干货 | 如何利用亿信WonderDM聚类分析做到大数据精准营销

K-均值算法是最早出现的聚类分析算法之一，它是一种快速聚类方法，但对于异常值或极值敏感，稳定性差，因此较适合处理分布集中的大样本数据集。

它的思路是以随机选取的k（预设类别数）个样本作为起始中心点，将其余样本归入相似度最高中心点所在的簇类（cluster），再确立当前簇中样本坐标的均值为新的中心点，依次循环迭代下去，直至所有样本所属类别不再变动。

算法的计算过程非常直观：

EM算法（期望最大化算法）的思路十分巧妙，在使用该算法进行聚类时，它将数据集看作一个含有隐性变量的概率模型，并以实现模型最优化，即获取与数据本身性质最契合的聚类方式为目的，通过“反复估计”模型参数找出最优解，同时给出相应的最优类别数k。

而“反复估计”的过程即是EM算法的精华所在，这一过程有E-step（Expectation）和M-step（Maximization）这两个步骤交替进行来实现。

我们准备了一个电信客户通话时间记录的数据集。

该数据集有7个字段。其中第1个字段为客户ID，作为分析字段没有意义，将会排除掉。其它6个字段是各种时间段内的通话时长，都可以作为分析字段使用。

接下来我们开始用数据集训练一个合适的聚类模型。

先创建一个挖掘过程，选择聚类，进入挖掘过程界面。

系统内置了两种聚类算法，我们选择常用的K-means算法。再选择电信客户数据集，勾选通话时长相关字段，选择所有数据参与聚类(100%抽样)。聚类数可根据业务经验给一个合适值，默认为3，点击”训练模型”菜单查看训练出来的聚类模型。

K-means聚类模型提供聚类剖面图、簇内误差平方和、聚类中心信息来辅助对模型的评估。

你还可以点击参数面板右上角的高级设置按钮，进一步调节聚类参数。

高级参数里的质心初始化方法与聚类的效果有很大关心，质心选取的不好，聚类的结果可能只是局部最优。默认是随机选取，效率较高，但可能结果不是最优。

除了K-means算法，你还可以选择EM算法进行聚类，操作方式跟K-means基本一致，在此不再累述。

评价聚类模型有一个简便的方法：

• 对于K-means聚类，选择不同的输入字段训练的模型，簇内误差平方和越小的模型性能越好。

• 而对于EM聚类，则是通过簇划分对数似然值的大小评判模型好坏，值越大表示各个样本属于当前划分的概率越大，则模型越好。

对于聚类剖面图，则可以从中看出每种聚类的特征，以上面的K-means模型为例。

从剖面图来看，数据被归纳为3类。可以看到，对于cluster3这一类，“上班时间通话时长”、“下班时间通话时长”、 “国际通话地长”、 “总通话时长”，这3个变量用红色棱形标出，棱形中间代表平均值，即红色标记的变量平均值相比其它分类偏离较大，通俗的说，平均通话时长比其它分类长。

结合平均值较高的“上班时间通话时间”、“国际通话时间”这几个因素，我们可以识别cluster3分类的客户为商务高端用户。而cluster2只有“下班时间通话时长”较其它分类突出，排除这类用户为商务用户，可归为普通高端用户。剩下cluster1分类没有较突出的变量特征，可归为普通用户。

聚类模型的应用同分类分析，也是要先发布选择好的聚类模型，再制作相应的模型应用用于客户数据的聚类（具体使用可参考前面发布的数据挖掘类的文章）。