社区团购从0到1实战运营笔记-轻识

作者ID：skyline0510

前言：

2018年初，我阴差阳错的入职了南京本地一家做社区生活的公司，负责公司除供应链外其他部分的整体运营工作。

本文是对这段工作的回顾，从用户、数据、活动、社群、组织等方面进行了复盘，希望本文能得到更多朋友的指导和帮助。

另外该项目模式有别于社区团长模式，采用的是全职合伙人和社区内固定场地的方式经营，并非广撒网式的兼职团长。请读者注意甄别。

一、新业务，新起点

这家公司的母公司是做楼宇和智慧社区软硬件的企业。除南京外，其他地区都是做智慧社区的主营业务，在南京的分公司独立开展了这个社区生鲜电商的项目。

我刚加入时业务入驻了南京10个小区。做“T+1预售+社区站点”的模式，在小区内部有自己的服务站点和客服小妹(服务站点只有商品二次分拣和小仓库的功能，不做商品陈列和现场售卖）。

客服小妹负责在小区内服务业主，配合推广团队做地推拉新，日常维护社区内的用户等等。

(图1：公司业务模式)

线上运营部门有4个db+1个平面设计+1个新媒体+1个活动策划+1个运营经理，都是经验比较稚嫩的小伙伴，但好在大家都是年轻人，踏实肯干聪明好学是最大的优势，业务也刚起步，可以随时调整打法，有很大的可能和空间。

而我要做的是把经验和方法论转化为落地的动作，带着大家形成结果，道阻且长，行则将至。

二、找到河流，从零搭建用户体系

由于之前没有完整的运营框架做支撑和指引，我们的产品也没有做数据埋点，也就是说APP的访问量转化率留存率复购率等等数据都是一片空白，所有的运营动作没有过程跟踪，只能依靠最终结果(GMV、付费用户数等)来做评判。

所以我之前在大公司习惯的、看似理所应当的那套玩法显然已经没有可操作性了。

《荒野求生》里教过，当你迷失在森林里，找到河流顺着走就能获救，而我的“河流”就是“用户”和“数据”。

一方面线上运营所有的策略路径方法，最终都是为了驱动用户按照我们的设计路径去行动，从而达到设定的各项目标；另一方面，随着数据技术的应用和市场竞争，我们也应该从经营商品的思维转换到经营用户的思维。

所以，“用户运营”是我们最优先的核心抓手。

因为app没有埋点也没有把数据做到后台功能里，所以所有的数据都需要后端导表给我，在条件不够的情况下，往往需要简单直接，所以我先把用户简单分为了3个类别：新付费用户数+活跃用户+沉默用户，每周拉取一次，针对不同分类用户制定相应运营策略。

例如新付费用户的定义是：上一周内第一次下单的用户，对这类用户的运营目标是：促二次复购，对应的运营动作是：线上发放全品类低门槛优惠券。线下上门送货时提醒，并加群加微信。

而到了次周我们再拉取一次名单，如果上周的新付费用户产生了复购，则流转到“活跃用户”一类，再对应不同的运营策略。

如果没有产生复购，则流转到“沉默用户”，同样对应相应的运营策略。

至此一个初步的用户分类运营体系就搭建好了框架，用户成长路径完成了一个简单的闭环。剩下只是一步步精细化运营动作，对用户行为数据进行深层次分析并将其归因归类。

（图2：用户分层及引导策略，策略部分之后根据数据反馈又调整了数十版）

通过各项数据的变动情况，对不同类别用户运用不同手段，触达方式和运营策略进行了多次迭代，比如对于新付费用户的红包发放，从最初的50减10到20减5，从品类券到通用券，降低了新付费用户二次复购的门槛。

发放红包的时间、短信通知的时间也都进行过数次调整，每天为新用户的单子手工打上标签，编辑针对性的话术，让客服小妹在给新用户上门送货时候推荐低客单价高频商品，告知红包优惠，引导新付费用户持续活跃。

（图3：后台针对不同用户发放不同门槛的红包)

（图4：生命周期管理）

而沉默用户的唤醒在最开始阶段唤醒率很低，主要是缺乏触达用户的途径，我使用了很“呆”的办法：客服小妹和地推团队拿着该小区的高价值沉默用户名单挨家挨户上门。

因为这些用户是我们的老用户，对我们的产品和社区内的服务站点是有认知，所以理论上这样的上门是比较精准的。我们导出沉默用户名单后，会根据消费记录对沉默用户手工打上标签。

例如：肉食用户、水果用户、家政用户等等，使用不同的商品或话术去引导他，比如1块钱蔬菜、9.9块洗衣，肉品10减5等，让用户面对面再次下单。

半个月的上门最终唤醒了近3000个用户。开门率和下单率各50%，也就是说拜访100户业主，有50户有效开门，25户当场再次下单。也许看起来这种方式很LOW，效率也不高。

其实这就是O2O业务特有的线下触达能力的延展罢了，而且最终测算下来ROI、周留存等指标也很高(2020年7月时候“肉联邦”等社区生鲜公司开始采用挨家挨户扫楼的方式，而我们在2018年就做了，而且做的更精细更高效）。

下图为当时两个社区用户一周的回访统计表：

（图5：沉默用户召回）

在对用户进行分类分级运营后的第一个月，新付费用户的21日复购率已经在40%以上，arppu值(每付费用户平均收益)从37元提升到了55元，而沉默用户的唤醒率在50%以上，日付费用户数上升50%，销售额环比增长40%。

小伙伴们虽然辛苦却十分开心，但这样超负荷的工作还是有可以提高的地方，一方面是沉默用户的唤醒无法长时间依靠线下上门，人力有限；另一方面对用户的补贴还是比较粗放，用户数据依然是每周手工导表，对购买行为没有更精细的区分。

虽然用户已大致分为了新付费用户+活跃用户+沉默用户三大类，但是区间里的维度摆动还是很宽泛，下一步要的就是将用户再次细分，缩小运营颗粒度提升效率。

三、精益求精，用户运营再升级

实际上在移动互联网还没有诞生的时候，连锁零售、银行、航司等等传统行业早已运用RFM或类似模型对会员客户进行细分。

RFM模型简单来说是通过每个用户付费的“频率”、“近度”、“金额”这3个维度进行归类。

根据业务形态及具体目标不同，RFM模型可以将用户分为“高价值用户”、“重点发展用户”、“高价值召回用户”等等七八个大类。

(图6：RFM模型)

回到我做的这个项目上来看，通过RFM对用户进行分类的好处很多，比如沉默用户唤醒，之前我们是挨家挨户上门回访激活，虽然激活率有25%，但也意味着有75%是失败的。

如果能通过RFM归类评价，那我就会先找那些之前下单频率高+消费金额的高价值召回用户，这样的沉默用户要比1年前只下过1单的低价值用户更容易唤醒，也有贡献更多GMV的预期。

再比如，我对活跃用户的补贴可以更有针对性，对于频率高+金额高+最近经常购买的用户，其实是可以做“歧视”的，这部分用户的价格敏感度低、粘度高，可以减少对这部分用户的补贴。

还可以根据消费品类发放针对性的补贴券，比如A用户经常买的品类是肉品，那我们可以发一些其他品类的优惠券促使他体验其他商品和服务，从而加深用户粘度。

面对杂乱的源数据，我们试着先把高金额的家政订单剔除，再把1个手机号多个地址的账号剔除，最后将1天内重复下单的单子合并。

最后总算捣鼓出了一个比较靠谱的RFM表，虽然没有了家政订单，忽略了代下单用户，但对于绝大部分用户的分类更精确了。至于家政订单和代下单用户，则有别的方法解决，这是后话了。

下图为某小区RFM用户表部分截图，为保护用户隐私，手机号码和相关数据已做处理：

（图7：某小区RFM用户分类表）

通过RFM模型，我们把用户分成了不同类别，重点聚焦到“高价值客户”、“重点发展客户”、“重点召回用户”，在线上运营时通过区别推荐商品，优惠券红包针对性发放，触达频率和手段的区分，最终达到了较为精细化的程度。

运营成本中的红包补贴一项降低了近20%，而GMV、ARPPU、日均付费用户数等指标则不断增长。

顺便也解决了之前沉默用户唤醒问题，我们的客服小妹和推广再也不用挨家挨户上门了，而是拿着运营给到的“重点唤醒用户”的名单，有针对的微信私聊，电话触达，群内识别。

而线上运营也会发放不同策略的优惠券或红包，通过短信触达用户。在不上门的情况下，沉默用户唤醒率反而还提高了10个点左右。

在完成RFM模型后，我又重新梳理了我们的用户漏斗，对每个流程进行了优化。将各流程的动作规范化机制化。

（图8：AARRR模型）

在初步建立了用户运营体系之后，所有的用户运营已经实现了闭环。

再进一步就是做用户运营的自动化，也就是把需要人工处理的数据，做成系统的功能，形成一种开放的能力，也是这两年流行的中台概念，限于篇幅这里就不展开论述“中台”这个概念了。

（图9：原表）

以上是一张后台导表数据，这里字段包括了手机号+姓名+时间+地址+商品+商品分类几个要素。

我们之前做的RFM模型，做坐标模型，针对性发券、不同运营策略等等，都是先对业务需求进行梳理，找出核心指标和关键影响因素，搭建一个模型，再人工拉取我们要的各项数值填充到模型里，最终行程策略辅助运营的落地。

实际上以上这些都是在技术支撑不够的情况下，我自己化繁为简的土办法。在技术比较OK的公司这些都通过产品、数据、算法、开发、测试等N个角色配合完成的工作，是一套体系化的、动态流转的、自动化的流程。

举个例子：在滴滴出行，他们通过算法和机器学习去给用户发券，用户特征的筛选组合都可以通过bucketize或vocabularize做处理，最后得到一个用于发券的分类模型。

在提升运力方面，使用EM算法对司机进行分类，识别出不同类别的司机，为运营策略的制定和落地提供支撑。

同时在做用户留存时，采用SHAP + XGBoost挖掘影响用户活跃的因素并进行量化，最终形成一张纵轴是每个衡量维度，横轴是feature value的坐标图。

所有信息输出一张大表，运营同学可以在表里找到对应运营场景，提升运营效率影响用户行为。当然这是比较技术性的问题，只需要大致理解即可。

作为一个优秀运营，所有的运营动作必须要做到数据化、可视化、在线化，可量化可解释可预测。

运营可以不懂技术，但是必须要有这个意识，并明确你要的是什么、产品研发是如何实现的、流程是什么、影响因素是哪些，运营要确定的维度和因素是哪些，这才是高效率高品质高阶的运营能力。

四、永恒的主题：留存与增长

留存与增长永远是互联网业务的最核心目标，特别是在业务单元为：社区、校园、城市这类物理场景固定的业务中，留存和增长都是核心生命指标。

在一个固定物理场景中，我们的用户总数、用户需求、用户行为、用户生命周期等参数都是相对固定的，这类业务如果要形成规模，一是扩展物理场景，二是做足渗透率提高需求频率。

比如滴滴出行，当滴滴在北京的运力达到一个水准后，是保持动态平衡的，接着滴滴想要扩展业务规模必须要开拓新的城市，但是业务物理场景的扩展意味着运营成本的增加，这是提高业务规模的一面。

而做透覆盖城市的运力效率和提升用户频次是拓展规模的另一面，是降本增效的一面，而这一面中的主题便是留存与增长。

我个人理解留存是包含在增长里的，就好比我们小学的经典数学题，一个水池，一个水龙头放水，一个洞漏水，求多久能装满。

装满水池=总体增长，放水=新用户增长，漏水=用户流失。想要提高总体增长必须分为新用户增长+老用户留存+流失召回，这3个部分都是相辅相成环环相扣的，缺一不可。

上文我们说过了用户召回策略，下面接着先说留存怎么做。

提升留存可以从很多个维度去找寻方法，综合起来有两个重要的部分：一是从用户生命周期入手，在每一个环节提高留存指标，从而提升总体留存率。

二是从用户行为入手，优化用户行为路径的每一个环节，找到影响用户留存的核心参数，从而降低总体流失率。

前文实际上已经大致描述了在这两方面我们做的一些运营方法和策略，在用户生命周期方面通过不断的策略调整，提升用户生命的每一步留存。

例如：我们将2A3R模型进行了优化，在用户注册的第一步就通过新用户专享价和专享商品引导用户完成第一次付费下单，直接完整的体验产品流程和服务，这一步是提升“激活率”。

在新付费用户上线后，再针对这类用户发放低门槛的优惠券，引导他们进行二次复购，这一步是提升了新付费用户留存。

再之后把新用户纳入到我们的用户分级体系里，通过RFM等模型对他们进行归类，再使用不同的运营策略促活复购，这里就不再赘述了。

关于提升留存我想介绍一个重要的方法：Cohort Analysis（群组分析），第一次接触这个方法大概是2010年左右在MSN SPACE上看到的一篇学术文章，是做社会学研究用的，当时印象并不深刻。

之后再接触是2015年初谷歌GA上线了这个功能，彼时我业余时间在做自建外贸站点，主要用来做流量来源分析，具体到关键词、国家、设备等等维度。

这个方法是通过观察历史留存率的变化，找到影响留存的关键参数，从而通过数据洞察不断修正运营策略。

下图是我随手做的一份以周为单位的新付费用户的留存表，格式比较随意，但是意思是一样的。上面的是留存用户数，下面是留存率。

里面有几个参数，第一列是时间，从第一周到第九周；第二三列是拉新预算和优惠券折扣率两个变量参数，蓝色部分是留存数和留存率。

（图10：新用户周留存群组分析）

这张表做出来之后，最直观的作用就是留存预警，当你发现这周的新增用户留存数据有大幅度的下降，那么就要第一时间去追溯整个运营流程是否出现了问题。

比如我在实际工作中就遇到过一次新用户周留存大幅下降17%的情况，再看了各个社区的群组分析表后，发现流失主要集中再某一个小区。

在同产品梳理完线上行为路径及排查产品BUG之后，排除了产品本身的问题，那就可能是商品或者之前拉新质量的问题，继续排除了拉新质量后，就剩下商品问题了。

通过和线下门店人员的核实以及用户回访，我们发现是上周用来拉新的商品出了问题，在夏天我们用新鲜蔬菜拉新，但是没有进行打孔包装，蔬菜闷在塑料袋里都坏了，给用户造成了很差的体验，所以这个小区新用户的次周留存就下降了17%。

我们及时的通过免费补发蔬菜+客情维护，这个小区的留存弥补了回来，并且我们改进了蔬菜的包装和提醒话术避免了这类问题在其他小区再次出现。

同样还有一次我们发现某个小区的次周留存率近乎100%，所以立刻找到了这个小区门店的客服小妹，详细询问了她这批拉新是如何做的，每个环节的策略话术方法等等。

最后发现是因为客服小妹严格按照我们的话术和用户进行沟通，把我们给新付费用户的复购红包优惠券特定商品等等都详细的介绍，并主动催单。

通过这个案例我们改进了优惠券提醒的策略，对新付费用户的优惠券在到期前主动统一话术PUSH和短信推送，形成标准，并将该小妹的案例做了分享和培训，让其他小区的客服小妹也能一起学习提高。

Cohort Analysis除了用来观察留存率发现浅显的表象的问题之外，如何通过数据洞察发挥更多深层次作用呢？

我们可以深入观察两个变量参数“拉新预算”和“优惠率”，我们发现当拉新预算增加时候，新付费用户就增加。优惠券折扣大的时候，留存率就增加，这两个是正相关参数。

现在可以得到一个粗略的结论：当我们这个阶段运营目标是提高留存时候，那么我们可以增加预算+提高优惠幅度。这看似是一句人尽皆知的正确的废话，但是这个表的核心价值是在于“可量化”。

举例：本周运营的目标是：增加100个新付费用户并且提升10个点的留存率。

那么我可以通过以往数据测算，要达到这个目标，我相应要增加1000块的拉新预算和增加5%的商品折扣。现在数据预测有了，接下去就是再次分解目标，我这1000块新增预算，投放在哪些渠道？增加的5%的商品折扣适用于哪些商品？

那么我可以再去增加几个变量，回溯一下各个用户来源渠道的留存率，和各类商品的留存率，从而得到最终结论：为了完成相应目标，我需要在A渠道增加500元的拉新预算，B渠道增加200元预算，其他渠道增加300元预算。

生鲜品类中肉品和海鲜的优惠幅度增加5%，代入到我实际操作的这个项目中，我需要再给所有社区做一份群组分析表，观察每个小区的留存情况，变量参数对留存的影响，不同小区的消费品类对留存的影响，从而最终得出结论，为了达到新增100用户和提升10个点留存，我的总预算是XXXX元。

我要在某几个小区加大拉新预算，地推增加700预算，老带新增加300预算，在ABC小区增加肉品的优惠幅度5%，在DEF小区增加蔬菜的优惠幅度5%。

最后到落地动作就是分解时间节点，标清里程碑，确定人员分工，做好资源准备。

Cohort Analysis模型可以增加不同的变量参数，细化到不同的业务单元。

举一反三：比如我是滴滴的总部运营，我就要做一份所有城市的总表，和各个城市的分表，加入几个核心变量参数，例如“运力”、“应答率”、“完单率”、“补贴率”、“渗透率”等等，滴滴这类业务可能还要做一份所有DP公司或者司机的群组分析，这里就不再枚举。

另外 Cohort Analysis不仅可以观测留存率，还可以做“召回率”、“流失率”、“下单次数”、“频率”等等不同指标的观测，还能以缩小颗粒度以基础业务单元为观测对象（各社区、学校、城市、合伙人、分公司、平台等等）综合起来对运营现状进行研判和修正。

总之，群组分析是我们对运营现状进行观察和预警的最直观手段，也是一种可量化可预测可执行的增长策略，并且颗粒度和维度可以自由调节，以观察到所有变量对整体业务的影响。

五、仓促上阵，线上活动初发力

随着用户体系的建立完成，我们的GMV和活跃用户数都有了大幅提升，小伙伴的能力在这过程中也得到了成长，是时候来一场全平台大促作为验收检验了。

5月的最后一周我连续通宵了两夜，终于把6月营销活动全部定稿。

(图11：6月活动框架，最终版内容有所增减)

整个活动从6.4到6.24，为期21天，切分为4个时间段，先从高客单价低频商品入手，逐步预热。在中间两个时间段主打高频低客单价商品，蛋奶、水果、蔬菜等等。

整个活动以品牌为主打，配合针对不同用户的营销策略和触达手段，再辅以多种副线的玩法提高活跃。

当这个框架确定下来后，就是确定内容，对接供应商资源。确当哪些供应商参与，给多大的优惠力度，多少量的商品，还有哪些诉求等等。

还要配合供货商的配送日期，有一周一配的，有一周两配的，总之供应商这个大难题也近日期才勉强解决了。

接着就是提交产品需求，线上的玩法要靠技术来实现，我们APP的秒杀、团购等等功能虽然有，但平时就偶尔出BUG，机制设计也有问题，只能自己找第三方软件来做抽奖砍价。

最后的1元抢购也因为担心BUG而放弃了。实际上回顾整个活动，单靠人肉和第三方技术才实现活动的各种玩法。如果有充裕的时间和资源，线上活动的效果还有会倍数级的增长。

(图12：上活动deadlin时间表，篇幅原因只截取了一小部分)

虽然每天每个环节都有磕绊，但是活动还是按照框架设定顺利完成了，在活动期间总销售额、arppu值、新增付费用户、沉默用户激活率等等指标都非常大的提高，已经初步达到了我们的预期。

活动顺利结束，一颗悬着的心算落地了，在复盘时候发现了很多问题，比如人力不足、时间仓促、技术支撑弱、执行力还不够等等，导致预定的各项工作各环节的deadline没有百分百完成，影响了活动最终效果。

在之后的月度主题活动中，这些问题得到了逐步改善，为平台活动体系的建立打下了基础。

六、盘活存量，线下活动进社区

虽然线上活动的节奏基本成型，并逐步走上正轨，但是基于社区的属性，线下活动也是非常重要的一环，以往我们只是基于社区内的服务点进行一些日常的地推，完全是以售卖为导向。

这种地推效率低，效果差，社区住户出现在社区里的时间段往往只有两个小时，上下班时间的年轻人和上午买菜出门的老年人。

所以日常的地推效果并不好，人流量低，售卖的生鲜产品在户外不易保存，损耗很高。最后的结果往往是事情干了，东西没卖掉，人也没留住。

我们一起做了几次地推，卖了几百箱榴莲水果后，我觉得这事儿不应该这样做，地推应该从售卖导向转变成拉新促活导向，从小猫钓鱼到撒网捞鱼，日常地推照样搞，但是每周必须有一场中大型活动。

于是我们挑选了一个比较好的小区做试点，这个小区的arppu值和GMV都比较高、住户和我们关系密切、线上线下活跃度也高，用户基础非常好。

原本这里的物业根本不给做大型商业活动，但是我们利用了植树节这个节点，和物业联合搞业主亲子植树活动，由我们出人出力出钱，物业负责组织业主报名参与，在小区里绿化空地上栽种树苗，我们也把每个家庭的合影做成相册送给业主。

这样一来物业没付出什么人力，还拉近了与业主的关系，小区也增加了绿化，物业很爽快的就同意了。

在这场活动中，我们安排了两个场景，一个在绿化空地的栽种树苗，一个是在小区广场的美食市集。

用户首先要在我们的app上报名活动，到了现场首先在市集签到领取树苗等物品，再由我们工作人员分批次带到绿化空地栽种。

在报名和等候的这段时间里，我们在现场做了特色产品的烹饪试吃，现场发优惠券，注册app领取，用户全部上线。并且做了现场传播的环节，设置了分享链接分享红包，拍照框等等环节。

最终这场活动拉新用户170个，当天该小区线上订单新增300笔，GMV创新高。而我们和物业形成了良好的关系，从此以后我们在小区里做各种活动，物业不仅不收钱，还帮忙上门宣传。

这次活动后，我们快速复制，又在其他小区搞了N场类似活动，有土特产大集、家电清洗专场、劳动节趣味劳动比赛，中秋包粽子比赛等等活动，这些活动帮助我们更好的连接了社区用户，形成了一波波的口碑传播，让我们把根扎进了社区，获得了大量的忠诚用户。

在社区活动形成常态后，我们又策划组织了一系列的周边游活动，把业主带出社区，走进我们合作的农场、水库，现场体验，现场售卖。

我们组织业主去采摘蔬菜、摘葡萄、摘西瓜、水库捕鱼、参观现代化养鸡场养猪场等等，更进一步加深了用户对于我们产品的认同和放心，给了用户更好的体验。

七、社群的意义，从转化到连接

我们在每个小区都建立了微信群，每个群少则一百，多则三四百人，我们也有新媒体编辑每天编辑话术和商品图片，在群里发布。但是社群的活跃很低，也没有好的内容，更没有完整的运营逻辑和框架。

我前后对我们的社群运营进行了两次调整，第一次是以转化为导向，通过内容活跃群，最终形成转化目标，在内容机制上，我们之前是没有任何规划，采购有了新品临时告知运营，文案和设计什么时候做出来就什么时候发。

另外运营每周自己做一个菜，把图文和商品链接发群里，所有的内容仅限于此。

我做的第一步就是建立内容生产的机制，要求采购周二上午统一提报各品类主推新品，再根据促销力度、利润、量、天气等等维度，统一安排群内推送时间，并将商品促销、活动宣传、做菜图文等等事项形成表格，将素材来源、制作标准、文案海报、话题制造、客服话术等等也纳入表格。

这样初步规范了内容的制作和发布。社群有了一套基本的运营规则。

(图13：社群运营sop表）

经过第一次社群运营策略的调整，群的活跃和用户的转化都有了较大的起色，但还是达不到预想的效果。

在进行了一段时间的数据统计和复盘后，我们又试着进行了第二次调整，将群的定性从“销售”改为“连接”，销售很简单，连接很难。所有的社区团购群，包括我们都存在一个问题，一个大群上百人在里面，并没有形成高频有效的互动。

这些用户虽然生活在同一小区，但性别、年龄、工作、爱好、生活状态等等各不相同，除了社区内公共问题和商品服务问题，缺乏其他维度的话题进行连接。于是我们决定在保留大群的基础上，建立不同的小群。

好的社群必须要符合3个特性：人数少、有同好、能引导。

所以我们就把群做了细分，让我们的小妹加好友，拉小群。根据每次线上下活动、爆款产品、用户分类标签等不同维度建立小群，这些群的人数不超过50人，由群成员主导群话题，我们运营人员只是做引导、设立规则、提供服务等等。

经过了两次社群调整，虽然我们在群内转化率整体销售和活跃都有明显增长，这就是经营商品和经营用户的区别。

BTW：这里的社群运营，有一个很棒案例：孩子王，家里有小朋友的不妨去孩子王办个会员卡看看他们的用户和社群是怎么做的。

八、写在最后

本文用逾万字简单复盘了该项目的运营工作，但相较于整个工作量和工作内容来说也只是管中窥豹、九牛一毛罢了，希望这些粗浅的经验之谈可以给到读者一些小小的帮助。

最后本文成形于2020年初，彼时社区生鲜并未被巨头关注，如果要和巨头比，那么我所经营的业务和他们的主要区别在于：滴滴美团拼多多是运营流量，十荟团等专业团购公司是运营商品，而我从头至尾的核心理念是运营用户。

养成好习惯，分享+在看~~