相较于长周期的行业下行加上三年疫情停罢，2023年，对于沉寂许久的道路客运行业来说，算得上是一个“复苏年”。
“复苏”意味着客运市场活跃用户的上升，也体现在客运创新业务的快速发展。根据道路客运产业平台倍施特科技旗下的团子出行多个方面数据显示，今年6月定制客运单量比去年同比增长逾30%。在B端市场，随着各地客运企业加大力度推进定制化客运业务转型，定制客运平台系统服务市场也比去年更为活跃。
但我们同时也注意到，道路客运行业长期以来依靠线路资源盈利而忽视用户运营的顽疾和弊端，在转变发展方式与经济转型的过程中也即刻显现出来，甚至阻碍业务创新进一步推进。在整个道路客运行业，通过部署网络技术系统，轰轰烈烈进行服务模式的“硬转型”的时候，却少有人考虑到经营模式的“软转型”。
对于客运企业来说，“软转型“既是数据驱动的思维意识觉醒，也包括业务经营模式的转型创新。
从一系列的行业政策和指导意见能够正常的看到，道路客运企业转型的大方向基本已经明确，朝着互联网、网约化为技术服务载体进行定制化的业务服务改革。倍施特科技认为，既然是以互联网为载体开展业务，那么怎么样处理海量业务和用户数据，并以数据为基础指导业务经营，也是传统道路客运企业要全新学习的课题。
目前市面上大部分定制客运系统都具有数据统计能力。数据是有了，但是如何用好数据，如何通过数据分析指导我们的业务决策和日常运营策略，就是需要系统性学习的互联网知识。
对比了已经很成熟的消费互联网行业，在基于电子商务平台的出行服务，我们最终选择了4个学习和应用门槛较低，操作较简单的数据分析模型。通过引导大家学习数据思维，用数据说话，辅助我们日常业务分析、推广渠道、和用户运营，从而避免长期以来的经验主义和拍脑袋决策，毕竟今天的消费环境和用户思维已经完全不一样了。
漏斗分析是一种业务分析工具，它把整个业务流程拆成一个一个的环节，分别统计每个环节效果。因每个环节通常都会流失一部分客户，所以最终统计结果往往是一个“开口大，逐层减少，形似漏斗”的图形，所以叫漏斗分析。
漏斗分析常用于用户下单、活动参与、页面浏览等场景，它不仅能整体性地反应业务在一段时间周期内的运作情况，还能够分析每个环节的留存和流失率。
以最常见的小程序购票为例，从“扫码进入小程序”到“购票上车”，用户的核心路径包括：扫码进入小程序→选择起讫点、日期、班次→填写订单信息（如人数、电话等）→下单支付→进站上车。漏斗分析就是要统计每天有多少人扫了码，其中有多少人填写了起讫点，再其中又有多少人进入了下一个环节，直到最后有多少用户成功验票上车。
例如，运营人员发现，A地区的“选择起讫点、时间、班次”环节转化率偏低，明显低于B地区的中等水准，公司运营人员就需要深度分析该阶段可能会影响转化率的因素：线上展示的班次时间是不是正确、地名是否有生僻字、小程序页面是否有清晰的引导等等。
漏斗分析的目的是通过漏斗各环节有关数据的对比分析，直观地展现问题出现在哪里，从而找到问题方向。
漏斗分析是一种较通用的分析思维，具有较广谱的适用场景，除了小程序购票，乘客线下购票、网约车司机接单等流程也可以借用漏斗分析来进行业务优化，只要是可以拆成多个相关联环节的场景，都可适用漏斗分析。
在互联网规模化获客时代，一个网站或小程序获取新用户的主要方式之一还是投放线上广告。而同一篇广告可以在多个渠道推广，一个用户也可能在多个不同的触点看到了广告才下单。在整一个流程中，用户虽然是看到最后一次广告后产生的下单行为，但是前几次广告曝光也对用户产生了影响，给用户留下了基本的印象。而归因分析要解决的问题，就是如何衡量每个推广渠道对用户下单的作用。
假设一个用户，一周前产生了出远门的想法，于是在这一周内查了大量的出行攻略。首先，他通过搜索引擎了解到了“团子出行”小程序提供旅游直通车服务；于是，进入小程序，并在首页弹窗看到了相应线路的优惠活动，但是并未下单；然后，第二天他又一次进入小程序，手动搜索了这条线路，并在浏览了其他用户评论；最后，他回到小程序首页，重新找到优惠活动弹窗，并购买了3张该旅游线路的车票。
以上过程是一个较典型的用户决策流程，这个用户浏览了1次搜索引擎，2次进入小程序，2次点击活动弹窗，1次手动搜索线个触点，最后才进行购买。那么问题来了，这个用户成单转化的功劳该算在哪个触点身上？
归因分析提供了一种解决办法，即按先后顺序为每个触点赋予权重，并以此评分。在上述出行服务场景中，出行服务的业务特性决定了“怎么获得更多的新客”是最关键的问题，所以我们给首个触点分配90%的权重，而给第二个触点分配10%。最后，结合多个客户的下单路径，我们得出一张评分表，并根据每个触点的得分调整成本投入。
由此可见，对于上述案例，我们该增加SEM（搜索引擎营销）、SEO（搜索引擎优化）投入，并在小红书、抖音号、百家号、和一些旅游分享平台发布更多的“旅游攻略”软文。
ARPU值全称是“Average Revenue Per User”即“用户平均收入”，它被用来衡量每个用户对公司收入的贡献度。一般来说，ARPU=月总收入/月活跃用户数，也就是平均每月每个用户贡献的收入，某些手游会用月付费用户数做分母，本质上没有太大的区别。
ARPU分析的内核是挖掘用户价值。以下图为例，该业务年中的6-8月ARPU最高，而跨年前后的12、1月ARPU最低，若不考虑到用户规模的急剧变化，那就能推测用户很喜欢在年中的三个月消费。此时，运营人需要考虑的是如何在这三个月中增加用户的付费意愿，拓宽平台的服务品类，延长用户的活跃周期。
除了班线用户引导到定制客运、网约车、包租车等综合用车业务上，目前行业很常见的方法是引入本地生活服务。
出行类小程序常常遇到的问题是“用户只在有需求的时候才登录小程序”，时间长了用户甚至有可能忘记小程序的名字，想出行的时候还找不到了。引入本地生活拓宽平台的服务品类可以有效解决这一个问题，本地生活的购买频次是远高于出行服务的，平均1年出行2次的用户可能每个月都会买点香蕉、苹果。以前不经常登录小程序的用户现在也有一定的可能没事就进入本地生活平台，看看有没什么打折商品。用户的活跃时间大大地延长了，下单频次增加了，自然ARPU也就涨上去了。
另一方面，对于客企来说引入本地生活的门槛不高，两者都是生活服务，用户接受起来也没什么困难。如果客企能有当地特产、时令果蔬的资源，那么发货渠道、品控管理和财务流程这样一些问题也都会更容易解决。
RFM模型是最常用的用户分层模型，通过近度、频度、额度三个指标构建用户价值三维向量，根据这三个指标制作用户分层档案，并以此针对不一样用户采取不同的运营措施。
RMF模型的三个轴分别代表了用户的三种独立属性。【近度R值】一般取用户最近一次购买距今的时间，低于中位数的用户我们标记为活跃用户，高于中位数的用户往往可能是流失用户；【频度F值】能够最终靠订单分析，算出每个用户单月平均购买次数；【额度M值】可依照订单数据，得出每个用户总购买金额。RMF模型的重点在于完成用户分类后的针对性用户运营策略。
如“额度高、近度低”的用户，他们消费总额度高，但是最近一次消费时间较远，我们可采取挽留和召回策略：定期发放较大额度的优惠券，通过短信、push等手段触达用户，增加用户回流的可能。不定时进行流失问卷，了解用户流失原因等。
又如“频度高、近度高”的用户，这类用户消费频率高且最近一次消费时间较近。他们对平台发布的信息关注度更高，也更加容易参与平台发起的各种促销活动。针对这部分用户，引导进微信社群、抖音群等私域是较好的解决的方法，通过私域流量平台搭建这部分用户和平台的沟通渠道，增加用户粘性的同时保证了后续营销活动的基础流量，也变相地保证了平台营收稳定。
而“额度高、频度高、近度高”的三高用户，是所有平台最喜欢的类型，这时候往往需要横向拓展经营事物的规模，增加服务品类，来增加用户生命周期价值。道路客运小程序用户年龄集中在18-24岁，一部分用户因自己买车于是不会再使用出行小程序，我们不妨假设，如果出行平台能引入购车指南、线S店等领域，是不是能够把用户年龄从24岁延长到50岁？
总而言之，RFM模型也只是用户分类方式的一种，用户运营的重点不在于分层的方式，而是如何针对不一样用户采取针对性的运营手段。
在客运服务往平台化方向转型的大趋势下，客企能轻松的获得的数据也慢慢变得多，数据化运营止于口号，“有数不会用数”的尴尬在业务稳定期成为成长的“拦路虎”。“只需要采购一套定制客运系统就可以开展业务”这种观点成了掣肘客运转型的减速带。所以大踏步进行客运服务转型的同时，我们也要看到经营侧引入数据化思维的重要性，数据只有用起来了，才能赋能业务成长。
在最近倍施特科技参加的两次全国定制客运实训营和峰会也发现，网络技术和理念，慢慢的开始逐步影响到我们这个传统的行业，数字化的行业意识终于开始觉醒。一些大型客运集团意识到数据驱动业务的重要性，开始积极探索通过数字化破局行业困境，以数据驱动决策，实现出行供需的高效匹配。服务转型和经营转型就像客企的两只手，只锻炼一只手肯定会左右失衡，两手都要练，才能两手都更硬。
