WHERE FUTURE BEGINS
  • ṢELF ḌEEP ḶEARNING
  • LSE MBA Essentials - The London School of Economics
    • Leading with influence
    • Economics for managers
    • Competitive strategy
    • Corporate strategy
    • Financial accounting
    • Management accounting
    • Analysing financial statements
    • In the mind of the manager
    • Nudging behaviour
    • Organisational culture as a leadership tool
  • Business Foundations Specialization - Wharton Online
    • Introduction to Marketing
      • BRANDING: Marketing Strategy and Brand Positioning
      • Marketing 101: Building Strong Brands Part I
      • Marketing 101: Building Strong Brands Part II
      • Strategic Marketing
      • Segmentation and Targeting
      • Brand Positioning
      • Brand Mantra: The Elevator Speech
      • Experiential Branding
      • CUSTOMER CENTRICITY: The Limits of Product-Centric Thinking
      • Cracks in the Product-Centric Approach
      • Data-Driven Business Models
      • Three Cheers for Direct Marketing
      • Which Firms Are Customer Centric?
      • What is Customer Centricity?
      • Living in a Customer-Centric World
      • More Reflections on Customer CentricityPrev
      • Questions on Customer Centricity
      • GO TO MARKET STRATEGIES: Online-Offline Interaction
      • Online/Offline Competition
      • Friction
      • The Long Tail Theory
      • Preference Isolation
      • How Internet Retailing Startups Grow
      • Customers and Digital Marketing
      • Influence and How Information Spreads
      • Pricing Strategies
      • The 7M
      • BRANDING: Effective Brand Communications Strategies and Repositioning Strategies
      • Brand Messaging & Communication
      • Brand Elements: Choosing a Brand Name
      • Brand Elements: Color & Taglines
      • Brand Elements: Packaging
      • Brand Elements: Persuasion
      • Repositioning a Brand
    • Introduction to Financial Accounting
      • 1.1.1: Financial Reporting Overview
      • 1.1.2: Financial Reporting Example
    • Managing Social and Human Capital
      • Professor Cappelli and Professor Useem Introductions
    • Introduction to Corporate Finance
      • Time Value of Money
      • Intuition and Discounting
      • Compounding
      • Useful Shortcuts
      • Taxes
      • Inflation
      • APR and EAR
      • Term Structure
      • Discounted Cash Flow: Decision Making
      • Discounted Cash Flow Analysis
      • Forecast Drivers
      • Forecasting Free Cash Flow
      • Decision Criteria
      • Sensitivity Analysis
      • Return on Investment
    • Introduction to Operations Management
    • Wharton Business Foundations Capstone
  • Artificial Intelligence Career Program - deeplearning.ai
    • Machine Learning
      • Introduction to Machine Learning
      • Supervised Learning
      • Unsupervised Learning
      • Model Representation - Linear Regression
      • Cost Function
      • Gradient Descent
      • Gradient Descent For Linear Regression
      • Linear Algebra
    • Deep Learning
    • Neutral Networks and Deep Learning
      • Introduction to Deep Learning
      • What is a neural network?
      • Supervised Learning with Neural Networks
      • Why is Deep Learning taking off?
      • About this Course
      • Binary Classification
      • Logistic Regression
      • Gradient Descent
      • Derivatives
      • Computation graph
      • Derivatives with a Computation Graph
      • Logistic Regression Gradient Descent
      • Vectorization
      • Vectorizing Logistic Regression
      • Vectorizing Logistic Regression's Gradient Output
      • Broadcasting in Python
      • A note on python/numpy vectors
      • Explanation of logistic regression cost function (optional)
      • Neural Networks Overview
      • Neural Network Representation
      • Computing a Neural Network's Output
      • Vectorizing across multiple examples
      • Activation functions
      • Derivatives of activation functions
      • Gradient descent for Neural Networks
      • Backpropagation intuition (optional)
      • Random Initialization
      • Deep L-layer neural network
      • Forward Propagation in a Deep Network
      • Getting your matrix dimensions right
      • Why deep representations?
      • Building blocks of deep neural networks
      • Forward and Backward Propagation
      • Parameters vs Hyperparameters
      • What does this have to do with the brain?
    • Convolutional Neural Networks
      • Computer Vision
      • Edge Detection Example
      • Padding
      • Strided Convolutions
      • Convolutions Over Volume
      • One Layer of a Convolutional Network
      • Simple Convolutional Network Example
      • Pooling Layers
      • CNN Example - Fully Connected Layers
      • Why Convolutions?
    • Neural Network Theory [ETH]
    • Natural Language Processing
    • Computer Vision
  • IBM Data Science Professional Certificate
    • What is Data Science?
    • Open Source tools for Data Science
    • Data Science Methodology
    • Python for Data Science and AI
    • Databases and SQL for Data Science
    • Data Analysis with Python
    • Data Visualization with Python
    • Machine Learning with Python
    • Applied Data Science Capstone
  • Data Analytics
    • Python for Data Analysis
    • Data Structure and Algorithms
  • Programming Language
    • Python
    • R
    • SQL
    • C++
    • C
    • Java
    • HTML
  • 机器学习工程师
  • 商业数据分析
Powered by GitBook
On this page

Was this helpful?

  1. Business Foundations Specialization - Wharton Online
  2. Introduction to Marketing

The Long Tail Theory

PreviousFrictionNextPreference Isolation

Last updated 5 years ago

Was this helpful?

[背景音乐] 翻译: RyukaSuu |审阅: 19waa Coursera Global Translator Community 大家好 今天我很高兴地向你们介绍一个概念 我认为它对理解 线上和线下如何联动非常重要 这个概念就是“长尾”The Long Tail 一个叫Chris Anderson的人提出了这个想法 事实上他写了一本书来详细地阐述整个概念 接下来我将要给你们介绍Chris书中的核心观点 但是有些东西你要先记在脑海里 当你在思考互联网正在如何改变 我们的销售行为和 购买行为的时候 首先 我要告诉你我们将如何学习这个概念 我们将讲一些背景 关于一些互联网出现前交易的形式 接着 我将要介绍长尾理论 以及与这个理论相关的一点的经济学知识 然后 我会介绍MIT一些同事的研究成果 他们研究全渠道(销售)以及长尾如何在其中发挥作用 最后 我会展示我个人的一些研究成果 我称之为“空间性长尾” 通过这节课的学习 我们会弄清楚那是什么

让我们以一张被称作长尾的图片开始 长尾 这个概念会多次出现 所以如果你现在无法全部理解也没关系 现在我只想给出一个概要 长尾由两个轴——Y轴和X轴组成 Y轴衡量产品受欢迎程度 在很多案例中表示销售量 它也可以 是下载量 是twitter的关注人数 例如 就是一些衡量知名度的方法 在X轴里 所有产品从人气高到低依次排序 从人气高到低依次排序 让我们来举一个我想大家都会遇到的例子 想想亚马逊网站上所有的在售书籍 让我们假设有大概五百万本书籍在售 我不确定具体数量 但我知道数量很大 肯定远远多于实体零售店所销售的数量 我们可以假设一下最畅销书 是哈利波特和魔法石 人们似乎很喜欢哈利波特 所以让我们假设它是最畅销书 然后一直往下看到排名榜尾部 排名3,900,000 那可能是一些 可能是相当晦涩难懂的书 例如关于费城园艺之类的 长尾的含义是 一些产品处在右边的表示无人问津的橙色区域 加起来可能会非常大 或者说是小众的产品 缺少知名度 需要漫长的时间去扭亏 久到对你我来说 开个实体书店去卖它们没有意义 这就是长尾的观点 相反 处在头部的商品 是那些 如果我们有实体店 便想要囤货的商品 因为它们将会非常抢手 这就是头部和尾部之间的区别 长尾的核心思想是 互联网使我们有可能接触到长尾中的所有产品 而事实上 来自于长尾中全部产品的销量和利润 加起来可能会非常大 好 这是一个基本的描述 让我们继续聊点背景 聊点历史 从历史的角度来说 至少在前互联网时代 我们都生活在所谓热销的世界里 畅销品 电影大片 畅销金曲 诸如此类的东西 大多数人仅限于购买和消费流行的物品 企业也被市场驱动 去尝试和制造那些畅销品 然而 由于互联网的存在 分销渠道发生了巨大的改变 现在 可以提供的产品种类远远多于过去 因此 现在我想 从供需双方这两个不同的视角来解释长尾理论 在我们考虑市场的时候 两方的视角都很重要 从供给方来讲 由于互联网的出现 现在卖家可以提供更多产品 简单地说 是因为我们更多的需求能被满足 无论啤酒 尿布 鲜花 电影 还是音乐 你能想到的所有种类它都能提供 之所以能提供这么多种商品 是因为分销商品的渠道发生了巨大变化 第二 从需求方也可以解释长尾理论 我们接着谈谈支持长尾理论的需求方观点 在过去 我怎么才能找到那种不寻常的商品和服务呢? 也许可以通过朋友和家人 或者通过遇到的熟人 但事实上 我也许会在了解或发现那些不寻常的商品时受阻 因为那些商品不会被零售商供应 请记住 零售商或商店只会供应那些在头部的商品 所以想买那些排在消费者需求榜尾部的商品 是非常困难的 影响之一 就是我们的喜好变得越来越丰富多样 简单地说 是因为我们更多的需求能被满足 我们有机会获得比以前更多样的商品 现在让我们用将会再次提到的长尾经济学观点 与一些存在很久 相当久的 但很有用的经济学观点进行比较 并与一些存在很久 相当久的 但很有用的经济学观点进行比较

有一个家伙叫帕累托 很多很多年前 早在1897年 他发现 大约80%的英国居民和公民的财富 被仅仅20%的人拥有 是从20%销售的的商品中得到 是从20%销售的的商品中得到 或者从20%的客户那里得到 这就是常见的80/20法则 现在 长尾理论某种程度改变了这个法则 因为那个比例不一定再是80/20了 大量的产品组成了巨大的长尾 使得实际上每种产品占有的利润比例将会非常非常小 但所有产品加总起来就会占一大部分的利润 所以 让我们继续 看看它是如何发生的 另一个有趣的法则 由一个叫乔治 齐普夫的家伙而来的 齐普夫定律 他发现如果你拿了 一份手稿或一本书 你会发现 书中的那些第二流行的单词 差不多是最常用的单词使用频率的一半 而第三最常用的单词的使用频率 差不多是是最常用的单词使用频率的三分之一 这个法则也适用于其他的东西 比如 人口在一国之内的分布等等

幻灯片上有两个核心原则 这是长尾理论中需要强调的观点 当我们谈论偏好隔离会再次提到它们 好 我们从第一个开始 我放在张幻灯片里的第一个观点是区域限制 这是什么意思呢? 意思是 你在本地能买到的东西 取决于当地的卖家向你提供的商品 他们可能和你的喜好不同 在我们进行更关于长尾理论更详细的学习之前 我想问大家两个问题 一个和供给有关 另一个和需求有关 我希望你思考你使用或喜欢的一个产品 但却在本地买不到 只因为它在你周围的人里不那么风靡 比如 想象一下你想享受日光浴 想去海边 想用一种特殊的润肤露 却苦寻不得 因为大部分药店仅提供 非常高防晒系数的产品 但这并不是你想要的 因此 想想你不能在本地找到的一款产品 当所有该种商品可以在互联网上提供 当所有该种商品可以在互联网上提供 其次 再想一想 如果你是处在供应方的卖家 你有一种不寻常的商品 并想在你所处的区域出售这种商品 克里斯的书中提到了这种产品 我在这里再提一次 有个非常好的电影叫《印度往事》 现在 如果我想在美国的电影院播放《印度往事》 我可能得去像洛杉矶和纽约一样的大城市 因为也许在那些城市 印度人或者和印度文化联系紧密的人聚集度很高 所以我愿意在那些大城市播放这部印度电影 我绝对不可能给全国所有市场中 对这部片子可能感兴趣的两三个人播放这部影片 但现在通过互联网 我可以提供影片的下载资源 但现在通过互联网 我可以提供影片的下载资源 不管一台电脑前有两个 三个 四个还是五个人观看 所有的下载加起来 将是很大的需求 所以 希望你可以通过这两个例子和你自己想出来的例子明白 长尾理论和对产品的需求分不开 假设现在 你可以得到这种产品 并且它还影响到产品的供应方式 让我们回到图中 我只想说两点 对于这个图 在图表下面有两个问题 我将和大家一起研究 图的前端是红色 尾部是橙色 我想问你的第一个问题是 随后我会给出自己的答案 你会对一个随机从前端或者尾端的抽出的产品有多满意? 有可能是一部 也许是一部在南半球某个小国拍摄的奇幻电影 这地方叫什么? 不是澳大利亚 是在右边的新西兰 这部电影叫《魔戒》 这是一部非常受欢迎的电影 如果你是随机挑选产品选到这部电影 你也许会挺开心的 八成会喜欢它 相反 我随机抽取了一部晦涩又奇怪的电影 这部电影不那么流行 是居于受欢迎程度尾部的小众电影 我把它给你 很有可能 你不太喜欢它 因此 通常情况是当你从人气指数高的头部走到人气指数低的尾部 当你从人气指数高的头部走到人气指数低的尾部 但那只是平均程度 正如你从皮特那里学到的 假设对健康食品很偏执的 格雷格·曼德尔(Greg Mandela)[无声] 异质性也是​​非常重要的 但是 现在可能有一个在尾端的产品 大多数人对此无感 但对你来说 这就是个完美无瑕的电影 歌曲 书 或者其他你情有独钟的产品 因此 如果有有效的办法帮你在商品长尾中筛选和提取物品 帮你在商品长尾中筛选和提取物品 这就是长尾的观点 当你被给予的随机商品从图的左边移到右边 你的平均满意度会下降 但当给你的商品靠近右边 你又极其喜欢的时候 你的满意度也许会非常高

继续思考下面的问题 什么是幻灯片中讲到的长尾的主要特点 首先 小众商品 的销量和抢手商品的销量的比例正在发生变化 现在 人们对小众商品总体上有了更多的需求 另外 分销效率 也正在变化 现在 你可以通过 平板电脑 或者智能手机买到文字类型的产品 从人们如何 在长尾中找到想要的商品的方面来说 这就是顾客评价等功能的来源 我们将在后面的讨论中更多讲到顾客评论 因此 正如我在幻灯片里所说 长尾 并没因为稀缺性而过滤掉需求 因此 在过去 商店的老板 比如 还是我们的老朋友 放电影的克里斯 店主将决定在本地市场上自己会卖什么 他会决定该放哪部影片 会决定哪种啤酒将在他的贩酒店出售 但现在 所有长尾中的产品 都可在互联网上轻松买到 [背景音乐] 翻译: RyukaSuu |审阅: 19waa Coursera Global Translator Community

The Long Tail Part 2

至此 我们或许已对 长尾理论的基本概念有了一定的认识 那么现在我想做的就是借由 麻省理工学院的同僚们所做的一段非常有趣的研究来演示这一理论 让我来对此稍作解释 (MIT的) 同僚们打算尝试并理解或者说解释 供给方对长尾理论产生的影响 这表示了会有更多种供给可能与需求方对长尾理论的影响相比 也意味着 这时你能更方便搜寻到 钟爱且符合自己口味的商品 也就是长尾区域内橙色部分所代表的那些 MIT的研究人员所做的是 选取一家以两种不同渠道进行销售的大型零售公司 获得了其销售数据 一种通过互联网 一种通过目录(销售) 他们想看看这两种渠道 是否有相同的销售组合 现在两个销售渠道产品及其价格 都相同 但他们想知道 这些渠道在供货 及客户群上有什么不同 好了 现在我们来看一个图表 它实际上是一个很酷的观点 你曾经接触过 不过很可能不是在这种情况下

我们可以用此处的图表是用所谓的基尼系数计算的 如同幻灯片顶端的“GINI”一词 基尼系数 等于(A的面积)/(A与B面积之和) 现在我来解释一下这张图表的意思 这张图通常用来了解 一个国家收入分配是否平均 但它也可以用于了解 某家公司各种产品间的销售均衡与否 为了能理解这一点 我们往下 看图中C点 C点 位于X轴上 约为0至100%正中间的一点 实际上 假如我们用它 表示一个国家的国民收入 我们选择 收入最低的那部分人群 比方说在美国 从那些达到 50%的人的收入水平 人处 然后我们从C点画一条与曲线相交的直线 再从该交点画一条与竖轴相交的虚线 在我看来 所得交点坐标大约 占Y轴的五分之一 即20% 言下之意即该国低收入的那50%的人群 拥有总收入的20% 所以这是一个收入分布略不平均的国家 现在你可以想像一下 如果洛伦兹曲线 越来越接近 图中最右这个点 那这会是一个极少数人拥有全部财富的国家

同样的 假设此处代表产品 这个圈 或是半圈 将代表一个公司其主要销售 仅来自一或两种产品 就是这个意思 当研究人员看到这张图时 他们发现相较通过目录销售而言 基于互联网销售的基尼系数没有那么集中 而是更平等 更均衡 因为多种诸如评论、搜索在内的功能 因此 互联网渠道的销售看起来更像是一种长尾分布 而目录渠道销售看起来则更像传统的80/20法则 研究人员更深入研究了数据后 发现 互联网渠道上的销售更加分散 能够售出更多小众产品 相较于目录销售通道 那么这点很有意思 因为假如你还记得 我曾在本视频开始时提到 两种销售渠道所售产品 及其价格均相同那么在这种情况下 这里不存在供给方的原因 所以不是说互联网渠道 提供的产品种类比目录渠道更多元化 两者其实相同 所以后来研究人员冥思苦想 希望找到其他原因 这里 假如你跟上了 会记得或许还有 需求方的原因 因此 也许你网购时 更容易 找到小众或是冷门产品 而这正是作者的研究所发现的 他们发现通过网络销售 由于一些例如回顾和搜索等工具 可以让你更方便找到 也许不一定能在别处找到的商品 这样是不是很有意思呢? 这是长尾在供给方的体现 能够提供更多的商品的多样性,但这是需求侧的体现。 我能找到完全符合自身口味的商品 这项研究的巧妙之处在于 研究人员限定了供给条件 然后发现 较之目录销售 互联网销售更符合长尾规律 这可以通过需求方来说明 那么有关长尾理论的最后一个部分 现在你脑海里可能已经牢牢地记住了 那个图表X轴代表商品 Y轴代表销售量 长尾头部为红色 尾部则为橙色 现在也许你会想到 为什么它非得是产品

也许你现在想到了一些 我要给出的是自己特别感兴趣的一个参数 因为我看过许多网上卖家及他们的销售方式 你也可以认为X轴代表地点而非产品 如果我是diapers.com这个网站 我的大部分商品售往洛杉矶 纽约以及旧金山 那么这些地点就处在长尾的头部 但是你知道吗 我还有些商品的归处是几个不可思议的小城镇 我不该这么说 实际也许你们中有人来自那里 一些小城镇里的人购买了我的商品 遍布美国的小城镇的总数很可观 所以长尾理论也可以适用于地理因素 这里给出的是我研究中的一个例子 这里的幻灯片涉及了 我们在课程中一直提到的其中几家公司 在本例中 研究对象不只是Diapers.com 还有Netgrocer.com 后者是一家零货商 可以提供送货上门的服务 否则你就得去超市购买这些杂货 因此 为了理解长尾理论的原理 我们此处要学习的是 一个大国中不同地点间的相似性以及差异的概念 我们将会研究 美国或是其他某些国家 现在 我们的左手边是一幅美国地图 我们可以根据该地图计算两地间的距离 比如芝加哥和洛杉矶间 距离大约是2000英里

我们还可以计算芝加哥和斯普林菲尔德之间的距离 这个距离是大约200英里 就物理距离来说 比起斯普林菲尔德 芝加哥离洛杉矶要远很多 然而若是我们考虑到社会距离 也许住在芝加哥的人和 住在洛杉矶的人更像 相较于居住在斯普林菲尔德这样小城的人 若是我们要研究 类似Diapers.com或Netgrocer.com这样的公司在全美的销售情况 我们会看到什么现象? 所以 我跟我的同事Jonghei 还有纽约大学的朋友Sam Wui一起做了研究 并得出了有趣的结论 我们发现 互联网零售商 的销售在地理层面上也显示出了长尾效应 起初 只有在一些很大的市场才有销售量 诸如纽约、芝加哥、洛杉矶和旧金山这样的城市 但随着时间的推移 其他城市的销售逐渐形成了长尾的尾部 可能从地理距离上来说 这些城市彼此间很分散 但是在这些市场中的客户 也能够享有同样的产品属性 那么 这只是我研究中的一个发现 我认为你们也许会对此感兴趣 因为它非常形象地展现了长尾理论 所以 我想用其他几个有趣的例子 来总结长尾理论 几个有趣的例子 来总结长尾理论 同时 我推荐你们浏览一个网站 对该理论的阐述非常详尽 有两个反驳长尾理论的观点 正如其他优秀的理论 总要面对一些反对意见 我在这张幻灯片中把它们写出来 首先 是关于自然垄断规则的观点 该观点指出 有一些轻度用户例如不经常看电影的人 他们很可能会被吸引成为组成长尾头部的用户 所以我们仍然需要这些为长尾头部作出贡献的商品 在某些市场 这些商品 会成为一种流行驱动的现象或文化 第二个观点是关于双重风险 我的朋友Pete对此做了些研究 双重风险是指 人们对不熟悉的东西的喜爱程度也偏低

因此 上述两个观点是有些驳斥了长尾理论 但我依旧认为这是一个基于现象的理论 如果你想实际见识一下长尾理论 那么试试这个 在这个幻灯片里的一个链接 我认为能让你们感到有意思 通常情况下 如果你用比如谷歌来搜索牛仔裤 搜索结果排第一的总是最流行的款式 或者是谷歌认为链接指向的商品最适合你 所以大多数时候 你用谷歌搜索时 你得到的结果 用我们的术语说 只是长尾头部而非尾部的商品 现在 一些来自加拿大的聪明企业家 你可以在链接中看到 推出了一种不同的搜索引擎 称为Million Short 而当你使用该引擎搜索时 你搜到的结果 不会是第一页上列出 前十个最受欢迎的商品 而是一百万或是一千个符合搜索条件的商品 你可以按自己的需求选择 也许你们可以回去试试这个搜索引擎 看看能得到哪些不同的结果 最后 我放上了另一个链接 如果你想 从提出者Chris Anderson那里了解更多该理论 的内容 你可以点击该链接 去听听他怎么说 那么再次感谢你们参与长尾理论的讨论 对我来说 这是线上线下最有意思的理论之一 而且希望对你们有用 [背景音乐] 翻译: RyukaSuu |审阅: 19waa Coursera Global Translator Community