当新手数据分析师面对GMV下滑、业务背景模糊的困境，AI工具如何从'取数机器'升级为'分析伙伴'？本文通过toB餐饮生鲜供应案例，拆解从客户画像构建、指标关系梳理到业务假设验证的全流程。从RFM客户分层到价格敏感度测试，揭示如何让AI辅助完成从数据清洗到决策建议的闭环，帮助分析师跨越'取数-洞察'的鸿沟。

忙于取数、缺少领导指导、对业务不熟悉，是阻碍新人成长的三座大山。比如这位同学在知识星球的提问，简直是各种困难都集齐了：

此时，直接问AI，大概率会得到一堆空话（如下图）

要怎么提升呢？今天详细介绍一下：如何从0到1建立思路，并且用好AI工具。

从客户画像开始

这位同学的业务场景是：toB餐饮生鲜供应+销售场景。toB场景下，大企业的需求是固定的。如果大企业在我平台采购少，只能证明我司还没赢得人家的信任。

比如餐饮生鲜供应，可以预计到是：

1、大企业：大型政企食堂/连锁餐饮/大型酒楼/连锁超市

2、中小企业：普通超市/二级批发商

3、散客：小型店铺/小餐馆/个人经营者

此时，基于客户企业名称、企业注册信息等，可以直接在数据库里，建立目标画像，把大客户/散客标识出来，并结合RFM方法，对客户过往采购记录划分高中低水平，从而认清目标市场（如下图）

这一步，需要细致盘点数据，可以让AI给提示，但是不太能指望AI从0搞起来，数据清洗与客户主数据治理得先做好。这样打好地基，后续深入就越来越容易。

梳理指标关系

该同学描述指标的顺序混乱！其实整个指标关系，可以重新梳理（如下图）

这样理清，能从总体到局部逐层深入，比如：

1、业绩不行，是不是因为投入费用也少了，投产比实际上没变

2、业绩不行，是不是因为费用投入方向变了，做了无用功

3、业绩不行，是不是产品结构变了，太多高质量高价/低质量低价产品

4、业绩不行，具体是客户数量少了，还是下单数量少了

这一步，对于经验少的同学， 可以用AI辅助，因为每个行业收入-成本-利润的报表结构相对固定，AI可以帮你快速搭架子，后续自己再调整补充细节。

深入业务细节

业绩直接和销售流程有关。toB销售中，可能有：业务员主动开发+客户自己下单两个模式，可以结合新客户拜访流程/老客户下单流程，理清销售过程指标，再结合漏斗分析法，看具体哪个环节/哪类客户出了问题（如下图）

结合数据，可以发现：

1、如果是新客户数量少了，就继续深入到线索来源+拜访成功率

2、如果是新客户下单少了，就看主推产品品类+价格

3、如果是老客户下单少了，先查之前是否有配送交货问题

4、对于散客少了，只能努力拉新，大客户则看销售是否维护到位

目前直接上传数据给AI还有较大风险，不建议直接传数。漏斗分析本身不复杂，找到转化率低的环节后，提业务假设是相对复杂的。可以让AI辅助这一步。输入企业背景+问题（如新客户数量减少）让AI给分析假设与模拟数据样例，自己结合内部数据进行验证和判断

衡量业务行为效果

“选商户经常购买的品类提升价格”，是一个业务做的提升业绩的动作。这种对具体业务动作的分析，要先提分析假设。

比如涨价提升业绩：

• 最好情况：选品是高溢价、高品质的非标品，比如小青龙，车厘子之类，客户很难横向对比价格，加上本身品质不错，对价格没那么敏感，那涨价也能接收。
• 最差情况：选品是普通的、品质区分度不大的标品，比如米面油蛋，客户一看“诶呀，你比市场价贵那么多！”就跑掉了。

在做分析的时候，可以把上述假设表述如下：

这样数据出来以后，直接观察结果就行了

1、活动上线以后，整体业绩是上升（成功）还是持平、下跌（失败）

2、活动刺激的品类，哪些价格敏感度高（失败）哪些敏感度低（成功）

3、参与活动的客户，是否整体消费减少（失败）是否转向采购未提价商品（失败）这样的分析，也能支撑到关键的业务决策