Customer Segmentation Skill

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

Step 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：

• customer_id / 客户ID — 客户唯一标识
• age / 年龄
• gender / 性别
• balance / 资产余额
• txn_amount / 交易金额
• txn_count / 交易次数
• last_date / 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

import pandas as pd

df = pd.read_csv(file_path)
df.columns = df.columns.str.strip().str.lower()

Step 2 — 特征工程

构建 RFM + 扩展特征：

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

Step 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）。

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

scaler = StandardScaler()
X_scaled = scaler.fit_transform(features)

# 肘部法则找最优K
sse = {}
for k in range(2, 10):
    km = KMeans(n_clusters=k, random_state=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）。

Step 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

Step 5 — 可视化

生成以下图表（保存为 PNG）：

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

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=[f'C{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)

Step 6 — 输出结果

输出内容：

1. 分群结果表（含客户ID、所属簇、分群标签）→ segmentation_results.csv
2. 分群特征统计 → cluster_summary.csv
3. 可视化图表 → segmentation_charts.png
4. 分析摘要（Markdown格式）→ segmentation_report.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