聚类分析在市场细分中的目的是构建细分市场，基本思想是“物以类聚”，辨别事物在某些特征上的相似性或相异性，并按照这些特性将事物划分为几个类别，是在同一类别中的事物有较大的相似性，不同类别中的事物有较大的差异。

本文介绍的是聚类分析方法中的非层次聚类法——K-Means聚类法，也称快速聚类法。适用于大样本的聚类分析，可以节省运算时间。该实验的数据来源于上一个因子分析实验的结果（三列FAC）。

实验目的

实验内容

实验步骤

第一步，分析-分类-K-均值聚类，将因子分析得到的三类原始数据重命名为“长途及电话卡”、“设备及无线”、“收费”，并将这三类数据作为“变量”，将“聚类数”设为5。操作如下图所示：

*注意:聚类数不是随便设置的，数据设置依据个人的实验经验或对样本数据进行合理分析得到的。本次实验聚类数为5是由我们老师凭据样本数据1000个，根据经验得出，最后实验结果也合理。

聚类分析 聚类分析

第二步，依次将“迭代”、“保存”、“选项”中所需的项目选上，操作如下所示：

迭代 保存 选项

实验结果

最终聚类中心

由最终聚类中心表可知，K均值聚类把1000个样本数据分为了五类，第一类人群使用“长途电话及电话卡”、“设备及无线”和“收费”的方式差不多；第二类人群大都选择了“长途及电话卡”这种方式；第三类人群较多地使用“收费”的方式；第四类人群大部分也选择了“长途及电话卡”这种方式；第五类人群则选择了“设备及无线”这种方式。

聚类数目

由上表可知，实验通过快速聚类细分各变量的显著性确定细分市场的数目，将市场分为了五类。数据分布不是很均匀，有极端数据出现，比如第一类人群共有552个样本，第二类人群只有32个样本。这样有可能会使实验精度不够，结果分析不能全面反映实际情况。

附上一份对上表结果进行F检验的虚拟数据

注:***p＜0.001

表中显示类别间距离差异的概率值均小于0.001(即P＜0.001)，三个因素变量均达到显著差异。表中F统计量表示每个变量方差解释能力，近似作为评判哪个变量在聚类分析中的作用更大的标准。在虚拟数据表中，三个因素对聚类结果的重要程度排序为:因素一＞因素二>因素三。