如前所述，用户细分包括前后两部分，即前一部分因子分析完成后，还要对获得的公共因子进行随后的聚类分析。
聚类分析按照相似度进行划分类别，相似度一般由数据对象间的距离远近来衡量。基于确定的业务需求和分析目标，可以从用户基本属性、用户使用行为两个方面选择变量，随后便要进一步明确样本数据的形式。
样本数据中性别、年龄及收入是离散变量，而使用频度和价值贡献是连续变量，通常会选择聚类算法中的两步聚类法，其优势在于能够很好地处理非连续变量。
聚类分析是根据样本记录的相似程度进行划分。在这里，首先将每个样本单独看成一类，形成初始聚类，然后按照距离最短原则，将最近的样本聚为一类，不断调整，直到最后形成一个大类或者满足初始聚类要求。
按照衡量距离的大小，将样本归类到相应群组中。如上所示，经过聚类，将原样本的数据分成了四类，每个类群所占总体比例也都会有所不同。除此之外，还需要观察各个类群的用户在所有变量上的具体表现，即展示群组的用户特征情况，以此发现其中不同类别用户有别于其他群组用户的地方。
基于统计图表，产品经理通过概括总结不同群体之间的特征差异，对于特定群组有了清晰理解以后，便可以进行细分群命名。如上所示，在第一个群组中，首先用户平均年龄适中，其次以男性为主，同时用户比较活跃，价值贡献相对较高，结合这些显性特征，将其命名为“高消费用户群”。
有了群组特征就能依此展开差异化的业务运营，但之前还需从业务角度评估模型的好坏，也就是要判断各个聚类分组特征是否与实际业务一致。如上所示，针对于群1“高消费用户群”，利用饼图、柱状图等形式展现用户特征，如性别、年龄、收入、使用频度和价值贡献的分布情况，以及获知各个分布区间内的实际用户数量。
最后，需要强调的是，对用户细分结果进行迭代维护，主要考虑以下内容：检查现有变量是否可用，是否需要新的变量。检查选择的数据挖掘算法是否适用不断变化的业务需求。同时，把用户细分成多少个类别也是一个值得注意的问题，一般会首先凭借业务经验和产品特性初步判断，然后结合数据分布进行逻辑上的判断，并最终确保业务逻辑上能够解释清楚。
大嘴巴漫谈，有货，有形，有味！
本文为专栏文章，来自：大嘴巴漫谈，内容观点不代表本站立场，如若转载请联系专栏作者，本文链接：https://www.afenxi.com/18513.html 。
