一、实际应用场景描述在《时尚产业与品牌创新》课程中如何识别并量化不同客群的价值差异是消费者行为模块的核心议题。典型教学/实践场景包括- 课程作业学生需要为某轻奢品牌分析奢侈品追随者与原创设计师受众的消费力差异- 品牌定位工作坊评估是否应从追随大牌转向支持原创的客群策略- 市场细分课堂对比两类客群在客单价、复购率、价格敏感度上的结构性差异- 创业路演预演用数据模型展示原创设计师品牌的目标客群消费力是否支撑商业模式本工具尝试将 奢侈品追随者与原创设计师受众两类客群 的消费行为进行结构化对比通过透明、可审计的计算模型输出客单价与复购率的多维度统计对比用于课堂讨论与客群分析教学。二、引入痛点中立表述- 客群定义模糊奢侈品追随者到底是买真货、买平替还是只看不买原创设计师受众是核心粉丝还是泛兴趣人群- 消费力指标单一只看客单价忽略复购频率、生命周期价值LTV、价格敏感度- 对比口径不一不同品牌、不同渠道的客群数据不可比- 教学缺乏可运行原型学生需要一个干净代码骨架理解客群特征 → 消费指标的映射- 数据来源不透明直接引用某报告显示而不展示计算逻辑无法教学审计本工具不依赖真实交易数据而是回答在给定假设参数下两类客群的客单价与复购率差异如何结构化呈现三、核心逻辑讲解1. 两类客群的操作化定义教学模型客群 操作化定义 核心特征奢侈品追随者Luxury Follower 关注奢侈品牌、购买经典款或入门款、对品牌溢价接受度高 高客单、低频、品牌驱动原创设计师受众Original Designer Audience 关注独立设计师、重视独特性与故事性、愿意为创意溢价 中高客单、中高频、价值驱动2. 消费力对比的核心指标指标 计算公式 教学意义平均客单价AOV 总销售额 / 总订单数 单笔消费能力复购率 复购用户数 / 总用户数 忠诚度与持续消费意愿复购频次 总订单数 / 复购用户数 复购深度年均消费额 AOV × 年均订单数 单客年度价值价格敏感度 促销期销量变化率 对折扣的依赖程度3. 统计对比方法差异幅度 (客群B指标 − 客群A指标) / 客群A指标采用描述性统计 相对差异的方式避免假设检验的过度复杂化教学阶段。4. 关键假设必须显式声明- 所有消费数据为教学假设参数非真实交易数据- 客群分类为宽泛划分实际中存在大量交叉与过渡- 未考虑地域、年龄、收入等细分维度- 输出为结构化对比参考不可直接用于商业决策四、代码模块化注释清晰目录结构consumer_comparison/├── models.py # 数据结构与客群参数配置├── stats_calc.py # 消费力指标计算├── comparator.py # 两类客群对比分析├── visualizer.py # 终端可视化输出├── main.py # CLI 入口 demo└── README.mdmodels.pymodels.py定义客群消费力对比的数据结构与参数配置。所有参数均为教学示例可按课程需要调整。from dataclasses import dataclassfrom typing import Dict, Listdataclassclass ConsumerGroup:客群消费行为参数教学假设name: str # 客群名称description: str # 客群描述sample_size: int # 样本量用户数# 客单价分布参数模拟用avg_order_value: float # 平均客单价order_value_std: float # 客单价标准差# 复购相关repurchase_rate: float # 复购率0-1avg_orders_per_year: float # 年均订单数avg_orders_per_repurchaser: float # 复购用户年均订单数# 价格敏感度促销期销量变化0-1price_sensitivity: float# 品类偏好权重教学用category_preferences: Dict[str, float]dataclassclass ComparisonResult:对比分析结果group_a: ConsumerGroupgroup_b: ConsumerGroup# 客单价对比aov_a: floataov_b: floataov_diff_pct: float# 复购率对比repurchase_rate_a: floatrepurchase_rate_b: floatrepurchase_diff_pct: float# 年均消费对比annual_spend_a: floatannual_spend_b: floatannual_spend_diff_pct: float# 价格敏感度对比sensitivity_diff: float# 奢侈品追随者参数教学假设LUXURY_FOLLOWER ConsumerGroup(name奢侈品追随者,description关注奢侈品牌购买经典款/入门款品牌溢价接受度高,sample_size500,avg_order_value2500.0,order_value_std800.0,repurchase_rate0.25,avg_orders_per_year1.8,avg_orders_per_repurchaser3.2,price_sensitivity0.35,category_preferences{包袋: 0.45,鞋履: 0.25,成衣: 0.20,配饰: 0.10,},)# 原创设计师受众参数教学假设DESIGNER_AUDIENCE ConsumerGroup(name原创设计师受众,description关注独立设计师重视独特性与故事性愿为创意溢价,sample_size380,avg_order_value1800.0,order_value_std600.0,repurchase_rate0.40,avg_orders_per_year2.5,avg_orders_per_repurchaser4.5,price_sensitivity0.20,category_preferences{成衣: 0.50,配饰: 0.25,鞋履: 0.15,包袋: 0.10,},)stats_calc.pystats_calc.py计算客群消费力的核心统计指标。def calc_group_stats(group: ConsumerGroup) - dict:计算单客群的核心消费力指标。# 基础指标aov group.avg_order_value# 复购用户数repurchase_users int(group.sample_size * group.repurchase_rate)# 总订单数 新客订单 复购订单# 新客每人 1 单复购用户每人 avg_orders_per_repurchaser 单new_users group.sample_size - repurchase_userstotal_orders new_users * 1 repurchase_users * group.avg_orders_per_repurchaser# 年均消费额加权平均annual_spend aov * (total_orders / group.sample_size)# 实际复购率考虑复购频次effective_repurchase_rate repurchase_users / group.sample_sizereturn {aov: aov,repurchase_rate: effective_repurchase_rate,total_orders: total_orders,annual_spend_per_user: annual_spend,price_sensitivity: group.price_sensitivity,avg_orders_per_user: total_orders / group.sample_size,}comparator.pycomparator.py两类客群的对比分析引擎。from .models import ComparisonResultfrom .stats_calc import calc_group_statsdef compare_groups(group_a: ConsumerGroup,group_b: ConsumerGroup,) - ComparisonResult:对两类客群进行全面消费力对比。stats_a calc_group_stats(group_a)stats_b calc_group_stats(group_b)# 客单价对比aov_diff _pct_diff(stats_b[aov], stats_a[aov])# 复购率对比repurchase_diff _pct_diff(stats_b[repurchase_rate],stats_a[repurchase_rate],)# 年均消费对比annual_diff _pct_diff(stats_b[annual_spend_per_user],stats_a[annual_spend_per_user],)# 价格敏感度差异绝对值sensitivity_diff (stats_b[price_sensitivity] - stats_a[price_sensitivity])return ComparisonResult(group_agroup_a, group_bgroup_b,aov_astats_a[aov], aov_bstats_b[aov],aov_diff_pctaov_diff,repurchase_rate_astats_a[repurchase_rate],repurchase_rate_bstats_b[repurchase_rate],repurchase_diff_pctrepurchase_diff,annual_spend_astats_a[annual_spend_per_user],annual_spend_bstats_b[annual_spend_per_user],annual_spend_diff_pctannual_diff,sensitivity_diffsensitivity_diff,)def _pct_diff(value_b: float, value_a: float) - float:计算相对差异百分比if value_a 0:return 0.0return (value_b - value_a) / value_avisualizer.pyvisualizer.py终端格式化输出与可视化。def print_comparison(result: ComparisonResult):a result.group_ab result.group_bprint(\n * 62)print( 客群消费力对比分析教学演示)print( * 62)# 客群基本信息print(f\n 【客群 A】{a.name})print(f {a.description})print(f 样本量: {a.sample_size} 人)print(f\n 【客群 B】{b.name})print(f {b.description})print(f 样本量: {b.sample_size} 人)# 核心指标对比print(f\n {─ * 58})print(f {指标:20s} {客群 A:12s} {客群 B:12s} {差异:12s})print(f {─ * 58})_print_row(平均客单价, result.aov_a, result.aov_b, result.aov_diff_pct, ¥)_print_row(复购率, result.repurchase_rate_a, result.repurchase_rate_b,result.repurchase_diff_pct, , is_pctTrue)_print_row(年均消费/人, result.annual_spend_a, result.annual_spend_b,result.annual_spend_diff_pct, ¥)# 价格敏感度print(f\n {─ * 58})print(f 价格敏感度促销期销量变化)print(f 客群 A: {result.group_a.price_sensitivity:.0%})print(f 客群 B: {result.group_b.price_sensitivity:.0%})print(f 差异: {result.sensitivity_diff:.0%})# 品类偏好对比print(f\n {─ * 58})print(f 品类偏好对比)print(f {品类:10s} {客群 A:10s} {客群 B:10s})print(f {─ * 58})all_cats set(a.category_preferences.keys()) | set(b.category_preferences.keys())for cat in sorted(all_cats):pref_a a.category_preferences.get(cat, 0)pref_b b.category_preferences.get(cat, 0)print(f {cat:10s} {pref_a:9.0%} {pref_b:9.0%})# 总结print(f\n { * 58})print(f 【关键发现】)print(f { * 58})if result.aov_diff_pct 0:print(f • 客群 B 客单价低 {abs(result.aov_diff_pct):.1%}f但年均消费{_direction(result.annual_spend_diff_pct)} f{abs(result.annual_spend_diff_pct):.1%})else:print(f • 客群 A 客单价高 {abs(result.aov_diff_pct):.1%}f但年均消费{_direction(result.annual_spend_diff_pct)} f{abs(result.annual_spend_diff_pct):.1%})if result.repurchase_diff_pct 0:print(f • 客群 B 复购率高 {abs(result.repurchase_diff_pct):.1%}f忠诚度更强)else:print(f • 客群 A 复购率高 {abs(result.repurchase_diff_pct):.1%}f忠诚度更强)if result.sensitivity_diff 0:print(f • 客群 B 价格敏感度低 {abs(result.sensitivity_diff):.0%}f对折扣依赖更小)else:print(f • 客群 A 价格敏感度低 {abs(result.sensitivity_diff):.0%}f对折扣依赖更小)print(f\n { * 58})print( 说明)print( - 所有数据均为教学假设参数非真实交易数据)print( - 客群分类为宽泛划分实际存在大量交叉)print( - 建议结合真实用户调研做交叉验证)print(f { * 58}\n)def _print_row(label, val_a, val_b, diff_pct, prefix, is_pctFalse):if is_pct:a_str f{val_a:.1%}b_str f{val_b:.1%}else:a_str f{prefix}{val_a:,.0f}b_str f{prefix}{val_b:,.0f}diff_str f{diff_pct:.1%}print(f {label:20s} {a_str:12s} {b_str:12s} {diff_str:12s})def _direction(diff):return 高 if diff 0 else 低main.pymain.pyCLI 入口运行两类客群消费力对比演示。运行python main.pyfrom models import LUXURY_FOLLOWER, DESIGNER_AUDIENCEfrom comparator import compare_groupsfrom visualizer import print_comparisondef run_demo():result compare_groups(LUXURY_FOLLOWER, DESIGNER_AUDIENCE)print_comparison(result)if __name__ __main__:run_demo()五、README.md# Consumer Group Comparison Tool教学演示一个轻量级 Python 工具用于对比 **奢侈品追随者与原创设计师受众** 两类客群的消费力差异。## 定位与边界- 目的将客群分析从定性描述转化为可审计的量化对比- 非市场调研工具不替代问卷/访谈/埋点分析- 所有数据均为教学假设参数- 忽略地域差异、年龄分层、收入分布、竞品影响- **不构成任何商业决策建议**## 环境- Python ≥ 3.8仅标准库## 安装与运行bashgit clone repo-urlcd consumer_comparisonpython main.py## 模块说明| 文件 | 职责 ||---|---|| models.py | 客群数据结构、参数配置含两类客群默认参数 || stats_calc.py | 客单价、复购率、年均消费等指标计算 || comparator.py | 两类客群对比分析引擎 || visualizer.py | 终端格式化输出含品类偏好对比 || main.py | CLI 入口与演示 |## 如何调整### 修改客群参数编辑 models.py 中的 LUXURY_FOLLOWER 或 DESIGNER_AUDIENCE。### 增加第三类客群定义新的 ConsumerGroup 实例扩展 comparator.py 支持多组对比。### 增加新指标在 stats_calc.py 的 calc_group_stats() 中添加计算逻辑。### 接入真实数据替换 models.py 中的参数为实际调研/交易数据。## 核心指标说明| 指标 | 含义 ||---|---|| 平均客单价AOV | 单笔交易平均金额 || 复购率 | 有≥2次购买的用户占比 || 年均消费/人 | AOV × 年均订单数 || 价格敏感度 | 促销期销量变化幅度 |## 许可证MIT教学用途自行承担使用风险六、核心知识点卡片中立、去营销卡片 1 · 客群细分方法论- 消费者行为学核心按行为/态度/需求而非仅人口统计细分- 本工具采用品牌取向 购买动机双维度划分- 教学要点细分不是目的差异化策略才是卡片 2 · 复购率的多层含义- 简单复购率有复购行为的用户占比- 复购深度复购用户的平均购买频次- 教学价值两个指标结合才能区分偶尔回头和核心忠实卡片 3 · 价格敏感度测量- 操作化定义促销期销量变化率 / 价格弹性系数- 低敏感度 品牌溢价空间大- 教学要点敏感度因品类、价格段而异卡片 4 · 描述性统计 vs 推断统计- 描述性均值、标准差、占比本工具采用- 推断性t 检验、卡方检验、置信区间- 教学建议先掌握描述性对比再引假设检验。利用AI解决实际问题如果你觉得这个工具好用欢迎关注长安牧笛