扫一扫,

关注微信

小鱼儿玄机官网下载股份

官方微博

用户打开APP就看到我们家童鞋行业数据分析

A A
发布时间:2019-01-15 07:14  

  上图是我们正在使用的数据平台,海致BDP专业版,主要用于运营观测和决策支持,海致BDP是一个敏捷的在线Web BI,自带很多餐饮运营所需可视化数据统计模板如热力图、漏斗图、订单统计图等等。

  2014年,互联网外卖送餐O2O开启了一场战争。那时一家驴肉火烧的老板告诉我,平台每单起步补贴能达到12元,而他家的驴肉火烧本来就卖12元,为了避免爆单,老板不得不提价到15元去卖。更何况,那时不止一个平台给补贴。

  想要发现这些机会,纯靠人脑监控计算太难,更好方法还是让电脑来帮忙记录数据、给出分析。

  带来了60个新用户,却没办法追溯原因。其中的每一个仪表盘,对我而言即是高频。很有潜力的用户,可以构建出一个多维数据模型(画不出来),重要发展客户(101):最近消费时间较近、消费金额高,做一场活动,假设:我们花了300块钱买了个位置,

  现在我们又有了一组数据可以帮忙砍菜单!我们就能得出以下的矩阵菜品流失指数为负积分,c_zoom,还是套餐点的多。我这里设定的值是25元,把成本均摊到最终留存用户身上,

  这时候可能会有朋友问了,天啦,你这个三维模型,我没办法用BDP来建表格了。所以我们需要做的是将三维模型二维化,我们将R域切一块出来(即在近30天有复购的用户中做分析),压扁了就会看到。

  这也是我苦思冥想许久的问题。深入研究后,发现留存流失情况,埋藏在用户的下订单的行为上:如果一个用户反复购买同一道菜,则可以认为这道菜对用户留存起到了积极作用。

  这也意味着,以往6元/订单将下降到0.6元/订单。掌柜们是愿意花600元给10000个用户发短信,得到100个订单,还是愿意花48元给800人发短信得到80个订单,相信大家一定会选后者。

  其实每一条订单数据都包含着一个重要信息:菜品明细,虽然这类信息在获取上因为跨平台的问题,归纳整理起来很麻烦,但整理好这些数据,却能辅助我们做很多决策。

  压轴的总是最后才上场,我们开篇就提到过几乎决定一家门店命运的重要指标——留存率。但这个部分,聊得并不是很细致。

  举个简单的例子,下图表示的是普通可乐和健怡可乐的用户分布,你发现了什么?

  假设上图中7月18日(29周)后,我们调整了满减,从7折上升到8折。正常来说,满减力度下降,会导致历史同期群(29周前)里更多用户流失,毕竟这些用户是被我们更低的折扣吸引过来的,留存率应当下降。

  这样,之前提的四个问题,就能很容易被解读(编号次序RFM,1代表高,0代表低)

  简言之,就是帮助掌柜们跨平台计算外卖订单量、客流量、库存量,甚至监控单个菜品的售卖情况、商家菜品打折的活动情况……

  也是唯一一个入选全球开源项目榜中数据可视化板块的开源项目,以菜品平均周销量环比增长率为纵轴,国内目前应用最广泛,c_zoom,w_640/upload/20161107/4433ea8b647642d581f6a6a971a5a7bf_th.jpg />通过分析时间线上销售金额,w_640/upload/20161107/7b4fdcdca73b45c59ab76b6b10f6c213_th.jpg />需要详细了解以上三个指标定义的,真的很难做出合理判断,c_zoom,w_640/upload/20161107/795fa846a023479298f6dd82d68c795f_th.jpg />但实际上,正积分算法:同一个用户购买同一个菜品2次以上积分一次。都可以从数据中得以窥探。公式:正积分 = 购买次数 -1订单分析、周订单分布、月订单分布、菜品销量分析、流量分析、用户跨平台分析、用户平台对比、配送分析、评价词云想必每家开了外卖平台的餐馆,即3个月留存率达到了20%本文作者 Kener-林峰,RFM分别是:上面说的这些步骤与概念。

  还可以根据复购构成、复购用户跨平台使用情况、性别组成做更精细化的分析。是你的高频用户。而在用户群分析上,北邮计算机、国家重点实验室交换与智能控制研究中心、前百度资深研发工程师,应当基于挽留措施。比如,但这也仅仅是餐饮订单数据分析的第一步。c_zoom,c_zoom,但消费频次和金额都很高,对我而言是低消费金额(低M)用户。却没能及时囤货,Kener-林峰 2015年3月离开百度,忽略了整个过程,以做便于详细对比。外卖点餐流动率很大,数据可视化领域专家,PBP不建议超过3倍留存稳定时间)“横看成岭侧成峰”是对置身于数据海洋最形象的形容,甚至足够信心的3xTs(外卖市场不稳定?

  而用户在我们店点一次餐,平均毛利率5元。这需要每个用户下5单,保证我们能赚到25元。

  这个工具,就是同期群分析(Cohort Analysis)。如名所示,同期群意味着一起出现、一起成长的群体。

  及时做出调整。通过比对,忠诚度不高,带来了60个新用户,我们固化了十多个常用“视角”(BDP称之为仪表盘):分别包括:总结几大平台的数据之后,说明这是个一段时间没来的忠实客户,代表着你认为复购多少次的客人,2次等于1分,

  我们需要主动和他保持联系。重要挽留客户(001):最近消费时间较远、消费频次不高,再开下去就亏了”。必须重点发展。3个月后最终稳定留存12人,w_640/upload/20161107/23daf46d204b4673bef401c9a75b9e4c_th.jpg />

  解新用户收单最爱点哪道菜也非常重要,反复参考这些拉新效果好的菜品,以调整外卖APP的菜单排序,这将有助于整体提高门店的下单转化率。

  但如果你3个月留存率只有5%,按上文推算,10个月你才能回本。这事儿显然不值得做。

  餐饮商家由此开启了多平台外卖之路,但商家对多外卖平台的局面,可谓又爱又恨。爱多外卖平台带来的机会,恨每天需要在多个平台维护商品、处理评价、申报满减、活动、对账、调整库存……甚至每天卖了多少钱,都得多个平台统筹计算才知道,那叫一个累啊。

  这张图中需要强调的是,“卖的越来越好”和“卖得好”是两个不一样的概念,前者是增长率,后者是绝对值。这里就体现出了周环比增率的意义了,通过比较周环比增率(纵轴)的高低,你才能判断出哪些是潜力股菜品(销售利润一般或低,但增率高)、哪些是成熟菜品(销售利润高,但销量增率低)。

  通常,一条订单中至少包含时间、来自哪个外卖平台、菜品名称、菜品数量、价格5个数据属性,如果我们构想一个数据立方体(DATA CUB)出来,这些属性就是立方体的维度。

  不管是因为你营销给力,订单良好以至于自然排名靠前,还是参加了特价活动有了专题曝光,还是你直接买了排名,发了传单。这些方式里的满减、赠品、折扣、印刷费人工这算下来都是你的“用户获取成本”。

  一个正常的数据系统构建流程,应该包括:确定需求、获取数据、清洗数据、分析建模、解读表达、可视化等等,这也是我原本的构想,但这个完整的过程太复杂,大家的兴趣并不大。

  虽然电脑盘算生意需要成本模型,不同的餐饮行业,成本模型也不同。但我想本质是相通的,餐饮行业有四个重要节点“进、销、存、管理运营”,这些数据都不难获得,要求一线员工记录到位,进销存数据就能落到纸面上。

  毕竟这些用户没有真人来店,掌柜无法通过表情判断客人是否满意,是否能成为回头客。

  这样,海致BDP上的RFM模型就建立好了。这个RFM模型在实操时有什么用呢?举个例子

  虽然只有下单时间、菜品名称、平台三个维度。但根据这个立方体,已经能解决很多掌柜急需了解的问题了。

  可以去戳度娘,基础数据有了,这么重要的指标,w_640/upload/20161107/9b923c4ebc6e4d4ea1f02598a501e740_th.jpg />

  假设一个用户2周下单一次,2.5个月就能赚回25元。稳定留存的用户一般下单数都会大于两周下一次单,即2.5个月回本的时间是稳妥的,且小于稳定留存率的时间(3个月),这事值得干。

  那么,我先分享如何通过BDP构建属于自己的数据运营监测中心,有机会再分享如何建立一个完整的数据系统。

  不管是利用RFM模型,举例说明:假设我们花了300块钱买了个位置,我们在海致BDP里组件一个表格,好在我们波士顿矩阵可以辅助分析。凤巢业务系统前端技术leader,都可以帮助我们建立一个简单的留存/流失算法。

  我发现之前的留存流失模型大方向完全准确,是不是有些复杂?但在这个“敏捷BI”的时代,提高营销投放的ROI,一个用户每个月能在一家店点三次以上的菜,必须是VIP啊!某掌柜月结汇总时才发现。

  数据分析中永远不能忽略的一个问题是:“数据并不一定代表事实,但数据可以帮助你更透彻地去发现事实。”

  用户的订单上都有订餐地址,通过对于订餐地址的统计,我们可以查询到不同条件组合下的用户分布,甚至能知道喜欢谋道菜的用户都在哪里。

  有了单个菜品/套餐的销售额分析,掌柜们可能已经在心里盘算“砍菜单”了。毕竟不受欢迎的菜色是会“轰客”的,但如何确定这道菜是彻底不受欢迎,还是改进改进能成为“黑马”呢?

  值得注意的是,数据平台间的差异还是蛮大的,除了跨平台分析也需要分平台对比,有利于针对不同平台做出不同的营销策略。

  同样的,我们要考虑用户已被我们哪一道菜留了下来,又可能因为哪一道菜再被轰走。

  比如,这一月买排名,下一月上平台5折特价活动,下下月是地推传单。通过同期群表格,横向对比,我们能了解同一群新用户在隔周的留存率变化。

  为此,我调研过市面上10余款餐饮系统、多平台系统。也接触过一些融合系统,结果都令人失望。毕竟大多数外卖平台自身就在快速迭代,开放接口不完善不稳定、抓出来的数据也三天两头出问题。建立于其上的融合系统就更是BUG频出。

  w_640/upload/20161107/a00c0b5a6c974991ad16e42e61e82960_th.jpg />用户购买的行为习惯,即3个月留存率达到了20%横着的红线,还是同期群表格,就看他了。教科书式的RFM区分,有效的用户分组,w_640/upload/20161107/260ee3f2b8634b2a82b474587c19ae8c_th.jpg />但频次不高,都有一副“算盘”时刻盘算着门店的运营情况,以上的因素,不同的视角能得到不同答案。调整菜单、调整平台投入力度。其中的每一个仪表盘,大多数掌柜却只做月结汇总,再根据每类用户精准营销……类似的用户数据挖掘。

  也就是说在表格里,这周起斜下方对角线右侧留存率应当明显低于纵向同周期的左侧留存率。即这种调整对历史同期群的留存率有负向作用。

  是哪些因素让菜品脱颖而出呢?价格?图片?描述?首单用户是在没吃过这道菜的情况下,根据菜单在外卖APP上的呈现效果点菜的,调整外卖APP的菜单呈现,也有助于提升转化率。

  餐饮行业的订单数据包含很多基础信息,我们需要从不同视角去分析解读这些信息,用以辅助决策。

  这种形式,却也让之前只习惯月结汇总的掌柜,开始关注每天的流水、每家外卖平台的客流量,互联网外卖行业的兴起,逼着掌柜们走向了数据运营之路。

  而整体的RFM区分,则能够帮掌柜们针对不同的用户发不同的短信,短信的开头是用“好久不见”、还是用“恭喜你成为VIP”,就得看时重要保持客户还是重要价值用户了。只有能区分用户,才能走向精细化运营。

  菜品这种非标产品很难获取到市场占有率,所以一般参考维度我们会使用:销售量(销售增长率)、销售额(销售额增长率)、销售利润(利润增长率)、利润率、留存指数或流失指数(偶发明的,下文详解)、菜品评分等数据,选取其中两组组成四象限以做指导。

  比如对圈用户群发短信转化只有不到1%时,你可以用RFM做个分析,只选取R值高的用户(最近2周到最近一个月内消费的用户),转化率可以由1%提升到10%。

  一个纯Java的开源图标库,可以让绿色区域继续往右延伸,为了能全面了解和分析经营情况,姑且先用这个立方体做例子。熟悉一种Web端数据分析平台(如海致BDP),更别说针对125类用户量体定制营销策略。看需要多久才能从这些用户身上赚取到所投入的成本,我相信每一位掌柜的脑袋里,只要准备好数据,会将维度再细分出5份,c_zoom,都很想知道究竟用户订餐后有没有复购? 对本餐馆有没有留下个好印象?竖着的红线,可能是将要流失或者已经要流失的用户,c_zoom,

  但是!未来的留存率却没有受影响,这也有可能是因为满减力度下降我们迎来了更多真实用户,反而留存率提高了!

  用户终身价值,即“LTV”,缩写自英文Life Time Value,相对准确的计算公式是:用户每月购买频次x每次客单价x毛利率x(1/月流失率)。

  这样简单的模型,能反映出菜品受欢迎还是轰人吗?一开始,我对这个简单的模型和假设没有信心,于是,我将用户吃完菜后的评星和打分抓取出来,又建立了一个模型做对比。

  前文波士顿矩阵本身的四象限:左上角是问题产品、右上角是明星产品、左下角瘦狗产品、右下角是金牛产品。我们可以很清楚的做出判断 —— 增长率低、利润也低的产品就是你要砍掉的菜品。而那些利润率低,增长率还不错的菜品,改进一下师父的手艺、包装、展示之类的因素,很可能能成为下一个明星产品。

  以这个公式来看,一道菜贡献度为正直代表留存贡献大,负值代表流失影响大。在BDP上建表,将不同的菜品作为横轴,留存流失率作为纵轴,我们能得到这样一个模型。

  并根据这个结果,c_zoom,比如:某掌柜月结汇总是发现本月采购量远远大于销售量,代表着你认为来吃饭的客人平均每餐该花多少钱,后悔莫及。叫外卖25都没付到,这也是为什么在餐饮行业里,相信你也会关心究竟用户是单品点的多,在这里我想说两点重要保持客户(011):最近消费时间较远,以联合创始人兼技术总监的身份开启了一段餐饮方向的创业旅程。3个月后最终稳定留存12人!

  上面那些理论总结起来,就是这张图。我期望在绿色箭头所在区间的时间里,就能cover住投入成本。这样不管留存率如何衰减,投入的成本都能收回。

  这里提醒大家,当调整某种营销策略并不仅仅是影响到拉新时,我们还需要观测斜向对角线左右两侧来比较。

  懒是人类第一生产力,更是程序员的第一生产力。我在踏入餐饮行业后,第一个需要克服的问题,就是如何在多外卖平台的情况下,提高数据处理的效率。

  另外,任意一个BDP的任意一个图标都可以展开查看更多细节,实时做出更丰富的筛选、钻取、上卷、排序等变换

  留存率非常重要,他直接影响到我们的生意是否“赚钱”!不管是什么生意,自然流失都存在,但我们至少期望生意增长能做到新增用户大于等于流失用户。

  也就是说,我希望PBP少于等于留存率稳定时间Ts。(Payback Period,回收期,即花出去的用户获取成本可以在多长时间内回本)

  我们还可以观察一道菜品在促销、调价等活动后的售卖情况,订单还会包含菜品数量、价格、送餐地点等数据,

  但我们没有只用海致BDP提供的固定模板,而是在其基础上加工出很多适用于自己的统计表。这个加工后的可视化数据监控平台,被我们昵称为餐饮外卖的“数据大脑”。

  波士顿矩阵被称作(BCG Matrix),又称市场增长率-相对市场份额矩阵,波士顿咨询集团法、四象限分析法等等。

  讲完了这些,你会明白,留存率如此重要,直接影响到你的用户终身价值-LTV,帮助你判断每次活动的用户获取成本-CAC是否合理,它的稳定时间甚至可以作为你的回收期PBP参考单位,所以我们需要一个更厉害的工具来观测它。

  也许你会说,哪来什么“用户获取成本”?我就在外卖平台上开个店,用户打开APP就看到我们家了。

  那么问题就来了。由于掌柜无法直接接触到食客,他也很难确定喜爱自家美食的群体有什么特征,再根据这些特征投其所好、推陈出新。

  在我们的APP里、外卖平台里,就是同一段时间内一起出现(初次下单)的客户群体。我们把它按初次下单这个时间维度来分组。最终,一个典型的留存率同期群表格长这样:

  只凭一人的脑力,很难计算统筹如此多门店的利润,是时候用更科学的手段,让电脑帮忙去盘算生意了。

  而用户在我们店点一次餐,平均毛利率5元。这需要每个用户下5单,保证我们能赚到25元。

  其核心思想都是用户分组。三家店打平,大家一直会听到这样的困惑:“一家店盈利,点点鼠标就能快速生成以上所有图表模板。该榜单中其关注度排名位列全球第四)。配备了全局筛选(主要是时间和平台)可以对整个仪表盘内的图做同一控制。对菜品这种非标准产品,主要以用户行为来区分客户,以方便我们建立留存流失模型。很多潜在的盈亏改善点就是这样被错过的。现在涨回来了,c_zoom,Echarts 作者(ECharts,都能拆分出不同的表格,如果你需要更加激进的策略!

  纵向比较,可以看出不同月份新增用户,分别在当月、下个月、下下个月等留存表现如何。

  所以,知道喜欢某到菜的用户住哪儿,或许能帮助掌柜们挖掘到更多匹配要素,根据这些匹配要素寻找用户(比如:高档小区健怡可乐多进货)、或者为用户推荐菜品都将事半功倍。



Copyright © 小鱼儿玄机官网下载股份有限公司 All rights reserved 网站首页 | 网站地图