RFM 模型把客户分 3—9 层够用但太粗，KMeans 聚类能在 7 个维度上切出真正有差异的 5 类客户，但 90% 的电商团队听过名字不会用。本文给一套不写代码也能跑通的方法：维度选择 → 数据清洗 → 聚类 → 解读 → 落地，每个客户类型对应什么运营动作都说清楚。

KMeans 是个学术词，但电商应用没那么神秘——本质就是「用数据自动找差异」。这篇给一套不写代码也能跑通的方法。

第一节：什么时候该用 KMeans

• 3 个条件同时满足才考虑用：①客户数 > 1000 / ②订单数据完整 / ③运营团队能接受 5 类分层；
• 不满足任意一个就用 RFM；
• 适合场景：精细化私域运营、个性化推荐、差异化营销；
• 不适合场景：新店冷启动、小店简单运营、决策时间紧迫；
• 别为了「听起来高端」用 KMeans，业务用不上的工具就是噪音。

第二节：第一步——选 7 个核心维度

• 维度太少切不出差异，太多模型会过拟合；
• 电商场景的 7 个黄金维度：
• ① 累计消费金额（M）
• ② 最近购买距今天数（R）
• ③ 总订单数（F）
• ④ 平均客单价（M ÷ F）
• ⑤ 购买品类宽度（买过几个不同类目）
• ⑥ 退款率
• ⑦ 评价频次（带评率）；
• 这 7 个维度覆盖消费力 + 行为 + 偏好 + 质量4 个角度。

第三节：第二步——数据清洗与标准化

• 拉数据：从订单系统、客服系统、评价系统导出最近 12 个月的客户级数据；
• 清洗：①剔除测试单 / 内部单 / 异常单 / ②补全缺失字段 / ③用「默认值」填空字段（比如没退款用 0）；
• 标准化：消费金额几千 vs 订单数几次，单位不同 KMeans 会被金额主导；
• 解决方法：z-score 标准化——所有维度都转化到「距均值多少倍方差」的尺度；
• Excel 公式：=(A1-AVERAGE($A:$A))/STDEV($A:$A)，一秒搞定。

第四节：第三步——确定聚类数 K

• 用「肘部法则」找最佳 K 值；
• 简化版：分别跑 K=3,4,5,6,7 五次，看「类内方差平方和」的下降曲线；
• 曲线突然变平的那个点 = 最佳 K；
• 电商场景一般 K=5 最优，少数情况是 4 或 6；
• 不要纠结找「完美 K」——业务用得了的就是好 K。

第五节：第四步——5 个客户类型的解读

• 跑出 5 个 cluster，每个 cluster 看 7 个维度的均值，命名：
• 类型 A：超级 VIP —— 高消费、高频、近期活跃、低退款；
• 类型 B：稳定老客 —— 中消费、中高频、近期活跃、低退款；
• 类型 C：偶尔消费型 —— 中消费、低频、长间隔、跨品类；
• 类型 D：价格敏感型 —— 低客单、高频、买促销品、退款率高；
• 类型 E：流失风险型 —— 60+ 天没买、原本是 B 类、近期退款；
• 命名要业务化——避免「Cluster 1」「Cluster 2」这种数学语言。

第六节：第五步——每类客户的运营动作

• A 类（超级 VIP）：专属客服 + 内购预售 + 新品首发 + 0 推送广告（他们不喜欢被推送）；
• B 类（稳定老客）：定期福利 + 节点活动 + 主营品类新品推荐 + 月度 EDM；
• C 类（偶尔消费型）：跨品类种草 + 新品测试 + 节假日大促重点触达；
• D 类（价格敏感型）：限时秒杀 + 满减券 + 加群专属优惠 + 控制退款政策；
• E 类（流失风险型）：流失唤醒 + 高额回归券 + 1 对 1 主动沟通 + 调研流失原因；
• 5 套运营动作，90 天内能看到复购率明显提升。

第七节：聚类结果的稳定性检查

• 跑完聚类不要立刻信——先做 3 个稳定性检查：
• ① 类别人数均衡度：每个 cluster 占比 10—30% 较合理，单类 > 50% 或 < 5% 都不正常；
• ② 跨期稳定性：拿上个月的数据再跑，看同一客户的归类是否一致；
• ③ 业务可解释性：每类客户的特征业务团队能不能秒懂——不能秒懂就是没用；
• 3 项都通过才能落地，否则重新选维度或调 K。

第八节：聚类与现有客户标签结合

• 不要把 KMeans 当成「取代标签」的工具，它是标签的「自动生成器**」**；
• 5 个 cluster 各自成为 1 个自动更新的标签：「A 类客户」「B 类客户」等；
• 原有的手工标签（如「孕妇」「学生」）继续保留；
• 客户最终有 2—3 个标签并存：1 个自动聚类 + 1—2 个手工属性；
• 运营动作根据多标签交叉触发，精度比单标签高 3 倍。

第九节：每月怎么更新聚类

• 月度自动化：月初 1 号跑一次最近 90 天数据的 KMeans；
• 用同样的维度 + 同样的 K；
• 输出：每个客户的新 cluster + 与上月对比的「类型变化」；
• 关注 3 类变化：①B → A 升级（VIP 培育成功）/ ②B → E 退化（流失预警）/ ③D → B 升级（价值化教育成功）；
• 这些变化是运营效果的实时反馈——比看总 GMV 准 10 倍。

第十节：常见的 5 个误区

• 误区 1：把 KMeans 当「预测模型」用——它只是分类，不预测；
• 误区 2：维度选 20 个—— 「多 ≠ 好」，7 个最优；
• 误区 3：K 值越大越好——5 类已经够，太多记不住；
• 误区 4：聚类结果丢给业务不解读——模型 80% 价值在解读；
• 误区 5：跑完一次就不更新——客户在变化，模型要跟着更新；
• 避开这 5 个误区，KMeans 才能真正驱动业务。

第十一节：写在最后

KMeans 在电商不是「炫技」，是让运营动作精准化的工具。

不用 KMeans，运营只能凭感觉；用了 KMeans，每个客户都有自动归类 + 对应动作 + 月度跟踪。

工具不复杂，复杂的是让运营团队相信「数据比经验靠谱」。

常见问题

以下为可见 FAQ，与 FAQPage 结构化数据一致。