我们以前讲过新零售的人货场重构，旨在基于大数据环境，使用AI等现代化技术赋能企业管理和决策。那么对于大数据来说，智能或是专业的分析是必不可少的。很多企业已经开始使用DataFocus、Tableau等大数据分析工具对企业大数据进行分析和洞察，以提供最精准的数据结论或可视化视图来辅助决策。那么对于很多TO C企业来说，客户数据是企业大数据的重要组成部分，对于客户数据的利用效率关乎整个企业的运营成果。我们以前介绍过需要让客户数据“动起来”，同样的，基于客户数据分析我们更可以做到培养新老客。
首先我们需要明白，为什么需要培养新老客户，因为新老客特征不同，适合的培养策略不同。同样的，根据一些合作商家的客户数据分析显示，只购买过一次的客户占比高达71%-80%，2次的占14.27%-18.3%，剩下的是3次以上的客户数据，10次以上的客户会比3-9次的客户占比略高，占1.57%-3.4%。所以，针对不同的数据我们需要有不同的定义策略。除了我们以前介绍过的生命周期等各类定义策略，还可以基于购买数据分析来定义。
我们可以按一下方式先进行数据上的分类，或者说贴上标签。
- 数据显示购买一次，时间较近：对店铺印象深刻，对服务和产品余温较强，适合趁热培养，加深粘性，可以及时成功1转2。定义为活跃新客。
- 数据显示购买一次，时间较远：对店铺印象淡忘，服务和产品冷却，需要更大的成本才能激活，适合逐步唤醒，提高1转2。定义为沉睡新客。
- 数据显示购买多次，时间较近：对店铺印象深刻，活跃度高，保持基本服务，高频优质活动通知，长期培养，提升2转n。定义为活跃老客。
- 数据显示购买多次，时间较远：印象淡忘，曾经忠诚信任，某种原因而流失，找出根源，对症下药，逐步唤醒。定义为沉睡老客。
注意，这里的时间和我们以前介绍过的RFM模型中的R是一个类型，指最后购买时间。
