分群分析將具有相似特徵或行為的對象分成群組，讓團隊不必用同一套策略對待所有人。分群可以依業務規則建立，也可以使用統計或機器學習方法探索。
7.1 常見分群方式
| 方式 | 作法 | 優點與限制 |
|---|---|---|
| 規則式分群 | 依消費金額、購買次數、最近購買日設定門檻。 | 容易解釋、容易落地；門檻需定期檢視。 |
| 行為分群 | 依瀏覽、搜尋、加購、購買、回訪等行為分類。 | 貼近使用情境；需注意事件追蹤品質。 |
| RFM | Recency、Frequency、Monetary 三個面向評估客戶價值。 | 易於建立會員經營策略；無法完整代表未來價值。 |
| K-means | 依特徵距離將資料分成 K 群。 | 可探索複雜模式；需標準化、選 K，且群組不一定容易解釋。 |
7.2 RFM 分析
- R（Recency，最近一次消費）：距離最近一次購買過了多久？通常越近期越活躍。
- F（Frequency，消費頻率）：觀察期間內購買幾次？通常頻率越高，黏著程度越高。
- M（Monetary，消費金額）：觀察期間內消費多少？可用總額或平均金額。
假設以 1–5 分評分：最近購買越近，R 分數越高；購買次數越多，F 分數越高；消費金額越高，M 分數越高。
R=5、F=5、M=5：高價值且近期活躍客群。
R=1、F=5、M=5：過去高價值但近期沉睡的客群，可能適合喚醒策略。
R=5、F=5、M=5：高價值且近期活躍客群。
R=1、F=5、M=5：過去高價值但近期沉睡的客群，可能適合喚醒策略。
RFM 門檻可以用五分位數，也可以依產業週期與業務規則設定。不同品類購買週期差異很大，不宜用同一套 R 門檻套用所有品類。
7.3 K-means 概念與步驟
- 選擇特徵：例如近 90 日消費次數、金額、瀏覽頻率、品類數。
- 處理資料：缺失值、極端值、尺度差異；通常需標準化。
- 設定 K：可參考 Elbow Method、Silhouette Score，並結合業務可解釋性。
- 執行分群：依距離將資料分配到 K 個群中心。
- 解讀群組：比較各群特徵，命名為有意義的客群輪廓。
- 驗證應用：檢查群組穩定性，以及採取不同策略後是否產生增量效果。
K-means 的限制：對尺度與極端值敏感，偏好近似球狀群集；K 值需要選擇，且分群結果不等於天然存在的客群真相。不要只因為模型產生五群，就認定業務上必須有五種會員。
7.4 從分群走向策略
| 客群示例 | 可能策略 | 評估指標 |
|---|---|---|
| 高價值活躍客 | 會員權益、優先服務、交叉銷售 | 留存率、毛利、品類滲透率 |
| 高價值沉睡客 | 個人化喚醒、回購提醒 | 喚醒率、增量購買、退訂率 |
| 新客 | 新手引導、首購體驗、信任建立 | 首購率、首購後留存、獲客成本 |
| 低頻潛力客 | 需求教育、相關商品推薦 | 二購率、回購週期、客戶終身價值 |
適用情境 會員經營、個人化推薦、流失預警、CRM、行銷資源配置。
分群分析：規則分群、RFM 與 K-meansHSUCHE 數據筆記 · 轉載請註明出處
