全文共8147字，整體閱讀時(shí)間40-50分鐘，本次推送將全文分成了上中下三篇！

• 上篇主要內(nèi)容有：1.餐飲行業(yè)數(shù)據(jù)運(yùn)營(yíng)的時(shí)代已來(lái)臨. 2.如何構(gòu)建數(shù)據(jù)運(yùn)營(yíng)監(jiān)測(cè)中心。共2163字。
• 中篇主要內(nèi)容有：3.如何通過(guò)波士頓矩陣分析，砍掉菜單里不受歡迎的菜品。 4.如何通過(guò)分析用戶購(gòu)買行為，確定菜品是“留客”還是“趕客”。共2145字。
• 下篇主要內(nèi)容有：5.如何通過(guò)RFM模型，為用戶分群，實(shí)現(xiàn)精細(xì)化運(yùn)營(yíng) 6.不得不考慮的用戶獲取成本 。共3839字。

之前我們推送了教你玩轉(zhuǎn)每道菜背后的大數(shù)據(jù)（上篇）和教你玩轉(zhuǎn)每道菜背后的大數(shù)據(jù)（中篇），今天一起來(lái)學(xué)習(xí)最后的下篇。

精細(xì)化運(yùn)營(yíng)的基礎(chǔ)了解基本屬性&用戶分群

外賣時(shí)代的好處是掌柜的可以通過(guò)網(wǎng)絡(luò)，開(kāi)辟更多銷售渠道。那么問(wèn)題就來(lái)了。由于掌柜無(wú)法直接接觸到食客，他也很難確定喜愛(ài)自家美食的群體有什么特征，再根據(jù)這些特征投其所好、推陳出新。

1、如何通過(guò)訂單數(shù)據(jù)，分析用戶的基本屬性

用戶的訂單上都有訂餐地址，通過(guò)對(duì)于訂餐地址的統(tǒng)計(jì)，我們可以查詢到不同條件組合下的用戶分布，甚至能知道喜歡謀道菜的用戶都在哪里。

舉個(gè)簡(jiǎn)單的例子，下圖表示的是普通可樂(lè)和健怡可樂(lè)的用戶分布，你發(fā)現(xiàn)了什么？

（不同區(qū)域的熱力地圖）

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樣。

所以，知道喜歡某到菜的用戶住哪兒，或許能幫助掌柜們挖掘到更多匹配要素，根據(jù)這些匹配要素尋找用戶（比如：高檔小區(qū)健怡可樂(lè)多進(jìn)貨）、或者為用戶推薦菜品都將事半功倍。

類似的用戶數(shù)據(jù)挖掘，還可以根據(jù)復(fù)購(gòu)構(gòu)成、復(fù)購(gòu)用戶跨平臺(tái)使用情況、性別組成做更精細(xì)化的分析。

值得注意的是，外賣平臺(tái)間的數(shù)據(jù)差異還是蠻大的，除了跨平臺(tái)分析也需要分平臺(tái)對(duì)比，有利于針對(duì)不同平臺(tái)做出不同的營(yíng)銷策略。

上面這些最基本的用戶屬性對(duì)于精細(xì)化運(yùn)營(yíng)還是不夠的。 因?yàn)檫@些信息無(wú)法幫助你解決下面四個(gè)問(wèn)題——

1. 誰(shuí)是我的重要價(jià)值客戶，他們都有什么特點(diǎn)？
2. 誰(shuí)是我需要重點(diǎn)保持聯(lián)系的客戶，他們都有什么特點(diǎn)？
3. 誰(shuí)是我的重要發(fā)展客戶，他們都有什么特點(diǎn)？
4. 誰(shuí)是我的重要挽留客戶，他們都有什么特點(diǎn)？

想要解答這個(gè)問(wèn)題，我們需要?jiǎng)佑酶唠A的分析模型，去挖掘有效信息。

2、如何通過(guò)RFM模型，為用戶分群，實(shí)現(xiàn)精細(xì)化運(yùn)營(yíng)

RFM模型是一個(gè)被廣泛使用的客戶關(guān)系分析模型，主要以用戶行為來(lái)區(qū)分客戶，RFM分別是：

• R = Recency 最近一次消費(fèi)
• F = Frequency 消費(fèi)頻率
• M = Monetary 消費(fèi)金額

需要詳細(xì)了解以上三個(gè)指標(biāo)定義的，可以去戳度娘，教科書(shū)式的RFM區(qū)分，會(huì)將維度再細(xì)分出5份，這樣就能夠細(xì)分出5x5x5=125類用戶，再根據(jù)每類用戶精準(zhǔn)營(yíng)銷……

顯然125類用戶已超出普通人腦的計(jì)算范疇了，更別說(shuō)針對(duì)125類用戶量體定制營(yíng)銷策略。實(shí)際運(yùn)用上，我們只需要把每個(gè)唯獨(dú)做一次兩分即可，這樣在3個(gè)維度上我們依然得到了8組用戶。

這樣，之前提的四個(gè)問(wèn)題，就能很容易被解讀（編號(hào)次序RFM,1代表高，0代表低）

• 重要價(jià)值客戶（111）：最近消費(fèi)時(shí)間近、消費(fèi)頻次和消費(fèi)金額都很高，必須是VIP啊！
• 重要保持客戶（011）：最近消費(fèi)時(shí)間較遠(yuǎn)，但消費(fèi)頻次和金額都很高，說(shuō)明這是個(gè)一段時(shí)間沒(méi)來(lái)的忠實(shí)客戶，我們需要主動(dòng)和他保持聯(lián)系。
• 重要發(fā)展客戶（101）：最近消費(fèi)時(shí)間較近、消費(fèi)金額高，但頻次不高，忠誠(chéng)度不高，很有潛力的用戶，必須重點(diǎn)發(fā)展。
• 重要挽留客戶（001）：最近消費(fèi)時(shí)間較遠(yuǎn)、消費(fèi)頻次不高，但消費(fèi)金額高的用戶，可能是將要流失或者已經(jīng)要流失的用戶，應(yīng)當(dāng)基于挽留措施。

3、如何在海致BDP上建立RFM模型，幫助用戶分群

這時(shí)候可能會(huì)有朋友問(wèn)了，天啦，你這個(gè)三維模型，我沒(méi)辦法用BDP來(lái)建表格了。所以我們需要做的是將三維模型二維化，我們將R域切一塊出來(lái)（即在近30天有復(fù)購(gòu)的用戶中做分析），壓扁了就會(huì)看到。

上方的表示或許還是太學(xué)術(shù)了，簡(jiǎn)單的說(shuō)

• 第一步：先挑出來(lái)近1個(gè)月的復(fù)購(gòu)用戶。
• 第二步：近1個(gè)月內(nèi)復(fù)購(gòu)用戶的平均實(shí)付金額做縱軸。
• 第三步：近1個(gè)月內(nèi)復(fù)購(gòu)用戶的購(gòu)買次做橫軸，生成表格。
• 第四步，你需要自己在這個(gè)表格上劃紅線。

橫著的紅線，代表著你認(rèn)為來(lái)吃飯的客人平均每餐該花多少錢(qián)，我這里設(shè)定的值是25元，叫外賣25都沒(méi)付到，對(duì)我而言是低消費(fèi)金額（低M）用戶。

豎著的紅線，代表著你認(rèn)為復(fù)購(gòu)多少次的客人，是你的高頻用戶。外賣點(diǎn)餐流動(dòng)率很大，一個(gè)用戶每個(gè)月能在一家店點(diǎn)三次以上的菜，對(duì)我而言即是高頻。

這樣，RFM模型就建立好了。這個(gè)RFM模型在實(shí)操時(shí)有什么用呢？舉個(gè)例子~

比如對(duì)圈用戶群發(fā)短信轉(zhuǎn)化只有不到1%時(shí)，你可以用RFM做個(gè)分析，只選取R值高的用戶(最近2周到最近一個(gè)月內(nèi)消費(fèi)的用戶），轉(zhuǎn)化率可以由1%提升到10%。

這也意味著，以往6元/訂單將下降到0.6元/訂單。掌柜們是愿意花600元給10000個(gè)用戶發(fā)短信，得到100個(gè)訂單，還是愿意花48元給800人發(fā)短信得到80個(gè)訂單，相信大家一定會(huì)選后者。

而整體的RFM區(qū)分，則能夠幫掌柜們針對(duì)不同的用戶發(fā)不同的短信，短信的開(kāi)頭是用“好久不見(jiàn)”、還是用“恭喜你成為VIP”，就得看時(shí)重要保持客戶還是重要價(jià)值用戶了。只有能區(qū)分用戶，才能走向精細(xì)化運(yùn)營(yíng)。

不得不考慮的用戶獲取成本！

壓軸的總是最后才上場(chǎng)，我們開(kāi)篇就提到過(guò)幾乎決定一家門(mén)店命運(yùn)的重要指標(biāo)——留存率。但這個(gè)部分，聊得并不是很細(xì)致。

1、如何通過(guò)穩(wěn)定留存時(shí)間，判斷一個(gè)拉新活動(dòng)值不值得投入？

留存率非常重要，他直接影響到我們的生意是否“賺錢(qián)”！不管是什么生意，自然流失都存在，但我們至少期望生意增長(zhǎng)能做到新增用戶大于等于流失用戶。

再進(jìn)一步，我們希望“用戶終身價(jià)值”能夠大于“用戶獲取成本”。

用戶終身價(jià)值，即“LTV”,縮寫(xiě)自英文Life Time Value，相對(duì)準(zhǔn)確的計(jì)算公式是：用戶每月購(gòu)買頻次x每次客單價(jià)x毛利率x(1/月流失率)。

用戶獲取成本，即“CAC”，縮寫(xiě)自英文Customer Acquisition Cost,意思是“用戶獲取成本”。

也許你會(huì)說(shuō)，哪來(lái)什么“用戶獲取成本”？我就在外賣平臺(tái)上開(kāi)個(gè)店，用戶打開(kāi)APP就看到我們家了。這就錯(cuò)了，流量總是有限的，新用戶為什么能在數(shù)千商家里看到你家？

不管是因?yàn)槟銧I(yíng)銷給力，訂單良好以至于自然排名靠前，還是參加了特價(jià)活動(dòng)有了專題曝光，還是你直接買了排名，發(fā)了傳單。這些方式里的滿減、贈(zèng)品、折扣、印刷費(fèi)人工這算下來(lái)都是你的“用戶獲取成本”。

這么重要的指標(biāo)，沒(méi)有考慮過(guò)的童鞋請(qǐng)一定要考慮考慮啊。做一場(chǎng)活動(dòng)，做一次推廣究竟值不值。就看他了。

但素，我還有一個(gè)更簡(jiǎn)單粗暴的判斷投入值不值的方法。

把成本均攤到最終留存用戶身上，看需要多久才能從這些用戶身上賺取到所投入的成本，如果時(shí)間短于穩(wěn)定留存的時(shí)間，這事就值！

舉例說(shuō)明：假設(shè)我們花了300塊錢(qián)買了個(gè)位置，帶來(lái)了60個(gè)新用戶，3個(gè)月后最終穩(wěn)定留存12人，即3個(gè)月留存率達(dá)到了20%，把這300元賺回來(lái)，就得指望從12個(gè)用戶每人身上賺到25元。而用戶在我們店點(diǎn)一次餐，平均毛利率5元。這需要每個(gè)用戶下5單，保證我們能賺到25元。

假設(shè)：我們花了300塊錢(qián)買了個(gè)位置，帶來(lái)了60個(gè)新用戶，3個(gè)月后最終穩(wěn)定留存12人，即3個(gè)月留存率達(dá)到了20%

把這300元賺回來(lái)，就得指望從12個(gè)用戶每人身上賺到25元。而用戶在我們店點(diǎn)一次餐，平均毛利率5元。這需要每個(gè)用戶下5單，保證我們能賺到25元。

假設(shè)一個(gè)用戶2周下單一次，2.5個(gè)月就能賺回25元。穩(wěn)定留存的用戶一般下單數(shù)都會(huì)大于兩周下一次單，即2.5個(gè)月回本的時(shí)間是穩(wěn)妥的，且小于穩(wěn)定留存率的時(shí)間（3個(gè)月），這事值得干。但如果你3個(gè)月留存率只有5%，按上文推算，10個(gè)月你才能回本。這事兒顯然不值得做。

上面那些理論總結(jié)起來(lái)，就是這張圖。我期望在綠色箭頭所在區(qū)間的時(shí)間里，就能cover住投入成本。這樣不管留存率如何衰減，投入的成本都能收回。

也就是說(shuō)，我希望PBP少于等于留存率穩(wěn)定時(shí)間Ts。（Payback Period，回收期，即花出去的用戶獲取成本可以在多長(zhǎng)時(shí)間內(nèi)回本）

當(dāng)然，如果你需要更加激進(jìn)的策略，可以讓綠色區(qū)域繼續(xù)往右延伸，比如PBP=1.5 x Ts,甚至足夠信心的3xTs(外賣市場(chǎng)不穩(wěn)定，PBP不建議超過(guò)3倍留存穩(wěn)定時(shí)間）

2、如何通過(guò)同期群分析+BDP，有效監(jiān)測(cè)留存率

講完了這些，你會(huì)明白，留存率如此重要，直接影響到你的用戶終身價(jià)值-LTV，幫助你判斷每次活動(dòng)的用戶獲取成本-CAC是否合理，它的穩(wěn)定時(shí)間甚至可以作為你的回收期PBP參考單位，所以我們需要一個(gè)更厲害的工具來(lái)觀測(cè)它。

這個(gè)工具，就是同期群分析（Cohort Analysis）。如名所示，同期群意味著一起出現(xiàn)、一起成長(zhǎng)的群體。

在我們的APP里、外賣平臺(tái)里，就是同一段時(shí)間內(nèi)一起出現(xiàn)（初次下單）的客戶群體。我們把它按初次下單這個(gè)時(shí)間維度來(lái)分組。最終，一個(gè)典型的留存率同期群表格長(zhǎng)這樣：

橫向比較這個(gè)表格，可以看出每月新增用戶在后續(xù)個(gè)月的留存率情況。

縱向比較，可以看出不同月份新增用戶，分別在當(dāng)月、下個(gè)月、下下個(gè)月等留存表現(xiàn)如何。

這樣，我們就能監(jiān)控各種拉新渠道推廣的效果。

比如，這一月買排名，下一月上平臺(tái)5折特價(jià)活動(dòng)，下下月是地推傳單。通過(guò)同期群表格，橫向?qū)Ρ?，我們能了解同一群新用戶在隔周的留存率變化?/p>

另外，我們還可以縱向比較留存率，了解哪一種渠道拉新更優(yōu)。利用BDP也可以做同期群表格，

第一步

第二步：生成表格

這里提醒大家，當(dāng)調(diào)整某種營(yíng)銷策略并不僅僅是影響到拉新時(shí)，我們還需要觀測(cè)斜向?qū)蔷€左右兩側(cè)來(lái)比較。

舉個(gè)例子來(lái)幫助大家理解：

假設(shè)上圖中7月18日（29周）后，我們調(diào)整了滿減，從7折上升到8折。正常來(lái)說(shuō)，滿減力度下降，會(huì)導(dǎo)致歷史同期群（29周前）里更多用戶流失，畢竟這些用戶是被我們更低的折扣吸引過(guò)來(lái)的，留存率應(yīng)當(dāng)下降。

也就是說(shuō)在表格里，這周起斜下方對(duì)角線右側(cè)留存率應(yīng)當(dāng)明顯低于縱向同周期的左側(cè)留存率。即這種調(diào)整對(duì)歷史同期群的留存率有負(fù)向作用。

但是！未來(lái)的留存率卻沒(méi)有受影響，這也有可能是因?yàn)闈M減力度下降我們迎來(lái)了更多真實(shí)用戶，反而留存率提高了！這是平均值永遠(yuǎn)無(wú)法告訴你的事實(shí)！

用戶購(gòu)買的行為習(xí)慣，都可以從數(shù)據(jù)中得以窺探。而在用戶群分析上，不管是利用RFM模型，還是同期群表格，其核心思想都是用戶分組。有效的用戶分組，不僅可以提高運(yùn)營(yíng)效率，提高營(yíng)銷投放的ROI，更可以規(guī)避“平均值”所帶來(lái)的的陷阱。

文末總結(jié)：不要迷信數(shù)據(jù)

雖然數(shù)據(jù)不會(huì)說(shuō)謊，但它們只是一些毫無(wú)意義的數(shù)字而已。數(shù)據(jù)分析中永遠(yuǎn)不能忽略的一個(gè)問(wèn)題是：“數(shù)據(jù)并不一定代表事實(shí)，但數(shù)據(jù)可以幫助你更透徹地去發(fā)現(xiàn)事實(shí)?！?/p>

如果非得說(shuō)數(shù)據(jù)驅(qū)動(dòng)最有價(jià)值的一點(diǎn)，莫過(guò)于：“If you cannot measure it，you cannot improve it?！?/p>

相關(guān)閱讀

教你玩轉(zhuǎn)每道菜背后的大數(shù)據(jù)（上篇）：餐飲行業(yè)數(shù)據(jù)運(yùn)營(yíng)的時(shí)代已來(lái)臨

教你玩轉(zhuǎn)每道菜背后的大數(shù)據(jù)（中篇）：波士頓矩陣+留存流失貢獻(xiàn)度幫你及時(shí)調(diào)整菜單

作者：Kener-林峰，數(shù)據(jù)可視化領(lǐng)域?qū)＜?，北郵計(jì)算機(jī)、國(guó)家重點(diǎn)實(shí)驗(yàn)室交換與智能控制研究中心、前百度資深研發(fā)工程師，百度數(shù)據(jù)可視化方向奠基人之一，鳳巢業(yè)務(wù)系統(tǒng)前端技術(shù)leader，Echarts 作者

本文由 @Kener-林峰?原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來(lái)自 PEXELS，基于 CC0 協(xié)議