教你玩转每道菜背后的大数据（中篇）：波士顿矩阵 + 留存流失贡献度帮你及时调整菜单

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。

全文共8147字，整体阅读时间40-50分钟，本次推送将全文分成了上中下三篇 ——

• 上篇主要内容有：1.餐饮行业数据运营的时代已来临. 2.如何构建数据运营监测中心。共2163字。
• 中篇主要内容有：3.如何通过波士顿矩阵分析，砍掉菜单里不受欢迎的菜品。 4.如何通过分析用户购买行为，确定菜品是“留客”还是“赶客”。共2145字。
• 下篇主要内容有：5.如何通过RFM模型，为用户分群，实现精细化运营 6.不得不考虑的用户获取成本 。共3839字。

之前我们推送了教你玩转每道菜背后的大数据（上篇），今天一起来学习中篇哈~

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。

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

关键字：产品经理

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！