# Advanced Customer Segmentation > 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 - Skill: `huifer/advanced-customer-segmentation` (Agent Skill, multi-file: 2 files) - Install (CLI): `npx skillmds@latest add huifer/advanced-customer-segmentation` - Raw SKILL.md: https://api.skillmd.com/api/skills/huifer/advanced-customer-segmentation/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - Author: huifer (https://skillmd.com/u/huifer) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/huifer/advanced-customer-segmentation --- # 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 ```yaml 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 ```yaml 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 ```yaml 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 ```yaml 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 ```yaml 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 ```yaml 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 ```yaml 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 ```python 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 ```yaml 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 ```yaml 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 ```yaml 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 ```yaml 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 ```bash /advanced-customer-segmentation --rfm --data "customer_orders.csv" ``` ### CLV 计算 ```bash /advanced-customer-segmentation --clv --period "12months" ``` ### 行为聚类 ```bash /advanced-customer-segmentation --cluster --features "behavior" ``` ### 生成营销策略 ```bash /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