第二章　先立题再解题：理解商业模式和业务逻辑

（#0）本章从「理解商业模式」到「搭建指标体系」再到「用数据解决业务问题」，这条主线后来被我蒸馏成了一个可直接上手用的商业分析技能。读累了或想动手练，可以先去用这个技能，对照着加深对每一步的理解：

2.1　应用商业画布，理解常见商业模式

在第一章里我们提到，数据分析的价值是通过决策实现的，而一个企业存在的本身就是为它的客户提供价值，这样才能获得收入和利润。所以要能让数据分析实现价值，首先就必须理解企业的商业模式。商业模式，就是定义企业如何将内外部资源整合，通过内部独特且有效率的生产或者经营系统，最终创造满足客户特定需求，实现客户价值的产品或者服务。

在如今移动互联网全面深入消费生活的各方各面，产业互联网也方兴未艾，因此对互联网时代下的商业模式了解尤为重要。我们先来分析各类互联网公司中主流的四种商业模式，推演这些商业模式下最需要用数据解决的问题是什么。

一、广告模式：广告模式是互联网公司最初的经营形态，早期国外的Yahoo，国内的新浪等门户网站都依靠着广告收入生存和发展。科技巨头谷歌广告收入占到了整体公司收入的80%以上，抖音的母公司字节跳动2020年广告收入占到了营收的77%。广告模式的核心是门户网站，搜索引擎以及短视频平台将自身所拥有的巨大流量作为资本售卖，广告主购买广告位获得用户从而能销售产品或者服务。对于流量主来说要提高广告的售卖金额，既需要广告主认可其价值，也同样需要保证用户的使用体验足够好，这个平衡就需要用海量的数据和精准的分析来实现。例如，谷歌、百度依据用户的搜索和访问记录来完善搜索结果的排序，抖音通过用户的视频观看和互动记录来做视频推荐，等等。

二、自营电商：最常见的是以亚马逊，京东为代表的综合型B2C电商企业，和传统的超市卖场类似，他们同样通过销售各种产品获取收入和利润。自营电商关注的核心是如何提高交易额，这就使得数据分析要解决的问题就集中在了如何在用户和产品之间实现最优的匹配，同一个App每个用户所能看到的产品推荐都有所不同，所看到的推送文案等也不同。这些策略都来自于对用户历史数据的分析，为的是能够提高现有顾客的购买金额，或者向让购买中低端产品的顾客转而购买更高价格、更高利润的产品。供应链以及物流优化管理也是自营电商需要用数据解决的问题。从仓库位置的选点、库存选品设计，到物流线路的优化，对数据的精准分析能有效帮助企业减少滞销产品的库存、提高畅销货品的销量，进一步优化内部的经营效率。

三、平台服务商：平台服务商允许其他品牌在自有平台销售产品或者提供服务，通过提供平台服务获取佣金，有时直接从交易金额中抽佣，有代表性的是电商类的淘宝、拼多多，本地生活类的美团、饿了么，以及出行服务的滴滴、高德打车等。由于平台服务商不涉及产品的生产制造，库存以及物流服务，它的核心价值就是商户以及用户之间的优化匹配。这个优化匹配要能实现：提供服务的商户多，给用户的服务速度快，商户和商品的质量好，以及能给用户带来优惠的价格。在这个”多快好省“的逻辑下，对商户的选取和扶持也成了平台电商的重要策略。

四、Freemium增值模式：这种模式是互联网时代最独有的商业模式，即为用户提供免费的基础服务，而通过各类增值服务收取费用。”免费”既是在互联网的“基因”中，也是目前互联网激烈竞争下的必然，比如各种游戏类应用基本都不收取费用，但通过售卖皮肤武器等获得利润。音乐类的服务比如QQ音乐，网易云音乐等也都可以免费使用，但只提供特定曲目给付费vip用户。显而易见增值模式下的分析主题，就是围绕如何将免费用户升级成为付费用户，此外对于按次付费的场景，要能提高用户的购买频次和单次金额，而对于订阅制的服务则是延长订阅周期。

值得一提的是，很多超级商业体是兼容并蓄多种商业化方式。以淘宝为例，在核心上是平台服务，通过为商家提供的各种收费服务获取佣金得到收入，但同时也提供直通车和站内投放等广告方式，允许入驻的商户购买流量。此外它还提供88VIP这样面对消费者的增值服务，例如在大促活动中给这类用户发放大额消费券，提升这些核心用户的购买总额。

上述几种主流的商业模式，作为消费者的我们都相对熟悉，但处在技术不断变革创新的年代，如果我们需要去分析物联网、无人驾驶或者元宇宙赛道的企业，我们该如何判断这些企业的商业模式，明确数据分析所需要解决的问题呢？

这个问题可以用商业模式画布(Business Model Canvas)这个工具来解决，这个工具是将商业模式中九个必需的要素汇集起来的参考模型，如图2-1所示（#1）。这些要素包括：客户细分，价值主张，收入来源，成本结构，渠道通路，客户关系，关键业务，核心资源，合作伙伴。对于任何陌生的企业或者业务场景，只要能将这九个要素的内容明确，我们基本就能做到对其商业模式有充分理解，也能识别出关联的数据分析目标。

H酒店是一家国内知名的酒店集团，经营17个国家的酒店，拥有近2亿会员，旗下经营31个酒店及公寓品牌等。其某年年报中，众多日常监控的数据中最终入选年报的只有一句话：截至 2020 年底，会员人数超 1.69 亿人， 2020 年会员官方渠道预订比例达 74%。会员人数的体量相对容易理解，那么官方渠道预订比例是什么，这个数据为什么需要特别指明，背后所蕴含的传递给投资人的信息又是什么？接下来我就会用商业模式画布的九个要素梳理酒店行业的商业模式，解开读者的疑惑。

客户细分+价值主张：客户细分是要能明确所服务的客户特征，不同客户群体有着对产品和服务的诉求和痛点。同样是生鲜业务，盒马瞄准的是崛起的中产阶级群体以及家庭日常生鲜的购买决策者，所以更偏向中产女性用户，而天猫超市则更“家庭化”、更下沉。价值主张就是企业要如何去解决这些诉求和痛点，盒马的价值就是优选的高质量货源和线上线下一体的购物体验，而天猫超市则是广泛的百货品类，有竞争力的价格和快速送达。

但H酒店集团的“客户“并不只是入住的客人，事实上，连锁酒店集团如万豪，希尔顿等都以特许加盟经营模式为主。换言之他们是平台服务，而非自营服务，如图2-2所示，这种服务模式和携程飞猪这样的出行服务平台颇为相似，本质上都是实现入住客人和品牌酒店之间的最佳匹配。2020年万豪全球特许加盟酒店数量占其总酒店数量的70.6%，希尔顿集团则达到了88%。因此酒店集团的客户实际上是入住客人以及拥有地产并得到品牌授权运营的加盟商。

H酒店的品牌中，两个以经济适用著称的品牌酒店占比超过一半，因此若对入住客人进行细分，商旅客群是支撑这个品牌生存的基础。对核心的商旅客人，H酒店集团的品牌代表了稳定的产品（空间，办公配置，餐饮）以及服务质量。连锁酒店品牌的这种优势，正如同我们去了不知名的城市出差，会认为麦当劳、肯德基和街边小食之间存在区别。实际上在2019年，中国酒店的连锁比例仍然只有10.1%，而全球水平是在41.1%，酒店连锁化也是大势所趋。对加盟商而言，H酒店集团则代表了巨大的流量资源和稳定的IT支持，包括酒店可以接入多通道的预订接口，得到快速自助服务的数字化设备等。这除了能帮助H酒店对抗携程飞猪这样的竞争对手，也能抵挡住OYO这样试图通过低加盟费渗透市场的搅局者。对入住客人提供的标准化服务，对加盟商提供技术和流量支持，都成了H酒店品牌的核心价值。

收入来源+成本结构：从商业数据分析角度，画布中最需要关注的就是收入来源和成本结构。在和很多职场新人交流如何切入数据分析行业时，我的一个核心建议就是，优先选择那些数据分析工作最能为公司贡献收入的团队或者岗位。服务行业的会员往往对公司的收入影响要更重，因为熟悉某个酒店或者出行品牌的会员，往往不会冒风险去影响自己已经习惯了的体验。与之相对的，消费者在面对快消服饰类的产品选择，则很容易会被产品口味，包装和折扣甚至是代言人影响，对会员经营的分析所能产生的影响远不及服务行业，在这些场景中分析预测产品的销量以及什么样的产品能做出爆品会更贴近实际。

回到H酒店的案例，前面提到平台服务的收入来源主要是抽佣，酒店行业中也是如此。图2-2汇总了当前大部分连锁品牌对其加盟商所收取的费用结构，各家酒店集团的收入通常组成是以房费总收入3%~5%的比例收取加盟费用，如若是通过官方渠道预订（官网，官方APP如万豪的旅享家等），则额外每笔会收取1%~5%的预订费用。同时，酒店品牌还会按年收取1%~3%的会员入住产生的房费作为会员体系的经营费用。

通过收入结构的拆解，在年报中所提到的两个数字，会员数量以及官方渠道预订比例就显示出了它们的意义。近2亿的会员和70%以上的官方渠道预订，给投资人传递的信息就是H酒店集团的强大收入能力。若想在这样的大数之下，还能如何进一步提升所产生的入住和订单，则还可以延伸更多的问题：提供什么样的产品和服务能够将让入住会员花费更多，比如他们除了支付酒店房费之外，还愿意付钱购买什么服务？这类问题的解法和第一章用户经营分析的案例有异曲同工之处，读者也可以做些思考。

客户关系+渠道通路：客户关系需要回答的是我们通过什么和客户建立联系，这些联系的成本是什么，能有什么效果。我们已经多次提到了会员，但有效且吸引人的会员体系，从而能够维持住和客户特别是核心客户的关系，是建立在自己的价值主张以及对客户的深入了解之上的。对酒旅类服务行业，稳固的会员关系绝不是锦上添花，而是公司的生存资本，比如在19年开始的疫情期间，美国各大航空公司都依靠自身的常旅客会员计划，通过预售里程（积分）保持现金流，而这类会员计划中最成功的美国航空（American Airlines），甚至能将自己的会员项目作为资产抵押，从美国财政部手上获得了数十亿美元的贷款。

H酒店如何在会员权益体系上体现出它的价值主张和目标客群的？对于酒店行业，为会员提供提早入住，延迟退房以及赠送额外早餐也算是常规操作了。H酒店会员体系最大的竞争力来自于依据会员等级给予价格折扣，入门级别的会员可以得到门店挂牌价格的98折优惠，而级别最高的铂金会员则是能拿到85折。此外，H酒店会员的积分是在兑换房费上是没有门槛限制，而国际酒店要至少累计到1-2万积分才能兑换。这些明显更贴近本国用户习惯的权益设计是国内经济型酒店的杀招，通过直接价格折扣获取商旅客群用户的青睐。

有了良好的会员等级和权益设计，还必须要通过各种渠道适当的提醒入住客人这些权益的存在，毕竟我们如今都生活在会员和积分泛滥的时代，甚至连脱口秀节目都会嘲讽一些无意义的会员权益。对此H酒店集团首先建立了完整的客人触达体系，从入住时门店员工的话术到房间WIFI连接的登陆页，再到离店后的回访短信等，都是常规传递会员价值的渠道。同时建立了每月的会员日，在这一天通过强化供应链提供优选的产品和对积分兑换提供额外的增值，让平常是100积分对1元的价值能够在这一天达到80比1甚至是60比1，这就能凸显出积分价值。

会员能去哪里拿到这种增值，最终的收口都会回到H酒店集团所掌控的APP上，这就是对渠道的把控。前面在提到70%以上的官方渠道预订时，总是有个“官方渠道”紧跟，这是基于H酒店营收的需要出发，也因为H酒店集团面临着携程这样的巨头OTA（在线旅游代理商Online Travel Agency）的激烈竞争。从用户角度，携程不仅仅是酒店而是出行服务一站式平台，从加盟商角度，也可以同样自己贴牌酒店，通过携程这个平台实现连锁化运营的品牌效应。渠道通路是销售、传播和提供产品服务这三个渠道的综合。在数千家门店作为独特触点之外，H酒店主要依托的是自己的会员App，同时兼顾微信小程序和公众号，通过每月固定的会员日活动以及每周的公众号推送，提升会员对品牌的粘性。

关键业务+核心资源+重要伙伴：关键业务回答的是“怎么打”的问题，而核心资源和重要伙伴是这场战争的“武器库”和“同盟军”。除了品牌、流量以及底层的IT建设之外，数据可以说是H酒店的第四大核心资源。以一个典型的出行场景为例，H酒店集团面临的一个不小的挑战就是用户需求的不确定性，特别是商旅用户临时出行，往往在机场火车站才考虑酒店预订。若能与机场火车站的贵宾厅等形成合作伙伴关系，通过服务网点获得潜在用户到达火车站的信息，及时推送相关的预订活动或者优惠提示，势必能对提升会员预定量这个关键业务有极大的帮助。这样的合作背后需要的是跨行业的合作伙伴，以及自身能够在IT和数据处理上有业务技术，同时能够符合当下法律法规的要求，也将是对基础会员运营的突破口。

以上我们通过商业模式画布的要素梳理，解释了H酒店集团年报中呈现的两个数据背后的意义。选择这个案例也因为它的商业模式兼具了互联网+传统行业，围绕会员经营以及企业作为平台角色，这三个非常有普遍意义的特征。“先立题，再解题“，就是在用数据语言去解决商业问题之前，要先能理解商业模式和问题，接下来我们就要让画布变成层次清楚的数据指标体系，朝着确定问题的方向再进一步。

2.2　搭建指标体系，实现数字化业务诊断

商业画布是用业务逻辑关系展示商业模式，而在数据驱动决策的具体工作中，我们更多会用数据指标体系来监测和分析业务运营和决策。数据指标体系的建立能够帮助决策者和分析师快速识别问题，是实现高效决策的重要工具。

要能建立有效的指标体系，我们需要先理解什么是指标。指标，是用来说明业务状态的，是对业务数据做出描述的度量值。指标通常是对底层数据做汇总或者运算变化得来，比如我们所日常听到的国内生产总值GDP，或者沪深300指数等，是对底层的经济数据或者单个股票价值做加权处理得到。前面在电商平台案例中提到过的用户人均消费，是用所有下单用户的总体消费金额除以下单用户数，用两个数据相除得到了新的指标。再比如在网站分析中最常用的指标跳出率，是使用访问了入口页面之后就立即离开网站的访问量作为分子，以总共的访问量做为分母，这个比例可以很直观的反映出网站对用户的吸引力。

在纷繁多样的业务和数据场景下，如果仅仅是靠加减乘除的确可以罗列出很多指标，如何确定他们在指标体系的座次是个重要问题。知名数据分析专家车品觉在他的《大数据思考》中曾经提到，面试数据分析师时，他必然会问他们一个问题∶"假如我是一家知名电商的CEO，而今天是星期一早上9点钟，请你给我提供三个数据指标向我证明在过去的一周里，企业运营得一切正常，可以让我踏实下来。你认为，会是哪三个指标呢?”

我们先假定这家是自营类的电商平台，那么它的商业模式决定了关注的核心就是交易类数据，我们可以先头脑风暴下电商平台可能会重点关注的指标：

1. 总交易额（GMV）：总交易额是每笔有效订单的交易额的和。
2. 下单用户数：对有下单行为的用户进行去重计数，1个用户若有多个订单则只计算1次。
3. 访问流量：对所有当天有访问App行为的用户去重计数，1个用户若多次访问App也同样只记为1次。
4. 转化率：下单用户数除以访问流量，用于衡量电商平台的转化效果。
5. 人均消费金额（ARPU）：以总交易额除以下单用户数，衡量用户平均在平台的消费水平。

以此类似，用户侧的指标还包括总注册用户、日/周/月活跃用户数，以及用户的次日留存率、活跃时长等指标，流量方面则可以拆分到从App首页，到各个栏目，再到各个产品页以及最后的订单页的层层相扣的转化率。为了能回答车品觉老师的“三个指标“，我们可以先做更极端的限制，是否能选择一个指标就可以回答该电商平台的经营状况。

这个用于衡量业务的唯一指标通常被称为一级指标或者北极星指标。它用于描述公司整体目标完成情况，与公司当前业务紧密结合。简单地说，这个数字的量级应该基本反映了公司的产品或者服务对客户所产生的价值，且当看到这个数字在变好或者变差时，我们就能判断公司的业务在变好或者变差。

一级指标的设定通常和商业模式，尤其是商业模式中的收入来源密切相关。比如广告模式的公司则会最为关注广告所产生的销售收入，对于Freemium类增值服务公司，或者某些以广告收入为主的社交平台等，也会从长线角度调整自己的一级指标，比如领英平台长期以活跃用户数作为自己的一级指标。为了强化用户的关系粘度，推出了“你也可能认识(People You May Know)”的功能。这个功能帮助领英的用户量从百万级用户迅速地增长至亿级用户，并在2016年被微软以260亿美元的巨资收购，实现了公司价值的飞跃。

对于电商类公司，无论是平台还是自营，GMV都是普遍认可的核心指标。GMV的绝对值衡量的是体量，而GMV的增速则反映了这家平台的增长和前景。比如在谈论阿里巴巴，京东和拼多多三大电商巨头时，2019年财报披露的GMV分别是5.72万亿，2.08万亿，1.01万亿。但2019年拼多多的GMV年同比增速113%，对比京东24.4%和阿里的19%增速，拼多多的增长势头引人注目。

有了GMV作为一级指标之后，我们可以根据业务逻辑往下延展，从一到多，有层次地将其他指标呈现出来，最终构成我们的指标体系。实现这个过程，最容易的方式是使用公式法，公式法来源于对财务分析工作中常用的杜邦分析方法，是用加减乘除的数学逻辑对核心指标做层次拆解的过程。

图2-4展示了应用公式法对GMV这个一级指标的分拆示例。我们可以将其先拆解为下单用户数和人均消费金额的乘积。下单用户数可以进一步分拆登录用户数和登录用户下单率，而登录用户数则由总用户数和用户登录率所决定，最后总体用户数则是根据当前的用户，加上新注册的用户，减去流失用户所形成。人均消费方面，则可以拆成人均购买频次乘以每笔订单的金额。

采用公式法对指标做拆解的好处是能快速锁定异动来源，比如GMV上升或者下降，必然是交易用户数和人均消费至少有一个呈现明显上升或者下降，转化率的上升下降，也必定是曝光率，加购率，购买率三者的影响。

这种逻辑也可以应用在不同公司之间横向对比。对比2019年的京东和拼多多的年报，如果从核心指标GMV上来看，京东还是在拼多多的两倍左右。往下分拆则会发现，拼多多在活跃用户数这个层级已经是超越了京东近2.2亿，但人均消费则明显落后，大约只有京东用户的30%。在新增用户指标上，当年拼多多新增了1.67亿用户，是京东的约3倍。从这几个指标上，我们就不难理解后期这两家电商公司的战略选择：拼多多开始联合大品牌做百亿补贴活动，通过大牌站台的方式来告诉消费者在拼多多买的大件商品有保障，让这些用户能发出”真香“的声音，逐渐拉升用户群体的人均消费；而京东则通过”京喜“这个特价购物平台去撬动下沉市场，同时重点利用拼购价和用户分享裂变的玩法获取新增用户。

表2-1 京东对比拼多多财务数据

公式法较为适合电商、零售以及财务等相对较成熟的数据体系中，而在一些复杂的业务场景中，并不能完全地实现严格的公式拆解，因此我们要依据商业模式和业务逻辑找到相关的次级指标。这里我们以美团外卖作为例子来搭建外卖平台的指标体系，外卖平台较电商更复杂的地方在于需求的即时性，当用户点外卖的时候会期望在30分钟到1小时内能拿到餐品的，而电商平台的需求则可以延时满足。外卖业务是基于位置服务LBS(Location based service)，普通外卖门店服务半径通常在3公里以内的用户，且外卖需求很容易受到天气，节气等外在因素的影响，这些都给外卖平台的指标体系搭建带来了更多的挑战。

接下来，我们用四个步骤来完成美团外卖的指标体系搭建。（#2）

1. 梳理商业模式。外卖的商业模式中最独特在于平台，商户，用户以及配送四个主体之间的关系。在商户和平台之间，餐饮商户入住美团平台，平台提供商家和菜品信息并将订单传回给商户；用户和平台之间，用户在有外卖需求之后，通过平台搜索或者推荐找到商户或者菜品，完成支付下单，订单中可能使用平台提供的优惠券红包等；物流配送与平台/商户之间，平台提供的骑手或者商家自行选择的配送人员，从商户取到菜品配送给用户完成订单。
2. 确定指标。作为抽佣收入为主的平台服务， GMV自然也是外卖平台的一级指标。若单从用户角度下拆，和B2C电商没有明显差别，GMV来自下单用户数和人均消费金额，而下单用户数则是被整体流量和转化率所决定。而商户侧则像是一个硬币的另一面，同样的GMV到了商户侧则是由总的有订单商户乘以店均的交易额组成，而有订单的商户的数量则取决于总体在平台营业的商户数组成。配送有关指标则集中体现了外卖平台的LBS特性，履约成功率（所有订单中有骑手接单并完成配送的比例）和平均配送时长是最能反映服务效率。最后从平台资源的角度，对于商户、用户以及配送服务提供的各种补贴（常见的如减免配送费，超级会员所获得的红包等）和营销活动，会影响到各个主体之间的关系，因此也需要将他们单独列出。图2-5总结了上述围绕GMV一级指标，依据业务逻辑所产生的指标体系框架。

1. 细分与对比。

上面的指标可以初步描述整体的业务变化，对于其中的一些指标我们可以做进一步的细分。在商户侧，头部品牌如星巴克、麦当劳和高校附近的纯外卖炒饭店之间，在订单量，用户单笔外卖支付的价格和营销活动选择上都有重要的差别，应予以区分。因此我们将有订单的商户数和营业商户数都对这两类做了额外拆分，在使用这个指标体系时，不仅能看到商户数层面各自的数量，也可以看到这两类商户中，哪类商户有订单的比例更高。一个是经营数量，一个是经营质量，商户的状况就能得到更完整的反映。

在用户侧，美团会员是平台重点的运营团体，会员每个月支付15元的会费获得6个5元的外卖红包，这些红包可以在任何商户使用且可能会兑换成为更大的代金券。有理由认为，付费会员应该能带来更多的订单和更高的转化率，因此在这里我们将下单用户数和访问用户数都分拆为会员和非会员两类，观测他们对整体下单和访问用户的贡献和变化。

对于流量侧，根据流量来源可以分为美团App、美团外卖App，以及小程序点单，不同流量来源的流量量级以及转化率水平都有所不同。在物流侧，因为外卖服务能被分为美团专送和商家自配送服务，从平台角度只能控制只有配送服务的表现，因此应更着重于美团专送的履约质量。基于以上因素，指标体系的框架可以被进一步更新为图2-6。

最开始的问题中有两个重要的时间线索：”今天是星期一早上9点钟“和“在过去的一周里“。我们可以因此推断决策者需要的是：评估上一周的各指标状态，并且能在本周制定相应的对策。所以在指标体系中，首先要有上周的数据，其次要有合适的比较方法来做判断。如何基于时间做完善的对比，我们在第四章会有更详细的介绍，这里我们先介绍一个重点就是在对比时，至少要有两个参照系。通常我们会用环比和同比进行分析，以月/周/日环比来看近期状态，而以年同比来看长期趋势，从而消除单个数据点可能造成的异常波动。除此之外，考虑到外卖通常在周末的订单要高于工作日订单，因此可额外将周末的订单表现做环比，作为数据指标表现的参考值。

如图2-7，加入了时间对比周期之后，我们指标体系也更加贴近于实际的解读。到此我们就基本完成了指标体系的初步搭建，结合商业模式从一级指标入手，依据公式法或者业务逻辑延展，形成从下至上的递进式解读关系。搭建一套好的指标体系，需要完整与实用兼顾。完整性则是指指标体系从上至下拆解的系统性，在第三章中我们会介绍MECE方法，就是评估这种系统性的工具。实用性是指在设计指标体系的过程中，切记不要进行指标的堆砌或者罗列，去掉一些对评价结果影响甚微或重复的指标。比如上面所列出的“平台总商户数“，这种指标一般不会在两周之间发生巨大的变化，如果该体系仅用于短期评估和决策，可考虑将此指标移除。

指标体系不仅能应用于这类公司层面的数据分析，也可以如法炮制延伸至单个产品或者业务单元的分析场景。举例来说，美团从21年开始推出了天天神券，核心玩法是让用户把手上一张普通的券膨胀成为更大额的红包。膨胀前后满减金额的对比可进一步诱发用户的占便宜心理，降低外卖价格敏感度，此外膨胀后一般仅限当天有效，促进用户完成下单。在美团的天天神券栏目上，还通过培养每日用户登录打卡抽宝箱，不仅提升粘性，也同样形成了刮奖式的上瘾机制。

对于这个新型的营销手法，如何能用指标体系来评估它的效果呢？首先可以明确的是，天天神券所带来的订单肯定是核心指标，订单高速增长代表了这个营销手法被用户和市场所接受。在商户侧，由于天天神券只能用于部分参与活动的商家，因此关注的对象应该是有多少商户参与，以及其中发生天天神券订单的商户数，这两个数字能反映出商户对活动的接受程度。

在用户侧，与大盘的流量转化思路不一样的是，这个活动更要关注的是用户的领券和使用券的链路。若领取券的用户数增长不够好，则说明的是用户对活动的感知度不够高，但若是领券用户数增长但使用券的用户停滞，那有可能是券面额不足以吸引用户下单，亦或是用户喜欢的店并没有开通这个活动，导致券的使用率低。另外基于活动设计了每日打卡等机制，也应该加入每日打卡用户数，以及3日或者7日内连续打开用户数和占比，以此来分析用户的粘性。

在营销侧，和其他外卖类的活动一样，神券的补贴力度也同样是要关注的。不过要注意的是，天天神券的设计目标是“诱发用户的占便宜心理，降低外卖价格敏感度”，但从平台的角度，是希望能让日常花30元的外卖用户，在神券刺激下能开始去接受35元甚至更高的价格，而不是这些用户拿到了神券之后去买了20元的外卖。因此不同的门槛和折扣面额配置所带来的影响，也需要重点关注。在物流侧相关的指标在这个体系里则可以去除，因为物流是受平台和环境等因素影响的，和单个营销活动并没有直接关系。

图2-8梳理出了天天神券的指标体系框架，它基本描述了天天神券的业务流程。不过该框架仍然有其不足之处，我们将在第三章的思维方法中做进一步的修正。

2.3　如何解决三大常见业务问题

商业模式和指标体系是从宏观上给公司经营层面的问题做“把脉“，结合公司的战略和经营目标，时时刻刻都会衍生出很分析目标和需求。通常我们会将它们归纳成为下面三个类别：描述分析，诊断分析以及预测分析。在第一章案例中我们也提到了WHAT-WHY-HOW三类问题，而这里的三个分析对应解决各自的问题。

• 描述分析（What）：业务现在长什么样？本节用计算机制造商案例直接演示，不另引 2.2。
• 诊断分析（Why）：为什么会这样？把异动归因到具体环节。
• 预测分析（How）：未来会怎样？用模型给出可落地的决策建议。

（描述分析就是先把现状搞清楚，本节三种分析都基于同一个计算机制造商案例完整展开，不另引 2.2。）三类问题中，经营者从自身角度出发往往是带着 WHAT 问题而来，而数据分析的视角下则需要尽可能地牵引他们到 WHY/HOW 的问题层。根据业务目标找到所有可能解决的技术方法与所需数据，要尽可能找出对业务可落地的有效解决方案。接下来用一个化名化处理的 IT 行业案例，把诊断分析与预测分析串起来，看在实际问题中是如何从诊断过渡到预测。

这家公司是某计算机制造商（化名处理，避免商业关联），主营个人电脑与商用服务器，是国际一线品牌。近年来随着个人电脑市场的日趋萎缩，企业级的服务器产品逐渐成为该公司市场盈利的重点产品。特别是在中国，初创企业日益逐步增多，为了能更好地和国内品牌抢夺这个领域的客户，公司希望通过数据分析找到潜在购买服务器产品的中小企业客户，提升呼叫中心(call center)的运营效率。

依据分析目标，我们首先要做的是描述分析——先把公司对中小企业客户的销售与营销现状搞清楚。具体可以从下面几个维度来描述：

客户细分：购买我们产品的中小企业具有什么特征，他们是否集中在某些地区或者某些行业？我们已有的客户中，中小企业客户的数量和占比是多少？从时间趋势上，是在上升还是下降？我们的服务器产品线中有哪些是面向中小企业的，这些产品在自有服务器产品中的占比多少，近段时间是否有发生变化趋势？

收入来源：中小企业客户现有在服务器上花费是多少，他们所购买的重点产品是什么？以往中小企业在购买服务器产品之外，是否会额外购买延长保修期和其他服务？

客户关系：现有的电销中心对中小企业客户的转化率大约是多少，对比其他产品线是否有很大的差别？在电销中心之外，公司发送的电子邮件和公众号推送的互动比例（阅读，评论，点赞等）是多少？最近几次公司举办的中小企业网络架构线上直播，留下意向的用户是否有已有外呼跟进？

在了解业务的现状之后，我们现在从诊断的视角看问题。如果电销中心对中小企业客户的转化率现在是1.5%，也就是每拨打200个电话我们能获得3个中小企业客户购买服务器，我们如何把这个转化率能做到3%甚至是5%？在第一章中，我们曾经将老客拆成R1-R3，在这里1.5%的转化率是代表了整体水平，如果我们能找到其中高转化率的客户以及他们所具有的特征，那就可以称为一次诊断分析。表2-2展示的是假想对客户细分后的数据，在10万客户中整体的转化率是1.5%，但其中2万个优质的客户有3%的转化率，而其他普通的客户则只有1.1%的转化。

表2-2 电销客户的转化分布

如果我们能优先拨打优质客户，呼叫中心的经营效率必然得到提升。这个诊断分析过程就是用尽可能多的数据去刻画这些特征，依据转化率的高低重新规划呼叫中心的外呼企业名单的过程。在找到这些主要特征的过程中有个小插曲，因为公司营销负责人提出了一个诊断路径：“能来买我们公司服务器产品的中小企业，应该是买过台式机或者笔记本产品，在建立了品牌信任之后进而选择服务器“。

但是我们对实际数据的诊断发现了相反的结论。若以客户购买服务器作为锚定的时间点，去检索该客户之前的购买记录， 80%是没有买过任何该公司的其他主机产品（台式机/笔记本）。从业务逻辑上我们也能论证了其合理性：这家公司属于市场上的中高端品牌，而初创企业在最开始有可能会选择国内市场价格偏低的笔记本/台式机，等到业务发展到一定规模了再购买服务器产品。而这个时候公司会更加重视产品质量，会选择更靠谱的大品牌。

这个插曲揭示了在这次分析的独特性，就是企业类客户和前述电商平台消费者的决策过程不同，因而分析视角也应不同。消费者的购买通常是较为快速果断的，很多时候消费者被有关联的文案推送或者优惠“助推“就会完成购买下单的过程。但企业决策则有着较长的规划，咨询服务商以及比较价格和售后保修等。因此我将分析聚焦在了有关”询价“的阶段，前面也提到了在数据库中记录了中小企业客户的办公电话，也同样记录了所有呼叫过服务中心的电话记录及咨询的内容。将询问服务器价格及保修等信息的客户和他们最后的购买记录比较，会发现65%的客户是在购买前6-8周有过电话联系。

图2-9综合了上述两个结果，这次诊断为客户圈选出一组“优质“的服务器客户：电话咨询过服务器中小企业客户，且联系时间应在电话过后3-4周启动并持续跟进。

通过诊断分析我们帮助客户识别业务的方向（更有可能买服务器的是新客户而不是已有客户），以及可运营群体（最近1-3个月有电话询价过的客户）。诊断分析如同医生对病情的判断，需要的是各种检查结果的指标和分析，也同样需要足够的专业知识，否则就可能出现被业务自述的体感而带偏了方向。以上述找到优质客户这个目标而言，每个中小企业客户的特征其实很多，如果手工的逐个判断，必然花费大量的时间和精力。是否能有批量自动化的分析方法，而且能够从群体到个体，做到每个顾客都能精确识别他未来一段时间服务器需求的可能性？只要有足够的数据与计算资源，通过预测分析是完全可以实现这个目标的。

预测分析背后的数据准备和计算逻辑，在第四章的进阶分析方法中会做更详细的介绍，而在这里先只看这个分析方法的输入与输出。在输入侧，我们可以将所能想到的可能特征都做收集，比如单、浏览行为、营销活动、企业规模等，并且对特定的指标做衍生加工，例如在本例中订单大小看的是最近3年的总和，而官网线上浏览行为是看的最近6个月，营销活动的互动是看最近9个月，这些时间的选择是通过模型方法自动生成与筛选的，相比人为的诊断和选择是极为高效的。

如图2-10，预测分析为所归纳出来的六个客群，客群1为最“优质”，他们的预期转化率是均值的6倍，也就是会在9%的水平，而次优的客群2也能有3倍也就是4.5%的转化率。值得一提的是最差的客群6转化率为均值的一半，实际上我们这个分类达到了将客群区分为了优质，平均和劣质。因此对于呼叫中心的规划，我们应该优先选择客群1和客群2作为拨打的最高优先级。比起人工分析更能提效的是，这个预测分析的模型结果可以每日在数据库中根据最新的记录进行自动更新和打分，每天提供给外呼中心的客户名单都是被预测为最可能“优质“的客户。

总结与思考

本章我们学习了要能用数据语言去解决商业问题，首先要能理解商业模式和问题，使用商业模式画布可以帮助快速地梳理陌生的企业和业务；其次是从商业模式中判断一级指标，再根据公式法或者业务逻辑找到关键的次级指标，搭建完善的数据指标体系，能形成对商业问题的大方向诊断；最后，把细节的商业问题抽象成三类常见分析(描述/预测/诊断）并予以解答，就能更高效地找到决策的最优解和商业的新机会点。

最后留给读者一个思考题，写作这本书的时候正是新冠肺炎疫情期间，因为团购需要上海很多居民都开通了美团或者叮咚买菜的会员。无论是开的连续包月还是季卡，到期之后，作为消费者，我们都面临是否续卡的选择。站在美团或者叮咚买菜的角度，也同样需要关注这样的商业问题：如何能让用户们在会员到期后续卡？请你用描述/诊断/预测的问题思路来思考下如何才能实现这个数据分析目标呢？

在这里我列出一些可以帮助拓宽思路的问题：（1）当前上海地区会员的到期续卡率是什么水平？（2）2020年新冠肺炎疫情刚发生时，当时的会员注册数也必然有上升，那一批用户的到期续卡率是什么水平？对于这个问题的解答，我也会在课程配套视频中做进一步的讲解。