步骤 1
收集带客户标识与日期的订单历史、首次购买日期、退款规则、观察窗口,以及商家有记录的促销标记。
计算间隔时把所有客户混在一起取平均,把下过多次单的人和只买过一次的人一并计入。本场景的具体任务,是分析客户两次购买之间的间隔。工作流应基于带客户标识的订单历史、退款规则与观察窗口,产出复购群体分析。
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 time between purchases」这一问题,所属方向为「复购与留存分析」。
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. 按群体度量第一笔与第二笔有效订单之间的间隔,用退款规则判定哪些订单计入,在可识别处拆分促销订单,并把只买过一次的客户排除在间隔统计之外而非计为超长间隔。
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。
收集带客户标识与日期的订单历史、首次购买日期、退款规则、观察窗口,以及商家有记录的促销标记。
按群体度量第一笔与第二笔有效订单之间的间隔,用退款规则判定哪些订单计入,在可识别处拆分促销订单,并把只买过一次的客户排除在间隔统计之外而非计为超长间隔。
输出含间隔区间与一次性买家占比的群体表,说明长于窗口剩余时间的间隔被删失,并用订单导出数据核对计数。
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。
他们的间隔尚未结束,任何赋值都是假设而非测量。按极端间隔计入会拉低统计、错估复购者的真实节奏。他们作为群体中一次性买家的占比单独呈现。
长于观察窗口剩余时间的第一至第二笔间隔暂时观测不到,长间隔是缺失而非不存在。群体表写明窗口,读者可以看出哪些群体仍在成熟。把当前最大值当作真实上限会低估间隔。
只有有效订单:位于观察窗口内、通过退款规则、且由可识别客户下达。有促销记录处将促销订单单独拆出,因为折扣带动的购买会把间隔压到客户平常节奏之下。表旁写明资格规则,使计数可以复算。
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。