数据模型

DoNews5月11日消息（记者向密）在消费升级的大背景下，餐饮消费与服务在线化趋势明显。近日，美团大众点评数据研究院发布的《2016中国吃货幸福指数大数据报告》显示，三四线吃货更爱团购，一二线城市更爱预订外卖。

例如，根据来源于开通团购外卖等在线业务商户比例的便捷指数来看，餐饮在线消费中，团购覆盖率为58%，即超过一半的中国餐厅提供团购服务。相对主打优惠的团购而言，根据便捷指数来看，餐饮在线服务中，外卖和在线预订的覆盖率分别为18.9%和12.2%，显示出外卖和在线预订市场依然处于增长期；同时，外卖和在线预订业务主要集中在北京、上海、南京、杭州等一二线城市。

报告分析认为，一方面，源于兴起最早的团购模式满足了大量人群寻求优惠的心理诉求。从城市分布来看，大量的三四线城市团购覆盖率甚至超过了一二线大城市，例如襄阳、邯郸、宿迁等都是团购高覆盖城市。另一方面，一二线城市生活节奏快，城市出行成本高，外卖作为到店消费的替代方式，有效地提升了吃货们的工作效率，且增加了选择面；在线预订则是由于一二线城市中高端餐厅数量较多，预订业务满足了商务宴请、重大活动的提前组织诉求。

同时，《2016中国吃货幸福指数大数据报告》还发布了“吃货幸福城市排行榜”。排名前十位的城市分别是：南京、北京、深圳、广州、厦门、绍兴、杭州、上海、苏州、沈阳。

报告指出，在消费升级的趋势下，中国城市餐饮格局正在改变：以南京为首的准一线城市餐饮综合实力强，作为吃货幸福城市正在崛起；以重庆为代表的部分传统美食城市餐饮品类守旧，收入与消费价格不平衡，失守吃货幸福城市城池；京沪广深菜系丰富，一线城市依然是吃货幸福城市的代表中坚。同时，以预订、外卖、团购为代表的餐饮O2O化提高了城市吃货的幸福感，让餐饮消费更平等。

《2016中国吃货幸福指数大数据报告》由美团大众点评数据研究院选取2015年经济总量排名靠前的100个城市作为研究对象，根据口碑指数、需求指数、等待指数、饕餮指数、便捷指数、覆盖指数、亲民指数七大细分指标进行加权获得。

吃货幸福指数模型

这些数据的背后，是美团大众点评13年来积累的海量数据而建立的大数据模型，以及数亿用户产生的动态数据。美团大众点评数据研究院在此基础上进行挖掘与梳理，并最终产出有价值的大数据信息。

准一线城市崛起南京吃货最幸福

根据美团大众点评数据研究院统计综合吃货幸福指数来看，准一线城市在餐饮上的发展水平和一线城市旗鼓相当，南京超过所有城市位列吃货幸福指数第一位，而其他城市如厦门、绍兴、杭州甚至超越了上海。

准一线城市吃货的幸福感主要来源于购买力。根据美团大众点评数据研究院统计吃货亲民指数（可支配收入／餐饮消费）来看，准一线城市在收入与餐饮消费比上更加具有优势。按照2015年城镇居民可支配收入来看，苏州、南京和无锡的吃货可外出就餐的次数分别为1081次、1065次和1028次，相比之下，上海的吃货外出就餐的次数仅为927次。这意味着，苏州的吃货一年中可外出就餐次数比上海吃货多达150次，每个月超过12次。

并且，准一线城市吃货更爱美食。根据美团大众点评数据研究院统计吃货需求指数来看，在所有城市到店消费中，美食成为第一大需求。例如，以温州、厦门、成都为代表的准一线城市的需求明显高于三四线城市，也高于北上广深一线城市。

以《2016中国吃货幸福指数大数据报告》的冠军城市南京为例，可以看出南京在收入与消费的平衡、菜系的丰富度、美食评价、美食需求等方面都具有较大优势。

例如，在南京，衡量餐厅评价的口碑指数为94，餐厅质量整体较高；衡量美食需求的需求指数为96，城市居民的美食需求比其他城市更加旺盛；衡量开通团购、外卖等在线业务商户比例的便捷指数为97，显示出餐饮业在线化程度高，与北京、上海等互联网发达的一线城市相仿；吃货成本低，按照2015年城镇居民可支配收入计算可外出就餐超过1000次，仅次于同省的苏州。

传统美食城市陷落重庆吃货负担重

根据美团大众点评数据研究院统计综合吃货幸福指数来看，重庆、成都、西安等传统美食城市排名分别为66名、28名和35名，均未进入吃货幸福城市十强，着实令人意外。

尤其以人们心目中的美食之都重庆来看，在吃货幸福城市百强排名中甚至居于中后位置，原因何在？从报告的七大细分指标来看，重庆的排名主要受亲民指数和覆盖指数拖累。从亲民指数（可支配收入／餐饮消费）来看，按照2015年城镇居民可支配收入计算，重庆吃货可外出就餐约550次，约为南京的1/2；从来源于人均餐厅拥有量的覆盖指数来看，虽然重庆餐饮业发达，但由于重庆人口数量位列全国城市之首——常住人口超过3000万——导致每万人餐厅拥有量低于全国平均。

此外，重庆的口碑指数为81，也远低于南京的口碑指数94。报告分析认为，重庆以川菜为核心，菜系分类中火锅占20%，川菜占20%，另外加上特色小吃，留给其他菜系的空间有限，菜系的单一化发展限制了更多元化的吃货需求；同时，川菜本身就是用户评价的洼地，重视口感的本地菜系在整体服务品质上的投入不足，导致整体餐饮口碑略低。其他传统菜系及海外菜系的商户比例较低，川湘菜更注重口感，且本地商户中服务品质投入不足，导致用户评价较低。

事实上，不仅是重庆、西安这些传统美食城市，以昆明为代表的二线省会城市也是如此：一方面，作为省内资源聚集地，人口流入主要来自本省，所以菜系更具本省特色；另一方面，本省菜系又没有像川湘菜那样普及，忽略了菜系发展的外延性和包容性。

报告认为，这些城市由于菜系单一吃货选择少，经济水平较弱影响餐饮消费能力，人口基数庞大导致餐饮供需不平衡，都拖累了地方吃货的幸福感。

京沪广深菜系丰富吃货时间成本高

根据《2016中国吃货幸福指数大数据报告》来看，一线城市美食资源非常密集，吃货们的选择面很广。例如，以根据菜系数量和商户分布统计得出的饕餮指数为例，北京为100，深圳为99，上海为97，粤菜大本营广州为93，相对最低。一线城市的饕餮指数均超过了传统美食城市，例如重庆的饕餮指数为84，西安为73，长沙为74，显示出一线城市菜系多样性非常丰富。

报告认为，除了菜系多样性这一共同优势外，京沪广深在餐饮上各有优势，上海和北京的餐饮互联网化更普及，广州的餐饮消费更亲民，深圳的餐饮消费相对不拥挤。

同时，报告指出，一线城市的劣势在于人口众多且好餐厅排队严重，因此吃货的等待时间成本偏高。例如从综合预订、排队用户的等待时间得出的等待指数来看，上海为73、广州为81、北京为83、深圳为84。以等待成本最高的上海为例，这意味着，超过55%的上海吃货为吃上一顿美味排队时间超过半小时。

消费与服务在线化餐饮O2O让吃货更幸福

在消费升级的大背景下，餐饮消费与服务在线化趋势明显。报告指出，三四线吃货更爱团购，一二线城市更爱预订外卖。

根据便捷指数（来源于开通团购外卖等在线业务商户比例）来看，餐饮在线消费中，团购覆盖率为58%，即超过一半的中国餐厅提供团购服务。这源于兴起最早的团购模式满足了大量人群寻求优惠的心理诉求。从城市分布来看，大量的三四线城市团购覆盖率甚至超过了一二线大城市，例如襄阳、邯郸、宿迁等都是团购高覆盖城市。

相对主打优惠的团购而言，根据便捷指数来看，餐饮在线服务中，外卖和在线预订的覆盖率分别为18.9%和12.2%，显示出外卖和在线预订市场依然处于增长期；同时，外卖和在线预订业务主要集中在北京、上海、南京、杭州等一二线城市。报告分析认为，一二线城市生活节奏快，城市出行成本高，外卖作为到店消费的替代方式，有效地提升了吃货们的工作效率，且增加了选择面；在线预订则是由于一二线城市中高端餐厅数量较多，预订业务满足了商务宴请、重大活动的提前组织诉求。

在用户行为分析领域，数据分析方法的科学应用结合理论推导，能够相对完整地揭示用户行为的内在规律。围绕数据分析探索、应用场景拓展，神策数据始终走在领域前沿。近日，神策数据新上线的神策分析1.11版本再添行业力作——间隔分析。

间隔分析模型为数据分析行业首创，是神策数据继事件分析、漏斗分析、留存分析、用户路径、用户分群等分析模型之后推出的第九大分析模型。该分析模型旨在通过事件发生间隔时间与分布态势，辅助企业实现深度多维交叉分析，进一步提升用户行为分析的精细化程度。本文将详细介绍间隔分析模型的概念、特点与价值、应用场景。(也可通过下方视频提前了解间隔分析模型)

视频链接：https://v.qq.com/x/page/e0663uek4wk.html

一、什么是间隔分析?

间隔分析从事件发生的时间间隔维度来探索用户行为数据价值，它能够科学地反映特定用户群体(如北京地区年龄30岁以上女士)，发生指定行为事件(如事件A到B的转化、金融用户的二次投资等)的时间间隔及数据分布情况。不同数据组的偏态和尾重可反馈用户路径过程中的应用体验，并借此评估产品设置的合理性。

例如，间隔分析在以下场景中可广泛应用：

在金融行业，为刺激新用户快速完成首投，运营人员会赠送新用户体验金。运营人员通过间隔分析可以了解：新用户从首次注册到首次投资通常需要多久?

在同城速递行业，快递上门时间长短非常影响用户体验，作为公司考核快递人员绩效的关键指标之一，企业通过间隔分析可以了解：用户在官网发起快递请求后，快递员多久接单?

二、间隔分析模型的特点与价值

企业市场、产品、运营人员通过事件发生的时间间隔、转化时间长短来判断与分析用户的活跃度、用户转化等情况。间隔分析模型的特点与价值主要表现在以下方面：

第一，可视化时间间隔，六类统计值直观描绘各用户群时间间隔分布差异。

六类统计值将时间间隔可视化

神策分析的间隔分析模型以箱线图形式展示，最大值、上四分位数、中位数、下四分位数、最小值、平均值六类统计量直观描绘特定用户群体的时间间隔分布差异，数据的偏态与尾重一定程度反馈用户体验，从转化时间的维度暴露用户转化瓶颈，可借此评估产品设计的合理性。

第二，依据分析需求，灵活设置用户属性与事件属性(初始行为和后续行为)。

企业可以根据具体分析需求，灵活设置间隔分析的初始行为或后续行为，并根据用户属性筛选合适的分析对象。

例如，在某奢侈品电商企业中，为分析高价值用户的复购频率与普通用户的区别，可将初始行为与后续行为均设为“支付订单”，并给初始行为增加“订单金额大于10000元”的筛选条件以此来表示高价值用户，从而得出分析结论。

第三，以全新视角探索数据价值，从转化时间窥视优化思路，促进用户快速转化。

在间隔分析中，将初始行为、后续行为设置为相同事件或不同事件，可满足不同的数据分析需求。

例如，在金融行业，将初始事件和后续事件分别设置成为“注册成功”和“投资成功”，可用于分析用户转化花费时长，侧面反映用户的转化意愿，帮助企业能够针对性地优化产品体验和运营策略;在在线教育行业，若将初始事件和后续事件均设为“学生上课”，则展示学生两次上课的时间间隔，可以此作为判断学生积极性、教育平台黏性的依据等。

从时间间隔维度呈现用户转化、黏性等情况，提升了用户行为分析的精度和效率,对用户行为的操作流程的异常定位和策略调整效果验证有科学指导意义。同时，通过判断各用户群体事件发生的时间间隔的偏态和尾重，以及数据分布的中心位置和散布范围，为发现问题、流程优化提供线索。

三、间隔分析的应用场景

间隔分析将帮助各行业从时间间隔维度来探索用户行为规律，更多应用场景值得摸索。下面列举一二：

1、互金场景：如何合理设置体验金的发放时间?

在金融投资类产品运营过程中，为了让新用户在注册后能够快速投资，运营人员通常会通过一些激励措施来刺激首投，如发放体验金。这会涉及到我们前面提到的“如何合理设置体验金的发放时间”的问题，在具体操作时，运营人员可以在间隔分析中将初始行为设置为“注册成功”，后续行为设置为“投资成功”事件，当了解事件发生的时间间隔时，可以作为设置体验金发放时间的参考。

当然也可以按天展示不同渠道来源的新用户首次投资成功所花费的时长情况，运营同学通过了解不同用户群体的差异化，让运营更为精细。另外，通过不同渠道来源的用户表现也成为渠道投放的判断的重要依据，如下图：

互金各渠道来源的新用户首次投资成功花费的时长分布

2、视频网站场景：用户多久完成一次视频播放?

内容是短视频App提供给用户的核心价值，可通过“用户完整看过一个短视频”衡量用户是否感受到视频平台的价值。该场景中选择新用户从“启动App”到“完成播放”所花费的时长情况作为分析对象。如果用户普遍需要较长的时长才能完成转化，说明用户需要付出的视频筛选的成本较高，则应将新用户从“启动App”到“完成播放”的时间间隔作为优化目标。

新用户从“启动App”到“完成播放”所花费的时长情况

同样，在同城速递行业，当了解用户发起快递请求后快递员的接单时间之后，公司可依据此来考核快递人员绩效，从而也进一步优化用户体验。

四、间隔分析模型与其他分析模型的配合

值得强调的是，间隔分析模型是多种数据分析模型之一，与其他分析模型存在无法割裂的关系。

从用户转化角度来说，用户转化过程受很多因素影响，间隔分析通常是业务情况的反映，转化时间间隔只是分析用户转化的单一维度，只有与其他分析模型配合，才能清晰看到用户行为特点和背后动机。

虽然在多数情况下，时间间隔并不能作为优化的指标，但是与其他分析模型的配合可以帮助我们探索可能存在的问题。例如，从“提交订单”到“支付订单”间隔时长中位数是5分钟，说明一半的用户支付订单需要花费5分钟以上。则应该思考其中可能存在的问题：是支付功能的Bug，还是其它问题导致支付失败?定位问题需要结合事件分析、漏斗分析等分析模型定位问题。

总之，只有将各分析模型实现科学互动和配合，能够科学揭示出用户个人/群体行为的内部规律，并据此做出理论推导，不断在工作实践中优化商业决策和产品智能。

关于神策数据

神策数据(https://www.sensorsdata.cn)，一家专业的大数据分析服务公司，致力于帮助客户实现数据驱动。公司推出深度用户行为分析产品神策分析(SensorsAnalytics)，支持私有化部署、基础数据采集与建模，并作为PaaS平台支持二次开发。此外，还提供大数据相关咨询和完整解决方案。神策数据积累了神策数据积累了中国银联、中国电信、百度视频、百联、万达、中邮消费金融、广发证券、聚美优品、中商惠民、趣店、纷享销客、Keep、36氪、中青旅、太平洋保险、平安寿险、链家、四川航空等500余家付费企业用户的服务和客户成功经验，为客户全面提供指标梳理、数据模型搭建等专业的咨询、实施、和技术支持服务。希望更深入了解神策数据或有数据驱动相关问题咨询，请咨询4006509827，由专业的工作人员为您解答。