【统计分析软件SPSS】151、K均值聚类分析——结果解读

• 输出结果一：初始聚类中心

在 SPSS 中，初始聚类中心的来源主要有两种：

• 系统自动生成：系统会从数据中自动选择k个彼此距离较远的观测值，直接用这k个观测值的变量值作为初始聚类中心。

• 用户指定：需在K均值聚类分析主对话框中勾选「读取初始聚类中心」并指定数据来源（例如，基于业务经验或前期探索性分析的结果）。

该表为K均值聚类分析完成后，每个个案的聚类信息，包括：

• 聚类编号：表示该个案最终被分到了第几类（如 1、2、3）。

• 距离：该个案到其所属聚类中心的欧几里得距离。

如果在聚类分析中的「保存」对话框中勾选了保存为新变量选项，每个个案的聚类信息会以新变量保存在数据集中。

• 聚类1：多项服务使用值均较高。表示高价值、多服务使用型用户。
• 聚类2：通话相关服务较高，其他服务值较小。表示中等消费、传统通话为主用户。
• 聚类3：该类用户通常消费极低，且购买的服务种类很少。

该表格显示了最终聚类中心之间的欧几里得距离。用于衡量各个聚类之间的分离程度或差异大小——聚类之间的距离越大，表明它们的差异性越显著。

在本次示例中：

• 聚类1和聚类3的差异最大（最不相似）。

• 聚类2与聚类1/聚类3的相似度大致相同。

虽然通过观察最终聚类中心也能大致推断出这些聚类间的关系，但随着聚类数量和变量数量的增加，这种判断将变得愈发困难。

方差分析（ANOVA）表显示了哪些变量对聚类结果的贡献最大。

需要注意的是，K-均值聚类本身就是根据变量差异来分组的，再用同一批数据去做ANOVA。因此ANOVA在这里是事后描述工具，不是事前假设检验，不能像传统ANOVA那样说"拒绝原假设"。因此，解读该表时，只需关注F值的相对大小而非绝对显著性。

该表展示了每一个聚类中，最终被分配到的个案数量。

在本次示例中，大部分案例被划分到了第三类聚类。但是该类客户群体在所有服务使用指标上均显著低于平均水平，属于典型的低活跃、低消费客户，利润贡献微薄。

尽管整体表现为低价值，但大样本量（48%）本身蕴含细分潜力，后续可以尝试将聚类数增至4，可能会进一步挖掘出第四类更具盈利潜力的细分群体。这部分内容将在下一篇文章中进行介绍。