Deep customer insights, precise marketing segmentation
An advanced customer segmentation system based on the RFM model, customer lifetime value, and behavioral data, helping e-commerce businesses achieve precise marketing and personalized service.
🎯 Core Features
1. RFM Analysis
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 (purchase frequency): ├─ The higher the better ├─ Reflects customer loyalty ├─ Predicts lifetime value └─ Weight: Medium
Monetary (spending amount): ├─ The higher the better ├─ Reflects customer value ├─ Predicts revenue contribution └─ Weight: Medium
### 2. CLV 计算
Calculation models: ├─ Simple CLV ├─ Historical CLV ├─ Predictive CLV └─ Lifecycle CLV
Influencing factors: ├─ Average Order Value (AOV) ├─ Purchase frequency ├─ Customer retention rate ├─ Profit margin └─ Customer Acquisition Cost (CAC)
### 3. 行为细分
Behavioral dimensions: ├─ Browsing behavior ├─ Search behavior ├─ Add-to-cart behavior ├─ Purchase category ├─ Price sensitivity └─ Channel preference
Segmentation methods: ├─ K-means clustering ├─ Hierarchical clustering ├─ DBSCAN clustering └─ Manual rules
### 4. 个性化营销
Marketing strategies: ├─ Precise recommendations ├─ Personalized emails ├─ Customized offers ├─ Dynamic pricing └─ Exclusive services
Implementation channels: ├─ Email marketing ├─ SMS marketing ├─ On-site recommendations ├─ Social media └─ Customer service communication
---
## 📋 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 Scoring
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: Customer Tiering
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 Calculation
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%
🧠 Behavioral Segmentation Model
Purchase Preference Analysis
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
Price Sensitivity Analysis
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
Purchase Timing Analysis
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
📊 Cluster Analysis
K-means Clustering
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())
Cluster Interpretation
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
🎯 Personalized Marketing Strategies
RFM-based Marketing
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）
Behavior-based Recommendations
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
Personalized Email Content
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！"
🚀 Quick Commands
RFM Analysis
/advanced-customer-segmentation --rfm --data "customer_orders.csv"
CLV Calculation
/advanced-customer-segmentation --clv --period "12months"
Behavioral Clustering
/advanced-customer-segmentation --cluster --features "behavior"
Generate Marketing Strategy
/advanced-customer-segmentation --strategy --segment "VIP"
💡 Best Practices
1. Data Quality
- Update data regularly
- Handle data anomalies
- Integrate multi-source data
- Verify data accuracy
2. Tiering Management
- Dynamically update tiers
- Set up automation rules
- Monitor tier changes
- Adjust marketing strategies
3. Personalization Implementation
- Start simple
- Test personalization effectiveness
- Continuously optimize
- Avoid over-personalization
4. Privacy Protection
- Comply with privacy regulations
- Obtain customer consent
- Protect customer data
- Be transparent about data usage
📊 Success Metrics
Segmentation Quality
- Large inter-cluster distance
- Small intra-cluster variance
- Business interpretability
- Strong stability
Marketing Effectiveness
- Open rate increase >30%
- Click-through rate increase >25%
- Conversion rate increase >20%
- CLV increase >15%
Customer Relationships
- Retention rate increase >10%
- Repurchase rate increase >15%
- Satisfaction increased >20%
- NPS increased >10 points
🔗 Related Skills
/email-sequence- Create personalized email sequences/personalized-recommendation- Product recommendation engine/basic-analytics- Customer data analysis/cart-abandonment- Churned customer win-back
Let every customer feel exclusive care! 🎯
Version: 1.0.0 Updated: 2026-04-12 Author: Shopilot Team