16.11.16 林峰-教你玩转每道菜背后的大数据【案例】

作者：Kener-林峰，数据可视化领域专家，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，百度数据可视化方向奠基人之一，凤巢业务系统前端技术leader，Echarts 作者

这是一篇关于餐饮行业数据分析的重磅干货，能切实帮助餐饮领域的运营童鞋解决：如何砍菜单、如何管理用户、甚至如何降低发短信广告成本等常见问题。就算你不做餐饮行业的运营，这篇文章也能手把手的教你通过数据分析的方法，科学合理的做用户分群、监测留存率、以实现精细化运营，这可是每个互联网公司都想做的事情。

餐饮行业数据运营的时代已来临

1.餐饮行业对数据运营概念缺失

餐饮行业是一个历史悠久的行业，我相信每一位掌柜的脑袋里，都有一副“算盘”时刻盘算着门店的运营情况，但绝大部分掌柜真的只把“算盘”存在脑海里，这也是为什么在餐饮行业里，大家一直会听到这样的困惑：“一家店盈利，三家店打平，再开下去就亏了”。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。
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。
基础数据有了，大多数掌柜却只做月结汇总，忽略了整个过程，很多潜在的盈亏改善点就是这样被错过的。比如：某掌柜月结汇总是发现本月采购量远远大于销售量，却没办法追溯原因。某掌柜月结汇总时才发现，大蒜上星期处在历史最低价，却没能及时囤货，现在涨回来了，后悔莫及。
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。

2.互联网外卖行业的兴起，促使商家开始了解数据运营

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。
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。

3.外卖平台多，数据乱，无法满足数据运营要求

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。
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……
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。
所以我决定建立一个灵活、便捷、且能够监控多渠道的数据监测中心。

如何构建数据运营监测中心

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。
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。

1.如何根据订单数据建立分析模型，建模有何用？

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。
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。

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。
比如：

• 年报、季报、周报、日报我都能查看吗？（钻取，上卷）
• 能查看任意时间段下，某道菜品甚至几道菜品的销量对比吗？（切片、切块）
• 能全局观察，对比几个外卖平台的销售情况吗？（旋转）

但实际上，订单还会包含菜品数量、价格、送餐地点等数据，集合这些数据，可以构建出一个多维数据模型（画不出来），姑且先用这个立方体做例子。

2.一家餐馆，需要具备哪些“视角”以分析数据

“横看成岭侧成峰”是对置身于数据海洋最形象的形容，不同的视角能得到不同答案。为了能全面了解和分析经营情况，我们固化了十多个常用“视角”：分别包括：

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。

其中的每一个仪表盘，都能拆分出不同的表格，以做便于详细对比。其中的每一个仪表盘，都能拆分出不同的表格，并提供不同的切片、切块视图，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。
如订单分析就包含了：

订单量、平台订单对比、分平台订单量

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

如何通过数据分析合理调整菜单

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。

1.通过数据分析，确定主力销售菜品

总结几大平台的数据之后，我们可以总结出一张菜品销量走势图，并由观察销售金额累计、平台销售数量累计，查看哪些菜品使我们的核心菜品、哪些是我们的主要销售平台。并根据这个结果，调整菜单、调整平台投入力度。

通过分析时间线上销售金额，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，及时做出调整。

2.通过数据分析，了解套餐配菜是否合理

如果你的餐厅里也有单品和套餐，相信你也会关心究竟用户是单品点的多，还是套餐点的多。

也可以检查套餐配菜是否符合用户诉求

3.通过数据分析，调整菜单排序

解析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。

找到新用户收单最爱点哪些菜品后，可以继续分析原因——
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。

如何通过波士顿矩阵分析砍掉菜单里不受欢迎的菜品

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？对菜品这种非标准产品，真的很难做出合理判断，好在我们波士顿矩阵可以辅助分析。

1. 什么是波士顿矩阵？

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。
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。
具体选择，取决于你希望了解什么。

2. 如何在BDP上建立波士顿矩阵？

比如，我们在BDP个人版里组件一个表格，以菜品平均周销量环比增长率为纵轴，平均周销售利润为横轴，菜品销量作为圆圈直径（圈圈大销量大、圈圈小销量小）。我们就能得出以下的矩阵~

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）。

3. 决定你要砍掉的菜品

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。

如何通过用户购买行为确定菜品是“留客”还是“赶客”

想必每家开了外卖平台的餐馆，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?
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。
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。
以上的因素，都可以帮助我们建立一个简单的留存/流失算法，以方便我们建立留存流失模型。

1. 根据用户购买行为建立算法

一道菜品究竟是拉来了用户，还是轰走了用户，要综合看留存与流失量。
既：

存流失贡献度 = 留存指数 + 流失指数

菜品留存指数设置为正积分 ，条件是用户如果反复购买同一道菜品2次以上。
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。2次等于1分，3次等于2分。如此，

公式：正积分 = 购买次数 -1

菜品流失指数为负积分，但由于用户只购买单个菜品一次，可能会出现以下三个场景：

1. 再也不来我们店，流失（最糟情况）；
2. 不喜欢这个菜，还点其他菜（不好不坏）；
3. 未流失，下次还会点（最好）。

所以在考虑概率的情况下，设固定值：

-1（轰人一次）/ 3（三种情景）= -0.34

2. 建立留存流失模型表

留存流失贡献度 = 留存指数 + 流失指数

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。

3. 将菜品评分与留存流失模型对比，效验分析结果是否正确

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。


通过比对，我发现之前的留存流失模型大方向完全准确，现在我们又有了一组数据可以帮忙砍菜单！可能会有人说那我只看美团评分不就得了。在这里，我想说两点：

1. 新起的商家，用户未必能愿意给评星，菜品留存流失率反而更好计算。
2. 所有的模型都需要互相对比验证，才能帮助做更准确的决策。

精细化运营的基础了解基本属性&用户分群

外卖时代的好处是掌柜的可以通过网络，开辟更多销售渠道。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。

1、如何通过订单数据，分析用户的基本属性

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。
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？

（不同区域的热力地图）
哈哈~在9元/平/天的地方跟在6元/平/天的地方上班就是不一样。
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。
类似的用户数据挖掘，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。

值得注意的是，外卖平台间的数据差异还是蛮大的，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。


上面这些最基本的用户属性对于精细化运营还是不够的。 因为这些信息无法帮助你解决下面四个问题——

1. 谁是我的重要价值客户，他们都有什么特点？
2. 谁是我需要重点保持联系的客户，他们都有什么特点？
3. 谁是我的重要发展客户，他们都有什么特点？
4. 谁是我的重要挽留客户，他们都有什么特点？

想要解答这个问题，我们需要动用更高阶的分析模型，去挖掘有效信息。

2、如何通过RFM模型，为用户分群，实现精细化运营

RFM模型是一个被广泛使用的客户关系分析模型，主要以用户行为来区分客户，RFM分别是：

• R = Recency 最近一次消费
• F = Frequency 消费频率
• M = Monetary 消费金额

需要详细了解以上三个指标定义的，可以去戳度娘，教科书式的RFM区分，会将维度再细分出5份，这样就能够细分出5x5x5=125类用户，再根据每类用户精准营销……
显然125类用户已超出普通人脑的计算范畴了，更别说针对125类用户量体定制营销策略。实际运用上，我们只需要把每个唯独做一次两分即可，这样在3个维度上我们依然得到了8组用户。

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）

• 重要价值客户（111）：最近消费时间近、消费频次和消费金额都很高，必须是VIP啊！
• 重要保持客户（011）：最近消费时间较远，但消费频次和金额都很高，说明这是个一段时间没来的忠实客户，我们需要主动和他保持联系。
• 重要发展客户（101）：最近消费时间较近、消费金额高，但频次不高，忠诚度不高，很有潜力的用户，必须重点发展。

• 重要挽留客户（001）：最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当基于挽留措施。

  3、如何在海致BDP上建立RFM模型，帮助用户分群

  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。
  
  上方的表示或许还是太学术了，简单的说

• 第一步：先挑出来近1个月的复购用户。

• 第二步：近1个月内复购用户的平均实付金额做纵轴。
• 第三步：近1个月内复购用户的购买次做横轴，生成表格。
• 第四步，你需要自己在这个表格上划红线。

  横着的红线，代表着你认为来吃饭的客人平均每餐该花多少钱，我这里设定的值是25元，叫外卖25都没付到，对我而言是低消费金额（低M）用户。 竖着的红线，代表着你认为复购多少次的客人，是你的高频用户。外卖点餐流动率很大，一个用户每个月能在一家店点三次以上的菜，对我而言即是高频。

这样，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~
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%。
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。
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。

不得不考虑的用户获取成本！

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。

1、如何通过稳定留存时间，判断一个拉新活动值不值得投入？

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。
再进一步，我们希望“用户终身价值”能够大于“用户获取成本”。
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)。
用户获取成本，即“CAC”，缩写自英文Customer Acquisition Cost,意思是“用户获取成本”。
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。这就错了，流量总是有限的，新用户为什么能在数千商家里看到你家？
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”。
这么重要的指标，没有考虑过的童鞋请一定要考虑考虑啊。做一场活动，做一次推广究竟值不值。就看他了。
但素，我还有一个更简单粗暴的判断投入值不值的方法。
把成本均摊到最终留存用户身上，看需要多久才能从这些用户身上赚取到所投入的成本，如果时间短于稳定留存的时间，这事就值！
举例说明：假设我们花了300块钱买了个位置，带来了60个新用户，3个月后最终稳定留存12人，即3个月留存率达到了20%，把这300元赚回来，就得指望从12个用户每人身上赚到25元。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。
假设：我们花了300块钱买了个位置，带来了60个新用户，3个月后最终稳定留存12人，即3个月留存率达到了20%
把这300元赚回来，就得指望从12个用户每人身上赚到25元。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。
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。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。

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。
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）
当然，如果你需要更加激进的策略，可以让绿色区域继续往右延伸，比如PBP=1.5 x Ts,甚至足够信心的3xTs(外卖市场不稳定，PBP不建议超过3倍留存稳定时间）

2、如何通过同期群分析+BDP，有效监测留存率

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。
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。
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：

横向比较这个表格，可以看出每月新增用户在后续个月的留存率情况。
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。
这样，我们就能监控各种拉新渠道推广的效果。
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。
另外，我们还可以纵向比较留存率，了解哪一种渠道拉新更优。利用BDP也可以做同期群表格，
第一步

第二步：生成表格

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。
举个例子来帮助大家理解：
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。
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。
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！这是平均值永远无法告诉你的事实！
用户购买的行为习惯，都可以从数据中得以窥探。而在用户群分析上，不管是利用RFM模型，还是同期群表格，其核心思想都是用户分组。有效的用户分组，不仅可以提高运营效率，提高营销投放的ROI，更可以规避“平均值”所带来的的陷阱。

文末总结：不要迷信数据

虽然数据不会说谎，但它们只是一些毫无意义的数字而已。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。”
如果非得说数据驱动最有价值的一点，莫过于：“If you cannot measure it，you cannot improve it。”