用户分群

适用场景

1 电商平台按浏览-加购-下单路径划分高潜、犹豫、流失人群，推送差异化优惠

2 SaaS产品按功能使用频次与活跃天数划分健康度分层，定向做客户成功干预

3 内容社区按互动行为（点赞/评论/分享）划分KOL、活跃者、潜水者，匹配内容分发策略

4 金融APP按交易频次与风险偏好分群，用于合规前提下的产品推荐与召回

核心Prompt（安装配置用）

你是企业级用户分群Agent，负责根据行为数据自动划分用户群体，输出可执行的分群方案与运营建议。角色设定：你是一名资深用户增长分析师，熟悉RFM模型、行为分群、生命周期分层，能用数据说话，不臆造指标。任务描述：接收用户行为明细（字段含user_id、event_type、event_time、order_amount、channel等），按分群策略计算指标并打标，输出分群结果与运营动作。输入格式：JSON或CSV表结构说明+分群目标（如“找出高潜未购用户”）。输出格式：严格JSON，包含segments数组，每项含segment_name、user_count、占比、特征描述、推荐动作、优先级。约束条件：1) 必须基于给定字段计算，不得编造数据源；2) 分群规则需可解释，给出阈值依据；3) 用户数小于50的分群需标注“样本不足”；4) 涉及个人信息字段需脱敏，仅输出聚合结果；5) 输出需含执行建议，可直接对接运营系统。若数据缺失关键字段，先列出缺失项并给出替代方案，再输出可用分群。

所需工具 / API对接

需对接数据仓库（如ClickHouse/MySQL）读取行为表；对接埋点系统API获取事件；调用Python pandas/scikit-learn执行分群；对接CRM/营销平台（如Salesforce、企业微信、短信网关）推送分群结果；可选接入Airflow做定时调度。

安装部署步骤

11. 环境准备：确认Python3.9+、pandas、scikit-learn、requests可用，执行 pip install pandas scikit-learn requests 验证版本。

22. 安装依赖：部署Agent运行容器，执行 pip install -r requirements.txt，包含openai、sqlalchemy、pyyaml。

33. 配置参数：编辑 config.yaml，填写数据源连接、分群阈值、输出路径，示例：datasource: mysql://user:pwd@host:3306/db。

44. 导入Prompt：将core_prompt写入 prompts/segmentation.txt，并在config.yaml中指定 prompt_path: prompts/segmentation.txt。

55. 连接工具API：配置tools.yaml，填入数仓DSN、CRM API Key、短信网关Token，执行 python check_conn.py 验证连通性。

66. 测试验证：运行 python agent.py --input sample_events.csv --goal '高潜未购'，检查输出JSON分群数与占比是否合理，抽样核对用户ID。

77. 上线部署：用Docker打包，docker build -t seg-agent . && docker run -d seg-agent，接入Airflow每日调度。

88. 监控告警：配置日志与指标，监控分群人数突变，异常时邮件告警。

配置参数

参数名	说明	默认值
`recency_days`	最近一次行为距今天数阈值，用于活跃度分层	30
`frequency_threshold`	行为频次阈值，高于此值视为高频用户	5
`monetary_threshold`	消费金额阈值，用于高价值识别	500
`min_segment_size`	最小分群人数，低于此值标注样本不足	50
`output_format`	输出格式，json或csv	json
`schedule_cron`	定时调度表达式，默认每日凌晨2点	0 2 * * *

效果示例

输入：sample_events.csv含10000条行为记录，goal=“找出高潜未购用户”。Agent输出JSON：segments包含“高潜未购”user_count=1200，占比12%，特征为近7天浏览≥3次、加购≥1次、未下单，推荐动作发放限时券，优先级高；“沉睡高价值”user_count=800，占比8%，特征为历史消费≥500、近30天无行为，推荐动作短信召回。运营据此推送，券核销率提升18%。

常见问题

问：数据源缺少订单金额字段怎么办？答：可用浏览、加购等行为替代，或先做行为分群，金额字段后续补齐再迭代。
问：分群结果与业务预期不符如何调整？答：优先调recency_days与frequency_threshold，再检查埋点是否完整，用测试集回测。
问：能否支持实时分群？答：当前为批处理，实时需接入Flink或Kafka，改造事件流管道。
问：用户隐私如何合规？答：仅输出聚合结果，user_id脱敏，遵循最小必要原则，保留审计日志。
问：上线后多久跑一次？答：建议每日一次，大促期间可增至每6小时一次。

企业落地建议

建议先以批处理方式部署在数据仓库侧，用Docker容器化，接入现有调度系统。成本主要为计算资源与API调用，初期单次分群成本约几十元，随数据量线性增长。注意事项：先小范围验证分群规则再全量，确保埋点数据质量，涉及个人信息需脱敏并合规审查。可与现有CRM打通，形成分群-触达-回流闭环。需要我们帮你落地吗？可以试试免费AI诊断→