說起聚類分析，相信很多人并不陌生。這篇原創(chuàng)博客我想簡單說一下我所理解的聚類分析，歡迎各位高手不吝賜教和拍磚。

   按照正常的思路，我大概會說如下幾個問題：

1.     什么是聚類分析？

2.     聚類分析有什么用？

3.     聚類分析怎么做？

下面我將分聚類分析概述、聚類分析算法及sas實現(xiàn)、案例三部分來系統(tǒng)的回答這些問題。

聚類分析概述

1.     聚類分析的定義

中國有句俗語叫“物以類聚，人以群分”——剔除這句話的貶義色彩。說白了就是物品根據(jù)物品的特征和功用可以分門別類，人和人會根據(jù)性格、偏好甚至利益結成不同的群體。分門別類和結成群體之后，同類（同群）之間的物品（人）的特征盡可能相似，不同類（同群）之間的物品（人）的特征盡可能不同。這個過程實際上就是聚類分析。從這個過程我們可以知道如下幾點：

1)    聚類分析的對象是物（人），說的理論一點就是樣本

2)    聚類分析是根據(jù)物或者人的特征來進行聚集的，這里的特征說的理論一點就是變量。當然特征選的不一樣，聚類的結果也會不一樣；

3)    聚類分析中評判相似的標準非常關鍵。說的理論一點也就是相似性的度量非常關鍵；

4)    聚類分析結果的好壞沒有統(tǒng)一的評判標準；

2.     聚類分析到底有什么用？

1)    說的官腔一點就是為了更好的認識事物和事情，比如我們可以把人按照地域劃分為南方人和北方人，你會發(fā)現(xiàn)這種分法有時候也蠻有道理。一般來說南方人習慣吃米飯，北方習慣吃面食；

2)    說的實用一點，可以有效對用戶進行細分，提供有針對性的產(chǎn)品和服務。比如銀行會將用戶分成金卡用戶、銀卡用戶和普通卡用戶。這種分法一方面能很好的節(jié)約銀行的資源，另外一方面也能很好針對不同的用戶實習分級服務，提高彼此的滿意度。

再比如移動會開發(fā)全球通、神州行和動感地帶三個套餐或者品牌，實際就是根據(jù)移動用戶的行為習慣做了很好的用戶細分——聚類分析；

3)    上升到理論層面，聚類分析是用戶細分里面最為重要的工具，而用戶細分則是整個精準營銷里面的基礎。精準營銷是目前普遍接納而且被采用的一種營銷手段和方式。

3.     聚類分析的流程是怎樣的？

比較簡單的聚類分析往往只根據(jù)一個維度來進行，比如講用戶按照付費情況分成高端用戶、中端用戶和低端用戶。這 個只需要根據(jù)商業(yè)目的統(tǒng)計一下相關數(shù)據(jù)指定一個高端、中端和低端的分界點標準就可以。

如果是比較復雜的聚類分析，比如移動里面經(jīng)常會基于用戶的多種行為（通話、短信、gprs流失扥等）來對用戶進行細分，這個就是比較復雜的用戶細分。如果是這樣的細分通常會作為一個比較標準的數(shù)據(jù)挖掘項目來執(zhí)行，所以基本上會按照數(shù)據(jù)挖掘的流程來執(zhí)行。具體分如下幾步：

1)     業(yè)務理解

主要是了解業(yè)務目標和數(shù)據(jù)挖掘的目標及執(zhí)行計劃

2)     數(shù)據(jù)理解

主要是弄清楚可已取哪些變量數(shù)據(jù)，具體怎么定義

3)     數(shù)據(jù)整理

根據(jù)之前的定義提取需要的數(shù)據(jù)，并進行檢測異常數(shù)據(jù)，并對變量進行挑選及探索，比如最終要用那些變量來執(zhí)行聚類算法、那些變量是離散變量，需要做特殊處理、

數(shù)據(jù)大概可以聚成幾類、類別形狀有不規(guī)則的情形嗎？

4)     建立模型

關鍵是選用什么樣的距離(相似性度量)和算法：

l  比如是樣本比較小，形狀也比較規(guī)則，可以選用層次聚類

l  比如樣本比較大，形狀規(guī)則，各類的樣本量基本相當，可以選用k-means算法

l  比如形狀規(guī)則，但是各類別之間的樣本點的密度差異很大，可以選用基于密度的算法

5)     模型評估

主要是評估聚類分析結果的好壞。實際上聚類分析在機器學習里面被稱之為無監(jiān)督學習，是沒有大家公認的評估方法的。所以更多會從業(yè)務可解釋性的角度去評估

聚類分析的好壞；

6)     模型發(fā)布

主要是根據(jù)聚類分析的結果根據(jù)不同的類的特診去設計不同的產(chǎn)品、服務或者渠道策略，然后去實施營銷

4. 具體在sas里面如何執(zhí)行？

通過前面的講解我們已經(jīng)知道，聚類分析涉及到如下6步，對應著6步SAS都會有相應的過程來執(zhí)行。

1)     距離的計算：proc distance

2)     數(shù)據(jù)標準化：proc stdize

3)     聚類變量的選擇：proc varclus

4)     初始類別數(shù)的選擇：proc mds和proc princomp

5)     不規(guī)則形狀的變換：proc aceclus

6)     算法的選擇：層次聚類-proc cluster 劃分型聚類-proc fastclus（k-means）和

         密度型聚類-proc modeclus

7)     類別特征描述：proc means

以上四個部分就從是什么、為什么、怎么樣三個角度對聚類分析做了簡單的介紹。接下來的帖子我會重點介紹SAS中各種聚類算法的差異、應用范圍及實際的案例。

進一步的了解可以繼續(xù)讀下面的帖子：