预测性细分
倾向度与流失评分
预测性细分 是 CoddyKit 上的免费 Digital Marketing Academy 课时。 这是第 3 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Digital Marketing Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Digital Marketing Academy 课程共包含 4 节课。
超越人口统计特征
传统细分会根据年龄、性别或所在地对客户分组，而预测型细分则根据客户未来可能的行为进行分组。
问题从“这位客户是谁？”转变为“这位客户接下来会做什么？”这种面向未来的视角让预测型细分更容易转化为营销行动。
RFM 基础
RFM 会从三个维度对客户进行评分：最近一次购买时间、购买频率和货币价值。
每个维度通常按五分位数评分为 1 到 5，从而形成类似 R5 F5 M5 的代码，代表最优质的客户。RFM 是行为细分中经典且易于解释的基础框架。
RFM score example:
Recency: 5 (bought 3 days ago)
Frequency: 4 (8 orders)
Monetary: 5 (top 20% spend)
Segment code: R5 F4 M5 = Champion命名 RFM 细分群体
将原始 RFM 代码映射到能够暗示行动的命名细分群体后，这些代码才真正具有实用价值。
冠军客户购买频繁且最近刚购买过。流失风险客户过去曾大量购买，但现在已经沉寂。新客户最近购买过，但只购买了一次。每个名称都对应不同的营销活动。
R5 F5 M5 -> Champions
R2 F5 M5 -> At Risk (high value, lapsing)
R5 F1 M2 -> New / Promising
R1 F1 M1 -> Lost预测型客户终身价值层级
预测出每位客户的客户终身价值后，可以将客户划分为铂金、黄金、白银和青铜等价值层级。
这样可以将留存预算集中在最有回报的地方。排名前 20% 的客户通常贡献大部分利润，因此保护他们应当优先。
Predicted LTV tiers:
Platinum: > 500
Gold: 250 - 500
Silver: 100 - 250
Bronze: < 100流失风险细分群体
流失模型会为每位活跃客户分配其在下一时期流失的概率。将流失风险与预测价值结合起来，就能构建强大的 2×2 矩阵。
高价值、高风险客户是最紧急的挽回对象。低价值、高风险客户可能完全不值得投入留存成本。
Value x Risk grid:
High value + High risk -> save now
High value + Low risk -> nurture
Low value + High risk -> let go
Low value + Low risk -> automate倾向性细分群体
倾向性模型会预测客户采取某项具体未来行动的可能性，例如再次购买、接受追加销售或进行品类交叉销售。
只针对倾向性高于某个阈值的客户，可以提高营销活动效率，因为这样就不会继续向无论提供什么优惠都不太可能转化的人投入费用。
Propensity to buy headphones:
Customer A: 0.82 -> target
Customer B: 0.11 -> skip
Threshold: 0.50聚类方法
k 均值等无监督方法会同时根据多个特征之间的相似性对客户进行分组，从而发现预先没有定义的细分群体。
聚类可能会发现“周末优惠搜寻者”或“高端早期采用者”群体。代价在于可解释性：在聚类能够指导行动之前，必须先为其建立画像并命名。
k-means inputs: recency, frequency, AOV,
discount usage, category breadth, tenure
Output: 5 clusters to profile and name具有预测力的特征
好的预测特征不应局限于购买历史：电子邮件互动、支持工单、应用会话频率以及订单之间的时间间隔，都能反映未来行为。
预期购买时间与实际购买时间之间不断扩大的差距，是客户流失最有力的早期预警信号之一，通常会在客户正式停止购买前几周出现。
Predictive features:
- days since last login
- inter-purchase interval drift
- email open + click rate
- support ticket sentiment避免静态细分
客户会不断在不同细分群体之间移动。停止购买的冠军客户会变成流失风险客户，而新客户也可能晋升为黄金客户。
预测型细分必须定期重新计算，通常是每天或每周计算。注册时冻结的细分群体很快就会失效，并触发不相关的消息。
验证细分群体
只有当一个细分群体的行为与其他客户明显不同时，它才有用。应检查预测为高客户终身价值的客户是否确实会随着时间产生更多收入。
提升图和留出组可以确认模型是否真正有意义地区分了客户，还是只是在重新排列平均值。区分度不佳的细分群体会浪费定向工作。
Validation: predicted top decile generates
6x the margin of the bottom decile -> good lift从细分到行动
每个预测型细分群体都应对应明确的营销响应：为流失风险客户设置挽回流程，为铂金客户设置 VIP 计划，为新客户设置新客引导系列。
没有这种对应关系，细分就只是分析而已。下一课将把这些预测转化为具体的营销活动和预算决策。
快速检查
找出最需要立即采取行动的细分群体。
总结
预测型细分会利用 RFM、预测型客户终身价值层级、流失风险、倾向性评分和聚类，根据客户未来行为对客户进行分组。
优质特征和频繁重新计算可以保持准确性，验证能够确认真实提升，而每个细分群体都必须对应一项行动。下一步，我们将根据这些预测采取行动。
常见问题解答
「预测性细分」课时是免费的吗？
是的 — 「预测性细分」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Digital Marketing Academy 课程的其余内容，请升级到 CoddyKit PRO。 Digital Marketing Academy 课程共包含 4 节课。
「预测性细分」这节课中我会学到什么？
倾向度与流失评分 你通过在浏览器中直接运行的动手代码来练习 Digital Marketing Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Digital Marketing Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Digital Marketing Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 3 节课，共 4 节。
「预测性细分」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Digital Marketing Academy 课中编写并运行代码吗？
能。每节 Digital Marketing Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。