這是一篇關于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、甚至如何降低發短信廣告成本等常見問題。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，這可是每個互聯網公司都想做的事情。

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。

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里，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，這也是為什么在餐飲行業里，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采購量遠遠大于銷售量，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，后悔莫及。

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板告訴我，平臺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，老板不得不提價到15元去賣。更何況，那時不止一個平臺給補貼。

餐飲商家由此開啟了多平臺外賣之路，但商家對多外賣平臺的局面，可謂又愛又恨。愛多外賣平臺帶來的機會，恨每天需要在多個平臺維護商品、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，都得多個平臺統籌計算才知道，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、每家外賣平臺的客流量，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.外賣平臺多，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。我在踏入餐飲行業后，第一個需要克服的問題，就是如何在多外賣平臺的情況下，提高數據處理的效率。

簡言之，就是幫助掌柜們跨平臺計算外賣訂單量、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余款餐飲系統、多平臺系統。也接觸過一些融合系統，結果都令人失望。畢竟大多數外賣平臺自身就在快速迭代，開放接口不完善不穩定、抓出來的數據也三天兩頭出問題。建立于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復雜，大家的興趣并不大。

那么，我先分享如何通過BDP構建屬于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.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、來自哪個外賣平臺、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、平臺三個維度。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？（鉆取，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，對比幾個外賣平臺的銷售情況嗎？（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。

2.一家餐館，需要具備哪些“視角”以分析數據

“橫看成嶺側成峰”是對置身于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”：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、用戶跨平臺分析、用戶平臺對比、配送分析、評價詞云。

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

如訂單分析就包含了：

訂單量、平臺訂單對比、分平臺訂單量

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

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臺的問題，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

總結幾大平臺的數據之后，我們可以總結出一張菜品銷量走勢圖，并由觀察銷售金額累計、平臺銷售數量累計，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臺。并根據這個結果，調整菜單、調整平臺投入力度。

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、調價等活動后的售賣情況，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

解析用戶收單最愛點哪道菜也非常重要，反復參考這些拉新效果好的菜品，以調整外賣APP的菜單排序，這將有助于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后，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，也有助于提升轉化率。

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

本文由 @Kener-林峰?原創發布于人人都是產品經理。未經許可，禁止轉載。