系统聚类分析的意义和作用，聚类分析在系统分

聚类分析的主要分析方法

聚类分析、回归分析、分类预测以及组间差异分析

四类方法的内在联系

聚类分析

用户由那些群体组成。

群体有那些特征。

回归分析

未来的销售趋势。

营销投入是怎样的。

分类分析

筛选出高价值用户。

组间差异

不同用户营销渠道和营销方案有差异么？

聚类分析

定义：把相似的分析对象根据各自特征分成不同组别的统计方法。

应用场景：

客户分群，利用顾客特征属性将顾客总体分成若干组，是的组内顾客特征相似。不同组

顾客间差异明显。

常用的分类数据维度：

消费者行为习惯

消费者自身社会属性

顾客的消费行为度量，RFM

等

业务价值：基于顾客个人、行为和交易数据深入了解顾客群体，制定更有效的策略。

常用聚类方法：

K均值聚类分析方法

算法核心：将所有的观测值划分到K个群体，使得群体和群体之间的距离尽量大，

同时群体内的距离和尽量小。

算法优点：快速聚类，输出结果简单易懂，对计算机的性能要求不高。

聚类分析非常注重落地效果的分析方法，

每次聚类之后应该都可以解答如下问题：

聚类之后的用户分群的特征是否明显？

聚类之后的用户是否有足够数量的群体？

分群的结果是否可以触达？

回归分析

定义：回归分析是一种预测性的建模技术，研究因变量和自变量之间的关系。

作用：可以表明自变量和因变量之间的显著关系，也可以反映多个自变量对一个因变量影响

的强度。

模型可以解释所观察到的数据所造成的影响，无法解释那些未被观察到的因素，如市场环

境，季节变化等。

回归分析的应用场景

媒体投放效果

以最少的投放获取最大的销售增长

数据分类：

Y（因变量），销售额

X（自变量），电视广告投放、社交软件投放、线下投放等。

具体操作步骤：

对数据进行散点图绘制，

引入回归线，可以比较直观的看出因变量与自变量的关系。

评估回归线，每个点与回归线的距离，结果是否准确。

扩展变量，将X变量扩展到所有变量查看对Y变量的影响。

输出结果。

但需要注意的是，自变量不会因为因变量无限制的增长，所以回归分析更主要

的还是观察各个因素系数的大小，横向比较他们对目标变量的影响。

所以：

回归分析可以很好的展现相关关系的因果关系，进而实现预测。

着重于不同X对Y的影响的对比，而非依赖线性关系对未来做出非常明确的预测，

主要用于回归推断。

分类分析方法

定义：从数据中选出分好的训练集，在训练集的基础上进行建模，最终预测未分类的数据类

别。可以比较直观的展示出了。

分析方法的比较：

分类分析-回归分析

共同点：都是通过X来预测Y

不同点：分类分析适合类别型数据，回归分析适用数据型数据。

分类分析-聚类分析

共同点：对于想要分析的目标点，都在数据集中寻找附近的点

不同点：聚类分析是将一堆数据分类，类别未知，分类分析是已知分类类别。

分类分析的应用场景：

判断邮件是否为垃圾邮件

判断在线交易是否存在风险

消费者行为预测

如何实习分类分析

逻辑回归，决策树模型等。

组间差异分析法

定义：通常称为A/B测试，将两个不同版本随机展示给类似群体，以各组之间效果差异评

估，选择效果最好的。

常用流程：

1、提出假设，两种影响有差别或无差别。

2、假设验证，设定显著性水平，然后验证是否显著，选择拒绝或者接受。

检验两个数据之间是否有明显的均值差异。

计算Z评分，汇总各组均值及历史数据中所推断的标准差数据验证假设。

3、注意事项，

明确测试目标。

尽可能避免任何其他干扰因素。

测试组和对照组均匀分配。