全文共8147字，整體閱讀時間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)運營的時代已來臨. 2.如何構建數(shù)據(jù)運營監(jiān)測中心。共2163字。
• 中篇主要內(nèi)容有：3.如何通過波士頓矩陣分析，砍掉菜單里不受歡迎的菜品。 4.如何通過分析用戶購買行為，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RFM模型，為用戶分群，實現(xiàn)精細化運營 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），今天一起來學習最后的下篇。

精細化運營的基礎了解基本屬性&用戶分群

外賣時代的好處是掌柜的可以通過網(wǎng)絡，開辟更多銷售渠道。那么問題就來了。由于掌柜無法直接接觸到食客，他也很難確定喜愛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，通過對于訂餐地址的統(tǒng)計，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。

舉個簡單的例子，下圖表示的是普通可樂和健怡可樂的用戶分布，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)健怡可樂多進貨）、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)復購構成、復購用戶跨平臺使用情況、性別組成做更精細化的分析。

值得注意的是，外賣平臺間的數(shù)據(jù)差異還是蠻大的，除了跨平臺分析也需要分平臺對比，有利于針對不同平臺做出不同的營銷策略。

上面這些最基本的用戶屬性對于精細化運營還是不夠的。 因為這些信息無法幫助你解決下面四個問題——

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

想要解答這個問題，我們需要動用更高階的分析模型，去挖掘有效信息。

2、如何通過RFM模型，為用戶分群，實現(xiàn)精細化運營

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

• R = Recency 最近一次消費
• F = Frequency 消費頻率
• M = Monetary 消費金額

需要詳細了解以上三個指標定義的，可以去戳度娘，教科書式的RFM區(qū)分，會將維度再細分出5份，這樣就能夠細分出5x5x5=125類用戶，再根據(jù)每類用戶精準營銷……

顯然125類用戶已超出普通人腦的計算范疇了，更別說針對125類用戶量體定制營銷策略。實際運用上，我們只需要把每個唯獨做一次兩分即可，這樣在3個維度上我們依然得到了8組用戶。

這樣，之前提的四個問題，就能很容易被解讀（編號次序RFM,1代表高，0代表低）

• 重要價值客戶（111）：最近消費時間近、消費頻次和消費金額都很高，必須是VIP?。?/li>
• 重要保持客戶（011）：最近消費時間較遠，但消費頻次和金額都很高，說明這是個一段時間沒來的忠實客戶，我們需要主動和他保持聯(lián)系。
• 重要發(fā)展客戶（101）：最近消費時間較近、消費金額高，但頻次不高，忠誠度不高，很有潛力的用戶，必須重點發(fā)展。
• 重要挽留客戶（001）：最近消費時間較遠、消費頻次不高，但消費金額高的用戶，可能是將要流失或者已經(jīng)要流失的用戶，應當基于挽留措施。

3、如何在海致BDP上建立RFM模型，幫助用戶分群

這時候可能會有朋友問了，天啦，你這個三維模型，我沒辦法用BDP來建表格了。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（即在近30天有復購的用戶中做分析），壓扁了就會看到。

上方的表示或許還是太學術了，簡單的說

• 第一步：先挑出來近1個月的復購用戶。
• 第二步：近1個月內(nèi)復購用戶的平均實付金額做縱軸。
• 第三步：近1個月內(nèi)復購用戶的購買次做橫軸，生成表格。
• 第四步，你需要自己在這個表格上劃紅線。

橫著的紅線，代表著你認為來吃飯的客人平均每餐該花多少錢，我這里設定的值是25元，叫外賣25都沒付到，對我而言是低消費金額（低M）用戶。

豎著的紅線，代表著你認為復購多少次的客人，是你的高頻用戶。外賣點餐流動率很大，一個用戶每個月能在一家店點三次以上的菜，對我而言即是高頻。

這樣，RFM模型就建立好了。這個RFM模型在實操時有什么用呢？舉個例子~

比如對圈用戶群發(fā)短信轉(zhuǎn)化只有不到1%時，你可以用RFM做個分析，只選取R值高的用戶(最近2周到最近一個月內(nèi)消費的用戶），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個用戶發(fā)短信，得到100個訂單，還是愿意花48元給800人發(fā)短信得到80個訂單，相信大家一定會選后者。

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

不得不考慮的用戶獲取成本！

壓軸的總是最后才上場，我們開篇就提到過幾乎決定一家門店命運的重要指標——留存率。但這個部分，聊得并不是很細致。

1、如何通過穩(wěn)定留存時間，判斷一個拉新活動值不值得投入？

留存率非常重要，他直接影響到我們的生意是否“賺錢”！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能做到新增用戶大于等于流失用戶。

再進一步，我們希望“用戶終身價值”能夠大于“用戶獲取成本”。

用戶終身價值，即“LTV”,縮寫自英文Life Time Value，相對準確的計算公式是：用戶每月購買頻次x每次客單價x毛利率x(1/月流失率)。

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

也許你會說，哪來什么“用戶獲取成本”？我就在外賣平臺上開個店，用戶打開APP就看到我們家了。這就錯了，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？

不管是因為你營銷給力，訂單良好以至于自然排名靠前，還是參加了特價活動有了專題曝光，還是你直接買了排名，發(fā)了傳單。這些方式里的滿減、贈品、折扣、印刷費人工這算下來都是你的“用戶獲取成本”。

這么重要的指標，沒有考慮過的童鞋請一定要考慮考慮啊。做一場活動，做一次推廣究竟值不值。就看他了。

但素，我還有一個更簡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，如果時間短于穩(wěn)定留存的時間，這事就值！

舉例說明：假設我們花了300塊錢買了個位置，帶來了60個新用戶，3個月后最終穩(wěn)定留存12人，即3個月留存率達到了20%，把這300元賺回來，就得指望從12個用戶每人身上賺到25元。而用戶在我們店點一次餐，平均毛利率5元。這需要每個用戶下5單，保證我們能賺到25元。

假設：我們花了300塊錢買了個位置，帶來了60個新用戶，3個月后最終穩(wěn)定留存12人，即3個月留存率達到了20%

把這300元賺回來，就得指望從12個用戶每人身上賺到25元。而用戶在我們店點一次餐，平均毛利率5元。這需要每個用戶下5單，保證我們能賺到25元。

假設一個用戶2周下單一次，2.5個月就能賺回25元。穩(wěn)定留存的用戶一般下單數(shù)都會大于兩周下一次單，即2.5個月回本的時間是穩(wěn)妥的，且小于穩(wěn)定留存率的時間（3個月），這事值得干。但如果你3個月留存率只有5%，按上文推算，10個月你才能回本。這事兒顯然不值得做。

上面那些理論總結(jié)起來，就是這張圖。我期望在綠色箭頭所在區(qū)間的時間里，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，我希望PBP少于等于留存率穩(wěn)定時間Ts。（Payback Period，回收期，即花出去的用戶獲取成本可以在多長時間內(nèi)回本）

當然，如果你需要更加激進的策略，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(外賣市場不穩(wěn)定，PBP不建議超過3倍留存穩(wěn)定時間）

2、如何通過同期群分析+BDP，有效監(jiān)測留存率

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

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

在我們的APP里、外賣平臺里，就是同一段時間內(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時間維度來分組。最終，一個典型的留存率同期群表格長這樣：

橫向比較這個表格，可以看出每月新增用戶在后續(xù)個月的留存率情況。

縱向比較，可以看出不同月份新增用戶，分別在當月、下個月、下下個月等留存表現(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5折特價活動，下下月是地推傳單。通過同期群表格，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，當調(diào)整某種營銷策略并不僅僅是影響到拉新時，我們還需要觀測斜向?qū)蔷€左右兩側(cè)來比較。

舉個例子來幫助大家理解：

假設上圖中7月18日（29周）后，我們調(diào)整了滿減，從7折上升到8折。正常來說，滿減力度下降，會導致歷史同期群（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來的，留存率應當下降。

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

但是！未來的留存率卻沒有受影響，這也有可能是因為滿減力度下降我們迎來了更多真實用戶，反而留存率提高了！這是平均值永遠無法告訴你的事實！

用戶購買的行為習慣，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，不僅可以提高運營效率，提高營銷投放的ROI，更可以規(guī)避“平均值”所帶來的的陷阱。

文末總結(jié)：不要迷信數(shù)據(jù)

雖然數(shù)據(jù)不會說謊，但它們只是一些毫無意義的數(shù)字而已。數(shù)據(jù)分析中永遠不能忽略的一個問題是：“數(shù)據(jù)并不一定代表事實，但數(shù)據(jù)可以幫助你更透徹地去發(fā)現(xiàn)事實?！?/p>

如果非得說數(shù)據(jù)驅(qū)動最有價值的一點，莫過于：“If you cannot measure it，you cannot improve it?！?/p>

相關閱讀

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)運營的時代已來臨

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

作者：Kener-林峰，數(shù)據(jù)可視化領域?qū)＜?，北郵計算機、國家重點實驗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)務系統(tǒng)前端技術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。

題圖來自 PEXELS，基于 CC0 協(xié)議