用途：面向电商与零售客户价值预测，基于RFM特征工程和回归算法估算客户生命周期价值（LTV），用于价值分层、营销预算分配等决策参考。
主要能力：计算R（最近消费间隔）、F（消费频率）、M（消费金额），支持短期数据预测长期价值与客户分群；提供线性回归、随机森林建模，含模型对比、交叉验证与超参数优化；支持批量预测、置信区间与特征重要性；生成RFM分布图、预测对比散点图等可视化，并导出HTML、Markdown、Excel报告及API调用。
用法：安装依赖 pip install pandas numpy scikit-learn matplotlib seaborn，可选 pip install xgboost lightgbm joblib openpyxl。使用 scripts.ltv_predictor 的 LTVPredictor 与 scripts.data_processor 的 DataProcessor 完成数据加载、RFM计算、模型训练、预测与报告生成；也可用 scripts.quick_analysis 的 quick_ltv_analysis 一键分析。订单数据需含用户码、消费日期、数量、单价字段，可选订单号、产品码、产品说明、城市。
适用场景：电商零售的客户分层、营销投放、库存与推荐；金融信贷评估与客户维护；营销中的获客成本与复购率分析。
限制：文档给出实测基准为37,060条订单、370个客户，3个月预测12个月LTV，线性回归R²=0.4778、随机森林R²=0.5899，实际效果受数据质量影响；需保证时间连续性与客户标识唯一；建议定期重新训练。具体收费与平台支持暂未提供。