یک بازار آنلاین سفارش غذا با داده‌های شبیه‌سازی‌شده؛ از تک‌تک سفارش‌ها تا تصمیم مدیریتی درباره‌ی رشد در برابر حاشیه سود. وابسته به هیچ شرکت واقعی نیست و روش‌شناسی در بخش «منابع» آمده است.
آخرین ماه در برابر ماه قبل برای ۳۴ شاخص در هفت گروه. هر کاشی مقدار، تغییر و نمودار کوچک ۱۲ ماهه را نشان می‌دهد؛ رنگ سبز یا قرمز نشان می‌دهد تغییر به نفع کسب‌وکار است یا به ضرر آن. کاشی‌های دارای برچسب «۳ ماهه» از پنجره‌ی ۳ ماهه‌ی اخیر استفاده می‌کنند (شاخص‌های وابسته به ثبت‌نام؛ بخش «منابع» را ببینید). برای دیدن تعریف هر شاخص، نشانگر را روی کاشی نگه دارید.
درآمد، ساختار هزینه و عوامل مؤثر بر حاشیه سود مشارکتی. حاشیه سود مشارکتی اصلی پیش از تخفیف‌ها نشان داده می‌شود؛ نمای «پس از تخفیف‌ها» تخفیف‌هایی را که پلتفرم تأمین می‌کند از آن کم می‌کند.
فاصله‌ی دو خط همان هزینه‌ی تخفیف‌ها به‌عنوان سهمی از درآمد پلتفرم است.
هر سفارش تحویل‌شده چه درآمدی برای پلتفرم دارد و چه هزینه‌ای — در مجموع، به تفکیک نوع غذا، رده‌ی رستوران و روش پرداخت.
کیفیت جذب مشتری، ماندگاری، بخش‌بندی، اثر اشتراک و میزان تمرکز درآمد در پایگاه مشتریان.
بخش‌هایی که سهم سودشان از سهم مشتریانشان بیشتر است، بیش از حد انتظار سودآورند.
کدام رستوران‌ها سود می‌سازند، حجم سفارش‌ها چقدر متمرکز است و عرضه چگونه با تقاضا هم‌گام می‌شود.
سرعت، قابلیت اتکا، لغو سفارش، اوج تقاضا، عملکرد شهرها و بهره‌وری پیک‌ها.
میانگین سفارش‌های تحویل‌شده در روز، ۳ ماه اخیر.
سبز = بهتر، قرمز = بدتر در هر ستون.
هزینه‌ی جذب مشاهده‌شده به تفکیک کانال، CAC در برابر فرض‌های برنامه‌ریزی، نسبت LTV به CAC و هزینه‌ی واقعی تخفیف‌ها.
خط‌چین = نقطه‌ی سر به سر (۱). کانال سالم معمولاً ۳ یا بیشتر است.
سود پس از تخفیف‌ها، سود واقعی هر سفارشِ تخفیف‌دار است.
چشم‌انداز ۱۲ ماهه با بازه‌ی ۸۰٪ و برنامه‌ی لازم برای رسیدن به ۲۵٪ رشد سفارش و ۲ واحد درصد افزایش حاشیه سود مشارکتی.
سناریوهای بدبینانه / پایه / خوش‌بینانه‌ی سود و تخصیص بهینه‌ی یک بودجه‌ی ثابت تخفیف میان سلول‌های شهر × بخش مشتری.
همه‌ی اعداد این صفحه از مجموعه‌داده‌ی شبیه‌سازی‌شده‌ی همین مخزن محاسبه شده‌اند. از داده‌ی هیچ شرکت واقعی استفاده نشده است.
| مؤلفه | رویکرد |
|---|---|
| تولید داده | شبیه‌سازی تکرارپذیر با NumPy و pandas (بذر ثابت) از حدود ۱۲٬۰۰۰ مشتری، ۳۲۰ رستوران، ۵۲۰ پیک و حدود ۱۶۷ هزار سفارش در ۱۷ ماه، با فصلی‌بودن، روند رشد، منحنی‌های ریزش و ماندگاری و روابط مالی واقع‌گرایانه. نسخه‌ی ۲ دو جدول اضافه کرده است: هزینه‌ی بازاریابی مشاهده‌شده به تفکیک ماه × کانال و ساعت‌های آنلاین و مشغول پیک‌ها. |
| لایه‌ی شاخص‌ها | ۳۴ شاخص کارت امتیاز که در src/analytics/kpis.py از جدول سفارش‌ها محاسبه می‌شوند. سفارش تحویل‌شده = تحویل‌شده + بازپرداخت‌شده. سود مشارکتی پیش از تخفیف‌هاست (تعریف اصلی مدل)؛ «پس از تخفیف‌ها» هزینه‌ی تخفیف را کم می‌کند. کارت امتیاز آخرین ماه را با ماه قبل مقایسه می‌کند. |
| پیش‌بینی | مدل‌های ساده‌ی فصلی، میانگین متحرک و هولت‌وینترز با اعتبارسنجی غلتان زمانی مقایسه شده‌اند و بهترین مدل برای هر شاخص بر اساس WAPE انتخاب می‌شود. |
| بهینه‌سازی | روش trust-constr در SciPy یک تخصیص بودجه‌ی تخفیف با پاسخ مقعر را میان سلول‌های شهر × بخش حل می‌کند و سود مشارکتی افزایشی را تحت یک بودجه‌ی ثابت بیشینه می‌کند. |
| بخش‌بندی | قاعده‌محور بر پایه‌ی تازگی، تناوب و ارزش پولی واقعی و وضعیت اشتراک — نه برچسب‌های تصادفی. |
| پنجره‌ی شاخص‌ها | ثبت‌نام مشتریان در یک بازه‌ی ثابت تولید می‌شود که در ۲۳ اوت ۲۰۲۶ پایان می‌یابد؛ پس آخرین ماه فقط بخشی از ثبت‌نام‌های خود را دارد. شاخص‌های وابسته به ثبت‌نام (مشتری جدید، سهم مشتریان جدید، هزینه‌ی بازاریابی، CAC و هزینه‌ی بازاریابی به درآمد) به همین دلیل از پنجره‌ی ۳ ماهه استفاده می‌کنند و با برچسب «۳ ماهه» مشخص شده‌اند. |
| محدودیت‌ها | همه‌ی داده‌ها شبیه‌سازی‌شده‌اند: الگوهایی مانند ماندگاری، اقتصاد کانال‌ها و حاشیه سود شهرها خروجی مدل‌اند، نه شواهد بازار. اقتصاد واحد هر سفارش از ۳ ماه اخیر محاسبه شده و LTV همان سود طول عمر مشاهده‌شده تا امروز است، نه پیش‌بینی. جدول‌های هزینه‌ی بازاریابی و ساعت‌های پیک هم تولید‌شده‌اند و تورم CAC کانال‌های پولی در آن‌ها از پیش لحاظ شده است؛ پس فاصله‌ی CAC «مشاهده‌شده» با فرض برنامه‌ریزی یک خروجی مدل است، نه شواهد بازار. |