聚类应用 crap

 一。数据准备

(1)数据抽取

(2)数据净化:清除数据源中不正确、空值、不完整等不能达到数据挖掘质量要求的数据

(3)衍生变量:将变量的取值映射成适合聚类算法的变量类型(基本来说，聚类算法都是基于距离的，对于一些不是数值类型的变量，需要转换一下表达方式)

(4)异常值处理:异常值指远远偏离一般值的数据，可以采用均值，中位值替换的方法来处理，或者直接剔除

(5)数据标准化:将数据转化成不受量纲影响的数据形式(x-mean)/dev。

二。类别确定

聚类算法都需要指定类别的数量，对于不同数量的类别，聚类的效果也不一样。一个评判聚类效果的标准就是F值(平均组间离差平方和除以平均组内离差平方和)差异大小。越小则表达聚类效果越好。

然后咨询经验人士确认类别范围，然后分别求出每种情况的F值，取最优类别数量作为聚类算法的种类数量。

三。组别评份

2.5+2.5 * log(各组均值/所有用户)/(最强组均值/所有用户均值)   //引用别人的论文

群间特征差异是否明显

群内特征是否相似

分群是否易于管理及是否具有业务指导意义

特征项:

记录数，总费用，本地通话时长，长途通话时长，漫游通话时长，IP通话时长，梦网短信发送次数，发送彩信次数，

拨打客服次数，点对点短信发送数量，互联短信发送数量，网内通话时长，拨打联通时长，拨打固话时长。

周末通话次数，9：00-18：00占通话次数比例，非漫游呼入时长占总通话时长比例，组内贡献，

每组人均月度应缴费额度，每组人均语音呼叫时间，每组人均语音呼叫时长的平均单价。

按消费层次细分\

欠费次数  应交费   优惠费   月租费   本地通话费   长途费   漫游费    特服费  呼转总时长  呼转总次数   主叫时长   主叫次数

按消费时段细分

0 am ----- 1 am 通话次数  1 ---- 2 ......

男性比例，女性比例，平均年龄，

客户基本资料，用户基本资料，账单信息，本地通话信息，长话通话信息，结算信息，

窄带使用信息，宽带使用信息，客服交互行为 ，缴费信息，欠费信息，服务使用信息

基本信息: 客户身份信息、联系方式、产品拥有情况，用户竣工时间、入网时长、服务开通情况、优惠套餐信息、客户服务信息（投诉、咨询、催缴情况）等

价值信息: 话音、宽窄带业务的月租费、使用费、优惠费用及增值业务、新业务、信息费和卡类、结算费用，还包括了缴欠费信息

行为信息: 时长、次数、跳次、发话不同号码数、时长集中度（拨打时长最多的三个号码拨打时长在总时长中占比）、次数集中度

///引用

另外数据挖掘可以考察非常大的数据量，也就是说对于大量的数据可以自动的进行分析。并且可以帮助我们去学习新的潜在模式，也就是说我们用人工或者传统的方法很难发现的一些规定。比如聚类分析，除了能够有效地帮助我们划分出特征迥异的客户群，并帮助我们发现决定客户分群的主要属性，实现对各客户群特征的深入洞察；同时，正是因为聚类分析能够从众多的维度去对客户属性作综合考察，因此还能为我们揭示一些我们的经验没有发现的关系，或者对我们的经验给以数据证实，而这些往往会给我们带来一些有价值的意外收获，例如在我们的案例中，我们发现拥有宽带的客户离网率会比较低，拥有增值业务的用户新业务的渗透率较高，增值业务和新业务使用较多的用户与移动用户接触较为频繁，入网时长较短的客户离网率高于老客户，卡类用户对价格比较敏感但产品渗透率较高需求较旺盛，低值用户产品渗透率也低，长途构成对ARPU影响至关重要，长途和区间话务较易流失等等，这些对我们市场营销都很有启发意义。

///引用