客流分析 Skill#

技能名称#

traffic-analysis

功能描述#

基于 AIoT 客户行为数据（customerFunnel + behaviorFunnel），分析门店客流和转化漏斗，诊断客流问题和转化效率问题。

核心特点#

1. 双漏斗结合分析#

• customerFunnel: 客户分层（人的数量）
• behaviorFunnel: 试用行为（行为次数）
• 结合分析: 人 + 行为 = 完整的客户行为画像

2. 五步分析过程#

1. 获取数据 — 从 API 拉取 customerFunnel 和 behaviorFunnel
2. 解析 customerFunnel — 客户分层（互斥桶验证）
3. 解析 behaviorFunnel — 试用行为（数据关系验证）
4. 计算转化率 — 客户分层转化 + 行为转化效率
5. 综合诊断 — 识别核心问题

3. 完整逻辑标注#

每个转化率指标都包含：

• 逻辑说明 — 这个指标代表什么
• 计算公式 — 具体怎么算
• 原因解释 — 为什么这样算
• 计算过程 — 展示具体数字和步骤

核心逻辑#

互斥桶模型（customerFunnel）#

text

有效客户（100%，互斥）
├── 普通客户（无试用）
├── 潜在客户（普通试用，无深度）
├── 意向客户（深度试用，无成交）
└── 成交客户（有成交）

互斥原则：每个客户只计入最深层的桶 验证：普通 + 潜在 + 意向 + 成交 = 有效客户

行为分层（behaviorFunnel）#

text

总试用次数
├── 普通试用次数（交互强度弱）
└── 深度试用次数（交互强度高）

关系：普通试用 + 深度试用 = 总试用次数

转化漏斗#

1. 客户分层转化率（基于互斥桶）

a) 潜在→意向转化率

• 逻辑: 从"有普通试用"到"有深度试用"的转化

• 公式: (意向客户 + 成交客户) / (潜在客户 + 意向客户 + 成交客户)

• 原因: 意向客户和成交客户都有深度试用，成交客户是从意向转化来的

• 示例: text

  上期: (65+296)/(19+65+296) = 361/380 = 95.0%
  本期: (78+188)/(27+78+188) = 266/293 = 90.8%
  
  

b) 意向→成交转化率

• 逻辑: 从"有深度试用"到"成交"的转化

• 公式: 成交客户 / (意向客户 + 成交客户)

• 原因: 只有意向客户和成交客户有深度试用，成交是意向的下一步

• 示例: text

  上期: 296/(65+296) = 296/361 = 82.0%
  本期: 188/(78+188) = 188/266 = 70.7%
  
  

2. 行为转化效率（基于 behaviorFunnel）

a) 试用→成交转化率

• 逻辑: 总试用次数中有多少转化为成交

• 公式: 成交件数 / 总试用次数

• 示例: text

  上期: 341/7121 = 4.8%
  本期: 201/4388 = 4.6%
  
  

b) 深度试用→成交转化率

• 逻辑: 深度试用次数中有多少转化为成交

• 公式: 成交件数 / 深度试用次数

• 示例: text

  上期: 341/927 = 36.8%
  本期: 201/555 = 36.2%
  
  

3. 人+行为综合指标

a) 高价值客户人均深度试用

• 逻辑: 有深度试用的客户，平均每人深度试用多少次

• 公式: 深度试用次数 / (意向客户 + 成交客户)

• 原因: 意向客户和成交客户都产生了深度试用行为

• 示例: text

  上期: 927/(65+296) = 927/361 = 2.6次/人
  本期: 555/(78+188) = 555/266 = 2.1次/人
  
  

b) 高价值客户人均成交件数

• 逻辑: 有深度试用的客户，平均每人成交多少件

• 公式: 成交件数 / (意向客户 + 成交客户)

• 示例: text

  上期: 341/361 = 0.94件/人
  本期: 201/266 = 0.76件/人
  
  

使用方法#

python

import sys
sys.path.insert(0, '~/.openclaw/skills/traffic-analysis')
from analyze import analyze

# 运行完整分析
result = analyze(
    store_id="416759_1714379448487",
    from_date="2026-03-01",
    to_date="2026-03-25",
    store_name="正义路60号店"
)

# 输出包含:
# - 完整分析过程（打印到控制台）
# - 结构化结果（返回值）

输出示例#

控制台输出（完整分析过程）#

text

======================================================================
客流分析报告 - 正义路60号店
分析周期: 2026-03-01 至 2026-03-25
======================================================================

【第一步：获取数据】
API: /api/v1/store/dashboard/bi
参数: storeId=416759_1714379448487, fromDate=2026-03-01, toDate=2026-03-25

【第二步：解析 customerFunnel（人的数量）】
...

【第三步：解析 behaviorFunnel（行为次数）】
...

【第四步：计算转化率（核心分析）】
...

【第五步：综合诊断】
转化率变化汇总:
  潜在→意向:     95.0% → 90.8% (-4.2%)
  意向→成交:     82.0% → 70.7% (-11.3%)
  ...

核心问题识别:
  1. 🔴 客流显著下滑 (有效客户-14.6%)
  2. 🔴 意向→成交转化率显著下降 (-11.3%)
  ...

结构化结果（返回值）#

json

{
  "status": "ok",
  "funnel": {
    "customer_groups": {"name": "有效客户", "current": 350, "previous": 410, "change_pct": -14.6},
    "normal_groups": {"name": "普通客户", "current": 57, "previous": 30, "change_pct": 90.0},
    "potential_groups": {"name": "潜在客户", "current": 27, "previous": 19, "change_pct": 42.1},
    "intent_groups": {"name": "意向客户", "current": 78, "previous": 65, "change_pct": 20.0},
    "deal_groups": {"name": "成交客户", "current": 188, "previous": 296, "change_pct": -36.5}
  },
  "conversion_rates": {
    "潜在到意向": {"上期": 0.95, "本期": 0.908, "变化": -0.042},
    "意向到成交": {"上期": 0.82, "本期": 0.707, "变化": -0.113},
    "试用到成交": {"上期": 0.048, "本期": 0.046, "变化": -0.002},
    "深度到成交": {"上期": 0.368, "本期": 0.362, "变化": -0.006}
  },
  "per_customer_metrics": {
    "人均深度试用": {"上期": 2.6, "本期": 2.1},
    "人均成交件数": {"上期": 0.94, "本期": 0.76}
  }
}

诊断标准#

问题指标阈值说明客流下滑有效客户变化<-10%进店人数显著减少转化效率下降意向→成交转化率变化<-5pp深度客户不成交试用深度不足潜在→意向转化率变化<-5pp客户试得浅了人均试用下降人均深度试用变化<-0.3次高价值客户试得少了人均购买下降人均成交件数变化<-0.1件买得少了

依赖#

• api_client.get_copilot_data() — 数据获取
• customerFunnel — 客户分层数据（互斥桶）
• behaviorFunnel — 试用行为数据

版本#

v1.1.0 — 完整分析过程展示（五步分析法 + 逻辑标注 + 人+行为结合）