恐怕您将软件程序和统计算法误认为是思考和判断生物。没有工具可以给你好的、坏的和丑陋的。在此过程中，您必须行使自己的判断力！您需要的不是工具，而是用于对每个客户进行分类的深思熟虑的标准。然后剩下的就是机制问题或后续问题。

LTV（生命周期价值）的生存分析是一个很好的起点。这是非常基本的，但它可以完成工作。但是有很多商业智能工作可以用你所拥有的东西来做。如果您对广告有响应率等，它还可以为您提供一个查看有效性的好方法。

我同意 rolando2 的观点，好的、坏的和丑陋的——从数学上定义是具有挑战性的。特别是在您的数据中除了购买之外没有任何行为或次要元素，即使是像邮政编码这样简单的东西也可以为您的数据添加奇妙的信息，以了解诸如购买地点（它是一家商店）之类的东西。我想您可以按 LTV 百分位数进行细分... 30%、50%、80%（遵循 80/20 业务规则...）。

在软件方面，我不知道如何在 Excel 或 STATA 中执行此操作。survival但是，对于 R，这里有一个使用包的混合介绍和生存分析示例：http: //www.stats.uwo.ca/faculty/jones/survival_talk.pdf，来自西安大略大学的 Bruce Jones。我是加拿大人，起诉我。

在他的示例中，Death 将类似于您在数据中标识为 0 或 1 的平均购买时间，如果观察结果确实购买了上一次购买之间的平均时间。有些人喜欢将其设置为过去 3 个月内购买的...但显然每种业务类型都不同。你不会每个月都坐车吧？所以这是对你的判断。

否则，您可以从商业智能的角度对您的数据做很多有趣的事情。平均购买价格、根据商店中的堆叠购买的商品数量或网站上的横幅（如果您知道放置广告或堆叠的时间）......这些只是几个示例。

我建议您使用有限的数据（也许是有限的集群经验），您只需创建一个RFM编码并分成您想要的三个箱。否则，对数据进行聚类分析是基于交易变量进行客户细分的基本方法（当然，您的日期必须成为诸如购买之间的距离、购买期限和购买新近度之类的度量）。

一般来说，我会同意 rolando2。但是，如果您对无监督分类感兴趣，可以使用一些方法为您提供未标记的数据组。一种这样的方法是潜在狄利克雷过程 (LDA)，它已被用于自动主题发现。K-Means 可能更适合您的需求，尤其是因为您知道您期望的类别数量。