客户分群需基于真实消费行为自动打标签，如“高潜力复购者”，通过订单、浏览等多源数据实时识别模式，用AI聚类与语义理解生成可解释、可刷新的动态人群。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要让客户分群不再依赖人工拍脑袋，而是基于真实消费行为自动打上“高潜力复购者”“价格敏感型流失预警户”“内容偏好型种草转化者”这类动态标签。系统必须能从订单、浏览、加购、停留时长、评论情绪等多源数据中实时识别行为模式，用AI聚类+语义理解生成可解释的细分人群，且标签能随用户最新动作自动刷新。
准备行为数据源并做基础清洗
打开阶跃AI平台的数据接入模块，点击【新增数据源】→选择【MySQL/PostgreSQL】或【CSV上传】。若用数据库连接，需填写主机地址、端口、库名、用户名和密码；若上传CSV，文件必须包含至少三列：user_id、event_time（格式为yyyy-MM-dd HH:mm:ss）、event_type（如purchase、view、add_to_cart）。
上传后系统自动校验字段完整性。若出现event_time为空或格式错误，整批数据将被拒绝入库——这是硬性拦截，不会进入后续分析流程。
勾选【自动补全缺失值】但不要勾选【删除重复行】。因为用户同秒内多次点击（如快速翻页）是有效行为信号，删掉会扭曲路径分析。
配置AI分群核心参数
进入【智能分群】工作区，点击【新建分群任务】。
方法一：RFM+行为熵融合模式（推荐用于电商复购预测）
在“分群依据”中勾选【最近一次消费距今天数】、【过去30天购买频次】、【过去30天总消费金额】、【浏览品类分布熵值】四项。其中“浏览品类分布熵值”反映用户兴趣广度，数值越低说明越聚焦某1-2类商品，越高说明泛兴趣型用户。系统会自动计算该指标，无需手动公式。
方法二：K-Means动态聚类（适合无明确业务目标的探索性分群）
点击【高级设置】→将聚类数设为4～7之间。注意：【聚类数不能设为1或10以上】，设为1则所有用户归为同一类失去分群意义；超过10类会导致每组人数过少，运营无法落地触达。
方法三：语义驱动标签生成（专用于评论/客服对话文本）
启用【NLP标签引擎】，上传含user_id和comment_text两列的CSV。系统调用内置BERT微调模型提取情绪倾向（正面/中性/负面）与主题关键词（如“包装环保”“发货慢”“赠品惊喜”）。生成的标签直接挂载到对应用户ID下，参与后续交叉分群。
定义人群包并绑定触发逻辑
第一步：创建基础人群包
在分群结果页，点击【导出人群】→选择【保存为规则人群包】→输入名称如“近7天高潜复购者”。
第二步：设置动态更新机制
勾选【每日凌晨2点自动刷新】。系统将重新计算所有用户的RFM值与行为熵，仅保留满足条件的用户（例如：R≤7天 AND F≥3次 AND M≥500元 AND 行为熵＜1.2）。
第三步：配置事件触发分支
拖入【判断节点】→设置条件为“用户完成一笔≥200元订单”→满足时自动加入【大额新客激励包】，不满足则留在原包。这一步必须手动配置，系统不会默认关联交易事件。
第四步：排除干扰样本
在人群包编辑页底部，点击【添加排除规则】→选择【过去30天有退货记录且退款率＞80%】。这类用户即使消费金额高，也不应纳入“高价值”标签，否则会污染后续券效评估。
