Sau đây là 4 trường phái khác nhau, nhưng có thể hoạt động độc lập hoặc kết hợp trong một Segmentation Orchestration Pipeline. Mình sẽ trình bày theo mục tiêu, input, output, core logic, AI/ML model, và workflow cho từng agent.
1) Persona Segmentation theo Ideal Customer Profile (ICP) sử dụng Vector Space
Mục tiêu Xác định khách hàng thuộc nhóm “khách hàng lý tưởng” dựa trên ngữ nghĩa và vector embeddings từ hồ sơ khách hàng.
Input
- Thông tin profile: ngành, chức vụ, hành vi, sở thích, sản phẩm đã mua, v.v.
- Bộ định nghĩa ICP (Ideal Customer Profile) → được encode thành vector.
Output
- Nhãn persona (ví dụ: “Tech-Savvy Executive”, “Budget-Conscious Traveler”).
- Điểm tương đồng cosine giữa profile và ICP.
Core Logic
- Encode hồ sơ khách hàng bằng sentence-transformer hoặc multilingual-e5.
- Encode ICPs thành vector.
- Tính cosine similarity → phân nhóm dựa trên ngưỡng hoặc nearest centroid.
Model/Tech
- Embedding model:
intfloat/multilingual-e5-base(pgvector trong PostgreSQL 16). - Clustering: KMeans, HDBSCAN hoặc nearest neighbor search.
Workflow
Profile Data → Vector Encoding → Similarity Search → Assign Persona
2) Lead Scoring Segmentation
Mục tiêu Đánh giá mức độ tiềm năng của lead để ưu tiên chăm sóc.
Input
- Hành vi tương tác: click, download, đăng ký form, mở email.
- Dữ liệu nhân khẩu học & công ty học (firmographic).
Output
- Điểm lead (0–100).
- Nhóm phân loại: Hot, Warm, Cold.
Core Logic
- Logistic regression hoặc XGBoost để dự đoán xác suất lead trở thành khách hàng.
- Mapping xác suất → thang điểm 100.
- Áp dụng business rules (ví dụ: job title + hoạt động gần đây).
Model/Tech
- Scikit-learn/XGBoost
- PostgreSQL + ML model deployment (PGML hoặc MLflow).
Workflow
Behavioral Data + Profile Data → Feature Engineering → ML Scoring → Segment
3) CLV (Customer Lifetime Value) Scoring Segmentation
Mục tiêu Phân nhóm khách hàng theo giá trị dự đoán mà họ sẽ mang lại trong suốt vòng đời.
Input
- Lịch sử mua hàng: tần suất, giá trị đơn hàng, thời gian mua.
- Thông tin hành vi và profile.
Output
- CLV dự đoán.
- Nhóm phân loại: High Value, Medium Value, Low Value.
Core Logic
- Mô hình dự đoán: Pareto/NBD + Gamma-Gamma hoặc Gradient Boosting Regressor.
- Tính CLV = (Average Order Value × Purchase Frequency × Predicted Retention Time).
Model/Tech
lifetimesPython package- XGBoost Regressor.
Workflow
Transaction Data → CLV Model → Predict Value → Segment
4) RFM (Recency, Frequency, Monetary) Segmentation
Mục tiêu Phân nhóm khách hàng dựa trên độ mới mua hàng, tần suất, và giá trị chi tiêu.
Input
- Dữ liệu giao dịch: ngày mua cuối, số lần mua, tổng chi tiêu.
Output
- RFM score (ví dụ: 5-3-4).
- Nhóm: Champions, Loyal, At Risk, Hibernating…
Core Logic
- Chuẩn hóa Recency, Frequency, Monetary thành thang 1–5.
- Ghép điểm → phân nhóm theo bảng mapping.
Model/Tech
- SQL window functions hoặc Python pandas.
Workflow
Transaction Data → Calculate R/F/M Scores → Assign Segment
