正确的模型可以有效分析业务发展趋势，也能够很直观反馈业务的健康度。而模型的基础就是“大数据”，通过不同维度细节、数据不断的被积累和应用，能给模型输送新鲜血液产生价值。
但数据本身是具备抽象性的，所以任何几个数据的排列组合是没有意义的，这就要求我们基于业务本身的场景公式化数据，进而产生价值。今天我重点跟大家分享取数的逻辑，以及对应的策略。
一、基于业务本身流程和场景划分数据优先级新零售业务模式立足于线上+线下，除了一大部分线上的核心数据以外，线下的数据同样至关重要。线上前端的运营，线下门店的履约，过程和结果数据细分多而杂，在确保纷繁复杂的大数据环境内业务健康发展，这就势必需要我们首先需要基于业务本身的黄金流程明确数据优先级，抓大放小，就重避轻。
上图是我们假设一个新用户首次进入平台后的理想购物流程，从前端销售到后端履约两个大的场景，我们基于这两个场景来区分行为数据，详情请见下图，归纳目前业务的大部分主流数据维度：
下一步我们需要将数据维度池区分级别，我们暂时用P0/P1/P2/P3来代替重要优先级，P0级数据直接决定业务业绩，P1级数据直接体现业务健康度，P2-P3级数据直接反应精细化策略应用效果。
P0级的数据维度并不多，重要且核心，简单而言，P0的好坏直接决定业务的效果，相信大家的数据报表内最大的几个数据维度基本都是上述的P0，且应该也是向老板汇报的数据。
1、销售具备唯一决定性GMV=订单量*客单价（通常看上账GMV，用户在支付完成的最终订单量和客单价）；毛利=商品实际收入-商品总成本（商品毛利是过程指标，最终月度净毛利我们需要剔除人工成本，促销成本等才做最终考量）
履约完成量=总支付单量-未成功配送单量的单量（需要在总支付单量内减掉用户主动取消，缺货，配送异常等情况，该指标的上账GMV会被记录到月度利润表内的最终GMV）
UV=某一时期进入平台的人数（这里指人数，而非人次）；新客=首次访问平台的新用户（对于运营而言一个很重要的环节“拉新获客“，就是在为这个指标服务，可见优先级之高）
3、商品决定销售宽度和深度动销率=售卖的SKU数/平台总SKU*100%（从公式不难看出动销率就是可以直面反馈商品结构的健康度，引入了100款SKU，但动销率只有5%，原因在哪？）
渗透率=某个品类销售GMV/平台总GMV（这个指标特指平台对某个品类的重视程度而引起的资源倾斜有效性，例如我们平台主打生鲜，则会关注生鲜渗透率）
补贴率=总补贴成本/平台总GMV（通常补贴包含优惠券补贴成本，商品促销成本，邮费补贴成本等等）
5、拣货&配送决定履约服务时效拣货履约率=规定时间内完成的拣货单量/总订单量（线下的场景多而杂，如何提高拣货员拣货效率，智能设备的引入，拣货仓的合理布局，拣货路线的合理设置，拣货员人手交班安排都是影响因子，而这个履约率则起考核作用）
配送履约率=规定时间内完成的拣货单量/总订单量（和拣货同理，骑手的骑程距离，骑手的规范性都会是影响因子）
投诉率=投诉单量/总单量（该指标相对较宽泛，投诉也非很多类原因ABCD各个不同档位，不同档位区别对待处理制度和索赔制度）；
差评率=差评单量/总单量（通常我们差评会区分多个类型，例如商品差评，配送差评等等，总的差评率考核整个平台服务效率）
三、P1级数据维度校验P0健康度P1的数据维度相对P0开始增多，且P1的数据开始细分，所承担的职责都是为P0服务，拿到上述不太官方的例子而言，如果说P0是向老板汇报的数据，那么P1一定是老板下半句追问的数据，各位要记得放在脑子里了！
1、P1销售校验模式的可持续性转化率=有效订单量/UV（通过公式一目了然，我们需要记录用户从进入平台到产生交易的笔数，这个过程我们用转化率来定义）转化率的好坏从侧面也能反映平台对用户是否友好（商品，体验，促销，购买流程等等）。
复购率=≥2单的下单人数/总下单人数（跟大家拆解过复购率，不过过多解释）复购率的好坏同样能反应平台的友好性；最后的订单量和客单价详细不用解释了。跟大家分享一组小小的行业数据，盒马客单价80-90元左右，永辉70左右，超过100应该算优秀偏上的数据。
我们提到过用户管理，无论是成本管理还是周期管理，都在这个级别内。留存率和流失率基本呈正反对应，通常看次日访问留存和7日访问留存=指定时间段的活跃用户，在之后的第N天再次访问平台的用户数占比，流失率则相反。
LTV和CAC分别指用户生命周期和单个用户成本，LTV=每月购买频次×客单价×毛利率×（1/月流失率），LTV的值是一个预估值，预估一个用户在我的评估能活跃多久。CAC=市场获客费用（广告+拉新+宣传等等）/有效人数，LTV和CAC的组合比率也非常重要，我们之前讲过，LTV/CAC>1才能反馈业务盈利！
3、P1商品数据校验商品的上架率商品在前端是否够丰富，且非饥饿营销确保用户能买到，就很考验缺货率了，缺货率=用户下单前缺货无法下单的商品数/总商品数；
核销率=使用优惠券数量/总领取数量（这个公式可以侧面反应出该优惠券的适用性，用户购物偏好行为）；领取率=领取优惠券数量/总发放数量（两个指标正好组合优惠券的链路，系统发放到用户核销，区分领取率和核销率来看优惠券的投放有效性）
5、P1的拣货和配送数据直接校验服务时效这个阶段的指标值尤为关键，人力成本的投入，拣货仓的利用率，人员数量的配置，人员日均拣货和配送的订单量都直接影响整体履约时效。（这一块内容后续我们独文跟大家讲解）
P2-P3级别的数据颗粒度已经很细了，且每条业务直线分配出来的数据值会越来越多，大大小小，这时候的业务数据的义务基本也是为P0服务，但颗粒度会很细，对P0的效果不及P1直接。通常我们在做精细化策略的时候会细看。
1、P2-P3的销售精细化P0的过程指标加车率=加车用户数/总UV访问人数（作为过程指标考量用户在购物过程中的加购物车频率，通过不做重点关注）；跳转率有很多口径和说法，电商而言，我们通常看的是商祥跳转率=商祥用户数/总UV访问人数（同样和加车率都属于过程指标，考量频道页到商祥页的点击转化情况）；
支付率=成功支付人数/下单人数（用户在前端找商品到最终完成下单，最终步骤是在支付环节，输完密码后的完成才能被记录到上账GMV内）；
用户的来源一定是多渠道的，无论是线上还是线下，我们通常的做法是在对应投放的二维码内埋不同的Ptag（代码标签），通过每个Ptag下产生的数据监测每个渠道来源，用于调整策略资源倾斜；
停留时长=平台停留总时长/UV（这个数据值还是很具备前期业务的参考性，操作并模拟用户从前端选品到最终成交的时间，我们模拟过大概在40s左右，带着这个数值来看单个用户停留时长，如果和40s接近，那用户操作路径还算健康，如果大于或小于就要分析缘由了）；
用户画像在业务前期也是一个关键指标，我们需要分析不同的用户属性（年龄，职业，城市），也便于我们后续做用户分层。
库存深度=当月库存/下月销售计划（这个指标是指现有库存未来消耗，通常是以月份计算），假设当月库存100万，下月销售计划50万，则库存深度=2，这个数值还是相对合理的，通常维持在1-2之间，如果高于这个值会出现库存积压的情况，如果小于这个值，会出现供给不足的情况。
数据领域一定是运营需要必备的技能，现成的数据抓取和维度需要关注以外，其次需要高敏锐的数据思维去试图重新排列其他的维度尝试反馈业务价值。一个好的业务必定有一套健康的数据，但有健康的数据未必会有好的业务效果。
我们看来，健康客观的数据体系+简单易懂主观的用户体验+线下复杂且又能保持积极的服务精神，这才是我们O2O所需要追求的状态！
-END-
