BI数据分析系统介绍
基本bi知识
基本BI知识一、什么是BI？BI（Business Intelligence）即商业智能，是指通过对企业内部和外部数据的分析，帮助企业管理者做出更明智的决策，提高企业运营效率和市场竞争力的一种管理和分析方法。
BI通过收集、整理、分析数据，将数据转化为有价值的信息和洞察，并提供可视化的报表和仪表盘，帮助企业管理层全面了解企业状况，识别业务机会和风险，以及进行业务规划和预测。
二、BI的核心要素1. 数据源数据源是BI系统的基础，它可以包括内部数据库、企业应用系统、云端存储、第三方数据供应商等。
通过合理选择和整合数据源，可以确保BI系统获得准确、全面的数据，并提高数据的可靠性和一致性。
2. 数据仓库数据仓库是BI系统中存储和管理数据的中心库，它采用多维数据模型，将不同数据源的数据整合到一个统一的数据模型中，方便用户对数据进行分析和查询。
数据仓库通常采用ETL（Extract, Transform, Load）的流程，对数据进行抽取、转换和加载，确保数据的质量和一致性。
3. 数据分析工具数据分析工具是BI系统中用于对数据进行处理、分析和可视化的软件工具，包括数据挖掘工具、报表工具、可视化工具等。
这些工具可以帮助用户从不同角度和层次理解数据，发现数据中的隐藏信息和关联规律，支持决策者进行数据驱动的决策。
4. 数据可视化数据可视化是BI系统的重要功能，它通过图表、仪表盘等可视化手段展示数据分析结果，提高用户对数据的理解和洞察能力。
数据可视化可以帮助用户直观地呈现数据，发现数据中的趋势和异常，以及进行数据的比较和分析。
三、BI的应用场景1. 销售分析BI系统可以帮助企业对销售数据进行分析，包括销售额、销售渠道、客户分布等方面的数据。
通过对销售数据的分析，企业可以了解销售情况，找出销售瓶颈和机会，制定销售策略和预测销售趋势。
2. 运营分析BI系统可以对企业的运营数据进行分析，包括生产效率、成本控制、供应链管理等方面的数据。
商业智能BI介绍
商业智能BI介绍商业智能（Business Intelligence, 简称BI）是一种能够帮助组织利用数据分析和数据可视化的技术和工具。
通过将大量的数据集成、整理和分析，商业智能可以支持管理层做出决策、优化业务流程以及发现潜在的商业机会。
本文将介绍商业智能的定义、组成部分、应用场景、实施步骤和未来发展趋势。
一、商业智能的定义商业智能是一种通过使用数据分析和数据可视化工具来帮助企业管理层做出决策的技术。
商业智能的目的是将大量的数据整合、分析和可视化，以提供决策者所需的信息，帮助他们更好地了解企业的运营状况，并做出基于数据的决策。
二、商业智能的组成部分⒈数据源：商业智能系统需要从各个数据源中提取数据，这些数据源可以是企业内部的数据库、Excel文件、日志文件等。
⒉数据仓库：商业智能系统需要将数据存储在一个集中的数据仓库中，以便进行分析和查询。
⒊数据整合：商业智能系统需要将来自不同数据源的数据整合在一起，以便进行统一的分析和查询。
⒋数据分析：商业智能系统可以通过各种分析方法和算法对数据进行深入分析，以获取有关业务情况的洞察。
⒌数据可视化：商业智能系统可以将分析结果以图表、报表等形式展现出来，便于决策者理解和使用。
⒍决策支持：商业智能系统的最终目的是为决策者提供有关企业运营状况和业务机会的信息，帮助他们做出明智的决策。
三、商业智能的应用场景商业智能可以应用在各种不同的场景中，以下是其中一些常见的应用场景：⒈销售分析：通过分析销售数据和市场趋势，帮助企业了解产品销售情况和市场需求，从而制定合适的销售策略。
⒉客户分析：通过分析客户数据，帮助企业了解客户群体的特征和需求，以便进行定向营销和客户关系管理。
⒊运营分析：通过分析企业的运营数据，帮助企业优化生产流程、降低成本和提高效率。
⒋财务分析：通过分析财务数据，帮助企业了解财务状况、盈利能力和风险风险等关键指标。
⒌市场分析：通过分析市场数据和行业趋势，帮助企业了解市场竞争状况和未来发展趋势，从而制定市场战略。
BI系统功能操作说明
讯息传递讯息传递-新增讯息
可在报表上粘贴随意贴填写你对 该报表的意见或建议
讯息传递-管理讯息 讯息传递-管理讯息
在讯息清单中可开启讯息阅读、以及删除讯息。已删除 的讯息会放置于“删除的邮件”中。若要永久删除请进 入“删除的邮件”清单再次删除。
讯息传递-回复及转寄讯息
若将本讯息回复给发送者或通知 其他人，可利用本项功能。
报表的所有者（Owner） 报表的所有者（Owner）
报表的Owner 才可以修改、刪除此报表
Case1：报表设计师A设计的报表，报表设计师B无 法修改、刪除 Case2：一般用户将报表复制到[我的报表]后即可以 修改、保存、刪除
维度功能列表介绍
维度的功能列表
过滤维度成员 维度成员的排序 显示顶端 及 底端 设定成员属性 维度排列顺序的交换 变换维度及移除维度
操作步骤清单 操作步骤清单
使用者操作数据透视分析表的步骤过程系统都会记录下來 使用者可以透过数据透视分析表的功能列表执行「上一步」、「下一步」等动作复原到上一個状态 可以开启「步骤清单」直接跳到某一个步骤。
执行回到初始状态时 会清空步骤清单
显示过滤条件清单
对于某个数据透视分析表目前的过滤情況，提供完整及详细的清单 可提供目前状況，无法对过滤条件进行修改
A-Z 表示递增排序 Z-A 表示递减排序
仅显示頂端 仅显示底端 仅显示頂端 / 仅显示底端
显示前几名或最后几名 子定筛选条件
数量（TopCount）与合计（ ButtomCount）区别 数量（TopCount）与合计（ ButtomCount）
TopCount(5)表示希望是找出前五名成员，则结果会是(E，D，A，G，H)。 TopSum(150)表示要找出排名顺序在前面的几个成员总和加起來大于150，则 结果会是(E，D，A，G)，因为累计加到G的总和是164，大于150。 TopPercent(50)表示要找出排名顺序在前面的那哪几個成员占合计百分比超 过50%，则結果会是(E，D，A)，因为到A的加总占合计的61%
bi基础知识
bi基础知识【原创实用版】目录1.BI 的含义2.BI 的发展历程3.BI 的应用领域4.BI 的关键技术5.我国在 BI 领域的发展正文1.BI 的含义BI，即商业智能（Business Intelligence），是一种通过运用数据分析、数据挖掘等技术，使企业能够更加准确地了解其业务状况，从而辅助决策和提升业务效率的管理方法。
BI 可以帮助企业实现对业务的实时监控、数据驱动的决策以及智能化的运营。
2.BI 的发展历程商业智能的发展可以分为以下几个阶段：（1）早期数据分析：20 世纪 60 年代，企业开始使用计算机进行数据分析，主要用于财务管理和库存管理。
（2）数据仓库和 OLAP：20 世纪 90 年代，数据仓库和联机分析处理（OLAP）技术的出现，使得企业可以大规模地存储和分析数据，从而为决策者提供更加全面和准确的信息。
（3）数据挖掘和大数据：随着互联网的普及和数据量的快速增长，数据挖掘和大数据技术逐渐成为 BI 领域的热点。
这些技术可以帮助企业从海量数据中发现有价值的信息，为决策提供支持。
3.BI 的应用领域商业智能的应用领域非常广泛，主要包括：（1）销售与营销：通过分析销售数据、客户行为等，为企业制定更加有效的销售策略和营销活动。
（2）生产与供应链：通过对生产、库存、物流等环节的数据分析，优化生产流程，降低成本，提高供应链效率。
（3）财务管理：通过对财务数据的实时监控和分析，帮助企业实现财务风险的防范和控制，提高资金使用效率。
（4）人力资源管理：通过对员工的招聘、培训、绩效等方面的数据分析，优化人力资源配置，提高员工的工作效率和满意度。
4.BI 的关键技术商业智能领域的关键技术主要包括：（1）数据仓库：用于存储和管理企业级数据，为 BI 系统提供数据支持。
（2）数据挖掘：通过挖掘大量数据，发现潜在的规律、趋势和关联关系，为决策者提供有价值的信息。
（3）数据可视化：将复杂的数据以直观、易懂的方式呈现出来，帮助决策者快速理解数据信息。
商业智能分析平台介绍
商业智能分析平台介绍
商业智能（BI）分析平台是一种能够帮助企业更快、更好地做出决策的软件工具。
它可以帮助企业从数据中提取有用的信息，从而充分利用当前环境中的商业机会。
商业智能（BI）分析平台可以帮助企业发现未来的商业机遇，提前预测数据变化趋势，掌握竞争对手的最新动态，并以此做出有效的决策。
它可以通过大数据和人工智能技术来尽可能深入了解和掌握企业数据。
BI 分析平台的使用，可以帮助企业分析未来的商业趋势，提升企业的决策能力，并帮助企业控制成本、提升绩效。
BI分析平台主要包括三个组成部分：数据管理、分析和可视化。
数据管理是汇总、处理和组织企业数据的关键部分，是运用BI分析平台的基础。
它可以汇总来自各种源的数据，比如客户关系管理系统、财务系统和市场营销系统，将这些数据整理成一个统一的数据集，用于分析和可视化。
分析是根据整理的数据，通过对数据进行建模和模型预测，来解决企业的实际问题。
这里涉及到大数据分析、数据挖掘和数据模型等技术，它可以帮助企业从海量数据中提取高质量的信息，并以此来做出专业的商业决策。
可视化是一个可以将复杂数据清晰呈现出来的图表工具。
BI相关知识简介PPT课件
01
02
03
确定业务需求
深入了解业务背景，明确 BI系统需要解决的具体问 题。
设定项目目标
根据业务需求，设定清晰、 可衡量的项目目标，如提 高决策效率、优化业务流 程等。
评估资源投入
对项目所需的人力、物力、 财力等资源进行评估，确 保项目的可行性。
选择合适工具和技术栈
工具选型
根据项目需求和目标，选 择适合的BI工具，如 Tableau、Power BI、 FineBI等。
营销效果评估与优化
利用BI工具进行数据挖掘和分析，帮 助企业识别不同市场细分并确定目标 市场。
运用BI技术对营销活动的结果进行量 化评估，发现有效和无效的策略，进 而优化未来的营销活动。
营销策略制定与执行
基于BI提供的数据洞察，制定个性化 的营销策略，并通过实时数据监控调 整策略执行。
客户关系管理
持。
02
数据仓库与数据挖掘技术
数据仓库概念及特点
数据仓库定义
数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持 管理决策。
面向主题
数据仓库中的数据是按照一定的主题域进行组织的。
集成性
数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总 和整理得到的，必须消除源数据中的不一致性，以保证数据仓库内的信息是关于整个企业 的一致的全局信息。
技术栈选择
确定与所选BI工具相匹配 的技术栈，如数据库、数 据清洗、数据挖掘等。
兼容性考虑
确保所选工具和技术栈与 现有系统兼容，降低实施 难度和成本。
构建数据模型和指标体系
数据模型设计
根据业务需求，设计合理的数据 模型，包括数据结构、数据关系
BI商业智能系统简介
BI商业智能系统简介一、BI简介BI即商业智能，是Business Intelligence的简称，将存储于各种商业信息系统中的数据转换成有用信息的技术。
BI的实现包含了“数据→信息→知识→行动→智慧”这一过程所运用的技术和方法。
二、BI的价值可以将大量的数据处理过程流程化，提升数据分析效率，节省业务和分析人员的数据处理过程；可以通过交互方式、让业务人员自己进行查询分析，极大地降低数据分析的门槛；可以做到数据实时分析，后续自动化更新。
三、BI的搭建企业搭建和使用BI平台的方式，主要结合业务的发展阶段。
业务还在发展阶段的初创型公司，数据少，不会投入过多的人力和资金成本。
中型公司（1000人以内），会采用些免费工具，结合某个具体场景上定向采购方式实现。
因为一套BI系统的搭建还是相当消耗人力和时间的。
中大型公司（1000-2000），一般考虑自研+采购，并给自研预留一定的时间，逐步过渡到自己的系统上。
而大型公司，肯定自研了，甚至他们还会对外赋能，进行SaaS服务。
关于采购三款老牌的国外BI产品：Tableau、PowerBI、Qlik，三款国内认知度较高的BI产品：帆软、观远数据、永洪。
可分为免费和付费两大阵营。
免费阵营为首的是PowerBI，付费阵营为首的是Tableau。
关于自研OLAP联机分析处理技术多应用于BI搭建。
它可以从多个角度对数据进行分析和数据挖掘，用于多维数据查询和报表处理的需求。
四、BI的产品体系可以分为4个层面。
数据源（行为数据、日志数据、业务数据）；数据采集（数据中台）；数据加工（机器学习训练平台、用户画像构建系统、数据中台）；数据应用（push、BI、AI、人脸识别）。
五、BI的类型静态BI只提供静态的基础报表工具。
所有的报表要在需求沟通的阶段都明确好数据内容，在报表开发时写到程序里。
这个阶段的报表，只能起到描述业务的作用。
可视化BI在现代BI的多维数据模型基础上，通过符合直觉的软件界面交互，快速进行数据的探索和可视化分析。
BI数据模型介绍
BI数据模型介绍BI（Business Intelligence，商业智能）是指通过对企业进行数据的收集、整理、分析和展现，帮助企业进行决策和管理的技术系统。
BI数据模型是指BI系统中用于存储和处理数据的结构和方法。
下面是BI数据模型的介绍。
一、BI数据模型的概念BI数据模型是指用于BI系统中存储和处理数据的抽象和表示形式。
它是BI系统中构建数据仓库和数据集市的基础，包括数据的组织结构、关系和操作方式等。
BI数据模型以数据为中心，围绕业务需求和分析目标构建，将多种数据源进行整合，并提供高效的数据查询和分析功能。
二、BI数据模型的特点1.数据驱动：BI数据模型是以数据为核心的，它将企业的各种数据源进行整合，提供一致、可靠的数据信息，为分析和决策提供支持。
2.业务导向：BI数据模型是根据具体的业务需求和分析目标构建的，它关注企业的业务过程和关键业务指标，具有可扩展性和灵活性。
3.统一性：BI数据模型将来自不同数据源的数据进行整合，消除了数据的冗余和不一致性，提供一致和准确的数据视图。
4.可操作性：BI数据模型提供丰富的数据操作功能，包括数据的查询、分析、计算、转换和展示等，用户可以根据自己的需求进行灵活的操作。
5.时效性：BI数据模型可以实时或定期更新数据，保证数据的及时性和准确性，支持实时监控和预测分析。
三、BI数据模型的组成1.数据实体：BI数据模型中的数据实体是指业务实体或对象，在数据模型中以表或类的形式表示，包括维度表和事实表。
- 维度表（Dimension Table）：维度表包含与业务过程和指标相关的维度属性，用于描述业务数据的各个方面，如产品、时间、地点、销售员等。
- 事实表（Fact Table）：事实表包含与业务过程和指标相关的度量值，用于存储数值型数据，如销售额、利润、数量等。
2.关联关系：BI数据模型中的关联关系是指维度表和事实表之间的连接方式，用于将维度和度量进行关联和查询。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Wifi
Analyzer
Business Insights
Hortonworks or Cloudera Hadoop
O2O Summarize & Load
SQL Server Parallel Data Warehouse
SNS
Integrate/ Enrich
Reporting Services
半结构化/非结构化数据
Web Clickstream DOC / Media Social Media Machine / Sensor
Call Log
Log
Apps
数据采集 数据储存
数据管理 数据分析与挖掘
购物中心大数据与BI总体架构
半结构/非结构 化数据
Summarize & Load via PDW Hadoop Connector Alerts, Notifications Data & Compute Intensive App
RFM顾客区隔与相应的经营策略
购买一定金额 以上的商品时 提供有效的奖 赏
并买时提供有 效的奖赏
忠诚 顾客
客 单 价 提 高
客单价提 高 提高M值 促销 提 高 忠 诚 度 关连购买 促销 巡回购买 促销 来店次数 提高 再来店 促销
来客 数提 高
提高F值、 M值促销
关连商品，购 买促销奖赏
提高F值、 M值促销
数据源
DW 数据仓库
OLAP 多维数据集
多维分析报表
大数据战略发展的三大误区
1. 数据量越大越好
忽略了一个最古老的问题：数据要用才有价值
DataInformationKnowledge是永远不变的
2. 数据驱动 vs 需求驱动
不能为大数据而大数据，要先知道想分析什么？ 由需求著手，引导数据的收集
5. 重要挽留客户
6. 一般客户 7. 一般客户 8. 无价值客户
消费者行为分析
客户细分模型
生活场景 （品类拓展） 购物篮 购物桶 生活方式 习惯
RFM-S 模型
生活方式模型——从购物篮 商品维出发的 聚类分析
新的生活方式 模型（滚雪球 模型） ——从商品消 费属性出发的 聚类分析
消费习 惯模型 ——增 加消费 时间等 维度
Analytical Reports
微信/ 新媒体
SQL Server Analysis Server
Performance Scorecards
Cloud, Market Place
POS CRM
ETL with SSIS,
客流
餐饮 排队 冰场 系统 车牌 扫描
业务系统(结构化数据)
BI 智能分析标准化架构
模型价 值 T 公司 案例
•
更全面考虑客户消费行为， 更透彻理解客户。
第14组新生活方式分组：购物 篮内商品维度计分最显著之处 均为主流方便食品。但非典型 的”工作繁忙、贪图方便食品 的会员“。 结论：这一簇应分为两组：共 享宿舍、不做饭的年轻人，以 及口味传统，喜欢用微波炉烹 调的家庭。 方法：（1）看购物时间；（2） 频率；（3）家庭类型
物联网
非结构化数据
• Web Pages • E-mail
• Multimedia
结构化数据
• Database • Spreadsheet • File in record format
半结构化数据
• XML Docs
• Instant Messages • Documents
• Logs
• Click-stream • Equipment/ Device, RFID tag
酒店运营分 析
娱乐、 票务分 析
跨行业关连性 BI分析
客流、 车流分 析
48
东区餐饮 运营分析
跨行业关连性分析的一般应用
各行业营收关连性分析 价格关连性分析 客户流失关连性分析 广告效益关连性分析
促销关连性分析 卖场面积优化分析 品牌忠诚度分析 市场区隔分析
BI数据分析系统报价
在没有完全了解学校的具体需求之前我只能给您一个 大概的价格区间：50万-150万之间。
学历分析
26
地域分析
27
采用推叠图进行地域综合分析
28
年龄分析
29
采用推叠图进行年龄综合分析
30
性别分析
31
年收入分析
32
职业分析
33
平均消费金额分析
34
客户10分位分析
1. 第10等级和第1等级客户的客单 价相差30倍 2. 第1至第9等级的客单价呈现缓 慢上升，但第10等级的客单价 上升幅度最大。
消费习惯模型
假设
•
有规律的买同样商品组合的客户， 因进店时间不同，可能隐含着不同 生活方式，应属于不同的消费习惯 分组。
对数据管理要求高。
概念
•
•
购物时间：消费行为中购买商品以 外的一种维度。例如：每天中的哪 个时间区段，每周中的工作日或周 六日，每月初/底，每逢重要节假 日„„ 其他消费行为维度：频率、渠道、 付款方式、物流方式„„
累和分析而制作的。
魔 球 Moneyball
记录大联盟里最传奇、最颠覆 传统球队成功的故事和秘辛
Oakland A’s 奥克兰运动家队
看钱少、人少的球队如何在
4 竞争最激烈大联盟里获胜！
4
大数据(Big Data)时代来临
新量级、新处理模式、新企业智能
Mobile Internet
移动互联网
Internet of Things
37
总客户数与年龄关连性分析
客户数最多的年龄层： 30-50岁；其中4550岁的会员最多
38
Wifi 定位与车流分析
通过WiFi+微信的登入方式获取客户消费数据
① 会员分析——在商场的不同位置安装客流监控设备，并 通过Wi-Fi站点的登录情况获知客户的到店频率，通过与会员
卡关联的优惠券得知受消费者欢迎的优惠产品。
下次来店时的 有效奖赏
RFM顾客区隔与相应的经营策略 (续)
直接意见调查 （改善的提示） 提供回笼的奖 赏
一般 顾客
离反 改善 休眠 顾客 的觉 醒 新顾 客的 取得
离反理由 的探究
直接接触
离反 顾客
来客 数提 高
利用顾客 的来店促 销 目标商圈 的明确化 商圈的扩大 目标顾客 层的锁定
来店诉求
并买时提供有 效的奖赏
找出最有价值的顾客
顾客区隔
顾客类别管理 是配合顾客的属性将销货数 据分类，探索销货的特徵， 性别、年收入、职业等 将顾客的销货数据按大小顺 序分成10类，分析哪一顾 客是属於哪一分类 按顾客的销货金额分成不同 的群组管理, 80/20, ABC等
人口统计学 十分位 (Decile)
RFM
以最近购买日（R）、购买 次数（F）、购买金额（M） 等项目将顾客分类
RFM应用
年度会员 开卡数 多久未到店
到店频率
累计消费金额
RFM应用：客户离反分析
2013，Q3完全 离反客户占 21.1%
RFM应用：客户价值分析
会员数占24%， 贡献金额占比55%
加入这类，会员数 占41.3%，贡献 金额占比70%
RFM应用：客户区隔分析
1. 重要保持客户 2. 重要发展客户 3. 一般重要客户 4. 新客户
在全美和世界各地分别拥有2700万和3300万注册用户的美国网络电视台Netflix，用逻
辑和计算取代了依赖传统和直觉的做法。据悉，Netflix每天会对3000万次“播放”、
注册用户的400万次评级、300万次搜索，以及一天中用户观看视频的时间和所使用的 设备进行观测，帮助网站分析用户，针对不同用户推荐节目。比如它的网络定制剧《纸 牌屋》在美国热播，迎来赞美无数，制作方就宣称该剧是基于海量用户数据积
RFM-S模型
概念
• R：Recency, 最近一次交易日期到当 前日期的天数 • F：Frequency, 在一定周期内的交易 次数 • M：Monentary, 在一定周期内的交易 金额 •• S Life stage ，生命周期阶段 R： ：把 R分成 5个区段，分别用数字 1~5标识 • F：把F分成5个区段，分别用数字 1~5标识 • M：把M分成5个区段，分别用数字 1~5标识 • S：把S分成8个区段，分别用数字 1~8标识 • （区段分界值、分几段可以用聚类 分析法求）
5. 呈现结果
为不同客流等级分 配颜色，并将结果 图形化
2. 绘制动线
绘制消费者的可行 路径，以此作为评 估主体
4. 分层计算
依据模型，分别计 算各楼层动线与店 铺客流等级
Wifi定位动线分析
车流分析
预测模型
预测分析 – 收入金额
45
预测分析 – 销售额
46关连Biblioteka 分析跨行业关连性分析将整合不同运营分析
3. 忽略大数据的基础
Google、Facebook、Amazon、Walmart、淘宝网、腾讯 这些大数据的优秀企业本身都具备数据分析的能力。
顾客忠诚度分析
顾客是企业竟争力发展的核心
挽救老客户成本
1,000
x10
100 寻找 新客户 挽救 老客户
一个失去的老顾客重新成为顾客的成本 是寻求一个新客户成本的10倍。
• • •
• •
使用方 法
•
•
T 公司 案例
• •
使R*F*M*S，则5*5*5*8=1000 得到1000个客户细分群体 取任意一个客户，在当前时间点计 算或引用他的R/F/M/S值，例如
不需使用订单下的明细行 ，数据管理负荷轻。 适用于提供的商品/服务品 类较多、商品/服务单价相 对较低，或大件商品需要 消耗性配件/材料/服务， 买卖频率相对较高的业务 快速、简单制订差异性的 。 客户管理策略，例如：重 要保持客户、重要发展客 户、重要挽留客户、一般 重要客户、一般客户、无 价值客户等。 跟踪管理某一细分下的客 户在一段时期内价值变动 的情况。 1994 年~1996年主要使用 在合理的时间点联络客户， RFV-S 模型来细分客户。 提高交易频率、减少客户 流失率。 有时增加促销活动反馈值 来进一步细分客户。