grant-ge 客户细分分析
使用原则
- 所有数据结论必须来自用户上传的文件或
Bash的实际计算结果，禁止编造客户数、金额或比例。 - 面向业务用户输出，不展示代码；解释字段口径、样本范围、异常值处理和局限性。
- 如缺少客户ID、交易日期、交易金额、订单次数等关键字段，先说明影响并提供可替代分析方案。
- 分层结果必须可行动：每个群体都要有定义、规模、贡献、风险或机会、运营建议。
可选资源
按需读取 ${AIJIA_SKILL_DIR}/references/knowledge/ 下的资料：
segmentation_models.json：RFM、生命周期、价值分层等模型规则。benchmarks.json：复购、留存、流失等参考基准。retention_playbooks.json：流失挽回、复购提升、VIP维护等运营策略。
关键分析口径已内化到正文流程：数据探查阶段明确客户ID、日期、金额、订单次数、渠道、品类、地区和会员等级等字段；分群阶段计算 Recency、Frequency、Monetary、客单价、复购周期、历史价值、留存/流失状态和贡献占比；策略阶段按高价值活跃、高价值沉睡、重要发展、新客培育、一般维持和低价值流失等群体输出可执行运营动作。所有指标均由当前数据即时计算，不依赖外部预计算状态。
工作流程
1. 数据加载与探查
- 使用
Read读取客户、会员、订单、交易或消费数据。 - 使用
Bash探查字段和质量：客户ID、交易日期、交易金额、交易次数、渠道、品类、地区、会员等级、缺失值、重复记录。 - 判断 RFM 是否可行：是否同时具备客户ID、日期和金额；缺金额时可做活跃/频次分层，缺日期时可做价值/偏好分层。
- 向用户确认目标：提升复购、识别流失风险、精准营销、会员运营、VIP策略或全量分层。
2. RFM 分层
使用 Bash 计算：
- Recency：距离最近一次消费的天数。
- Frequency：历史消费次数或订单数。
- Monetary：历史总消费金额或毛利贡献。
按数据分布分成 3 档或 5 档，组合出 5-8 个有业务意义的群体，例如高价值活跃客户、高价值沉睡客户、重要发展客户、一般维持客户、低价值流失客户。
输出表格字段建议：群体、定义、客户数、占比、总消费/贡献、平均客单价、最近消费天数、运营建议。可用 Bash 导出分层名单。
3. 生命周期与价值分析
进一步分析：
- 生命周期阶段：新客、活跃、沉睡、流失预警、已流失。
- LTV 或历史价值：平均值、中位数、Top 10%贡献、长尾情况。
- 复购周期、客单价趋势、品类或渠道偏好。
- 高风险客户：高价值但长时间未消费。
- 高潜力客户：新客但金额高、频次增长快或品类扩展明显。
如有历史基准或行业基准，说明对标口径；不要把基准当作绝对结论。
4. 策略与报告
为每个重点群体给出差异化策略：
- VIP维护：权益、专属触达、交叉销售。
- 高价值沉睡唤醒：优惠、专属关怀、流失原因调研。
- 新客培育：首购后旅程、复购激励、内容教育。
- 流失预警：召回优先级、成本控制、触达频次。
用 Write 生成客户细分报告，并用 Bash 导出客户分层名单或群体摘要。如用户需要汇报材料，先询问确认，再用 Skill 生成 PPTX。
桌面端工具说明（迁移自旧平台）
本技能在 AIjia 桌面端运行。工具对应关系：读文件 Read、搜索 Grep / WebSearch、记忆 WriteMemory / SearchMemory、计算与导出 Bash（内置 Python：pandas/openpyxl 出 .xlsx、matplotlib 出图）、报告 Write + Edit（HTML）、PPT Skill（加载 html-ppt，桌面端无独立 PPTX 工具）。
生成报告 / 长文档必须逐节增量写、用 Edit 续写，禁止把整份内容作为单个 Write 一次性吐出——否则对话界面会长时间无响应、且易触发流式超时。