segmentation-analysis

细分分析

适用场景

• 团队需要了解哪些客户最优质，以及他们有哪些独特之处
• 营销团队希望划分不同群体，以便投放针对性的消息或优惠
• 产品团队需要根据高价值用户的行为模式确定功能优先级
• 流失率较高，团队需要在用户离开前识别有流失风险的用户
• 现有细分方式显得随意，需要通过数据验证或改进

流程

1. 明确细分目标 — 确定细分结果将用于支持哪些决策（产品路线图、营销活动、用户留存计划）。目标决定了哪些变量重要，以及划分多少个细分群体才有用（通常为 3–7 个）。参见 references/segmentation_approaches.md。
2. 选择并准备变量 — 选择 3–7 个因用户而异且与业务结果相关的属性或行为。处理缺失值，并对连续变量进行缩放。仅在离群值会扭曲聚类中心时才将其移除。
3. 执行细分 — 对于数据驱动的细分，使用 scripts/segmentation_runner.py 执行 k-means 聚类。对于基于规则的细分，应用业务逻辑规则，并验证各细分群体彼此有别且互不重叠。
4. 分析各细分群体 — 按细分群体计算每个变量的均值和中位数，并以高于或低于整体平均值的百分比表示。找出每个群体的 2–3 个典型特征，并为其取一个描述性名称。
5. 验证并解读 — 确认各细分群体存在有意义的差异（聚类的轮廓系数 > 0.3），且符合业务逻辑。通过判断是否真的会对各群体采取不同措施来进行合理性检查。
6. 制定策略并汇报 — 为每个细分群体指定一项建议策略（留存并拓展、变现、激活、召回、停止服务）。填写 assets/segment_profile_template.md，记录各群体画像和战略优先级。

此技能所需的输入

• 包含属性（人口统计信息、套餐类型）和行为指标（会话数、收入、功能使用情况、最近活跃时间）的用户级数据
• 细分分析要服务的业务目标
• 需要验证或替换的任何现有细分方式
• 若要进行有意义的聚类，预期每个细分群体至少需要约 100 名用户

输出

• scripts/segmentation_runner.py — 执行 k-means 聚类、生成肘部图和轮廓系数图，并分配细分标签
• references/segmentation_approaches.md — 介绍何时使用 k-means、RFM 或基于规则的方法，以及解读指南
• assets/segment_profile_template.md — 填写各细分群体的画像，包括规模、关键特征、建议策略和跟踪计划