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。

之前我們推送了教你玩轉每道菜背后的大數據（上篇），今天一起來學習中篇哈~

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里盤算“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. 什么是波士頓矩陣？

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，波士頓咨詢集團法、四象限分析法等等。

菜品這種非標產品很難獲取到市場占有率，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，取決于你希望了解什么。

2. 如何在BDP上建立波士頓矩陣？

比如，我們在BDP個人版里組件一個表格，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?。?。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，后者是絕對值。這里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。

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臺的餐館，都很想知道究竟用戶訂餐后有沒有復購? 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。深入研究后，發現留存流失情況，埋藏在用戶的下訂單的行為上：如果一個用戶反復購買同一道菜，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 ，條件是用戶如果反復購買同一道菜品2次以上。

正積分算法：同一個用戶購買同一個菜品2次以上積分一次。2次等于1分，3次等于2分。如此，

公式：正積分 = 購買次數 -1

菜品流失指數為負積分，但由于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，于是，我將用戶吃完菜后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。在這里，我想說兩點：

1. 新起的商家，用戶未必能愿意給評星，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。

相關閱讀

教你玩轉每道菜背后的大數據（上篇）：餐飲行業數據運營的時代已來臨

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。

題圖來自 Pixabay，基于 CC0 協議