教你玩轉每道菜背后的大數據(中篇):波士頓矩陣+留存流失貢獻度幫你及時調整菜單

BDP
0 評論 21333 瀏覽 85 收藏 9 分鐘

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

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!