採集餐飲業大數據,有哪些商業價值?

我們在做點菜機項目。我想請教一下大家,如果能採集到巨量的實時的餐飲業大數據,能有多大的商業價值?


對此問題我們有一些思考,我想拿出來請大家評議一下,看看這個事情意義有多大,是否值得做,應該如何做,...,一家之言,難免以偏概全,真誠歡迎大家拍磚,千萬別客氣!

餐飲業數字化設想

數字化餐廳消費全流程:

1,O2O入口,看推薦、點評、距離、風味、價位,選擇合意的餐廳;

2,根據推薦、口味、價位在線預訂、點菜。訂單傳送到餐廳的無線接入點上;

3,根據地圖導航去餐廳;

4,服務員安排餐桌,根據訂單號、手機號、會員號等任一進行確認。

5,[高級] 鼓勵客人使用手機、平板電腦修改點菜單;

6,服務員使用點菜機關聯到該訂單,並進行最後確認下單。

7, [高級] 等待上菜的時間,平板電腦投送精準廣告、娛樂內容。

8,用餐結束,服務員用點菜機發送賬單到顧客手機上;

9,顧客確認後,使用O2O軟體的支付方式進行電子支付。

10,顧客使用O2O軟體對菜品、服務等點評;

11,餐飲數據被發送到大數據服務平台上進行處理;

12,餐飲數據提供給O2O網站做推薦依據,O2O網站提供點評數據給大數據服務平台;

需要改造和增加:點菜機、接入點、大數據平台。

餐飲信息化生態圈

?餐廳信息化
–餐飲管理軟體
?已有幾十家之多,行業需求各異導致;
?如能整合優秀者,則可提升餐廳信息化,進一步提高效率;
–收銀機、印表機
?剛性需求,廠家眾多,成熟產品。
?如能結合則更優。尤其是收銀機與電腦可合二為一,可降低開業投入。
–點菜機/無線接入點▲▲▲
?現有傳統點菜機廠家極少,成熟實用、功能有限。
?提供點菜、對講機、呼叫器、支付,O2O。【這塊需要改造
–平板點菜/廣告
?眾多,基本作為電子菜譜使用。廣告功能無人挖掘。
?大數據服務▲▲▲
–【這塊目前沒有,具有極大價值!】
?廣告服務
–目前沒有成熟的方案。
?支付中心
–顯然餐飲移動支付遠比打車應用的影響力更大!
?O2O網站
–目前主要做外賣、團購。

著眼點在哪裡
?O2O線下閉環的各種方案
–淘點點模式-顧客手機自行點菜、下單、支付。太超前,不符合中餐館實際工作流程、信息化改造整合代價大,用戶習慣培養尚需時日
–二維碼模式-顧客手機自行點菜、生成二維碼讓服務員讀取到點菜機上、點菜機生成二維碼支付信息讓顧客掃碼支付。如果點菜機基於智能手機平台開發,使用400Mhz而不用WIFI。為可行方案
–平板電腦:成本高,每桌一個,中餐館普及不易。西餐廳可行
–點菜機:中餐館使用了十多年無線點菜機,市場佔有率90%以上。說明簡單實用比美觀時尚更重要。如果進行硬體、軟體升級,賦予互聯網屬性。為可行方案

?大數據採集的各種方案
–餐飲管理軟體:最佳方案。但是中餐館複雜多變,定製化多。導致餐飲管理軟體企業有幾十家之多,沒有一家能主導市場。整合、升級代價高昂
–點菜機:折衷方案。點菜機介面統一,兼容性強。硬體生命周期、商戶新開業等因素促使商戶自然更換。可行性最高
–顧客手機:理想方案,但不現實。流程習慣升級改造,代價巨大

?為什麼設計新的點菜機?
–市面上的傳統點菜機簡單實用,不支持O2O與支付功能
–增加更多功能如對講、呼叫,有助於提供餐廳工作效率,降低人工成本。商戶收益遠超採購成本
–最大廠商的市場佔有率大約10%。研發能力弱,多年無實質性改進,仿冒眾多。傳統多級經銷渠道,100元成本,最終用戶銷售價格大約800~1200。收購代價太高,說服其放棄現有盈利模式難

餐飲大數據能帶來什麼

?生成餐廳、顧客帳戶信息;
?實時在線上傳餐飲消費數據;
?記錄顧客對餐廳、菜品、服務的評價;
?記錄服務員對顧客的CRM描述;

?服務於O2O--精準營銷
–提供商圈內人氣餐廳、人氣菜品推薦、人均消費等;
–提供特定餐廳的營業狀態、忙閑狀態、接待能力、等待時長、用餐時長、菜品更換、餐台數量、餐台大小等;
–提供特定顧客的消費偏好、消費能力。

?服務於餐廳--客戶關係維護、經營改進諮詢
–提示顧客信息:稱呼、會員、優惠折扣、口味、忌口、消費習慣、喜好、偏好、脾氣秉性等,根據顧客特點有針對性地推薦,促進消費,改進體驗;
–發現餐廳的待改進因素,比如等待時間長、菜品口味不適、調價影響評估、人工不足、餐台不足、主推菜品組合、淘汰更換菜品、發現影響翻台率因素等。

?服務於顧客--健康、營養
–及時提示健康飲食,比如重油、多脂、飲食時間不規律等;
–計算合理營養食譜推薦


  這篇文章是以餐飲為例展開分析,無論是監測留存率,還是REM模型分析,還是波士頓矩陣分析等等,都是為了實現精細化運營。文章很長,但確實是乾貨,真想好好學習的話,耐心閱讀哦~


前言

  各位親們好,今天這條推送,是一篇關於餐飲行業數據分析的重磅干貨,能切實幫助餐飲領域的運營童鞋解決:如何砍菜單、如何管理用戶、甚至如何降低發簡訊廣告成本等常見問題。但就算你不做餐飲行業的運營,這篇文章也能手把手的教你通過數據分析的方法,科學合理的做用戶分群、監測留存率、以實現精細化運營。

  本文作者 Kener-林峰,數據可視化領域專家,北郵計算機、國家重點實驗室交換與智能控制研究中心、前百度資深研發工程師,百度數據可視化方向奠基人之一,鳳巢業務系統前端技術leader,Echarts 作者(ECharts,商業級數據圖表,一個純Java的開源圖標庫,國內目前應用最廣泛,也是唯一一個入選全球開源項目榜中數據可視化板塊的開源項目,該榜單中其關注度排名位列全球第四)。Kener-林峰 2015年3月離開百度,以聯合創始人兼技術總監的身份開啟了一段餐飲方向的創業旅程。

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 ——

  上篇主要內容有:1.餐飲行業數據運營的時代已來臨. 2.如何構建數據運營監測中心。共2163字。

  中篇主要內容有: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。

  下篇主要內容有:5.如何通過RFM模型,為用戶分群,實現精細化運營 6.不得不考慮的用戶獲取成本 。共3839字。

第一部分

餐飲行業數據運營的時代已來臨

  1.餐飲行業對數據運營概念缺失

  餐飲行業是一個歷史悠久的行業,我相信每一位掌柜的腦袋裡,都有一副「算盤」時刻盤算著門店的運營情況,但絕大部分掌柜真的只把「算盤」存在腦海里,這也是為什麼在餐飲行業里,大家一直會聽到這樣的困惑:「一家店盈利,三家店打平,再開下去就虧了」。

  只憑一人的腦力,很難計算統籌如此多門店的利潤,是時候用更科學的手段,讓電腦幫忙去盤算生意了。

  雖然電腦盤算生意需要成本模型,不同的餐飲行業,成本模型也不同。但我想本質是相通的,餐飲行業有四個重要節點「進、銷、存、管理運營」,這些數據都不難獲得,要求一線員工記錄到位,進銷存數據就能落到紙面上。

  基礎數據有了,大多數掌柜卻只做月結匯總,忽略了整個過程,很多潛在的盈虧改善點就是這樣被錯過的。比如:某掌柜月結匯總是發現本月採購量遠遠大於銷售量,卻沒辦法追溯原因。某掌柜月結匯總時才發現,大蒜上星期處在歷史最低價,卻沒能及時囤貨,現在漲回來了,後悔莫及。

  想要發現這些機會,純靠人腦監控計算太難,更好方法還是讓電腦來幫忙記錄數據、給出分析。

  2.互聯網外賣行業的興起,促使商家開始了解數據運營

  2014年,互聯網外賣送餐O2O開啟了一場戰爭。那時一家驢肉火燒的老闆告訴我,平台每單起步補貼能達到12元,而他家的驢肉火燒本來就賣12元,為了避免爆單,老闆不得不提價到15元去賣。更何況,那時不止一個平台給補貼。

  餐飲商家由此開啟了多平台外賣之路,但商家對多外賣平台的局面,可謂又愛又恨。愛多外賣平台帶來的機會,恨每天需要在多個平台維護商品、處理評價、申報滿減、活動、對賬、調整庫存……甚至每天賣了多少錢,都得多個平台統籌計算才知道,那叫一個累啊。

  這種形式,卻也讓之前只習慣月結匯總的掌柜,開始關注每天的流水、每家外賣平台的客流量,互聯網外賣行業的興起,逼著掌柜們走向了數據運營之路。

  3.外賣平台多,數據亂,無法滿足數據運營要求

  懶是人類第一生產力,更是程序員的第一生產力。我在踏入餐飲行業後,第一個需要克服的問題,就是如何在多外賣平台的情況下,提高數據處理的效率。

  簡言之,就是幫助掌柜們跨平台計算外賣訂單量、客流量、庫存量,甚至監控單個菜品的售賣情況、商家菜品打折的活動情況……

  為此,我調研過市面上10餘款餐飲系統、多平台系統。也接觸過一些融合系統,結果都令人失望。畢竟大多數外賣平台自身就在快速迭代,開放介面不完善不穩定、抓出來的數據也三天兩頭出問題。建立於其上的融合系統就更是BUG頻出。

  所以我決定建立一個靈活、便捷、且能夠監控多渠道的數據監測中心。

  如何構建數據運營監測中心

  一個正常的數據系統構建流程,應該包括:確定需求、獲取數據、清洗數據、分析建模、解讀表達、可視化等等,這也是我原本的構想,但這個完整的過程太複雜,大家的興趣並不大。

  那麼,我先分享如何通過BDP構建屬於自己的數據運營監測中心,有機會再分享如何建立一個完整的數據系統。

  1.BDP個人版是什麼

  上圖是我們正在使用的數據平台主要用於運營觀測和決策支持,BDP是一個敏捷的在線Web BI,自帶很多餐飲運營所需可視化數據統計模板如熱力圖、漏斗圖、訂單統計圖等等。

  但我們沒有只用BDP個人版提供的固定模板,而是在其基礎上加工出很多適用於自己的統計表。這個加工後的可視化數據監控平台,被我們昵稱為餐飲外賣的「數據大腦」。

  2.如何根據訂單數據建立分析模型,建模有何用?

  餐飲行業的訂單數據包含很多基礎信息,我們需要從不同視角去分析解讀這些信息,用以輔助決策。

  通常,一條訂單中至少包含時間、來自哪個外賣平台、菜品名稱、菜品數量、價格5個數據屬性,如果我們構想一個數據立方體(DATA CUB)出來,這些屬性就是立方體的維度。

  雖然只有下單時間、菜品名稱、平台三個維度。但根據這個立方體,已經能解決很多掌柜急需了解的問題了。

  比如:

  年報、季報、周報、日報我都能查看嗎?(鑽取,上卷)

  能查看任意時間段下,某道菜品甚至幾道菜品的銷量對比嗎?(切片、切塊)

  能全局觀察,對比幾個外賣平台的銷售情況嗎?(旋轉)

  但實際上,訂單還會包含菜品數量、價格、送餐地點等數據,集合這些數據,可以構建出一個多維數據模型(畫不出來),姑且先用這個立方體做例子。

  3.一家餐館,需要具備哪些「視角」以分析數據

  「橫看成嶺側成峰」是對置身於數據海洋最形象的形容,不同的視角能得到不同答案。為了能全面了解和分析經營情況,我們固化了十多個常用「視角」(BDP稱之為儀錶盤):分別包括:

  訂單分析、周訂單分布、月訂單分布、菜品銷量分析、流量分析、用戶跨平台分析、用戶平台對比、配送分析、評價詞雲。

  其中的每一個儀錶盤,都能拆分出不同的表格,以做便於詳細對比。其中的每一個儀錶盤,都能拆分出不同的表格,並提供不同的切片、切塊視圖,配備了全局篩選(主要是時間和平台)可以對整個儀錶盤內的圖做同一控制。

  另外,任意一個BDP的任意一個圖標都可以展開查看更多細節,實時做出更豐富的篩選、鑽取、上卷、排序等變換;

  上面說的這些步驟與概念,是不是有些複雜?但在這個「敏捷BI」的時代,只要準備好數據,熟悉一種Web端數據分析平台(如BDP),點點滑鼠就能快速生成以上所有圖表模板。但這也僅僅是餐飲訂單數據分析的第一步。

第二部分

如何通過數據分析合理調整菜單

  其實每一條訂單數據都包含著一個重要信息:菜品明細,雖然這類信息在獲取上因為跨平台的問題,歸納整理起來很麻煩,但整理好這些數據,卻能輔助我們做很多決策。

  1.通過數據分析,確定主力銷售菜品

  總結幾大平台的數據之後,我們可以總結出一張菜品銷量走勢圖,並由觀察銷售金額累計、平台銷售數量累計,查看哪些菜品使我們的核心菜品、哪些是我們的主要銷售平台。並根據這個結果,調整菜單、調整平台投入力度。

  通過分析時間線上銷售金額,我們還可以觀察一道菜品在促銷、調價等活動後的售賣情況,及時做出調整。

  2.通過數據分析,了解套餐配菜是否合理

  如果你的餐廳里也有單品和套餐,相信你也會關心究竟用戶是單品點的多,還是套餐點的多。

  也可以檢查套餐配菜是否符合用戶訴求:

  3.通過數據分析,調整菜單排序

  解新用戶收單最愛點哪道菜也非常重要,反覆參考這些拉新效果好的菜品,以調整外賣APP的菜單排序,這將有助於整體提高門店的下單轉化率。

 找到新用戶收單最愛點哪些菜品後,可以繼續分析原因——

  是哪些因素讓菜品脫穎而出呢?價格?圖片?描述?首單用戶是在沒吃過這道菜的情況下,根據菜單在外賣APP上的呈現效果點菜的,調整外賣APP的菜單呈現,也有助於提升轉化率。

第三部分

如何通過波士頓矩陣分析砍掉菜單里不受歡迎的菜品

  有了單個菜品/套餐的銷售額分析,掌柜們可能已經在心裡盤算「砍菜單」了。畢竟不受歡迎的菜色是會「轟客」的,但如何確定這道菜是徹底不受歡迎,還是改進改進能成為「黑馬」呢?

  對菜品這種非標準產品,真的很難做出合理判斷,好在我們波士頓矩陣可以輔助分析。

  1.什麼是波士頓矩陣?

波士頓矩陣被稱作(BCG Matrix),又稱市場增長率-相對市場份額矩陣,波士頓諮詢集團法、四象限分析法等等。

  菜品這種非標產品很難獲取到市場佔有率,所以一般參考維度我們會使用:銷售量(銷售增長率)、銷售額(銷售額增長率)、銷售利潤(利潤增長率)、利潤率、留存指數或流失指數(偶發明的,下文詳解)、菜品評分等數據,選取其中兩組組成四象限以做指導。

  具體選擇,取決於你希望了解什麼。

2.如何在BDP個人版上建立波士頓矩陣?

  比如,我們在海致BDP里組件一個表格,以菜品平均周銷量環比增長率為縱軸,平均周銷售利潤為橫軸,菜品銷量作為圓圈直徑(圈圈大銷量大、圈圈小銷量小)。我們就能得出以下的矩陣:

  這張圖中需要強調的是,「賣的越來越好」和「賣得好」是兩個不一樣的概念,前者是增長率,後者是絕對值。這裡就體現出了周環比增率的意義了,通過比較周環比增率(縱軸)的高低,你才能判斷出哪些是潛力股菜品(銷售利潤一般或低,但增率高)、哪些是成熟菜品(銷售利潤高,但銷量增率低)。

 3.決定你要砍掉的菜品

  前文波士頓矩陣本身的四象限:左上角是問題產品、右上角是明星產品、左下角瘦狗產品、右下角是金牛產品。我們可以很清楚的做出判斷 —— 增長率低、利潤也低的產品就是你要砍掉的菜品。而那些利潤率低,增長率還不錯的菜品,改進一下師父的手藝、包裝、展示之類的因素,很可能能成為下一個明星產品。

第四部分

如何通過用戶購買行為確定菜品是「留客」還是「趕客」

  想必每家開了外賣平台的餐館,都很想知道究竟用戶訂餐後有沒有復購? 對本餐館有沒有留下個好印象?

  畢竟這些用戶沒有真人來店,掌柜無法通過表情判斷客人是否滿意,是否能成為回頭客。

  這也是我苦思冥想許久的問題。深入研究後,發現留存流失情況,埋藏在用戶的下訂單的行為上:如果一個用戶反覆購買同一道菜,則可以認為這道菜對用戶留存起到了積極作用。

  同樣的,我們要考慮用戶已被我們哪一道菜留了下來,又可能因為哪一道菜再被轟走。

  以上的因素,都可以幫助我們建立一個簡單的留存/流失演算法,以方便我們建立留存流失模型。

  1.根據用戶購買行為建立演算法

  一道菜品究竟是拉來了用戶,還是轟走了用戶,要綜合看留存與流失量。

  既:存流失貢獻度 = 留存指數 + 流失指數

  菜品留存指數設置為正積分 ,條件是用戶如果反覆購買同一道菜品2次以上。

  正積分演算法:同一個用戶購買同一個菜品2次以上積分一次。2次等於1分,3次等於2分。如此,公式:正積分 = 購買次數 -1

  菜品流失指數為負積分,但由於用戶只購買單個菜品一次,可能會出現以下三個場景

  1.再也不來我們店,流失(最糟情況);

  2.不喜歡這個菜,還點其他菜(不好不壞);

  3.未流失,下次還會點(最好)

  所以在考慮概率的情況下,設固定值:

  -1(轟人一次)/ 3(三種情景)= -0.34

  2.建立留存流失模型表

  留存流失貢獻度 = 留存指數 + 流失指數

  以這個公式來看,一道菜貢獻度為正直代表留存貢獻大,負值代表流失影響大。在BDP上建表,將不同的菜品作為橫軸,留存流失率作為縱軸,我們能得到這樣一個模型。

  3.將菜品評分與留存流失模型對比,效驗分析結果是否正確

  這樣簡單的模型,能反映出菜品受歡迎還是轟人嗎?一開始,我對這個簡單的模型和假設沒有信心,於是,我將用戶吃完菜後的評星和打分抓取出來,又建立了一個模型做對比。

  通過比對,我發現之前的留存流失模型大方向完全準確,現在我們又有了一組數據可以幫忙砍菜單!可能會有人說那我只看美團評分不就得了。在這裡我想說兩點

  1.新起的商家,用戶未必能願意給評星,菜品留存流失率反而更好計算。

  2.所有的模型都需要互相對比驗證,才能幫助做更準確的決策。

第五部分

精細化運營的基礎了解基本屬性為用戶分群

  外賣時代的好處是掌柜的可以通過網路,開闢更多銷售渠道。

  那麼問題就來了。由於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麼特徵,再根據這些特徵投其所好、推陳出新。

1.如何通過訂單數據,分析用戶的基本屬性

  用戶的訂單上都有訂餐地址,通過對於訂餐地址的統計,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裡。

  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,你發現了什麼?

  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,根據這些匹配要素尋找用戶(比如:高檔小區健怡可樂多進貨)、或者為用戶推薦菜品都將事半功倍。

  類似的用戶數據挖掘,還可以根據復購構成、復購用戶跨平台使用情況、性別組成做更精細化的分析。

  值得注意的是,數據平台間的差異還是蠻大的,除了跨平台分析也需要分平台對比,有利於針對不同平台做出不同的營銷策略。

  上面這些最基本的用戶屬性對於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,他們都有什麼特點?

  2.誰是我需要重點保持聯繫的客戶,他們都有什麼特點?

  3.誰是我的重要發展客戶,他們都有什麼特點?

  4.誰是我的重要挽留客戶,他們都有什麼特點?

  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,實現精細化運營

 RFM模型是一個被廣泛使用的客戶關係分析模型,主要以用戶行為來區分客戶,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,再根據每類用戶精準營銷……

  顯然125類用戶已超出普通人腦的計算範疇了,更別說針對125類用戶量體定製營銷策略。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啊!

  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繫。

  重要發展客戶(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要流失的用戶,應當基於挽留措施。

  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個月內復購用戶的平均實付金額做縱軸。

  第三步:近1個月內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,我這裡設定的值是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,海致BDP上的RFM模型就建立好了。這個RFM模型在實操時有什麼用呢?舉個例子

  比如對圈用戶群發簡訊轉化只有不到1%時,你可以用RFM做個分析,只選取R值高的用戶(最近2周到最近一個月內消費的用戶),轉化率可以由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。掌柜們是願意花600元給10000個用戶發簡訊,得到100個訂單,還是願意花48元給800人發簡訊得到80個訂單,相信大家一定會選後者。

  而整體的RFM區分,則能夠幫掌柜們針對不同的用戶發不同的簡訊,簡訊的開頭是用「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。只有能區分用戶,才能走向精細化運營。

第六部分

不得不考慮的用戶獲取成本!

  壓軸的總是最後才上場,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,聊得並不是很細緻。

  1.如何通過穩定留存時間,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」!不管是什麼生意,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於等於流失用戶。

  再進一步,我們希望「用戶終身價值」能夠大於「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,哪來什麼「用戶獲取成本」?我就在外賣平台上開個店,用戶打開APP就看到我們家了。

  這就錯了,流量總是有限的,新用戶為什麼能在數千商家裡看到你家?

  不管是因為你營銷給力,訂單良好以至於自然排名靠前,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」。

  這麼重要的指標,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,如果時間短於穩定留存的時間,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個月後最終穩定留存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個月後最終穩定留存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。穩定留存的用戶一般下單數都會大於兩周下一次單,即2.5個月回本的時間是穩妥的,且小於穩定留存率的時間(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。

  上面那些理論總結起來,就是這張圖。我期望在綠色箭頭所在區間的時間裡,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少於等於留存率穩定時間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回本)

  當然,如果你需要更加激進的策略,可以讓綠色區域繼續往右延伸,比如PBP=1.5 x Ts,甚至足夠信心的3xTs(外賣市場不穩定,PBP不建議超過3倍留存穩定時間)

  2.如何通過同期群分析+BDP,有效監測留存率

  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、一起成長的群體。

  在我們的APP里、外賣平台里,就是同一段時間內一起出現(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後續個月的留存率情況。

  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如何。

  這樣,我們就能監控各種拉新渠道推廣的效果。

  比如,這一月買排名,下一月上平台5折特價活動,下下月是地推傳單。通過同期群表格,橫向對比,我們能了解同一群新用戶在隔周的留存率變化。

  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。


舉個例子來幫助大家理解:

  假設上圖中7月18日(29周)後,我們調整了滿減,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留存率應當明顯低於縱向同周期的左側留存率。即這種調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,都可以從數據中得以窺探。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,更可以規避「平均值」所帶來的的陷阱。


文末總結 —— 不要迷信數據

  雖然數據不會說謊,但它們只是一些毫無意義的數字而已。

  數據分析中永遠不能忽略的一個問題是:「數據並不一定代表事實,但數據可以幫助你更透徹地去發現事實。」

  如果非得說數據驅動最有價值的一點,莫過於:

  「If you cannot measure it, you cannot improve it。」


轉載自林峰的《數據驅動,打造餐飲外賣的數據化運營系統》


「大眾點評網」已經盈利了。
想做大數據,必須有獨立的用戶體系。


最近私信我的朋友比較多,公布下自己的微信號吧:

這是一個非常大的問題,因為時間精力有限,我簡要的再提幾個問題算是拋磚引玉。

餐飲業實時大數據的價值肯定是有的,至於價值究竟有多大,我覺得不如先回答3個問題:

1. 這些數據有哪些?

2. 這些數據來自哪裡?

3. 這些數據有多大?

這三個問題想清楚了,答案其實也就不言自明了。需要注意的一點是,大數據最關鍵的是一個「大」字。數據從無到有不難,但從有到大,進而發生質變,產生價值,可能很難。


美國的「大眾點評網」 Yelp每年都會公開去除了用戶隱私的數據集,並徵集最有意思的數據分析提案,獎金好像是好幾千美金吧~

對於Yelp這個已經比較成熟的企業來說,收集大數據不成問題,關鍵在於可靠的分析,從眾多噪點中找尋規律;於是可以更好地剖析和服務用戶、也可以更大地發揮數據商用潛力。

可以以Yelp為案例進行分析;當然,「點菜機」是不同的模式,需要很多試錯和前期規劃。


說實話,這個方案對商戶和 用戶來說,都沒有直擊到痛點,這種提供雙邊服務的產品,顯然不是那麼簡單的。
出發點就是個問題,你所收集的大數據是對你有用還是對商戶、用戶有用?有多大的提升價值讓你所認為的受益方棄舊從新?


純外行只是有興趣來學習和思考一下。

比如地域,季節,人群,時間等對餐飲消費選擇的直接數據和相關數據。營養保健及食療數據。

這個時代應該沒有沒用的數據,只要你能獲取充分權威以及能夠表現問題的數據。看你們怎樣深入挖掘和處理。點菜機和目前存在的O2O有多大交集,比如團購。


首先要明確什麼樣的數據是有價值的,那就是可以做用戶精準分析的數據才有價值,點菜機是否有賬號體系?或者是會員信息?或者有支付等其他功能?
如果都沒有的話,那收集的數據可以分析什麼?頂多可以做改良餐館菜品質量的數據參考,或者北京80%的人愛吃宮保雞丁這類的結論。任何所謂大數據都要量夠大,並且可以針對明確的單個用戶做數據收集


餐飲業數據可以歸納為生活服務數據,這裡我列下生活服務數據的挖掘,主要是一些數據維度,希望能夠幫到你拓展思路。需要詳細探討可以加Q群340431667,以下轉自我們的公眾號「發源地數據挖掘平台」。

如何採集生活服務類數據
2015-12-04 情報君 發源地數據挖掘平台
知道嗎

1淘寶旅行如何利用數據挖掘整合數千家機票代理商、航空公司、旅行社、旅行代理商資源?

2美團網(http://meituan.com)美食、休閑娛樂、生活服務、旅遊、攝影寫真、麗人、親子全國商戶數據114萬給美團帶來萬億產業價值!

3百度外賣接入232家中華老字號門店,並首次公布外賣大數據

4吃貨福利的四萬公里,在全球采了300萬個美食類 POI!

數據類型:基礎/用戶/行業/其他數據

基礎類數據

房產信息,求職招聘,本地商戶,同城活動,分類數據等;

用戶數據

房屋聯繫人,求職者信息,發布者,主辦者數據等;

行業數據

餐飲,旅遊,酒店,招商,汽車,家政,O2O服務數據等;

其他數據

位置數據,活動數據,本地數據,徵信數據等;


數據內容:目標網站網頁的所有要素

分類(category:旅遊travel;酒店hotel;本地local;餐館restaurant;團購groupon;家政housekeeping;汽車cars;招聘jobs;等)

城市(city)

省份(province)

地址(address)

標題(titles)

活動(events)

時間(time)

發布者(posted by)

公司(company)

簡介(introduction)

聯繫方式(contact info/telephone/email)

網址(website)

圖片(photos)

用戶(account info)

評論(comments)

其他(others)


數據採集適用範圍:99%網站都可以被採集

覆蓋各類本地綜合信息網站,百姓網,58趕集網;以及美團網大眾點評網,搜房網,51job,拉勾網等垂直型網站;也包含如豆瓣社群,本地論壇類的網站等;

可採集到:城市列表|服務分類列表|商家列表|商家詳情獲取周邊商家|


數據採集獲取:發源地 - 讓數據更有價值免費使用

數據多功能管理

在線創建數據採集任務,實現數據測試,編輯,複製,預覽和導出;

數據云端存儲

24小時全線存儲你的數據,可隨時獲取;

數據高效輸出

導出格式:Excel格式(包括xls和xlsx),CSV格式,PDF格式,TXT文本格式;

API調用:支持API調用,滿足開發者所需;

免費教你:數據採集演示舉例

回復 "1",閱讀 免費教你 用戶信息採集

回復 "2",閱讀 免費教你 商品信息採集

回復 "3",閱讀 免費教你 分類信息採集

回復 "4",閱讀 免費教你 聯繫信息採集

回復 "5",閱讀 免費教你 網路文摘信息採集


國內首個互聯網數據交易平台


我也在研究這個方面,目前只有思路,並沒有看到有投資的機遇


不同區域消費的人均,菜品價位構成,甜辣,肉菜,等待時間等等,如果信息足夠詳細,入新區域會考慮購買。


請問關於餐飲業的聯繫方式有哪些、找代理商,有意者聯繫


簡單點說,你如果擁有一大批餐飲老闆的電話是不是對那些小額貸款公司就有價值了


商業大數據是對各場景下的定位數據進行實時統計、數據挖掘,並進行可視化直觀展現。數據統計維度包括客流量、顧客平均停留時間、新老客戶比、到店周期、用戶軌跡等,並利用顧客畫像、客流熱點圖等人性化方式展現統計結果。
對於商戶來說 ,利用數據提高管理運營能力,達到精準營銷。


互聯網+餐飲=大數據餐飲
甜品大叔

餐飲業在大數據時代,也要擁抱移動互聯網做大數據餐飲,讓用戶的每一個需求點都能夠得到深層次的挖掘!


場景:小明一進咖啡館剛落座,服務生就把卡布奇諾端上來了...

想一想蠻可怕的,是不是?

咖啡館是怎麼知道小明要來而且要喝卡布奇諾呢?

首先系統會根據用戶的行為習慣與生理需求進行數據分析,再結合時間維度分析出小明今天想喝咖啡了而且是卡布奇諾;通過LBS的觸發,系統預測到小明5分鐘內會到咖啡館來喝一杯卡布奇諾,於是把這條信息推送給咖啡師...(4.0時代則無需人工由咖啡機自動生產並處理)

今天,數據已滲透到每一個行業。企業對海量數據的挖掘和運用,預示著一個新的增長埠已經開始打開...

大數據究竟是什麼?

以服裝行業為例,一家數十億規模的企業,其用戶量起碼是百萬級別的,如果能夠打通系統,將這些用戶的數據抓取並根據MECE法則進行分析,可以讓企業通過可視化的結果了解到不同區域的用戶需求,從而讓企業實現精準的研發、生產和營銷!


新興餐飲是在傳統餐飲的基礎上進行全方位的升級轉型,從傳統餐飲追求的"吃好吃飽味道好"的產品物質需求層面,上升為"顏值品質體驗好"的精神物質雙重層面。


"創新體驗、製造話題、引發情感、給予小利"這是新興餐飲品牌構建的四個步驟,而這一切的目的都是為了創造一個值得傳播的好口碑,讓品牌更快、更好、更久、更精準的植入到用戶的心智中。

新餐飲的定義

新興餐飲十八個字葵花寶典:

"以產品為載體,以體驗為核心,以情感為訴求",進而在創造美食的基礎上,豐富用戶不同的情感訴求,塑造胃、眼、心、神的滿足。

新興餐飲品牌營銷的核心

國內的餐飲行業在運營管理、產品研發、企業文化、團隊建設等方面都做得不錯,但品牌營銷卻是餐企們的短板!

在過去的十幾年裡,整個餐飲行業是以中高檔酒樓和酒店為主,進而催生了一個職業-酒店營銷,採用的是公關服務及利益捆綁的營銷策略,其結果是一個營銷團隊就可以決定酒店業績!過去的餐飲營銷更多的是依賴某些人(包括老闆),而非真正的策略和方法。


今天,餐飲行業重新洗牌,中高檔餐飲退潮,個性化和垂直品類成主流,新興餐飲模式的出現,使過去依賴關係的公關營銷策略基本失效...

大數據時代的互聯網模式成了許多餐企營銷的處女地,尤其是2010年興起的團購,成了傳統餐企(包含高檔酒店、酒樓和大眾餐飲)口中的鴉片,團購一停業績立馬下滑,一吸有人氣沒利潤,團購已成為許多傳統餐企的一道內傷...


新興餐企卻是團購為品牌營銷的一種形式~而已!

口碑傳播

口碑,以前指的是人耳相傳,如今的口碑卻是手機相傳!

為何水貨、外婆家、爐魚、海底撈、漫咖啡、黃太吉、雕爺牛腩等餐飲品牌可以迅速在餐飲業及用戶心中建立認知?

其實口碑傳播的本質並不複雜,他們都是通過讓用戶自動、自發的拿起手機拍下環境、產品及其相關,然後激動不已地分享到自己的微博、微信上,進而引起朋友圈圍觀,最後很牛叉地統一回復朋友圈:姐/哥帶你去,一切只為刷存在感及炫耀,僅此而已...

品牌營銷就是如何讓用戶自動、自發的拿起手機把你的產品、服務及內容分享到Ta的社交圈去,通過節點的再分享進而形成口碑(話題、事件)傳播!

簡單說就是以用戶為中心、和用戶談戀愛,這也就是所謂的互聯網思維...


移動互聯網的發展,讓用戶的需求變得更加明確,大數據將需求被可視化。


做大數據餐飲,滲透到用戶的每一個需求點去,這也是餐飲創業主旋律…

更多內容請持續關注-甜品大叔
好的內容要學會分享~不然別人怎麼知道你知道呢~是吧?


推薦閱讀:

文科生轉身學習IT技術,推薦什麼入門書?主要想了解整體趨勢,從俄語人成為半個IT人。
是否存在一個字元串,它的md5值是其自身?
美國的失業率在 2011 年至 2015 年之間為何回落?都採取了什麼措施創造了那麼多的就業崗位?
哪裡有spark2.x的乾貨?
如何用Docker成為更高效的數據科學家?

TAG:移動支付 | 大眾點評 | O2O | 大數據 | 淘點點 |