客户分析,是用客户做了什么、买了什么的数据去做业务决定。它从四个问题之一出发:谁会来、谁会留下、谁在花钱、谁走了。每个问题需要不同的数据和方法,所以第一步是选好问题和它背后的决定,而不是打开报表。
读完你会知道
- 选一个以决定结尾的问题:钱花在哪、留住谁、盯住谁、召回谁
- 示例里,前 10% 的客户贡献 40% 的收入,人均 $400;其中 36 位已经安静,涉及最多 $14,400(6.0%)
- 数已识别的人,每人一行;匿名访客不能进入留存和消费分析
客户分析是什么,它回答哪四类问题
客户分析,是用客户做了什么、买了什么的数据,去决定业务上的某件事。决定才是重点。没有决定,最后只会得到一块没人行动的客户人数看板。
大多数客户分析的问题,可以归入四组,每一组需要的数据和方法都不同。如果你一上来就打开某张报表,你回答的就是这张报表碰巧能回答的问题;先选好问题,再去找报表,顺序才对。
下面的表把四个问题并排放在一起,写明每个问题要的数据、方法和对应的 TapCub 报表。本文其余部分是五个步骤、一个数字可以复算的示例,以及最浪费时间的几个错误。
| 问题 | 需要的数据 | 方法 | TapCub 里在哪 |
|---|---|---|---|
| 谁会来? | 首次来源、首单、国家、设备 | 按首次来源对比客户 | 网站统计 › 来源;全端分析 › 用户 › 用户 |
| 谁会留下? | 每个人的订单或活跃日期 | 同期群留存 | 全端分析 › 行为分析 › 行为分析(留存) |
| 谁在花钱? | 每位客户的订单金额 | 消费集中度、RFM | 全端分析 › 用户 › 分群与标签 |
| 谁走了? | 最近一单、两单之间的常规间隔 | 当前间隔和客户自己的习惯比 | 全端分析 › 行为分析 › 行为分析(生命周期) |
按你要做的决定来选,其余的以后再答。
步骤 1:选一个问题,以及它背后的决定
把问题写成一句以决定结尾的话:「这个季度结束前,应该联系哪些客户?」是客户分析的问题;「我们的客户长什么样?」不是,因为这个问题无论怎么回答,都不会改变任何事。
用这几条规则来选:
- 如果决定是关于获客预算花在哪里,问题就是谁会来。
- 如果决定是关于上手引导、产品改动或跟进邮件,问题就是谁会留下。
- 如果决定是关于哪些客户值得重点关注,问题就是谁在花钱。
- 如果决定是关于召回或客服支持,问题就是谁走了。
只选一个。拿到答案之后再做下一个。想在一轮里把四个都答完的团队,最后得到的是四张做了一半的图。
没有更好的线索时,先从留存和消费金额入手,是因为它们决定一位客户值多少钱。有一个被广泛引用的说法,在 Harvard Business Review 的一篇文章里被归于 Bain & Company 的 Frederick Reichheld:留存率提高 5%,利润可以提高 25% 到 95%。具体变化多大取决于业务,所以把它当作值得去测量的理由,不要当作预测。
步骤 2:先定义谁算客户
计数之前,先写下这个群体里有谁。多数客户分析的错误从这里开始。
- 匿名访客不是客户。 没登录、没下过单的访客,没有可以跨设备追踪的历史,所以不能放进客户分群。数已识别的人,或者有订单的人,并且说清楚。
- 一个人,一个 ID。 同一位买家在手机和笔记本上都登录,就是一位客户。如果你的数据里他有两个 ID,客户数会被高估,复购率会被低估。
- 去掉测试账号和机器人。 员工的测试订单和爬虫流量,会让小群体看起来更大,还会让比率偏差好几个百分点。
- 固定时间。 定好统计的时间段(例如最近 12 个月),以及客户进入群体的日期(首单日期、首次登录日期)。整个分析里都不要再改。
如果完全没办法识别到人,你仍然可以用访客和来源回答谁会来。另外三个问题需要「人」。
步骤 3:整理成每位客户一行
大多数方法用的是一张每位客户一行的表。最小版本有五列:客户 ID、首单日期、最近一单日期、订单数、累计消费。想比较不同群体,再加首次来源、国家或套餐。
两项检查可以抓住大多数数据问题:
- 合计要对得上。 把各行的累计消费加起来,和店铺或账单系统里同一时间段的收入对一下。差距超过几个百分点,说明退款、币种或重复行混进来了。
- 不能有不可能的行。 最近一单日期早于首单日期,或者有订单却没有消费金额,指向关联出了问题。
只做一次,之后重复使用这张表。每个问题都重建一遍,是客户分析里最慢的部分。
步骤 4:用适合这个问题的那一个方法
每个问题都有朴素的方法。起步不需要模型。
谁会来:按首次来源对比。 按首次访问或首单的来源,统计客户数和收入。重点是比较人均消费,而不只是客户人数:一个来源带来很多花得少的客户,可能比另一个带来较少、花得多的客户更差。
谁会留下:同期群留存。 取首单在同一个时间段的所有人,统计他们在之后各个时间段里有多少人再次下单。比较的是同样「年龄」的同期群;三个月的同期群不能和十二个月的比。更完整的做法见客户流失分析。
谁在花钱:集中度。 按消费金额给客户排序并分成几档。如果一小档客户贡献了很大比例的收入,就该单独关注他们。最近购买、频次和金额合起来是 RFM,见 RFM。
谁走了:和客户自己的习惯比间隔。 平时每 30 天下一单的客户,75 天没下单,是安静了;平时每 120 天下一单的客户则不是。拿每个人当前的间隔,和他自己的常规间隔比,而不是对所有人用同一条界线。
每种方法更深入的内容,可以看这些相关页面:客户数据分析、客户细分分析和客户需求分析。本文停留在选问题和跑头一遍的层面。
示例:一家店,四个问题
示例数据:一家网店最近 12 个月有 2,400 位客户下过单,带来 $240,000 的收入,平均每位客户 $100。
谁会来。 按首次来源:
| 首次来源 | 客户数 | 收入 | 人均收入 | 客户占比 | 收入占比 |
|---|---|---|---|---|---|
| 自然搜索 | 960 | $91,200 | $95 | 40% | 38% |
| 付费广告 | 720 | $64,800 | $90 | 30% | 27% |
| 邮件和直接访问 | 480 | $67,200 | $140 | 20% | 28% |
| 转介绍 | 240 | $16,800 | $70 | 10% | 7% |
| 合计 | 2,400 | $240,000 | $100 | 全部 | 全部 |
邮件和直接访问带来五分之一的客户和 28% 的收入。转介绍客户的消费只有邮件和直接访问客户的一半。这并不能证明哪个来源更好,因为它没说每个来源花了多少成本,但它告诉你下一步该往哪里看。
谁在花钱。 按消费排序:前 10% 的客户(240 位)贡献了 $96,000,占收入的 40%,人均 $400。中间 40%(960 位)贡献 $96,000,人均 $100。后 50%(1,200 位)贡献 $48,000(20%),人均 $40。
谁会留下。 600 位客户在一季度下了首单,其中 168 位在之后 90 天内再次下单:168 ÷ 600 = 28%。
谁走了。 在 1,100 位下过两单及以上的客户里,有 310 位已经 180 天没下单:310 ÷ 1,100 = 28.2%。从没复购过的客户是另一个群体,这里不算。
把四个数字放在一起:收入是集中的,约 28% 的一季度客户会回来,约 28% 的复购客户已经安静了。其中没有一个数字告诉你该做什么,这是步骤 5 要做的事。
各档客户的收入占比
2,400 位客户 · $240,000步骤 5:把发现变成一个决定
回到步骤 1 里选的那个问题,写下发现、决定,以及用来判断是否有效的数字。
以上面那家店、问题为谁在花钱为例:
- 发现。 前 10% 的客户贡献了 40% 的收入,人均 $400。
- 核对。 这 240 位客户里,有 36 位最近 90 天没有下单。
- 估算规模。 36 × $400 = $14,400,占全年收入的 6.0%($14,400 ÷ $240,000)。
- 决定。 本月亲自联系这 36 位客户。
- 衡量。 60 天后,这 36 位里有多少人再次下单?
6.0% 这个数字假设这些客户按过去的水平继续消费,所以它是风险金额的上限,不是预测。这个练习的价值在于,这个数字小到本月就能行动。
如果你选的是谁走了,同样的方法也适用:找出这个群体,用他们过去的消费估算规模,选一个动作,设一个两个月后检查的数字。
客户分析里的常见错误
- 从工具出发,而不是从问题出发。 一张报表回答的是它自己的问题,不是你的。先选问题。
- 对偏斜的数据用平均数。 示例里平均每位客户消费 $100,但有一半客户只消费 $40。当少数客户占大头时,要按档展示。
- 混用不同「年龄」的同期群。 3 个月的同期群,比 12 个月的同期群有更少的时间再次下单。
- 把匿名访客叫作「客户」。 分群和留存需要身份。说清楚你数的是哪个群体。
- 把来源拆分当成因果证明。 某个来源的客户消费更高,可能是因为他们本来就更合适。
- 停在发现这一步。 没有决定的图表,看一次就被忘了。
在 TapCub 里做这个分析
拿上面那家店,按同样的四个问题走一遍。
- 谁会来。 网站统计 › 来源 显示渠道、引荐网站和 UTM 的访客、会话和转化,还有一个 AI 来源 页签,统计从 AI 产品来的访问。客户则打开 全端分析 › 用户 › 用户:用户登录并调用
tapcub.login之后,每个人都有按天排列的行为时间线(识别用户)。TapCub 只在登录后把访问关联到人;匿名访客不会进客户分群。 - 谁会留下。 在 全端分析 › 行为分析 › 行为分析 里建一份留存报告,首单作为起点事件,之后的订单作为回访事件。每一行是一个同期群,有人数和每个周期的比率(建立留存报告)。还没结束的周期显示为空,不是零。
- 谁在花钱。 在 全端分析 › 用户 › 分群与标签 里建 RFM 分群:10 个桶,每天重算,并记录桶与桶之间的移动(做 RFM 分析)。全端分析 › 经营分析 › 电商与收入 里的电商视图,要先让购买进入订单账本(跟踪电商购买)。
- 谁走了。 全端分析 › 行为分析 › 行为分析 里的生命周期视图,按周或按月统计新增、留存、回流和流失的人数;不活跃视图则统计 7、14、30、60、90 天没活动的人数。
- 把名单留下来。 分群可以作为群组带进漏斗或留存报告(创建用户分群)。
TapCub 不保存 CRM 备注,不发邮件,也不做问卷。它告诉你客户是谁、怎么行动;实际联系发生在你自己的工具里,如果客户正在你的网站上,也可以通过客服对话。
常见问题
客户分析是什么?
客户分析是用客户做了什么、买了什么的数据,去做业务决定,比如获客预算花在哪里、谁快走了要先联系、哪些客户值得重点关注。它涵盖四个问题:谁会来、谁会留下、谁在花钱、谁走了,每个问题有各自的数据和方法。
客户分析有哪些类型?
常见的有行为分析(人们做了什么、买了什么)、人口统计分析(他们是谁)、留存或同期群分析、价值分析(如客户终身价值和 RFM),以及细分。本文按每种分析回答的问题来分组,因为问题决定了你需要哪种数据和方法。
怎么做客户分析?
选一个和决定相连的问题;定义谁算客户,整理成每位客户一行,含首单、最近一单、订单数和消费;用适合这个问题的方法;然后写下一个决定,以及判断是否有效的数字。头一遍可以一个下午做完。
客户分析需要哪些数据?
至少需要:客户 ID、首单和最近一单的日期、订单数和累计消费。想比较群体,再加首次来源、国家或套餐。如果没有能跨访问追踪到人的 ID,仍然可以分析访客和来源,但无法按客户做留存和消费分析。
客户分析和客户细分有什么区别?
细分是客户分析里的一种方法,把客户分成几组。客户分析的范围更广:它从一个业务问题出发,可能用细分、留存、消费集中度或流失间隔来回答。细分方法本身见客户细分分析。
另见:客户分析软件:选型之前要检查什么。
资料来源
- Harvard Business Review,The Value of Keeping the Right Customers(把留存提高 5%、利润提高 25% 到 95% 的结论归于 Bain & Company 的 Frederick Reichheld)。2026-11-18 核对。
- Wikipedia,RFM (market research)(最近购买、频次和金额,用于评估和细分客户)。2026-11-18 核对。
这篇文章对你有帮助吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。

