作品说明

RFM 分层 · CLV 预测 · 流失预警

从客户分层到 CLV、流失预警与实验 ROI 的完整决策链

端到端客户分析：RFM 客户分层、6 个月 CLV 预测（BG/NBD + Gamma-Gamma）、流失风险建模，以及分层实验设计与成本调整后的 ROI 模拟。

这个 Demo 做什么

基于 UCI Online Retail II 两年期英国线上零售交易数据，清洗 80.5 万条有效交易（5,878 名客户，£17.74M 收入），按 18 个月校准期 + 6 个月留出期划分。在校准期内构建客户级 RFM 特征并用 K-means 分出 5 个业务可解释分层（Champions / Loyal High-Value / At-Risk / Recent Low-Spend / Hibernating）；用 BG/NBD + Gamma-Gamma（lifetimes）预测每个客户未来 6 个月的 CLV，预测值与留出期真实收入相关性达 0.84；再训练流失预警模型（逻辑回归 AUC 0.81），并发现经典 BTYD「P(alive)」启发式在一次性购买客户上完全失效（AUC 0.44，比随机还差）。最后把分层、CLV at risk 与流失概率结合，给每个分层设计干预方案、用 power analysis 计算所需样本量，并模拟 ROI：£17.7K 营销成本对应模拟净值 £127.8K（7.2 倍 ROI）。

典型使用场景

CRM 预算分配与分层干预设计

结合分层、预测 CLV 与流失概率，把营销预算优先投向 CLV at risk 最高的人群，并量化每个分层的预期 ROI。

分层 A/B 实验设计 + 样本量校验

用 power analysis 计算每个分层所需样本量，标出哪些分层可以直接做实验、哪些需要更长周期或合并人群。

CLV / 流失模型选型决策

对比 BTYD 概率模型与 ML 分类器在流失预测上的表现，理解为什么经典启发式在新客/一次性购买客户上会失效。