用途：该技能用于客户生命周期价值（LTV）预测分析，基于《数据分析咖哥十话》第3课理论，提供从RFM特征工程到回归建模的完整流程，适用于电商、零售等场景的客户价值预测。
主要能力：RFM特征工程（最近消费间隔R、消费频率F、消费金额M，支持时间窗口与客户分群）；回归建模（线性回归、随机森林，含模型对比、交叉验证、超参数优化）；LTV预测（时间序列预测、批量预测、置信区间、特征重要性）；可视化（RFM分布、预测对比散点图、特征重要性、模型性能对比）；报告输出（HTML、Markdown、Excel、API接口）。
使用方式：安装依赖 pip install pandas numpy scikit-learn matplotlib seaborn，可选 pip install xgboost lightgbm joblib openpyxl。通过 scripts.ltv_predictor 的 LTVPredictor 与 scripts.data_processor 的 DataProcessor 加载订单数据、计算RFM特征、训练模型、预测并生成报告；也可用 scripts.quick_analysis 的 quick_ltv_analysis 一键完成流程。数据需包含用户码、消费日期、数量、单价等字段。
适用场景：电商零售的客户分层、营销预算分配、库存预测、个性化推荐；金融信贷评估与风险控制；营销获客成本分析、生命周期管理、复购提升与客户挽回。
限制：资料未提供实际部署环境、并发能力、数据量上限及收费信息；模型性能基准基于特定数据集（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），实际效果因数据而异。项目采用MIT许可证。