基于3个月消费支出移动平均值的客户行为分类问题咨询

适配短周期客户消费序列的分类解决方案 #

以下方案均适配你当前7个月长度、8万量级客户的数据集需求，可直接落地实现：

1. 统计显著性优先：曼-肯德尔（Mann-Kendall）趋势检验法 #

这是当前短序列趋势判断最常用的统计方案，不需要假设数据服从正态分布，对异常波动的抗干扰性强，可直接输出趋势的统计显著性，完美解决你提到的波动大无法区分随机波动和真实趋势的问题。
操作逻辑：

• 按客户维度提取1-7月的原始消费支出序列，逐客户运行MK检验，输出两个核心指标：Sen's 斜率（代表趋势方向和幅度）、显著性p值（代表趋势是随机波动导致的概率）
• 分类规则可直接套用：
  • p值 < 0.05（可根据业务容错需求调整阈值，比如放宽到0.1降低漏判率）且斜率>0 → 增长组
  • p值 < 0.05且斜率<0 → 下降组
  • 其余所有情况 → 平稳组

2. 业务适配性优先：加权移动趋势评分法 #

如果需要分类规则更贴合业务实际判定逻辑，不需要严格的统计显著性，可选择规则类方案：

• 给不同月份的消费值设置梯度权重：最近3个月权重分别设为0.3、0.2、0.1，更早的4个月权重各设为0.1，计算加权后的趋势斜率
• 同时计算单客户消费序列的变异系数（标准差/均值），作为波动幅度的衡量指标
• 分类规则：
  • 加权斜率大于正向阈值，且变异系数小于波动阈值 → 增长组
  • 加权斜率小于负向阈值，且变异系数小于波动阈值 → 下降组
  • 其余 → 平稳组
• 阈值可通过已有标注的样本跑ROC曲线取最优分位点，无标注样本的话用3倍四分位距取行业通用合理值即可

3. 已有方法的优化方向 #

你之前调研的方案可做调整后补充使用：

• 移动平均控制图优化为双阈值控制：同时校验原始消费值的3σ控制限、3个月移动平均的连续偏移情况，比如连续3个月移动平均值高于控制上限判定为增长，连续3个月低于控制下限判定为下降，覆盖度会比单阈值方案高很多
• 时间序列平稳性检验（如ADF检验）本身不匹配你的需求：这类方法是判断序列是否长期围绕固定均值波动，你需要的是有没有显著的单向趋势，两类问题的判定逻辑完全不同，之前找不到适配方案属于正常情况

落地代码示例（Python） #

import pymannkendall as mk
import pandas as pd

# 假设数据集df包含字段customer_id、month、spend、3个月移动平均ma_3
def trend_classify(spend_series):
    mk_res = mk.original_test(spend_series)
    if mk_res.p < 0.05:
        if mk_res.slope > 0:
            return "增长"
        elif mk_res.slope < 0:
            return "下降"
    return "平稳"

# 按客户分组、按月份排序后应用分类规则
df_class = df.sort_values("month").groupby("customer_id")["spend"].apply(trend_classify).reset_index()
df_class.columns = ["customer_id", "trend_group"]

# 合并回原数据集即可得到新增分组字段
df_final = df.merge(df_class, on="customer_id", how="left")

内容的提问来源于stack exchange，提问作者Mariane Santos