷工牌取件的队伍缓缓前进,丝毫不被穿梭而过的人们所影响。

小吴完全是各大品牌定义的那类典型都市青年:有一份稳定的工作,能支撑自己较好地生活在新一线城市,也有足够的“闲”钱去满足自己包括无人机、周末自驾游在内的各项兴趣爱好。

今年天猫双11,除了赶在最后一小时下单的降噪耳机和隔天就收到货的秋冬季男装,就数手里刚拿到的这件“战利品”最为宝贝。

不再谈“性”色变的年轻人“推”着安全套行业数字化升级

小吴在办公室拆了快递,严密细致的外包装褪去,露出里面考究的黑金色礼盒。他拿出一盒递给邻桌的哥们儿,对方笑着捶了他一拳,“嘿,谢了!”

这是今年天猫双11前夕,杜蕾斯刚推出的新产品——001水性聚氨酯安全套。

在安全套也能大大方方摆到台面上“分享”的背后,是“小吴们”消费观念的变化。

过去,鲜有人愿意将安全套话题带出卧室,更别说“表达”和“分享”了。但现在,越来越多的年轻人不再对此避之不及,甚至有了更为强烈地个性化需求。他们开始热衷于通过互联网表达自己的喜爱偏好,以及对现有产品的建议和批评。

以杜蕾斯天猫官方旗舰店为例,畅销期店铺客服每日接待的咨询量在千次级别,而在像天猫双11等爆发性节点,每日接待咨询量更是高达数万次。

除了常规的商品组合、活动优惠之外,消费者对安全套产品的需求关注已经从最基本的避孕和防止疾病拓展至情趣、无感等更为个性的维度。也正是这些消费者个性化需求的反馈和行业整体趋势的发展,推动了杜蕾斯新品001的研发和上市。

同时,随着近年饿了么、同城购等本地生活业务的全面覆盖,消费者亦能享受“及时、便捷”的购买服务,极大提升了购买体验。

《2019-2023年中国安全套行业研究报告》显示,自2002年我国政府解除了对安全套行业的管制以来,我国安全套行业取得了快速发展。仅在2018年,我国就生产了130多亿个避孕套,其中出口30多亿个——按照这个数据计算,意味着我国每年消费的安全套数量在100亿个左右。

而另一份来自时尚杂志《男人装》早前推出的各省安全套使用量排行榜数据显示:江苏省每年使用的安全套高达12.2亿只,位居全国首位;广东省以9.7亿只位居第二位;而湖北省则以7亿只排在第三位。再次证明,安全套市场正在国内获得蓬勃发展。

当然,消费者心理的改变加上消费市场的壮大,也反向推动了安全套行业的变革,使得安全套在品质、营销、渠道等各个维度都不得不更为精细化和多样化。

这便催生出了安全套品牌的数字化转型,让品牌有意识地通过数据去洞察消费者更为细致的个性化需求,并以消费者的需求为出发点,促进产品和服务的升级。

增速放缓 存量线上市场中找寻新机会

今年天猫双11,在“小吴们”的购买加持下,全球安全套行业“老大哥”杜蕾斯实现全网销售额突破1.7亿元,同比增长20%。
D373BACB-7E81-4424-9984-EC58CBBA24EE.png

然而这个数字,在利洁时曼伦公司(以下简称“利洁时曼伦”)却也并不惊人。作为杜蕾斯、滴露、finish、薇婷等多个国际品牌在中国市场的“操盘手”,利洁时曼伦在天猫双11期间斩获超过5.7亿元的销售额,实现整体业绩增长42%,为消费者输送的快递包裹更是超过400万个。

而这些数字成就的背后,除了有利洁时曼伦总经理吕有名独创的“6W4M”方法论体系指导之外,亦离不开阿里云数据中台的加持。

据吕有名介绍,过去几年,随着移动互联网技术的深度发展及消费者线上购物习惯的养成,包括杜蕾斯在内的众多品牌迎来线上市场开辟的高光时刻,“杜蕾斯前几年的线上市场占比增长较快,从2010年前的不到5%发展到近两年55%左右的占比,预期在未来2-3年内,这个数据不会有太大变化。”

这是因为,一方面行业新入局者逐渐涌现——查看天眼查专业版,以“计生用品”、“避孕套”等作为经营范围筛选,数据显示全国有19万家相关企业;而另一方面,在短期内安全套行业对应的目标消费人群总数不会出现较大波动,这其中也包含了线上消费偏好人群。

那么,面对短期相对稳定的目标市场,如何才能在其中找准自己的消费者并提供合适的服务,就成为了杜蕾斯首要考虑的问题。

利洁时曼伦给出的解法是,充分发挥数据的能力,实现品牌的数字化转型。

2015年,利洁时曼伦开始组建数据营销部门,目前已经发展为一个相对成熟的团队,负责包括杜蕾斯在内多个品牌的数据分析和业务赋能工作。

在帮助品牌通过数据了解消费者、做好消费者洞察分析的基础上,提高营销回报率。

吕有名举例,通过数据,品牌希望知道自己的营销预算投放到哪一类消费者身上才能实现营销价值最大化,“比如,A消费者本来就打算在半小时后购买杜蕾斯产品,而B消费者同一时间却还在多个品牌之间犹豫,那我的营销预算肯定是需要去投放在B消费者身上,但如何去找到B消费者们,我觉得这就是数据能够给我带来的最大价值之一。”

而除了组织架构上的改造,吕有名还将自身在行业浸润几十年的经验梳理成可供业务复用的 “6W4M”营销方法论体系。

作为利洁时曼伦经过摸索总结并已经践行的一套营销策略指导模型,“6W4M”从营销目的Why、营销目标Mission、目标人群Who、主推商品Which、内容创意What、营销时点When、渠道选择Where、预算投入Money、过程监控Monitoring、效果评估Measurement这10个关键维度出发,明确营销策略方向,分解营销目标,不断优化调整,构建“精准营销”策略框架。

牵手阿里云数据中台 让营销理论体系成为“有血有肉”的实践

利洁时曼伦IS部门经理杜斌坦言,利洁时曼伦是一家格外注重自身知识体系构建的公司,但同时,“我们也对能够不断补充我们现有知识体系的新内容,抱有极大的开放态度。”

这一点,在利洁时曼伦和阿里云数据中台合作共创的曼伦数据营销中心(MDMC)上得到了验证。

2020年,利洁时曼伦正式牵手阿里云数据中台,以Dataphin为核心,制定包括全域营销、私域运营、精准媒体投放、智能客服分析在内的四大应用目标。

双11期间,利洁时曼伦通过MDMC,打通杜蕾斯品牌原本相对独立的数据体系,完成数据指标的统一,并有效运用于品牌前端业务场景。

据悉,为了更加了解消费者的需求与反馈,今年天猫双11期间,围绕杜蕾斯天猫旗舰店,利洁时曼伦尝试利用MDMC,将从消费者向客服询单的内容中提炼出核心关键词,并打通后续商品营销数据,进一步优化产品、服务及营销上的不足。

比如针对消费者最为关心的产品、服务、价格、优惠等方面的问题,杜蕾斯尝试通过AI语义分析,优化智能客服,着重关注消费者的负面反馈和建议,进行信息沉淀并同步相关业务部门,及时调整有关策略,做到从消费者的实际核心需求出发,将品牌的服务能力全面提升,完成“需求-营销-成交”的闭环链路。

此外,MDMC还通过阿里云Quick Audience联动系列数据产品,极大丰富了营销链路和触点,实现全域营销;并通过程序化形式实现精准媒体投放,极大减轻了运营、营销岗位的员工压力,提高了营销效率。

而最终销售达成的效果也相当喜人。除杜蕾斯品牌交出全网销售额突破1.7亿元的答卷外,沿用同一套方法论和操作逻辑的滴露,也轻松斩获全网1.8亿元销售额——其天猫官方旗舰店销售额同比增长更是高达156%。

2.png

对此,利洁时曼伦数据营销部门经理李列表示,数据中台在双11期间的最大赋能,在于通过数据分析,持续升级产品和服务,更加了解消费者需求,同时帮助杜蕾斯、滴露等品牌优化线上媒体投放,以阿里云数据中台联动阿里巴巴数字经济体生态如阿里妈妈、生意参谋等数据工具,进行全域精准营销。

“另一方面,”李列补充道,“阿里云数据中台还实现了企业在数据层面的共享,可避免跨部门重复工作,从而极大提升了整体工作效率,减轻了大促期间各部门员工的工作压力。”

通过阿里云数据中台,杜蕾斯将利洁时曼伦原有的营销方法论体系落实到各个具体的业务场景,并将相关效果数据再度提炼成为可供复用的方法论和操作,对体系进行反哺和优化。

“这是一次很好的尝试,让我们能够通过数据去发现更多业务上的机会”,吕有名说道,同时他也表示,企业(品牌)如果想要更好地了解用户(消费者),那么阿里云数据中台就是一个不错的选择。


数据中台是企业数智化的必经之路,阿里巴巴认为数据中台是集方法论、工具、组织于一体的,“快”、“准”、“全”、“统”、“通”的智能大数据体系。

目前正通过阿里云对外输出系列解决方案,包括通用数据中台解决方案零售数据中台解决方案金融数据中台解决方案互联网数据中台解决方案政务数据中台解决方案等细分场景。

其中阿里云数据中台产品矩阵是以Dataphin为基座,以Quick系列为业务场景化切入,包括:

官方站点:
数据中台官网 https://dp.alibaba.com
钉钉沟通群和微信公众号
数据中台钉钉群二维码2.jpg

相关实践学习
阿里云百炼xAnalyticDB PostgreSQL构建AIGC应用
通过该实验体验在阿里云百炼中构建企业专属知识库构建及应用全流程。同时体验使用ADB-PG向量检索引擎提供专属安全存储,保障企业数据隐私安全。
AnalyticDB PostgreSQL 企业智能数据中台:一站式管理数据服务资产
企业在数据仓库之上可构建丰富的数据服务用以支持数据应用及业务场景;ADB PG推出全新企业智能数据平台,用以帮助用户一站式的管理企业数据服务资产,包括创建, 管理,探索, 监控等; 助力企业在现有平台之上快速构建起数据服务资产体系
相关文章
|
2月前
|
存储 监控 安全
阿里云数据库(ADB)的多租户秘籍:资源隔离的魔法如何施展?
【8月更文挑战第27天】多租户系统在云计算与大数据领域日益重要,它让不同用户或组织能在共享基础设施上独立运行应用和服务,同时确保资源隔离与安全。ADB(如阿里云数据库)通过资源组及标签实现高效多租户隔离。资源组作为一种软隔离策略,允许为不同租户分配独立的计算和存储资源,并设置资源上限;资源标签则支持更细粒度的硬隔离,可为每个数据库表或查询指定特定标签,确保资源有效分配。此外,ADB还提供了资源监控与告警功能,帮助管理员实时监控并调整资源分配,避免性能瓶颈。这种灵活且高效的资源隔离方案为多租户环境下的数据处理提供了强大支持。
79 0
|
4月前
|
存储 SQL BI
毫秒级查询性能优化实践!基于阿里云数据库 SelectDB 版内核:Apache Doris 在极越汽车数字化运营和营销方向的解决方案
毫秒级查询性能优化实践!基于阿里云数据库 SelectDB 版内核:Apache Doris 在极越汽车数字化运营和营销方向的解决方案
毫秒级查询性能优化实践!基于阿里云数据库 SelectDB 版内核:Apache Doris 在极越汽车数字化运营和营销方向的解决方案
|
5月前
|
弹性计算 自然语言处理 开发工具
通过阿里云 Milvus 和 LangChain 快速构建 LLM 问答系统
本文介绍如何通过整合阿里云Milvus、阿里云DashScope Embedding模型与阿里云PAI(EAS)模型服务,构建一个由LLM(大型语言模型)驱动的问题解答应用,并着重演示了如何搭建基于这些技术的RAG对话系统。
通过阿里云 Milvus 和 LangChain 快速构建 LLM 问答系统
|
1月前
|
数据采集 算法 搜索推荐
R语言营销数据分析:使用R进行客户分群的实践探索
【9月更文挑战第1天】R语言以其强大的数据处理和统计分析能力,在金融数据分析、营销数据分析等多个领域发挥着重要作用。通过R语言进行客户分群,企业可以更好地理解客户需求,制定精准的营销策略,提升市场竞争力和客户满意度。未来,随着大数据和人工智能技术的不断发展,R语言在营销数据分析中的应用将更加广泛和深入。
|
2月前
|
人工智能 分布式计算 架构师
大数据及AI典型场景实践问题之基于MaxCompute构建Noxmobi全球化精准营销系统如何解决
大数据及AI典型场景实践问题之基于MaxCompute构建Noxmobi全球化精准营销系统如何解决
|
2月前
|
机器学习/深度学习 人工智能 搜索推荐
【图像生成技术】人工智能在广告营销的革新:图像生成技术的应用与实践代码示例
随着人工智能技术的飞速发展,广告营销行业迎来了前所未有的变革。图像生成技术,作为AI领域的一颗璀璨明星,正被广泛应用于创造个性化、高吸引力的产品展示图、海报乃至宣传视频,以精准对接目标受众,显著提升广告的转化率和整体营销效果。本文将深入探讨这一技术的应用场景,并通过一个简单的代码示例,展示如何利用深度学习框架TensorFlow来实现创意图像的自动生成。
53 4
|
2月前
|
机器学习/深度学习 自然语言处理 搜索推荐
LangChain在个性化内容生成中的实践
【8月更文第3天】随着人工智能技术的发展,个性化内容生成已经成为许多应用的核心竞争力。LangChain 是一种开源框架,旨在简化语言模型的应用开发,尤其是针对自然语言处理任务。本文将探讨 LangChain 如何帮助开发者根据用户的偏好生成定制化的内容,从挑战到实践策略,再到具体的案例分析和技术实现。
57 1
|
4月前
|
敏捷开发 存储 前端开发
【美团技术】领域驱动设计DDD在B端营销系统的实践
【美团技术】领域驱动设计DDD在B端营销系统的实践
|
5月前
|
机器学习/深度学习 人工智能
【LangChain系列】第九篇:LLM 应用评估简介及实践
【5月更文挑战第23天】本文探讨了如何评估复杂且精密的语言模型(LLMs)应用。通过创建QA应用程序,如使用GPT-3.5-Turbo模型,然后构建测试数据,包括手动创建和使用LLM生成示例。接着,通过手动评估、调试及LLM辅助评估来衡量性能。手动评估借助langchain.debug工具提供执行细节,而QAEvalChain则利用LLM的语义理解能力进行评分。这些方法有助于优化和提升LLM应用程序的准确性和效率。
500 8
|
5月前
|
存储 机器学习/深度学习 人工智能
【LangChain系列】第八篇:文档问答简介及实践
【5月更文挑战第22天】本文探讨了如何使用大型语言模型(LLM)进行文档问答,通过结合LLM与外部数据源提高灵活性。 LangChain库被介绍为简化这一过程的工具,它涵盖了嵌入、向量存储和不同类型的检索问答链,如Stuff、Map-reduce、Refine和Map-rerank。文章通过示例展示了如何使用LLM从CSV文件中提取信息并以Markdown格式展示
221 2

热门文章

最新文章

下一篇
无影云桌面