欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

RFM 与 K-Means 驱动的零售客户分群:一份可复现的 Python 实践

上邦 AI 工程团队2026-10-14阅读 约 7 分钟
传统按人口属性划分的静态分群,已难以匹配消费者快速变化的动态行为。本文以零售交易流水为基础,演示用 RFM 指标构造特征、再以 K-Means 聚类形成差异化的价值客群,给出可复现的 scikit-learn 代码,并说明企业在落地时应同步关注数据治理、客户唯一标识打通与隐私合规等要点。

静态分群为何跟不上动态消费

传统零售客户分群多按年龄、地域等人口属性切分,并按报表周期刷新。当消费行为快速变化、线上线下身份尚未打通时,这类静态分群往往滞后且难以对应到具体动作。以RFM(最近购买、购买频次、累计金额)为基础、再用聚类发现客群结构,是更贴近业务的可复现做法。

可复现步骤

① 抽取交易流水:按客户汇总最近购买间隔、购买次数与累计金额;
② 特征标准化:消除量纲差异,避免金额维度主导聚类;
③ K-Means 聚类:形成若干价值客群,并解释每群特征;
④ 映射到运营动作:高价值客群做留存与专属权益,流失风险客群做召回。

可复现代码:RFM + K-Means

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

# 示例:零售客户近 N 天交易汇总(脱敏演示)
df = pd.DataFrame({
    'customer_id': [1, 2, 3, 4, 5],
    'recency':   [5, 30, 12, 60, 3],
    'frequency': [20, 4, 10, 2, 25],
    'monetary':  [3200, 400, 1500, 200, 4100],
})

X = StandardScaler().fit_transform(df[['recency', 'frequency', 'monetary']])
km = KMeans(n_clusters=3, random_state=42, n_init=10)
df['segment'] = km.fit_predict(X)
print(df.sort_values('monetary', ascending=False))
说明:示例数据为方法演示用的极简样本,聚类簇数需结合业务与轮廓系数确定;分群结果仅用于辅助运营决策,不构成任何收益承诺。

落地时的数据与合规要点

零售分群的价值上限由数据质量决定。落地时应优先打通线上线下客户唯一标识,统一交易与行为数据口径;同时注意隐私合规,遵循最小必要与目的限定原则,对敏感信息做脱敏与权限管控。只有在数据治理到位的前提下,聚类结果才能真正驱动个性化运营。

参考来源

scikit-learn 用户指南:K-Means 聚类 - scikit-learn 官方文档
零售客户留存与 RFM 细分预测框架(2026) - Loyalytics
相关标签:客户分群RFMKMeans零售数据用户运营

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案