[研討會紀錄] 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－林彥礦 Kevin

1 外送產業的背景介紹

foodpanda的冷知識

• 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。
• 目前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：Delivery: 2-3 Days
• 3rd Generation Q-Commerce 快商務：Delivery: <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

讓快商務成功的兩個要素：產品與營運力，除了有商品賣，出問題還要能及時支援。

引進其他數據來協助營運

包含產品數據、餐點製作時間、引進第三方天氣數據 API 等，外送員數量也同樣重要，各項數據都是為了提高讓客戶能在 20-30 分拿到餐點的實現率。

熊貓平台圍繞三大群體 (三方平台)：餐廳、外送員、消費者。

今日案例分享主要針對餐廳與消費者

• 商家流失預測：提前預測高流失傾向的商家，以盡早採取挽留行動。
• 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。

2 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

大致步驟如下：

1. 模型預測：
   篩選關鍵屬性，建立機器學習的流失預測模型，再使用 A／B Test 驗證機器學習模型的預測成效
2. 主動挽留：
   對商戶嘗試多種溝通方式，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。
3. 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。
4. 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

模型預測：建立餐廳流失預警模型

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，讓業務主動關懷商家或挽留，以降低流失率。

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，讓商店挽留成功率持續提升，然而不同的商家溝通方式成效不同，也有相應營運成本，需要資系評估使用哪些溝通方式，才可以讓商家真正感受到關懷。

主動挽留：制定相應挽留策略

讓業務甚至在打電話前，就知道可能流失的原因，即可提供對應的挽留方式，進而提高挽留成功機率。

先透過數據指標拆解化進行，然後再客製化改善。可能解約的因素大約可以歸納為以下：

訂單因素（70%）

• 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）
• 有上線，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%）

主動關懷合作中是否有不愉快的地方，針對可能解約的原因則透過訪談來了解。

商戶訪談：了解解約原因

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

當時邀請了位於雙北地區、Google Rating >= 4，且過往營業額高的已解約商家來訪談，每場訪談時長約 1 小時，全程逐字稿紀錄。主要訪談二面向：解約原因、解決方案。

訪談結果統計後歸納出幾個面向的解約原因：

• 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、菜單修改流程。

流程優化：依據訪談後採取後續行動

依照上述幾個面向的問題，進行以下的改善策略。

通過內部訪談梳理服務餐廳的流程，進而識別出可改善的環節
內部服務流程 be like：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)
• 梳理團隊內部溝通方式，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 的 line 好友

• 提供餐廳老闆們立即反應的管道，也提供處理懶人包
• 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

3 案例二：熊貓超市客戶客戶分群經營

這項專案是希望通過機器學習將客戶分群，找出消費者輪廓，藉此思考超市經營策略（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，大致的步驟分為：

1. 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
2. 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
3. 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
4. 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

先利用 30+ 個生鮮超市相關的購買屬性，來評估，包含：

• 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。

透過近 30 個屬性來分析客群

使用Elbow Curve（ 手肘法圖表分析）決定分群數，選定 7 群為最佳分群組數，再以 K-means 演算法細分為 7 群：

• Hygienic
• Emergency
• Beverage & Snack
• Dairy & Bread
• Mealtime Buyer
• Frequent Cook
• Stockpiler

主要客群鎖定

分析各個客群的特性，讓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

細究後發現，緊急客群（Emergency）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

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。

4 Q＆A

Q: 針對機器學習想問更詳細一些：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？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？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。

至於成效是否符合預期，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益，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？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。