2024中国“大模型+数据分析”最佳实践案例TOP10重磅发布

引言

在由数据驱动的商业世界中,“大模型+数据分析”的结合已经成为企业和组织获取竞争优势的关键,不仅仅是技术进步的象征,更是推动各行各业创新和转型的重要抓手。

《2024中国“大模型+数据分析”最佳实践案例TOP10》榜单汇集了来自不同行业“大模型+数据分析”落地应用,从金融科技到零售消费,从智能制造到智慧城市建设,不仅展示了如何利用先进的大模型和数据分析技术来解决现实世界中的复杂问题,而且为行业同仁提供了宝贵的经验和启示。

我们希望通过这份榜单,让读者一窥大模型在数据分析中的无限潜力,了解它们如何帮助企业优化决策、提升效率、创造新价值。同时,我们也希望激发读者的灵感,鼓励他们在自己的工作中探索和应用这些先进的技术和方法。

在这份榜单中,每一个案例都是经过严格筛选和评估的,它们代表了当前大模型在数据分析领域的最佳实践。我们诚邀每一位读者,不仅阅读这份榜单,更在自己的数据分析工作旅程中,不断探索、实践、创新。让我们一起见证并推动大模型在数据分析领域的进步和发展。

01

大模型将改变数据消费方式,释放数据生产力

在数字化转型的背景下,数据分析能够将海量的数字信息转化为洞察力和行动力,帮助企业在日益激烈的市场竞争中做出精准决策,优化运营效率,提升客户体验,并发掘新的增长点。通过对数据的分析,企业能够更好地理解市场动态、预测消费者行为、创新产品和服务,以及实现资源的最优配置,从而在数字化浪潮中保持领先地位并实现持续发展。

在过去二十年里,企业越来越多的依赖于数据驱动的决策,也一直在努力降低数据分析工具的使用门槛,使越来越广泛的用户获得以前只有数据分析师和数据科学家才具备的能力。早在10年前就已经开始有国外的商业智能平台引入自然语言查询、自动洞察生成、自然语言生成等功能。但是由于技术的不成熟,相关技术和功能一直未得以普及。

大模型的出现将进一步改善用户的数据分析体验、采用和影响,使得“数据分析平民化”这一理念成为现实。 将大模型用于增强数据分析的优势非常明显:

在这里插入图片描述

第一,自然语言处理和理解。 大模型能够以接近人类的水平理解和处理自然语言,能够帮助用户更快速、更准确地解析和理解大量的非结构化数据,例如文本数据、用户评价、社交媒体内容等。

第二,自然语言交互形式。 非技术人员能够通过自然语言查询获取所需数据和分析结果,同时提供清晰的数据解释和可视化,帮助用户更好地理解分析结果和数据洞见。

第三,识别模式、相关性和关系。 大模型擅长在大量数据中揭示复杂的关联,能够基于现有数据进行智能推理和预测,这种能力对于准确预测市场趋势和理解消费者行为至关重要。例如,通过分析历史销售数据来预测未来销售趋势。

第四,代码生成和自动化。 大模型能够自动生成代码,帮助数据分析师快速创建数据处理和分析的脚本,可以显著提高数据分析的效率和准确性,同时降低数据分析的门槛,使得非技术背景的人员也能够进行数据分析。

第五,支持自动化和实时分析。 大模型通过自动执行重复、耗时的任务来简化数据处理。因此,提高员工对数据结果的反映效率。这一功能可进行实时分析,为企业提供及时的数据洞察,可以快速灵活的应对市场变化。

第六,数据处理的可扩展性。 大模型能够高效地管理和分析日益增长的大型数据集,对于数据量高速增长的企业至关重要。这种可扩展性确保了一致的性能和从大量信息中提取洞察的能力。

基于以上能力,大模型在数据分析领域的应用可分为生成类和决策类:

• 生成类应用: 这类应用主要利用大模型的生成能力,自动化地创建数据内容和报告,创造性地提供数据分析视角;

• 决策类应用: 这类应用主要利用大模型的分析和决策能力,侧重于提供决策支持,帮助用户基于数据分析做出更加明智的业务决策。

这两类应用展示了大模型在数据分析中的多样化能力,它们不仅提高了数据分析的效率和便捷性,还增强了数据分析的深度和广度,帮助企业更好地理解和利用数据,从而做出更加精准的业务决策。

当前,生成类应用的落地速度较快、效果较为明显,决策类应用相对较慢。 在本次入选的“大模型+数据分析”最佳实践案例TOP10中,大部分案例属于生成类应用。

如何将大模型能力很好地融入到企业的现代数据堆栈、数据管道和数据分析工作流程中,是企业落地“大模型+数据分析”时面临的难题。

当前,不同企业根据自己的数据基础设施现状、技术能力等采取了不同的设计思路。一种主流的设计思路如下:

在这里插入图片描述

• 用户以自然语言的方式说出业务需求,大模型①(擅长语义理解)自动对问题作出建议和提炼,提炼后的问题会发送给聊天机器人;

• 聊天机器人使用大模型②(擅长NL2SQL)构建SQL查询,通过提前定义的语义层,完成指标定义、管理、访问等工作,提升数据口径一致性;

• 提取好的数据交由大模型③(擅长总结归纳)处理,生成自然语言回复,同时可视化引擎可输出可视化报表。

注:数据分析工作流的各个环节需要不同的大模型能力,上图所示大模型①、大模型②、大模型③为擅长不同能力方向的大模型能力示意,在实际落地过程中,企业可以选择在同一个大模型上训练多种能力,也可以选择多个大模型,在某些场景下还可以利用大小模型相结合的方式。

这种对话式的数据分析可以让用户以自然语言进行数据查询,还可以与数据可视化功能相结合,为任何用户(即使是非技术人员)赋予与数据交互的能力。而且当与图形生成功能结合使用时,可以改变用户的分析体验,简化数据和分析工作。

数据查询的效率和准确性很大程度上取决于数据的质量和完整性,但大部分企业的数据分散在各种系统中,企业在数据方面的基础设施还无法支持完整对话式数据分析的实现。因此,**企业应该尽快加大对数据管理的投资,使大模型可以轻松集成所需的企业数据。**企业应做好数据认责、确权、口径、定义等工作,保证数据资产目录清晰,有助于模型理解数据资产,使大模型在理解业务勾稽关系时更靠谱。

目前大模型在数据分析场景的落地目前还处于早期阶段,未实现大规模应用,但这一场景的增长速度比大多数场景都要更快。 为了获得更好的投入产出,企业在探索这一场景之前,需要明确以下问题:

• 用户: 谁将使用数据分析工具?主要是面向专业的数据分析师团队,还是面向更多数据能力相对较弱的普通用户?

• 行业要求: 根据企业所在行业的政策和监管要求,企业使用的数据分析工具是否需要符合特定的法律法规?例如对于出海企业,使用的工具如果涉及到数据跨境传输需要格外谨慎。

• 跨部门用例: 哪些部门将使用数据分析工具?该工具是否适用于企业的所有用例?

• 数据洞察量: 计划每天、每周和每月产生多少数据洞察?

• 数据展示要求: 需要向谁展示数据洞察结果?是否需要以特定的仪表盘或可视化方式展示结果?展示结果的频率如何?

• 速度: 需要多快的生成洞察?

• 准确性: 企业可以接受的数据分析结果准确率是多少?

• 培训: 员工需要接受多少培训才能有效使用该工具?

明确以上问题有助于帮助企业建立相关的关键绩效指标,并选择最佳的数据分析工具和技术路线来实现这些目标。

02

2024中国“大模型+数据分析”最佳实践案例TOP10评选结果

通过面向社会各界的广泛征集和深度市场研究,本次“大模型+数据分析”最佳实践案例榜单评选共收集、调研了53个“大模型+数据分析”实践案例。从价值性、实用性、创新性、示范性四个维度出发,沙丘社区对这53个“大模型+数据分析”实践案例进行评选,精选出其中10个最佳实践案例,为企业大模型应用提供参考。

《2024中国“大模型+数据分析”最佳实践案例TOP10》 评选结果如下(排名不分先后,按拼音排序):

在这里插入图片描述

03

入选案例介绍

▎案例1:大模型赋能线下门店销售

案例方/供应商:波司登

应用领域:零售

案例详情:

波司登通过在门店服装上安装芯片并结合大模型技术,实现了对线下门店顾客行为的精准分析。这种“AIOT+大模型”的解决方案,不仅提高了门店的转化率,还优化了库存管理和商品补货策略,使得决策过程更加数据驱动,显著提升了业绩和品牌价值。

入选理由:

• 波司登破解了线下零售门店转化率漏斗的缺失难题,通过精准的用户行为分析,能够优化库存管理,减少滞销风险,并提高畅销商品的供应效率,从而带来更高的销售业绩和品牌价值;

• 本案例体现了AIOT技术与大模型结合应用于零售行业的创新思路。波司登不仅解决了线下门店用户行为数据获取的难题,还通过持续的训练和优化,提高了行为识别的准确率,为服装行业的数字化转型提供了新的解决方案。

▎案例2:长安汽车智能问数AI助手

案例方/供应商:长安汽车/北极九章

应用领域:制造

案例详情:

长安汽车集团依托北极九章DataGPT打造了集团内部的对话式问数工具。目前,已经应用于产品策划、市场营销、客户管理等多个场景,满足不同业务团队海量、高频的分析和数据报告需求,并引领“以场景需求驱动、为业务部门主动提供数据”的创新探索。

入选理由:

• 智能问答AI助手作为对当前工具链的补充,进一步降低员工使用数据的门槛。看数人和取数人合二为一,需求响应效率翻倍,分析灵活度指数级提升,更多业务用户有机会、有能力用数据驱动业务决策,帮助业务团队释放数据生产力;

• 长安汽车智能问答AI助手结合大模型和小模型的优势,实现了从语义理解到数据解释和行动建议的全流程闭环。通过北极九章专利的数据分析语言模型,确保了NL2SQL的准确性和稳定性,同时避免了概率模型可能带来的幻觉问题。这种创新的技术应用不仅提高了数据分析的效率,也保证了分析结果的可靠性。

▎案例3:京东零售ChatBI实践

案例方/供应商:京东

应用领域:IT/互联网

案例详情:

京东零售内部打造的ChatBI是一款基于GPT大语言模型的AI数据分析师,旨在通过自然语言对话简化复杂的BI工作。它通过意图识别、实体提取、知识库交互和数据分析应用扩展,为用户提供快速、直观的数据查询和分析服务。ChatBI降低了技术门槛,提高了数据分析效率,使得用户能够像与真人合作一样,轻松解决数据问题。

入选理由:

• 通过自然语言对话,用户可以快速获得所需的数据信息和分析结果,无需学习复杂的操作或编写代码。此外,ChatBI通过集成知识库和数据分析工具,能够提供更加准确和全面的数据分析服务,帮助用户快速定位问题并做出决策;

• ChatBI能够帮助用户解决实际的数据分析问题,提高决策质量。通过将分析师的分析思路和业务知识沉淀到知识库中,ChatBI能够为一线业务人员提供专业的数据分析支持,帮助他们更好地理解数据,发现问题,并制定有效的业务策略。此外,ChatBI还能够通过自动化数据分析,释放分析师的时间,让他们能够专注于更高层次的分析和决策工作。

▎案例4:智瞳政企营销平台搜索和数据分析助手

案例方/供应商:江苏移动

应用领域:通信

案例详情:

江苏移动通过引入大模型搜索和数据分析功能,解决其内部省市区县运营管理人员在使用智瞳政企精准营销平台时面临的搜索功能限制问题。通过引入大模型,结合公司内部网格、政企等数据,提升搜索效率和结果精准度,满足用户在政企视图、营销案例、业务推荐信息、分析报告等方面的搜索需求,从而提高运营管理人员的工作效率和决策质量。

入选理由:

• 本案例通过引入大模型技术,显著提升了搜索效率和结果精准度,实现了个性化推荐和深入的数据分析,这些改进直接增强了企业对市场趋势和用户需求的把握能力,提升了营销效果和市场竞争力。这种技术的应用不仅提高了工作效率,还优化了用户体验,为企业带来了实际的经济效益和市场优势;

• 本案例展示了大模型技术在营销业务中的数据分析应用,通过结构化数据表征、自然语言处理与Text2SQL、数据挖掘与特征提取以及模板定制与智能报告生成等手段,解决了多模态搜索、语义理解、个性化推荐和深度挖掘分析等实际问题。这些功能的实现,使得平台更加符合业务需求,提高了报告的可读性和实用性,证明了大模型技术的高实用性。

▎案例5:武汉市中山公园落水检测系统

案例方/供应商:武汉市中山公园/毕昇云

应用领域:政务

案例详情:

武汉市中山公园利用基于yolov8的落水检测模型,精准识别陆地上的人、游泳者、戏水者、船只等目标,当出现游泳者和戏水者时,系统会立刻报警,并在最近处的广播设备播放告警音频,以制止危险行为,及时避免悲剧的发生。落水检测模型搭配异常行为分析系统,大大降低了误报率,为公园管理处提供了高效、精准的水域安全监控手段,有效保障了游客的安全与游玩体验。

入选理由:

• 基于视觉大模型的落水检测系统对提升公园的安全管理水平具有显著价值。通过实时监测和预警功能,系统有效降低了溺水事故的风险,为游客提供了更加安全的游玩环境。此外,该系统还优化了应急响应流程,缩短了响应时间,提升了公园的运营效率和应急处理能力。同时,通过增强游客的满意度,有助于提升公园的品牌形象和口碑,显示出其在社会价值和经济价值方面的双重重要性;

• 本案例在公共安全管理领域具有很好的示范性,展示了如何将大模型技术与现有监控系统集成,以提高公共区域的安全管理能力。武汉市中山公园的成功实践为其他公园或类似的公共场所提供参考,推动了公共安全科技的进步与发展。

▎案例6:智能对话引擎:ChatBI助力网易云音乐开创自助分析新篇章

案例方/供应商:深圳市福田区政务服务数据管理局/华为云

应用领域:IT/互联网

案例详情:

网易云音乐与网易数帆联合发起ChatBI项目,打造了一款融合AIGC技术的对话式BI产品。ChatBI通过自然语言交互,简化了数据查询和分析流程,使非技术背景的运营人员也能自助获取数据,显著提升了数据查询效率,降低了对专业技术人员的依赖。当前ChatBI已在网易云音乐的曲库、社区、长音频、创新业务等各业务线实践落地。

入选理由:

• ChatBI展现出极高的实用性,通过多轮对话、多端互通、知识库配置等功能,为用户提供了一个无缝且直观的数据查询和分析体验。用户可以随时随地通过自然语言发起查询,ChatBI能够理解并转化为精确的数据请求,快速提供所需信息,极大地提高了工作效率;

• 网易云音乐的ChatBI是数据分析领域的一次重要创新,不仅将前沿的AIGC技术应用于BI工具中,还通过检索增强技术、个性化知识配置和模型自学习等创新实践,解决了AI模型在数据查询中的准确性问题,为用户提供了一个既智能又可靠的数据分析助手。

▎案例7:基于大模型的GPT-BI创新应用

案例方/供应商:中国一汽/阿里云

应用领域:制造

案例详情:

中国一汽基于阿里云通义千问打造大模型应用GPT-BI,可以通过提问方式获取数据结果及图表,实现问答及洞察。当前GPT-BI覆盖中国一汽研、产、供、销等9大领域指标的查询与分析,包含数据指标实时查询、管理层决策辅助、业务人员高效数据分析三大场景,满足每个角色的数据使用需求。相比传统BI的“固定问答”,GPT-BI可以实现问答任意组合,数据随时穿透,满足用户更灵活智能的数据需求,实现“问答即洞察”,带来基于动态因子、实时数据的决策革命。

入选理由:

• GPT-BI不仅大大缩短了BI分析的报表设计、数据建模等交付周期,更可以挖掘企业有限域的全量指标、模型和报表,用户输入问题后,大模型识别问题意图,解析决策变量,生成SQL数据查询语句,匹配企业实时数据,自动生成最佳决策方案;

• GPT-BI通过深度数据应用和智能模式设计,促进了中国一汽业务效能的提升,并激发了IT产品的新效能。此外,GPT-BI的实施还为中国一汽带来了数据治理和决策数字化的关键能力,为企业的长远发展和价值创造提供了坚实的基础。

▎案例8:以煤机网产业互联网平台为依托的煤矿开采技术保障和产业服务大模型

案例方/供应商:中煤科工集团上海有限公司

应用领域:能源

案例详情:

煤科卫士大模型ChinamjGPT融合分析煤炭开采技术工艺数据、运维数据、设备运行数据和供应链数据,通过物联网大数据采集、知识图谱、数据推理和大语言模型相结合的前沿技术,将实时数据、静态数据、数据模型进行融合,开发人工智能大模型产业场景解决方案,提高服务和支持的效率,从而提高煤炭开采安全水平、降低生产成本、提高生产效率,保障煤矿生产的安全性和连续性。

入选理由:

• 本案例将大模型技术应用于煤矿技术保障和产业服务,实现了场景突破;利用大模型的推理能力,打通了知识和业务数据,实现了技术突破;利用大模型+物联网平台,贯通了数据和业务模型,实现了业务突破;

• 本案例展示了如何利用大模型和数据分析技术来解决传统行业面临的挑战,特别是在设备运维、故障处理和预测等方面。为煤矿行业以及其他传统行业的数字化转型提供了可借鉴的经验,鼓励更多企业探索利用先进的数据分析技术来提升运营效率和安全管理水平,推动整个行业的智能化发展。

▎案例9:自然堂集团x观远数据问数GPT项目

案例方/供应商:自然堂集团/观远数据

应用领域:零售

案例详情:

为了快速响应数据变化带来的分析需求变化,让用户随时随地获得数据分析结果,辅助敏捷决策,自然堂集团与观远数据合作开展问数GPT项目,将LLM与BI相结合,打造生成式数据分析产品,降低业务使用数据的门槛,提升用数效率和分析效率,助力自然堂集团实现数据驱动决策。

入选理由:

• 自然堂集团通过问答式数据分析实践,显著提升了数据的利用效率和决策质量,有效解决了数据孤岛问题,统一了数据口径,大幅缩短了数据需求的响应时间,从而加速了数据分析需求的响应效率,提升了整个组织的决策敏捷性。此外,还帮助数据分析师从日常的技术性工作中解放出来,转变为企业知识训练师,进一步提升了数据部门的服务价值;

• 自然堂集团的实践表明,通过结合LLM技术和BI工具,企业能够构建一个高效、响应迅速的数据分析系统,这对于推动企业内部的数据驱动文化和提升数字化思维具有重要的启示作用。

▎案例10:中银消费金融Text To BI Agent

案例方/供应商:中银消费金融有限公司/上海澜码信息技术有限公司

应用领域:金融

案例详情:

中银消费金融 Text To BI Agent基于澜码的企业级AI Agent平台AskXBOT打造而成,提供数据查询、数据分析、可视化图表等核心功能,旨在提高数据使用效率,降低数据查询的门槛,让任何人都能通过对话查询和探索数据,让更多的员工参与到数据驱动的决策过程中来。

入选理由:

• 中银消费金融通过Text To BI Agent,显著提升了业务人员获取和分析数据的效率,优化了决策质量。该平台通过提供无缝的数据查询、分析和可视化体验,降低了数据查询的门槛。这种以数据为核心的业务运营模式,不仅提高了业务效率,还推动了公司业务的成长和发展,具有很高的价值性;

• 通过【指标知识库】方案,Text To BI Agent解决了由于数据量大、字段过多、数据结构/逻辑复杂等问题导致的模型理解、推理能力下降,严重影响输出效果、用户体验的困境,为其他企业提供技术参考。

04

核心评价维度

本次评选从价值性、实用性、创新性、示范性四个维度对案例进行定性与定量评价:

• 价值性: 该案例促进企业商业目标的实现,提供了明确的商业价值,或者该案例具备社会价值,积极解决重要社会问题,对社会产生积极影响;

• 实用性: 该案例的实施带来显著效果,在实际应用中表现出色,为企业和用户创造实际价值;

• 创新性: 该案例具备独特的解决方案,彰显了技术创新的卓越性,引领行业发展,为市场注入新的创新动力;

• 示范性: 该案例对同行业或其他行业大模型技术应用的开展和能力建设具有参考和借鉴意义。

那么,如何学习大模型 AGI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

-END-


👉AGI大模型学习路线汇总👈

大模型学习路线图,整体分为7个大的阶段:(全套教程文末领取哈)

第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;

第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;

第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;

第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;

第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;

第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;

第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。

👉AGI大模型实战案例👈

光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

在这里插入图片描述

👉AGI大模型视频和PDF合集👈

观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
在这里插入图片描述
在这里插入图片描述

👉学会后的收获:👈

• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。

👉获取方式:

😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

  • 17
    点赞
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
RFM模型是电商用户大数据分析中常用的一种模型,用于衡量用户价值和忠诚度。RFM模型包括三个指标: R (Recency):最近一次购买时间距离当前时间的天数,表示用户的活跃度。 F (Frequency):用户购买的次数,表示用户的忠诚度。 M (Monetary):用户购买的总金额,表示用户的价值。 以下是一个电商平台的用户RFM模型分析案例和对应的 SQL 语句: 1. 计算每个用户的R、F、M值 ```sql SELECT user_id, DATEDIFF(NOW(), MAX(purchase_time)) AS R, COUNT(*) AS F, SUM(amount) AS M FROM purchase_table GROUP BY user_id; ``` 2. 对R、F、M值进行分组,并计算每个组的平均值和标准差 ```sql SELECT CASE WHEN R < 30 THEN '1. 0-30' WHEN R < 60 THEN '2. 31-60' WHEN R < 90 THEN '3. 61-90' ELSE '4. 91+' END AS R_Group, CASE WHEN F < 2 THEN '1. 1-2' WHEN F < 4 THEN '2. 3-4' WHEN F < 6 THEN '3. 5-6' ELSE '4. 7+' END AS F_Group, CASE WHEN M < 100 THEN '1. 0-100' WHEN M < 200 THEN '2. 101-200' WHEN M < 500 THEN '3. 201-500' ELSE '4. 501+' END AS M_Group, COUNT(*) AS user_count, AVG(R) AS avg_R, AVG(F) AS avg_F, AVG(M) AS avg_M, STDDEV(R) AS std_R, STDDEV(F) AS std_F, STDDEV(M) AS std_M FROM (SELECT user_id, DATEDIFF(NOW(), MAX(purchase_time)) AS R, COUNT(*) AS F, SUM(amount) AS M FROM purchase_table GROUP BY user_id) AS RFM GROUP BY R_Group, F_Group, M_Group; ``` 这里的 R_Group、F_Group、M_Group 分别代表 R、F、M 指标的分组,分别将用户的 R、F、M 值分成四组,分别是 0-30、31-60、61-90、91+ 天,1-2、3-4、5-6、7+ 次,0-100、101-200、201-500、501+ 元。可以根据实际业务场景进行适当调整。 通过RFM模型的分析,可以对用户进行分类,进而制定更有针对性的营销策略,提高用户忠诚度和购买频率,从而提高电商平台的销售额。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值