Back to Details

rfm-customer-segmentation

Compare original and translation side by side

🇺🇸

Original

English
🇨🇳

Translation

Chinese

RFM Customer Segmentation Analysis

RFM客户细分分析

A comprehensive customer segmentation skill that automatically analyzes e-commerce transaction data to identify customer value segments using RFM (Recency, Frequency, Monetary) analysis with K-means clustering.
这是一款全面的客户细分工具，可自动分析电商交易数据，通过结合RFM（最近消费时间、消费频率、消费金额）分析与K-means聚类来识别客户价值细分群体。

Instructions

使用说明

1. Data Analysis

1. 数据分析

When users provide e-commerce data or ask about customer segmentation:
  • Load and validate the transaction data
  • Clean data by removing invalid orders (negative quantities, zero prices)
  • Calculate RFM metrics for each customer:
    • Recency: Days since last purchase
    • Frequency: Number of purchases
    • Monetary: Total purchase amount
  • Use K-means clustering on RFM dimensions
  • Automatically determine optimal number of clusters using elbow method
当用户提供电商数据或咨询客户细分相关问题时：
  • 加载并验证交易数据
  • 清理数据，移除无效订单（如负数量、零价格订单）
  • 为每位客户计算RFM指标：
    • Recency（最近消费时间）：距离上次购买的天数
    • Frequency（消费频率）：购买次数
    • Monetary（消费金额）：总购买金额
  • 在RFM维度上应用K-means聚类
  • 使用肘部法则自动确定最优聚类数量

2. Customer Segmentation

2. 客户细分

  • Create customer value segments: High, Medium, Low value customers
  • Score each customer on RFM dimensions (1-3 scale)
  • Calculate overall customer value scores
  • Identify and rank VIP customers for marketing campaigns
  • 创建客户价值细分群体：高价值、中价值、低价值客户
  • 为每位客户在RFM维度上打分（1-3分制）
  • 计算客户整体价值得分
  • 识别并排序VIP客户，用于营销活动

3. Visualization and Reporting

3. 可视化与报告

  • Generate comprehensive customer segmentation dashboard
  • Create pie charts for segment distribution and revenue share
  • Build RFM scatter plots to visualize customer patterns
  • Generate box plots showing value distribution by segment
  • Export detailed CSV reports with VIP customer lists
  • 生成全面的客户细分仪表盘
  • 创建细分群体分布与收入占比的饼图
  • 构建RFM散点图以可视化客户模式
  • 生成按细分群体展示价值分布的箱线图
  • 导出包含VIP客户列表的详细CSV报告

4. Marketing Insights

4. 营销洞察

  • Provide actionable marketing recommendations for each segment
  • Generate executive summary with key findings
  • Create customer activation strategies for different value tiers
  • Export VIP customer lists for targeted marketing campaigns
  • 为每个细分群体提供可执行的营销建议
  • 生成包含关键发现的执行摘要
  • 为不同价值层级的客户制定激活策略
  • 导出VIP客户列表用于精准营销活动

Usage Examples

使用示例

Basic Customer Segmentation

基础客户细分

Analyze these e-commerce orders and segment customers by value:
[CSV data with order_id, user_id, purchase_date, quantity, unit_price]
分析以下电商订单并按价值细分客户：
[包含order_id、user_id、purchase_date、quantity、unit_price的CSV数据]

VIP Customer Identification

VIP客户识别

Find the top 100 most valuable customers from our sales data for marketing campaign
从我们的销售数据中找出前100位最有价值的客户，用于营销活动

Customer Value Analysis

客户价值分析

Create a customer segmentation report showing revenue contribution by customer segment
创建一份客户细分报告，展示各客户细分群体的收入贡献情况

Key Features

核心功能

  • Automatic Data Cleaning: Handles Chinese e-commerce data formats, removes invalid orders
  • Intelligent Clustering: Uses elbow method to determine optimal cluster count
  • Chinese Language Support: Full support for Chinese field names and visualizations
  • Comprehensive Reports: Generates HTML reports, PNG dashboards, and CSV exports
  • Marketing Ready: Provides VIP customer lists and actionable insights
  • 自动数据清理：适配中文电商数据格式，移除无效订单
  • 智能聚类：使用肘部法则确定最优聚类数量
  • 中文支持：完全支持中文字段名与可视化内容
  • 全面报告：生成HTML报告、PNG仪表盘与CSV导出文件
  • 营销就绪：提供VIP客户列表与可落地的洞察建议

File Requirements

文件要求

The skill works with e-commerce transaction data containing:
  • user_id: Customer identification code (用户码)
  • order_date: Purchase date (消费日期)
  • quantity: Order quantity (数量)
  • unit_price: Item unit price (单价)
  • product_info: Product details (optional)
本工具适用于包含以下字段的电商交易数据：
  • user_id：客户标识码（用户码）
  • order_date：购买日期（消费日期）
  • quantity：订单数量（数量）
  • unit_price：商品单价（单价）
  • product_info：商品详情（可选）

Output Files Generated

生成的输出文件

  • customer_segments.csv
    : Complete customer segmentation data
  • vip_customers_list.csv
    : Ranked VIP customer list for marketing
  • segment_summary_statistics.csv
    : Detailed statistics by segment
  • customer_segmentation_dashboard.png
    : Visual analytics dashboard
  • data_validation_report.txt
    : Data quality and analysis validation
  • customer_segments.csv
    ：完整的客户细分数据
  • vip_customers_list.csv
    ：用于营销的已排序VIP客户列表
  • segment_summary_statistics.csv
    ：各细分群体的详细统计数据
  • customer_segmentation_dashboard.png
    ：可视化分析仪表盘
  • data_validation_report.txt
    ：数据质量与分析验证报告

Dependencies

依赖项

  • pandas, numpy for data processing
  • scikit-learn for K-means clustering
  • matplotlib, seaborn for visualization (with Chinese font support)
  • Standard Python libraries for file operations
  • pandas、numpy：用于数据处理
  • scikit-learn：用于K-means聚类
  • matplotlib、seaborn：用于可视化（支持中文字体）
  • 标准Python库：用于文件操作

Best Practices

最佳实践

  • Ensure date fields are in consistent format (YYYY-MM-DD recommended)
  • Remove or handle missing values before analysis
  • Use sufficient data volume (1000+ orders recommended for reliable clustering)
  • Consider business context when interpreting segment results
  • Validate results with domain knowledge when possible
  • 确保日期字段格式一致（推荐使用YYYY-MM-DD格式）
  • 分析前移除或处理缺失值
  • 使用足够的数据量（推荐1000+订单以确保聚类结果可靠）
  • 解读细分结果时结合业务场景
  • 尽可能结合领域知识验证结果