SAS中的聚类分析方法总结

道如下几点：

1)

聚类分析的对象是物（人）

，说的 理论一点就是样本

2)

聚类分析是根据物或者人的特征来进行聚集的，这里的特征说的理论一点就是变量。

当然特征选的不一样，聚类的结果也会不一样；

3)

聚类分析中评判相似的标 准非常关键。说的理论一点也就是相似性的度量非常关键；

4)

聚类分析结果的好坏没有统一的评判标准；

2.

聚类分析到底有什么用？

1)

说的官腔一点就是为了更 好的认识事物和事情，比如我们可以把人按照地域划分为南

方人和北方人，

你会发现这种分法有时候也蛮有道理。

一般来说南方人习惯吃米饭，

北方习

惯吃面食；

2)

说的实用一点，可以有效 对用户进行细分，提供有针对性的产品和服务。比如银行会

将用户分成金卡用户、银卡用 户和普通卡用户。这种分法一方面能很好的节约银行的资源，

另外一方面也能很好针对不 同的用户实习分级服务，提高彼此的满意度。

再比如移动会开 发全球通、

神州行和动感地带三个套餐或者品牌，

实际就是根据 移动用户的

行为习惯做了很好的用户细分

——

< br>聚类分析；

3)

上升到理论层面，聚类分析是用户细分里面最为重要的工具，而用户细分则是整个精

准营销里面的基础。精准营销是目前普遍接纳而且被采用的一种营销手段和方式。

3.

聚类分析的流程是怎样的？

比较简单的聚类分析往往只根据一个维度来进行，比如讲用户按照付费情况分成高端用户、

中端用户和低端用户。这

个只需要根据商 业目的统计一下相关数据指定一个高端、中端和

低端的分界点标准就可以。

如果是比较复杂的聚类分析，比如移动里面经常会基于用户的多种行为（通 话、短信、

gprs

流失扥等）

来对用 户进行细分，

这个就是比较复杂的用户细分。

如果是这样的细分 通常会作

为一个比较标准的数据挖掘项目来执行，

所以基本上会 按照数据挖掘的流程来执行。

具体分

如下几步：

1)

业务理解

主要是了解业务目标和数据挖掘的目标及执行计划

2)

数据理解

主要是弄清楚可已取哪些变量数据，具体怎么定义

3)

数据整理

根据之前的定义提取需要的 数据，

并进行检测异常数据，

并对变量进行挑选及探索，

比如最

终要用那些变量来执行聚类算法、那些变量是离散变量，需要做 特殊处理、

数据大概可以聚成几类、类别形状有不规则的情形吗？

4)

建立模型

关键是选用什么样的距离< /p>

(

相似性度量

)

和算法：

l

比如是样本比较小，形状也比较规则，可以选用层次聚类

l

比如样本比较大，形状规则，各类的样本量基本相当，可 以选用

k-means

算法

l

比如形状规则，但是各类别之间的样本点的密度差异很大 ，可以选用基于密度的算法

5)

模型评估

主要是评估聚类分析结果的 好坏。

实际上聚类分析在机器学习里面被称之为无监督学习，

是

没有大家公认的评估方法的。所以更多会从业务可解释性的角度去评估

< br>

聚类分析的好坏；

6)

模型发布

主要是根据聚类分析的结果根据不同的类的特诊去设计不同的产品、

服务或者渠道策 略，

然

后去实施营销

4.

具体在

sas

里面如何执行？