🧩 分群这条线，从 Week 03 一直走到 Week 12

路线里跨度最长的一条线是把客户分组。它在四个地方出现，每次换一个身份。

• 🔍 Week 03 讲三种分法：凭经验判断、按交易行为打分的 RFM、让算法自己找群体的聚类。课上拿 10 位客户完整跑了一遍 RFM 编码，122 那一组的意思是曾经花过大钱、最近人不见了
• 💰 Week 04 把分群接到钱上，算一个客户值多少钱之前，先得把人分开
• ⚙️ Week 11 才把聚类真的跑起来，K-means 要先标准化数据，再用 Elbow Method 和 Silhouette Coefficient 决定分成几组，选变量的经验值是 4 到 12 个
• 🧪 Week 12 收尾，分群负责生出猜想，A／B 测试和 hold-out 测试负责把这个猜想放到真实反应里检验一次

这条线两头都接着 assessment。Week 03 那套分组思路直接进 group assignment，那份 assignment 把你放进一家美国大银行的客户分析团队，对着一大批消费者投诉做横向对比；Week 11 的 K-means 操作流程，就是 final 实操题最可能落到的地方。中间的 Week 04 和 Week 12 负责把前后两头缝起来。所以 review 的时候我会把这四周并在一起看，前一处的结论正好是后一处的入口。

🔁 同一件事在这门课里出现四次：Week 03 学怎么分，Week 04 分完才能算钱，Week 11 交给算法自己找，Week 12 拿实验检验分得对不对。

🎲 同一批客户，能算出 5.6 年和 12.4 年两个 answer

顺着分群往下走，Week 04 有一段会让人当场愣一下的内容，讲的是留存率的平均值陷阱。

课上给的数字是这样的。一家公司的客户分成三群，低风险那群流失率 0.06、占 70%，中风险那群 0.35、占 20%，高风险那群 0.65、占 10%。先按占比把流失率平均一下得到 0.177，倒过来就是期望寿命，1 除以 0.177 约等于 5.6 年。换个顺序再算一次：每群各自取倒数，得到 16.7 年、2.9 年和 1.5 年，再按占比加权，answer 变成 12.4 年。同一批客户，同一组数字，两种顺序差了一倍多。差别出在取倒数这个动作上，它把大小关系拧了一下，先平均再取倒数和先取倒数再平均，本来就会跑到两个地方去。顺序换一下，结论差一倍，这是这门课里最容易让人记住的一个画面。课上把它对应到 Jensen's Inequality，还引了《The Loyalty Effect》里的说法：平均值算不准的时候，就得对每一类客户用它自己的比率。

学会这一下之后，你能立刻拿它做一件事。以后碰到任何一份写着「平均客户」的数字，先问这个平均是在哪一步取的。课上还配了一张投放对照图，按平均值给所有人一样的投入，高价值那一档会被喂不饱，低价值那一档会被喂过头 📊。

🗄️ 每周下课前，把当天的产出分进两个抽屉

这门课最省力的跟法是给自己准备两个抽屉。Workshop 结束前花两分钟，把当天做出来的东西分一下：能放进 Tableau 报告的，进 group assignment 那个抽屉；能在一张 SPSS 输出表上指着数字说出人话的，进 final 那个抽屉。Week 03 到 Week 11 的分群这条线，两个抽屉里各放一份。

这个动作能同时接住三件事。它对应前后两段的工具切换，对应 30% 和 50% 两个出口，也解释了为什么后半学期反而更需要主动动手：那一段没有一份大 assignment 替你安排练习进度，Week 09 往后每周的输出表得自己找时间读。前半学期还有 group assignment 推着你把 Tableau 用熟，后半学期这个推力就撤掉了。举个具体的，Week 10 的课上出现过 Exp(B) = 0.756，final 抽屉里要存的是这么一句话：NPS 每加 1 分，流失的几率就变成原来的 0.756 倍，等于低了 24.4%。数字随时能查，考场上要你当场说出来的是这句解读。

🗝️ 记住两个抽屉这一条，一学期的练习就不会白做。