餐饮

（2）门店分析：了解具体某一门店的地理位置、服务人员数量、折扣率、翻台率等经营情况，通常可以辅助发现问题，提高门店效率

（4）库存分析：是保证餐饮店正常运转的重要指标，通过分析预测实现及时供货、补货、淘汰不合格库存产品

第二部分 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。

　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。

第三部分 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个人版上建立波士顿矩阵？
　　比如，我们在海致BDP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。

第四部分 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。

第五部分 精细化运营的基础了解基本属性&为用户分群

　　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？

　　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，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。

　　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，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
　　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。

第六部分 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。