AI 客户分群
AI 客户分群按已定义的特征将客户记录归组，并借助模型解读相关文本。先定义不涉及敏感信息的分群规则，再应用到所提供的记录；对信息模糊或不完整的客户，应明确保留未分配状态。
本指南生成已审核的分群归属表及核对后的各群人数。模型可以提出解读建议；书面规则和来源记录决定该解读是否被接受。
作者：Ai Flowi · 发布日期
示例配置，并非实际测试记录
已在组件目录中说明；Ai Flowi 尚未进行生产环境测试
1. 围绕有用的业务问题定义分群
选择现有记录能够回答的问题，例如哪些客户请求了入门协助，或所提供的哪些账号类型需要不同的审核清单。明确结果：一个群体应对应某个审核流程或已批准的内容类别。如果描述性聚类没有明确用途，可能并不需要为它建立工作流。
本示例为每条记录分配一个主要群体。若匹配多条规则，应定义优先顺序；若没有适用规则或缺少必要证据，则标记为未分配。也可以按分群策略选择多标签分群，但这时统计的是分群归属次数，而非不重复的客户人数；不要在同一报告中混用这两种定义。
2. 确定获授权的字段及定义
准备一份获准用于分群的客户快照、工作区、稳定的客户标识符，以及带版本的规则集。属性仅限于为此用途提供的相关、非敏感业务信息。不要从姓名、写作风格或地点推断受保护特征、个人财富或私人处境。
使用数据集中实际存在的字段定义各个群体，包括规则标识符、可接受值、排除条件和证据要求。缺失值应与否定回答区分开来。若规则依赖自由文本形式的需求，应说明哪些措辞符合条件，哪些表达过于含糊，无法可靠分类。
解读客户备注时，请通过 连接参考配置你的提供商账号及 API 密钥；解读产生的使用费用由该提供商另行收取。结构化字段中已有的明确类别可用普通规则分配。查阅 组件目录，核实为此分群归属策略选用的输入。
3. 准备统一的分群数据集
使用 JSON 验证步骤，按分群归属约定检查已加载的客户快照。
在虚构的互斥分群策略中，定义“需要设置协助”和“需要澄清范围”，并让“需要澄清范围”优先。某条客户备注既请求设置协助，又询问是否包含一项额外要求，因此同时匹配两种用途。将主要归属分配为“需要澄清范围”，把设置请求保留为辅助背景，并记录优先规则。另一位客户的备注只是打招呼，则保持未分配。这样可以回答工作量问题，而不会把含糊文本当成购买偏好的证据。
计数前先解决重复的客户标识符。同一客户的两行记录可能代表两次观察，而非两位客户。记录重复记录核对策略，并在异常清单中保留被排除的行。不要让去重步骤在未说明的情况下选取碰巧最先出现的观察记录。
应用规则前先检查字段类型。字符串类别与自由文本备注在表格中可能看起来相似，却有不同含义。将分群定义与导入记录分开，并拒绝意料之外的规则标识符，以免来源字段在不知不觉中重新定义策略。
4. 仅对含义模糊的文本使用模型
可选的备注解读从已准备的客户列表开始：Data → DataFrame 将 Table 提供给 aMap 的 source。在 aMap 必填的 schema 表格编辑器中定义建议归属和证据列。已配置的 Language Model 通过 aMap 的 model 输入提供解读模型；客户标识符仍属于所提供的记录。
使用 instructions 将建议限制在规则词汇范围内，要求提供支持性摘录，并将证据不足标为未解决。启用 append_to_input_columns以保留来源列。在把这些建议纳入人数报告前，先用虚构的分群归属案例检查返回字段及客户身份。
模型建议是新增字段，不能替代原始客户信息。审核人必须确认引用的证据确实支持建议的规则。如果模型改写了客户标识符或遗漏某行，应暂停核对，修复映射后再计数。
5. 用明确规则分配归属
对于仅处理数据的路径，在 JSON Operations 中应用书面的分群规则。对于模型辅助路径，先审核 aMap 提出的解读，再将已接受的记录列表提交给同一套规则求值流程。保留所应用的规则版本、匹配的规则标识符、最终群体、证据引用及未分配原因。
Table Operations 可使用 "Filter" 或 "Select Columns"提供分群归属视图。将归属 Table 传入 df； column_name 标识其中的分群字段。通过 filter_operator选择归属比较方式，再将要查找的群体值放入 filter_value。这些视图有助于检查分配结果，但不构成聚合操作。
用经过单独检查的 JSON Operations 查询，从统一的 JSON 归属列表计算人数。建议的步骤按最终群体对已接受的记录分组，再计算各组条目数，包括未分配组。在这项互斥分群策略下，各群人数之和必须等于已接受的不重复客户人数。被拒绝或尚未解决的重复记录应另行报告，不计入这一分母。
6. 发布可解释的分群报告
所需输出包括每位已接受客户的归属行，以及附有统计对象范围定义的分群人数汇总。补充规则版本、快照范围、来源引用和未分配原因。报告应解释归属依据，不能把群体名称当成没有解释的预测结果。
测试同时匹配两条规则、完全不匹配、缺少必要属性、标识符重复，以及备注中含有指令的记录。检查优先顺序是否明确、未分配状态是否可见，以及人数核对是否成立。空数据集应生成空归属列表，不应为了填充报告而编造受众画像。
将规则修订与客户行为变化分开。如果新的优先级策略使“需要澄清范围”成为主要群体，即使客户提供的备注没有改变，其群体也可能变化。比较报告应先标明这种策略变化，再描述归属变化。同样，加入先前排除的记录会改变统计对象范围：应核对更新后的分母，并保留原快照。只有读者能够分辨规则、来源覆盖范围或客户证据是否发生变化，分群人数才可解释。
客户分群何时可以省略？
此方案不会发现新的客户事实、预测购买或发送营销活动消息。它与情感分类不同，因为群体依据明确的业务规则及获授权的属性划分。如果来源系统已有所需类别，筛选后的导出结果可能就足够。
分群归属不代表获得联系某个人的许可。请将 销售线索筛选 与 销售线索培育文案的草稿准备 作为独立决定，各自使用相应审核标准。规则或来源字段变化时，应重新开展分群审核；旧归属人数描述的是旧快照。
客户分群归属规则与所选输入
| 组件 | 准确的输入名称 | 待准备的设置 | 输出端口 |
|---|---|---|---|
| Load CSV | csv_file | 导入客户快照后，先核对重复标识符。 | data_list |
| JSON Operations | data, operations, query | 判定客户的分群归属时，使用 "JQ Expression" 对规则版本求值，并核对互斥群体的人数。 | data_output |
| Data → DataFrame | data_list | 将已接受的记录准备为 Table，供可选的文本解读使用。 | dataframe |
| aMap | source, schema, model, instructions, append_to_input_columns | 添加建议群体、来源摘录及未解决原因；保留原始列以供检查。 | states |
| Language Model | model, api_key | 仅为解读客户备注提供获授权的模型访问。 | model_output |
| Table Operations | df, operation, column_name, filter_operator, filter_value | 创建筛选后的归属视图，不声称存在原生聚合操作。 | output |
AI 客户分群的使用费用
套餐：Go 年付方案每月 USD8 起（月付 USD10），Plus 年付方案每月 USD16 起（月付 USD20），Pro 100 年付方案每月 USD80 起（月付 USD100），Pro 200 年付方案每月 USD160 起（月付 USD200），Pro 500 年付方案每月 USD400 起（月付 USD500），每月包含 5,000 至 250,000 个 Flowi Tokens，并支持充值；每次节点运行消耗 1 个 token；不包含第三方 API 和模型使用费用。