陈列货盘分析 Skill
从货盘视角分析引起客户意向的商品和试用行为变化。
使用方式
import sys
sys.path.insert(0, '~/.openclaw/skills/store-assortment-analysis')
from analyze import analyze as assortment_analyze
result = assortment_analyze.analyze(
store_id="416759_1714379448487",
from_date="2026-03-01",
to_date="2026-03-26",
store_name="正义路60号店"
)
分析框架
核心逻辑
分析引起客户意向的商品与客户对意向商品的试用行为的交叉变化:
陈列SKU (385个)
↓ 被关注(试用)
引起意向的SKU (240个) = 深度触达SKU + 成交SKU
↓ 深度体验
深度试用次数 (581次)
↓ 成交
成交件数 (217件)
三漏斗交叉
| 漏斗 | 主体 | 核心指标 | |------|------|---------| | displayFunnel | SKU | 引起意向的SKU数(深度触达+成交) | | behaviorFunnel | 试用次数 | 深度试用次数 | | customerFunnel | 客户 | 有深度交互的客户数(意向+成交) |
核心指标
1. 引起意向的商品变化
- 引起意向的SKU数 = 深度触达SKU + 成交SKU
- 引起意向SKU占比 = 引起意向SKU / 陈列SKU总数
- 环比变化:反映货盘吸引力变化
2. 客户对意向商品的试用深度
- 平均试用深度 = 深度试用次数 / 引起意向的SKU
- 环比变化:反映客户体验深度变化
3. 客户意向分散度
- 客户意向分散度 = 深度试用次数 / 有深度交互的客户数
- 含义:平均每个意向客户深度试用的SKU数
- 变化:下降说明客户选择更集中(正面)
4. 货盘成交效率
- 货盘成交率 = 成交SKU / 陈列SKU总数
- 客户成交率 = 成交客户 / 有深度交互的客户数
诊断规则
| 发现 | 条件 | 含义 | |------|------|------| | ⚠️ 引起意向的商品减少 | 引起意向SKU环比下降>10% | 货盘吸引力下降 | | ⚠️ 试用深度下降 | 平均试用深度环比下降>10% | 客户体验变浅 | | ⚠️ 货盘成交率下滑 | 货盘成交率环比下降>20% | 大量陈列无效 | | ✅ 客户选择集中 | 客户意向分散度下降 | 意向更明确 |
输出示例
======================================================================
陈列货盘分析报告 - 正义路60号店
分析周期: 2026-03-01 至 2026-03-26
======================================================================
【第一步:获取数据】
...
【第二步:提取核心指标】
核心指标提取:
【货盘】陈列SKU: 389→385, 未触达: 18→24
【意向商品】引起意向的SKU: 287→240 (深度触达+成交)
【意向客户】有深度交互的客户: 374→277 (意向+成交)
【意向行为】深度试用次数: 959→581
【第三步:交叉分析】
1. 引起客户意向的商品变化:
引起意向的SKU数: 287个 → 240个 (-16.4%)
⚠️ 能引起客户深度兴趣的商品在变少
2. 客户对意向商品的试用深度:
平均每个引起意向的SKU被深度试用: 3.34次 → 2.42次 (-27.6%)
⚠️ 客户对每个感兴趣商品的体验深度下降
3. 客户意向分散度:
平均每个意向客户深度试用SKU数: 2.56个 → 2.10个
✅ 客户选择更集中,意向更明确
4. 货盘成交效率:
货盘成交率: 47.8% → 29.6%
⚠️ 大量陈列商品无法转化为成交
【第四步:综合诊断】
核心发现:
⚠️ 引起客户意向的商品大幅减少(-16.4%)
⚠️ 客户对意向商品的试用深度下降(-27.6%)
⚠️ 货盘成交率大幅下滑
【第五步:行动建议】
🔴 优化货盘结构
🟡 提升试用体验
🔴 提高货盘效率
API 端点
GET /api/v1/store/dashboard/bi- 门店BI数据(displayFunnel + behaviorFunnel + customerFunnel)
完整文档
详见 ~/.openclaw/skills/store-assortment-analysis/analyze.py
微信扫一扫