近期有很多人問 Hishang，自己的 WooCommerce 新零售業務發展起來非常困難怎麼辦?Hishang 在這裏跟大家來分享一下相關的內容，讓大家更好的瞭解 WooCommerce 新零售業務如何做相關的突破。
WooCommerce 新零售業務立足於線上線下的資料融合，想要做好 WooCommerce 新零售，我們首先要明確資料優先順序，弄清楚資料體系。
行業酷不酷，根本在服務!
跟大家分享過 WooCommerce 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 “大資料”，不同維度細節資料不斷的被積累和應用，才能給模型輸送新鮮血液產生價值。
資料本身是具備抽象性的，任何幾個資料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資料的價值。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資料優先順序
WooCommerce 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資料以外，線下的資料同樣至關重要。線上前端的 WooCommerce 運營，線下門店的履約，過程和結果資料細分多而雜，在確保紛繁複雜的大資料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資料優先順序，抓大放小，就重避輕。
上圖是我們假設一個新用户首次進入平台後的理想購物流程，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資料，詳情請見下圖，歸納目前業務的大部分主流資料維度：
下一步我們需要將資料維度池區分級別，我們暫時用 P0/P1/P2/P3 來代替重要優先順序，P0 級資料直接決定業務業績，P1 級資料直接體現業務健康度，P2-P3 級資料直接反應精細化策略應用效果。
二、 P0 級資料維度 KPI 化業務效果
P0 級的資料維度並不多，重要且核心，簡單而言，P0 的好壞直接決定業務的效果，相信大家的資料包表內最大的幾個資料維度基本都是上述的 P0，且應該也是向老闆彙報的資料。
1. 銷售具備唯一決定性
GMV=訂單量*客單價 (通常看上賬 GMV，用户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户主動取消，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. 用户具備銷售量級決定性
UV=某一時期進入平台的人數 (這裏指人數，而非人次); 新客=首次訪問平台的新用户 (對於 WooCommerce 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，可見優先順序之高)
3. 商品決定銷售寬度和深度
動銷率=售賣的 SKU 數/平台總 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/平台總 GMV(這個指標特指平台對某個品類的重視程度而引起的資源傾斜有效性，例如我們平台主打生鮮，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/平台總 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，智慧裝置的引入，揀貨倉的合理佈局，揀貨路線的合理設定，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. 投訴決定平台口碑
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型別，例如商品差評，配送差評等等，總的差評率考核整個平台服務效率)
三、 P1 級資料維度校驗 P0 健康度
P1 的資料維度相對 P0 開始增多，且 P1 的資料開始細分，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，如果説 P0 是向老闆彙報的資料，那麼 P1 一定是老闆下半句追問的資料，各位要記得放在腦子裏了!
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，我們需要記錄用户從進入平台到產生交易的筆數，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台對用户是否友好 (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台的友好性; 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資料，盒馬客單價 80-90 元左右，永輝 70 左右，超過 100 應該算優秀偏上的資料。
2. P1 用户校驗用户管理的有效性
我們提到過用户管理，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户，在之後的第 N 天再次訪問平台的用户數佔比，流失率則相反。
LTV和CAC分別指用户生命週期和單個用户成本，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，預估一個用户在我的評估能活躍多久。CAC=市場獲客費用(WordPress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 商品資料校驗商品的上架率
商品在前端是否夠豐富，且非飢餓 WooCommerce 營銷確保用户能買到，就很考驗缺貨率了，缺貨率=用户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，用户購物偏好行為); 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，系統發放到用户核銷，區分領取率和核銷率來看優惠券的投放有效性)
5. P1 的揀貨和配送資料直接校驗服務時效
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 級資料維度顆粒度校驗精細化策略
P2-P3 級別的資料顆粒度已經很細了，且每條業務直線分配出來的資料值會越來越多，大大小小，這時候的業務資料的義務基本也是為 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=加車用户數/總 UV 訪問人數 (作為過程指標考量用户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説法，WooCommerce 電商而言，我們通常看的是商祥跳轉率=商祥用户數/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選轉化情況);
支付率=成功支付人數/下單人數 (用户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 的用户資料精細化各渠道情況
用户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(程序碼標籤)，通過每個 Ptag 下產生的資料監測每個渠道來源，用於調整策略資源傾斜;
停留時長=平台停留總時長/UV(這個資料值還是很具備前期業務的參考性，操作並模擬用户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户停留時長，如果和 40s 接近，那用户操作路徑還算健康，如果大於或小於就要分析緣由了);
用户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户屬性 (年齡，職業，城市)，也便於我們後續做用户分層。
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。
資料領域一定是 WooCommerce 運營需要必備的技能，現成的資料抓取和維度需要關注以外，其次需要高敏鋭的資料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資料，但有健康的資料未必會有好的業務效果。我們看來，健康客觀的資料體系+簡單易懂主觀的用户體驗+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!