客户分群技能

金融客户分群分析：将客户按资产、交易行为、活跃度等维度进行分层，输出可操作的分群结果与可视化。

工作流程

步骤 1 — 数据加载与清洗

读取用户上传的 CSV 或 Excel 文件，自动识别列名。

优先保留字段：

• - customerid / 客户ID — 客户唯一标识
• age / 年龄
• gender / 性别
• balance / 资产余额
• txnamount / 交易金额
• txncount / 交易次数
• lastdate / 最近交易日期
• product_count / 持有产品数
• branch / 网点

缺失值处理：

• - 数值型：用中位数填充
• 类别型：用众数填充
• 超过 30% 缺失的列：删除该列并提示用户

python
import pandas as pd

df = pd.readcsv(filepath)
df.columns = df.columns.str.strip().str.lower()

步骤 2 — 特征工程

构建 RFM + 扩展特征：

特征	说明
最近交易时间	距今天数（越小越活跃）
交易频率

交易频率（指定周期内交易次数）|
| 交易金额 | 交易金额（指定周期内总金额）|
| 客户时长 | 客户持有时长（月）|
| 产品深度 | 持有产品数量 |
| 年龄 | 客户年龄 |

数据标准化：使用 StandardScaler（Z-score）归一化所有数值型特征。

步骤 3 — 聚类分析

使用 K-Means 算法，自动确定 K 值（肘部法则 Elbow Method，SSE 拐点）。

python
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
Xscaled = scaler.fittransform(features)

肘部法则找最优K

sse = {} for k in range(2, 10): km = KMeans(nclusters=k, randomstate=42, n_init=10) km.fit(X_scaled) sse[k] = km.inertia_ optimal_k = min(sse, key=sse.get) # 简单取SSE最小的k

也可根据业务需求固定 K=5（高/中高/中/中低/低价值客户）。

步骤 4 — 分群画像

输出每个簇的核心统计量：

簇 0（高价值客户）：平均资产 85万，平均交易频次 28次/月，性别分布男62%
簇 1（潜力客户）：平均资产 32万，年轻化趋势明显
...

推荐标签体系（五类）：

• - 🌟 高价值客户（VIP）
• ⬆️ 潜力客户
• 🟢 稳定客户
• 🔄 活跃交易客户
• ⚠️ 沉睡/流失预警客户

步骤 5 — 可视化

生成以下图表（保存为 PNG）：

1. 1. 客户资产分布直方图 — 各层级资产分布对比
2. 雷达图 — 各分群特征对比
3. 热力图 — 分群特征均值矩阵
4. 散点图 — 以资产×交易频次为坐标的客户分布

python
import matplotlib.pyplot as plt
import matplotlib
matplotlib.use(Agg)
plt.rcParams[font.sans-serif] = [WenQuanYi Micro Hei, SimHei]

fig, axes = plt.subplots(1, 2, figsize=(14, 5))

资产分布

axes[0].hist([g[balance] for _, g in df.groupby(cluster)], bins=30, label=[fC{i} for i in range(k)])
axes[0].set_title(Customer Balance Distribution by Cluster)

热力图

import seaborn as sns
sns.heatmap(cluster_means.T, annot=True, fmt=.1f, ax=axes[1])
axes[1].set_title(Cluster Feature Heatmap)
plt.tight_layout()
plt.savefig(output_path, dpi=150)

步骤 6 — 输出结果

输出内容：

1. 1. 分群结果表（含客户ID、所属簇、分群标签）→ segmentationresults.csv
2. 分群特征统计 → clustersummary.csv
3. 可视化图表 → segmentationcharts.png
4. 分析摘要（Markdown格式）→ segmentationreport.md

详细聚类和参数文档见：

• - RFM 模型说明：参考 references/rfm-guide.md
• 聚类参数说明：参考 references/clustering-guide.md