【学习】SPSS聚类分析案例——某移动公司客户细分模型

聚类分析在各个行业中都很常见，而客户细分是其最常见的分析需求。 客户细分始终与聚类分析相关。

客户细分的关键问题是找出客户的特征。 一般可以从顾客的自然特征和消费行为出发。 在大规模统计分析工具出现之前，“群体分类”的方法主要有两种。 第一个是使用单个变量来进行分段和分组。 例如，利用消费频率变量，将变量细分为高频客户、中频客户、低频客户等几段。 第二种方法是使用多个变量进行交叉分组。 例如，使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的特征进行聚类，这样基于多方面综合特征的客户细分比单一特征的细分更有意义。 这正是 SPSS 聚类分析所能做到的。 下面是通过k-means聚类分析完成的一个小案例来演示。

【数据来源及分析内容】

《SPSS统计分析高级教程》telco.sav是反映手机用户使用手机情况的数据集。 包含7个变量：用户号码、工作日工作时间通话时长、工作日下班通话时长、周末通话时长、国际通话时长、总通话时长、平均通话时长。 我们现在希望对移动用户进行细分并了解他们。 手机消费习惯不同。 根据研究和经验，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：张文通《SPSS12高级统计分析教程》。

【数据分析过程】

【检索数据】

【数据预处理】

现在后台存储的数据过多。 以前做项目的时候很担心没有真实可靠的数据。 现在问题没那么复杂了，但是数据太多导致了其他问题。 来之不易的数据口径不一致、存储格式不同。 不满足数据分析的要求，需要推导出新的变量。

这些过程看似简单，但却非常必要！

仅仅对上述问题进行预处理是不够的。 当数据分析方法复杂时，我们还需要对收集到的数据进行过滤，形成一个小的数据集，并对数据集中变量的分布、缺失、描述性统计指标等进行一定程度的分析。

【数据分析】

K-means聚类也称为快速聚类，可用于对大量数据进行聚类。 在开始聚类之前，分析人员需要自行确定类的数量。 一次也没有指定。 可以通过多轮反复分析，最终根据实际情况确定最佳的班级数。 K-means聚类使用距离计算来衡量变量之间的紧密程度。 距离直接影响最终结果，因此应仔细审查数据质量。

【分析结论】

做数据分析项目时，你必须得出结论！

作为数据分析师，你必须避免雷声大、雨点小之类的事情。 提交数据分析报告，根据分析得出结论，及时解决业务问题，养成这个好习惯。

参考自：

《SPSS12高级教程》，张文通

《Clementine数据挖掘方法及应用》，薛伟

利用聚类分析的数据挖掘技术对电信市场进行客户细分

在电子商城中使用用户分析——与客户细分（Customer Segmentation）相关的问题列表！