第28章 数据分析进阶：用户画像与预测

你可能要问：我每天都在看后台数据，访客数、转化率、销售额，难道还不够吗？

远远不够。

看数据就像看仪表盘上的时速和油量——你知道车在跑、油在少，但不知道发动机哪里在发热、哪个轮胎要爆胎、下一个服务区在哪里。真正的数据高手，是能通过数据预测未来的。

本章，我们就来干三件大事：

1. 给用户画像——让数据告诉你，谁才是你的“金主爸爸”。
2. 用RFM模型——把用户分成三六九等，精准“收割”。
3. 预测爆款——在别人还在犹豫时，你已经把子弹上膛了。

准备好了吗？我们开始拆解。

28.1 用户画像构建：标签体系与行为路径

28.1.1 为什么你总感觉“用户是陌生人”？

很多卖家每天看数据，却连“谁在买你的东西”都说不清楚。

你可能会说：“我的用户是25-35岁的女性，喜欢便宜货。”

这种说法，等于没说。因为全中国有一亿个这样的女性，她们凭什么买你的？

真正的用户画像，是一张“通缉令”——上面写着：身高、体重、习惯、弱点、最近在哪出没。

怎么画？靠标签体系。

28.1.2 标签体系：给用户贴“身份牌”

想象你在经营一家母婴店。一个用户来了，你不能只知道她是“女性”。你要知道：

• 基础标签：年龄、城市、职业、婚姻状况
• 行为标签：浏览了哪些商品、收藏了什么、加购了什么、买了什么
• 价值标签：消费金额、购买频次、最后一次购买时间
• 偏好标签：喜欢高性价比还是高端品牌？偏好棉质还是丝绸？

怎么建？ 用Excel就能干。

看到没？用户10001是黄金用户：年轻、在上海、最近刚买、消费能力中上。用户10002是沉睡用户：只买过一次、60天没来了。用户10003是流失用户：半年没交易了。

记住：没有标签的用户，就像没有地址的信件——你永远不知道寄给谁。

28.1.3 行为路径：用户在你店里“逛街”的路线

光有标签还不够，你还要知道用户是怎么“逛”到你店里的。

用户行为路径 = 来源 → 浏览 → 互动 → 成交 → 复购

举个例子：

• 来源：从抖音视频点进来的
• 浏览：看了3个商品，分别是A款连衣裙、B款T恤、C款包包
• 互动：收藏了A款，加购了B款
• 成交：最终买了B款
• 复购：7天后又回来买了A款

你发现了什么？ 用户第一次没买A款，可能是因为价格。7天后回来买，说明她一直在惦记。

怎么办？ 给A款发一张“定向优惠券”，告诉她：“你上次看过的A款现在降价了，限时24小时。”

这就是行为路径的价值：让你知道用户“想要但没买”的是什么。

28.1.4 回头客判断：别把“同一天买两次”当成回头客

这里有个坑，很多新手会踩。

素材1里提到一个关键细节：判定回头客时，要不要按天合并订单？

比如一个客户一天内买了两次：

• 第一次：买了1件T恤
• 第二次：又买了1件T恤+1条裤子

按天合并订单：算1次购买，这个客户还是新客户。 不合并订单：算2次购买，这个客户是回头客。

我建议：按天合并。

为什么？因为第二次购买很可能是“补充购买”或“凑满减”，不是真正的复购。真正的复购，是用户对你的产品有认可，主动回来再买。

记住：别把“冲动消费”当成“忠诚度”。

28.1.5 重复购买率：别被“假数据”骗了

重复购买率有两种算法，差别很大。

公式1（以客户为对象）：

公式2（以订单为对象）：

素材1里有个例子：店铺2015年有10000个客户，3500人买了2次以上（按天合并），另外500人买了3次。

• 公式1：3500/10000 = 35%
• 公式2：（3500+500）/10000 = 40%

看到没？公式2比公式1高了5个百分点。 如果你用公式2向投资人汇报，他们会觉得你的复购率很好。但实际呢？那500个买3次的人，可能是刷单的、分销商，或者恶意薅羊毛的。

我建议：用公式1，并且剔除异常数据。

记住：数据是诚实的，但算法会撒谎。

28.1.6 回购周期：算准用户“什么时候会再来”

客户回购周期：指用户重复购买的平均时间间隔。

比如一个用户：

• 第1次购买：1月1日
• 第2次购买：2月1日（间隔31天）
• 第3次购买：3月15日（间隔42天）

他的平均回购周期 = (31 + 42) / 2 = 36.5天

有什么用？ 你可以在第30天的时候，给他发一条提醒：“上次买的XX产品快用完了吧？现在有优惠哦。”

产品回购周期更精细：要按SKU分开算。

比如一款柔肤水，有50ml和100ml两种规格。50ml的用户30天回购一次，100ml的用户60天回购一次。如果你统一按45天发提醒，50ml的用户会觉得“你懂我”，100ml的用户会觉得“烦死了”。

记住：用户不是机器人，但他们的购买节奏是有规律的。

28.2 爆款预测模型：基于历史数据与趋势

28.2.1 为什么你总押错爆款？

“我花了3万块拍主图、做详情页，结果一个爆款都没跑出来。”

“我随便上的一个款，竟然卖爆了，库存根本不够。”

这是所有卖家的魔咒：你越想推的款，越推不动；你没在意的款，反而成了爆款。

为什么？因为你在赌博。

真正的爆款，不是“选”出来的，而是“测”出来的。就像素材7里说的：“尽量避免预测爆款。”

28.2.2 爆款预测的“开车理论”

素材9里有一个很妙的比喻：做产品像开车，不是发射火箭。

发射火箭：每一步都要提前策划好，差0.1秒就失败。 开车：在路上不断调整方向盘，根据路况灵活变道。

爆款预测也一样。 你不能说“我要做一个爆款”，然后闭着眼睛投钱。你要：

1. 低成本测试：先上几个“内测款”，跑一周数据
2. 数据赛马：看哪一款的点击率、转化率、收藏加购率最高
3. 重点投入：把80%的资源砸在“跑出来”的那一款上

这就是“赛马机制”。 别自己当裁判，让用户投票。

28.2.3 爆款数据基线：你的“评判标准”

怎么判断一个新品是不是“潜力股”？你需要一个爆款数据基线。

什么是基线？ 就是过去成功爆款在初期时的核心数据。

比如你之前推爆了一款连衣裙，它的数据是：

• 点击率：3.5%（行业平均2%）
• 转化率：1.2%（行业平均0.8%）
• 收藏加购率：8%（行业平均5%）

现在你上了个新品，跑了一周，数据是：

• 点击率：3.8%
• 转化率：1.5%
• 收藏加购率：9%

恭喜你，这个款大概率能爆。

记住：不要靠感觉，要靠数据对比。没有基线，你就是在猜。

28.2.4 爆款预测的四个维度

我总结了一个“爆款预测四维模型”，帮你快速筛选潜力款。

28.2.5 维度一：点击率——用户愿不愿意点进来

点击率 = 点击量 / 曝光量

如果一个款曝光1000次，只有10个人点，点击率1%，那基本凉了。如果点击率5%，说明主图、标题、价格都吸引人。

基线参考：行业平均点击率的1.5倍以上。

28.2.6 维度二：转化率——用户愿不愿意下单

转化率 = 成交人数 / 访客数

点击率高但转化率低，说明详情页有问题——要么价格高，要么卖点不清晰，要么评价差。

基线参考：行业平均转化率的1.2倍以上。

28.2.7 维度三：收藏加购率——用户愿不愿意“惦记”

收藏加购率 = （收藏数 + 加购数） / 访客数

这个指标比转化率更“超前”。用户收藏或加购，说明他有兴趣，但还在犹豫。如果收藏加购率高，说明这款产品有“后劲”。

基线参考：行业平均收藏加购率的1.5倍以上。

28.2.8 维度四：复购率——用户愿不愿意“再来”

复购率 = 重复购买客户数 / 总购买客户数

这个指标对快消品（如零食、护肤品）特别重要。如果一款产品复购率超过30%，说明它值得长期投入。

基线参考：同品类平均复购率的1.2倍以上。

28.2.9 爆款预测的“四象限法”

把这四个维度画成一个矩阵，你就能快速定位潜力款。

quadrantChart
    title 爆款潜力评估矩阵
    x-axis 低点击率 --> 高点击率
    y-axis 低转化率 --> 高转化率
    quadrant-1 明星款（重点投入）
    quadrant-2 潜力款（优化详情页）
    quadrant-3 问题款（优化主图）
    quadrant-4 淘汰款（放弃）
    A: [0.3, 0.8] “明星款”
    B: [0.7, 0.3] “潜力款”
    C: [0.2, 0.2] “淘汰款”
    D: [0.8, 0.7] “明星款2”

怎么用？

• 明星款（高点击+高转化）：立即加大投放，备足库存
• 潜力款（高点击+低转化）：优化详情页、价格、评价
• 问题款（低点击+高转化）：优化主图、标题
• 淘汰款（低点击+低转化）：放弃，别浪费资源

28.2.10 爆款预测的“RFM变体”——产品版

RFM模型不仅适用于用户，也适用于产品。

R（Recency）：产品最近一次有销量的时间 F（Frequency）：产品在单位时间内的销量频次 M（Monetary）：产品的累计销售额

怎么用？

• R值小 + F值高 + M值高：爆款，继续投入
• R值小 + F值低 + M值低：新品，需要观察
• R值大 + F值高 + M值高：曾经爆款，但衰退了，考虑清仓
• R值大 + F值低 + M值低：死款，直接下架

记住：产品也有生命周期，别对“过气爆款”念念不忘。

28.2.11 实战案例：女装店如何用数据预测爆款

一个做女装的朋友，去年用这套方法，把店铺从月销30万做到了月销200万。

第一步：上新品 每周上10个新品，每个只备20件库存。

第二步：跑数据 一周后，看每个新品的点击率、转化率、收藏加购率。

第三步：赛马 发现有一款碎花连衣裙，点击率4.2%，转化率1.8%，收藏加购率12%。而其他款的数据只有它的一半。

第四步：重点投入 立马联系工厂，追加2000件库存。同时加大直通车投放，优化主图。

结果： 这款连衣裙在两周内卖爆，单日销量突破500件，成为店铺的“利润奶牛”。

他的原话： “以前我都是凭感觉选款，十款里能爆一款就不错了。现在用数据赛马，十款里能爆三款。”

28.2.12 爆款预测的“三大陷阱”

陷阱一：刷单数据

“我这款刷了100单，数据很好看，为什么还是没爆？”

因为刷单的数据是假的。 平台算法会识别：真实用户的行为路径是“浏览→收藏→加购→下单”，而刷单是“直接下单”。如果你的数据里“直接下单”比例过高，算法会降低你的权重。

记住：别用刷单骗自己。

陷阱二：季节性因素

“我这款羽绒服，夏天数据很好，为什么冬天反而卖不动？”

因为夏天数据好是因为“反季促销”，用户只是图便宜。 到了冬天，用户会去搜“新款羽绒服”，你的旧款自然没竞争力。

记住：数据要按季节对比。

陷阱三：流量来源偏差

“我这款直通车数据很好，但自然搜索数据很差。”

因为直通车是“花钱买流量”，用户是被强制看到的。 自然搜索是用户主动搜的，说明你的产品在搜索端没有竞争力。

记住：看数据要分渠道。

28.3 RFM模型：把用户分成“三六九等”

28.3.1 什么是RFM模型？

RFM模型是衡量用户价值的“黄金工具”。它通过三个维度给用户打分：

• R（Recency）：最近一次消费间隔时间。R值越小，用户越“热”。
• F（Frequency）：消费频率。F值越大，用户越“铁”。
• M（Monetary）：消费金额。M值越大，用户越“壕”。

为什么这三个维度重要？

• R：刚买过的用户，最容易复购。
• F：经常买的用户，忠诚度最高。
• M：花大钱的用户，价值最大。

28.3.2 怎么算RFM值？

第一步：算平均值

提取你最近一年的用户数据，算出R、F、M的平均值。

比如你的店铺：

• 平均R值：30天
• 平均F值：2次
• 平均M值：200元

第二步：给用户打分

每个用户的R、F、M值与平均值比较：

• 大于平均值：标“高”
• 小于平均值：标“低”

比如一个用户：

• R值：5天（小于30天）→ R高
• F值：5次（大于2次）→ F高
• M值：500元（大于200元）→ M高

第三步：分类

根据R、F、M的高低组合，把用户分成8类。

28.3.3 八类用户画像及策略

记住：80%的利润来自20%的用户。 把80%的精力花在“重要价值用户”和“重要深耕用户”上。

28.3.4 实战案例：香气铺子如何用RFM做到71.46%复购率

素材5里有个经典案例：知名自媒体“灵魂有香气的女子”的店铺“香气铺子”，复购率高达71.46%。

他们怎么做的？

1. 建标签：给每个用户打上“美妆爱好者”“健康食品偏好”“高客单价”等标签。
2. RFM分类：把用户分成8类，重点维护“重要价值用户”。
3. 定向促销：
   • 对“潜力用户”（F高M低）：推荐高客单价产品，如“买200元的面霜，送50元面膜”。
   • 对“重要唤回用户”（R低F高M高）：发“你上次买的XX产品，现在有新品上市，老客户专享8折”。

效果： 客单价从200元涨到350元，复购率从40%飙升到71.46%。

记住：不是所有用户都值得你花同样的精力。精准营销，比广撒网有效100倍。

28.3.5 RFM模型的高级玩法：动态跟踪

RFM模型不是静态的。用户会变——今天的重要价值用户，明天可能变成流失用户。

怎么办？ 每月跑一次RFM数据，看用户类型的迁移。

比如：

• 上个月的重要价值用户，这个月变成了“重要唤回用户”（R值变大）。说明他很久没来了，赶紧发唤醒优惠券。
• 上个月的潜力用户，这个月变成了“重要价值用户”（M值变高）。说明他最近消费升级了，可以推荐更高端的产品。

记住：用户是活的，你的策略也要是活的。

28.4 数据驱动决策：从“看数据”到“用数据”

28.4.1 数据不是用来“看”的，是用来“做”的

很多卖家每天看数据，但看完就忘。第二天继续凭感觉做决策。

真正的数据驱动，是“数据→洞察→行动→反馈”的闭环。

比如：

• 数据：发现某款产品的转化率突然从1.5%降到0.8%
• 洞察：可能是评价出了问题，或者竞争对手降价了
• 行动：检查评价，发现有一条差评说“质量不好”。立马联系买家，赔礼道歉并退款。同时优化详情页，突出“质检报告”。
• 反馈：一周后，转化率回升到1.2%

记住：数据是地图，不是终点。你看了地图，还是要开车。

28.4.2 数据驱动的“三步法”

第一步：定指标

别什么都看。选3个核心指标：

• 销售额：钱在哪？
• 转化率：用户为什么不下单？
• 复购率：用户为什么不再来？

第二步：找异常

看数据时，别只看平均值。要看趋势和异常点。

比如：

• 销售额突然下降20%：是流量少了，还是转化率低了？
• 转化率突然上升：是活动带来的，还是产品优化了？

第三步：做实验

有了假设，就要验证。比如：

• 假设：主图换成“卖点突出”的版本，点击率会更高
• 实验：A/B测试，新旧主图各跑一周
• 结果：新主图点击率3.2%，旧主图2.5%。果断换新主图。

28.4.3 数据驱动的“三大禁忌”

禁忌一：只看结果，不看过程

“我这月销售额涨了20%，太棒了！”

但你知道吗？这20%可能是靠“降价促销”换来的，利润反而下降了。

正确做法：同时看销售额、利润、客单价、毛利率。

禁忌二：只看短期，不看长期

“这个月复购率下降了10%，怎么办？”

但你可能没注意：上个月你刚做了一波“拉新活动”，新用户占比高，复购率自然低。

正确做法：看数据的“同比”和“环比”，结合用户结构分析。

禁忌三：只看数据，不看用户

“数据显示，80%的用户在手机端下单，所以我要优化移动端。”

但你没问用户：他们为什么在手机端下单？是因为方便，还是因为电脑端体验太差？

正确做法：数据+用户调研，双管齐下。

28.5 结语：数据是“武器”，不是“负担”

你可能觉得，搞用户画像、RFM模型、爆款预测，太复杂了。

但我想告诉你：这些不是给“大卖家”准备的。 小卖家更需要。

因为小卖家资源有限，每一分钱都要花在刀刃上。你花1000块钱做一次定向发券，比花10000块钱做一次广撒网活动，效果好100倍。

最后送你一句话： 数据不会告诉你正确答案，但它能帮你排除错误答案。用数据做决策，比用直觉做决策，赢的概率高10倍。

现在，就去把你的用户标签建起来吧。哪怕只有100个用户，也值得你花时间分类。

记住：不懂数据的运营，不是好运营；不用数据的卖家，做不成大卖家。