Customer Shopping Behaviour Analytics: An Integrated Data Pipeline and Decision-Support System
本文提出了一种由人工智能驱动的端到端数据分析框架，该框架整合了 Python ETL、MySQL 建模和交互式仪表板来分析零售交易，并揭示了尽管在交易量上存在偏差，但性别间的消费均衡性依然存在，同时当前的促销折扣和订阅模式未能显著带动客单价或单次访问消费额，从而凸显了在获客与变现策略方面的关键差距。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代零售业繁忙的世界中，每一笔交易都会留下数字足迹。当顾客购买一件夹克、使用信用卡支付或留下星级评分时，他们就生成了一份数据。几十年来，店长和企业规划者一直试图理解这些数以百万计的零散记录，以了解是什么驱动了人们购买、是什么让他们流连忘返，以及如何定价以实现利润最大化。挑战始终在于数据的量级与清晰度；数据确实存在，但它们往往埋藏在混乱的电子表格中，充斥着缺失的数字，并被锁定在需要专业技能才能解锁的格式之中。这项研究的目标是将那堆混乱的收据和评论转化为一幅清晰、鲜活的客户行为图景，让业务领导者无需成为计算机专家，也能准确洞察其门店正在发生的情况。
为了实现这一目标，研究人员构建了一种新型系统，充当了原始销售记录与人类决策之间的自动化翻译器。他们首先从一个真实的零售环境中收集了包含 3,900 笔真实交易的大规模数据集，涵盖了从服装、鞋履到配饰的所有品类。在原始形式下，这些记录并不完美；部分客户满意度评分缺失，且数据分散在不同的列中，并不总是对齐。团队首先使用一个计算机程序对数据进行了清洗，该程序通过查看特定产品的中位数评分来自动填补缺失的满意度得分，从而确保没有有价值的销售信息被丢弃。随后，他们将清洗后的数据组织进一个结构化数据库中——这是一个允许即时搜索和排序的数字文件系统。最后，他们构建了一个简单的交互式网站，店长只需点击几次按钮，即可提出诸如“男性消费金额与女性相比如何？”或“折扣真的会让人们买得更多吗？”之类的问题，并获得即时答案。
这项调查的结果揭示了几个令人惊讶的真相，挑战了关于购物者行为的普遍假设。其中一个最引人注目的发现涉及性别。虽然男性占所有购买记录的三分之二，但男女每次访问的平均消费金额几乎完全相同。男性的平均订单金额为 59.57 美元，而女性为 59.52 美元。这区区五美分的微小差异证明，女性购物者总收入较低，并不是因为她们在购物时花得少，而仅仅是因为走进店里的女性人数较少。差距完全在于如何触达客户，而非她们愿意支付多少钱。
另一个发现质疑了标准促销手段的有效性。研究人员仔细观察了使用优惠券时的情形。他们发现，尽管近 42% 的订单使用了折扣，但平均购物篮的大小几乎没有增长。使用优惠券的顾客平均仅比支付全价的顾客多消费了 0.74 美元。这表明对于许多购物者而言，折扣并不会鼓励他们购买更多商品或花费更多钱；它只是降低了他们原本就打算购买的商品的价格。因此，商店在没有增加额外销量来补偿的情况下，损失了这些销售中的很大一部分潜在利润。
研究还揭示了关于忠诚度计划和订阅制的悖论。许多企业假设支付会员费或订阅费的客户更有价值，且单次访问消费更高。然而，数据显示，活跃订阅者的平均单次访问金额为 59.47 美元，而非订阅者为 59.59 美元。这种差异微乎其微，表明目前的会员制度更多是作为一种便捷的支付方式或频繁购物者的福利，而非驱动其增加消费的工具。高消费的真正驱动因素被发现是特定的产品类型和访问频率。例如，购买鞋履的客户每单平均消费最高，达到 60.75 美元；而最忠诚的客户（即在过去进行过十次以上购买的客户）则贡献了近一半的交易量。
通过将这些自动化数据清洗步骤与用户友好的网站相结合，研究人员证明了复杂的业务问题可以在不到一秒钟内得到解答，而此前这项工作需要数小时的手动处理电子表格。该系统允许经理根据年龄、性别或产品类型立即过滤数据，精准观察不同群体的行为。例如，他们发现购买鞋履的客户拥有最高的平均订单价值，同时系统也证实，配送偏好和支付方式分布均匀，没有哪一种选项占据主导地位，这表明提供多样化的选择对于保持客户满意度至关重要。
这项工作的终极价值在于其能够将原始数字转化为可操作的策略，而无需具备计算机科学学位。研究人员表明，提升利润的路径并不一定在于更激进的折扣，也不在于假设会员会消费更多。相反，数据指向了吸引更多女性购物者的需求，因为一旦她们到店，其消费水平与男性不相上下；同时也指向了重新构思如何设计忠诚度计划，以真正促进更高的消费。他们构建的系统是一个可靠且低成本的工具，任何零售企业都可以利用它来审计自身表现、发现这些隐藏模式，并基于客户的实际行为而非企业的假设来进行决策。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。