跟大家分享過運營模型論，正確的模型可以有效分析和提高業務發展趨勢，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，才能給模型輸送新鮮血液產生價值。
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，這就要求我們在提取和基於業務本身的場景來公式化數據的價值。重點跟大家分享我們取數的邏輯，對應的策略會再逐一拆解細分。
一．基於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於線上+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，在確保紛繁複雜的大數據環境內業務健康發展，這就勢必需要我們首先需要基於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後的理想購物流程，從前端銷售到後端履約兩個大的場景，我們基於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：
下一步我們需要將數據維度池區分級別，我們暫時用P0/P1/P2/P3來代替重要優先級，P0級數據直接決定業務業績，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級的數據維度並不多，重要且核心，簡單而言，P0的好壞直接決定業務的效果，相信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，且應該也是向老闆彙報的數據。
1，銷售具備唯一決定性：
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，最終月度淨毛利我們需要剔除人工成本，促銷成本等才做最終考量）
履約完成量=總支付單量-未成功配送單量的單量（需要在總支付單量內減掉用戶主動取消，缺貨，配送異常等情況，該指標的上賬GMV會被記錄到月度利潤表內的最終GMV）
2，用戶具備銷售量級決定性：
UV=某一時期進入平臺的人數（這裡指人數，而非人次）；新客=首次訪問平臺的新用戶（對於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，商品決定銷售寬度和深度：
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%，原因在哪？）
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，促銷決定投入的多少：
補貼率=總補貼成本/平臺總GMV（通常補貼包含優惠券補貼成本，商品促銷成本，郵費補貼成本等等）
5，揀貨&配送決定履約服務時效：
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，揀貨倉的合理佈局，揀貨路線的合理設置，揀貨員人手交班安排都是影響因子，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，騎手的規範性都會是影響因子）
6，投訴決定平臺口碑：
投訴率=投訴單量/總單量（該指標相對較寬泛，投訴也非很多類原因ABCD各個不同檔位，不同檔位區別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開始增多，且P1的數據開始細分，所承擔的職責都是為P0服務，拿到上述不太官方的例子而言，如果說P0是向老闆彙報的數據，那麼P1一定是老闆下半句追問的數據，各位要記得放在腦子裡了！
1，P1銷售校驗模式的可持續性：
轉化率=有效訂單量/UV（通過公式一目瞭然，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；最後的訂單量和客單價詳細不用解釋了。跟大家分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應該算優秀偏上的數據。
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週期管理，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，在之後的第N天再次訪問平臺的用戶數佔比，流失率則相反。
LTV和CAC分別指用戶生命週期和單個用戶成本，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+宣傳等等）/有效人數，LTV和CAC的組合比率也非常重要，我們之前講過，LTV/CAC>1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，且非飢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=使用優惠券數量/總領取數量（這個公式可以側面反應出該優惠券的適用性，用戶購物偏好行為）；領取率=領取優惠券數量/總髮放數量（兩個指標正好組合優惠券的鏈路，系統發放到用戶核銷，區分領取率和核銷率來看優惠券的投放有效性）
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。（這一塊內容後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，且每條業務直線分配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）；跳轉率有很多口徑和說法，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（同樣和加車率都屬於過程指標，考量頻道頁到商祥頁的點擊轉化情況）；
支付率=成功支付人數/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，輸完密碼後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情況：
用戶的來源一定是多渠道的，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（代碼標籤），通過每個Ptag下產生的數據監測每個渠道來源，用於調整策略資源傾斜；
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，操作並模擬用戶從前端選品到最終成交的時間，我們模擬過大概在40s左右，帶著這個數值來看單個用戶停留時長，如果和40s接近，那用戶操作路徑還算健康，如果大於或小於就要分析緣由了）；
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），也便於我們後續做用戶分層。
3，P2-P3的庫存深度校驗庫存週轉次數
庫存深度=當月庫存/下月銷售計劃（這個指標是指現有庫存未來消耗，通常是以月份計算），假設當月庫存100萬，下月銷售計劃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，如果高於這個值會出現庫存積壓的情況，如果小於這個值，會出現供給不足的情況。
數據領域一定是運營需要必備的技能，現成的數據抓取和維度需要關注以外，其次需要高敏銳的數據思維去試圖重新排列其他的維度嘗試反饋業務價值。一個好的業務必定有一套健康的數據，但有健康的數據未必會有好的業務效果。我們看來，健康客觀的數據體系+簡單易懂主觀的用戶體驗+線下複雜且又能保持積極的服務精神才是我們O2O所需要追求的狀態！
作者：Leonjiang 亞馬遜新零售高級運營經理；社交電商，O2O新零售電商行業研究員
閱讀更多 ToB運營 的文章
