܄

中篇 | 波士顿矩阵+留存流失贡献度计算方法帮你优化菜品

【数据猿导读】 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?本文我们就从波士顿矩阵的角度来做分析

中篇 | 波士顿矩阵+留存流失贡献度计算方法帮你优化菜品

来源:数据猿 作者:Kener-林峰

新的一周开始啦,我们继续分享中篇的内容,要记得结合上篇的内容一起理解!

第三部分

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。

第四部分

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。

推荐阅读:

上篇 | 前百度大牛辞职做餐饮,手把手教你分析每道菜背后的大数据


注:本文由 Kener-林峰 投稿数据猿发布。

欢迎更多大数据企业、爱好者投稿数据猿,来稿请直接投递至:tougao@datayuan.cn


来源:数据猿

声明:数据猿尊重媒体行业规范,相关内容都会注明来源与作者;转载我们原创内容时,也请务必注明“来源:数据猿”与作者名称,否则将会受到数据猿追责。

刷新相关文章

大数据投融资周报(4月5日——4月7日,共9起)
大数据投融资周报(4月5日——4月7日,共9起)
大数据周周看:今日头条近10亿美元融资入账,Adobe推出体验云平台Experience Cloud
大数据周周看:今日头条近10亿美元融资入账,Adobe推出体验云...
【独家首发】数之联完成A轮数千万元融资,大数据分析挖掘领跑者获资本青睐
【独家首发】数之联完成A轮数千万元融资,大数据分析挖掘领跑...

我要评论

精品栏目

[2016/10/10]

大数据24小时

More>

[2016/09/26-7]

大数据周周看

More>

[2016/09/01-30]

大数据投融资

More>

[2016/11/28-2]

大咖周语录

More>

[2016/11/29-6]

大数据周聘汇

More>

[2016/12/06-13]

每周一本书

More>

返回顶部