- name
- customer-segmentation
- description
- 金融客户分群分析 Skill。当用户上传银行客户数据表格（CSV/Excel）时自动触发，完成客户分层、特征提取和可视化输出。触发场景包括：（1）用户说"分析客户"或"客户分群"；（2）上传了包含客户交易、资产、行为等字段的数据文件；（3）需要输出客户分层结果、可视化图表或分群报告。
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：
| 特征 | 说明 |
|---|---|
| Recency | 距今天数（越小越活跃） |
| Frequency | 交易频率（指定周期内交易次数） |
| Monetary | 交易金额（指定周期内总金额） |
| Tenure | 客户持有时长（月） |
| Product_Depth | 持有产品数量 |
| Age | 客户年龄 |
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）：
- 客户资产分布直方图 — 各层级资产分布对比
- 雷达图 — 各分群特征对比
- 热力图 — 分群特征均值矩阵
- 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：
- 分群结果表（含客户ID、所属簇、分群标签）→
segmentation_results.csv - 分群特征统计 →
cluster_summary.csv - 可视化图表 →
segmentation_charts.png - 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