聚类是将数据分类到不同的类或者簇这样的一个过程,所以同一个簇中的对象有很大的相似性,而不同簇间的对象有很大的相异性。

从统计学的观点看,聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。

从机器学习的角度讲,簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同,无监督学习不依赖预先定义的类或带类标记的训练实例,需要由聚类学习算法自动确定标记,而分类学习的实例或数据对象有类别标记。聚类是观察式学习,而不是示例式的学习。

从实际应用的角度看,聚类分析是数据挖掘的主要任务之一。而且聚类能够作为一个独立的工具获得数据的分布状况,观察每一簇数据的特征,集中对特定的聚簇集合作进一步地分析。聚类分析还可以作为其他算法(如分类和定性归纳算法)的预处理步骤。

聚类分析的核心思想就是物以类聚,人以群分。在市场细分领域,消费同一种类的商品或服务时,不同的客户有不同的消费特点,通过研究这些特点,企业可以制定出不同的营销组合,从而获取最大的消费者剩余,这就是客户细分的主要目的。在销售片区划分中,只有合理地将企业所拥有的子市场归成几个大的片区,才能有效地制定符合片区特点的市场营销战略和策略。金融领域,对基金或者股票进行分类,以选择分类投资风险。

下面以一个汽车销售的案例来介绍聚类分析在市场细分中的应用。

聚类是将数据分类到不同的类或者簇这样的一个过程,所以同一个簇中的对象有很大的相似性,而不同簇间的对象有很大的相异性。

从统计学的观点看,聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。

从机器学习的角度讲,簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同,无监督学习不依赖预先定义的类或带类标记的训练实例,需要由聚类学习算法自动确定标记,而分类学习的实例或数据对象有类别标记。聚类是观察式学习,而不是示例式的学习。

从实际应用的角度看,聚类分析是数据挖掘的主要任务之一。而且聚类能够作为一个独立的工具获得数据的分布状况,观察每一簇数据的特征,集中对特定的聚簇集合作进一步地分析。聚类分析还可以作为其他算法(如分类和定性归纳算法)的预处理步骤。

聚类分析的核心思想就是物以类聚,人以群分。在市场细分领域,消费同一种类的商品或服务时,不同的客户有不同的消费特点,通过研究这些特点,企业可以制定出不同的营销组合,从而获取最大的消费者剩余,这就是客户细分的主要目的。在销售片区划分中,只有合理地将企业所拥有的子市场归成几个大的片区,才能有效地制定符合片区特点的市场营销战略和策略。金融领域,对基金或者股票进行分类,以选择分类投资风险。

下面以一个汽车销售的案例来介绍聚类分析在市场细分中的应用。

商业目标

业务理解:数据名称《汽车销售.csv》。该案例所用的数据是一份关于汽车的数据,该数据文件包含销售值、订价以及各种品牌和型号的车辆的物理规格。订价和物理规格可以从 edmunds.com 和制造商处获得。定价为美国本土售价。如下:

表1:数据视图

业务目标:对市场进行准确定位,为汽车的设计和市场份额预测提供参考。

数据挖掘目标:通过聚类的方式对现有的车型进行分类。

数据准备

通过数据探索对数据的质量和字段的分布进行了解,并排除有问题的行或者列优化数据质量。

第一步,我们使用统计节点审核数据的质量,从审核结果中我们发现存在缺失的数据,如下图所示:

第二步,对缺失的数据进行处理,我们选择使用缺失填充节点删除这些记录。配置如下:

建模

我们选择层次聚类进行分析,尝试根据各种汽车的销售量、价格、引擎、马力、轴距、车宽、车长、制动、排量、油耗等指标对其分类。

因为层次聚类不能自动确定分类数量,因此需要我们以自定义的方式规定最后聚类的类别数。层次聚类节点配置如下(默认配置):

可以使用交互表或者右击层次聚类节点查看聚类的结果,如下图所示:

再使用饼图查看每个类的大小,结果如下:

从图中可见,分成的三个类样本数差异太大,cluster_0和cluster_1包含的样本数都只有1,这样的分类是没有意义的,因此需要重新分类。我们尝试在层次聚类节点的配置中指定新的聚类方法:完全。新的聚类样本数分布如下:

cluster_0、 cluster_1、cluster_2的样本数分别为:50、9、93。

执行后输出树状/冰柱图,可以从上往下看,一开始是一大类,往下走就分成了两类,越往下分的类越多,最后细分到每一个记录是一类,如下所示:

我们可以再使用条形图查看每类的销售量、平均价格,如下图所示:

每类总销量分布图

每类平均销量分布图

每类平均价格分布图

我们再看一下每类的销售额分布情况。首先,我们需要使用Java代码段节点或者派生节点生成销售额字段,配置如下:

再使用饼图查看销售额分布情况,cluster_0、 cluster_1、cluster_2的市场份额分别为:32.39%、0.53%和67.08%,如下图所示:

案例小结

通过这个案例,大家可以发现聚类分析确实很简单。进行聚类计算后,主要通过图形化探索的方式评估聚类合理性,以及在确定聚类后,分析每类的特征。

本文转自数据科学研习社 作者陈丹奕

聚类分析在用户行为中的实例_聚类分析案例之市场细分相关推荐

  1. 聚类分析在用户行为中的实例_聚类分析的简单案例

    基本概念 聚类就是一种寻找数据之间一种内在结构的技术.聚类把全体数据实例组织成一些相似组,而这些相似组被称作聚类.处于相同聚类中的数据实例彼此相同,处于不同聚类中的实例彼此不同.聚类技术通常又被称为无 ...

  2. 聚类分析在用户行为中的实例_聚类分析案例

    一.数据挖掘的常用方法 利用数据挖掘进行数据分析常用的方法主要有分类.回归分析.聚类.关联规则.特征.变化和偏差分析.Web页挖掘等,它们分别从不同的角度对数据进行挖掘. 分类.分类是找出数据库中一组 ...

  3. 聚类分析在用户行为中的实例_聚类分析在用户分类中的应用

    选择聚类变量 聚类分析 找出各类用户的重要特征 聚类解释&命名 ||  选择聚类变量 在设计问卷的时候,我们会根据一定的假设,尽可能选取对产品使用行为有影响的变量,这些变量一般包含与产品密切相 ...

  4. 聚类分析在用户行为中的实例_聚类分析实例

    k-means 聚类"--数据分析.数据挖掘 一.概要 分类作为一种监督学习方法, 要求必须事先明确知道各个类别的信息, 并 且断言所有待分类项都有一个类别与之对应.但是很多时候上述条件得不 ...

  5. 聚类分析在用户行为中的实例_聚类分析实例讲解

    1 Lab 6 聚类分析 一.分析背景 Chrysler 公司为了赢得市场竞争地位, 决定推出新产品 Viper , 该种产品的目标客户是 雅皮士阶层.为了进一步了解这种人群的心理特征,定位自己的产品 ...

  6. 聚类分析在用户行为中的实例_看完这篇,你还敢说不懂聚类分析?

    点击上方蓝色字关注我们~ 大数据分析中的应用,最常用的经典算法之一就是聚类法,这是数据挖掘采用的起步技术,也是数据挖掘入门的一项关键技术.什么是聚类分析?聚类分析有什么用?聚类算法有哪些?聚类分析的应 ...

  7. 聚类分析在用户行为中的实例_基于行为数据的消费信贷反欺诈方案

    随着技术的革新,金融行业的新模式.新业态不断涌现,对公共安全和社会治理也提出了诸多新挑战,如何有效管控这些新模式.新业态,使其朝着正确的轨道稳步前进,是摆在行业和监管部门面前的共同难题.近年来,数字金 ...

  8. 聚类分析在用户行为中的实例_用户关注行为数据分析过程详解-描述统计+聚类...

    以下是基于一小段用户关注产品的行为数据分析过程详细描述,各位老师如有不同意见或优化建议,还请不吝赐教. 一.数据大致是这样的(已经脱敏处理) 二.数据预处理 从年款提取出年限,从价格标识出价格区间,随 ...

  9. 聚类分析在用户行为中的实例_网站用户行为分析案例

    一.案例综述 案例编号:101001 案例名称:互联网行业--网站用户行为分析 作者姓名(或单位.或来源):刘莎莎 案例所属行业:G6020互联网信息 案例所用软件: .Sas EG.TOAD.SAS ...

最新文章

  1. git submodule 使用场景汇总
  2. Android:30分钟弄明白Touch事件分发机制
  3. (详细)Hibernate查询技术(Query、Session、Criteria),Hibernate的三种状态,Hibernate集合struts2实现登录功能(二)
  4. (chap2 简单的Http协议) HTTP性能优化之持久连接Keep Alive
  5. 《解释的工具:生活中的经济学原理 读书笔记6》
  6. [Leetcode][第977题][JAVA][有序数组的平方][排序][双指针]
  7. php u6d4b,PHP解码unicode编码的中文字符代码分享
  8. OpenWRT原版固件安装
  9. 使用C#,轻松发邮件之QQ邮箱
  10. 《剑指offer》第三十三题(二叉搜索树的后序遍历序列)
  11. win7家庭版计算机桌面,win7家庭普通版如何显示桌面图标
  12. 批量将所有文件按照文件名中的扩展名后缀进行分类整理
  13. wincc变量数据归档(案例)
  14. WGCNA:(加权共表达网络分析)
  15. Unity异常退出日志存储位置
  16. qq一键登入帝国cms插件|适用7.5 7.2版本|UTF-8 GBK双版本
  17. 全球plc品牌总结(欢迎补充)
  18. Pyhton 裁剪视频尺寸 脚本
  19. 如何提高领英添加好友邀请通过率的细节和方法技巧
  20. 2012年度注册测绘师资格考试江西-考区合格人员名单

热门文章

  1. HDMI+VGA+USB3.0+PD3.0四合一多功能扩展坞|type c 扩展坞接口功能说明
  2. mongoose 之Shema
  3. DTD与shema学习
  4. 华大(小华)HC32L130工程创建
  5. swing文本框添加背景图片
  6. 三角函数曲线(含具体分析过程)
  7. Mysql(下载、安装、环境配置详细图文)
  8. 在csdn中,如何获取积分
  9. Dev-cpp 配置新编译器
  10. python 操作word 修改页眉与页脚