从投资人视角看互联网给消费品创投带来了什么？

注：本文来自于某专注于消费品领域投资人给 42章经 的匿名投稿

在移动互联网红利消失、消费升级的大潮背景下，涌现出众多做消费品、消费服务和品牌的互联网背景创业者：卖酸奶、果汁、沙拉、床垫、高跟鞋、面包的、做外卖餐饮品牌的、送花的、做SPA的、做服装品牌的、剪头发的等等。而众多的知名TMT投资基金也加入到消费投资的大潮中。一时间，投资圈打招呼问在看些什么项目，回答的都是“哎，没什么好的互联网项目，最近在看消费”。仿佛不看消费，这些曾经专注于互联网的基金就再没有什么好投资的了。

关于“消费到底有没有升级？是如何升级的？”，“互联网消费到底有没有机会？”我们在这不做过多的讨论。但是我一直在想，互联网基金为什么可以做得好消费投资？并不是在互联网红利还在的时候，那些用户的消费就不升级了，也不是当时没有专注于消费品投资的基金（这些基金在现在也还一直活跃在消费品投资的第一线上）。事实上，做得好的专注于消费投资的基金非常非常多，他们对消费者、消费行为、品类等等有着长期的关注和深刻的研究。那么值得思考的是，互联网基金有什么独特的优势，可以使得他们比传统消费基金投得更好，并且在消费投资领域也能做到和互联网领域投资一样优秀？互联网在消费领域的决定因素到底有多大？在公司运营方面，互联网又有什么样的优势？

分析一个项目，有宏观和微观两个维度。在宏观方面，要分析市场，看市场的规模、增长，看品类，研究消费者的行为习惯，要看产业链的上下游格局等等，这是所有基金都必须掌握且擅长的，这里也并不能分出互联网消费基金与传统消费品基金的差异。但是，在微观层面，尤其是数据的应用上，互联网消费时代有一些与众不同的点。

互联网的特点就是改造渠道，原有的消费品行业的一个业务重点是铺线下渠道，谁的位置多、位置好、导购厉害，谁的销售额就会上升，可以说重点在于前期准备做的多好，但互联网把线下渠道搬到了线上，就带来了几大变化：

1）  位置相对无限化了，以前只有一个货柜，现在有无数个

2）  品牌定位更垂直了，以前要面向最广大的大众，现在可以针对某个特定人群

3）  很多感性上的东西变得更加量化、而且可以即时反馈、即时更改

这第三点，就带来了很多微观层面的巨变。比如以前没有任何消费品公司知道到底终端渠道的东西谁买走了，也不知道大家的使用反馈如何，更不知道这些人从哪里来，到哪里去，或者多长时间会再回来一次。

如果你对顾客的了解那么有限，就注定只能走放量的粗放发展路线，那也就注定会浪费大量资源，并且可能用户还不会买账。但是经过互联网改造的渠道，每一个用户都能够和公司直接产生关系，互联网消费公司第一次能够完全掌握用户的信息、喜好和反馈等等。

那么对于投资消费公司的互联网基金来说，就可以把实体的消费品类比做是一个互联网产品，把所有的客户类比为互联网产品的使用用户。随之而来的，很多对用户数据的分析就能够第一次被运用于消费领域，其中最重要的两项就是 Cohort 和 Unit Economics。

基于这两点，可以看到公司的top line及结构，用户的LTV，毛利，计算unit economics是否可行等等，同时对这两点的分析，可以对公司的日常运营有着非常多的指导，比如制定部门的考核目标和标准等。我认为这两张表格不只是投资人会看的，也是CEO和COO最应该关注。

在这篇文章中，我们就先来仔细讲下 留存群租 （ Cohort ） 分析

相比于传统的消费品公司（ 和消费服务公司 ）以及传统的消费渠道，互联网消费公司知道用户是谁，用户发生了什么样的行为（ 什么时候购买，客单价，复购，SKU等等 ），知道用户的画像（ 年龄、性别、收入等等 ）等等众多的数据。借助于互联网技术和新的渠道，其实是有着很大的机会。基于此，我们可以借鉴移动互联网最核心的方法论之一留存群组分析（ cohort ）。

留存指的是某段时间获取的用户在未来某段时间活跃的比例，具体有日留存、周留存、月留存等等。一般在问APP的留存，指的是在某个时间段（ 某天；某月 ）获取的新用户在未来的某个时间段（ 第2天、第7天、第30天；第2个月、第3个月 ）有一次行为（ 一般是定义为打开 ）的用户比例。

例如某APP，1月1日新增100用户，1月2日有40个人打开APP，1月31日有12个人打开APP，那么1月1日这批用户的次日留存就是40%，第30日是12%。关于这个指标是好是坏，结合不同的应用类型（ 社交、游戏、电商、资讯、社区、工具 ）有不同的评判标准和经验法则，与此同时也可以和竞争对手做横向对比，相信互联网投资基金都耳熟能详了。

1月2日，这个APP又获取了200用户，1月3日90个人打开了APP，2月1日有20个人打开了APP，那么这批用户的次日留存是45%，第30日留存是10%。那么我们可以看到1月2日的日活中，有40个是老用户，90个是当日获取的新用户，这就是活跃用户的结构。

以此类推，1月3日获取的新用户有一个留存状况、1月4日5日···以后每天都有一个留存表格。把这些表格放在一起，就是一个巨大的斜对角矩阵：

或者长成以下的样子：

对应这两点一家好的早期公司应该看到的趋势是：

1）横向的留存数据最终会在某个月份之后停留在一个固定的留存率上，比如某个月获取的100个用户，在半年后每个月的留存率都稳定在60%，这就说明这批用户是稳定留存下来的，不然如果留存率是一直下降的（哪怕下降的速度很慢），也会在之后的某个月份归零，也就是说不管新增多少用户，最终都一个都剩不下。

2）纵向的留存数据应该是越来越好的。因为公司和创始团队应该不断的根据历史情况改进产品和体验等，所以越后加入的用户，应该能享受到越好的产品和服务，后续几个月的留存率就应该更高。

以周为维度就是周留存，月为维度就是月留存。

（ 详细的留存分析请参考42章经的文章： 早知道这些我的公司就不会死”系列（二）：Cohort Analysis ）

那么基于以上的方法论，我们现在就可以用它来分析一家互联网消费公司。（ 以下时间以月为维度，行为以购买为维度进行分析，金额是除去补贴后的净额。以下公司和数据纯属虚构，请不要对号入座。 ）

假设公司是一家互联网薯片公司，产品从16年1月开始在互联网上进行销售，公司正在进行A轮融资。

关于收入层面，我会问公司要以下3张表：购买用户、订单、销售额。如果公司无法提供的话，我会要求公司按照要求，跑一下数据，做成这个表格给我。难度应该不是很大，要不然互联网消费的“互联网”一词就成了伪命题。很多公司跑出数据后，自己也发现非常多意想不到的发现，直呼惊讶。

公司在16年1月有100个购买用户，下了170单，总共消费14,960元。这100个用户在2月有30个用户进行了购买，下了48单，消费4,176元。2月份新增200个购买用户，下了360单，消费28,080元。在2017年1月，一共有8,403个购买用户，其中5,000名是当月新增，其他是复购的老用户；下了15,970单，金额约173万，其中约70万是老用户复购，100万是当月新增用户消费。

接下来，我们用每一格的数字除以此排出现的第一个数字，得到所谓的留存概念。例如：

我们可以看到16年1月的购买用户，第二个月留存（次月复购）是30%，3月是8%。2月新增用户，次月留存为9%，即只有9%的用户在第二个月进行了购买。横向看，我们发现3-5月获取的质量比较优质，其留存（复购）比较好，维持在比较高的水平，可能是公司发现了获取用户的优质来源，亦或者是对其进行了有针对性的运营。之后用户的留存维持在比3-5月低，但是还是比较稳定的水平，可能是单一渠道优质的量已经比较枯竭，因为公司业务量有了不错的成长。

以订单和金额为维度，也可以做类似的留存分析，这些读者们都可以再自己摸索下。

我们用每一格的数字除以此列出现的加总数据，可以得到用户、订单（略）和金额的结构：

竖着看，可以看到当月的购买用户或者交易额中，由某个月获取的用户所做的贡献。以16年9月为例，购买用户中42%是当月第一次下单用户，58%是老用户。这42%的新用户只贡献了39%的交易额，而58%的老用户贡献了61%的交易额。这可能代表当月为了获取这些新用户，加大了补贴的力度，亦或是这些新用户的购买力（用户质量）偏低。再结合之前的留存分析，9月获取的用户留存维持在不错的水平，所以可能是由于对于老用户唤起做得比较好，导致老用户的购买贡献了较高的收入。

竖着看，我们发现3月的留存和10月留存明显比较差，原因可能是春节和国庆假期的影响，3月的留存差也可能是因为公司发展初期，数字不稳定。公司的业务可能存在明显的季节性。

接下来，我们用订单数除以用户数，用金额除以用户数，可以得到单用户订单数和单用户的消费额（ARPU）；用金额除以订单数可以得到单笔订单的金额：