R语言基于K-means聚类的客户价值分类

  RFM模型是一个客户分析的经典模型,是衡量客户价值的重要工具和手段,其中R表示客户最近一次交易时间的间隔，F表示客户购买商品的总数量，M表示客户交易的金额。通常我们将这三个指标的维度分为2份,分出8种客户价值类型。在实际运用中，有时候我们并不需要分为这么多种客户类型，故本文采用K-means聚类，将客户分为适当种类型。

一、确定聚类数目

data= read.table("1.csv", header=TRUE, sep=",")
twss=NULL;
for(i in 1:10) twss=c(twss,kmeans(data,centers=i)$tot.withinss)
plot(1:10,twss,type='b',xlab='k',ylab=expression(TWSS[k]),
     main = 'Within groups sum of square')

  本文选取了10000个客户的历史交易数据，用RFM模型对原数据进行清洗，结束后，为确定聚类的数目，采用的方法为选取聚类数目k，使得总类内平方和TWSS尽可能的小，得到碎石图如下：

  我们发现随着聚类数目增多，每一个类别中数量越来越少，距离越来越近，因此TWSS值肯定是随着聚类数目增多而减少的，所以关注的是斜率的变化，但TWSS减少得很缓慢时，就认为进一步增大聚类数效果也并不