# 台灣外送產業大解密！從數據角度剖析外送平台的營運策略：以餐廳經營與熊貓超市為例

{%hackmd l-xqV_vNRgKqL17looeXlw?view %}

###### ▼▼▼ 開始筆記 ▼▼▼

Kevin 分享 Foodpanda怎麼進行營運和分析的，會以策略、營運的角度出發
- **餐廳端流失預測與挽留策略**：如何透過數據來預測餐廳解約時機點？而業務端又該如何啟動挽留機制？
- **消費者分群與經營策略**：不同類型的外送消費者，又有甚麼樣的購買行為？如何透過數據精準定位出不同的消費者，並制定最佳的選品與訂價策略？
- 很多人以為 Foodpanda 是台灣企業，可能落地化太成功了（其實是德商）
- 其實母公司叫外送英雄，橫跨50多個國家，拉丁美洲、歐洲都有事業體，其實算一個集團
- 外送員里程可以繞地球一萬圈
- 對台灣影響很大，讓台灣就業率呈現向上成長，挽救失業率

## 外送行業的定位是什麼
1st Gereration Commerce 傳統商務
- Self service
2nd Genration E-Commerce 電子商務
- Devlivery: 2-3 Days
3rd Generation Q-Commerce 快商務
- Deverery: <1 Hour Delivery Time
確保餐點從下訂到你手上，大約在20-30分鐘內完成

讓他成功的兩個要素：
- 產品
- 營運力:出問題要能及時支援

## 引進其他數據來幫助我們營運

- 產品數據
- 餐點製作時間
- 引進第三方天氣數據 API
- 外送員數量也同樣重要
> 提高讓客戶能在 20-30 分拿到餐點

## 熊貓平台圍繞三大群體 (三方平台)
- 餐廳
- 外送員
- 消費者

## 今日案例分享
1. 商家流失預測：提前預測高流失請向商家，以及早採取挽留行動
2. 生鮮客戶分群：將生鮮消費者分群後，建立商品類別及 SKU 定位，進而調整訂價策略

## 案例一：流失商戶挽留
- 為了讓消費者在平台上有足夠多的選擇，foodpanda需要維持平台上的餐廳數量，手段包含提高新餐廳簽約數與降低餐廳流失率
- 本專案目標為降低流失率，提前識別潛在流失商家，並期待能有效挽留

商家流失預測：
> 關鍵目標：降低餐廳流失率，確保平台商消費者有足夠多的餐點選擇

>[!Tip] flow：模型預測 > 主動挽留 > 商戶訪談 > 流程優化
- 模型預測
- 篩選關鍵屬性建立機器學習流失預測模型
- 使用 A／B Test 驗證機器學習模型的預測成效
- 主動挽留
- 嘗試多種溝通方式，並測試其有效性。
- 針對可能的流失原因做初步分類及發想可能解決方式。
- 商戶訪談
- 與已解約店家進行一對一訪談，了解關鍵解約原因
- 歸納商店解約原因找到最需改善的部分
- 流程優化
- 從產品、流程、技術等面向出發，持續優化商家服務品質

#### 解決方式提案
是否能建立機器學習模型解決以下問題
1. 預測下個月會流失的商家
2. 試圖挽留可能要流失的商家
3. 找出流失的原因
4. 制定 SOP 讓流程更好

#### 餐廳流失預警模型建立
以 80+ 餐廳屬性建立模型預測高流失傾向商家，並定期產出名單主動挽留及關懷
> 產出名單讓業務主動關懷商家，降低流失率
> 定期產出高流失傾向餐廳

- 模型預測屬性： (RFM model)
- 基本資訊：城市、餐點類型、經營模式(連鎖、非連鎖)
- 營業表現：訂單表現、消費者評分、餐點照片覆蓋率
- 平台互動：合作年資、與平台合作促銷活動、客訴紀錄
- 外送合作：平均外送時間、平均配送距離

#### 透過模型數據主動挽留

通過模型產生的可能解約原因，制定挽留策略，商店挽留成功率持續提升
(soft關懷)
不同的商家溝通方式成效不同，也有相應營運成本
使用哪些溝通方式，可以讓商家真正感受到關懷
- 簡訊通知（成本低）-- ✅ 成效佳
- 電子郵件（成本低）──┐
- 致電關懷（成本中）──┤可交互使用
- 親自拜訪（成本高）──┘

#### 針對不同類型商家制定相應挽留策略...
- 甚至在打電話前，就知道可能流失的原因 -> 即可提供對應的挽留方式 -> 提高挽留成功機率。
- 數據指標拆解化，然後再客製化改善

訂單因素（70%）
- 可能解約的原因：
- 上線時數低（可能挽留的原因：了解不上線原因，並鼓勵商家上線）
- 有上限，但訂單量低
- 曝光量低（可能挽留的原因：鼓勵提升服務品質以留住顧客）
- 舊客人數低（可能挽留的原因：鼓勵提升服務品質以留住顧客）
- 新客人數低（可能挽留的原因：建議採取廣告或折扣手段穩定取得新客）
- 轉換率低（可能挽留的原因：了解轉換率低的原因，例如訂價、餐點照片、折扣等因素）

非訂單因素（30%）
- 關懷合作中是否有不愉快的地方
- 可能解約的原因： => 透過訪談了解

#### 解約原因訪談
透過訪談20+家商家挖掘解約原因，了解老闆真實心聲，探索可能的解決方案

符合以下條件
- 位於雙北地區，且已解約
- Google Rating >= 4
- 過往營業額高
（每場訪談時長約 1 小時，全程逐字稿紀錄）

訪談二面向
- 解約原因
- 解決方案

訪談結果統計
- 人員服務
- 日常營運協助
- 即時訂單問題協助
- 平台政策
- 爭議款項處理
- 合作分潤
- 設備及平台(UI/UX)
- 制餐時間調整 (ex. 減輕商家製餐的壓力)
- 菜單修改流程

#### 解決方案(依據訪談後採取後續行動)

##### 通過內部訪談席係書裡餐廳服務流程，進而識別出可改善的環節
梳理部門內主要服務流程及團隊分工
Flow： 簽約 ➡️ 上線 ➡️ 營運 ➡️ 解約
- 識別服務斷點，提升商家服務品質 (ex. 部門交接溝通時的斷點，可能讓商家感受到支持或服務差)
- 書裡團隊內部溝通方式，提升跨團隊協作效率

##### 導入Line 企業版功能已提高與商家的溝通效率與品質
- 內部測試 - 讓老闆們加入 foodpanda 好友
- 立即反應、提供懶人包
- 讓每位合作的老闆知道資訊是透明也確實有被反應到

##### 優化總部開發團隊與地區市場的溝通與協作效率
前進總部，期許能優化餐廳端產品，將影響力擴大至集團其他品牌及國家

## 案例二：熊貓超市客戶客戶分群經營

- 通過機器學習將客戶分群找出消費者輪廓
- 從消費者輪廓出發思考超市經營策略（選品、訂價...等）


關鍵目標：了解熊貓超市的消費者輪廓，進而優化經營方式

- 消費者分群：
- 使用機器學習演算法結合消費者屬性，將消費者分群之後尋找各別特性
- 主要客群鎖定
- 從消費者人數及價值出發，找到最適合優先經營的客群
- 商品類別定位
- 從消費者輪廓出發==定義品類及品項定位==，明確區分引流商品與高利潤商
- 訂價優化
- 重新調整訂價，讓品項訂價能充分展現前一步驟的品項定位

### 消費者分群

利用 30+ 個生鮮超市相關的購買屬性，以 K-means 演算法細分為 7 群
Hygienic
Emergency
Beverage&Snack
Dairy&Bread
Mealtime Buyer
Freguent Cook
Stockpiler

- 消費者價值：
* 每單金額
* 下單頻率
* 再購率
- 消費者行為：
* 購買商品數量
* 平均運費
* 現今單/預訂單比例
* 優惠券使用比例
- 購買品類：
* 奶蛋類比例
* 冷凍食品類比例
* 海鮮肉類比例
* 清潔用品比例
- 購買時間段：
* 餐期下單比例
* 深夜下單比例
* 平假日下單比例

#### 分群數選擇：7群為最佳分群組數
使用Elbow Curve（ 手肘法圖表分析）決定分群數

### 主要客群鎖定
分析各群，團隊去鎖定主要客群做為未來經營重點
分析消費者客群分佈，以消費者數量 X 營業額（/消費者）作圖

- 發現 - 緊急客群：消費毛利高、願意付運費。

### 商品類別定位

鎖定主要客群後，團隊進一步思考品類及品項定位，進而以數據驅動優化定價策略
- 品類：分析重點族群對各品類的消費頻率與忠誠度，將品類分類為四個主要定位(Traffic, Core, Essential, Add-on)
- 有些品類的目的非賺錢，而是吸引顧客踏入店內消費（Traffic - Core - Essential - Add-on）
- 訂價矩陣：KVI、Mass、Long-tail

| | KVI | Mass |Long-tail |
| -------- | -------- | -------- | -------- |
| traffic | Text | Text | Text |
| core | Text | Text | Text |
| Essential | Text | Text | Text |
| Add-on | Text | Text | Text |

>[!Important]
>從主要客群的需求出發，定義個品類與品項在熊貓超市中的定位
以品類與品項定位為基礎設定訂價基準，以提高商業指標的成長（例：訂單量、毛利率、總利潤⋯⋯等）

### 訂價優化
實驗結果顯示大部分品項調整價格後皆有顯著訂單/利潤

## Q＆A
Q: 針對機器學習想問更詳細一些：
1. 這80個變數是如何選擇出來的？為什麼是80而不是其他數字？
2. 想問在做模型的過程中，是否有遇到選用的演算法成效不符合你們的預期，如何思考要使用哪個演算法來製作？
3. 像這樣的模型做出來之後，他的效度能維持多久呢？

A:
> 並不是在 day1 就把這 80 個變數提取出。
> 是以前面的例子，像是開始思考為何會離職，即從職員離職情境參考帶到商家流失，進而回到商家思考為何會流失，通常會以這幾個進行拆解：
> 1.訂單差
> 2.服務不好
> 3.客速率差
> 4.廣告沒有用
再來就開始可設定變數，比如：過去 30/60/90 的訂單量、30-60 天的斜率，或萬能公式進行拆解，如觀察過去 30 天曝光率多少、轉換率多少等，總共大約涵蓋了至少 200 個變數，建立了excel，才去訓練模型，有些屬性對精確度的提升並無幫助，建模或是參數調整的過程中，才將 200 個屬性縮到 80 個，有足夠好的效率。
到底成效符合預期？至於這要回到商業來看，怎麼樣才能是符合預期？
但老實說模型的正確率並不是特別高（因成員組成並不是資工背景出身），因此需思考是否符合效力，而有些模型可能一陣子就需要進行調整，約莫一段時間（1-2個月）就會需要看模型的錯誤率，若過 2 個月錯誤率到 2~4% 左右就會開始重新訓練模型。
而為何模型會失效？代表預測不準，這即代表有些外在因素有改變，比如人們的習慣是否有大趨勢的變化，是當初沒有追蹤（track）到的。

### 感謝 Kevin 分享 🎉🎉🎉

## 💬 chat
--
本來以為foodpanda被併購會變成綠色的熊貓
公司其實有寫德商？
[公司徵才頁面給有需要的小夥伴](https://www.104.com.tw/company/1a2x6bibgg?jobsource=google&roleJobCat=)

因為落地太成功而被以為是台灣公司... XD 真的很狂
佩服

這篇筆記好難寫QQ
真ㄉㄚＱＱ
[phone]
已死亡
腦袋大爆炸
有夠扎實的
的確，沒接觸過 AI 和模型的會爆炸XDD
感謝幫忙補充和潤飾的
大家加油 還有座談OAO
截圖可以放嗎？