【小哈划重点：一对一和大班为什么能更快一点？因为一对一模式中，只要有一个学生来学习，就凑成了一个“满班”，毛利率就是理想的；大班模式中，主讲的薪资占比很小，辅导老师和学生的粘性较低，可以做到根据班级人数匹配辅导老师，所以也能做到毛利相对稳定。】
大家好，我是半杯白酒，这是我的第六篇文章。
教培行业有个公认的事实是，无论线上还是线下，在一对一，小班，大班（注：现在线下大班很少了，本文大班主要指在线大班）三个模式中，小班模式的运营难度是最高的。其中一个大家都能想到的原因是，一对一模式需要的是大量普通教师供给，大班模式需要少量精品教师供给，相对来说小班模式需要大量优质教师供给的难度就比较高。今天主要讨论另外一个原因，就是为什么小班模式营收增长率和毛利率是相对冲突的。
一个很常见的现象是，公司营收增长率和净利率相对冲突，这是因为高营收增长率往往意味着相关费率提高（尤其是市场费率），导致公司净利率下跌，跟毛利率关系不大。而小班机构高营收增长引发的净利率下跌受上述“相关费率提高”和“毛利率下跌”双重影响，所以是更加严重的。
影响小班毛利率最重要的因素是班均人数。一般小班机构做财务模型，都会设定一个“理想班均”，理想班均下的毛利率是机构的“理想毛利率”。小班机构追求高营收增长率导致的班均达不到理想班均，进而机构达不到“理想毛利率”是很常见的情况。我们当然可以用“运营不够精细”这种没什么营养的理由去解释这个情况，但这对于解决问题是没什么意义的。这个现象出现的深层次原因可以用“牛鞭效应”来解释（牛鞭指抽牛的鞭子，不是指泡酒的牛鞭……）。
鉴于大家对这个词不是很熟，先用一些篇幅做一些理论介绍。（本部分内容较为枯燥，但是分析问题、解决问题必不可少的理论基础，请大家耐心看完）
“牛鞭效应”是经济学上的一个术语，指供应链上的一种需求变异放大现象，是信息流从最终客户端向原始供应商端传递时，无法有效地实现信息共享，使得信息扭曲而逐级放大，导致了需求信息出现越来越大的波动，此信息扭曲的放大作用在图形上很像一个甩起的牛鞭，因此被形象地称为牛鞭效应。
举个简单的例子解释下。
1、一个火锅店预测明天可能会卖10只羊的羊肉；
2、火锅店告诉肉店他的预测后，肉店预测要杀12只羊，以防范实际需求超预测需求；
3、肉点告诉羊贩子他的预测后，羊贩子预测要买15只羊，以防范实际需求超预测需求；
4、第二天火锅店只卖了9只羊的羊肉，结果是火锅店库存1只羊，肉店库存2只羊，羊贩子库存3只羊。
就这样，简单的羊肉供应链每个环节都出现了一定的库存。实际生产供应链肯定比上述模型更复杂，库存也更多。总结下牛鞭效应出现的四个原因：
1、多重需求预测：供应链越长，需求预测环节越多，信息扭曲越明显；
2、批量生产订购：高频订货一方面存在沟通成本，另一方面小订单无法享受较高折扣，所以企业倾向于做较长预测周期，较大批量订货，这也加大了预测不可控性；
3、价格浮动和促销：需求端可能会做一些临时性的调价和促销，进一步加大预测误差；
4、非理性预期：供应链下游企业向上游报需求预测时，往往会倾向夸大预测，降低自身缺货风险。
只要供应链存在，“牛鞭效应”就只可减轻，不可消除。减轻“牛鞭效应”，不同的行业有很多方法，在这列举几个比较通用的：
1、业务集成，缩短供应链，供应链信息共享，提高预测精确度；
2、降低每次订货量，提高订货频次；
3、减少规划外临时性促销行为；
4、利用历史数据，对非理性预期做修正；
回到教培行业。如果把机构内部各个业务环节视作内部供应链，我们会发现，小班模式高营收增长率引发的班均下降本质上是教师产能出现了库存，这个原因用“牛鞭效应”是非常好解释的。
先简单分析下小班机构内部供应链。因为前提是追求高营收增长率，低价促销是不可避免会发生的，最典型的就是暑期低价班。那么整个机构内部供应链中，从需求到供给，可以分为四个环节：低价班招生，低价班到场，低价班转化正价班，教师招聘培训。
接下来看一下小班机构“牛鞭效应”的成因（以暑期低价班为例）：
1、因小班机构教师招聘培训是从秋季开始的，所以秋季就要预测明年暑期低价班的招生人数和转化率，将近一年的预测周期，这两个数据准确度很难保障，而且还有一个因素是竞争对手不确定的市场策略，会很大程度上影响自己市场策略的效果；
2、制定每个环节的任务，管理者倾向于非理性预期——比如市场部门会定较高的低价班招生量目标，刺激团队工作积极性；教学部门也会打鸡血，定较高的低价班转化率目标冲刺。这样的预测方式对于提高绝对量是有用的，但大大增加了预测不确定性。
3、小班机构的看似是整体内部供应链，实际在低价班招生和到场阶段每个学科、每个年级是独立的供应链，即报名数学科目是不能学语文的，报名三年级是不能学四年级的；在转化阶段每个老师是独立的供应链，即a老师的低价班的孩子，只能续到自己的正价班，很难续到同学科别的老师的正价班。大家做决策肯定是按照平均数来做决策，比如3个学科，目标三千，平均计划每个学科招1000，进而匹配每个学科老师数量；比如共有100个老师，平均每个老师低转正转化率40%，进而匹配该老师低价班和正价班比例。每个小供应链的不确定系数（方差）和整体供应链平均不确定系数（方差）是什么关系呢，很好推导：
多变量需要用到协方差矩阵不好描述（第一个等式右边第三项为xy两个变量协方差，具体计算公式感兴趣的读者可查阅相关资料），故在此用两个变量做模型描述。根据上述简单模型推导很容易就能得到结论——每个小供应链的不确定系数是整体供应链平均不确定系数的n倍，n指整体中个体数量。
现在就不难分析，为什么有个情况经常出现：整体供应链没出问题——所有的宏观数据，如平均招生量，平均到场率，平均转化率都达预期，但最终班均依然很惨——因为很多小供应链出问题了。
4、相对于经典的供应链分析框架，教培行业还有个特殊的地方在于，教师资源是无法大量长期库存的……很多小班机构一到暑期低价班结束就有大量老师离职，是因为老师预见到带生量太少导致未来收入无法保障。因离职替换老师的行为，又会导致一批学生流失，进而导致本来就不理想的班均情况进一步恶化。
以上是小班模式中为什么高营收增长率会导致低毛利的一些分析。记住上面那句话，牛鞭效应只可减轻，不可消除。下面给一些减轻牛鞭效应的建议：
1、增加订货频次，分摊不确定风险——一年订一次货（暑假低价促销）的风险一定大于一年定两次（寒暑假低价促销），一年多次（比如学而思开新校区会高频开体验课）。
2、分析历史数据（如历年转化率）和业务前置数据（如资源储备量和低价班招生量存在一定的比例关系），提高预测精度，区分业务目标（打鸡血）和预测目标（理性分析）。
3、业务集成——缩短供应链，在教培行业体现为刺激低正联报。低正联报的重要性，是非常多的机构远远没有意识到的。
4、降低供应链分散度，减少小供应链数量——低价班尽量少开年级，少开学科，少分层。
5、各个环节设计一定的容错机制——例如，以平均续费率为标准设计低价正价班比例，理论一定会导致有一半班不满，那么应该以比平均续费率低的续费率为标准去设计低价班正价班比例，并且提高低价班满班人数（如正价班理想班容20，则低价班设计成满班30），加强容错性。当然这样做的负面影响是会有优质老师班级爆满导致有学员排不进班，这其实是对满班率非常重视的学而思经常被诟病的饥饿营销的原因（学而思的老师课酬是固定的，和班级人数没关系，所以班级人数非常影响其毛利率。甚至有比较成熟的学而思分校增开班判断依据不是有无学生排不进去，而是增开班能否提升班均。可见其对班均的重视程度）。
上述是减轻小班业务牛鞭效应的一些建议。当然，如果你的业务毛利率和班均关系没那么大，也可以不考虑这么多。以新东方举例。新东方的教师薪资是和班均高度挂钩的，所以班均对其毛利率影响不是很大，而且新东方品牌效应大，招聘能力较强，可以以较低的薪资招到足够的老师，这使其能保持较高的毛利率去消化班均低造成的其他支出过高（如房租，市场费用等）的问题，从而保证一定净利率，而且教师流失对其影响较小。
其实写这篇文章的时候，我自己一边思考优化方案，一边更加想明白了一个大家常说的道理：教育行业是个慢行业，这个道理在小班业务上体现的更加明显。从本文分析框架看的话，一对一和大班为什么能更快一点？因为一对一模式中，只要有一个学生来学习，就凑成了一个“满班”，毛利率就是理想的；大班模式中，主讲的薪资占比很小，辅导老师和学生的粘性较低，可以做到根据班级人数匹配辅导老师（比如学而思网校，会把所有辅导老师排队，每400个孩子匹配一个辅导老师，一个排不满，就不往下排，这样可以保证所有辅导老师都“满班”），所以也能做到毛利相对稳定。
这也是为什么到目前为止，在线一对一模式和在线大班模式都有大量机构在做，而小班机构比较少，且做的比较差的原因。但是做教育，出发点应该是产品的长期价值，而不是业务推进难度。
