以一家万店酒店集团为样本：每位会员的消费频次、房价承受力、提前预订习惯都不相同。本页用一个可交互的 K-Means 演示，完整走一遍商业分析中最常用的方法——从数据到分群，从分群到行动。
一家万店级酒店集团的会员池里，同时住着完全不同的几种人：周一到周四准点入住的商务客、寒暑假带孩子出行的家庭客、大促才下单的价格敏感客、一年住 40 晚的忠诚金卡客。
如果对他们用同一套价格、同一张券、同一条短信——等于对所有人说同一句不痛不痒的话。聚类分析的作用，就是在没有标准答案的情况下，让数据自己分出群组：计算机不看性别年龄的标签，只看行为数字之间的距离，把"像的人"自动归到一起。
分完群之后，每一群才有自己的价格策略、权益设计和唤回剧本——这正是该集团直销占比能做到行业领先水平的底层数据动作之一。
聚类只完成了一半——分出的群必须可命名、可行动、可衡量。以下是该样本在五群方案下的画像与对应策略（演示推演）：
年均入住 30+ 晚，周中出行，价格敏感度低，最看重稳定与效率。
周末和节假日入住，对套餐和景观房敏感，决策受内容种草驱动。
寒暑假集中出行，连住 2-3 晚，对房型面积和加早政策敏感。
大促驱动下单，忠诚度低，哪个平台便宜去哪。
曾活跃但超过 6 个月未入住，联系渠道仍有效。
12-24 个月会员交易与入住记录，统一口径（频次、金额、提前期、渠道、取消率），处理缺失与异常值。通常 3-5 天。
把原始记录压缩成每个会员的一行特征向量——RFM 是最低配置，加入提前预订天数、连住长度、渠道偏好等酒店业特有维度。
K-Means 跑 K=2 到 K=8，用肘部法则和轮廓系数给参考，再由业务团队定最终 K——能执行几套打法，就分几群。
每群用行为特征命名（不是"第 1 群"而是"高频商务客"），逐群设计价格、权益、触达策略与衡量指标。
分群规则写回 CRM/会员系统，每月自动重跑。客户行为在漂移，分群规则也要跟着漂移——这是系统，不是一次报告。