1. 实际应用场景描述
在智能制造与数字化工厂领域，企业不仅生产产品，还依赖数字化营销与客户关系管理（CRM）系统来提升销售效率。
常见的业务痛点包括：
- 获客成本高：尤其是新客户，需要大量广告投放、展会、渠道合作等投入。
- 复购率差异大：老客户对品牌信任度高，复购率通常高于新客户。
- 资源分配不合理：如果只关注新客户，可能忽略老客户的长期价值。
因此，企业需要量化新客户与老客户的生命周期价值（Customer Lifetime Value, CLV），从而优化营销预算和客户维护策略。
2. 痛点引入
- 数据分散：获客成本、复购率、平均订单金额等数据可能来自不同系统（ERP、CRM、营销平台）。
- 计算复杂：CLV 涉及未来现金流预测，需考虑折现率、复购周期等。
- 决策支持不足：缺乏自动化工具快速对比新老客户价值。
3. 核心逻辑讲解
CLV 公式（简化版）：
CLV = \frac{\text{平均订单金额} \times \text{年购买次数} \times \text{客户生命周期（年）}}{1 + \text{折现率}} - \text{获客成本}
- 新客户：获客成本高，复购率较低，生命周期短。
- 老客户：获客成本低（接近 0），复购率高，生命周期长。
我们通过输入两类客户的参数，分别计算 CLV，并比较大小。
4. 项目结构
clv_comparison/
│
├── clv_calculator.py # 核心计算模块
├── data_input.py # 数据输入模块
├── main.py # 主程序入口
├── utils.py # 工具函数
├── README.md # 项目说明
└── requirements.txt # 依赖列表
5. 代码实现（模块化 + 注释）
"requirements.txt"
# 无第三方库依赖，仅使用标准库
"utils.py"
def validate_positive_number(value, name):
"""验证数值是否为正数"""
if value <= 0:
raise ValueError(f"{name} 必须为正数")
return value
"data_input.py"
def get_customer_data(customer_type):
"""
获取客户数据
:param customer_type: 'new' 或 'old'
:return: dict 包含 avg_order_value, purchase_per_year, life_years, acquisition_cost, repurchase_rate
"""
print(f"请输入 {customer_type} 客户数据:")
avg_order_value = float(input("平均订单金额: "))
purchase_per_year = int(input("每年购买次数: "))
life_years = float(input("客户生命周期（年）: "))
acquisition_cost = float(input("获客成本: "))
repurchase_rate = float(input("复购率 (0~1): "))
# 验证
from utils import validate_positive_number
validate_positive_number(avg_order_value, "平均订单金额")
validate_positive_number(purchase_per_year, "每年购买次数")
validate_positive_number(life_years, "客户生命周期")
validate_positive_number(acquisition_cost, "获客成本")
if not (0 <= repurchase_rate <= 1):
raise ValueError("复购率必须在 0~1 之间")
return {
"avg_order_value": avg_order_value,
"purchase_per_year": purchase_per_year,
"life_years": life_years,
"acquisition_cost": acquisition_cost,
"repurchase_rate": repurchase_rate
}
"clv_calculator.py"
def calculate_clv(data, discount_rate=0.1):
"""
计算客户生命周期价值
:param data: dict 客户数据
:param discount_rate: 折现率
:return: CLV
"""
# 考虑复购率调整年购买次数
effective_purchases = data["purchase_per_year"] * data["repurchase_rate"]
total_revenue = data["avg_order_value"] * effective_purchases * data["life_years"]
discounted_revenue = total_revenue / (1 + discount_rate)
clv = discounted_revenue - data["acquisition_cost"]
return clv
"main.py"
from data_input import get_customer_data
from clv_calculator import calculate_clv
def main():
print("=== 新客户 vs 老客户 CLV 比较程序 ===")
try:
new_customer = get_customer_data("新")
old_customer = get_customer_data("老")
clv_new = calculate_clv(new_customer)
clv_old = calculate_clv(old_customer)
print("\n=== 结果 ===")
print(f"新客户 CLV: {clv_new:.2f}")
print(f"老客户 CLV: {clv_old:.2f}")
if clv_new > clv_old:
print("结论: 新客户生命周期价值更高")
elif clv_new < clv_old:
print("结论: 老客户生命周期价值更高")
else:
print("结论: 两者生命周期价值相等")
except Exception as e:
print(f"错误: {e}")
if __name__ == "__main__":
main()
6. README.md
# CLV 比较工具
用于比较新客户与老客户的生命周期价值（CLV），帮助企业在智能制造与数字化工厂背景下优化客户投资策略。
## 功能
- 输入新老客户数据
- 自动计算 CLV
- 输出比较结果
## 使用方法
1. 安装 Python 3.x
2. 运行 `python main.py`
3. 按提示输入数据
## 示例数据
新客户:
- 平均订单金额: 500
- 每年购买次数: 2
- 生命周期: 3
- 获客成本: 300
- 复购率: 0.3
老客户:
- 平均订单金额: 500
- 每年购买次数: 4
- 生命周期: 5
- 获客成本: 50
- 复购率: 0.8
7. 使用说明
1. 确保 Python 环境已安装。
2. 下载项目文件到本地。
3. 在终端执行
"python main.py"。
4. 根据提示输入新老客户的数据。
5. 查看 CLV 比较结果。
8. 核心知识点卡片
知识点 说明
CLV 公式 客户生命周期价值 = 收入现值 - 获客成本
折现率 反映资金时间价值，常用 10%
复购率 影响有效购买次数
模块化设计 分离数据输入、计算、工具函数，便于维护
数据验证 防止非法输入导致计算错误
9. 总结
本程序通过简单的 Python 脚本实现了新客户与老客户 CLV 的比较，适用于智能制造与数字化工厂领域的客户投资分析。
核心价值：
- 数据驱动决策：避免凭经验分配营销预算。
- 可扩展性：可接入数据库或 API 获取真实数据。
- 易用性：交互式输入，适合业务人员使用。
未来可加入：
- 多客户批量计算
- 可视化图表（matplotlib/seaborn）
- Web 界面（Flask/Django）
如果你需要，还可以生成可执行的 EXE 文件或者做成 Web 版本，这样业务部门可以直接在浏览器里使用。
利用AI解决实际问，如果你觉得这个工具好用，欢迎关注长安牧笛！