从数据到报告：会员数据分析借助 WorkBuddy 的实践

一、背景：为什么要把这件事交给 AI

公司 IT 信息部平时要维护一套会员体系，涉及储值、消费、会员、积分券、支付方式等多个维度，还要定期做退卡和会员流失的同比对比。以往的做法是：

1. 从系统导出原始数据（Excel / CSV）；
2. 自己写 Python 脚本清洗、分组、算同比；
3. 手工调整图表，截图拼进 PPT 或 Word；
4. 写分析结论，发邮件给相关同事。

这套流程的问题很明显：脚本改一次跑一次，图表样式反复调，最后拼装报告的时间比分析本身还长。一个月做一次还行，数据一更新就要重发，人非常疲惫。

引入 WorkBuddy 之后，我把整个流程重新梳理，形成了下面这套"数据进、报告出"的固定打法。

二、流程总览

整个流程分五步，每一步都有明确的分工边界——AI 负责执行，人负责定口径、验结果：

三、实操过程详解

第一步：定口径——把"默认值"说出口

这一步是整个流程里性价比最高的一步。我的习惯是把要求逐条编号写清楚：

1. 数据源：当月会员明细及消费流水（示意约 35 万条）；
2. 渠道筛选：只看小程序堂食和到店消费两个渠道；
3. 分析维度：储值余额与充值金额趋势、消费频次与客单价、SVIP 会员活跃度、积分券核销率、支付方式分布；
4. 对比口径：退卡金额、退卡人数、流失会员数（连续 90 天无消费），全部做同比；
5. 输出要求：HTML 报告，顶部 KPI 卡片，Chart.js 图表，异常指标用风险警示框标红。

第二步：清洗计算——让 Python 交作业

数据丢进去之后，WorkBuddy 用 Python 做清洗和聚合。这个过程我只看关键中间结果：

• 渠道字段归一：原始数据里"堂食""店内""小程序-堂食"混用，统一映射成两个标准渠道；
• 重复消费记录去重：按订单号 + 时间戳去重；
• 储值口径拆分：本金和赠送金分开统计。

我的做法是只抽查不细看——抽两三个分组手工验算，对得上就放行。全量核对没必要，那是把 AI 干的活再干一遍。

第三步：可视化——Chart.js 报告的模板化

第一版出来之后，我提的修改要求是：KPI 卡片置顶、支付方式用环形图、趋势用折线图、同比用分组柱状图、核销率低于 40%（示意阈值）的部分用风险警示框标出、每个图表配一段"怎么看这张图"。

磨完这一版之后，这套模板就成了固定格式——以后每月数据更新，说一句"按上次的模板重跑一版"，结构样式自动复用，只有数字在变。这就是流程化带来的复利。下面四张示意图，就是这套模板产出的效果。

第四步：关键发现

结合下面的图表，这套报告能挖出的结论包括：储值重心向高级会员集中、支付方式线上化加速、部分积分券长期沉没、"最后用券、再无消费"的流失前兆信号等——逐一看图。

图 1 · 储值余额同比趋势（近 12 个月，示意值）

单位：万元 · 红线为本年度，灰线为上年同期

怎么看这张图：本年度储值余额自 4 月起持续低于上年同期，全年均值同比约 -8%（示意）。但拆结构看，高级会员储值占比反而上升——说明普通会员储值意愿减弱，储值重心正向高价值会员集中，储值营销的 target 群体需要重新评估。

图 2 · 支付方式分布（当月，示意值）

按交易笔数占比 · 仅统计小程序堂食与到店消费渠道

怎么看这张图：微信与支付宝合计占比约八成，线上支付已是绝对主流；储值余额支付占 15%，是会员粘性的重要抓手。小程序堂食渠道的消费频次同比上升、客单价持平——线上化的会员粘性在增强。

图 3 · 积分券核销率对比（当月，示意值）

各券种核销率 vs 40% 警戒线

怎么看这张图：虚线为 40% 核销率警戒线（示意阈值）。低于警戒线的柱子已用深红色标出，对应上面的风险提示框。每月跟踪这张图，可以评估每次发券策略调整的实际效果。

图 4 · 会员流失与退卡同比（近 4 个季度，示意值）

左轴：流失会员数（连续 90 天无消费）· 右轴：平均退卡金额（元）

怎么看这张图：流失会员数同比整体持平、略有爬升；平均退卡金额同比上升，且集中在低频充值用户。进一步下钻发现：流失会员中有相当比例，在流失前的最后一个月只使用过一次积分券——"最后用券、再无消费"是值得盯的流失前兆信号，可作为后续预警模型的切入点。

四、复盘：这套方法成立的三个前提

1. 口径由人定，执行交给 AI。指标定义是业务判断，不能外包给工具；但定义之后的计算、绘图、排版，全是体力活，正是该交给机器的部分。
2. 第一版是草稿，不是成品。直接拿一版看效果，对着半成品提修改，比一次性写完美需求靠谱得多。
3. 出口必须有人的把关。凡是要发给别人的数字，抽查验算、口径复核不能省。AI 会"自信地错"，最后一道闸门永远是人。

第五步：校验与分发

报告出来后，我会核对三处：总会员数对不对、储值总额和财务口径对不对、同比基准期的数据有没有取错。核对通过后，由 WorkBuddy 代发邮件给相关同事——数据更新后重发邮件这件事，以前是我最嫌烦的一环，现在一句话的事。

总结

这个案例的本质，不是"用 AI 做了一次分析"，而是把一个每月重复、多环节、易疲劳的数据流程，固化成了一套"数据进、报告出"的流水线。AI 参与前后最大的变化是：我的时间从"拼装报告"转移到了"解读数据、想策略"上——这才是数据分析这件事本该花力气的地方。