Retail-Customer-Segmentation-RFM

零售業客戶分群分析：基於 RFM 模型與 K-Means 機器學習

📌 專案簡介

本專案利用零售交易數據，透過 RFM 模型 (Recency, Frequency, Monetary) 對客戶進行特徵提取，並應用 K-Means 聚類演算法 實施自動化客戶分群。目標是協助企業識別高價值客戶、識別流失風險，並制定差異化的精準行銷策略。

---

🛠️ 技術堆疊

• 程式語言: Python 3.11
• 數據處理: Pandas, NumPy
• 機器學習: Scikit-learn (K-Means Clustering)
• 數據視覺化:
• Seaborn / Matplotlib: 用於繪製靜態蛇形圖 (Snake Plot) 觀察特徵。
• Plotly: 用於建立 3D 互動式空間分佈圖，支援懸停檢查。

---

📊 實作流程

1. 數據清洗 (Data Cleaning): 處理缺失值、格式化日期並計算每筆交易的總金額。
2. 特徵工程 (RFM Extraction):
   • Recency (最近消費): 計算客戶最後一次購買距今的天數。
   • Frequency (消費頻率): 客戶不重複的訂單總數。
   • Monetary (消費金額): 客戶消費的總金額。
3. 數據預處理:
   • Log 轉換: 修正零售數據常見的偏態分佈（長尾效應）。
   • 標準化 (Standardization): 使用 StandardScaler 將 R, F, M 縮放至同一尺度，確保模型公平性。
4. 模型訓練: 應用 K-Means 演算法 將客戶自動區分為 4 個族群。

---

📈 視覺化成果與分析

1. 客戶分群特徵圖 (Snake Plot)

透過蛇形圖，我們可以直觀觀察各分群在 R、F、M 三個維度的強弱表現：

• 核心 VIP (Champions): R 極低（近期購買）、F 與 M 極高。
• 潛力主力: 各項指標穩定高於平均。
• 流失風險: R 很高（久未消費），需進行喚醒。

2. 互動式 3D 空間分佈圖

利用 3D 散佈圖觀察機器學習如何切分數據空間，支援滑鼠旋轉與游標懸停顯示客戶 ID。

---

💡 商業行動建議 (Business Insights)

客戶分群	特徵描述	建議行動
黃金 VIP	消費力最強、回購率最高	提供尊榮會員禮、新品優先體驗，維持黏著度。
忠誠鐵粉	消費穩定，具備成長潛力	實施滿額贈或升等優惠，引導提升消費單價。
流失警示	曾有高消費但近期久未露面	發送「想念禮券」或進行流失原因問卷調查。
新客/一般客	消費次數少且金額低	推薦熱銷入門品，透過小額折扣誘發第二次購買。

---

🔗 專案在線演示 (Live Demo)

👆 點擊上方圖片可開啟大圖

👉 點此開啟：客戶分群互動式 3D 報告

---

🚀 如何執行

1. 複製儲存庫： ```bash git clone https://github.com/你的用戶名/你的專案名.git

2. 安裝必要套件：
```bash
pip install pandas numpy scikit-learn matplotlib seaborn plotly

1. 執行主程式： ```bash python 專案練習.py