◆ ◆ ◆

前言

作為一個一直在數據領域裏折騰的碼農跨界亂入了餐飲行業，從可視化開發到真槍實彈的用可視化去做業務分析，輔助運營甚至作為公司運營決策的依據，這段經曆讓我更真切的體會到數據的價值。我希望用這個係列文章記錄下過去一年時間自己做過的一些事情，雖然內容源於如何在餐飲外賣行業中利用數據驅動實施數據化運營，但相信跟很多行業都有共通之處，從交易訂單的分析下沉至訂單所包含的商品或服務銷售分析乃至用戶交易（活躍）行為所反應出來的留存流失情況，很多模型和方法應該都是通用的。

沉澱即成長，這個係列的成文已經是我最大的收獲，如果他還能給大家帶來一點啟發甚至得到同行朋友們的指教將是我莫大的榮幸，非說教不權威請按需索取：

1、  餐飲外賣中的數據化運營需求和現狀（非餐飲行業請跳過）

2、  構建一個能夠洞察數據的“數據大腦”

3、  業務風向標—訂單量、客單價、成交額、各種聚類分布

4、  商品晴雨表—銷售分析、波士頓矩陣（BCG Matrix）、留存流失指數

5、  用戶群分析—基本屬性、RFM模型、留存率Cohort Analysis（同期群分析）

 

◆ ◆ ◆

正文概覽

*鑒於文章的長度，這裏隻對文章內容做各部分概覽

不過癮的讀者可後台回複關鍵詞“數據化運營”獲得全文29頁PDF

 

1、餐飲外賣中的數據化運營需求和現狀

數據驅動、數據化運營的思維方式和工具正被越來越多餐飲企業所接受和使用。而且我相信在每一位老板的腦袋裏一直都有一個“算盤”每時每刻都在盤算著自己門店的運營情況，但遺憾的是絕大部分的老板真真的隻是把“算盤”存放在腦袋裏，憑一己腦力支撐著門店的各項運營，我想這也是為什麼在餐飲行業裏大家從未停止過聽到這樣的困惑：“一家店盈利，三家店打平，再開下去就虧了”，或許是時候用更科學的手段把這個“算盤”從腦袋裏拿出來，讓計算機去幫你盤算了。

雖然每家餐飲企業的成本模型不一樣，但我想本質是通用的，無非是“進、銷、存、管理運營”下各項收入減去支出得到利潤，這上麵“進、存、管理運營”三部分數據都不難獲得，隻要有這個記錄意識和記錄載體並要求一線員工執行這個記錄流程即可。但這往往卻是最容易被忽視的，太多掌櫃習慣於僅僅是財務式的月結匯總而忽略了這個過程，這忽略也將丟失了潛在的盈虧改善點。最常見的就是耗損，如果僅僅是月結匯總時發現本月采購量遠遠大於銷售量時你知道是什麼原因導致的嗎？養成這種可追溯的曆史記錄不僅是一種監測，還有可能讓你發現“羊毛”，餐飲利潤都是精打細算出來的，比如采銷商品的進貨價，當你遇到某個商品的曆史最低價時，難道不應該多進點嗎？這機會的發現是不應該浪費你腦子去記的，更好的僅僅是製定錄入係統然後查看新生成的曆史進貨價曲線這樣的一個執行製度。

上麵提到的數據內容畢竟都在自己手裏產生的，可被記錄同時也易於分析，可以說隻是意識和執行落實層麵的事情。而 “銷售數據”呢？這不僅是最複雜、價值含量最高的數據，而且還是最不好獲得的，至少在現階段外賣平台還是三國鼎立時要想獲取一份統一而完整的銷售數據可得費一番功夫。

多個外賣平台的存在對商家來說可謂是又愛又恨。愛在他們間相互競爭時的大力補貼，雖然那段瘋狂的補貼紅利期已經過去，但補貼依然還是很多商家利潤中不可忽略的一部分，從這角度出發商家都愛補貼，都不希望合並。恨又是從何而來？每天都需要同時打開多個商家終端在多個平台維護商品、處理評價、申報滿減、活動、對賬、庫存調整，跟多家平台不同的BD、調度、配送員溝通協調，甚至連每天賣了多少都得幾個平台合在一起加加減減才知道，那叫一個累啊。

為了能在多平台上提高效率（主要是懶，懶是信奉Don't Repeat Yourself原則的程序員的第一生產力，懶得下載報表整理數據，所以我寫了些代碼，懶得每天守著搶排名還搶不到，所以我寫了些代碼…），我調研過市麵上10數款餐飲係統、pos係統、一體機，也曾期待滿滿的購買過其中兩家的設備，但最終都以失敗收場。目前市麵還沒有一個讓人（wo）滿意的外賣多平台融合解決方案，在我看來目前市麵上的這些一體機設備其實都隻不過是一個盒子裏麵有個Android機和熱敏打印機。而所謂多平台融合隻不過是安裝了多個商家客戶端，跟你用手機連自己的打印機沒區別T_T，做得好點的會有一個統一商家端看上去好像真的一個客戶端解決了耶，但你真正使用時就會發現事情不是你想的那樣，各種功能欠缺不說（活動運營、評論處理、商品反向同步、多規格支持等等，不是不說嗎？總覺得這廝有點分裂），三天兩頭讓你碰到各種bug，接入開放平台後平台BD權限丟失，而且這融合的統計報表近乎沒用都會一次次刷新你的失望值。

這其實也完全可以理解，一方麵這些外賣平台自身也在快速迭代，開放平台這事肯定不會是現階段的重點，開放接口不完善甚至不穩定的來回變都再正常不過了，以至於這類依賴外賣平台開放接口的融合係統功能巨弱、bug無數；另一方麵多平台融合這注定不會是一個長久的生意，口碑合進餓了麼給到商家就是一周的切換時間，口碑外賣商家客戶端一周間說沒用就沒用了，外賣商家端轉眼4個變3個，誰願意投入資源去研發一個極度依賴第三方接口同時可能說沒用就沒用的融合係統？

不得不補充，雖然口頭上我是不看好這類係統的，但內心我還是期待有企業把這事情做好的，但絕不是靠融合立命，融合外賣隻是用來解決用戶眼前的痛點，做好融合後的下一步才會是立命根基。這正是我想說的，數據驅動，幫助餐飲企業打造一套數據化運營係統，我是滿心期待這類係統不僅幫助商家發現問題（訂單量、客單價、評分等的變化），更好的洞悉當前業務狀態（複購率、複購周期、用戶畫像等），甚至還能幫助商家解決問題（菜品迭代、營銷推廣等），而且我相信這麼大的一個市場是有機會的，正如鳳巢業務係統（百度競價排名的商家係統，求別拉黑，僅做類比討論）上雖然也有很多工具幫助商家如挑選關鍵詞、製作廣告等等，但依舊有很多第三方SEO、SEM公司研發各種工具去為商家服務。平台自己是很難做到商家心裏去，大而全麵麵俱到、缺少真實的一線實踐，最關鍵的是很多事情平台和商家間關注點不一樣甚至是利益衝突的，比如平台更看重GMV（Gross Merchandise Volume成交金額，補貼前訂單總金額）而商家更看重Margin（到手利潤），100單20元每單利潤2元和50單25元每單利潤7元，平台會引導商家做前者（GMV 2000 > 1250）而商家則更希望的是後者（Margin 200 < 350），在我看來外賣平台起來了，後運營時代才剛剛開始。

由於沒找到讓人滿意的銷售數據整合平台，我隻好自己構建這套係統。事情都是這樣有好的也有不好的，不好的是沒人替你做你就得自己做啊，你得想辦法去找到你要的數據，人肉也好代碼也罷剛開始都是髒活累活，你得搞清楚各個數據所代表的含義以及統一不同平台間的差異，自己設立指標和評估模型等等，但換句話說好的地方就是你現在可以隨心所欲的去構建你自己的BI（Business Intelligence 商業智能）係統了。

也許你會問：“各個商家係統裏不都有經營分析、運營中心各種數據和報表嗎？雖然不能整合在一起，分開看就是了，為啥你還要自己構建這個係統？”，看完這個係列的文章或許你自有答案了！（這句話怎麼看怎麼像釣魚，但請相信我，你不會後悔上鉤的。）

2、構建一個能夠洞察數據的“數據大腦”

正常來說我應該跟大家分享一下怎麼構建的，但相信大部分人最先關注的是做什麼有什麼用而不是怎麼做，所以先把What跟大家分享，日後有機會再說說How。

3、業務風向標—訂單量、客單價、成交額、各種聚類分布

“訂單量 x 客單價 = 成交額”相信這是各位老板最熟悉不過的公式，運營人員每天都在想各種辦法提高訂單量，提升客單價，這三個數據指標可以說是我們業務的風向標。而在外賣平台上，我們還會同時關注“用戶數”、“用戶實付”、“商家實收”，改變統計周期得到的某天、某段時間這些主要的業務指標應該是各種報告裏最常規的要素：

總結：訂單量、客單價、成交額作為觀測業務運營情況最重要的三個指標應該作為常駐觀測項，同時我建議在此基礎上細分出新用戶訂單與複購訂單以分析業務是否運轉健康；把每個訂單的金額根據構成拆分開以觀測真正的用戶實付、商家實收客單價的變化；分析用戶實付與訂單總金額的頻數分布用於指導新商品的研發定價、滿減返券檔位設置；通過訂單的時空分析我們可以了解到訂單是在什麼時間從什麼地方而來，變化是如何發生，這對於門店日常工作、進銷存管理、銷量預測、運營推廣、廣告投放策略都具有指導意義。

4、商品晴雨表—銷售分析、波士頓矩陣（BCGMatrix）、留存流失指數

不管是各種核心的業務風向標還是不同的聚類角度（時間、空間），前麵的視角主要都是從訂單角度去了解我們的業務，如果我們從訂單數據中再深挖一層，就會發現一項重要信息——商品明細，一個訂單會包含一個或多個商品，從商品角度觀測業務運營不僅可以了解各個商品的銷售情況，打磨完善整個產品體係，甚至可以從中挖掘到商品對於品牌（或店鋪）的留存流失貢獻度。

總結：從訂單數據下沉到商品數據，不僅可以簡單直接的了解到各個商品的銷量變化、銷售貢獻，結合不同維度的“波士頓分析”可以更加有效的打磨和完善整個商品體係，更重要的是這種商品數據能夠進一步的描繪用戶的購買行為從而可以捕獲到不同商品對於整個品牌（或店鋪）的留存貢獻和流失影響。

5、用戶群分析—基本屬性、RFM模型、留存率Cohort Analysis（同期群分析）

從訂單數據到商品數據，商品數據又間接描繪了用戶購買行為，我們離“上帝”越來越近了，是的，我指的“上帝”就是我們的顧客。對你的顧客越了解，你的營銷策略將越有針對性也更加有效，而且更加重要的是在用戶數據裏埋藏了一個幾乎決定一家店鋪命運的重要指標——留存率！

總結：越了解你的用戶，你的營銷策略將越有針對性也更加有效，用戶的購買行為甚至習性品好都可以從數據中得以窺探，這都可以幫助我們改善經營。而在用戶群分析上不管是利用RFM模型還是Cohort Analysis表格其核心思想都是用戶分組，有效的分組不僅可以提高運營效率、提高營銷投放的ROI，更重要的是可以規避“平均值”所帶來的陷阱。

結語 · 別迷信數據

每個行業都有自己必須解決的核心問題，正如出品和服務永遠都是做好餐飲企業的根本，但數據化運營不能幫助你解決任何根本問題，它隻能幫助你更好的發現問題和提供決策參考。而且更重要的是如果過分迷信數據，這將可能把你帶向深淵，如果你搜索一下“數據會說謊”，相信你一定能找到無數十分真實而又荒誕絕倫的故事，這正是我希望提醒大家的，別迷信數據。

從數據獲取的準確性、完備性到數據清洗篩選、分析的方式方法，每一個步驟都可能出現問題，即使每個步驟看起來都是合乎邏輯的，甚至盡管你已經得到了完全正確的結果，問題依然可能出現在我們要對這個結果的解讀，比如：“A類型產品的銷量遠比B類型產品的銷量多”，那麼“我們應該生產A類型產品，因為他更受用戶歡迎”或者“我們應該生產B類型產品，因為市場空白競爭少”，無論那種解讀都可能是個絕妙的主意或者帶來災難。

原文發布時間為：2016-10-25

本文來自雲棲社區合作夥伴“大數據文摘”，了解相關信息可以關注“BigDataDigest”微信公眾號