advanced-customer-segmentation

name	advanced-customer-segmentation
description	高级客户细分 - RFM 分析、客户生命周期价值(CLV)计算、行为细分和个性化营销建议
version	1.0.0
author	Shopilot
argument-hint	<segmentation-type> [customer-data]
disable-model-invocation	false
user-invocable	true

Advanced Customer Segmentation 🎯

深度客户洞察，精准营销细分

基于 RFM 模型、客户生命周期价值和行为数据的高级客户细分系统，帮助电商企业实现精准营销和个性化服务。

---

🎯 核心功能

1. RFM 分析

Recency (最近一次购买):
├─ 越近越好
├─ 反映客户活跃度
├─ 预测未来购买
└─ 权重: 最高

Frequency (购买频率):
├─ 越高越好
├─ 反映客户忠诚度
├─ 预测终身价值
└─ 权重: 中等

Monetary (消费金额):
├─ 越高越好
├─ 反映客户价值
├─ 预测收益贡献
└─ 权重: 中等

2. CLV 计算

计算模型:
├─ 简单CLV
├─ 历史CLV
├─ 预测CLV
└─ 生命周期CLV

影响因素:
├─ 平均订单价值(AOV)
├─ 购买频率
├─ 客户留存率
├─ 利润率
└─ 获客成本(CAC)

3. 行为细分

行为维度:
├─ 浏览行为
├─ 搜索行为
├─ 加购行为
├─ 购买品类
├─ 价格敏感度
└─ 渠道偏好

细分方法:
├─ K-means 聚类
├─ 层次聚类
├─ DBSCAN 聚类
└─ 手动规则

4. 个性化营销

营销策略:
├─ 精准推荐
├─ 个性化邮件
├─ 定制优惠
├─ 动态定价
└─ 专属服务

实施渠道:
├─ 邮件营销
├─ 短信营销
├─ 站内推荐
├─ 社交媒体
└─ 客服沟通

---

📋 客户细分流程

Step 1: 数据准备

必需数据:
  交易数据:
    - 订单ID
    - 客户ID
    - 购买日期
    - 订单金额
    - 产品信息

  网站行为:
    - 浏览记录
    - 搜索关键词
    - 加购记录
    - 页面停留时间

  客户信息:
    - 基本信息
    - 地理位置
    - 注册来源
    - 会员等级

数据清洗:
  - 去除重复
  - 处理缺失
  - 异常值处理
  - 数据标准化

Step 2: RFM 评分

评分方法:
  五分位数法:
    R5: 最近1天购买
    R4: 最近1-7天
    R3: 最近8-30天
    R2: 最近31-90天
    R1: 90天以上

    F5: 购买5次以上
    F4: 购买4次
    F3: 购买3次
    F2: 购买2次
    F1: 购买1次

    M5: 消费¥5000+
    M4: 消费¥2000-5000
    M3: 消费¥1000-2000
    M2: 消费¥500-1000
    M1: 消费¥500以下

组合评分:
  RFM得分 = R×F×M
  最高分: 5×5×5 = 125
  最低分: 1×1×1 = 1

Step 3: 客户分层

11类客户分群:

  1. 最优客户 (R5 F5 M5):
     特征: 最近购买，高频，高消费
     策略: VIP服务，新品优先
     保留率: 最高
     占比: ~2%

  2. 忠诚客户 (R4-5 F4-5 M3-5):
     特征: 高频，中等消费
     策略: 会员升级，积分奖励
     保留率: 高
     占比: ~8%

  3. 潜力客户 (R4-5 F3-4 M3-4):
     特征: 近期活跃，有提升空间
     策略: 交叉销售，向上销售
     保留率: 中高
     占比: ~15%

  4. 新客户 (R5 F1-2 M1-2):
     特征: 首次购买
     策略: 欢迎序列，培养习惯
     保留率: 中
     占比: ~20%

  5. 需关注客户 (R3 F3-4 M2-3):
     特征: 开始变冷
     策略: 重新激活，特别优惠
     保留率: 中
     占比: ~10%

  6. 濒睡客户 (R2 F2-3 M2-3):
     特征: 较久未购买
     策略: 强力召回，深度折扣
     保留率: 低
     占比: ~15%

  7. 流失客户 (R1 F1-2 M1-2):
     特征: 长期未购买
     策略: 最后召回或放弃
     保留率: 很低
     占比: ~20%

  8. 高价值一次性客户 (R4-5 F1 M5):
     特征: 高消费但只买一次
     策略: 了解原因，引导复购
     保留率: 低
     占比: ~3%

  9. 价格敏感客户 (R3-4 F2-3 M1-2):
     特征: 只买促销品
     策略: 促销通知，优惠券
     保留率: 低
     占比: ~5%

  10. 平均客户 (R3 F3 M3):
      特征: 各方面都平均
      策略: 常规营销
      保留率: 中
      占比: ~10%

  11. 最低价值客户 (R1-2 F1-2 M1):
      特征: 低频低消费
      策略: 低成本维护
      保留率: 很低
      占比: ~10%

Step 4: CLV 计算

预测CLV公式:
  CLV = (AOV × 购买频率 × 客户留存率 × 利润率) / (1 + 折现率 - 客户留存率)

简化版本:
  CLV = AOV × 购买频率 × 客户生命周期

示例计算:
  AOV: ¥200
  购买频率: 3次/年
  客户生命周期: 2年
  利润率: 30%

  CLV = 200 × 3 × 2 × 0.3 = ¥360

CLV分层:
  高CLV: >¥1000 (前20%)
  中CLV: ¥300-1000 (中间60%)
  低CLV: <¥300 (后20%)

营销投入:
  高CLV: CLV的10%
  中CLV: CLV的5%
  低CLV: CLV的2%

---

🧠 行为细分模型

购买偏好分析

品类偏好:
  品类忠诚型:
    - 90%+ 购买同一品类
    - 营销: 深度推荐该品类

  品类探索型:
    - 购买多品类
    - 营销: 跨品类推荐

  价格敏感型:
    - 主要购买促销品
    - 营销: 折扣信息优先

  品质追求型:
    - 购买高端产品
    - 营销: 新品、高端推荐

价格敏感度分析

敏感度分层:
  高敏感 (折扣率 >50%才购买):
    - 占比: 20%
    - 策略: 大促通知
    - 利润率: 低

  中敏感 (折扣率 30-50%):
    - 占比: 50%
    - 策略: 适中折扣
    - 利润率: 中

  低敏感 (折扣率 <30%):
    - 占比: 30%
    - 策略: 价值营销
    - 利润率: 高

识别方法:
  - 历史购买折扣率
  - 价格区间偏好
  - 促销响应率
  - 全价购买比例

购买时机分析

时间偏好:
  早期鸟型:
    - 新品上市即购买
    - 占比: 10%
    - 策略: 新品预告

  跟随型:
    - 等待评价后购买
    - 占比: 60%
    - 策略: 社会证明

  促销型:
    - 等待促销购买
    - 占比: 30%
    - 策略: 促销提醒

购买频率:
  高频 (>12次/年):
    - 策略: 订阅制优惠

  中频 (4-12次/年):
    - 策略: 定期提醒

  低频 (<4次/年):
    - 策略: 节日营销

---

📊 聚类分析

K-means 聚类

from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

# 特征选择
features = ['recency_days', 'frequency', 'monetary',
            'avg_discount', 'product_diversity']

# 数据标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(df[features])

# 确定最优聚类数（肘部法则）
inertias = []
for k in range(2, 11):
    kmeans = KMeans(n_clusters=k, random_state=42)
    kmeans.fit(X_scaled)
    inertias.append(kmeans.inertia_)

# 选择聚类数
optimal_k = 5  # 根据肘部图选择

# 执行聚类
kmeans = KMeans(n_clusters=optimal_k, random_state=42)
df['cluster'] = kmeans.fit_predict(X_scaled)

# 分析聚类结果
for cluster in range(optimal_k):
    cluster_data = df[df['cluster'] == cluster]
    print(f"\n聚类 {cluster}:")
    print(cluster_data[features].mean())

聚类解释

聚类 1: 价值最大化客户
  特征: 高消费，高频，低折扣需求
  占比: 15%
  策略: VIP服务，新品优先

聚类 2: 价格敏感高频客户
  特征: 高频，中等消费，高折扣需求
  占比: 25%
  策略: 促销信息，积分奖励

聚类 3: 偶尔购买客户
  特征: 低频，低消费，随机购买
  占比: 40%
  策略: 节日营销，唤醒活动

聚类 4: 潜力客户
  特征: 新客户，高首单，有潜力
  占比: 15%
  策略: 欢迎序列，培养习惯

聚类 5: 流失风险客户
  特征: 曾经活跃，近期未购买
  占比: 5%
  策略: 强力召回或放弃

---

🎯 个性化营销策略

基于RFM的营销

R5 F5 M5 (最优客户):
  邮件: 专属VIP优惠
  频率: 每周1次
  内容: 新品优先，限量产品
  优惠: VIP专属折扣
  服务: 专属客服

R4-5 F4-5 M3-5 (忠诚客户):
  邮件: 会员升级优惠
  频率: 每周1次
  内容: 相关产品推荐
  优惠: 会员积分奖励
  服务: 优先发货

R4-5 F1-2 M1-2 (新客户):
  邮件: 欢迎序列
  频率: 前3天每天1次
  内容: 产品使用指南
  优惠: 首单优惠
  服务: 使用指导

R2 F2-3 M2-3 (濒睡客户):
  邮件: 想念你邮件
  频率: 单次强力推送
  内容: 限时特别优惠
  优惠: 深度折扣
  服务: 无

R1 F1-2 M1-2 (流失客户):
  邮件: 最后召回
  频率: 单次
  内容: 大额优惠
  优惠: 极限折扣
  服务: 无（如果不响应则放弃）

基于行为的推荐

品类偏好推荐:
  品类忠诚型:
    - 推荐同品类新品
    - 推荐相关配件
    - 推荐升级产品

  品类探索型:
    - 推荐跨品类组合
    - 推荐热门品类
    - 推荐试用装

价格偏好推荐:
  高端客户:
    - 推荐高端新品
    - 推荐限量版
    - 推荐套装

  价格敏感型:
    - 推荐促销品
    - 推荐性价比高产品
    - 推荐捆绑优惠

购买时机推荐:
  早期鸟型:
    - 新品预告
    - 预购优惠
    - 限量抢购

  促销型:
    - 促销预告
    - 降价提醒
    - 折扣专区

个性化邮件内容

邮件元素个性化:

  主题行:
    - 包含客户名字
    - 提及相关品类
    - 个性化优惠

  推荐产品:
    - 基于购买历史
    - 基于浏览行为
    - 基于相似客户

  优惠信息:
    - 根据价格敏感度
    - 根据客户价值
    - 根据购买时机

  发送时间:
    - 根据活跃时间
    - 根据时区
    - 根据习惯

示例模板:
  主题: "{{name}}，您的{{category}}新品已到货！"

  内容:
    "Hi {{name}}，

    基于您最近购买了{{last_product}}，
    我们为您精选了这些新品：

    [推荐产品1] [推荐产品2] [推荐产品3]

    专属优惠：{{discount_code}}（{{discount_amount}} OFF）

    此优惠仅限48小时！"

---

🚀 快速命令

RFM 分析

/advanced-customer-segmentation --rfm --data "customer_orders.csv"

CLV 计算

/advanced-customer-segmentation --clv --period "12months"

行为聚类

/advanced-customer-segmentation --cluster --features "behavior"

生成营销策略

/advanced-customer-segmentation --strategy --segment "VIP"

---

💡 最佳实践

1. 数据质量

• 定期更新数据
• 处理数据异常
• 整合多源数据
• 验证数据准确性

2. 分层管理

• 动态更新分层
• 设置自动化规则
• 监控分层变化
• 调整营销策略

3. 个性化实施

• 从简单开始
• 测试个性化效果
• 持续优化
• 避免过度个性化

4. 隐私保护

• 遵守隐私法规
• 获得客户同意
• 保护客户数据
• 透明化数据使用

---

📊 成功指标

细分质量

• 聚类间距大
• 聚类内差异小
• 业务可解释
• 稳定性强

营销效果

• 打开率提升 >30%
• 点击率提升 >25%
• 转化率提升 >20%
• CLV 提升 >15%

客户关系

• 留存率提升 >10%
• 复购率提升 >15%
• 满意度提升 >20%
• NPS 提升 >10分

---

🔗 相关 Skills

• /email-sequence - 创建个性化邮件序列
• /personalized-recommendation - 产品推荐引擎
• /basic-analytics - 客户数据分析
• /cart-abandonment - 流失客户召回

---

让每个客户都感受到专属的关怀！ 🎯

版本: 1.0.0 更新: 2026-04-12 作者: Shopilot Team