| 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 |
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。
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
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)
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
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
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
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
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%
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%
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
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
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
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 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
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）
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
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！"
/advanced-customer-segmentation --rfm --data "customer_orders.csv"
/advanced-customer-segmentation --clv --period "12months"
/advanced-customer-segmentation --cluster --features "behavior"
/advanced-customer-segmentation --strategy --segment "VIP"
/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
A/B 测试设计器 - 设计产品页面 A/B 测试，包括样本量计算、统计显著性分析和结果解读
高级财务分析器 - P&L报表、现金流预测、部门/产品线盈利分析、财务比率分析、预算vs实际对比、财务仪表板、合规报告
异常检测器 - 销售异常检测、流量异常、转化率异常、库存异常、原因分析、告警设置、自动通知
API 集成连接器 - 指导电商 API 集成，包括 Shopify API、ERP/CRM 集成和 Webhook 配置
归因分析器 - 多触点归因模型分析，归因价值分配，渠道贡献度分析，转化路径分析
自动化工作流设计器 - 复杂多步骤自动化、条件逻辑和分支、多系统集成、错误处理和重试、工作流监控、效率优化