电子商务数据分析与应用（AI+微课版）（第3版） 课件 任务五客单价数据分析

任务五

客单价数据分析EnhanceCustomerValue电子商务数据分析与应用知识

目标理解和掌握客单价的基本概念掌握客单价的计算方法；了解和掌握客单价的影响因素；熟悉客单价的分析指标技能

目标具备基于AI大模型开发与测试基于AI大模型开发与测试关联分析应用的能力具备设计客户复购行为分析报表的能力具备基于AI大模型预测复购概率的能力具备分析客单价案例的能力素养

目标具备运用关联思维分析问题的能力具备较强的逻辑分析能力与人工智能技术应用能力具备全球化的视野和开拓创新的精神培育企业伦理道德，勇于承担社会责任学习目标任务导入01小米的商业智慧任务导入用户共创模式小米的成功，本质是“用户共创”的商业模式从早期MIUI系统的用户反馈迭代到如今小米汽车的用户共创实验室，小米始终将用户纳入产品研发体系人车家全生态小米构建的“1+4+X”战略以手机为核心，连接汽车、电视、笔记本、AIoT四大主场景，覆盖智能穿戴、家居、出行等N个细分领域。精准打造爆品极致性价比的“价值锚点”

生态协同的“降本增效”设计驱动的“颜值经济”用户粘性构壁垒小米建立“用户+生态+爆品”的三维壁垒当用户有3件以上小米设备，更换品牌成本将显著提升小米正在构建“消费数据闭环”小米的商业智慧任务导入小米的商业智慧“用户共创”的商业模式对提升复购率起到什么作用？思考1为什么小米用户平均年消费额能够达到1.2万元，是普通品牌用户的4倍？思考2小米打造爆款的核心能力来自哪里？思考2小米如何构建用户粘性壁垒？思考4基础知识02客单价概述客单价的影响因素客单价的分析指标客单价概述客单价（AverageTransactionValue，ATV）是指在特定时间范围内，每一位客户平均购买商品的金额客单价＝销售总额/客户总数

（1）笔单价＝销售总额/成交总笔数

（2）客单价＝笔单价×人均购买笔数

（3）件单价＝销售总额/支付商品件数

（4）客单量＝销售商品总件数/客户总数

（5）客单价＝件单价×客单量

（6）该网店最近7天的客单价=销售总额/客户总数=966000/4200=230（元/人）

笔单价=销售总额/成交总笔数=966000/4830=200（元/笔）

件单价=销售总额/支付商品总件数=966000/9660=100（元/件）

客单量=支付商品总件数/客户总数=9660/4200=2.3（件/人）客单价概述某女装品牌官方旗舰店，最近7天的访客数是320000人，支付客户数为4200人，交易笔数4830笔，支付商品总件数为9660件，销售额是966000元，计算该网店最近7天的客单价、笔单价、件单价、客单量客单价=销售总额/客户总数=966000/4200=230（元/人）笔单价=销售总额/成交总笔数=966000/4830=200（元/笔）件单价=销售总额/支付商品总件数=966000/9660=100（元/件）

客单量=支付商品总件数/客户总数=9660/4200=2.3（件/人）客单价的影响因素02互补品推荐、场景化推荐、联名推荐、关联规则推荐、协同过滤推荐、内容特征推荐、深度学习推荐关联推荐04向上销售、交叉销售、关联推荐、挖掘用户痛点与创造需求、强调稀缺性与紧迫感客服推销技巧06购买能力强的客户对价格敏感度相对较低客服复购的次数越多，客单价也就越高客户购买能力与复购01设置价格锚点打造升级款商品结构03捆绑销售、买赠活动、降价促销、套餐搭配、店铺优惠券、满就送促销活动05类目的广度类目的深度类目的广度和深度客单价的分析指标任务实战03基于AI大模型开发与测试关联分析应用客户复购行为分析报表设计基于AI大模型开发与测试关联分析应用理论知识关联分析是从大量的数据中发现商品之间的关联关系，再利用这种关联关系设计商品组合，改进货架摆放的位置，促使顾客购买多件商品，从而提高客单价的方法关联分析的目的是从交易数据库中挖掘出强关联规则，Apriori算法是挖掘产生布尔关联规则所需频繁项集的基本算法，也是最著名的关联规则挖掘算法之一Apriori算法就是根据有关频繁项集特性的先验知识而命名的。它使用一种称作逐层搜索的迭代方法，k—项集用于探索（k+1）—项集。首先，找出频繁1—项集的集合．记做L1，L1用于找出频繁2—项集的集合L2，再用于找出L3，如此下去，直到不能找到频繁k—项集基于AI大模型开发与测试关联分析应用理论知识Apriori性质：一个频繁项集的任一子集也应该是频繁项集证明根据定义，若一个项集I不满足最小支持度阈值，则I不是频繁的，即P（I）<支持度阈值。若增加一个项A到项集I中，则结果新项集（I∪A）也不是频繁的，在整个事务数据库中所出现的次数也不可能多于原项集I出现的次数，因此P（I∪A）<支持度阈值，即（I∪A）也不是频繁的。这样就可以根据逆反公理很容易地确定Apriori性质成立基于AI大模型开发与测试关联分析应用理论知识Apriori算法涉及的相关概念事务：事务库中的每一条记录被称为一笔事务项集（T）：包含0个或者多个项的集合称为项集支持度计数：项集在事务中出现的次数支持度（S）：包含项集的事务在所有事务中所占的比例频繁项集：如果对项目集的支持度设定一个最小阈值，那么所有支持度大于等于这个阈值的项集就是频繁项集。关联规则：它其实是两个项集之间的蕴含表达式。如果有两个不相交的项集X和Y，就可以有规则X→Y基于AI大模型开发与测试关联分析应用

ÞÞ基于AI大模型开发与测试关联分析应用

ÞÞ基于AI大模型开发与测试关联分析应用

ÞÞ基于AI大模型开发与测试关联分析应用任务内容以AI大模型为工具，开发基于APRIORI算法的关联分析应用，再以表1中某化妆品网店的交易数据为例，测试关联分析应用，快速从交易数据中找出强关联规则，为商品推荐、促销策略和库存管理提供数据支持，已知支持度阈值α=0.4,置信度阈值β=0.5TIDItem1Item2Item3Item4Item5Item61精华乳精华水

精华霜

2精华乳精华水

洁面乳

隔离乳

精华霜

爽肤水

3洁面乳

爽肤水

4精华乳精华水

洁面乳

精华霜

5精华乳精华水

隔离乳

精华霜

6精华乳洁面乳

精华霜

7精华乳精华水

精华霜

爽肤水

8精华水

精华霜

9精华乳精华水

精华霜

10精华乳精华水

隔离乳

精华霜

表1某化妆品网店的交易数据基于AI大模型开发与测试关联分析应用任务要求本任务是一个团队任务，学生2人一组合作完成并提交《基于AI大模型的关联分析应用开发与测试报告》，字数不限，要求关联分析应用运行正常，结果准确、过程清晰、逻辑严密基于AI大模型开发与测试关联分析应用任务实施运用DEEPSEEK生成关联分析应用项目代码步骤1以表1中某化妆品网店的交易数据为例，测试关联分析应用步骤3做好汇报的准备步骤5在PyCharm中运行DEEPSEEK生成的项目代码步骤2撰写《基于AI大模型的关联分析应用开发与测试报告》步骤4基于AI大模型的关联分析应用开发与测试报告运用DEEPSEEK生成关联分析应用的项目代码在AI大模型中输入提示词基于AI大模型的关联分析应用开发与测试报告运用DEEPSEEK生成关联分析应用的项目代码DEEPSEEK生成项目结构和代码基于AI大模型的关联分析应用开发与测试报告在PyCharm中开发和测试关联分析应用登录PyCharm，在主菜单中单击“新建项目”，解释器类型选择“项目venv”基于AI大模型的关联分析应用开发与测试报告在PyCharm中开发和测试关联分析应用按照项目结构，在关联分析应用项目中建立目录和文件，并复制DeepSeek生成的代码基于AI大模型的关联分析应用开发与测试报告在PyCharm中开发和测试关联分析应用找到sample_data.xlsx文件存放的位置，打开表格，输入表1数据，并保存基于AI大模型的关联分析应用开发与测试报告在PyCharm中开发和测试关联分析应用打开命令提示符窗口，切换到requirements.txt所在目录，然后安装依赖基于AI大模型的关联分析应用开发与测试报告在PyCharm中开发和测试关联分析应用如有软件包未安装，则在主菜单中选择设置，再选择Python解释器，安装对应的软件包基于AI大模型的关联分析应用开发与测试报告在PyCharm中开发和测试关联分析应用运行main.py，依次输入算法参数，最小支持度阈值设为0.4，最小置信度阈值设为0.5基于AI大模型的关联分析应用开发与测试报告找到强关联规则打开根目录/src/results中的sample_data_association_rules文件，显示所有强关联规则客户复购行为分析报表设计理论知识序号分析指标指标意义计算公式1复购客户数统计复购客户人数，衡量复购客户群体规模，是客户忠诚度的直接体现复购客户数

=总客户数-新客户数2复购订单数统计所有非首次订单的数量，反映市场的重复购买需求和业务的持续活跃度复购订单数

=总订单数-新客户订单数3客户复购率从客户角度分析复购情况，比例越高，说明客户整体粘性和忠诚度越强客户复购率

=(复购客户数/总客户数)*100%4订单复购率从订单角度分析复购情况，比例越高，说明业务收入越依赖老客户的持续购买订单复购率

=(复购订单数/总订单数)*100%5平均复购周期所有复购用户每次购买间隔时间的平均值，用于衡量客户购买习惯和消费周期的关键指标1.先计算每个复购客户的购买时间间隔

2.然后求所有复购客户的平均值6购买频次平均每个客户的订单数，是评估客户活跃度和价值的重要基础指标购买频次

=总订单数/总客户数7客户复购排行榜按客户的复购订单数排序，用于识别高价值核心用户，以及客户复购行为的变化1.为每个客户计算其累计复购订单数

2.按该数值从高到低进行排序8品类复购排行榜按产品品类统计复购订单数并排序，用于识别高潜力商品，以优化商业决策1.为每个产品品类计算其累计复购订单数

2.按该数值从高到低进行排序表1

客户复购行为分析指标客户复购行为分析报表设计任务内容某店铺客户订单数据如表2所示，一共有8个字段，分别是order_id（订单ID）、customer_id（用户ID）、order_date（下单日期）、product_category（产品品类）、amount（交易金额）、is_first_order（是否为新订单）、first_order_date（首单日期）、payment_method（支付方式），请据此运用可视化工具设计客户复购行为分析报表，分析指标包括复购客户数、复购订单数、客户复购率、订单复购率、平均复购周期、购买频次、客户复购排行榜、品类复购排行榜等，其中复购客户数、复购订单数、客户复购率、订单复购率、客户复购排行榜、品类复购排行榜可按月变动客户复购行为分析报表设计任务内容order_idcustomer_idorder_dateproduct_categoryamountis_first_orderfirst_order_datepayment_methodD00001CUST_MNO25752025/12/1家居用品315.7TRUE2025/12/1微信支付D00002CUST_VWX91912025/12/1运动户外1165.2FALSE2025/12/1信用卡D00003CUST_DEF08702025/12/1运动户外1309.55FALSE2025/12/1微信支付D00004CUST_STU88542025/12/1图书文娱199.07FALSE2025/12/1支付宝D00005CUST_ABC17382025/12/1服装792.92FALSE2025/12/1支付宝D00006CUST_PQR62642025/12/1服装325.41FALSE2025/12/1微信支付D00007CUST_JKL79332025/12/1服装94.59FALSE2025/12/1支付宝D00008CUST_DEF44462025/12/1食品饮料284.24TRUE2025/12/1信用卡D00009CUST_MNO25752025/12/1运动户外1295.91FALSE2025/12/1支付宝D00010CUST_DEF44462025/12/1家居用品172.02FALSE2025/12/1微信支付…………………………………………表2某店铺客户订单数据客户复购行为分析报表设计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《某店铺客户复购行为分析报表设计报告》，字数不限，要求计算准确、布局合理、过程清晰、具备动态更新数据的能力客户复购行为分析报表设计任务实施选择合适的可视化分析工具步骤1制作“月份选择”切片器步骤3绘制平均复购周期分布图与月均复购频次图步骤5绘制复购客户数、客户复购率、复购订单数、订单复购率的卡片图步骤2绘制客户复购率变动趋势图与订单复购率变动趋势图步骤4建立客户复购排行榜、品类复购排行榜步骤6撰写《XX店铺客户复购行为分析报表设计报告》步骤7做好汇报的准备步骤8某店铺客户复购行为分析报表设计报告一、选择可视化分析工具

数据可视化分析常用的工具有PowerBI、Tableau、FineBI、QlikSense等等。其中PowerBI是一款性价比高的商业智能工具，能够创建动态交互式报表，用户可以通过筛选器、切片器等元素自由探索数据，实现数据的动态展示，尤其适合企业用户。它能够与Excel、SharePoint、Azure等无缝集成，方便数据分析和报告生成。因此本报告选择PowerBI作为可视化分析工具某店铺客户复购行为分析报表设计报告二、计算及展示复购客户数、客户复购率、复购订单数、订单复购率

将某店铺客户订单数据导入PowerBI。先绘制复购客户数卡片图，切换至报表视图，点击主页频道的新建度量值，输入计算公式“复购客户数=CALCULATE(DISTINCTCOUNT('客户订单数'[customer_id]),'客户订单数据'[is_first_order]=FALSE)”，计算公式可通过DEEPSEEK等大模型生成。同样的方法生成新的度量值，包括复购订单数、客户复购率和订单复购率

接着在可视化面板单击“卡片图”，将该视觉对象添加到报表，然后将复购客户数度量值拖入卡片图字段选项卡的添加数据字段，再在格式选项卡里修改标题为“复购客户数”。同样的方法，将客户复购率、复购订单数、订单复购三个度量值的卡片图添加到报表某店铺客户复购行为分析报表设计报告二、计算及展示复购客户数、客户复购率、复购订单数、订单复购率

然后制作切片器，先切换至数据视图，点击主页频道上的“新建列”，输入公式“月份选择=FORMAT([order_date],"YYYY年MM月")”在表格里添加月份选择列，用于按月筛选数据。又切换至报表视图，在报表区域最上方添加切片器视觉对象，将切片器字段设置为月份选择。这样，复购客户数、客户复购率、复购订单数、订单复购四个卡片图的数值会跟随切片器上月份的变化而变化

某店铺客户复购行为分析报表设计报告三、绘制客户复购率变动趋势图与订单复购率变动趋势图

继续新建度量值客户复购率，计算公式为“客户复购率=DIVIDE([复购客户数],DISTINCTCOUNT('客户订单数据'[customer_id]),0)”然后在报表添加折线图视觉对象，接着将折线图的轴字段设置为月份选择，值字段设置为客户复购率，在格式选项卡修改标题为“客户复购率变动趋势图”。再点击月份选择切片器，进入格式频道单击“编辑交互”，关闭折线图与切片器的连接，折线图就会显示所有月份的客户复购率数据。同样的方法绘制订单复购率变动趋势图

某店铺客户复购行为分析报表设计报告四、绘制平均复购周期分布图与购买频次分布图

先绘制平均复购周期分布图，在数据视图上方点击新建列，计算公式为“复购周期分组=VARCurrentCustomer='客户订单数据'[customer_id]//获取该客户的所有订单VARAllOrdersForCustomer=FILTER(ALL('客户订单数据'),'客户订单数据'[customer_id]=CurrentCustomer)//计算订单数量VAROrderCount=COUNTROWS(AllOrdersForCustomer)//如果是单次购买，直接返回RETURNIF(OrderCount=1,"0天",VARFirstOrderDate=MINX(AllOrdersForCustomer,'客户订单数据'[order_date])VARLastOrderDate=MAXX(AllOrdersForCustomer,'客户订单数据'[order_date])VARDaysBetween=DATEDIFF(FirstOrderDate,LastOrderDate,DAY)RETURNSWITCH(TRUE(),DaysBetween<=5,"5天",DaysBetween<=10,"10天",DaysBetween<=15,"15天",DaysBetween<=20,"20天",DaysBetween<=25,"25天",DaysBetween<=30,"30天",DaysBetween<=35,"35天",DaysBetween<=40,"40天",DaysBetween<=45,"45天",DaysBetween<=50,"50天",DaysBetween<=55,"55天",DaysBetween<=60,"60天",DaysBetween<=65,"65天",DaysBetween<=70,"70天",DaysBetween<=75,"75天",DaysBetween<=80,"80天","80天以上"))”

某店铺客户复购行为分析报表设计报告四、绘制平均复购周期分布图与购买频次分布图

平均复购周期指的是客户两次购买之间的平均时间间隔。而平均复购周期分布图，则是将客户按照其复购时间间隔（如0-5天、5-10天等）分组，直观显示各时间段内客户数量的分布情况。

切换至报表视图，新建度量值，计算公式为“各分组客户数/人=CALCULATE(DISTINCTCOUNT('客户订单数据'[customer_id]),ALLEXCEPT('客户订单数据','客户订单数据'[复购周期分组]))”某店铺客户复购行为分析报表设计报告四、绘制平均复购周期分布图与购买频次分布图

在可视化面板单击“面积图”，将该视觉对象添加到报表，接着面积图的轴字段设置为复购周期分组，值字段设置为各分组客户数/人，在格式选项卡修改标题为“平均复购周期分布”

接着绘制购买频次分布图，继续新建度量值，计算公式为“购买频次=DIVIDE([复购订单数],[复购客户数],0)”再在报表区域添加簇状柱形图视觉对象，设置轴字段为月份选择，值字段为购买频次，在格式选项卡修改标题为“购买频次分布”并解除与切片器的绑定，显示全部数值某店铺客户复购行为分析报表设计报告五、建立客户复购排行榜、品类复购排行榜

先建立客户复购排行榜，需要新建度量值，计算公式为“用户复购订单数=CALCULATE([复购订单数],ALLEXCEPT('客户订单数据','客户订单数据'[customer_id],'客户订单数据'[月份选择]))”

接着在报表区域添加族状条形图视觉对象，设置轴字段为customer_id，值字段为用户复购订单数，即可显示每个月的客户复购榜单。同样的方法建立品类复购排行榜某店铺客户复购行为分析报表设计报告五、建立客户复购排行榜、品类复购排行榜

拓展实训04基于AI大模型的复购概率预测客单价

案例分析基于AI大模型的复购概率预测实训背景复购概率是衡量客户关系健康度的关键指标。通过分析客户的历史行为、属性和交互数据进行复购概率预测，量化该客户在未来一段时间内再次购买产品或服务的可能性。其主要作用是提高客单价、提升营销的精准度，增加客户留存率，优化运营效率复购概率预测过程比较复杂，难度比较大，通常采用机器学习模型。但借助AI大模型可以快速实现，具体方法是将客户订单数据上传AI大模型，如DEEPSEEK，然后输入提示词，例如“根据上传的客户订单数据，预测每个用户在未来3个月的复购概率，你需要考虑到用户的历史购买频率、时间衰减因子、历史购买规律因子、调整系数（