1、Word文檔 新零售業務如何突破發展困境? 近期有許多人問Hishang，自己的（新零售）業務進展起來特別困難怎么辦?Hishang在這里跟大家來共享一下相關的內容，讓大家更好的了解新零售業務如何做相關的突破。 新零售業務立足于線上線下的數據融合，想要做好新零售，我們首先要明確數據優先級，弄清晰數據體系。 行業酷不酷，根本在服務! 跟大家共享過運營模型論，正確的模型可以有效分析和提高業務進展趨勢，也能夠很直觀反饋業務的健康度。而模型的基礎就是大數據，不同維度細節數據不斷的被積累和應用，才能給模型輸送新奇血液產生價值。 數據本身是具備抽象性的，任何幾個數據的排列組合沒有任何意義，這就要求我們在提

2、取和基于業務本身的場景來公式化數據的價值。重點跟大家共享我們取數的規律，對應的策略會再逐一拆解細分。 一、基于業務本身流程和場景劃分數據優先級 新零售業務模式立足于線上+線下，除了一大部分線上的核心數據以外，線下的數據同樣至關重要。線上前端的運營，線下門店的履約，過程和結果數據細分多而雜，在確保紛繁簡單的大數據環境內業務健康進展，這就勢必需要我們首先需要基于業務本身的黃金流程明確數據優先級，抓大放小，就重避輕。 上圖是我們假設一個新用戶首次進入平臺后的抱負購物流程，從前端銷售到后端履約兩個大的場景，我們基于這兩個場景來區分行為數據，詳情請見下圖，歸納目前業務的大部分主流數據維度： 下一步我們需

3、要將數據維度池區分級別，我們臨時用P0/P1/P2/P3來代替重要優先級，P0級數據直接打算業務業績，P1級數據直接體現業務健康度，P2-P3級數據直接反應精細化策略應用效果。 二、P0級數據維度KPI化業務效果 P0級的數據維度并不多，重要且核心，簡潔而言，P0的好壞直接打算業務的效果，信任大家的數據報表內最大的幾個數據維度基本都是上述的P0，且應當也是向老板匯報的數據。 1. 銷售具備唯一打算性 GMV=訂單量*客單價(通常看上賬GMV，用戶在支付完成的最終訂單量和客單價);毛利=商品實際收入-商品總成本(商品毛利是過程指標，最終月度凈毛利我們需要剔除人工成本，促銷成本等才做最終考量) 履

4、約完成量=總支付單量-未勝利配送單量的單量(需要在總支付單量內減掉用戶主動取消，缺貨，配送特別等狀況，該指標的上賬GMV會被記錄到月度利潤表內的最終GMV) 2. 用戶具備銷售量級打算性 UV=某一時期進入平臺的人數(這里指人數，而非人次);新客=首次訪問平臺的新用戶(對于運營而言一個很重要的環節拉新獲客，就是在為這個指標服務，可見優先級之高) 3. 商品打算銷售寬度和深度 動銷率=售賣的SKU數/平臺總SKU*100%(從公式不難看出動銷率就是可以直面反饋商品結構的健康度，引入了100款SKU，但動銷率只有5%，緣由在哪?) 滲透率=某個品類銷售GMV/平臺總GMV(這個指標特指平臺對某個品

5、類的重視程度而引起的資源傾斜有效性，例如我們平臺主打生鮮，則會關注生鮮滲透率) 4. 促銷打算投入的多少 補貼率=總補貼成本/平臺總GMV(通常補貼包含優待券補貼成本，商品促銷成本，郵費補貼成本等等) 5. 揀貨配送打算履約服務時效 揀貨履約率=規定時間內完成的揀貨單量/總訂單量(線下的場景多而雜，如何提高揀貨員揀貨效率，智能設備的引入，揀貨倉的合理布局，揀貨路線的合理設置，揀貨員人手交班支配都是影響因子，而這個履約率則起考核作用) 配送履約率=規定時間內完成的揀貨單量/總訂單量(和揀貨同理，騎手的騎程距離，騎手的規范性都會是影響因子) 6. 投訴打算平臺口碑 投訴率=投訴單量/總單量(該指標

6、相對較寬泛，投訴也非許多類緣由ABCD各個不同檔位，不同檔位區分對待處理制度和索賠制度); 差評率=差評單量/總單量(通常我們差評會區分多個類型，例如商品差評，配送差評等等，總的差評率考核整個平臺服務效率) 三、P1級數據維度校驗P0健康度 P1的數據維度相對P0開頭增多，且P1的數據開頭細分，所擔當的職責都是為P0服務，拿到上述不太官方的例子而言，假如說P0是向老板匯報的數據，那么P1肯定是老板下半句追問的數據，各位要記得放在腦子里了! 1. P1銷售校驗模式的可持續性 轉化率=有效訂單量/UV(通過公式一目了然，我們需要記錄用戶從進入平臺到產生交易的筆數，這個過程我們用轉化率來定義)轉化率

7、的好壞從側面也能反映平臺對用戶是否友好(商品，體驗，促銷，購買流程等等)。 復購率=2單的下單人數/總下單人數(跟大家拆解過復購率，不過過多解釋)復購率的好壞同樣能反應平臺的友好性;最終的訂單量和客單價具體不用解釋了。跟大家共享一組小小的行業數據，盒馬客單價80-90元左右，永輝70左右，超過100應當算優秀偏上的數據。 2. P1用戶校驗用戶管理的有效性 我們提到過用戶管理，無論是成本管理還是周期管理，都在這個級別內。留存率和流失率基本呈正反對應，通常看次日訪問留存和7日訪問留存=指定時間段的活躍用戶，在之后的第N天再次訪問平臺的用戶數占比，流失率則相反。 LTV和CAC分別指用戶生命周期和

8、單個用戶成本，LTV=每月購買頻次客單價毛利率(1/月流失率)，LTV的值是一個預估值，預估一個用戶在我的評估能活躍多久。CAC=市場獲客費用(廣告+拉新+宣揚等等)/有效人數，LTV和CAC的組合比率也特別重要，我們之前講過，LTV/CAC1才能反饋業務盈利! 3. P1商品數據校驗商品的上架率 商品在前端是否夠豐富，且非饑餓營銷確保用戶能買到，就很考驗缺貨率了，缺貨率=用戶下單前缺貨無法下單的商品數/總商品數; 4. P1的促銷精細化促銷成本 核銷率=使用優待券數量/總領取數量(這個公式可以側面反應出該優待券的適用性，用戶購物偏好行為);領取率=領取優待券數量/總發放數量(兩個指標正好組合

9、優待券的鏈路，系統發放到用戶核銷，區分領取率和核銷率來看優待券的投放有效性) 5. P1的揀貨和配送數據直接校驗服務時效 這個階段的指標值尤為關鍵，人力成本的投入，揀貨倉的利用率，人員數量的配置，人員日均揀貨和配送的訂單量都直接影響整體履約時效。(這一塊內容后續我們獨文跟大家講解) 四、P2級-P3級數據維度顆粒度校驗精細化策略 P2-P3級別的數據顆粒度已經很細了，且每條業務直線安排出來的數據值會越來越多，大大小小，這時候的業務數據的義務基本也是為P0服務，但顆粒度會很細，對P0的效果不及P1直接。通常我們在做精細化策略的時候會細看。 1. P2-P3的銷售精細化P0的過程指標 加車率=加車

10、用戶數/總UV訪問人數(作為過程指標考量用戶在購物過程中的加購物車頻率，通過不做重點關注);跳轉率有許多口徑和說法，電商而言，我們通常看的是商祥跳轉率=商祥用戶數/總UV訪問人數(同樣和加車率都屬于過程指標，考量頻道頁到商祥頁的點擊轉化狀況); 支付率=勝利支付人數/下單人數(用戶在前端找商品到最終完成下單，最終步驟是在支付環節，輸完密碼后的完成才能被記錄到上賬GMV內); 2. P2-P3的用戶數據精細化各渠道狀況 用戶的來源肯定是多渠道的，無論是線上還是線下，我們通常的做法是在對應投放的二維碼內埋不同的Ptag(代碼標簽)，通過每個Ptag下產生的數據監測每個渠道來源，用于調整策略資源傾斜

11、; 停留時長=平臺停留總時長/UV(這個數據值還是很具備前期業務的參考性，操作并模擬用戶從前端選品到最終成交的時間，我們模擬過也許在40s左右，帶著這個數值來看單個用戶停留時長，假如和40s接近，那用戶操作路徑還算健康，假如大于或小于就要分析緣由了); 用戶畫像在業務前期也是一個關鍵指標，我們需要分析不同的用戶屬性(年齡，職業，城市)，也便于我們后續做用戶分層。 3. P2-P3的庫存深度校驗庫存周轉次數 庫存深度=當月庫存/下月銷售方案(這個指標是指現有庫存將來消耗，通常是以月份計算)，假設當月庫存100萬，下月銷售方案50萬，則庫存深度=2，這個數值還是相對合理的，通常維持在1-2之間，假如高于這個值會消失庫存積壓的狀況，假如小于這個值