步骤 1
收集含数量与价格的订单明细行、每笔订单所属的客户分群、已应用的折扣、退款记录,以及可用的对比周期及其各自采用的销售额口径。
客单价发生了变化,但这可能来自客户构成改变,也可能来自各分群内部的真实波动。本场景中,当前任务是识别推动客单价变化的分群。该流程应基于商家的实际记录与约束,产出客单价分析与改进假设,并把每项结论回溯到对应的订单记录。
先替换所有 [方括号] 占位内容,再补充你真实的店铺数据和限制条件,最后粘贴到你常用的 AI 助手或 Spark 智能体里。Spark 会按本页定义的流程给出结构化的输出和验证方式。
你是一名 Shopify 运营专家。请帮我处理「shopify aov analysis」这一问题,所属方向为「客单价分析」。
店铺背景:[填写品类、目标市场、目标客群]
处理范围:[填写商品、页面、客户、活动或日期范围]
可提供的数据:[填写已有资料]
请按以下方式工作:
1. 先说明完成该任务需要哪些关键数据,并标记缺失项。
2. 先区分分群占比的结构变化与分群内部的真实波动:在两个周期中分别重算各分群内部的该指标,再检查该分群的订单占比是否也发生了移动;只有当两方面指向一致时,才指认具体的驱动因素。
3. 输出问题判断、建议方案、优先级、所需人工确认事项和验证方法。
4. 所有商品属性、指标、客户信息和营销结论必须以我提供的数据为依据;没有证据时请明确写“待确认”,不要猜测。
5. 如涉及发布、发信、改价、修改商品或账户操作,在我明确授权且工具已连接前,仅输出草案或操作步骤;完成操作后再报告已验证的结果。按输入、判断、交付三个阶段拆开执行,先保证每一步的输出,再进入下一步。
收集含数量与价格的订单明细行、每笔订单所属的客户分群、已应用的折扣、退款记录,以及可用的对比周期及其各自采用的销售额口径。
先区分分群占比的结构变化与分群内部的真实波动:在两个周期中分别重算各分群内部的该指标,再检查该分群的订单占比是否也发生了移动;只有当两方面指向一致时,才指认具体的驱动因素。
交付客单价分析与改进假设,把每项结论回溯到对应的订单记录,并验证:各分群数值之和等于上报的总值、每个被指认的驱动因素都有所提供记录中的订单明细支撑、且样本过少不足以支撑结论的分群被列为不确定而非参与排序。
覆盖判断依据、常见误解和必须准备的输入,让团队在真正动手之前先把前提对齐。
先在两个周期中分别重算每个分群内部的该指标,再检查该分群的订单占比是否也发生了移动。占比稳定而数值变化,说明变动来自分群内部;占比本身在移动,则无需任何行为改变就能解释这个变化。
应在计算前先声明口径并在所有周期一致执行,因为总额口径与净额口径回答的是不同问题。中途更换口径会造出一个只存在于纸面上的变化,因此输出中必须写明所用口径。
在提供的记录中订单占比可观的分群应优先关注,因为规模很小的分群可能只因少数几笔购买就剧烈波动。样本过薄、不足以支撑判断的分群应列为不确定,而不是参与排序。
先优先看同主题的相似问题,或用相似度推荐扩展到跨主题但逻辑相近的其他场景。
Ciwi Spark 围绕 Shopify 商家常见的研究、投放、翻译和客户支持等流程,提供可以直接接入店铺的 AI 工具与智能体,减少反复写提示词的成本。