聚类分析广泛用于市场研究、管理研究中，用于对个体细分，或对比聚类后不同样本差异。本文给大家简单梳理下聚类分析的分析思路。
聚类分析，通俗地讲即是分类，根据样本的一些特征，最终将样本分为几类。
在总体类别划分不清楚的情况下，可以用聚类的方法来分类。
01 常用的聚类方法
Spssau提供两种常见聚类方法：
如果是按样本聚类，使用SPSSAU的进阶方法>“聚类分析”功能，可以分析定量或定类数据。
如果是按变量（标题）聚类，可用分层聚类，此时数据只能是定量数据。
需要结合数据类型及具体情况进行选择。
02 聚类前的准备
（1）聚类指标的选择
聚类分析前需要解决几个问题，首先要选择使用哪些变量分析，主要依据研究目标决定。
比如，研究目标是针对不同价值的客户进行分类。
那么研究的核心在于确定哪些指标可以代表客户价值的指标，如消费次数、购买量、顾客满意度、忠诚度等指标，然后以此进行客户分类。其他重要性较低的指标，则不应纳入分析（比如个人信息）。
如果题项较多，可先做因子分析，得到每个维度（因子）的数据，再进行聚类。
（2）聚类个数选择
聚类个数设置为几类没有固定的要求，用户可自行设置聚类数量，如果不进行设置，SPSSAU也会提供默认建议；通常情况下，建议设置聚类数量介于3~6个之间。
03 聚类分析
（1）Spssau操作
案例：旅游消费市场细分
分析前已经进行因子分析，提取出5个主因子，分别命名为分享、关注、便捷性、从众效应、负面口碑，接下来使用这5个指标，对样本进行聚类分析。
选择5个分析项，点击拖拽到右侧，进行分析。
（2）聚类结果分析
聚类分析往往是一个主观判断的过程，需要根据分析结果及个人专业知识判断，应该聚为几类更合适。
这里结合SPSSAU输出结果，提供几个判断聚类效果的方法：
数据分布均匀
一般来说，每个类别的样本比例应分布均匀，如果出现某一类占比过大或过小，可以考虑重新设置聚类类别个数。
SPSSAU聚类分析结果
SPSSAU智能分析
结合频数表格与智能分析结果可知，整体分布较均匀，说明聚类个数设置为3类比较合适。
各类别特征的差异性明显
聚类类别与聚类分析项进行交叉分析，如果呈现出显著性(p<0.05)，意味着聚类得到的不同类别样本，在相同指标上有明显的差异。
SPSSAU-聚类差异对比结果
同时可查看每个指标聚类时的重要性对比，如果某个指标重要性较低，考虑移出该指标。
从上述结果看，所有研究项均呈现出显著性，说明不同类别之间的特征有明显的区别，聚类的效果较好。
聚类类别有实际意义
聚类结果最终要得到几个有实际意义的类别。通过对比每类样本的特征，可以明显的区分出三类样本特征，并且根据样本特征进行命名。
通过上图可知，第一类人群在每个指标上的得分都比较高，可以命名为旅游爱好者。
第二类人群在各类指标的得分都比较低，可命名为旅游冷淡者。
第三类人群对便捷性、从众效应、负面口碑上有较高得分，相反关注旅游信息、和分享意愿都较低，命名为旅游从众者。
04聚类后的差异分析
得到聚类类别之后，接着需要对比不同类别群体的差异性；包括如在“特征”、“行为”或者“态度”上的差异性。
最常见与个人信息情况做交叉分析，可以得到不同类型的人群分布情况。
或者与"态度题"、"行为题"的差异分析，能够更有针对性的了解不同类型人群的态度及需求，便于结合不同群体提出针对性的建议措施。
其他说明
聚类分析并非统计检验分析方法，而是一种数据描述性方法，没有严格的判断标准，因而可以比较多次聚类结果，综合选择更适合的方案。
如果有定类数据，或使用分层聚类方法分析，分析思路也是如此。
登录SPSSAU官网了解更多内容。
网友评论