餐飲行業怎麼利用大數據？
大數據應用顯現出巨大的經濟價值。正是由於餐飲行業競爭激烈而又利潤微薄，要想成功實屬不易，不少餐館開始轉向大數據以獲得競爭優勢。而對於餐飲業，大數據的關鍵在於數據分析的能力，有效的數據分析能力才可能產生高質量的結果。良好的數據資產將成為未來核心競爭力。一切皆可被數據化，餐飲企業必須構建自己的大數據平台，用戶一般會產生信息、行為、關係三個層面的數據，這些數據的沉澱，有助於企業進行預測和決策。大餐飲需要構建自己的大數據平台，小餐飲也要有大數據，關鍵在於積累，在於積累的工具，這樣，消費者的基本信息、消費頻次、點菜的口味、消費水平等都會被發現。 提煉、分析這些數據對未來的經營決策價值巨大。
大數據時代的腳步已經來了，可這次浪潮似乎與以往大不一樣，大多數餐飲企業開始焦慮，我們可不是KFC、上市公司，如何參與大數據時代的競爭呢？
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》
2015餐飲大數據，如何從中提取/分析？ 甜品大叔
2015年悄然落幕，對於餐飲市場而言，在愈演愈烈的商業繁榮背後沉澱了一組龐大的數據鏈條，在大數據時代下的今天，互聯網的高度滲透，使得餐飲從業者不得不重視大數據對整個行業生態的影響。下面就讓我們來盤點一下，2015年餐飲行業的大數據。
關鍵詞1：年度總收入根據國家統計局最新數據：
2015年，全國餐飲收入實現32310億元，同比增長11.7%，比上年提升2.0個百分點。
關鍵詞2：餐廳總量及分布截止12月份，我國共有餐廳5074852家，華東區域以1952185家餐廳數在全國各區域中穩居第一，東部地區華北地區餐廳總數緊隨其後，西北區總數則以286209的餐廳總數位列最後。
而成都則以165464的餐廳總數超過上海位居全國各城市餐廳數榜首。中國的餐飲企業整體收入雖然已有3.2萬億元，但各地區之間的發展還存在著差距，特別是沿海地區和內陸地區的差異，東部地區和西部地區的差異。
關鍵詞3：消費者就餐頻次據調查顯示：除工作就餐外，頻繁消費、每周四次以上的佔到6.2%，51.1%的受訪者表示每周在外就餐2-3次，每周外出一次或一次一下的佔整體的38.8%，而3.9%的消費者幾乎天天都在外用餐。
關鍵詞4：消費者選擇餐廳因素顧客在選擇餐廳時，風味特色、安全衛生、環境、價格和口碑為主要看中的因素。其中風味特色位列榜首，佔據了32.8%的比例。
關鍵詞5：外賣準時率消費者最關心的外送服務問題中，送餐速度排在首位。調查顯示，實際消費體驗中，雖然"非常準時"服務僅佔5.1%，但誤差10分鐘以內的消費體驗率大約佔到六成，總體滿意度尚可。
關鍵詞6：支付方式餐飲消費現金支付比例進一步降低，近半結算使用刷卡方式。
在支付方式上，現金支付的比例從39.3%大幅下降至20.3%，現場第三方平台支付、第三方平台預付和刷卡消費的比例都有不同程度提高。
關鍵詞7：預訂方式傳統的電話預訂方式延續了眾多預訂方式當中首選的地位，但比例相比於去年的52.8%已經下降至40.0%。
通過企業官網、企業APP、第三方網路平台預定的比例達到39.9%。有20.2%的受訪者無預定習慣，會直接前往餐廳。總的來說。中國餐飲市場在2015年迎來了爆發性的增長，隨著互聯網的滲透，中國餐飲業逐步向數據化、智能化、社交化的方向發展。
2016年高速增長和激烈競爭仍將會成為餐飲行業整體發展的主旋律
更多內容持續關注-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？
瀉藥，餐飲業的大數據用法，額，我也算是在做這個的吧，只是來談談幾點愚見。
- 餐廳在籌備期間的大數據運用：餐廳籌備期間，作為老闆應該從現有的大量數據中提出自己的餐廳籌備計劃。並且計算這個計劃的可行性。在此期間涉及的有當地餐廳數量，當地各餐廳在線訂單，當地商業地皮價格走勢，當地水電氣等商用價格等，當然這些數據很多都是自古以來都要考察的，但你不能不說這是屬於大數據的範疇。
- 餐廳運營期間的大數據運用：餐廳運營期間，在老客戶的數據分析上和新顧客的數據挖掘上，都需要利用到大數據分析，只有數據維度足夠多，才能更準確得了解顧客。才不會把把衛生巾當禮品送給一群單身男生。
- 餐廳發展（開分店）的大數據：除了綜合前兩個數據分析進行總結之外，還需要進行新一輪的成本評估和風險評估，這不但涉及到大數據，還涉及金融貸款和資本運作了，那又是個更大的話題了。
這都是在互聯網思維下做餐廳的一些大數據運用節點，題主參考就好，至於數據的收集可以通過三餐美食等餐飲管理軟體及其配套的CRM系統，數據的處理就可以利用ERP系統導入大數據分析演算法來進行生成。
以上其實數據一直都在用，只是現在在前面加了個大字，就覺得很新潮了。每個正經的企業都需要做報表，統計數據什麼的年銷售額啊銷售量啊什麼的。那也是大數據，要不要會記財務做什麼。中國統計人口啊，gdp啊什麼的。都是大數據。只是近年來的互聯網把整個行業或者整個世界的數據都給較為方便的統計出來，以前你很難搞到的一些數據，或者費時費力，（你能想像一下以前統計人口的方法）而現在可以通過互聯網比較容易的弄到了，這個是當天收銀系統導出的數據，
從線下POS系統到線上外賣微信平台數據，都是餐飲大數據的關注點，如何利用大數據幫商家設計營銷方案，整合餐飲供應鏈更好的優化庫存減少損失，餐飲數據達人鄭俊彥分享數據應用的方式和經驗。
Giver跨界圖書館–國兆電子總經理–鄭俊彥_騰訊視頻v.qq.com視頻餐飲數據看起來是很宏觀抽象的概念，實際在餐飲應用中可具體細化，比如線下門店的POS金流、客流量、翻桌率、菜品排行...到線上外賣平台、微信、大眾點評等各維度數據，都是餐飲行業戰略方向和戰術依據
針對客戶結賬方式，餐飲數據關注點也會有一點點不同，如平價快餐會採用前結賬模式增加翻桌率，他們更關注外賣平台、大眾點評的數據，進而去調整更新菜單，而後結賬門店比如高檔門店，更大的關注點會放在客戶消費類別數據與顧客點評數據。
以現在餐飲門店普遍存在「四高一低」的痛點來說（租金高、人員成本高、食材成本高、水電高、毛利低），鄭俊彥在投資餐飲門店過程中有更深切體會，所以他開始利用餐飲數據整合食材供應鏈，通過微信下單系統，簡化供應商與批發商的「時差」，同時打通物流和金流環節，快速完成食材的配送與交接。
利用數據化系統對供應商來說更大的意義是，他可以參考線上實時更新的動態數據分析，確定庫存量，甚至通過對接天氣系統，精確評估產地與目的地溫度變化帶來的食材損耗，最後再和銀行對接，透過數據評估供應鏈金融，使得多方獲利。
餐飲行業乘著大數據這股互聯網發展巨浪，變得更加活力與蓬勃。餐飲行業對於大數據的使用，及它大數據時代下的發展與改變，將極大地提升餐飲行業的競爭力。
餐飲業要積極利用新型處理模式對餐飲大數據數據進行搜集、存儲、管理、分析，大數據對於餐飲企業來說，能夠高效低節約成本、加強管理、提升業績、改善消費者體驗。那我來分享一下餐飲行業怎麼利用大數據的看法
精確定位消費者人群
傳統的餐飲營銷，由於數據的缺失或遺漏，導致餐飲企業在目標消費者細分以及消費者需求的判斷都缺乏準確性。只能將大部分的資源投放到媒介或平台上，「廣撒網」模式造成了資源的浪費，整體營銷效益不高。
而在大數據時代，大量餐飲數據的搜集、分析、挖掘，真正地做到了「以人為本」。而餐飲O2O發展得如火如荼，消費者在使用電腦以及手機和其他移動終端時，便加入了餐飲數據的製造大軍中。每一次支付、每一筆外賣訂單、每一次的網路社交活動中，消費者們在創造和改變著大數據的同時，也在網路社會中越來越具象化，漸漸地成為了「透明人」。消費者在接觸互聯網媒介時會留下相應的痕迹，涵蓋了就餐時間、就餐地點、就餐口味及食材偏好、就餐場景、分享意願等等，這些數據可以幫助餐飲企業根據自身企業和產品特點，定位最佳消費人群，提高消費頻率。與其廣撒網，不如利用大數據進行消費者分析和有效定位，充分挖掘消費者需求，有的放矢，提高效益。
精準推送與深度營銷
精準營銷其實已經並不陌生，從消費者的立場出發，挖掘出消費者的消費需求，從而進行有針對性的精準營銷。但是以往的精準營銷耗費大量的消費者調查與溝通成本，並且大多處於「點對線」「點對面」的狀態，並沒有精準到每一個消費者。
大數據精準營銷便能緩解這一尷尬。在數據時代，每一個消費者都在逐漸具象化，消費者畫像愈發清晰，「點對點」營銷已近在眼前。
不斷優化消費者體驗
餐飲行業作為典型的服務業，口碑對於餐飲行業來說至關重要，不斷優化消費者的就餐體驗，提供更加優質的服務，是每個餐廳共同的努力方向。
根據消費者的就餐評價，對於食材、菜單、口味、套餐、等待時間、服務、管理等方面進行改進，能夠有效優化消費體驗,從好的評價中得到支持，從壞的評價中挖掘消費者需求。而在大數據時代中，優化工作可以從源頭開始，不用等到消費者完成就餐行為，牢牢把握了主動權。以往只能從銷售量和口碑評價出發來衡量服務效果，大數據可以將效果細化到廣告接收、信息了解、態度轉變等傳播過程中。
大數據的商業價值能夠給餐飲業帶來機遇，根據大數據分析有的放矢進行精準營銷。同時，也要謹記，大數據提供的不是最終答案，只是參考答案，它只是為餐飲業現狀提供暫時的幫助，以便等待更好的方法和答案出現。
餐飲行業的利潤率是出了名的微薄，若不是經營有道，再好吃的餐廳也難以為繼。隨著科技的發展，很多餐廳的經營也和新的科技結合起來，成為一些餐廳致勝的新途徑。
早在20年前，美國一家名為Avero的軟體公司，幫餐館解讀經營數據，Gramercy Tavern餐廳（位於紐約的一家著名餐廳）便是它最早的客戶。為什麼餐飲業需要大數據？
餐飲行業極具創造性，很能吸引具有創新力、創造力的人才，而且，他們都很享受顧客體驗的藝術性與設計性。但是在一些具體的問題上，比如：表現最好和最差的服務員是誰？食材成本為什麼上升了？僱工成本為什麼上漲了？就需要數據的支撐來確定問題出現的原因。
除此之外，數據還可以為餐廳吸引顧客找到新思路。位於紐約蒙托克的一家餐廳通過數據分析發現了一個規律：生意最好的時候是多雲天。於是在晴天的時候他們便派船往返於大船和岸邊，將顧客接到餐館。餐飲業大數據最常見的分析指標是什麼？
銷售方面，一般需要看平均每單消費額和客流量。但重要的是理解這兩個關鍵指標背後的驅動力。
在成本方面，除了食材成本，還要知道，在下雨的周六和晴朗的周日，某一道菜分別能賣掉多少？菜單上的每一道菜都有自己的供需特點，有的菜點的人多，有的菜點的人少，如果能把它們分析出來，就能降低食材成本。另外，人工方面，也需要通過數據分析理解供需特點，從而恰到好處地安排人手，減少用工成本。
對pos機中的交易單進行分析，可以看到開胃菜銷量、酒水銷量，以及翻台率。有了這些簡單的數據，就能確定每個服務員的表現，以便提供培訓。大數據分析將會對整個餐飲行業產生什麼樣的影響？
餐館經營者將能更準確地預判未來餐飲趨勢潮流。在過去，一些潮流可能要經過二三十年才會進入主流，而如今，有了美食頻道、社交媒體和美食博客，一些新潮流可能只要半年到一年就會遍地開花（比如烏雲冰淇淋）。有了大數據的分析，餐館經營者能夠預判 「吃貨族」的新動向，並為迎接他們到來做好準備。在新時代，哪些餐館的生存將會被敲響警鐘？
一成不變、停止創新的大型連鎖餐廳的生存將會越來越艱難。消費者的預期值早已不是當年可比。過去，你只要開一家餐廳，只要味道不太差、環境不太槽，躺著都能賺錢。現如今，這已經行不通了。如果不迎合他們善變的喜好，就可能面臨艱難處境。
對吃貨來說，當下是最好的時代。無論走到哪裡，都有可能邂逅美食：從街頭、港口、機場，再到手機應用里。
但同樣的道理，這也是有史以來，餐館面臨的最危險、最具挑戰性的時代，因為競爭空前殘酷。在社交點評網站的指引下，人們正不斷探索新的餐廳。很多時候，大家忙著獵奇，於是回頭客就少了。顧客的反應也變得更透明了。食客比以往任何時候都要精明，這不失為一件好事，但也將餐館置於更嚴格的監督之下。
另外，優質食材的價格越來越高，給食材成本施加了很大的壓力。眾所周知，勞動力成本和房產成本也在上漲。這些因素一齊作用，導致利潤空間受到擠壓。
要想將餐廳成功經營下去，除了可口、有創意的食物，運用新技術進行創新式管理也是必不可少。
信息來源：在吃貨主義時代，更多的數據=更好的美食 - - 造就 TALK - 造就_發現創造力
更多信息請關註：xingshu100
由於餐飲行業競爭激烈而又利潤微薄，要想成功實屬不易，不少餐飲企業開始轉向大數據以獲得競爭優勢。而對於餐飲行業，大數據的關鍵在於數據分析的能力，有效的數據分析能力才可能產生高質量的結果。良好的數據資產將成為未來核心競爭力。
2017年大數據發展的新趨勢經由全球專業機構發布，這對餐飲行業企業2017年的發展規劃提供了戰略政策依據，能否把握大數據、跟上時代發展趨勢將成為餐飲企業能否成功的關鍵。
1.數據量將持續增長
數據量的不斷增加意味著通過數據的快速分析來獲取寶貴的市場洞察已經成為大數據業務運營的關鍵環節。餐飲企業必須將其內部未被利用的每一位元組的大數據，加以合理化的整合併轉化成可以利用的數據資源。
對於餐飲企業而言，如果大數據還沒有為之帶來可供戰略參考用的新見解，那麼在2017年記得為企業提出有關大數據的創新計劃，只有這樣才能提升企業的競爭優勢。
2.利用大數據提升客戶體驗
讓消費者使用類似於廚鏢智能餐飲生態管理系統的靈活性極強的自助服務方式，除了可以改進消費者體驗之外，還可以讓大數據分析為餐飲企業快速掌握市場發展的主導趨勢，還可以為客戶需求增長機遇帶來更多有競爭力的市場洞察。
利用大數據更深入的了解客戶需求，可以搭配銷售或者促銷活動來提高餐廳的銷售額，同時還可以免除因客戶流失所導致的業績縮水風險。
3.預測分析將嶄露頭角
精準地預測未來可能放生的行為和事件可以提高企業的利潤，降低餐飲企業收入風險，同時企業運營的卓越性將進一步得到改進。
4.基於雲端的數據分析將獲得更多關注
將數據分析業務遷移到雲端可以加速餐飲企業採用最新的技術能力，並實現數據資源到行動計劃的快速轉變。數據分析業務轉移到雲端之後，企業的運營和技術維護成本也將削減不少。
5.向信息學領域進軍並注重數據價值的界定
新的一年，使用信息學助推複雜數據收集、分析與可視化技術的整合可以從數據資源中推導出企業所需的收益來源。從未被充分利用的數據當中提取資源可以提高企業運營績效。
6.數據可視化將放大商業智能的作用與優勢
數據可視化技術讓隱藏在大數據資源背後的真相呈現在眾人面前。無論數據怎樣形成，無論數據資源在哪裡，圖形數據可視化可以讓企業組織在業務繁忙的同時對數據進行檢索與處理，餐飲老闆隨時隨地都能查看餐廳經營狀態。
7.物聯網、雲技術、大數據和網路安全深層融合
數據管理技術，比如說數據質量控制、數據準備、數據分析以及數據整合等方面的融合程度將在新的一年當中達到新的高度。當我們對智能設備的依賴程度增加時，互通性以及機器學習將會成為保護資產免遭網路安全危害的重要手段。
8.提升數字渠道優化與多渠道體驗
以客戶偏好的渠道與其保持有效接觸可以讓企業在傳統渠道與數字渠道之間找到最佳平衡點。通過不同渠道，不斷尋求創新手段提高客戶體驗度可以帶來企業的競爭優勢。
9.數據準備和分析的自助式服務將提高效率
使用自助式數據技術可以降低企業對開發團隊的依賴程度，從而更重視用戶的使用感受，同時企業的運營效率也可以提升。
大數據應用顯現出巨大的經濟價值，而餐飲行業長久以來缺失大數據運營的概念，在互聯網興起的時代緊隨潮流、開始了解大數據運營的餐飲企業已搶先佔有優勢。
未來，一切皆可被數據化，建立自己的大數據平台是餐飲企業制勝的必備手段。建立起來的數據平台應該包括日、月、季、年銷售分析；同時段不同菜品的銷售額對比分析；原材料的消耗統計分析；毛利分析；流量分析；行業數據等多項數據分析。這些數據的沉澱，有助於餐飲企業進行預測和決策。
餐飲企業通過數據分析可以合理調整菜單，確定主打的銷售菜品，調整投入力度。搜集、挖掘消費者數據分析其消費習慣，了解消費者的基本信息、消費頻次、點菜的口味、消費水平，這樣才能針對性地採取營銷手段，有效提升轉化率。
收銀機
推薦閱讀：
※為什麼有些餐廳可以免費續杯？
※餐飲如何經營小型中餐館？
※天津有哪些深藏不露的餐館？
※去星巴克是浪費奢侈的行為嗎？
※開餐館該如何選址？