第一章：为什么要学习商业数据分析？

1.2.1 定义分析问题，明确分析产出

首先，将宽泛的“分析平台用户经营状况”拆成可回答的小问题。按照商业数据分析中最常见的三层问题结构，可归纳为：

• WHAT 问题：当前用户经营处于什么水平？与过去几年相比，用户在购买金额、消费品类、城市结构等方面发生了什么变化？
• WHY 问题：这些变化背后的原因是什么？是平台商品、价格、促销、服务体验的影响，还是外部竞争或用户结构变化所致？
• HOW 问题：针对这些原因该做什么调整？如何验证调整确实带来了经营结果的改善？

这三类问题的难度和价值依次递增：WHAT 描述过去，WHY 总结规律，HOW 预测并干预未来。其中 HOW 商业价值最大，但回答 WHY 和 HOW 也需要更严谨的数据与实验设计。

接下来判断交付物形式。商业数据分析常见的交付物有三种：

• 可视化报表（Dashboard）：用指标与趋势图帮助业务方自助监控与诊断，适用于常态化监控场景。
• 数据服务（DaaS）：以规则、标签、模型评分等形式嵌入运营系统，实现自动化策略迭代。
• 专项分析（Ad hoc analysis）：围绕核心经营问题做拆解、验证与结论，通常以分析报告形式交付，用于支撑决策层共识。

在本项目中，初期以专项分析回答经营状况与改进方向，达成决策共识后，再搭建 Dashboard 持续监控关键指标，并通过 DaaS 将模型评分接入运营系统，实现自动化推荐与触达。

1.2.2 整合内部数据，拓展外部数据

解决问题所需的数据可按来源分为内部与外部两类（见图 1-4）。内部数据主要是线上行为与交易数据；外部数据则包括用户态度、竞品表现等定性或半定量数据。

从内部数据看，电商平台可沿用零售业的“人、货、场”框架拆分：

• 人：用户注册时间、来源城市、年龄性别、打开 APP 的时段与时长等。
• 货：商品品类、价格、销售额、促销力度、历史折扣等。
• 场：APP 页面与模块的曝光、点击、转化路径等。

由于要回答“当前”经营状况，数据时间范围要足够长。本项目以最近一个完整年度（2019 年）为基础，以上一年（2018 年）为核心对照，并结合 2017–2019 年三年数据观察趋势。仅看行为数据无法解释动机，因此还配合了用户满意度调研与 NPS 数据；在法律允许范围内，也参考了主要竞品的同期表现。

最终，围绕用户经营这一核心问题，数据被整理成类似下表 1-1 的结构：每一行是一个用户，列上聚合了年龄、城市、交易金额、交易次数、品类偏好、满意度评分等信息。把底层订单加工到“用户级”是后续所有分析的前提。

1.2.3 选定分析方法，推导分析结论

数据完备后，进入分析推导。本案例涉及的数据量级大、拆分维度多，下面按“整体 → 老客 → 新客”的层次展开，每一层都先回答 WHAT，再追问 WHY，最后形成可验证的 HOW 假设。

第一步：整体增长与新老客贡献

从汇总数据看，平台 2018 年 GMV 为 1,831 亿元，2019 年达到 2,332 亿元，同比增长 27%；而 2017 到 2018 年的增速为 30%。整体仍在增长，但增速有所放缓（见表 1-2）。

进一步按新老客拆分（见表 1-3），2019 年老客贡献 GMV 1,516 亿元，占总 GMV 的 65%，但对当年增量的贡献仅为 5%；新客贡献 GMV 816 亿元，占比 35%，却贡献了增量的 22%。简言之：老客是存量基本盘，新客是增长主要来源。

第二步：老客诊断——为什么老客增长乏力？

具体到本案例，我们沿着两条最直观的主线切分老客：一条是“时间”（用户与平台相处的年数，即站龄），一条是“钱”（消费金额与品类宽度）。之所以选这两条线，是因为“老客整体增长乏力”本身是个笼统问题——只有顺着时间和花的钱一路下钻，才能回答它背后真正的疑问：是长期老客在流失？是高价值客户没有守住？还是其实有一批老客在上行、只是被整体均值掩盖了？下面三个小节，就是沿这两条主线逐层下钻的结果。

（1）老客价值随“站龄”大幅提升，流失代价高

将老客按首次购买后的年数分组观察，会发现一个清晰的规律：用户留存越久，人均 GMV 越高，流失率越低。第 1 年新客的人均年 GMV 约为 1,100–1,200 元，而 5 年以上老客可达 9,000 元以上，相差约 7–9 倍；同时，5 年以上老客的次年流失率已降至 10% 以下，而第 1 年新客的次年流失率超过 50%。

这说明：老客，尤其是长期老客，是平台最宝贵的资产。老客增长乏力，首先不是一个“增量”问题，而是一个“防止流失、保住存量”的问题。

（2）高价值老客集中度高，且存在下行与流失风险

按 2018 年消费金额将老客分为十档，前 20% 的高价值客户贡献了约 80% 的老客 GMV。但这群核心客户中，超过一半在 2019 年出现消费下行，约 16% 直接流失；两者合计损失的 GMV 远大于中低价值客户。也就是说，老客增长停滞的核心风险点，不是“中低价值客户没增长”，而是“高价值客户没有守住”。

（3）上行的老客发生了什么行为变化？

在守住存量的同时，还要找出“什么样的老客会增长”。将 2019 年消费高于 2018 年的老客（R1 类）单独分析，发现他们的提升主要来自两个方面：购买频次增加和笔单价提高；而笔单价的提高，又与品类扩张高度相关——这类用户平均购买品类从 2018 年的约 6 个增加到 2019 年的超过 10 个。

进一步看新增品类分布，家居家装、服饰鞋包、食品饮料等品类对上行贡献最大。同时，价格分析显示，高价值老客在 3C 数码、家用电器、电脑办公等“高客单品类”上的件单价溢价显著；而在服饰、个护等新兴品类上的溢价相对较小。这意味着：品类扩张既包括“继续买更贵的高客单品类”，也包括“开始买平台此前供给不足的新兴品类”。

综合以上三点，老客策略可以形成一个清晰的假设：对高价值、长期老客，重点防止流失；在此基础上，通过品类推荐与会员权益刺激他们扩充购买品类、提升频次。

第三步：新客诊断——新客从哪里来，怎样才能留下？

（1）新客结构在变化：城市线级与首购品类同时迁移

2017–2019 年间，平台新客来源呈现明显下沉：一二线城市新客占比逐年下降，三到六线城市新客占比持续上升；同时，三到六线城市新客的人均首年 GMV 在上升，一二线城市反而略有下降。这意味着增量用户画像与早期用户不同：他们对价格更敏感，首购品类也更偏向服饰鞋包等日常消费品，而非 3C、家电等高客单品类。

这一变化对新客运营有两层含义：第一，获客与首购转化策略需要适配下沉市场；第二，不能指望新客复制早期“高客单 3C 首购”的路径，必须找到新的复购激发点。

（2）复购窗口：早期复购者价值更高，但只是相关而非因果

在新客中，将已经产生二次购买的 N2 用户按首购到复购的时间差分组，会发现一个强相关：首购后 1–2 周内复购的用户，其首年消费金额比 9–12 周才复购的用户高出 20% 以上；随着复购时间推迟，人均年 GMV 几乎单调下降。

但这里有一个关键的逻辑陷阱：这些数据只说明“早期复购者本身是更高质量的用户”，并不证明“如果我把所有新客都催着在 1–2 周内复购，他们的价值就会提高”。早期复购者可能是更刚需、更活跃、消费能力更强的人群——这是自我选择，不是干预结果。因此，1–2 周窗口更应被看作一个高价值识别信号与运营机会窗口，而不是已被证明的“催熟杠杆”。能否真正通过提前触达提升价值，必须交由实验验证。

（3）复购品类：首购品类最可能被复购，服饰鞋包是次强相关

再看复购品类与首购品类的关系：同一品类被复购的概率最高，矩阵对角线明显突出；而在跨品类中，服饰鞋包是最常见的二次购买品类。这说明，对新客的早期引导，应该优先基于“你首购的品类还有什么可买”，其次才是“服饰鞋包等高频日常品类”。

综合以上三点，新客策略的假设是：抓住首购后 1–2 周的关键窗口，结合首购品类与服饰鞋包做个性化推荐，帮助新客完成从 0 到 1、再从 1 到 2 的跨越。

第四步：从诊断到策略假设

到这一步，分析已经从 WHAT 推进到 WHY，并形成了可落地的 HOW 假设：

• 老客策略假设：高价值老客是 GMV 基本盘，防止流失优先；对可上行的老客，通过高客单品类与新兴品类的推荐，结合会员激励，提升品类宽度与购买频次。
• 新客策略假设：新客增量来自下沉市场与日常消费品首购，应在首购后 1–2 周内，通过首购品类相关推荐与服饰鞋包等高频品类完成复购转化。
• 品类与供给策略假设：新兴品类与下沉市场价格带的供给丰富度，是新客留存与老客上行共同依赖的基础设施。

需要再次强调：这些只是经过数据诊断后形成的业务假设，而不是已经被证明的结论。把它们从假设变成可执行策略，需要第四步的验证与落地。

1.2.4 推进决策落地，复盘诊断结果

分析报告不是终点。商业数据分析的最大价值在于优化决策，而决策是否优化，最终要用实际经营结果来评估。

以新客策略为例，假设在没有任何干预时，每 100 个完成首购的新客中，有 20% 会在一年内复购两次以上。如果按照 1.2.3 的假设，从某月开始对首购新客在 1–2 周内推送品类相关推荐，并持续观察后续转化，可能会看到 N2 比例有所提升。但仅凭趋势变化不能归功于策略——大促、节假日、竞品变化都可能同时影响结果。

因此，有效的复盘必须依赖商业实验：随机抽取两组在用户特征、首购品类、城市线级、历史行为上尽量一致的新客，对其中一组施加“1–2 周窗口 + 品类推荐”的干预，另一组保持现有运营节奏或营销静默，最终以两组的 N2 转化率、首年 GMV 等指标差异来验证策略是否有效。老客的上行策略也应采用同样的实验方法，例如对高价值老客随机分组，验证品类推荐与会员权益组合的效果。

在验证有效后，项目进入规模化落地：通过 Dashboard 持续监控老客流失率、新客 N2 转化率、复购窗口转化率等核心指标；同时把推荐模型与用户标签以 DaaS 形式接入运营系统，实现自动化、个性化的用户触达。至此，从问题定义、数据整合、分析诊断、策略假设到实验验证与产品化落地，一个完整的商业数据分析闭环才得以形成。

1.3.1 中信银行用数据实现立体化的融合营销

公司官网：www.citicbank.com ↗

商业数据分析在银行业有着巨大的应用潜力。银行业拥有足够的用户体量和底层数据量，而且对底层 IT 建设投入资源巨大，在数据的规范性和治理上要远好于消费品企业。银行遍布全国的网点门店，不仅能够获得对客户的更直接认知，也可以让数据分析有更多渠道的应用。

中信银行自 2016 年起就着力通过数据建立可持续优化的客户经营体系，从总行管理层入手深化了客户全生命周期管理的思维。在数字化系统上，银行建立了包含营销活动管理、精准营销模块、营销事件管理的零售 CRM 系统；同时围绕用户建立了五大类数据，分别是：

• 特征数据：性别、职业、收入、年龄、资产、风险预警、房车信息
• 行为数据：渠道偏好（手机或网点）、常访问的网点地址
• 交易数据：信用卡消费水平、消费商户类别（如餐饮、美妆等）
• 产品数据：投资、存款、贷款、保险等产品的持有数量、金额、种类等
• 活动数据：参与的营销渠道（APP、微信、短信）、响应的活动类型等

在对理财到期客户的手机银行浏览数据分析中，银行发现：对比整体 60% 的理财到期续购率，在到期前曾浏览银行端理财产品的客户，续购率会提升到 70%。进一步的拆分发现，浏览投资理财类产品主要发生在理财到期 4 日以内；若选择购买，则购买行为发生在浏览行为 3 日内的概率是 90%。但另一方面，如果客户浏览的理财产品数量达到 4 个，却仍未出现购买行为，则客户在到期后流失的可能性为 75%。

银行基于这些数据设计了线上线下协同营销方法：首先通过短信提示客户购买的理财产品即将到期；接着根据用户的浏览信息，基于上述预测分析做分层触达。第一层是通过自动化触达为客户推荐相关产品；若客户没有响应，则根据其产品净值升级到「客户+权益」组合——即在指定时间内完成理财产品续购，即可获得机场 VIP 休息室、积分商城等增值权益。如果客户仍未购买，则将客户信息通过内部 CRM 系统推送给客户经理，由客户经理优先电话触达，配合产品与权益信息进行挽留。

1.3.2 借力亚马逊数据，安克成就跨境电商传奇

公司官网：www.anker.com ↗

移动电源市场有着巨大的价值潜力，据专业机构报告，该市场 2020 年的全球规模在 212 亿美元，而到了 2030 年则会达到 386 亿美元。经营于这个市场的许多品牌都默默无闻，但来自中国的安克（Anker）却是例外：自 2011 年在亚马逊销售以来，安克的销售额在五年内实现了 30 倍的增长，目前产品在 100 多个国家和地区畅销，坐拥 3000 万忠实用户，用户平均复购 2.7 次。

安克从 0 到 1 成长为移动电源市场上的新兴品牌，被许多中国同行称为「跨境电商之神」。但令人称道的是，它的创始人阳萌（Steven Yang）却没有任何电子制造业的经验——他曾是谷歌的一名软件工程师。一次偶然的机会，他为了帮助在亚马逊销售产品的朋友搭建了一套软件系统，在这个过程中，他对第三方公司在亚马逊平台的销售体系，特别是如何用亚马逊提供的各种数据找到新产品机会，有了深刻的理解。

在亚马逊虚拟货架的海量产品之中，他敏锐地发现了智能设备配件领域的市场机会。最早安克的产品主攻笔记本电池：在 2010 年左右，许多笔记本电池通常使用两三年之后就需要更换，而原装电池通常定价在 70–80 美金，许多杂牌电池价格便宜但质量不佳。笔记本电池成为安克成长的第一桶金；随后安克的管理团队又依靠类似的数据方法锁定了新的产品线，也就是智能手机的充电器。2012 年安克推出了应对苹果和安卓之间充电规范不同的双系统充电器，基于亚马逊平台上用户对该产品的反馈持续迭代，增加了口红造型以及各种配色，进一步奠定了安克作为第三方电池品牌的领导地位。

在安克成功的路上，亚马逊平台提供的各种数据成了公司决策的关键。一方面，亚马逊给卖家提供产品行为数据——用户从什么关键词而来、产品的曝光量和转化率、以及用户购买后的评价数据，这些都帮助安克实现产品创新。由于许多欧美消费者对当时泛滥在亚马逊上的杂牌充电设备抱怨颇多，为了不让顾客觉得安克的产品低质，团队在产品包装上都花足了心思。另一方面，亚马逊平台也提供了多种广告模式，熟悉平台规则的安克团队打造出了高投入产出的页面设计和促销方式，在亚马逊上搜索手机充电类关键词，都能在显著位置看到安克产品。

如今安克已经在谷歌和美国各大社交媒体上做了多种广告投放，充分吸纳多渠道的流量资源。从 2015 年开始，安克进军线下零售渠道，如今已有近 30% 的公司营收来自沃尔玛等商超。通过更全面的数字化营销手段，配合多样化的新产品，安克正成为消费电子领域一家具有独特影响力的品牌。

1.3.3 DataVisor智能风控与欺诈者的数据攻防

公司官网：www.datavisor.com ↗

在移动互联网及电商的发展过程中，各种形式的欺诈也日益增多。如今互联网欺诈已经形成了巨大的「黑色产业」，渗透到了账号注册、身份伪造和借贷支付等各个环节。在企业的营销活动中，各种羊毛党和黄牛党极大影响了用户体验和活动效果；而在支付相关场景中，通过系统漏洞非法盗用账户资金，或骗取用户账号购买游戏点卡等，可能给企业造成巨额经济损失。据有关机构统计，每年各种网络欺诈行为在金融、游戏、电商等行业造成的损失高达 4000 多亿元。

DataVisor 要从人群中识别出看似正常、但背后又有潜在类似性的欺诈行为。它所利用的数据包括用户注册的时间、注册名是否有大写、IP 是否来自某个数据中心（可能使用了代理服务器）、使用的浏览器或手机系统版本等。黑产要想取得利润，就必须使用自动化工具进行批量化操作，这也给反欺诈者的防御提供了潜在线索。比如说表 1-10 是一批新注册用户的例子，可以看到他们在信用评分机构的评分都很高，也不在公司的黑名单库中，看起来似乎无懈可击。

但经过细查，这些用户都申请了同样的信用卡产品，且使用的都是老旧手机 iPhone 5；特别是看似正常的邮箱，其实都是「名+姓+生日」的固定组合格式。这些都暴露了机器批量操作、利用旧手机和虚假信息去申请信用卡的欺诈行为所产生的蛛丝马迹。正因为这些千变万化的欺诈手段，如果始终依赖标签化处理已知欺诈行为、再去训练模型识别这些欺诈，就会让企业始终处于被动状态。

DataVisor 就是这样依靠从大量用户行为活动数据、设备指纹数据、交易数据、用户生成文本数据等原始数据，构建了覆盖用户全生命周期的风控产品体系，将前沿的机器学习技术落地应用于风控业务，保护了全球超过 42 亿的账户安全。

1.3.4 百联数字化让零售活起来

公司官网：www.bailiangroup.cn ↗

百联集团拥有购物中心、超商、综合百货等核心业务，在全国 25 个省市约 7100 余家营业网点，涵盖了国际商贸流通集团现有的各种业态，如百货、标准超市、大卖场、便利店、购物中心、品牌折扣店、商业连锁和物流等。

根据德勤《中国零售企业数字化转型成熟度评估报告》，传统零售业在数字化平台运营、数字化客户体验以及全渠道触点上都还有较大的成长空间。传统零售企业普遍面临数据维度单一的问题：对消费者的理解停留在交易上，对其商品选择和消费动机缺乏认知，也因此无法对客户需求开展品牌选择和权益管理上的服务。

百联集团从 2015 年成立全渠道的电子商务公司，实现了线上数据和商品中台化管理，推进了会员和营销一体化建设。同时集团加强了底层数字化应用的科技创新，从人、货、场三个方面赋能前端的各种业态。遍布卖场各处的智能设备——包括采集客流的摄像头以及与顾客交互的智能终端——能将商场内的流量、转化、粘性和商品数据都进行自动化收集处理。与纯线上的流量相比，线下流量包含了进店人数、在店停留时长、密度分布等数据；在商品侧的漏斗则可以通过摄像头数据观察到「品类区域 → 货架停留 → 商品触达 → 购物交易」的实体漏斗，这些对于了解顾客的购物习惯和动机有着非常重要的意义。

在数字化转型的背景下，门店不再只是销售载体，而成为了围绕用户的数字化运营中心。基于智能设备的客户追踪，通过了解客户动线和偏好、记录客户场内信息，店内实时分析能提升消费者体验和减少库存遗失；店内的互动广告可以提供导购、增强互动娱乐性，并能通过活动形式打通百联集团整体的线上线下会员。配合人脸识别的自助结账设备，可以将用户加入会员、使用积分等功能变得更便利；而随着具备物联网功能的智能货架加入，不仅门店的库存管理可以得到改善、实现自动化监控与补货，更可能根据整体客户需求变化实现自动化的价格折扣。这些数字化的创新，使得百联集团在数字化消费体验和智能管理运营上日益高效，线上线下融合、提高单店坪效，真正让传统零售在互联网+的时代活起来。