用途：帮助团队识别最有价值的客户及其特征，为营销、产品优先级、流失预警和分群验证提供数据支持。
适用时机：需要了解最佳客户及其区别；营销需针对不同群体制定不同信息或优惠；产品需依据高价值用户行为排定功能优先级；流失率高需提前识别风险用户；现有分群随意、需数据验证或改进。
主要流程：1) 明确分群目标，确定分群将影响哪些决策（产品路线、营销活动、留存计划），通常划分3–7个群体；2) 选择并准备变量，选取3–7个随用户变化且与业务结果相关的属性或行为，处理缺失值并缩放连续变量，仅在会扭曲聚类中心时移除离群点；3) 执行分群，数据驱动方式通过scripts/segmentation_runner.py运行k-means聚类，规则方式应用业务逻辑规则并验证群体互不重叠；4) 刻画每个群体，按群体计算各变量均值和中位数，表示为相对整体平均的百分比高低，找出2–3个决定性特征并命名；5) 验证与解读，确认群体有显著差异（聚类轮廓系数大于0.3）且符合业务逻辑；6) 映射策略并报告，为每个群体分配建议策略（留存扩展、变现、激活、召回、淘汰），并生成assets/segment_profile_template.md。
所需输入：带有属性（人口统计、套餐类型）和行为指标（会话、收入、功能使用、近度）的用户级数据；分群服务的业务目标；待验证或替换的现有分群；每个预期群体至少约100名用户以保证聚类有意义。
输出：scripts/segmentation_runner.py（运行k-means、生成肘部与轮廓图、分配群体标签）、references/segmentation_approaches.md（k-means、RFM与规则分群的选用及解读指南）、assets/segment_profile_template.md（含规模、关键特征、建议策略和跟踪计划的群体画像模板）。
限制：需用户级数据且每个预期群体约百人以上，否则聚类结果可能不具意义；分群效果依赖变量选择与数据质量；具体收费、平台兼容性等资料暂未提供。