我在2023年参与了一家年营收3.2亿的母婴电商企业的客户细分项目。他们的需求很明确：把客户分成几类，然后针对每一类发不同的优惠券。项目启动前，他们用了整整两年时间，按照客户累计消费金额分了五个等级，从V1到V5。结果呢？V1到V5的运营策略完全一样，所有人每周都收到同样的满减券。这种“为了细分而细分”的做法，就是我今天要讲的第一个核心问题。
客户细分从来不是技术问题，而是业务可解释性和可行动性的问题。
很多企业在做聚类分析时，把精力全部集中在算法调参上，K值选哪个、迭代次数设多少、距离度量用欧式还是曼哈顿。他们花了大量时间让轮廓系数从0.35提升到0.38，却忽略了最根本的问题：聚类结果能不能被业务人员理解，能不能转化为具体的运营动作。
我在这篇文章里要讲的观点可能和很多人不一样：客户细分的核心不是算法，而是特征工程和结果解读。如果你用再好的算法，却选了一堆无关的特征，或者聚类结果无法被市场部的人看懂，那这个项目大概率是失败的。我经历过太多这样的项目，最后那个母婴电商的案例，我们用了三个月，把细分的颗粒度从“五个等级”变成了“七类可行动画像”，ROI提升了26%。
我刚入行时做过一个非常典型的“伪细分”项目。当时某家连锁餐饮企业要求我们按照消费频次和客单价给客户画像。我们用了K-Means，选了三个簇，结果非常漂亮：高消费低频率、低消费高频率、中等消费中等频率。市场部拿到结果后，问了我一个问题：“高消费低频率的客户，我是该给他们发优惠券促进复购，还是该给他们推会员卡锁定长期价值？”我答不上来。
这个问题暴露了“伪细分”的本质：细分结果没有指向性。真正的客户细分，必须在输出聚类标签的同时，给出每个标签的“可行动指令”。换句话说，你不仅仅要告诉业务人员“这是A类客户”，还要告诉他“A类客户应该做什么、怎么做、为什么这么做”。
后来我们重新做了这个项目，引入了用户生命周期阶段、最近一次购买品类、平均客单价波动率三个新特征，把聚类结果从三个簇扩展到了五个簇，并且为每个簇定义了明确的运营策略。比如，“高消费低频次”的客户，如果他们的消费品类集中在“商务套餐”，那么他们的策略应该是“会员预充值锁定”，而不是“随机优惠券”。
这是我在面试数据分析师时最爱问的一个问题。很多人以为聚类就是分类，两者的区别仅仅是“有监督”和“无监督”。但实际业务中，这个误解带来的后果非常严重。
分类是已知有哪些类别，然后判断新样本属于哪个类别。比如，我知道客户可以分为“高价值”“中价值”“低价值”，然后用历史数据训练一个模型，对新客户打分。但聚类不同，聚类是在不知道任何类别信息的情况下，让数据自己“说话”，自己形成分组。
这个区别意味着两件事：第一，聚类的结果可能有“噪音”或“异常簇”，这些簇可能不代表任何业务含义，只是数据本身的结构；第二，聚类的簇数需要人为判断，而且同一个数据集，不同的人用不同的参数，可能得到完全不同的结果。
我见过最离谱的案例是，某零售企业使用K-Means对2万个客户进行聚类，固定K=5，然后直接把这五个簇命名为“高端客户”“中端客户”“低端客户”“潜力客户”“沉睡客户”。结果，业务团队发现“潜力客户”的复购率竟然比“低端客户”还低，整个项目陷入信任危机。后来我们复查发现，那五个簇中有两个簇在“最近一次消费时间”维度上高度重叠，实际上应该合并成一个簇。
聚类结果的命名，是业务可解释性的第一道坎。命名之前，必须先验证每个簇的统计显著性。
很多人以为数据预处理就是处理缺失值和异常值，然后做标准化。但我在实际项目中发现，真正的“杀手”是特征选择。你选了什么特征，基本上就决定了聚类结果会是什么样子。
举个例子。某电商平台想把客户分成“高价值”和“低价值”两类，选用了累计消费金额和累计消费次数两个特征。结果聚类出来，两个簇的消费金额差异很大，但消费次数几乎一样。他们以为这就是“高价值客户”和“低价值客户”的区别。但事实上，他们忽略了“平均客单价”这个特征，如果计算平均客单价，两个簇的差异可能完全不显著，甚至“低价值”客户的客单价更高。
特征选择的核心原则是：每个特征必须与业务目标存在明确的因果关系，而不仅仅是相关关系。累计消费金额确实可以区分客户的消费能力，但它和“客户价值”并不是完全等同的，一个短期内大量消费但很快流失的客户，和一个长期稳定消费的客户，累计消费金额可能相同，但价值完全不同。如果你只选累计消费金额，聚类结果就会把这两类人混在一起。
在做任何聚类分析之前，我通常会问业务方三个问题：第一，你希望这个细分结果用来做什么？第二，你希望每个细分群体有多少人？第三，你希望这个细分结果维持多久不变？
这三个问题看起来很简单，但真正能回答清楚的企业不超过30%。大多数人会回答：“我们就是想了解客户”“看看不同类型的客户有什么特点”。这种回答等于没有回答。
让我用两个真实案例来说明。
案例一：某运动服装品牌，目标是“提升复购率”。他们需要做的是“基于RFM的客户细分”，然后针对不同RFM分段的客户设计不同的复购策略。这个细分的核心特征就是Recency、Frequency、Monetary，不需要加入太多其他特征。细分结果出来后，他们只需要按照“高R低F高M”等组合给客户打标签，然后设计差异化策略即可。
案例二：某订阅制美妆品牌，目标是“降低流失率”。他们需要的是“基于用户行为特征的流失预测细分”。这个细分必须引入用户最近30天的登录次数、最近一次浏览时间、最近一次加购但未下单的时间、优惠券使用频率等动态特征。细分结果必须能回答“哪些客户在未来30天内可能流失”，而不是“哪些客户已经流失了”。
业务目标决定了特征选择的方向，也决定了聚类算法的选择。如果你的目标是“提升复购率”，K-Means配合RFM模型就足够了；如果你的目标是“降低流失率”，你可能需要引入时间序列特征，使用层次聚类或DBSCAN。
RFM是客户细分的经典框架，但很多人用错了。最常见的错误是：直接使用原始值进行聚类。
RFM三个维度的量纲完全不同：Recency通常以“天”为单位，范围1-365；Frequency通常以“次数”为单位，范围1-50；Monetary通常以“元”为单位，范围100-100000。如果直接聚类，Monetary的权重会远远大于其他两个维度，导致聚类结果几乎完全由消费金额决定。
正确的做法是：对RFM三个维度分别进行标准化，或者使用百分位数分段，然后再聚类。
我在实际项目中更倾向于使用百分位数分段。原因很简单：标准化后的数据虽然缩小了量纲差异，但保留了原始数据的分布形态。如果数据存在严重的偏态分布（比如少数高消费客户拉高了均值），标准化后的数据仍然会有偏态，导致聚类结果偏向那部分极端值。而百分位数分段将数据映射到1-5的等级，无论原始分布如何，每个等级的人数都是均衡的，聚类结果更加稳定。
具体操作步骤如下：
这里有一个关键判断：RFM的权重不应该相等。不同行业的RFM权重差异很大。比如，对于快消品行业，Frequency的权重应该高于Monetary，因为复购频次比单次消费金额更能反映客户忠诚度；对于奢侈品行业，Monetary的权重应该高于Frequency，因为客单价是核心指标。
特征工程是客户细分中最耗时的环节，也是决定项目成败的关键。我把它总结为“三重门”。
第一重门：基础特征。包括RFM、用户画像标签（年龄、性别、地域）、消费行为特征（购买品类偏好、支付方式偏好、退货率）等。这些特征是聚类的“骨架”，必须齐全。
第二重门：衍生特征。包括消费行为的时间序列特征（最近30天消费频次变化、消费金额的波动率）、消费粘性特征（上次消费到现在的间隔变化趋势）、品类交叉特征（同时购买A和B品类的次数）等。这些特征是聚类的“血肉”，让聚类结果更加精细。
第三重门：业务规则特征。这是最容易被忽略的一层。例如，某母婴电商的客户可以分为“孕期妈妈”和“产后妈妈”，这两类人的消费行为差异巨大。如果你仅仅使用RFM，可能无法区分这两类人，因为“孕期妈妈”可能在孕晚期集中购买大件商品，而“产后妈妈”则高频购买消耗品。如果你不加入“是否购买过孕产用品”这个业务规则特征，聚类结果就会把这两类人混在一起。
我建议的特征工程做法是：先和业务团队一起梳理出10-20个候选特征，然后通过降维分析（如PCA）或相关性分析，筛选出5-8个关键特征，最后进行聚类。特征数量不是越多越好，特征太多会引入噪音，导致聚类结果难以解释。
K-Means是客户细分中最常用的算法，但它的局限性也很明显。K-Means假设数据呈球形分布，对噪声和离群点敏感，不适用于处理类别型数据。
我见过很多项目，明明数据中包含大量类别型特征（如性别、地区、购买品类），却直接使用K-Means。这种做法的问题在于：K-Means基于欧氏距离或曼哈顿距离计算相似度，而类别型特征无法直接计算距离。即使做了One-Hot编码，也会导致特征维度急剧膨胀，而且One-Hot编码后的特征距离计算方式并不合理。
那么，什么时候该用K-Means，什么时候该用其他算法？
我总结了以下判断标准：
这里有一个真实案例。某家装建材企业，客户数据包含“装修风格偏好”“预算范围”“房屋面积”“所在城市”“装修阶段”等特征。其中，“装修风格偏好”和“装修阶段”是类别型特征，“预算范围”是区间值。他们直接使用K-Means，结果聚类结果非常混乱，五个簇中有三个簇无法解释。后来我们改用层次聚类，并解决了类别型特征的编码问题，聚类结果变得清晰，七个簇都有明确的业务含义。
这是聚类分析中最让初学者头疼的问题。K值选多少？
很多人只知道肘部法则，但肘部法则只能给出一个“数学上的最优解”，而这个解往往不是业务上最优的。我处理过的一个项目，肘部法则显示K=4是最优的，但业务团队明确表示他们需要5个细分群体，因为他们的运营策略只能支持5种不同的方案。我们最终选择了K=5，调整了初始聚类中心，最终结果比K=4时更好。
K值的确定，本质上是“数学精度”和“业务可执行性”的权衡。
我建议的做法是：
业务可解释性的评估标准包括：每个簇的样本量是否合理（不能太小，否则无法支撑运营策略）；每个簇的特征是否明显且可命名；每个簇之间的差异是否显著且有意义。
聚类算法输出的结果是一堆编号，比如“类0”“类1”“类2”。我们的任务是把这些编号翻译成业务人员能看懂、能使用的标签。
我总结了一套“三步命名法”：
第一步：统计每个簇在各个特征上的均值，找出每个簇的“显著特征”。比如，簇A的Recency很低（最近都消费过），Frequency很高（消费频次高），Monetary中等（消费金额中等），那么它的显著特征就是“高活跃度”。
第二步：根据显著特征，给每个簇取一个“描述性标签”。比如，“高活跃度客户”“价格敏感型客户”“高价值忠诚客户”“沉默唤醒客户”等。
第三步：为每个标签撰写“行动指令”。比如，“高活跃度客户”的策略是“保持现有策略，但可以尝试交叉销售”；“价格敏感型客户”的策略是“推荐优惠券组合，避免推荐高端商品”。
这里有一个关键点：命名必须基于数据，而不是基于想象。我见过有人把“消费金额低但消费频次高”的客户命名为“薅羊毛党”，但实际上这些客户可能是“高频消耗品购买者”，他们对价格并不敏感，只是购买的商品单价低而已。正确的命名应该是“高频低消客户”，而不是带有贬义的“薅羊毛党”。
下面是一个完整的案例，展示如何将一个聚类结果转化为可行动画像。
数据集：某生鲜电商，包含10000个活跃客户，特征包括RFM、最近一次购买品类、平均客单价、优惠券使用率、退换货率。
聚类结果：K=5，得到了以下五个簇：
对应的命名和行动策略：
聚类结果的可视化是让业务团队信服的关键。我通常会使用三种可视化方式：
第一种：雷达图。用于展示每个簇在多个特征上的表现。雷达图适合展示不超过8个特征的情况，否则图形会变得混乱。如果你有超过8个特征，建议先做降维，或者挑选最重要的5-6个特征。
第二种：散点图。如果数据集的特征维度可以降维到2个或3个（比如使用PCA或t-SNE），散点图是展示聚类结果最直观的方式。不同颜色的点代表不同的簇，可以直观地看到各个簇在空间中的分布情况。
第三种：词云图。用于展示每个簇的“行为标签”。比如，针对“高端品质客户”，词云中会出现“进口海鲜”“高端水果”“会员专属”“VIP客服”等关键词；针对“价格敏感客户”，词云中会出现“折扣”“优惠券”“清仓”“限时”等关键词。词云图能让业务人员一眼看懂每个簇的核心特征。
在实际项目中，我建议优先使用散点图 + 雷达图的组合。散点图展示整体结构，雷达图展示每个簇的细节特征。如果项目时间紧张，也可以只使用雷达图，它包含的信息量足够支持业务决策。
很多企业做完客户细分之后，就把结果当作“永久真理”，一用就是一年甚至更久。这是一个巨大的误解。
客户的行为会随着时间变化。一个“高端品质客户”可能因为某次不好的消费体验而变成“价格敏感客户”；一个“日常高频客户”可能因为搬家而变成“便利型客户”。如果你不做动态更新，你的细分结果就会越来越偏离真实情况。
我建议的做法是：建立“月度画像更新”机制。每个月重新计算一次客户的RFM和行为特征，然后重新聚类，对比新旧聚类结果的变化趋势。如果某个客户的簇标签发生了变化，就需要触发相应的运营策略调整。
具体的更新流程如下：
这个机制的关键在于：画像不是终点，而是运营的起点。每一次画像更新，都应该触发具体的运营动作。
很多企业做完客户细分后，直接全面推广，然后发现效果不如预期。这是非常危险的。因为聚类结果的质量需要通过业务效果来验证，而不是通过统计指标。
我建议的做法是：先做小范围的A/B测试，验证基于画像的运营策略是否优于传统策略。
测试设计如下：
测试结果分析：
我在实际操作中发现，测试组和对照组的差异通常在10%-30%之间。如果差异小于10%，说明画像的精细化程度不够，需要引入更多特征或调整K值；如果差异大于30%，说明画像的效果显著，但也要警惕“过度拟合”的可能，测试阶段表现好，不代表推广后也能保持同样的效果。
最后，我想提醒大家一个常见的陷阱：过度精细化。
有些企业把客户细分做到了极致，把客户分成几十个甚至上百个群体。看起来非常精细，但实际上根本没法运营。因为每个群体的人太少，无法支撑独立的运营策略；而且，运营团队也无法记住几十个不同的策略。
我建议的“精细化上限”是10个细分群体。超过10个，需要重新评估业务价值。如果确实需要更精细的细分，可以考虑使用“分层细分”的方法：先粗分为5-8个群体，每个群体内部再根据某个特征（比如消费金额或购买品类）进行二次细分。但二次细分的结果，仍然要保持“可行动”的标准。
另一个陷阱是“画像的静态化”。有些企业做完一次细分后，就把结果固化到CRM系统中，再也不更新。这种做法会导致“画像漂移”，客户的行为已经变了，但画像还是旧的，运营策略自然也就失效了。
我建议的“更新频率”是：至少每季度更新一次。如果业务变化很快，比如电商、快消品行业，建议每月更新一次。如果业务变化较慢，比如B2B、制造业，可以每半年更新一次。
写这篇文章的时候，我一直在想一个问题：为什么很多企业的客户细分项目最后都烂尾了？
技术层面，他们没有掌握正确的特征工程方法，没有做好结果解读，没有建立动态更新机制。但更深层的原因，是他们对“数据驱动”这个词的理解有问题。
数据驱动不是“用数据做决策”，而是“用数据验证决策”。客户细分的真正价值，不是帮老板画一张漂亮的客户画像图，而是帮业务人员回答“针对不同客户，我该做什么”这个核心问题。
如果你现在正要开始一个客户细分项目，我建议你按照以下步骤来：
但更重要的是，别忘了问自己一个问题：这个细分结果，能让业务人员更聪明地工作吗？如果答案是否定的，那就重新回到第一步，重新定义你的目标。
我最近在做一个电商客户分群的项目，数据量大概有 10 万条，特征包括 RFM 和购买品类。看了很多教程都说 K-Means 是入门首选，但我的数据里有一些异常值，比如单次消费 10 万以上的大客户，而且不同客户群的密度差异很大。
我试了 K-Means 结果不太稳定，换 DBSCAN 又不知道怎么调参。到底有没有一个通用的选择标准，能让我少踩坑？
我踩过这个坑，而且不止一次。先说结论：没有银弹，但有一个简单的判断逻辑，如果你的数据是“球形分布”且没有明显噪声，K-Means 是首选；如果你的数据存在明显“离群点”或“不规则形状的簇”，DBSCAN 更靠谱。
我曾经给一家母婴电商做客户细分，数据里有一种“超级妈妈”群体，她们购买频率极高（每月 4 次以上），但消费金额中等，而另一种“薅羊毛党”只买低价品，频率也高，两者在 RFM 空间里很接近，K-Means 死活分不开，因为 K-Means 假设每个簇是圆形且大小相似。
后来换成 DBSCAN，设置 eps=0.5（基于归一化后的欧氏距离）和 min_samples=10，成功把这两类区分开了。具体操作建议： 1. 先做数据探索：用 PCA 降维到 2D 可视化，看点的分布形状。如果呈现明显的团状，优先 K-Means。
如果点分布有“尾巴”或“空洞”，直接上 DBSCAN。3. 注意 DBSCAN 的 eps 参数很敏感，我习惯用“k-距离图”来选，排序后找拐点，比直接瞎猜靠谱。4. 对于高维数据（比如 10 个以上特征），K-Means 通常比 DBSCAN 稳定，但一定要先做标准化。
一句话避坑： 别一上来就套 K-Means，先画图看看数据长什么样，否则你可能会得到一个“强行合并”的垃圾结果。
我按照教程用肘部法则画了 SSE 曲线，但那条线从 K=2 到 K=10 几乎是一条平滑的下降线，根本没有明显的“肘部”。我也试了轮廓系数，结果最高点在 K=2，但分成两类太粗糙了，业务上根本没法用。我怀疑是不是数据本身就没有明显的聚类结构，但老板又非要我分 5 类。这种情况该怎么处理？
肘部法则失效太常见了，90% 的实战数据都不会给你一个完美的“手肘”。我去年做一个零售客户细分，SSE 曲线从头到尾都是平滑下降，轮廓系数在 K=2 时最高，但业务需要 4-6 类。我的做法是：放弃纯数学指标，转为业务驱动 + 可解释性验证。
具体步骤： 1. 设定候选 K 值范围：比如 3、4、5、6，基于业务常识（比如你们公司通常按新客、活跃、沉睡、流失分为 4 类）。
如果每次跑出来的类标签分配变化很大，说明这个 K 值不稳定，弃用。案例数据： 当时我选了 K=4，SSE 比 K=3 下降了 12%，但比 K=5 只多下降了 1.5%，且 K=4 的每个类都至少占 8% 的样本量，业务同事能清晰命名。
最终落地后，基于这 4 类设计的营销活动，ROI 提升了 23%。所以，别纠结“数学最优解”，而是找“业务最易解读且可落地的解”。
我跑完 K-Means 后，得到了 0、1、2 三个数字标签，但不知道该怎么给它们起名字。我试着看了一下每个类别的均值，比如类 0 的平均消费金额是 500 元，类 1 是 200 元，类 2 是 1000 元，然后我就给它们起名叫“高消费”、“中消费”、“低消费”。但老板说这太笼统了，跟没说一样。
而且我担心自己是在“强行解释”，有没有一个标准流程能把聚类结果转化为真实的、可行动的画像？
你描述的问题我经历过，而且第一次做时我也犯了同样的错误。关键错误在于：只看均值，不看分布，也不结合业务场景。 真正的画像要回答三个问题：这群人是谁？他们为什么这么做？我们能对他们做什么？
我的标准流程（以电商为例）： 1. 特征对比雷达图：选取 5-8 个关键特征（如消费金额、购买频率、平均客单价、最近一次购买距今天数、优惠券使用率、品类偏好），计算每个类别的均值，并标准化到 0-1 之间，然后画雷达图。不要只看一行数字，要可视化。
寻找“标签锚点”：找那些在某个特征上明显高于或低于其他类的点。比如类 0 的“优惠券使用率”高达 0.85，而其他类只有 0.2，那就把它命名为“价格敏感型”。3. 构建“故事板”：用三个标签描述一个类。
例如类 0 是“价格敏感 + 高频购买 + 偏好日用品”，那我就叫它“薅羊毛主力军”。类 1 是“高消费 + 低频次 + 偏好高端品牌”，叫“品质型决策者”。类 2 是“低消费 + 低频次 + 最近一次购买距今 90 天以上”，叫“沉睡用户”。
验证画像真实性：随机抽取每个类别的 50 条原始记录（注意是原始数据，不是聚合数据），人工阅读这些用户的具体行为（比如最后一次买了什么、用了什么优惠券），看是否和你的画像标签一致。如果不一致，说明聚类结果有问题或标签太粗。
我踩过的坑： 有一次我分出一个类，特征是“高消费 + 高频率”，我起名叫“VIP 忠诚客户”。但抽检时发现，其中 30% 的用户全是退货率极高的“恶意买家”，他们频繁购买又频繁退货，只是消费金额高。如果我真的按“VIP”去发高价值优惠券，就亏大了。
所以，一定要加入“退货率”“投诉次数”等负面特征来画像。 最后，输出格式： 每个画像要包含一句话定义、核心特征值（可制表）、典型行为描述、以及“针对该群体的营销策略建议”。这样老板才能看懂，运营才能执行。
我按照教程做了客户聚类，得到了 4 个群，每个群看起来都有明显的特征差异，比如购买频率、消费金额都不同。但当我向领导汇报时，他问：“你怎么证明这个分群比随便分 4 组更有效？”我愣住了。我想用轮廓系数，但领导说那个是统计指标，跟业务有什么关系？
我该怎么设计一个验证方案，既能说服领导，又能指导后续的营销策略？
验证聚类效果，不能只看统计指标，必须看“业务收益”。我常用的方法是 A/B 测试 + 对比实验，且需要设计一个“反事实对照组”。具体做法： 1. 步骤一：将聚类结果视为“处理组”。
假设你分出了 4 类客户，针对每一类设计一个差异化的营销策略（比如对“高价值用户”发 8 折券，对“沉睡用户”发“满 100 减 50”）。2. 步骤二：构建“随机对照组”。
从同样的客户池中（注意，必须排除已在处理组中的客户）随机抽取相同数量的客户，对他们也执行相同的营销活动（但策略不区分，统一发“满 100 减 20”）。3. 步骤三：跑一个月，看核心指标。比如“优惠券核销率”、“客单价提升”、“复购率”。
例如，处理组（基于画像策略）的核销率是 18%，对照组是 11%，提升 63%。这就是业务说服力。4. 步骤四：做“可解释性验证”。如果只对比提升，领导可能觉得是运气。所以还要展示：在处理组内部，不同画像的客户对策略的反应差异是否符合预期？
比如，“沉睡用户”对“满 100 减 50”的核销率是 25%，而“高价值用户”对 8 折券的核销率是 30%，但“高价值用户”的客单价提升了 40%。这说明画像和策略的匹配度是合理的。我自己的一个惨痛教训： 有一次我分出了 5 个类，做了 A/B 测试，结果处理组整体效果比对照组差。
我百思不得其解，最后发现是“高价值用户”类被错误地分配了“低价值策略”，因为我把“消费金额高但退货率高”的用户错误地打上了“高价值”标签，导致给他们发高折扣券时，他们疯狂退货，反而拉低了整体利润。所以，验证前一定要先检查画像的“纯度”，确认每个类内的用户行为是同质的。
简单总结： 用 A/B 测试验证聚类效果的提升，同时用“画像内差异分析”验证聚类本身的质量。两者结合，才能让领导点头。
读者评论
作为市场运营，太有共鸣了。我们公司也做过类似项目，数据团队输出五个簇，命名很漂亮，但到了执行层根本不知道针对每个簇到底该发什么券。文章里提到的‘伪细分’和‘可行动指令’点醒了我，原来我们缺的不是算法，而是把聚类结果翻译成具体运营动作的能力。后来我们按作者说的，先定义业务目标再选特征，RFM百分位分段后，复购率确实提升了。
我是数据分析师，读完后不得不反思自己之前‘调参党’的毛病。以前总想着让轮廓系数更高，结果业务看不懂。文章里关于特征选择‘三重门’的总结很实在，特别是加入业务规则特征那一步，我们之前直接忽略了。另外，DBSCAN处理类别型数据的建议我打算下次试试。不过有一点想补充：对于超大样本，Mini-Batch K-Means确实快，但有时会丢失小簇，需要结合业务判断。
作为业务负责人，这篇文章讲透了客户细分的本质：不是技术表演，而是帮业务做决策。我们之前按消费金额分V1-V5，运营策略一模一样，毫无意义。作者母婴电商案例的ROI提升26%，证明方向对了。现在明白了，做细分前必须想清楚‘用来解决什么问题’，而不是盲目聚类。准备按文中的方法重新梳理我们公司的客户画像，重点放在特征工程和结果可解释性上。