聚类分析在用户分类中的应用.docx

聚类分析在用户分类中的应用聚类分析在用户分类中的应用什么是聚类分析?聚类分析属于探索性的数据分析方法。通常，我们利用聚类分析将看似无序的对象进行分组、归类，以达到更好地理解研究对象的目的。聚类结果要求组内对象相似性较高，组间对象相似性较低。在用户研究中，很多问题可以借助聚类分析来解决，比如，网站的信息分类问题、网页的点击行为关联性问题以及用户分类问题等等。其中，用户分类是最常见的情况。聚类分析的基本过程是怎样的?选择聚类变量聚类分析找出各类用户的重要特征聚类解释&命名选择聚类变量在设计问卷的时候，我们会根据一定的假设，尽可能选取对产品使用行为有影响的变量，这些变量一般包含与产品密切相关的用户态度、观点、行为。但是，聚类分析过程对用于聚类的变量还有一定的要求：这些变量在不同研究对象上的值具有明显差异;这些变量之间不能存在高度相关。因为，首先，用于聚类的变量数目不是越多越好，没有明显差异的变量对聚类没有起到实质意义，而且可能使结果产生偏差;其次，高度相关的变量相当于给这些变量进行了加权，等于放大了某方面因素对用户分类的作用。识别合适的聚类变量的方法：对变量做聚类分析，从聚得的各类中挑选出一个有代表性的变量;做主成份分析或因子分析，产生新的变量作为聚类变量。聚类分析相对于聚类前的准备工作，真正的执行过程显得异常简单。数据准备好后，丢到统计软件(通常是spss)里面跑一下，结果就出来了。这里面遇到的一个问题是，把用户分成多少类合适?通常，可以结合几个标准综合判断：看拐点(层次聚类会出来聚合系数图，如右图，一般选择拐点附近的几个类别)凭经验或产品特性判断(不同产品的用户差异性也不同)在逻辑上能够清楚地解释找出各类用户的重要特征确定一种分类方案之后，接下来，我们需要返回观察各类别用户在各个变量上的表现。根据差异检验的结果，我们以颜色区分出不同类用户在这项指标上的水平高低。如下图，红色代表“远远高于平均水平”，黄色代表“平均水平”，蓝色代表“远远低于平均水平”。其他变量以此类推。最后，我们会发现不同类别用户有别于其他类别用户的重要特征。聚类解释&命名在理解和解释用户分类时，最好可以结合更多的数据，例如，人口统计学数据、功能偏好数据等等(如下图)……最后，选取每一类别最明显的几个特征为其命名，就大功告成啦![聚类分析在用户分类中的应用]相关文章：1.聚类分析在用户分类中的应用2.2016研究生开题报告