۱. خلاصه مدیریتی کیس (Executive Summary) #
- صنعت: تجارت الکترونیک / سوپرمارکت آنلاین و توزیع اقلام مصرفی سریع (Q-Commerce)
- مدل کسبوکار: مارکتپلیس دوطرفه یا خردهفروشی آنلاین پلتفرمی با تکیه بر هابهای توزیع شهری
- مرحله رشد شرکت: مقیاسپذیری (Scaling) و بهینهسازی توزیع بودجه مارکتینگ بر اساس رفتار فصلی
- ابتکار یا فیچر مورد بررسی: مدلسازی ترند جابجایی ترافیک جادهای کلانشهر تهران و سنجش اثر مستقیم و غیرمستقیم آن بر مایکرو-فانل سفارشهای غیرکمکی ($OrganicNonAssisted$) و کمکی ($Assisted$)
- هدف رشد: پیشبینی دقیق نقاط دراپ ($Drop$) فروش در ایام تعطیلات، جلوگیری از اتلاف بودجه بازاریابی در روزهای پیک جادهای، و ارتقای نرخ تبدیل کمپینهای ریتارگتینگ در مقصد مسافران
- شاخص کلیدی عملکرد (KPI): نرخ سفارشهای ارگانیک غیرکمکی ($Non-Assisted\ Orders$)، نرخ سفارشهای فعالشده با مارکتینگ ($Assisted\ Orders$)، و بازگشت سرمایه تبلیغات ($ROAS$) در روزهای پیک سفر.
- مسئله اصلی: ریشهیابی و عارضهیابی افت شدید سفارشها ($Drop$) در روزهای تعطیل؛ تفکیک این فرضیه که آیا صرفِ خروج فیزیکی مردم از تهران عامل افت است یا تغییر الگوی زمانی و فصلی خرید (رفتار پیشخرید یا گسست ارتباط جادهای).
۲. زمینه کسبوکار (Business Context) #
- مدل درآمدی شرکت: پلتفرم بر پایه کارمزد سبد خرید یا حاشیه سود زنجیره تامین اداره میشود که وابستگی شدیدی به حجم متراکم تقاضا در کلانشهرها (به ویژه تهران به عنوان لیدر مارکت) دارد.
- ساختار مارکتپلیس (سمت تقاضا و سمت عرضه): در سمت تقاضا، پلتفرم با کاربران شهری مواجه است که رفتارهای خرید آنها به شدت تحت تاثیر تقویم رسمی و الگوهای تفریحی/سفری تغییر میکند. در سمت عرضه، انبارها، تامینکنندگان و ناوگان توزیع در روزهای تعطیل با هزینههای ثابت یا ظرفیت تعدیلشده فعالیت میکنند؛ بنابراین هرگونه خطای دید در پیشبینی تقاضا، یا به انبارش کالای فاسدشدنی یا به بیکاری ناوگان منجر میشود.
- وضعیت بازار و رقبا: در بازههای تعطیلات، رقبا کورکورانه بودجههای سنگینی را صرف تخفیفهای همگانی برای مهار ریزش فروش میکنند، بدون اینکه متوجه لیکیج ($Leakage$) ناشی از عدم حضور کاربر در پلتفرم باشند.
- محدودیتها یا فشارهای کسبوکار: نیاز مبرم به بهینهسازی اقتصاد واحد؛ پلتفرم مجاز به سوزاندن بودجه روی کانالهای ارگانیک در روزهایی که ذهن کاربر در جاده قفل شده است، نیست.
۳. هدف رشد (Growth Goal) #
طراحی یک اکشنپلان داینامیک برای تخصیص بودجه مارکتینگ، به طوری که پلتفرم بتواند جریان فروش را قبل از آغاز سفر کپچر ($Capture$) کرده و در روزهای سفر، کانالهای خود را از مدل غیرکمکی ($Non-Assisted$) به مدل ریتارگتینگ هدفمند ($Assisted$) هدایت کند تا جریان درآمدی در مقصد یا پس از استقرار کاربر احیا شود.
۴. نقطه آغاز مسئله (Triggering Point) #
سیگنال هشدار زمانی صادر شد که در روزهای اول و دوم فروردین ۱۴۰۴، اردرهای $Assisted$ سیستم به شکل بیسابقهای به زیر ۶۰ عدد سقوط کردند و در روز ۱۳ فروردین (سیزدهبدر)، کل اردرهای سیستم به کفِ تاریخی خود رسید. فرضیه سنتی تیم مارکتینگ این بود که “مردم از تهران رفتهاند و بازار کوچک شده است”، لذا تحلیل همبستگی دیتای جادهای با دیتای اردرهای سیستم (به صورت روز پایه، دیروز و فردا) کلید خورد.
۵. سوال کلیدی (Key Question) #
جابجایی ترافیک جادهای تهران (ورودی و خروجی) چه اثرات متقاطعی بر مایکرو-فانل اردرهای ارگانیک مستقیم ($Non-Assisted$) و اردرهای ناشی از مارکتینگ ($Assisted$) دارد و الگوی بهینه توزیع بودجه پلتفرم در لایههای “پیش از سفر”، “حین سفر” و “استقرار در مقصد” چیست؟
۶. درخت فرضیهها (Hypothesis Tree) #
- فرضیه اصلی: سفر به خودی خود کل بازار را کوچک نمیکند، بلکه ساختار زمانی، ذهنی و کانالهای ورودی کاربر را دگرگون میسازد.
- فرضیه فرعی اول (مدل پیشخرید تقویمی): در تعطیلات بزرگ تقویمی، اردرها به دلیل رفتار اشباع تقاضا در روزهای قبل سفر (همبستگی مثبت بالای ۰.۶۹ تا ۰.۷۵ با اردرهای دیروز) در روز سفر دچار افت میشوند.
- فرضیه فرعی دوم (مدل قطع ارتباط جادهای تابستان): در سفرهای تفریحی میانهفته (تابستان)، کاربر در جاده خرید نمیکند (همبستگی منفی شدید با اردرهای Non-Assisted)، بلکه سفارشها یک روز بعد و منحصراً از لایه $Assisted$ احیا میشوند.
۷. لایههای تحلیل (Layers of Analysis) #
الف) کیفیت تقاضا (Demand – تحلیل رفتار کاربران) #
تحلیل همبستگی سالیانه دیتای ترافیک خروجی جادهای با لایههای خرید تقاضا، زنجیره رفتاری جالبی را فاش کرد:
- الگوی اشباع بازار (تعطیلات تقویمی بزرگ – اسفند و فروردین): همبستگی ترافیک خروجی امروز با اردرهای دیروز کاربران بین ۰.۶۹+ تا ۰.۷۵+ است. این دیتای کمی ثابت میکند کاربران تهرانی پیش از حرکت به سمت جاده، یخچال و سبد خرید خود را کاملاً شارژ میکنند؛ بنابراین افت روز سفر ناشی از فرار کاربر نیست، بلکه ناشی از پیشخرید کاملاً اشباعشده است.
- الگوی گسست جادهای (تعطیلات تفریحی/فصلی – مرداد و شهریور): در این ماهها همبستگی ترافیک خروجی با اردرهای روز بعد به شدت منفی میشود (۰.۷۵۷- در مرداد و ۰.۶۳۸- در شهریور برای اردرهای غیرکمکی). کاربر حین رانندگی یا ساعات اولیه استقرار تفریحی، اپلیکیشن را باز نمیکند و توجه ارگانیک کاملاً قطع میشود.
ب) رفتار سمت عرضه (Supply) #
تغییر جمعیت کلانشهر تهران بر اساس موازنه ۵ میلیون خانوار ماندگار بررسی شد. دیتای ورودی جادهای نشان داد که در ماههای خوشآبوهوا (اردیبهشت و مهر)، روزهای تعطیل نه تنها تهران تخلیه نمیشود، بلکه به دلیل ورود موج مسافران به پایتخت، حجم خانوار موجود در تهران تا ۳۰۰ هزار خانوار افزایش یافته و به ۵.۳ میلیون میرسد؛ این یک بازار عرضه و تقاضای بکر و جدید را در خودِ تهران طی روزهای تعطیل بهار و پاییز نشان میدهد.
ج) کارایی تطبیق (Matching) #
تحلیل فانل نشان داد که پلتفرم در روزهای حین سفر مسافران، در تطبیق ارگانیک خریدار با کالا شکست میخورد؛ چرا که ذهن کاربر متمرکز بر سفر است. اما دقیقاً یک روز پس از خروج ترافیک (روز فردا)، همبستگی مثبت دیتای سالیانه با اردرهای $Assisted$ (۰.۴۷۴+) نشان میدهد که پلتفرم با ابزارهای کمکی (پوش، پیامک، ریتارگتینگ) میتواند فرآیند تطبیق را در مقصد مسافر بهینهسازی کند.
د) اقتصاد واحد (Unit Economics) #
اتلاف شدید بودجه تبلیغات در روزهای چهارشنبه بعدازظهر و پیک ترافیک خروجی رخ میدهد؛ جایی که نرخ تبدیل خرید مستقیم ($CR_{Non-Assisted}$) به کف میرسد و بهای تمامشده جذب سفارش ($CAC$) به شدت بالا میرود. در مقابل، شیفت دادن این بودجه به لایه پیشخرید (۱ تا ۲ روز قبل سفر) و لایه پس از سفر (۱ روز بعد از خروج ترافیک) اقتصاد واحد کمپین را به شدت سودآور میکند.
۸. بینش کلیدی (Key Insight) #
۹. تصمیم رشد (Growth Decision – Action Plan) #
تیم رشد بر اساس چرخه نوین دادهمحور، ساختار کمپینهای خود را کاملاً داینامیک و شرطی کرد:
- تصمیم اول (مدیریت روز پیک خروج): توقف کامل یا سرکوب شدید بودجه مارکتینگ در کانالهای ارگانیک و مستقیم ($Non-Assisted$) در روزهایی که ترافیک خروجی جادهای تهران قفل است (مانند عصر چهارشنبهها یا روز قبل از تعطیلات تقویمی).
- تصمیم دوم (فعالسازی لایه کمکی در مقصد): راهاندازی کمپینهای اتومیشن بازگردانی کاربر ($Retargeting$)، پیامکهای حاوی کدهای تخفیف مبتنی بر موقعیت یا سفر، و پوشنوتیفیکیشنها دقیقاً یک روز پس از خروج سنگین ترافیک (روز استقرار مسافران در مقصد و بازگشت تمرکز ذهنی).
- تصمیم سوم (کپچر پیشخرید اسفند): تمرکز ۱۰۰ درصدی کمپینهای هفتههای آخر اسفند روی پیام استراتژیک «تحویل سریع کالا قبل از آغاز سفر» جهت سوار شدن بر همبستگی ۰.۷۵+ پیشخرید کاربران.
- تصمیم چهارم (تارگت ورودیهای اردیبهشت/مهر): لانچ کمپینهای ویژه تهرانگردی و مسافران ورودی در ماههای اردیبهشت و مهر برای جذب سهم بازار ۳۰۰ هزار خانوار مهمان در پایتخت.
۱۰. اثر و یادگیری (Impact & Learning) #
- اثر تصمیم: با خروج از فرضیهسازی سنتی و توقف تبلیغات در ساعات کوری تقاضا (حین سفر جادهای)، نرخ بازگشت سرمایه تبلیغات ($ROAS$) به شدت جهش یافت. پلتفرم توانست با مهار اتلاف بودجه در روزهای دراپ، افتهای ۴۰ تا ۶۰ درصدی نوروز و ۲۰ تا ۳۵ درصدی تعطیلات میانهفته را از طریق جذب متراکمِ “پیشخرید” و فعالسازی اردرهای $Assisted$ در روزهای پس از سفر کاملاً جبران و هموار کند.
- درسهای استراتژیک:
- دیتای بیرونی و محیطی بیزینس (مثل دیتای ترافیک جادهای کشور) مستقیماً روی مایکرو-فانلهای داخل اپلیکیشن اثرگذار است؛ هک رشد واقعی، اتصال دیتای اتمسفر بازار به اکشنپلان کمپینهاست.
- تیم مارکتینگ نباید در روز افت ارگانیک بازار دستپاچه شده و تخفیف همگانی بدهد؛ دیتای همبستگی نشان داد که گاهی باید بودجه را خاموش کرد و منتظر بیدار شدن کاربر در ۲۴ ساعت آینده ماند (تغییر فاز از Non-Assisted به Assisted).