电子商务数据分析与应用（AI+微课版）（第3版） 课件 任务六 客户数据分析

任务六

客户数据分析Data-DrivenCustomerUnderstanding主讲：邵贵平电子商务数据分析与应用知识

目标理解客户数据分析的概念掌握客户数据分析的主要内容熟悉客户数据分析指标掌握客户细分的常用方法与模型理解和掌握访客特征分析；理解和掌握访客行为分析技能

目标具备用AI工具绘制客户画像的能力具备设计RFM分析智能体的能力具备同期群组分析的能力具备分析客户评价的能力素养

目标具备互联网用户思维具备较强的逻辑分析能力与人工智能技术应用能力强化创新意识，增强服务理念具有执着专注、精益求精、一丝不苟、追求卓越的工匠精神学习目标任务导入01AI算法+人类造型师AI算法+人类造型师Stitchfix是一家以数据驱动的服装新零售电商公司，凭借其独特的AI算法+人类造型师的实践脱颖而出，成功地将科技与时尚紧密结合数据与算法团队超过350人，分成客户、推荐、库存和数据平台四个团队客户团队负责精准营销、需求预测、客户画像、客服分析推荐团队专注于人货匹配、造型师匹配和造型师行为分析库存团队主要进行库存预测、基于算法清仓和对商品打标签数据平台团队承担构建大数据架构和自动化分析流程的任务，支撑其他三个团队AI算法+人类造型师用户从StitchFix购物，既不需要进入商店挑选，也不需要花大量时间上网浏览网页，取而代之的是先填写一份详细的表格，其中包含个人的形体特征、喜欢的风格和购物预算接着，AI算法将客户的体型、穿衣风格、预算约束等内生变量，与季节、库存、销量等外生变量相结合，从超过2000多家品牌的产品中为消费者挑选符合他们体型、风格偏好的衣服和首饰然后去掉客户曾退回的排除项，再将剩下库存每件商品上100∽150个代表颜色、面料、款式等属性的数据点与客户的偏好进行匹配并打分，用协同过滤算法调整后将得分排序最后构成供造型师挑选的搭配方案及清单AI算法+人类造型师然后，AI的推荐结果会交给专业的人类造型师进行最终审核和微调。造型师会加入自己的专业审美、时尚直觉和对客户潜在需求的理解，确保每一件衣服都既符合数据逻辑，又带有“人情味”按照约定的时间，StitchFix会给消费者寄出一个盒子，盒子里是StitchFix认为最适合该消费者的5件衣服，还有一张造型师写的便笺，向客户致以问候，解释自己选择时的考虑，并邀请客户给出反馈消费者收到盒子之后，可以自己在家里试穿，并根据自己的喜好留下全部或者部分的衣服，将不喜欢的衣服退给StitchFixAI算法+人类造型师随着购物次数变多，有的客户会和造型师分享如怀孕、减肥成功、入职新工作之类的隐私。善解人意的造型师能立即了解客户的重大变化，并据此为客户设计全新的造型，从而进一步加深与客户的联系。而这无疑能产生极强的品牌忠诚度对于一些特定的场合，StitchFix会根据客户参加的活动，如节日派对、同事聚会、出差参会等，推荐合适的、符合潮流的服装，在匹配活动氛围的同时还能让客户穿着舒适，并增强自信用户需要为每个Fix订单支付20美元的造型费，StitchFix根据用户设置的预算，个性化所有内容，包括上衣、裤子、连衣裙等AI算法+人类造型师StitchFix将数字化定位为公司的核心竞争优势，并在收集数据、开发算法等方面不懈努力，因为他们相信只有提供最好的购物体验才能获得最忠实的客户客户数字化，为每个客户建立专属造型档案。造型档案能提供90〜100个具有统计显著性的数据点，包括式样、尺码、裁剪、价格偏好，以及诸如周一需要穿正装、希望能凸显自己的长腿等个性化的细节随着时间推移，StitchFix能够通过观察复购行为、邀请填写反馈问卷等形式对数据进行迭代，而不断更新的数据指导StitchFix持续优化客户的购物体验，而享受过出色购物体验的客户也更愿意配合反馈，并提供更多数据，最终形成“销售-反馈”的良性循环，构成强大的网络效应AI算法+人类造型师思考1客户在购物过程中能够获得哪些体验，举例说明？思考2AI算法与人类造型师在销售过程中各自承担了什么功能，各自优势又是什么？思考3你认为StitchFix的商业模式适用于中国市场吗？基础知识02客户数据分析概述客户数据分析指标客户细分访客特征分析访客行为分析客户忠诚度分析客户数据分析概述客户数据分析的本质是将客户数据转化为具有深刻商业价值的洞见，以更好地了解客户的偏好，解码客户行为模式，精准预判未来趋势客户属性分析客户行为分析客户需求分析客户价值分析客户忠诚度分析客户数据分析是指利用统计学、数据挖掘、机器学习等方法，对企业在运营中产生的客户数据进行收集、处理、建模、分析与可视化，从中提取客户特征、行为模式、需求痛点等有效信息，为客户获取、留存、转化及价值提升提供决策依据的过程客户数据分析的概念客户数据分析是一个从静态描述到动态行为，再到内在动机，并最终指向未来价值的立体化分析体系客户数据分析的主要内容客户数据分析指标客户总数新客户数活跃客户数（DAU/MAU）复购客户数流失客户数新客户比例＝新增客户数/客户总数

×100%客户活跃率＝活跃客户数/全部客户数

×100%客户复购率＝购买次数大于1的客户数/有购买行为的客户总数

×100%客户留存率=(在指定周期内留存客户数/在初始周期新增客户总数)×100%客户流失率＝(期中流失客户数/期初客户总数)×100户分析指标应用案例

某官方旗舰店一季度引进980000名独立访客，其中新访客820000人，老访客160000人；共有45000名客户下单购买了商品，其中新客户36000人，老客户9000人；在二季度，一季度引进的新客户中有12000人再次到店购物。请计算

一季度新客户比例、客户活跃率、客户复购率、二季度客户留存率、二季度客户流失率注：该店将3个月内未复购的客户定义为流失客户，3个月内至少有一次购买行为的客户定义为活跃客户新客户比例=新增客户数/客户总数

×100%=36000/45000=80%客户活跃率=活跃客户数/全部客户数

×100%=45000/980000=4.59%客户复购率=购买次数大于1的客户数/有购买行为的客户总数

×100%=9000/45000=20%二季度客户留存率=(二季度留存客户数/一季度新增客户总数)×100%=12000/36000=33.3%二季度客户流失率=(二季度流失客户数/二季度初客户总数)×100%=（36000-12000）/36000=66.7%客户细分01客户细分的定义客户细分（CustomerSegmentation）是指根据客户在需求、偏好、情感或价值观上的相似性，将商家的现有客户划分为若干个客户群的过程02客户细分的理论依据客户需求的异质性消费档次假说企业资源的有限性客群的稳定性客户细分03客户细分的常用方法（1）按客户重要程度来分类

按重要程度通常将客户分成A、B两类，一般采用二八法则进行分类20%为A类客户80%为B类客户客户细分03客户细分的常用方法（2）按客户属性来分类细分维度细分变量具体分类

客户属性性别男、女年龄婴儿、幼儿、少年、青年、中老年

/“70后”“80后”“90后”“00后”地域省份

/城市、农村

/沿海、内陆

/高温、严寒职业学生、教师、公司职员、医生、公务员、个体户、家庭主妇偏好品牌、时尚、风格、实惠消费能力高消费、中等消费、低消费教育程度高中、中职、本科、研究生婚姻状况未婚、已婚客户细分03客户细分的常用方法（3）按客户行为来分类细分维度细分变量具体分类

客户行为购买金额高贡献客户、中高贡献客户、中贡献客户、低贡献客户购买频率活跃客户、沉默客户、睡眠客户、流失客户购买渠道自然搜索、直通车、聚划算、淘金币、试用中心、淘抢购购买时段工作日、节假日、白天

8—17点、傍晚

18—22点、深夜

22点至次日

7点咨询偏好咨询下单、静默下单分享频率不分享、偶尔分享、乐于分享客户细分03客户细分的常用方法（4）按客户忠诚度来分类

客户根据忠诚度通常分为潜在客户新客户老客户成熟客户忠诚客户客户细分03客户细分的常用方法（5）按客户价值来分类

客户价值矩阵模型由消费频率与平均购买额构造而成，将客户划分为4种类型客户细分04RFM模型它通过客户购买行为中的“最近一次消费（Recency）”“消费频率（Frequency）”“消费金额（Monetary）”来了解客户的层次和结构、客户的质量和价值以及客户流失的原因，从而为企业制定营销策略提供支持客户细分04RFM模型RFM模型的3个指标解释如下：近度R（Recency）：表示客户最近的消费时间与数据采集点的时间间隔频度F（Frequency）：表示客户在过去某段时间内的消费频率额度M（Monetary）：表示客户每次消费金额的多少，一般用过去的平均消费金额表示访客特征分析访客地域分布访客的省份分布与地域分布基本一致，只是江苏省与河南省的位置有些变化在城市分布上，上海市、北京市和广州市排在前3位，合计搜索点击人数占比超过11%湖北省、四川省、湖南省和浙江省的下单转化率较高访客特征分析访客时段分布商家首先需要关注的是流量的高峰时段，然后是成交的高峰时段，

接着是对不同终端类型的流量高峰和成交高峰展开分析移到端PC端访客特征分析访客年龄分布不同年龄段的群体有各自的消费特点图中显示：该行业的主力消费人群的年龄段为18～35岁访客特征分析访客性别占比不同性别的访客在购买商品时的心理特征差别很大图1显示：本店铺男性访客居多，而且男性访客的下单转化率高于女性访客，

说明该商家以男性访客为主要目标客户再对比行业的访客性别占比，也是男性访客居多，

占比达到66.32%，女性访客占比为33.68%访客特征分析访客职业占比不同职业的消费者对商品的需求差异很大图中显示：医务人员、公务员和工人是本店铺的主力消费人群访客特征分析访客消费层级分布消费层级反映消费者半年内每次平均消费金额的高低图中显示：消费层级为0～2900元的买家是店铺的消费主力军访客特征分析访客购买频率购买频率是商家选择目标市场、确定经营方式、制定营销策略的重要依据图中显示：本店铺客户购买次数以1次为主访客特征分析访客会员等级访客会员等级是评价会员的综合指标生意参谋基于用户过去12个月在淘宝的“购买、互动、信誉”等行为，综合计算出一个分值为淘气值图1显示本店铺客户的淘气值在501～800分的最多图2显示行业客户的淘气值也在501～800分的最多访客特征分析访客偏好情况消费者偏好是指消费者对一种商品（或者商品组合）的喜好程度图中显示访客喜欢的营销偏好依次为聚划算、天天特价、宝贝优惠券、搭配套餐、包邮访客特征分析新老访客占比新访客比例越高，说明网站的推广做得越好；老访客比例越高，说明网站的黏性越高访客行为分析指标访客行为分析访客行为分析指标客户黏性访问频率访问时间间隔复购率留存率活跃程度平均停留时长访问深度参与指数产出成果订单数客单价客户生命周期价值(CLV)净推荐值（NPS）访客行为分析浏览网页流量入口淘宝流量入口主要有商品详情页、店铺首页、搜索结果页、店铺自定义页、商品分类页和店铺其他页图中显示商品详情页作是本店铺的主入口访客行为分析浏览网页跳失率跳失率越高，说明着陆页的吸引力越差，客户越不活跃图中显示4个来自天猫的引流入口的跳失率都超过90%，可见这些着陆页的设计与访客的预期不相符，商家需要及时做出修改访客行为分析浏览网页访问深度访问深度越大，客户体验度感越好，客户活跃度越高图中显示浏览量排名第一的商品详情页流量的访问深度为1.49，成交量排名第二；

浏览量排名第二的商品详情页流量的访问深度为1.43，该商品最近7天没有成交访客行为分析浏览网页平均停留时长其反映的是访客的活跃程度，一般在12秒以上为好图中显示浏览量排名第一和第二的商品详情页的平均停留时长仅17秒访客行为分析浏览网页访问路径生意参谋的访问路径有两个，一个是店内路径，另一个是流量去向访问路径显示其来源主要有商品详情页、店外其他来源，其去向主要有离开店铺、商品详情页离开页面排行显示排名第一的是美的大1.5匹空调，排名第二的是美的大1匹变频空调离开页面去向排行显示排在前3位的是淘宝站内其他、购物车、已买到商品访客行为分析浏览网页热力图常见的热力图有3种——基于鼠标点击位置的热力图、基于鼠标移动轨迹的热力图和基于内容点击的热力图从热力图的点击次数分布来看，用户比较喜欢店铺的空调、彩电和冰箱，对厨电、洗衣机和小家电兴趣不大访客行为分析点击行为分析访客点击主要涉及链接点击率与二跳率链接点击率用于衡量链接内容与用户搜索意图或兴趣之间的匹配程度二跳率是衡量流量质量的重要指标，也是衡量着陆页质量的关键指标访客行为分析搜索行为分析商家就可以通过搜索词排行、页面访问排行等分析访客的搜索行为图1显示通过搜索空调、美的变频空调等关键词进入店铺的访客数最多图2显示从数据来看，访问页面排第一位的浏览量为760，平均停留时长为79.29秒；第二位的浏览量为241，平均停留时长为51.49秒；第三位的浏览量为66，平均停留时长为35.81秒。三者相比较，第三位的平均停留时长明显偏小，可能存在问题访客行为分析收藏/加购行为分析访客对商品有了购买意向，则进一步的行为有收藏、加购等转化看板显示收藏人数为1213，访客-收藏转化率为1.90%；加购人数为2586，访客-加购转化率为4.06%；支付买家数为391，访客-支付转化率为0.61%访客行为分析咨询行为分析访客如果对一些细节问题比较在意，就会发起咨询，向客服进一步了解情况某网店客服团队绩效如图所示访客行为分析发帖/评论行为分析与发帖/评论相关的分析指标有评论条数、好评率、差评率等某网店客户的负面评价内容如图所示访客行为分析售后投诉行为分析客户如果对商家的态度或商品感到不满意，则会采取相应的维权措施来维护个人的利益某网店的维权总览（近30天）如图所示客户忠诚度的衡量维度情感忠诚行为忠诚意向忠诚客户忠诚度分析表1客户忠诚度的衡量分析维度主要表现测量指标情感忠诚对品牌产生情感依附、信任、认同和喜爱客户满意度品牌关注度负面容忍度价格敏感度行为忠诚重复购买、更高的购买频率和金额、跨品类购买复购率留存率购买频率最近一次购买时间客户生命周期价值（CLV）意向忠诚再次购买和向他人推荐的意愿净推荐值（NPS）复购意愿推荐意愿任务实战03用AI工具绘制客户画像RFM分析智能体设计用AI工具绘制客户画像理论知识客户画像，即客群信息标签化，是指商家通过收集与分析客群的社会属性、生活习惯、消费行为等主要信息数据，抽象出客群的商业全貌，如有房一族、时尚男女等客户画像数据一般划分为三类：属性数据、行为数据和心理数据用AI工具绘制客户画像理论知识客户画像数据用AI工具绘制客户画像任务内容收集一家网店客户的属性数据、行为数据和心理数据，运用AI工具绘制店铺的客户画像，具体包括客户的人口属性特征、商业属性特征、行为特征和心理特征，并根据这些特征用AI工具绘制人物画像，并设置标签用AI工具绘制客户画像任务要求本任务是一个团队任务，学生两人一组合作完成并提交《××

网店的客户画像》,字数不限，要求数据准确、思路清晰、逻辑严密、分析到位用AI工具绘制客户画像任务实施收集客户画像数据步骤1基于客户画像的照片描述，用AI工具生成视觉形象步骤3撰写《××

网店的客户画像》步骤5用AI工具

生成客户画像文字描述步骤2结合客户画像的文字描述和视觉形象绘制客户画像步骤4做好汇报的准备步骤6×××店铺的客户画像本报告以在线销售坚果的某店铺为例，绘制客户画像产品特点有品质优良、价格实惠、健康卫生产品优势是品牌形象好、原料全球直采、投资建设坚果工厂，采用30万级洁净车间和全自动化生产线生产产品，严格的品控标准、先进的加工工艺、丰富的产品矩阵、服务细节做到极致产品给消费者带来的好处包括享受美食、获得快乐、萌趣的情感体验、感受贴心的服务×××店铺的客户画像收集处理客户画像原始数据从店铺后台以及社交媒体获取六项客户画像的原始数据，并进行相应的数据处理客户人口统计数据.csv坚果店铺_购买行为数据.csv坚果店铺_网站行为数据.csv坚果店铺_评价数据.csv坚果店铺_咨询互动数据.csv坚果店铺_社交媒体数据.csv×××店铺的客户画像用AI工具生成客户画像文字描述选择豆包生成客户画像文字描述，上传处理好的六项客户画像原始数据，输入提示词，并提交提示词模板，仅供参考【角色定位】你是【资深快消食品（坚果类）用户研究专家+市场分析师】，熟悉健康零食赛道用户洞察，擅长结合产品核心卖点与多维度用户数据（人口统计/购买行为/网站行为/咨询互动/客户评价/社交媒体），提炼具象化、有场景感、可落地的客户画像，能直接指导营销方案制定与新产品开发。核心输入依据（必须紧扣以下信息，不可遗漏）产品基础：坚果（品质优良、价格实惠、健康卫生）核心优势：品牌形象好、原料全球直采、30万级医药级洁净车间、全自动化生产线、严格品控、先进加工工艺、丰富产品矩阵、服务极致用户核心好处：享受美食、获得快乐、萌趣情感体验、感受贴心服务输出要求（严格遵循以下结构，每个模块强关联产品）×××店铺的客户画像输出要求（严格遵循以下结构，每个模块强关联产品）【基本信息】-用户的年龄分布：-用户的性别分布：-用户的城市分布：-用户的职业分布：-平均客单价：-平均购买频次：-用户的主要行为：-用户的咨询的主要关键词及频次：-用户评价内容的主要关键词及频次：-用户在社交媒体的评论内容的主要关键词及频次：×××店铺的客户画像输出要求（严格遵循以下结构，每个模块强关联产品）【用户画像】-姓名：起一个贴切的名字，形象生动，有代表性-年龄：-性别：-职业：-所在城市：-购买能力：-品类偏好：-社媒偏好：-行为特征：-心理特征：-匹配标签：可以同时匹配多个标签×××店铺的客户画像输出要求（严格遵循以下结构，每个模块强关联产品）【照片描述】详细描述用户的外貌、穿着、表情和场景，用于后续AI绘画生成视觉形象。场景需符合坚果食用/购买场景（如办公室下午茶、居家追剧、户外露营），外貌/穿着贴合年轻白领形象，表情传递“享受零食+安心健康”的状态。【购买动机】从客户的评价数据、咨询互动数据和社交媒体发布的评论中挖掘驱动用户购买产品的深层动机。【痛点与挑战】从客户的评价数据、咨询互动数据和社交媒体发布的评论中挖掘客户在购买和食用产品过程中的痛点。【一句金句】有代入感，紧扣“健康零食需求+产品核心优势”，避免空泛。核心原则画像需真实具象，拒绝空泛标签，每个细节都能对应到产品卖点或客户数据；所有维度需服务于营销落地（如媒介偏好指导投放、痛点指导产品优化）；语言生动有场景感，让读者能快速代入目标用户视角。×××店铺的客户画像用AI工具生成客户画像文字描述豆包生成坚果用户画像×××店铺的客户画像用AI工具生成视觉形象客户画像的照片描述为“一位28岁左右的年轻女性，留着利落的短发，穿着简约的白色衬衫和淡蓝色牛仔裤，坐在办公室的休闲区。她面带微笑，眼神满足，正惬意地吃着一小袋开心果。阳光透过窗户洒在她身上，旁边放着打开的电脑，屏幕上是坚果店铺的页面。她的表情传递出享受零食的愉悦，以及对所食用坚果安心健康的信任。”接着运用文生图大模型，如Midjourney、秒画、通义万相等，基于客户画像的照片描述生成视觉形象本报告选择通义万相生成客户画像的视觉形象。登录阿里云通义大模型平台，在模型广场选择视觉模型，然后点击“图片生成”选项卡，再选择通义万相，单击“立即体验”按钮，进入通义万相大模型界面。接着输入提示词，选择生图比例为1:1，分辨率为1280*1280，生图数量选择2，点击“立即生成”按钮×××店铺的客户画像用AI工具生成视觉形象从通义万相生成的视觉形象中选择一个，然后下载到本地×××店铺的客户画像绘制客户画像结合豆包大模型生成的客户画像文字描述和通义万相生成的视觉形象，绘制客户画像，并添加合适的标签RFM分析智能体设计理论知识RFM模型是衡量客户价值与客户创利能力的重要工具和手段RFM模型较为动态地显示了一个客户的全部轮廓，这为个性化的沟通和服务提供了依据RFM模型的分析工具有很多，可以使用SPSS或者SAS进行建模分析，也可以用AI大模型开发智能体，快速实现客户细分RFM分析智能体设计理论知识基于RFM模型，可将客户分成8类RFM分析智能体设计任务内容某化妆品网店的12位客户最近一年的交易记录如表2所示，设计RFM分析智能体，具备基于RFM模型细分客户的能力，准确判别这12位客户分别属于哪种类型，并根据客户分类提出相应的营销策略。客户类型要求分成8类，即重要发展客户、重要价值客户、重要挽留客户、重要保持客户、一般发展客户、一般价值客户、一般挽留客户、一般保持客户数据采集日期为12月31日RFM分析智能体设计任务内容某网店客户交易数据表2某网店客户交易数据

记录ID客户编号收银时间销售金额销售类型100105128012511月5日55正常100220598012572月20日43正常100312228012623月12日125促销100410858012514月10日87正常100428368012534月28日40正常100505608012605月5日99促销100519738012555月19日132促销100617378012526月17日207正常100626188012596月26日63正常100711548012567月11日178促销100731358012617月31日112促销100809298012548月9日77正常100820138012588月20日184正常100915438012559月15日82促销100921378012569月21日90促销1010081880126210月8日54正常1010122380125310月12日100正常1010182680125810月18日72促销1010291480126210月29日136正常1011020380126111月2日148正常1011134280125311月13日220正常1011256180125711月25日45正常1012100380125912月10日79正常1012303880125612月30日152正常RFM分析智能体设计任务要求本任务是一个独立任务，需要学生单独完成，并提交RFM分析智能体链接，要求智能体运行正常，客户分类结果准确，营销策略具有实际应用价值

RFM分析智能体设计任务实施

进入智谱清言AgentMore步骤1智能体调试步骤3撰写《RFM分析智能体设计报告》步骤5创建智能体步骤2智能体分享步骤4做好汇报的准备步骤6RFM分析智能体设计报告（参考报告）进入智谱清言AgentMoreRFM分析智能体设计报告（参考报告）创建智能体添加伙伴RFM分析智能体设计报告（参考报告）创建智能体选择角色模板RFM分析智能体设计报告（参考报告）创建智能体RFM智能分析师的首个任务开发页面RFM分析智能体设计报告（参考报告）智能体调试浏览器中打开RFM智能分析师.HTMLRFM分析智能体设计报告（参考报告）智能体分享RFM智能分析师调试完成，即可通过分享其HTML文件，在组织内实现快速复用，并提升整体运营效率拓展实训04同期群组分析客户评价分析同期群组分析实训背景同期群组分析（CohortAnalysis）是一种数据分析方法，它将具有共同特征（通常指在同一时间段内首次发生某行为）的用户或对象划分为一个群组，然后追踪并比较这些群组随时间变化的行为表现，从而揭示不同群组间的差异和演化规律同期群组分析是测量用户在一段时间内活跃度的工具，能够准确识别随着时间的流逝，用户活跃是否真正地越变越好，而不是随着增长而看似变好同期群组分析实训背景先将店铺中每个月新增客户以及往后每个月的留存数据导出，并将数据整理成成表同期群组一月二月三月四月五月六月七月八月九月十月十一月十二月一月25552215219018581825175216061606146013141095657二月

1314126711681095949949876803730657657三月

1606158915331387124112411095803730657四月

1533149114601314124111681022657657五月

18981854182516791387131412411095六月

1460141513871387138711681022七月

160615391460146013871314八月

1606153313871241949九月

1387132312951241十月

876833752十一月

992876十二月

1168某店铺同期群组分析原始数据表同期群组分析实训背景为了对每个同期群组在后续月份的留存情况进行对比，对上述表格进行数据格式处理同期群组M0M1M2M3M4M5M6M7M8M9M10M11一月25552215219018581825175216061606146013141095657二月1314126711681095949949876803730657657

三月1606158915331387124112411095803730657

四月1533149114601314124111681022657657

五月18981854182516791387131412411095

六月1460