指標是固定的，決策是活的

在 Day 17 中，我們成功避開了身分代碼陷阱，產出了近 10 萬名獨立買家的 R、F、M 原始數值。

但如果今天你拿著一張寫滿 recency=145, frequency=1, monetary=182.5 的表格走進營運主管的辦公室，
主管只會問你一句話：

「所以呢？下週的行銷預算有 50 萬，我們該發簡訊給誰？優惠券要給多少面額？誰快跑了需要挽回？」

資料分析師的價值，在於將抽象的統計指標轉譯為具體的商業決策。

今天，我們將解決 Frequency（消費頻次）極端偏態的評分難題，
打造出電商領域極具代表性的「顧客價值金字塔（Customer Value Pyramid）」，
並輸出可以直接交付行銷團隊執行的「分群行銷決策地圖」！

步驟一：指標標準化——破解分位點陷阱，建立 R、F、M 評分機制

在將顧客分群前，我們必須先將單位不同的 R、F、M（天數、次數、金額）統一標準化為 1～5 分的量度。

此時初學者最容易踩的坑，就是照抄教科書對三個欄位通通使用 pd.qcut(q=5)。
在 Day 17 的探索中我們已知：全平台有超過 96% 的顧客終身只買過 1 次。
分位切點全部擠在「1」，直接下 qcut 會立刻觸發 ValueError: Bin edges must be unique 錯誤而中斷。

實務解法：R (Recency)： 天數分佈平滑，使用 pd.qcut 切成 5 等分。
天數越少代表越近消費，分數越高（5 分 to 1 分）。
M (Monetary)： 消費總額呈現連續長尾分佈，使用 pd.qcut 切成 5 等分。
金額越高分數越高（1 分 to 5 分）。
F (Frequency)： 採用基於業務規則的自訂分箱（Rule-based Binning）：

買 1 次（大盤主力新客）：給 1 分
買 2 次（成功產生首次回購）：給 3 分
買 3 次以上（平台忠誠大客）：給 5 分

import pandas as pd
import numpy as np

# 複製 Day 17 的寬表，確保原始數據不被污染
rfm_scored = rfm_table.copy()

# 1. Recency 打分：天數越少代表越活躍，給予高分 (5 -> 1)
rfm_scored['R_score'] = pd.qcut(
    rfm_scored['recency'], 
    q=5, 
    labels=[5, 4, 3, 2, 1]
).astype(int)

# 2. Monetary 打分：金額越高貢獻越大，給予高分 (1 -> 5)
rfm_scored['M_score'] = pd.qcut(
    rfm_scored['monetary'], 
    q=5, 
    labels=[1, 2, 3, 4, 5]
).astype(int)

# 3. Frequency 自訂業務打分：優雅破解極端偏態
def score_frequency(freq):
    if freq == 1:
        return 1
    elif freq == 2:
        return 3
    else:
        return 5

rfm_scored['F_score'] = rfm_scored['frequency'].apply(score_frequency)

# 檢視標準化成果
rfm_scored[['customer_unique_id', 'recency', 'R_score', 'frequency', 'F_score', 'monetary', 'M_score']].head(5)

實作區:　

步驟二：維度整合——搭建「顧客價值金字塔」

三維指標各有 5 個級別，理論上有 $5 ＊ 5 ＊ 5 = 125 種排列組合。
如果全數拋給行銷人員，只會造成溝通災難。

在真實業務場景中，由於 Frequency 整體偏低，
我們通常會將 F 與 M 合併為綜合「價值維度 (Value Score)」，
再與代表「活躍維度」的 R (Recency) 交叉定位，將近 10 萬名買家歸入顧客價值金字塔的 5 大核心層級：

# 1. 計算綜合價值分 (FM_score)
rfm_scored['FM_score'] = ((rfm_scored['F_score'] + rfm_scored['M_score']) / 2).round(1)

# 2. 定義金字塔 5 大層級映射邏輯
def assign_pyramid_tier(row):
    r = row['R_score']
    fm = row['FM_score']
    
    # 頂層：核心 VIP (最近有買、頻次高或金額極高)
    if r >= 4 and fm >= 3.5:
        return 'Tier 1: 核心 VIP (Champions)'
    # 中高層：潛力忠誠客 (近期消費、價值中上)
    elif r >= 3 and fm >= 2.5:
        return 'Tier 2: 潛力忠誠客 (Potential Loyalists)'
    # 中層：平價新買家 (近期首購、客單偏低)
    elif r >= 3 and fm < 2.5:
        return 'Tier 3: 平價新客 (Promising)'
    # 中低層：流失警示客 (過去的高價值客戶，但許久未回訪)
    elif r < 3 and fm >= 3.0:
        return 'Tier 4: 高價值流失警示 (At Risk)'
    # 底層：沉睡與已流失客群 (低價值且長時間無互動)
    else:
        return 'Tier 5: 沉睡流失客 (Lost)'

rfm_scored['pyramid_tier'] = rfm_scored.apply(assign_pyramid_tier, axis=1)

步驟三：數據盤點——驗證帕雷托法則 (80/20 法則的殘酷展現)

金字塔搭建完成後，我們立刻依據層級聚合，檢視各層級的人數佔比與 GMV 貢獻度：

# 依金字塔層級聚合人數與總消費金額
pyramid_summary = rfm_scored.groupby('pyramid_tier').agg(
    customer_count=('customer_unique_id', 'count'),
    total_gmv=('monetary', 'sum'),
    avg_spend=('monetary', 'mean'),
    avg_recency=('recency', 'mean')
).reset_index()

# 計算佔比 (%)
pyramid_summary['customer_share_pct'] = (pyramid_summary['customer_count'] / pyramid_summary['customer_count'].sum() * 100).round(2)
pyramid_summary['gmv_share_pct'] = (pyramid_summary['total_gmv'] / pyramid_summary['total_gmv'].sum() * 100).round(2)
pyramid_summary['avg_spend'] = pyramid_summary['avg_spend'].round(1)
pyramid_summary['avg_recency'] = pyramid_summary['avg_recency'].round(1)

# 依金字塔層級排序輸出
pyramid_summary.sort_values(by='pyramid_tier')

實作區 :

步驟四：決策地圖落地——分群行銷策略矩陣

有了這張金字塔，分析師就能端出一張清晰的「分群行銷策略矩陣」，直接指導營運、廣告與 CRM 團隊的每日行動：

今天我們完成了從演算法除錯到商業決策賦能的完整跨越：

• 防呆評分落地： 理解真實電商數據的偏態本質，以自訂規則破解 Frequency 的分位點衝突。

• 搭建價值金字塔： 將複雜的多維數據收斂為 5 大階層，具象化呈現買家的商業價值分佈。

• 交付行銷決策地圖： 針對每個層級制定清晰的作戰目標、觸達工具與預算優先級，

• 讓數據分析真正成為驅動業務增長的引擎。

看著金字塔底層那群龐大的「流失客群」，一個更深層的疑惑油然而生：
「過去兩年裡，每個月進來的新客人，到底是在第幾個月迅速流失的？
平台的顧客留存體質，究竟有沒有隨時間變好？」

明天 Day 19，我們將迎戰電商領域最硬核、也是高階面試必考的靈魂指標——用 Pandas 實作月度顧客留存隊列分析（Cohort Retention Analysis）！