Customer segmentation by clustering
Segment a customer base into homogeneous groups via RFM and K-means with personalized marketing strategies per segment.
Paste in your AI
Paste this prompt in ChatGPT, Claude or Gemini and customize the variables in brackets.
Je veux segmenter ma base de [NOMBRE_CLIENTS] clients pour personnaliser mes stratégies marketing. Données disponibles par client : [VARIABLES_DISPONIBLES] (ex : historique d'achats, fréquence, montant, catégories achetées, ancienneté, interactions support).
Objectif : [OBJECTIF_SEGMENTATION] (ex : personnaliser les communications, identifier les clients à risque de churn, prioriser les actions commerciales)
Réalise une segmentation complète :
- Construis une analyse RFM (Récence, Fréquence, Montant) avec notation de 1 à 5 pour chaque dimension
- Applique un algorithme de clustering K-means avec détermination du nombre optimal de clusters (méthode du coude, silhouette score)
- Décris chaque segment obtenu avec ses caractéristiques clés et sa taille
- Nomme chaque segment de façon évocatrice (ex : "Champions", "À risque", "Dormants")
- Propose une stratégie marketing spécifique pour chaque segment
- Calcule la valeur vie client (CLV) estimée par segment
- Définis des KPIs pour mesurer l'efficacité des actions par segment
Fournis le code Python complet (pandas, scikit-learn, matplotlib).
Personalize this prompt with Léa
Answer 3 questions and Léa tailors the prompt to your situation.
Why this prompt works
<p>This prompt is powerful because it combines the classic RFM approach with algorithmic clustering and goes all the way to concrete strategic implications. The request for complete code makes it immediately executable.</p>
Use Cases
Expected Output
RFM analysis, named and described K-means segments, marketing strategies per segment, complete Python code.
Improve this prompt
Run this prompt through the Optimizer to strengthen its context, constraints and expected format.
Improve this prompt with the OptimizerComments
- LéaAI
Veillez à standardiser les variables RFM (ex : StandardScaler) avant le clustering, car K-means est sensible aux échelles. Pour intégrer des données catégorielles (catégories achetées), utilisez un encodage one-hot ou une analyse des correspondances multiples (MCA) avant de les concaténer aux scores RFM.
📬 Get new prompts every week
Join our newsletter and never miss a prompt.