聚类分析案例如何利用R软件进行聚类分析

聚类分析方法具体有哪些应用？可不可以举个例子？

比如说现在要把n个产品按产品的m个指标继续聚类，因为产品可能之前的特色是不一样的。

而这个时候影响产品的因素有m个，不可能一个一个的考虑，那样是分不出类来的。

所以只能对产品的m个指标综合考虑，采用SPSS中的样本聚类方法，就可以直接将产品分好类。

并且从分析结果还可以看出各类产品的特色分别是什么。

。

就是最主要的分类标准是什么。

聚类分析不仅可以用于样本聚类，还可以用于变量聚类，就是对m个指标进行聚类。

因为有时指标太多，不能全部考虑，需要提取出主要因素，而往往指标之间又有很多相关联的地方，所以可以先对变量聚类，然后从每一类中选取出一个代表型的指标。

这样就大大减少了指标，并且没有造成巨大的信息丢失。

关于聚类分析

1。

聚类分析的特点 　聚类分析（cluster analysis）是根据事物本身的特性研究个体的一种方法，目的在于将相似的事物归类。

它的原则是同一类中的个体有较大的相似性，不同类的个体差异性很大。

这种方法有三个特征：适用于没有先验知识的分类。

如果没有这些事先的经验或一些国际、国内、行业标准，分类便会显得随意和主观。

这时只要设定比较完善的分类变量，就可以通过聚类分析法得到较为科学合理的类别；可以处理多个变量决定的分类。

例如，要根据消费者购买量的大小进行分类比较容易，但如果在进行数据挖掘时，要求根据消费者的购买量、家庭收入、家庭支出、年龄等多个指标进行分类通常比较复杂，而聚类分析法可以解决这类问题；聚类分析法是一种探索性分析方法，能够分析事物的内在特点和规律，并根据相似性原则对事物进行分组，是数据挖掘中常用的一种技术。

　　这种较成熟的统计学方法如果在市场分析中得到恰当的应用，必将改善市场营销的效果，为企业决策提供有益的参考。

其应用的步骤为：将市场分析中的问题转化为聚类分析可以解决的问题，利用相关软件（如SPSS、SAS等）求得结果，由专家解读结果，并转换为实际操作措施，从而提高企业利润，降低企业成本。

2.应用范围 　聚类分析在客户细分中的应用 　　 　　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。

常用的客户分类方法主要有三类：经验描述法，由决策者根据经验对客户进行类别划分；传统统计法，根据客户属性特征的简单统计来划分客户类别；非传统统计方法，即基于人工智能技术的非数值方法。

聚类分析法兼有后两类方法的特点，能够有效完成客户细分的过程。

　　例如，客户的购买动机一般由需要、认知、学习等内因和文化、社会、家庭、小群体、参考群体等外因共同决定。

要按购买动机的不同来划分客户时，可以把前述因素作为分析变量，并将所有目标客户每一个分析变量的指标值量化出来，再运用聚类分析法进行分类。

在指标值量化时如果遇到一些定性的指标值，可以用一些定性数据定量化的方法加以转化，如模糊评价法等。

除此之外，可以将客户满意度水平和重复购买机会大小作为属性进行分类；还可以在区分客户之间差异性的问题上纳入一套新的分类法，将客户的差异性变量划分为五类：产品利益、客户之间的相互作用力、选择障碍、议价能力和收益率，依据这些分析变量聚类得到的归类，可以为企业制定营销决策提供有益参考。

　　以上分析的共同点在于都是依据多个变量进行分类，这正好符合聚类分析法解决问题的特点；不同点在于从不同的角度寻求分析变量，为某一方面的决策提供参考，这正是聚类分析法在客户细分问题中运用范围广的体现。

　　 　　聚类分析在实验市场选择中的应用 　　 　　实验调查法是市场调查中一种有效的一手资料收集方法，主要用于市场销售实验，即所谓的市场测试。

通过小规模的实验性改变，以观察客户对产品或服务的反应，从而分析该改变是否值得在大范围内推广。

　　实验调查法最常用的领域有：市场饱和度测试。

市场饱和度反映市场的潜在购买力，是市场营销战略和策略决策的重要参考指标。

企业通常通过将消费者购买产品或服务的各种决定因素（如价格等）降到最低限度的方法来测试市场饱和度。

或者在出现滞销时，企业投放类似的新产品或服务到特定的市场，以测试市场是否真正达到饱和，是否具有潜在的购买力。

前述两种措施由于利益和风险的原因，不可能在企业覆盖的所有市场中实施，只能选择合适的实验市场和对照市场加以测试，得到近似的市场饱和度；产品的价格实验。

这种实验往往将新定价的产品投放市场，对顾客的态度和反应进行测试，了解顾客对这种价格的是否接受或接受程度；新产品上市实验。

波士顿矩阵研究的企业产品生命周期图表明，企业为了生存和发展往往要不断开发新产品，并使之向明星产品和金牛产品顺利过渡。

然而新产品投放市场后的失败率却很高，大致为66%到90%。

因而为了降低新产品的失败率，在产品大规模上市前，运用实验调查法对新产品的各方面（外观设计、性能、广告和推广营销组合等）进行实验是非常有必要的。

　　在实验调查方法中，最常用的是前后单组对比实验、对照组对比实验和前后对照组对比实验。

这些方法要求科学的选择实验和非实验单位，即随机选择出的实验单位和非实验单位之间必须具备一定的可比性，两类单位的主客观条件应基本相同。

　　通过聚类分析，可将待选的实验市场（商场、居民区、城市等）分成同质的几类小组，在同一组内选择实验单位和非实验单位，这样便保证了这两个单位之间具有了一定的可比性。

聚类时，商店的规模、类型、设备状况、所处的地段、管理水平等就是聚类的分析变量。

转

谁懂聚类分析？

根据同类事物应具有相近特性，而不同事物在这些特性上差异较大的假定，将所研究的事物进行分类，这种研究方法称为聚类Cluster。

在 SPSS中，有两种方法进行聚类分析，一种是并不指定最终的类数，所有个案不断相聚，最终聚为一类，结论将在聚类过程中寻求，这种聚类称为分层聚类。

另一种是在指定了用于聚类分析的变量和类数后进行的聚类，称为快速样本聚类。

一、分层聚类 事物的性质是通过测量变量来描述的，因此，变量可以揭示事物的一些内部属性。

如果以n个数值型变量(n维空间)来描述某一类事物，则一个事物就是n维空间中是一个点。

例如：对一批运动员分别测量了他们的百米、万米、摸高、举重、体操等若干项指标，最后根据他们的各项成绩的分析将他们分为几种不同类型的运动员，比如：爆发力型、耐力型、灵巧型等。

分层聚类分析就是通过对变量的测量，将比较接近的个案找出来归为一类，进一步再将比较接近的类合并成为新的类，逐层合并直到最后合并成为一类。

分层聚类产生的结果不在聚类的开始，也不在聚类的最终，而是在其过程中。

研究者将根据聚类过程适当截取聚类结论。

分层聚类有两种类型：“Q聚类”，也可解释为样本聚类。

这种聚类将在聚类过程中发现具有共同属性的样本。

“R聚类”，也可解释为变量聚类。

“R聚类”则可以在某些变量中选择出具有代表性的变量。

练习题：调查某市的11个区、县的国民生产和经济发展情况，测量如下项目：地区、非农业人口、农业人口、社会增产率、工业总产值、工商总税利和农业总产值。

要求：对其进行分层聚类分析，并生成聚类过程的树状图。

由报告中可以得到：个案处理摘要表“Case Processing Summary”、并类表“Agglomeration Schedule”以及聚类过程的树状图“Dendrogram”。

二、快速样本聚类 快速样本聚类的方法就是将聚类仅仅进行到指定的类数就停止。

进行快速样本聚类分析应当确定最终聚类数，使聚类发生到该指定类数后停止。

为了使聚类过程快速有效，还可以指定聚类中心点位置，这样将使聚类过程的叠代次数减少很多。

快速聚类过程始终遵照所有样本空间的点与这几个类中心的距离取最小值原则，进行反复的叠代计算，最终将各个个案分配到各个类中心所在的类，叠代计算将停止。

另外，系统还提供了一种更简单的方法，即：用户指定了初始类中心后，系统只负责分类，而不再更改这些初始类中心的位置，最终将各个个案点归类到各个初始类中心。

快速样本聚类举例。

对全国30个省、市、自治区的国民经济情况进行统计，分别测量了各个地区的国民生产总值GMSCZZ、国民收入GMSR、社会总产值SHZCZ、工农业总产值GNYZCZ和总人口ZRK等变量。

指定初始类中心为5个点。

如何利用R软件进行聚类分析

1. 数据预处理， 2. 为衡量数据点间的相似度定义一个距离函数， 3. 聚类或分组， 4. 评估输出。

数据预处理包括选择数量，类型和特征的标度，它依靠特征选择和特征抽取，特征选择选择重要的特征，特征抽取把输入的特征转化为一个新的显著特征，它们经常被用来获取一个合适的特征集来为避免“维数灾”进行聚类，数据预处理还包括将孤立点移出数据，孤立点是不依附于一般数据行为或模型的数据，因此孤立点经常会导致有偏差的聚类结果，因此为了得到正确的聚类，我们必须将它们剔除。

既然相类似性是定义一个类的基础，那么不同数据之间在同一个特征空间相似度的衡量对于聚类步骤是很重要的，由于特征类型和特征标度的多样性，距离度量必须谨慎，它经常依赖于应用，例如，通常通过定义在特征空间的距离度量来评估不同对象的相异性，很多距离度都应用在一些不同的领域，一个简单的距离度量，如Euclidean距离，经常被用作反映不同数据间的相异性，一些有关相似性的度量，例如PMC和SMC，能够被用来特征化不同数据的概念相似性，在图像聚类上，子图图像的误差更正能够被用来衡量两个图形的相似性。

将数据对象分到不同的类中是一个很重要的步骤，数据基于不同的方法被分到不同的类中，划分方法和层次方法是聚类分析的两个主要方法，划分方法一般从初始划分和最优化一个聚类标准开始。

Crisp Clustering，它的每一个数据都属于单独的类；Fuzzy Clustering，它的每个数据可能在任何一个类中，Crisp Clustering和Fuzzy Clusterin是划分方法的两个主要技术，划分方法聚类是基于某个标准产生一个嵌套的划分系列，它可以度量不同类之间的相似性或一个类的可分离性用来合并和分裂类，其他的聚类方法还包括基于密度的聚类，基于模型的聚类，基于网格的聚类。

评估聚类结果的质量是另一个重要的阶段，聚类是一个无管理的程序，也没有客观的标准来评价聚类结果，它是通过一个类有效索引来评价，一般来说，几何性质，包括类间的分离和类内部的耦合，一般都用来评价聚类结果的质量，类有效索引在决定类的数目时经常扮演了一个重要角色，类有效索引的最佳值被期望从真实的类数目中获取，一个通常的决定类数目的方法是选择一个特定的类有效索引的最佳值，这个索引能否真实的得出类的数目是判断该索引是否有效的标准，很多已经存在的标准对于相互分离的类数据集合都能得出很好的结果，但是对于复杂的数据集，却通常行不通，例如，对于交叠类的集合。