Spss K-means聚类分析案例——某移动公司客户细分模型

聚类分析在各行各业应用十分常见，而顾客细分是其最常见的分析需求，顾客细分总是和聚类分析挂在一起。

顾客细分，关键问题是找出顾客的特征，一般可从顾客自然特征和消费行为入手，在大型统计分析工具出现之前，主要是通过两种方式进行“分群别类”，第一种，用单一变量进行划段分组，比如，以消费频率变量细分，即将该变量划分为几个段，高频客户、中频客户、低频客户，这样的状况；第二种，用多个变量交叉分组，比如用性别和收入两个变量，进行交叉细分。

事实是，我们总是希望考虑多方面特征进行聚类，这样基于多方面综合特征的客户细分比单个特征的细分更有意义，这正是spss聚类分析可以做到的，以下通过k-means聚类分析做一个小小案例来展示。

---

 

【数据来源及分析内容】

 《SPSS统计分析高级教程》telco.sav，是反映移动电话用户使用手机情况的数据集。包含7个变量：用户编号、工作日上班时间电话时长、工作日下班时间电话时长、周末电话时长、国际电话时长、总通话时长、平均每次通话时长，现希望对移动用户细分，了解他们不同的手机消费习惯。根据研究调研及经验，认为移动用户应分为5个主要消费群体。数据分析工具：spss，参考教程：张文彤，《 SPSS12 统计分析高级教程》。

 

【数据分析流程】

【获取数据】

【数据预处理】

现在存储于后台的数据太多了，以前做项目担心没有真实可靠的数据，现在这个问题没有那么复杂，但数据太多却引发了其他问题。辛苦采集到的数据口径不一致，存储格式不同，不符合数据分析要求还有待派生新的变量。

这些过程看似简单却非常有必要！

仅仅预处理以上这些问题还不够，当数据分析方法复杂时，我们还需对采集的数据进行筛选构成小的数据集，对于数据集中变量的分布、缺失、描述统计指标进行一定程度的分析。

 

 

【数据分析】

K-means聚类也称快速聚类，可以用于大量数据进行聚类的情形。在开始聚类之前，需要分析者自己制定类数目，并不是一次指定，可以经过多轮反复分析，根据实际情况最终判定最优类的数目。 K-means聚类是采用计算距离的方式测度变量间的亲疏程度，距离直接影响最终的结果，因此慎重审核数据质量。

 

 

【分析结论】

做一个数据分析的项目，不能不下结论！

雷声大，雨点小的事情，作为数据分析师千万要避免发生。提交数据分析报告，对分析下结论，对业务问题进行及时解决，养成这个良好的习惯。

本文来自：数据小兵博客

本文地址：http://www.datasoldier.net/post/kmeans.html