摘要： ◆ ◆ ◆ 前言 作为一个一直在数据领域里折腾的码农跨界乱入了餐饮行业，从可视化开发到真枪实弹的用可视化去做业务分析，辅助运营甚至作为公司运营决策的依据，这段经历让我更真切的体会到数据的价值。

◆ ◆ ◆

前言

作为一个一直在数据领域里折腾的码农跨界乱入了餐饮行业，从可视化开发到真枪实弹的用可视化去做业务分析，辅助运营甚至作为公司运营决策的依据，这段经历让我更真切的体会到数据的价值。我希望用这个系列文章记录下过去一年时间自己做过的一些事情，虽然内容源于如何在餐饮外卖行业中利用数据驱动实施数据化运营， 但相信跟很多行业都有共通之处，从交易订单的分析下沉至订单所包含的商品或服务销售分析乃至用户交易（活跃）行为所反应出来的留存流失情况，很多模型和方法应该都是通用的。

沉淀即成长，这个系列的成文已经是我最大的收获，如果他还能给大家带来一点启发甚至得到同行朋友们的指教将是我莫大的荣幸，非说教不权威请按需索取：

1、 餐饮外卖中的数据化运营需求和现状（非餐饮行业请跳过）

2、 构建一个能够洞察数据的“数据大脑”

3、 业务风向标—订单量、客单价、成交额、各种聚类分布

4、 商品晴雨表—销售分析、波士顿矩阵（BCG Matrix）、留存流失指数

5、 用户群分析—基本属性、RFM模型、留存率Cohort Analysis（同期群分析）

◆ ◆ ◆

正文概览

*鉴于文章的长度，这里只对文章内容做各部分概览

1、餐饮外卖中的数据化运营需求和现状

数据驱动、数据化运营的思维方式和工具正被越来越多餐饮企业所接受和使用。而且我相信在每一位老板的脑袋里一直都有一个“算盘”每时每刻都在盘算着自己门店的运营情况，但遗憾的是绝大部分的老板真真的只是把“算盘”存放在脑袋里，凭一己脑力支撑着门店的各项运营，我想这也是为什么在餐饮行业里大家从未停止过听到这样的困惑：“一家店盈利，三家店打平，再开下去就亏了”，或许是时候用更科学的手段把这个“算盘”从脑袋里拿出来，让计算机去帮你盘算了。

虽然每家餐饮企业的成本模型不一样，但我想本质是通用的，无非是“进、销、存、管理运营”下各项收入减去支出得到利润，这上面“进、存、管理运营”三部分数据都不难获得，只要有这个记录意识和记录载体并要求一线员工执行这个记录流程即可。但这往往却是最容易被忽视的，太多掌柜习惯于仅仅是财务式的月结汇总而忽略了这个过程，这忽略也将丢失了潜在的盈亏改善点。最常见的就是耗损，如果仅仅是月结汇总时发现本月采购量远远大于销售量时你知道是什么原因导致的吗？养成这种可追溯的历史记录不仅是一种监测，还有可能让你发现“羊毛”，餐饮利润都是精打细算出来的，比如采销商品的进货价，当你遇到某个商品的历史最低价时，难道不应该多进点吗？这机会的发现是不应该浪费你脑子去记的，更好的仅仅是制定录入系统然后查看新生成的历史进货价曲线这样的一个执行制度。

上面提到的数据内容毕竟都在自己手里产生的，可被记录同时也易于分析，可以说只是意识和执行落实层面的事情。而 “销售数据”呢？这不仅是最复杂、价值含量最高的数据，而且还是最不好获得的，至少在现阶段外卖平台还是三国鼎立时要想获取一份统一而完整的销售数据可得费一番功夫。

多个外卖平台的存在对商家来说可谓是又爱又恨。爱在他们间相互竞争时的大力补贴，虽然那段疯狂的补贴红利期已经过去，但补贴依然还是很多商家利润中不可忽略的一部分，从这角度出发商家都爱补贴，都不希望合并。恨又是从何而来？每天都需要同时打开多个商家终端在多个平台维护商品、处理评价、申报满减、活动、对账、库存调整，跟多家平台不同的BD、调度、配送员沟通协调，甚至连每天卖了多少都得几个平台合在一起加加减减才知道，那叫一个累啊。

为了能在多平台上提高效率（主要是懒，懒是信奉Don't Repeat Yourself原则的程序员的第一生产力，懒得下载报表整理数据，所以我写了些代码，懒得每天守着抢排名还抢不到，所以我写了些代码…），我调研过市面上10数款餐饮系统、pos系统、一体机，也曾期待满满的购买过其中两家的设备，但最终都以失败收场。目前市面还没有一个让人（wo）满意的外卖多平台融合解决方案，在我看来目前市面上的这些一体机设备其实都只不过是一个盒子里面有个Android机和热敏打印机。而所谓多平台融合只不过是安装了多个商家客户端，跟你用手机连自己的打印机没区别T_T，做得好点的会有一个统一商家端看上去好像真的一个客户端解决了耶，但你真正使用时就会发现事情不是你想的那样，各种功能欠缺不说（活动运营、评论处理、商品反向同步、多规格支持等等，不是不说吗？总觉得这厮有点分裂），三天两头让你碰到各种bug，接入开放平台后平台BD权限丢失，而且这融合的统计报表近乎没用都会一次次刷新你的失望值。

这其实也完全可以理解，一方面这些外卖平台自身也在快速迭代，开放平台这事肯定不会是现阶段的重点，开放接口不完善甚至不稳定的来回变都再正常不过了，以至于这类依赖外卖平台开放接口的融合系统功能巨弱、bug无数；另一方面多平台融合这注定不会是一个长久的生意，口碑合进饿了么给到商家就是一周的切换时间，口碑外卖商家客户端一周间说没用就没用了，外卖商家端转眼4个变3个，谁愿意投入资源去研发一个极度依赖第三方接口同时可能说没用就没用的融合系统？

不得不补充，虽然口头上我是不看好这类系统的，但内心我还是期待有企业把这事情做好的，但绝不是靠融合立命，融合外卖只是用来解决用户眼前的痛点，做好融合后的下一步才会是立命根基。这正是我想说的，数据驱动，帮助餐饮企业打造一套数据化运营系统，我是满心期待这类系统不仅帮助商家发现问题（订单量、客单价、评分等的变化），更好的洞悉当前业务状态（复购率、复购周期、用户画像等），甚至还能帮助商家解决问题（菜品迭代、营销推广等），而且我相信这么大的一个市场是有机会的，正如凤巢业务系统（百度竞价排名的商家系统，求别拉黑，仅做类比讨论）上虽然也有很多工具帮助商家如挑选关键词、制作广告等等，但依旧有很多第三方SEO、SEM公司研发各种工具去为商家服务。平台自己是很难做到商家心里去，大而全面面俱到、缺少真实的一线实践，最关键的是很多事情平台和商家间关注点不一样甚至是利益冲突的，比如平台更看重GMV（Gross Merchandise Volume成交金额，补贴前订单总金额）而商家更看重Margin（到手利润），100单20元每单利润2元和50单25元每单利润7元，平台会引导商家做前者（GMV 2000 > 1250）而商家则更希望的是后者（Margin 200 < 350），在我看来外卖平台起来了，后运营时代才刚刚开始。

由于没找到让人满意的销售数据整合平台，我只好自己构建这套系统。事情都是这样有好的也有不好的，不好的是没人替你做你就得自己做啊，你得想办法去找到你要的数据，人肉也好代码也罢刚开始都是脏活累活，你得搞清楚各个数据所代表的含义以及统一不同平台间的差异，自己设立指标和评估模型等等，但换句话说好的地方就是你现在可以随心所欲的去构建你自己的BI（Business Intelligence 商业智能）系统了。

也许你会问：“各个商家系统里不都有经营分析、运营中心各种数据和报表吗？虽然不能整合在一起，分开看就是了，为啥你还要自己构建这个系统？” ，看完这个系列的文章或许你自有答案了！（这句话怎么看怎么像钓鱼，但请相信我，你不会后悔上钩的。）

2、构建一个能够洞察数据的“数据大脑”

正常来说我应该跟大家分享一下怎么构建的，但相信大部分人最先关注的是做什么有什么用而不是怎么做，所以先把What跟大家分享，日后有机会再说说How。

3、业务风向标—订单量、客单价、成交额、各种聚类分布

“订单量 x 客单价 = 成交额”相信这是各位老板最熟悉不过的公式，运营人员每天都在想各种办法提高订单量，提升客单价，这三个数据指标可以说是我们业务的风向标。而在外卖平台上，我们还会同时关注“用户数”、“用户实付”、“商家实收”，改变统计周期得到的某天、某段时间这些主要的业务指标应该是各种报告里最常规的要素：

总结： 订单量、客单价、成交额作为观测业务运营情况最重要的三个指标应该作为常驻观测项，同时我建议在此基础上细分出新用户订单与复购订单以分析业务是否运转健康；把每个订单的金额根据构成拆分开以观测真正的用户实付、商家实收客单价的变化；分析用户实付与订单总金额的频数分布用于指导新商品的研发定价、满减返券档位设置；通过订单的时空分析我们可以了解到订单是在什么时间从什么地方而来，变化是如何发生，这对于门店日常工作、进销存管理、销量预测、运营推广、广告投放策略都具有指导意义。

4、商品晴雨表—销售分析、波士顿矩阵（BCGMatrix）、留存流失指数

不管是各种核心的业务风向标还是不同的聚类角度（时间、空间），前面的视角主要都是从订单角度去了解我们的业务，如果我们从订单数据中再深挖一层，就会发现一项重要信息—— 商品明细 ，一个订单会包含一个或多个商品，从商品角度观测业务运营不仅可以了解各个商品的销售情况，打磨完善整个产品体系，甚至可以从中挖掘到商品对于品牌（或店铺）的留存流失贡献度。

总结 ：从订单数据下沉到商品数据，不仅可以简单直接的了解到各个商品的销量变化、销售贡献，结合不同维度的“波士顿分析”可以更加有效的打磨和完善整个商品体系，更重要的是这种商品数据能够进一步的描绘用户的购买行为从而可以捕获到不同商品对于整个品牌（或店铺）的留存贡献和流失影响。

5、用户群分析—基本属性、RFM模型、留存率Cohort Analysis（同期群分析）

从订单数据到商品数据，商品数据又间接描绘了用户购买行为，我们离“上帝”越来越近了，是的，我指的“上帝”就是我们的顾客。对你的顾客越了解，你的营销策略将越有针对性也更加有效，而且更加重要的是在用户数据里埋藏了一个几乎决定一家店铺命运的重要指标—— 留存率 ！

总结： 越了解你的用户，你的营销策略将越有针对性也更加有效，用户的购买行为甚至习性品好都可以从数据中得以窥探，这都可以帮助我们改善经营。而在用户群分析上不管是利用RFM模型还是Cohort Analysis表格其核心思想都是用户分组，有效的分组不仅可以提高运营效率、提高营销投放的ROI，更重要的是可以规避“平均值”所带来的陷阱。

结语 · 别迷信数据

每个行业都有自己必须解决的核心问题，正如出品和服务永远都是做好餐饮企业的根本，但数据化运营不能帮助你解决任何根本问题，它只能帮助你更好的发现问题和提供决策参考。而且更重要的是如果过分迷信数据，这将可能把你带向深渊，如果你搜索一下“数据会说谎”，相信你一定能找到无数十分真实而又荒诞绝伦的故事，这正是我希望提醒大家的，别迷信数据。

从数据获取的准确性、完备性到数据清洗筛选、分析的方式方法，每一个步骤都可能出现问题，即使每个步骤看起来都是合乎逻辑的，甚至尽管你已经得到了完全正确的结果，问题依然可能出现在我们要对这个结果的解读，比如：“A类型产品的销量远比B类型产品的销量多”，那么“我们应该生产A类型产品，因为他更受用户欢迎”或者“我们应该生产B类型产品，因为市场空白竞争少”，无论那种解读都可能是个绝妙的主意或者带来灾难。

来源：大数据文摘

关键字：产品经理, 大数据, 数据, 业界动态

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！