教你玩转每道菜背后的大数据(中篇):波士顿矩阵+留存流失贡献度帮你及时调整菜单

专为互联网人打造的365天成长计划,500门视频课程随便看,构建你的产品、运营知识体系。查看详情

这是一篇关于餐饮行业数据分析的重磅干货,能切实帮助餐饮领域的运营童鞋解决:如何砍菜单、如何管理用户、甚至如何降低发短信广告成本等常见问题。就算你不做餐饮行业的运营,这篇文章也能手把手的教你通过数据分析的方法,科学合理的做用户分群、监测留存率、以实现精细化运营,这可是每个互联网公司都想做的事情。

全文共8147字,整体阅读时间40-50分钟,本次推送将全文分成了上中下三篇 ——

  • 上篇主要内容有:1.餐饮行业数据运营的时代已来临. 2.如何构建数据运营监测中心。共2163字。
  • 中篇主要内容有:3.如何通过波士顿矩阵分析,砍掉菜单里不受欢迎的菜品。 4.如何通过分析用户购买行为,确定菜品是“留客”还是“赶客”。共2145字。
  • 下篇主要内容有:5.如何通过RFM模型,为用户分群,实现精细化运营 6.不得不考虑的用户获取成本 。共3839字。

之前我们推送了教你玩转每道菜背后的大数据(上篇),今天一起来学习中篇哈~

如何通过波士顿矩阵分析砍掉菜单里不受欢迎的菜品

有了单个菜品/套餐的销售额分析,掌柜们可能已经在心里盘算“砍菜单”了。毕竟不受欢迎的菜色是会“轰客”的,但如何确定这道菜是彻底不受欢迎,还是改进改进能成为“黑马”呢?对菜品这种非标准产品,真的很难做出合理判断,好在我们波士顿矩阵可以辅助分析。

1. 什么是波士顿矩阵?

波士顿矩阵被称作(BCG Matrix),又称市场增长率-相对市场份额矩阵,波士顿咨询集团法、四象限分析法等等。

菜品这种非标产品很难获取到市场占有率,所以一般参考维度我们会使用:销售量(销售增长率)、销售额(销售额增长率)、销售利润(利润增长率)、利润率、留存指数或流失指数(偶发明的,下文详解)、菜品评分等数据,选取其中两组组成四象限以做指导。

具体选择,取决于你希望了解什么。

2. 如何在BDP上建立波士顿矩阵?

比如,我们在BDP个人版里组件一个表格,以菜品平均周销量环比增长率为纵轴,平均周销售利润为横轴,菜品销量作为圆圈直径(圈圈大销量大、圈圈小销量小)。我们就能得出以下的矩阵~

这张图中需要强调的是,“卖的越来越好”和“卖得好”是两个不一样的概念,前者是增长率,后者是绝对值。这里就体现出了周环比增率的意义了,通过比较周环比增率(纵轴)的高低,你才能判断出哪些是潜力股菜品(销售利润一般或低,但增率高)、哪些是成熟菜品(销售利润高,但销量增率低)。

3. 决定你要砍掉的菜品

前文波士顿矩阵本身的四象限:左上角是问题产品、右上角是明星产品、左下角瘦狗产品、右下角是金牛产品。我们可以很清楚的做出判断 —— 增长率低、利润也低的产品就是你要砍掉的菜品。而那些利润率低,增长率还不错的菜品,改进一下师父的手艺、包装、展示之类的因素,很可能能成为下一个明星产品。

如何通过用户购买行为确定菜品是“留客”还是“赶客”

想必每家开了外卖平台的餐馆,都很想知道究竟用户订餐后有没有复购? 对本餐馆有没有留下个好印象?

毕竟这些用户没有真人来店,掌柜无法通过表情判断客人是否满意,是否能成为回头客。

这也是我苦思冥想许久的问题。深入研究后,发现留存流失情况,埋藏在用户的下订单的行为上:如果一个用户反复购买同一道菜,则可以认为这道菜对用户留存起到了积极作用。

同样的,我们要考虑用户已被我们哪一道菜留了下来,又可能因为哪一道菜再被轰走。

以上的因素,都可以帮助我们建立一个简单的留存/流失算法,以方便我们建立留存流失模型。

1. 根据用户购买行为建立算法

一道菜品究竟是拉来了用户,还是轰走了用户,要综合看留存与流失量。

既:

存流失贡献度 = 留存指数 + 流失指数

菜品留存指数设置为正积分 ,条件是用户如果反复购买同一道菜品2次以上。

正积分算法:同一个用户购买同一个菜品2次以上积分一次。2次等于1分,3次等于2分。如此,

公式:正积分 = 购买次数 -1

菜品流失指数为负积分,但由于用户只购买单个菜品一次,可能会出现以下三个场景:

  1. 再也不来我们店,流失(最糟情况);
  2. 不喜欢这个菜,还点其他菜(不好不坏);
  3. 未流失,下次还会点(最好)。

所以在考虑概率的情况下,设固定值:

-1(轰人一次)/ 3(三种情景)= -0.34

2. 建立留存流失模型表

留存流失贡献度 = 留存指数 + 流失指数

以这个公式来看,一道菜贡献度为正直代表留存贡献大,负值代表流失影响大。在BDP上建表,将不同的菜品作为横轴,留存流失率作为纵轴,我们能得到这样一个模型。

3. 将菜品评分与留存流失模型对比,效验分析结果是否正确

这样简单的模型,能反映出菜品受欢迎还是轰人吗?一开始,我对这个简单的模型和假设没有信心,于是,我将用户吃完菜后的评星和打分抓取出来,又建立了一个模型做对比。

通过比对,我发现之前的留存流失模型大方向完全准确,现在我们又有了一组数据可以帮忙砍菜单!可能会有人说那我只看美团评分不就得了。在这里,我想说两点:

  1. 新起的商家,用户未必能愿意给评星,菜品留存流失率反而更好计算。
  2. 所有的模型都需要互相对比验证,才能帮助做更准确的决策。

相关阅读

教你玩转每道菜背后的大数据(上篇):餐饮行业数据运营的时代已来临

 

作者:Kener-林峰,数据可视化领域专家,北邮计算机、国家重点实验室交换与智能控制研究中心、前百度资深研发工程师,百度数据可视化方向奠基人之一,凤巢业务系统前端技术leader,Echarts 作者

本文由 @Kener-林峰 原创发布于人人都是产品经理。未经许可,禁止转载。

题图来自 Pixabay,基于 CC0 协议

祝给予赞赏的伙伴,2017年发大财!
4人打赏

评论( 0

写下你的想法

推荐阅读