国内美妆行业受益于消费升级、美妆社交平台发展等因素增长迅速,包括护肤、彩妆、香水和个人护理在内的美妆市场销售总额从2015年的4110亿元增长到2020年的8620亿元,六年复合增长率达到16.0%。2019年我国美妆产品人均消费为50美元,而同期英国为253美元,美国为283美元,日本为308美元。可见,我国人均美妆支出有五至六倍的提升空间,行业发展潜力依旧巨大。随着美妆行业的发展,各大品牌开始加强运营精细化,力求在为顾客提供优质产品的同时进一步提高顾客满意度、个性化体验和消费频次。如何能持续吸引顾客购买使其成为忠诚顾客,一是品牌源源不断地开发出优质产品,二则是根据顾客偏好、顾客需求为其推荐合适产品,降低顾客兴趣发现成本。为了精准捕捉顾客偏好、形成有效的产品推荐,美妆产品推荐展示出广泛的行业应用价值前景。目前国内外针对美妆领域的个性化推荐研究较少,而其中又以韩国学者的研究为多数。现有研究主要关注基于美妆产品内在属性（如产品成分、功效等）进行推荐,鲜有关注如何从顾客群体特点出发开展推荐方法设计。事实上,因地域、语言、生活方式、价值观念等因素的影响,消费者内部存在不同的群体。群体的共同偏好和持续互动使内部成员行为趋于一致,而不同群体的行为偏好则呈现明显的差异性。如果能对消费者进行准确分群,那么借助群体间的差异性和群体内部的一致性,有望提高推荐效果。因此,本文从“物以类聚,人以群分”的理念出发,致力于基于分群的美妆产品推荐方法研究。研究设计上,基于分群的美妆产品推荐可以划分为两大模块。模块一为美妆顾客分群,综合考虑人口统计特征、亚文化特征、行为特征这三个维度构建顾客特征档案,采用经典的K均值（K-Means）聚类模型进行顾客群体划分。行为特征的提取是本文的一大亮点,受快消品行业衡量客户价值经典的RFM模型启发,本文提出了更适合美妆产品分群推荐的CFM（C:Category Preference,品类偏好;F:Frequency,消费频次;M:Monetary,消费金额）模型,相应地提取出彩妆偏好、护肤偏好、香氛偏好、套装偏好、消费频次、客单价（顾客每订单平均消费金额）、客单件（顾客每订单平均消费件数）、消费金额、消费件数9个特征进行顾客分群。模块二为推荐模型构建,重在探究适合不同顾客群体的推荐模型,以优化分群推荐的效果。具体来说,本文选取了三种有代表性的推荐模型,包括热门推荐、概率矩阵分解模型（Probabilistic matrix factorization;PMF）、基于循环神经网络（Recurrent Neural Network;RNN）的序列推荐模型。模型实验分两阶段展开,第一阶段为整体推荐阶段,即不考虑分群、对于全体顾客而言,探究以上三类模型推荐效果的优劣;第二阶段为分群推荐阶段,在这个阶段有两个目标:一是旨在发现对于特定顾客群体而言最适合的推荐模型,二是筛选出最能刻画美妆顾客群体特性的特征。为了验证分群美妆推荐的有效性,本文基于顾客美妆产品购买的真实数据集展开实验分析。实验数据集来源于世界最大奢侈品集团下某一美妆品牌,该品牌属于2020世界品牌500强,同时是2021年中国口红品牌线上发展排行榜单前10名。在推荐效果评估阶段本文选取精确率（precision）、召回率（recall）、F1值和准确率（accuracy）作为评估指标。通过广泛的实验探索和分析,得到了一系列有意思的结论和管理启示。就分群特征选取而言,行为特征中的客单价、客单件、消费频次和护肤偏好是最佳的美妆顾客分群特征。就分群推荐效果而言,具有低客单高频消费（低客单价、低客单件和高消费频次）的顾客更适合循环神经网络（RNN）这种考虑了序列信息的模型,而高客单价的顾客群体更具探索性,更适合概率矩阵分解（PMF）这类推荐模型。此外,男性顾客和新疆地区顾客热门推荐的效果会比其他群体高。