用SPSS进行聚类分析的案例—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。

参考自:

《SPSS12高级教程》,张文彤

《Clementine数据挖掘方法及应用》,薛薇

作者:数据小兵

链接:http://www.datasoldier.net/post/kmeans.html

注:数据分析网遵循行业规范,任何转载的稿件都会明确标注作者和来源,若标注有误或遗漏,请联系主编邮箱:afenxi@afenxi.com

数据小兵
认证作者

资深数据分析博主,SPSS自学教练,百度百家、百度阅读专业作者,博客www.datasoldier.net,微信号datasoldier。

分享到:更多

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址