基于K-Means聚类的市场客户细分分析实战

本项目是一个完整的市场客户细分分析实战案例，使用K-Means聚类算法结合PCA降维技术对Mall Customers数据集进行客户分群，支持精准营销策略制定。项目来自GitHub作者Durgaprasad995852，发布于2026年6月9日，具备印度市场本地化适配、完整机器学习 pipeline 及明确业务应用价值。以下将分楼层详细介绍项目背景、方法、结果及应用等内容。

在竞争激烈的商业环境中，传统"一刀切"营销已难以满足个性化需求。客户细分通过划分不同特征群体，帮助企业制定差异化策略，提升客户满意度与收益。本项目展示完整客户细分流程，使用K-Means对Mall Customers数据集分析，并结合PCA可视化，助力精准营销决策。

技术栈：采用Python生态工具，包括Pandas（数据处理）、NumPy（数值计算）、Scikit-learn（K-Means/PCA模型）、Matplotlib/Seaborn（可视化）、Joblib（模型持久化）。 项目结构：包含data（原始数据）、models（模型存储）、outputs（结果输出）、src（核心代码模块）等目录。 核心方法：

• 借鉴RFM分析思维评估客户价值；
• K-Means算法：初始化→分配→更新→迭代收敛；
• 肘部法则确定最佳聚类数；
• PCA降维：压缩特征至2-3维便于可视化，保留主要变异信息。

印度本地化适配：针对原始数据中年收入的印度卢比（INR）格式（如₹1,20,000），进行格式转换为数值类型，同时保留报告中的格式化版本，并对特征标准化消除量纲影响。 特征工程：使用客户年龄、性别、年收入（数值化后）、消费评分等关键特征。

可视化输出：生成肘部法则图（确定最佳K值）、PCA散点图（直观展示聚类分布）、聚类轮廓图（展示簇边界与密度）。 模型输出文件：包含带聚类标签的客户数据（clustered_customers.csv）、簇统计报告（cluster_report.csv）、肘部法则图（elbow_method.png）、PCA坐标数据（pca_coordinates.csv）、PCA聚类可视化图（pca_clusters.png）及持久化模型（kmeans_model.pkl）。

精准营销：针对高消费客户推VIP优惠、潜力客户定向广告、价格敏感客户促销； 产品策略：调整产品组合、开发定制化产品、优化库存匹配需求； 客户关系管理：识别流失风险客户、差异化服务策略、提升客户生命周期价值（CLV）。

技术亮点：完整ML pipeline、可解释性（PCA+可视化）、印度市场本地化适配、工程化实践（良好结构与依赖管理）、业务导向（直接服务营销决策）。 扩展建议：扩展客户行为特征（购买频次、最近购买时间）、对比DBSCAN/层次聚类等算法、部署模型为API支持实时分群、建立动态更新机制适应客户行为变化。