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）和教你玩轉每道菜背后的大數據（中篇），今天一起來學習最后的下篇。

精細化運營的基礎了解基本屬性&用戶分群

外賣時代的好處是掌柜的可以通過網絡，開辟更多銷售渠道。那么問題就來了。由于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么特征，再根據這些特征投其所好、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，通過對于訂餐地址的統計，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里。

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，你發現了什么？

（不同區域的熱力地圖）

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、復購用戶跨平臺使用情況、性別組成做更精細化的分析。

值得注意的是，外賣平臺間的數據差異還是蠻大的，除了跨平臺分析也需要分平臺對比，有利于針對不同平臺做出不同的營銷策略。

上面這些最基本的用戶屬性對于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，他們都有什么特點？
2. 誰是我需要重點保持聯系的客戶，他們都有什么特點？
3. 誰是我的重要發展客戶，他們都有什么特點？
4. 誰是我的重要挽留客戶，他們都有什么特點？

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系分析模型，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范疇了，更別說針對125類用戶量體定制營銷策略。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??！
• 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系。
• 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，應當基于挽留措施。

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，我這里設定的值是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，RFM模型就建立好了。這個RFM模型在實操時有什么用呢？舉個例子~

比如對圈用戶群發短信轉化只有不到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。掌柜們是愿意花600元給10000個用戶發短信，得到100個訂單，還是愿意花48元給800人發短信得到80個訂單，相信大家一定會選后者。

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短信，短信的開頭是用“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。

不得不考慮的用戶獲取成本！

壓軸的總是最后才上場，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，聊得并不是很細致。

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”！不管是什么生意，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于等于流失用戶。

再進一步，我們希望“用戶終身價值”能夠大于“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，哪來什么“用戶獲取成本”？我就在外賣平臺上開個店，用戶打開APP就看到我們家了。這就錯了，流量總是有限的，新用戶為什么能在數千商家里看到你家？

不管是因為你營銷給力，訂單良好以至于自然排名靠前，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”。

這么重要的指標，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，如果時間短于穩定留存的時間，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個月后最終穩定留存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個月后最終穩定留存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于兩周下一次單，即2.5個月回本的時間是穩妥的，且小于穩定留存率的時間（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里，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少于等于留存率穩定時間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、外賣平臺里，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后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，下一月上平臺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。利用BDP也可以做同期群表格，

第一步

第二步：生成表格

這里提醒大家，當調整某種營銷策略并不僅僅是影響到拉新時，我們還需要觀測斜向對角線左右兩側來比較。

舉個例子來幫助大家理解：

假設上圖中7月18日（29周）后，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于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：“數據并不一定代表事實，但數據可以幫助你更透徹地去發現事實?！?/p>

如果非得說數據驅動最有價值的一點，莫過于：“If you cannot measure it，you cannot improve it?！?/p>

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

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

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 PEXELS，基于 CC0 協議