当外行数据分析师面临GMV下滑、业务配景朦拢的逆境开云体育，AI器用若何从'取数机器'升级为'分析伙伴'？本文通过toB餐饮生鲜供应案例，拆解从客户画像构建、见识关系梳理到业务假定考据的全经由。从RFM客户分层到价钱敏锐度测试，揭示若何让AI辅助完成从数据清洗到决议提倡的闭环，匡助分析师跳动'取数-知悉'的界限。

忙于取数、清寒辅导率领、对业务不老成，是阻扰新东谈主成长的三座大山。比如这位同学在常识星球的发问，几乎是多样贫困都集皆了：

此时，径直问AI，能够率会得到一堆空论（如下图）

要若何提高呢？今天详备先容一下：若何从0到1诞生念念路，况兼用好AI器用。

从客户画像开动

这位同学的业务场景是：toB餐饮生鲜供应+销售场景。toB场景下，大企业的需求是固定的。淌若大企业在我平台采购少，只可诠释我司还没获得东谈主家的信任。

比如餐饮生鲜供应，可以瞻望到是：

1、大企业：大型政企食堂/连锁餐饮/大型酒楼/连锁超市

2、中小企业：频频超市/二级批发商

3、散客：微型店铺/小餐馆/个东谈主权谋者

此时，基于客户企业称号、企业注册信息等，可以径直在数据库里，诞生见识画像，把大客户/散客标识出来，并集结RFM顺次，对客户过往采购记载分辩高中低水平，从而认清见识市集（如下图）

这一步，需要缜密清点数据，可以让AI给教唆，然而不太能指望AI从0搞起来，数据清洗与客户主数据科罚得先作念好。这么打好地基，后续真切就越来越容易。

梳理见识关系

该同学描摹见识的章程杂沓词语！其实悉数这个词见识关系，可以重新梳理（如下图）

这么理清，能从总体到局部逐层真切，比如：

1、事迹不成，是不是因为过问用度也少了，投产比本色上没变

2、事迹不成，是不是因为用度过问地点变了，作念了无须功

3、事迹不成，是不是居品结构变了，太多高质料高价/低质料廉价居品

4、事迹不成，具体是客户数目少了，依然下单数目少了

这一步，关于训戒少的同学， 可以用AI辅助，因为每个行业收入-资本-利润的报表结构相对固定，AI可以帮你快速摆老履历，后续我方再转换补充细节。

真切业务细节

事迹径直和销售经由考虑。toB销售中，可能有：业务员主动拓荒+客户我方下单两个方法，可以集结新客户造访经由/老客户下单经由，理清销售过程见识，再集结漏斗分析法，看具体哪个设施/哪类客户出了问题（如下图）

集结数据，可以发现：

1、淌若是新客户数目少了，就不息真切到萍踪开始+造访得胜率

2、淌若是新客户下单少了，就看主推居品品类+价钱

3、淌若是老客户下单少了，先查之前是否有配送交货问题

4、关于散客少了，只可死力拉新，大客户则看销售是否端庄到位

现在径直上传数据给AI还有较大风险，不提倡径直传数。漏斗分析自己不复杂，找到编削率低的设施后，提业务假定是相对复杂的。可以让AI辅助这一步。输入企业配景+问题（如新客户数目减少）让AI给分析假定与模拟数据样例，我方集结里面数据进行考据和判断

忖度业务步履后果

“选商户平凡购买的品类提高价钱”，是一个业务作念的提高事迹的行为。这种对具体业务行为的分析，要先提分析假定。

比如加价提高事迹：

最佳情况：选品是高溢价、高品性的非标品，比如小青龙，车厘子之类，客户很难横向对比价钱，加上自己品性可以，对价钱没那么敏锐，那加价也能汲取。最差情况：选品是频频的、品性区分度不大的标品，比如米面油蛋，客户一看“诶呀，你比市集价贵那么多！”就跑掉了。

在作念分析的时分，可以把上述假定表述如下：

这么数据出来以后，径直不雅察松手就行了

1、步履上线以后，举座事迹是上涨（得胜）依然握平、下落（失败）

2、步履刺激的品类，哪些价钱敏锐度高（失败）哪些敏锐度低（得胜）

3、参与步履的客户，是否举座销耗减少（失败）是否转向采购未提价商品（失败）这么的分析，也能辅助到关节的业务决议

本文由东谈主东谈主都是居品司理作家【接地气的陈真挚】，微信公众号：【接地气的陈真挚】，原创/授权 发布于东谈主东谈主都是居品司理，未经许可，破损转载。

题图来自Unsplash开云体育，基于 CC0 公约。