物流常识（七）：数据运营篇（上）

本文深剖物流行业数据运营方法论上篇，全文预计20分钟，希望您阅读愉快。

1、前言：为什么数据重要？

2、osm模型：指标体系方法论

3、指标体系落地搭建：需求模块->调度模块->交易模块->运送模块->财务模块

— 1—前言

物流行业特点之一就是重业务，不少业务人员习惯埋头干业务，但缺乏对业务结果的追求，无法通过数据衡量细化业务方向的好坏，很累很苦却没有看到增长！

此为数据意识差。今年是物流行业资本集中涌入的元年，京东物流、满帮已上市，福佑即将IPO，货拉拉、滴滴货运融资几十亿美元。

思考下，这么多钱，除了开拓业务还要干嘛？重金做基建。福佑表示上市募资30%将用于研发，满帮的融资重点要提升智能匹配系统的技术壁垒，货拉拉连地图都要自建...

所以不妨大胆预测下：物流行业的基建时代已来临，未来比拼的是技术基建能力。何为基建？淘宝的基建包括物流和支付，物流（货运）、外卖、单车、打车、点评的基建是地图、调度、数据。

数据本身无用，但是当你的数据可以衡量业务、发现问题、挖掘机会点时，那就有用了。如何做到有用？合适的指标体系是第一优先级。

本文就详聊下：从数据到业务，从业务运营角度打造深刻理解物流业务的指标体系。

— 2—OSM模型方法论

定指标体系的方法论为OSM模型。

• Obejective（业务目标）：用户使用产品的目标是什么？产品满足了用户的什么需求？

• Strategy（业务策略）：为了达成上述目标我采取的策略是什么？

• Measurement（业务度量）：这些策略随之带来的数据指标变化有哪些？

我们先用OSM 模型理解下物流业务：

• 物流行业的核心业务目标为将大规模高并发的货物从A点安全、准时地运送到B点

• 为了达成准时与安全，通常业务策略为：高增长的需求->充足的运力->迅捷地调度->规范的承运。

注意以上还停留在方法论，如果以为拥有它就拥有全世界，那只能说是年轻。

数据分析师的思路是通过以下四个步骤完成指标体系的构建：确定主指标->拆分子指标->拆分过程指标->添加分类维度。

小河认为按以上思路可行并且也可落地。但是还不足够贴近业务，因为指标最终若想要提升，最终还是需要业务方去落实。

所以指标首要要做到贴合业务模块，按照各业务模块梳理对应主指标，然后不断进行指标下钻。我们先还原各业务模块的组成：

需求模块：需求产生-需求确定

调度模块：需求分发-运力响应

交易模块：协商撮合-确定交易

运送模块：运力取货-送达完成

财务模块：费用计算-打款到账

接下来我们依次来看各模块最需要哪些指标。

— 3—指标体系，从数据到业务

01 需求模块

需求是所有模块里最重要的，供给不够还可以补充，需求要是疲软，神仙也难救。

需求模块的指标比较简单，主指标为下单量。下单量=询价单数*下单率。

常见分析维度有区域/车型，区域和车型就不讲了，这里重点聊下需求分类、需求分布、用户价值细分、需求转化。

1.需求分类

需求端的核心是要将下单量进行分类：

• 哪些是真实需求单

• 哪些是重复需求单

• 哪些是伪需求单

• 哪些是条件苛刻的需求单

• 哪些是假单(来自竞对、测试等)

以上不少人会忽视，意识层面没到这一层，真以为只要是下的单就是真实需求。

有一个重要概念需普及：长鞭效应，意为市场端的需求被无限放大。

举一个大家小学时都经历过的例子：

市里领导要9点来学校参观，教委就要求8.30集合，学校要求各年级8点集合，班主任听完了就要求班级7.30在操场集合 然后全体学生在操场7.30等到9点。。。

具体到需求订单上的表现就是

①重复单，典型场景为一单多下，更绝的是一个单子全网各平台都发

②临时取消单，典型场景为突然不发货了或找到别的运力渠道了

③估价单，如果平台无定价体系，还会存在一部分单仅仅是要一个价格，不是需求

④条件苛刻单，个别订单条件非常苛刻，谁干谁亏本，拯救它们投入产出比极低

⑤假单，竞对、内部人员、司机为体验流程或基于其它目的直接下真单下着玩

抛开以上，才是真实需求的订单。

如果平台搞错了真实需求订单量，那么供应的计算也会错，会给运营带来巨大的噪音。

比如从数据层面上有30%的订单无运力响应，普通选手会先入为主：运力不足。但是高手第一步会先去识别这30%的单里：重复单、临时取消单、纯估价单、假单各有多少。搞不好深入分析完会发现，其实不缺运力。

这就是巨大的噪音。所以做指标体系时，将需求分类这个维度考虑进去，可以极大提升同事的认知。

小河的分析经验是：学会脱离比例数据，直接去分析需求本身。想要更了解真相，就要离需求更近，很多比率数据有噪音。

比率可以很好地衡量好坏，但是要分析具体某一细分场景下的问题时，可能数值数据更有效。比如30%未响应单对应的是1000个订单，直接深入去分析这1000个单到底长啥样就行。

2.需求分布

需求来源于用户，所以底层需求的分布就是用户的分布。

①行业分布

这是一个货运场景，谁货多谁就需求多。而货的多寡，与用户所在的行业属性息息相关：

批发市场/物流园/家居建材用户高频&低客单价&价格敏感

工厂用户低频&高客单价&价格不敏感

食品用户季节性强

......

②地域分布

要找到不同行业用户在地域上的分布，细致到能通过线下的销售找到ta们并挖掘。

以及如何将他们本身的需求激发出来，包括原有老需求转移到平台和平台创造用户的新需求。

综合行业分布&地域分布，最终要达成能在地图上看到需求的分布，已开发需求多少，未开发需求多少，这对于需求的预测有很大帮助，方便规划供应。

3.用户价值细分

谁是平台的敌人，谁是平台的朋友？做业务一定要分析清楚，到底哪些用户才是最有价值的用户。

常规思路是按下单量多寡分为高中低价值用户。但是下单量最多的用户一定是最有价值的用户吗？

何为价值？对于平台这个生态来说：保护小草，草原才能繁茂。

比如国家的发展也不倚靠某一小撮人，真正倚靠的是每一个平民。来个对比：平台有5个用户，每个用户下1万单；平台有1万个用户，每个用户下5单，哪个更好？

如果是前者，突然少了1个用户怎么办？所以对于平台而言，数量广大的中等价值用户才是平台真正的朋友。

何为好的生态，即公平健康的环境下小草里不断涌现大树。是时代诞生了马云，而不是马云诞生了时代。

4.衡量需求转化

下单率（需求的转化）这个指标看似很重要，但其实除非平台发生重大的改变，这个比例会恒长稳定.

因为影响下单率最大的因素是价格、下单流程产品设计、品牌知名度，短期内它们都不会有大的改变。

回归到常识:

• 价格降低->需求增加

• 下单流程越短->转化率越高

• 规模效应越强->下单率越高

常识在上帝手里，我们先回到人间真实。

关于价格：

• 价格降低->需求不一定增加

• 价格增加->需求不一定会减少

为什么？房价涨时买的人多还是房价降时买的人多？信用卡利率提升办卡人会减少还是降低？答案都是与常识相反的。

关于下单流程：

行业内通用下单流程已经达成最短->产品流程会固定不变

关于规模效应：

多大规模能有效应？如何评估？你一个人能对规模产生影响吗？答案：不知道，不清晰，不能。

所以现实业务中，看似重要的下单率这个指标，反而其实没有太多的分析价值，不如上面需求分类和分布来得实在。

02 调度模块

需求到供应有一个过程：需求分发->运力响应。

需求的分发有一套规则，有想了解的可以看看小河的这篇物流常识（三）：订单推送策略

1.衡量需求分发

分发规则多种多样，衡量需求分发是否合理的标准却是恒定：

保证每一个单都有均匀的司机看到，保证每一个运力都能看到均匀的订单，均匀的含义是适量，既不要过多也不过少。

①衡量分发效果

订单维度：下单数->推送成功率->推送司机数分布->订单曝光量分布

保证80%的单起码有上百个曝光同时不超过1000个曝光。衡量指标可用单均推送司机数。

运力维度：登录司机数->推送订单数分布->点击订单司机数->确定需求司机数

保证80%的司机能收到上百个订单同时不超过1000个订单。衡量指标可用人均推送订单数

最后还要校验平台需求分发的规则是否合理，是否可以更好，衡量指标要看响应率。

②衡量分发效率

主要是技术效率，多少秒内能推送完成。

2、衡量运力响应

响应率是车货匹配平台的北极星指标，响应率好才有机会打造增长飞轮

①衡量响应率

如果响应率不妙，考虑的维度有：where哪里低，when什么时候低，what什么车型低，why为什么低，how怎么解决。

能做到知晓具体哪些地方什么时候具体哪些车型响应率不妙，就能解决大部分问题了。按照滴滴或运满满的标准，80%以上订单都会在30秒内被响应。

这里分享一道有趣的题目~

广东共1万单，5%的真实需求单无司机响应

西藏共100单，50%的真实需求单无司机响应

问：哪个地方更缺司机，为什么？

这是一个比例和数值的问题，很有意思，理论上西藏更缺，但是肯定落地动作还是妥协向广东。

②衡量供需是否平衡

供需的短期平衡看响应率即可，长期得换个思路，因为供需是波动的。短期供需平衡不代表长期会平衡，短期供需不平衡不代表长期不平衡。

首要看需求增长的速度和供应增长的速度。想要长期的供需平衡，要保证供应的增长速度要略微大于需求的增长速度，因为多的供应流失还可以继续补，但是需求流失了怎么补回来？

分享一个经验供需能达到平衡的数值：

• 跨城业务，需求：供给=1:1.8

• 同城业务，需求：供给=1:2

• 同城外卖，需求：供给=1:50

• 同城打车，需求：供给=1:12

③衡量运力池本身

一般思路为总运力数->实际可用运力数->活跃运力数，再加上区域和车型的维度。

但是这还不够，运力不重要，重要的是需求！再强调下，运力是跟着需求走的。

所以一定从需求的维度去定义清楚，各类需求是否缺运力，具体缺多少。缺多少运力的计算逻辑也不难，从没有被响应的真实需求订单去倒推动态情况下需要多少新运力补充进来即可。

当你的指标里面能直接看到缺多少运力时，统计数据里的噪音，会瞬间少许多。

按业务全流程去梳理指标，是最不易走偏的一种梳理方式，数据贴近业务才更好协作。

数据的核心意义为拉齐认知。在认知不在一个频道的时候，再多的沟通技巧都没用，有的人就是觉得1+1=3，你怎么证明1+1不等于3呢？