1. 从一次用户分群需求说起为什么写这个系列先说个我实际碰到的场景。前两年帮一家连锁零售企业做会员运营项目业务方提的需求很朴素“帮我们把会员分成几类不同的类发不同的优惠券。”听起来简单但真坐下来聊问题马上就来了——分几类合适按什么维度分是按消费金额还是消费频次要不要把客单价和品类偏好一起放进去业务方的同事一脸茫然他们的预期是“我告诉你数据在哪你直接给我答案”。但统计学和业务之间天然存在一道鸿沟算法能算出聚类中心却不能替你回答“这三类人到底该叫啥名字运营上怎么差异化对待”。好在那时候我已经把聚类分析的几种主流方法在SPSS里摸过一遍了最后用K-means结合业务访谈把120万会员分成了5类项目落地效果还不错。之所以写这个系列就是想把这类实战中反复用到的知识整理出来。市面上讲聚类分析的书很多但要么数学推导太多看得人困要么只是把SPSS输出截图贴一遍却不说为什么这么操作。这个系列准备用三篇左右的篇幅把K-means、系统聚类、二阶聚类这三种方法从原理讲到SPSS实操再配合一个完整的案例串起来。今天是第一篇重点说清楚三件事这三种方法分别解决什么问题、背后的数学逻辑是什么、在SPSS里怎么点菜单、怎么读输出。这系列适合谁看我默认你至少打开过SPSS知道数据视图和变量视图的差别但没系统学过聚类分析。如果你是完全零基础也能看懂大部分内容因为我会把关键概念都用大白话解释一遍。有统计基础的朋友可以直接跳到SPSS实操部分去看参数设置和结果解读那些地方是我踩坑最多、最想分享的。2. 三种聚类方法的底层逻辑先搞懂它们在干什么2.1 K-means划分式聚类的代表一切从“指定K个中心”开始K-means是大多数人接触到的第一个聚类算法也是入门门槛最低、计算最快的一种。它的核心思想用一句话概括事先告诉算法“我要分K类”算法然后自动找到K个“中心点”把每个样本归到离它最近的那个中心所在的类。这里有个关键点很多人第一次用K-means时没意识到K值是用户自己定的算法本身不会告诉你“分几类最合理”。这就好比你去餐厅点菜服务员问你“要吃几个菜”你得先有个数厨房才好配菜。K-means的确认过程也是这个道理。那算法到底是怎么“找中心点”的我尽量不用公式吓唬人但这里有个核心迭代逻辑必须讲清楚随机选K个样本作为初始聚类中心SPSS默认从数据里挑也可以自己指定。计算每个样本到这K个中心的距离默认是欧氏距离距谁近就归到谁那一类。每一类内部的所有样本取平均得到一个新的中心点。用新中心点重新归类所有样本。重复第3、4步直到中心点不再明显变化或者达到了最大迭代次数。这个逻辑里第5步的“停止条件”特别值得注意。SPSS默认迭代10次一般足够收敛了但如果你发现聚类结果每次跑出来不一样很可能就是初始中心随机选导致的。后面实操部分我会讲一个解决办法先用系统聚类跑一遍把得到的类中心作为K-means的初始中心这样结果就稳定多了。K-means最大的优点是快。几十万条数据只要变量不太多几秒钟就能跑完。但它的短板也很明显对异常值极度敏感一个极端值就能把聚类中心拉偏一大截而且它假定每个类都是“球形”的如果真实数据里的类别形状很怪异比如一个类包围着另一个类K-means的表现会大打折扣。另外还有一个经常被忽略的细节K-means要求输入变量是连续变量。如果你的数据里有分类变量比如性别、地区要么先剔除要么做哑变量编码之后再用。有些教程说SPSS的K-means能直接处理分类变量这是个误区SPSS从不检查你的变量类型但分类变量进到欧氏距离计算里结果基本没法看。2.2 系统聚类不用预设K值用“合并”过程讲一个完整故事系统聚类也叫层次聚类走的是另一条路。它的逻辑是先把每个样本都当成独立的一类然后不断把距离最近的两类合并直到最后所有样本都归成一类。整个过程像倒着画一棵树——树根在最顶部所有样本是树梢的叶子。我常用一个类比帮助学生理解系统聚类就像组织一场家庭聚会先按血缘近亲坐在一起然后表亲靠过来再然后朋友也加入最后所有人都坐到了一张大圆桌上。树状图Dendrogram就是这场聚会“从零散到团圆”的完整过程图。系统聚类的核心决策点不是“分几类”而是两个更底层的问题第一样本之间的距离怎么算SPSS里提供了很多选择。最常用的是欧氏距离两点之间直线距离和平方欧氏距离距离的平方放大远近差异。如果变量量纲差异大需要先标准化。另外还有切比雪夫距离、余弦距离等但实际业务分析中用得不多。第二类与类之间的距离怎么算注意这里说的不是样本间距离而是“两个类之间的距离”。一个类里有好几个样本那类和类之间的距离怎么定义SPSS给了好几种方法我挑三个最常见的说组间联接Between-groups linkage两类之间所有样本对距离的平均值。这是SPSS默认选项稳健性好适合大多数场景。组内联接Within-groups linkage合并后新类内部所有样本间距离的平均值。它倾向于得到样本数量比较均衡的类。Ward法离差平方和法Ward‘s method合并时让类内离差平方和的增量最小。它倾向于生成紧凑且大小相近的类业务分群场景里很常用但对异常值敏感。系统聚类最大的优点是你不需要事先指定K值跑完看树状图再决定从哪里“切一刀”。但代价是计算复杂度高——几千个样本还行几万条数据就可能卡死。所以系统聚类更适合样本量在几百到两三千以内的小规模分析场景。我在实际项目里经常拿系统聚类做小样本的探索性分析或者给K-means提供初始聚类中心。2.3 二阶聚类自动确定K值专治“混合变量”头疼问题二阶聚类是SPSS比较晚才加入的方法但它在商业分析里越来越受欢迎因为它解决了一个很现实的痛点业务数据往往同时包含连续变量和分类变量而这两种变量K-means没法同时处理分类变量做哑变量编码后距离计算失真系统聚类处理起来也很别扭。二阶聚类算法的思路是分两步走这也是它名字的由来第一步构建聚类特征树CF树。算法逐个读取样本把距离相近的样本挂到同一个树节点下形成一个“先粗筛”的结构。这一步的本质其实是数据压缩——几万个样本被压成若干个节点。第二步在粗筛后的节点上再做一次聚类。SPSS默认使用BIC贝叶斯信息准则或AIC赤池信息准则来自动判断最优聚类个数。这就是二阶聚类最大的卖点你不用预先指定K值SPSS帮你选。对于不知道分几类比较合适、又急着出结果的人来说这简直是救星。不过不用高兴太早自动选K并不意味着不需要人来决策。SPSS会给出“聚类质量”评估图一个从差到好的横条还会把每个类别在不同变量上的特征用图形展示出来。最终到底分3类还是4类还是要结合业务可解释性来判断。算法给你的只是一个“统计上比较合理”的建议不是“业务上最可用”的答案。三种方法的适用场景我建议用一个表格记住维度K-means系统聚类二阶聚类是否需要指定K值是否看树状图定否自动计算支持的变量类型连续变量连续变量为主连续分类混合适合样本量几千到百万级几百到几千几千到十万级结果稳定性初始中心敏感稳定可复现较稳定直观程度一般树状图非常直观自动报告好读3. SPSS实操环境准备与数据预处理3.1 数据长什么样才能跑聚类先整理这三种情况不管你用SPSS的哪个版本26、27、28都行菜单路径基本一致在点开“分析”菜单之前数据必须至少满足下面几个条件每一行是一个样本每一列是一个变量。这是SPSS最基础的数据结构要求。变量度量标准要设对。在“变量视图”里连续变量应设为“度量Scale”定序变量设为“有序Ordinal”名义变量设为“名义Nominal”。SPSS的二阶聚类会严格按照这个设置来区分变量类型如果这里没设对二阶聚类的“自动确定K”功能可能直接报错或给出离谱结果。缺失值要处理干净。SPSS聚类分析默认使用列表删除listwise deletion也就是说只要某个样本在任何一个聚类变量上有缺失整个样本就会被剔除。如果缺失比例高结果会有很大偏差。实战中我的习惯是如果某个变量缺失率超过5%先考虑要不要把该变量删掉如果缺失集中在少数样本上直接删掉这些样本也行再不行就用中位数或均值填补后再进聚类。另外我给三类数据一个参考处理路径全是连续变量且样本量小于3000优先系统聚类树状图直观便于解释也可以跑K-means。全是连续变量且样本量大于1万K-means是最实用的选择先跑一次系统聚类抽样后跑获得初始中心再用。混合变量既有连续又有分类直接用二阶聚类其他两种方法都比较难处理这种情况。3.2 标准化到底做不做别让“收入”碾压“年龄”前面提到过K-means和系统聚类基于欧氏距离这里就引出一个必须正视的问题量纲差异会让高数值变量在距离计算里占绝对主导。举个例子你有两个连续变量“年收入”均值8万标准差3万和“年龄”均值40标准差8。如果不做标准化两个样本在“年收入”上的差距轻轻松松就是几万在“年龄”上撑死相差几十岁。距离计算时收入变量几乎决定了所有样本之间的距离年龄变量有跟没有一样。聚类结果看似出来了实际上等价于只拿收入一个变量在分。解决方式就是标准化。SPSS在系统聚类和K-means菜单里都有“标准化”选项系统聚类的标准化方法更多样包括Z得分、全距从-1到1、全距从0到1、最大量纲为1等。我的建议是除非有明确业务理由否则一律用Z得分Z-score标准化也就是把每个变量减均值后除以标准差让所有变量变成均值0、标准差1的统一尺度。Z得分标准化的好处有两个一是消除了量纲影响二是保留了每个变量内部的分布形态。万一某个变量本来就是严重偏态的Z得分救不了偏态问题你要先做对数变换还是其他处理那是另一个话题。但作为通用预处理Z得分是起步标配。当然也有例外场景如果所有连续变量本来就处在同一个量纲下比如都是“1-5分的评分”标准化可做可不做做了反而可能削弱原始差异。这种情况下我会偷个懒直接不标准化用原始值跑。3.3 SPSS菜单环境确认与常见坑位提示打开SPSS后先花30秒确认三件事菜单栏是中文还是英文不过无所谓后面我会中英文对照写照着自己界面点就行。数据视图底部有没有“变量视图”和“数据视图”两个标签页确保在变量视图里把名称、类型、度量标准都设置好。是否保存过备份文件SPSS偶尔会因为数据量太大崩掉我习惯在跑大模型前先储蓄一个.sav副本。还有一个经常被忽视的坑SPSS的很多对话框里如果你选入了一个字符串型变量系统会提示“没有有效的数值变量可用”或直接报错。因为SPSS聚类分析只接受数值型变量。如果你的分类变量是文本比如“男”“女”需要先对它做编码比如男1、女2再设置度量标准为“名义”然后才能进二阶聚类。4. K-means在SPSS中的完整实操从菜单到输出解读4.1 操作步骤一步步点出来K-means在SPSS里的入口是分析Analyze→ 分类Classify→ K-均值聚类K-Means Cluster。进入对话框后你会看到左侧变量列表、右侧若干框。我按填写顺序说把连续变量选入“变量”框。千万不要把ID号、样本编号选进去否则它会作为距离计算的一部分纯属添乱。把真正的样本标识变量比如用户ID选入“个案标记依据”有的版本叫“标注个案依据”这样聚类结果里能直接看出每个样本分到了哪一类。“聚类数”填K值。如果完全没概念先填3跑一遍看效果。点开“保存”按钮勾选“聚类成员”。这样SPSS会在原数据里新增一个变量QCL_1值1到K表示每个样本所属类别。点开“选项”按钮勾选“统计”里的“初始聚类中心”和“ANOVA表”方差分析表。后者会告诉你每个变量在不同类之间差异是否显著虽然这个ANOVA本质上是描述性的不是真正检验性的但很有参考价值。然后点击“确定”等待输出。4.2 结果输出到底怎么读先看这三张关键表K-means的输出一般有五六张表但真正核心的就三张我挨个说怎么读。第一张初始聚类中心Initial Cluster Centers这张表显示的是迭代开始前随机选出的K个样本在各变量上的取值。很多新手盯着它看半天其实它只是一个起点信息不代表最终结果。我一般直接跳过除非我要复现结果、把初始中心固定下来才会专门看这一表。第二张迭代历史记录Iteration History这张表看起来最无聊但能帮你判断算法是否正常收敛。它每行代表一次迭代列是各聚类中心的变化量。正常情况下随着迭代次数增加变化量会越来越小最后一行出现0表示中心不再变化算法收敛。如果迭代了10次还没收敛到0SPSS会停止但你要警惕可能数据里的类别边界不清晰或者K值不合适。这时候可以把最大迭代次数调大比如25次再跑一次。第三张最终聚类中心Final Cluster Centers这是整个K-means输出里最重要的表。每一行是一个变量每一列是一个聚类类别单元格的值是该类在这个变量上的均值。怎么读逐个类别看找出每个类别相对其他类别特别高或特别低的变量这些“高/低点”就是聚类的业务特征。举个例子假设变量是“消费金额”“购买频次”“会员年限”类别1在消费金额和购买频次上都很高会员年限中等那这个类别就可以命名为“高价值活跃客户”类别2三者都低就是“低价值沉默客户”等等。名字是人起的表只提供事实数值。第四张可选ANOVA表SPSS会输出每个变量在K个类之间的方差分析结果。如果某个变量的p值大于0.05说明这个变量在各类之间差异不显著对聚类区分没什么贡献。这种变量理论上应该从聚类变量里剔除掉再跑一次。注意我没法强调太多ANOVA表在K-means里是一个描述性参考不适合做严格的统计推断很多教材都提醒过这点但作为“变量筛选依据”还是很好用的。4.3 用系统聚类为K-means找初始中心一个我常用的稳定化技巧前面提到K-means对初始中心敏感同样的数据、同样的K值多跑几次可能得到不同结果——这在样本量不大、类别边界不明显时特别常见。怎么解决我分享一个自己常用的“两步法”先做系统聚类或者对30%的随机抽样做确定聚类数K并保存每个样本的类别。算出每个类在各变量上的均值当作K-means的“初始中心”填入。具体操作是在K-means对话框里聚类数下面有一个“中心”相关的按钮或选项中文版叫“中心点”英文版是“Centers”可以勾选“读取初始聚类中心”然后从数据里指定一个包含均值的文件。SPSS会用你给的初始中心开始迭代结果稳定得多。这个方法在学术论文里也常用叫作“两阶段聚类策略”。它相当于先用系统聚类“粗略探路”再用K-means“精细收敛”兼顾了系统聚类的全局视角和K-means的大样本处理能力。5. 系统聚类在SPSS中的完整实操树状图的“切一刀”艺术5.1 操作步骤与核心参数选择系统聚类的入口是分析Analyze→ 分类Classify→ 系统聚类Hierarchical Cluster。进入对话框后关键设置如下把连续变量选入“变量”框。把标识变量选入“标注个案”框就是“个案标记依据”这样树状图末端会显示样本ID方便解读。“聚类”选择“个案”意思是把每个样本当成一行来聚类下面还有个“变量”选项是给变量做聚类的比如你有一堆商品指标想把相似的商品聚合一般我们用“个案”。点开“统计”按钮勾选“凝聚计划表”Agglomeration Schedule有的版本叫“聚类进度表”这张表后面判断K值非常关键“相似性矩阵”可勾可不勾样本量大了就别勾。点开“绘制”按钮勾选“树状图”Dendrogram这是系统聚类的灵魂输出。如果你喜欢看过程可以再勾选“冰柱图”但我个人觉得树状图就够了。点开“方法”按钮——这里是最核心的部分“聚类方法”选“组间联接”或“Ward法”。默认是组间联接我用Ward法的次数也不少。Ward法出来的类别通常更紧凑做业务分群时解释性更好。“度量标准”选“平方欧氏距离”几乎是最稳妥的。很多教程默认“欧氏距离”也行但平方欧氏距离会让类间差异更明显配合Ward法很经典。“标准化”选择“Z得分”。前面说过了量纲差异不处理的话结果会失真。点击“确定”运行。5.2 凝聚计划表用“距离系数突变”判断该分成几类凝聚计划表是系统聚类里最容易被忽略但极其实用的输出。它长这样每一行代表一次聚类合并列里有“合并的聚类”哪两类合并到了一起、系数、以及下一个阶段。怎么用核心思路是看“系数”Coefficient也就是合并时两类之间的距离。合并的距离越大说明合并越“勉强”。当你发现某一行的系数突然比上一行高出很多甚至翻倍或者断崖式上升说明在那一阶段把两个差异巨大的类强行合并了而再往后就是越合越离谱。所以确定K值的方法是找到系数突然增大的那个转折点用“总的样本数减去转折点所在的合并步骤的序号”得到聚类数量。举个例子有50个样本观察凝聚计划表发现第48步合并时系数为150第47步系数为60那么第48步的合并特别“勉强”说明在第47步结束后系统里面有50-473个类这3个类再强行合并成2类时距离跳得厉害。所以3类是比较自然的选择。这个方法操作起来比看树状图“目测”要客观得多也容易写进报告里。5.3 树状图怎么切从视觉判断到业务论证树状图是系统聚类最直观的呈现。左端是所有样本右端是所有样本合并成一个大类中间的竖线表示合并的位置横线越长代表合并时两类距离越远。我的读图方法是从右往左看找到最左侧能“明显分开”的那几根长横线。如果图形像梳子一样右边一大段横线都很长再往左出现几根明显的短横线那么短横线左侧形成的几个分支就是合理的类别数。比如树状图最右侧是一根很长的横线把A、B两大支连起来往左一点B支内部又有两根中等长度的横线把B1、B2、B3隔开那说明如果分2类A是一类B是一类如果分4类则按B内部的三个分支切分。具体切几类还是看研究目的和业务可解释性。统计上自然、业务上讲得通才是最终答案。新手容易犯的错误是想让每个类别“完美分离”——树状图里有重叠、交叉很正常现实数据本来就是模糊的。只要类内的样本在关键变量上有共性类间有明显差异就达到了分析目的。5.4 保存聚类结果把“树上的分类”写回数据跑完系统聚类后要回到“保存”按钮选择“单一解”并在数值里填上你最终定的K值。比如你决定分3类就填3SPSS会生成一个新变量默认名CLU3_1每个样本赋值为1、2或3。这样后面可以做交叉表、做描述统计、画分布图把聚类结果用于进一步的业务分析。注意一个小坑系统聚类的“保存”对话框中“单一解”是相对于“解的个数”而言的。你可以同时保存“单一解”和“解的个数”多个解比如同时保存3类解和4类解然后对比哪个更好用。刚开始做研究的话我建议都保存一下多个方案比较后再定最终方案。6. 二阶聚类在SPSS中的完整实操自动选K、混合变量一次搞定6.1 操作步骤与选项设置细节二阶聚类的入口是分析Analyze→ 分类Classify→ 二阶聚类TwoStep Cluster。进入对话框后设置要点如下把连续变量选入“连续变量”框把分类变量选入“分类变量”框。一定要先确认变量度量标准设对了否则SPSS会默认把所有变量当连续变量。“距离度量”选项如果变量全是连续变量用“欧氏距离”即可如果数据里有分类变量SPSS会自动改为使用“对数似然距离”Log-likelihood distance你不需要手动干预。这个对数似然距离是二阶聚类的核心机制它能同时计算连续变量和分类变量的相似度这正是二阶聚类能处理混合数据的根本原因。“聚类数”这里有两种玩法。“自动确定聚类数”是默认选项SPSS会用BIC自动选K你也可以指定“固定数量”自己填一个K。我的建议是第一次跑先让它自动确定观察结果的“聚类质量”图如果质量不高或者业务可解释性差再改成固定数量尝试不同的K。“聚类数上限”自动确定聚类数时SPSS默认最多给15类。如果业务上你最多能接受6类可以把上限改成6让算法在1到6之间选效率更高也更贴合业务约束。点开“输出”按钮勾选“聚类描述”和“聚类频率”——这两个是二阶聚类的精华输出分别展示每个类别在连续变量上的均值差异和在分类变量上的分布差异。点开“保存”按钮勾选“保存聚类成员”SPSS会生成一个新变量TSC_1值1到K表示每个样本的类别归属。最后运行。6.2 自动聚类结果怎么看聚类质量、分布图和描述面板二阶聚类的输出分几块重点看三样东西第一块自动聚类表Auto-ClusteringSPSS会列出不同K值下的BIC值和BIC变化量。BIC越小越好但并不是最小的那个K就直接采纳SPSS会结合“BIC变化量”和“距离度量变化量”来推荐一个最佳K。你会在表格里看到SPSS在某个K值上标记了一个“1”表示被选为最佳在另一个K值上标记“2”表示备选。如果业务上跟“1”的解释起来很费劲可以看看“2”那个K是不是更好。第二块模型摘要和聚类质量Model Summary and Cluster Quality模型摘要里最关心的其实是“聚类质量”图——一个横条示意图绿色表示“良好”、黄色“尚可”、红色“差”。如果显示为“良好”说明当前聚类方案在统计上的分离度还不错如果只是“尚可”甚至“差”要么变量选得不好要么分类变量太多导致信息被稀释要么就是数据本身没有明显的群结构硬分也分不出好的结果。第三块聚类描述Cluster Descriptors这是二阶聚类的杀手锏。SPSS会为每个类别分别画图和列表连续变量显示每类在该变量上的均值并用图表展示每类相对总体均值的高或低。分类变量显示各类在某个分类变量各水平上的频率分布。你要做的就是把每类的特征串起来起一个有业务含义的名字。比如“消费金额高、频次高、年龄集中在中青年、一线城市为主”——可以命名“高价值城市白领”。这一块的解读逻辑跟K-means最终聚类中心的思路类似但形式更丰富更加“开箱即用”。6.3 二阶聚类自动确定K值的原理以及何时该手动覆盖二阶聚类能自动确定K值靠的是BIC/AIC准则。简单说SPSS会为K1、2、3……一直到上限分别计算模型拟合度然后找一个“拟合度较好但不是特别复杂”的K。这里有个很多人不清楚的点BIC不是越小越好往死里选而是要找一个“拐点”。随着K增大模型越来越复杂BIC通常会下降但下降幅度会越来越小。SPSS会寻找BIC变化量明显变小的那个点作为“增加类数带来的收益开始变少”的信号。我遇到过不少案例SPSS自动推荐的K值和业务方的预期差很远。比如有一次自动推荐7类但业务方明确说“7类没法落地我们最多跟3类打交道”。这种情况下完全可以手动覆盖把聚类数固定为3类重新跑。统计上的“最优”是纯数学视角业务上的“最优”要结合运营能力、组织架构、成本收益综合判断。最终选的K一定是在这两者之间找到平衡点。7. 三种方法对比与选择建议别让工具牵着鼻子走7.1 一张表搞懂适用场景再也不用纠结为了让你在不同场景下快速选方法我把三类方法的判断逻辑整理成一个“速查表”判断维度优先推荐原因样本量小300系统聚类树状图直观可完整捕捉样本之间的关系样本量大10万K-means 或 二阶聚类系统聚类计算量太大跑不动全是连续变量K-means大样本或系统聚类小样本距离计算纯粹结果好解释连续分类混合二阶聚类对数似然距离可同时处理两类变量不知道K值系统聚类看图形或二阶聚类自动选避免拍脑袋定K的尴尬需要可解释的报告系统聚类树状图二阶聚类自动描述输出直观图表丰富后续要接预测建模K-means输出结果直接保存为类别变量方便进入分类模型训练7.2 我理解的“自然断点法”和聚类分析的区别热搜词里出现了“自然断点法和聚类分析的区别”这个话题值得单独说两句。自然断点法Natural Breaks也就是Jenks自然断点法主要用来对单个变量做分级——比如把“人均收入”这个变量分成“高、中、低”三档它的核心逻辑是让各级内部的差异尽量小、各级之间的差异尽量大。它在地图制图、数据可视化里特别常见。聚类分析则是多变量综合分类——同时考虑多个变量把样本分成若干类。它们都有“让组内差异小、组间差异大”的共同思想但自然断点法几乎只处理单变量单维度的问题聚类分析则是多维度的。实际业务里如果你只需要把一个连续指标分成若干等级用自然断点法就够了Excel或SPSS里都能做如果你要综合“收入、消费、年龄、区域”来分群那就得上聚类分析。7.3 结合业务经验谈聚类结果到底怎么“落地”做聚类分析最容易得到的评价是三种“这不就是把我们的客户分了几拨吗”“结果看起来不错但然后呢”“为什么这两类看起来好像没差多少”。我的经验是聚类分析只是分群工作的前半场后半场更重要聚类结果必须转化成语义明确、可运营的人群标签。无论你用K-means还是系统聚类还是二阶聚类跑出来都是一堆数字标号业务同事不会关心你用的是Ward法还是BIC准则他们只关心“高价值人群怎么定义下一步怎么触达”。我一般在聚类完成后会做四件事给每个类别起一个业务名字并写下“定义语句”。比如“流失风险客户3个月无购买、最后一次消费距今超过120天、平均客单价低于50元”。用交叉表对比各类别在关键KPI上的表现比如复购率、客单价、投诉率、活跃度等。这样能证明聚类结果具备业务解释力和行动价值。把聚类结果输出成表格或可视化图表给业务方展示的时候一定要用业务语言而不是统计术语。沉淀成标签体系进入后续的精准营销、产品推荐、客户生命周期管理等运营动作中。8. 常见问题与排查技巧实录做聚类分析这件事常踩的坑比很多人想象的多。下面这几个问题是我被问到最多的也是我自己实际踩过之后才总结出来的直接整理出来给你当“避坑手册”。8.1 聚类数到底怎么选万能三步法这个问题几乎每个新手都会问。我个人的建议路径是三步走先用二阶聚类跑一遍如果允许混合变量直接看自动推荐的K值是多少作为参考基准。再用系统聚类画树状图和凝聚计划表从距离突变点判断K值。两种方法如果指向同一个K那基本就稳了。最后结合业务约束运营能承接几个群、人群规模能不能覆盖成本确定最终K。宁可少分几类每类都很大、很清晰、可运营也不要分一堆细碎的小类业务方根本不知道拿它们怎么办。8.2 聚类变量到底选几个不是越多越好聚类分析不是变量越多越好。变量多噪声变量多距离计算会被次要信息淹没。我的经验是聚类变量控制在5-10个之间优先选择业务上认为最能代表人群差异的变量。如果候选变量有几十个先用相关性分析或因子分析降维再用降维后的因子得分做聚类。另外强相关的变量最好不要同时进聚类模型。比如“消费金额”和“订单金额”本质上差不多两个都放进去等于给这个维度加了一倍权重结果会被带偏。8.3 标准化后聚类结果还是乱八成是异常值在捣乱K-means对异常值极其敏感这是它的“天生缺陷”。举个例子客户消费金额里有个别极值比如某大户一年刷了上百万会直接把聚类中心往这个方向拉导致其他样本全都挤在一起分不开。处理办法先做描述统计看每个变量是否有极端离群值。对异常值做截尾处理winsorize比如把大于99%分位数的值统一替换为99%分位数。或者直接用二阶聚类它对异常值的容忍度比K-means高一些。我自己处理消费类数据时几乎必做截尾处理尤其像客单价、消费总额这类典型右偏变量。不处理的话聚类结果基本没法看。8.4 SPSS运行报错先查这三处跑聚类分析时最常见的报错有三个来源数据里有字符串变量被选入。报错往往显示“非数值型变量无法用于聚类分析”。解决方案对字符串变量做数值编码或者检查是否误选了文本型变量。缺失值太多。SPSS默认列表删除如果缺失比例超过30%SPSS可能会拒绝运行或只基于很少的样本分析。解决方案先做缺失值处理。“分析”菜单里的“分类”子菜单是灰色不可点。这大概率是你用的模块没有授权或未安装不过常见的“K-均值聚类”和“系统聚类”标准版都带如果真的是灰色重启SPSS或检查授权即可。另外还有一个小概率问题二阶聚类“聚类数上限”如果设得太大比如默认15而样本量又不大运行时间会特别久甚至卡死。可以把上限改小到8或10既节省时间也能避免SPSS内存不足。8.5 从“自然断点法”那个热搜词再延伸一句既然提到自然断点法和聚类分析的区别我建议你反过来想想它们的结合在实际工作中完全可以先用自然断点法对单变量做分档再用聚类分析做多变量的综合分群。比如先用自然断点法把“消费金额”分成高、中、低三档再结合“年龄”“品类偏好”做聚类最后把两套分群结果交叉起来看能发现一些特别有意思的业务洞察。8.6 一个经典误区聚类分析前为什么建议先做相关性检查有人觉得聚类分析反正会自动找结构变量之间相关不相关无所谓。实际上不是这样。如果两个变量相关性极高比如r0.8它们携带的信息高度重叠相当于某个维度被暗中加了权重。一个容易忽视的结果是相关变量越多它们在距离计算里的实际影响力越大聚类结果会被这些冗余维度主导。所以我的做法是在聚类前先跑一个相关性矩阵把相关性较高的变量做筛选留下业务上更难取舍的那一个或者对变量做主成分/因子分析用降维后的因子得分做聚类。这样得到的聚类结构才更干净、可解释性更强。8.7 每个方法的输出结果要保存这是回头复查的底气无论用哪种方法都建议把聚类成员变量保存回数据表就是前面提到的QCL_1、CLU3_1、TSC_1这些变量。保存后你可以随时做交叉表或描述性对比甚至可以用判别分析回过头来检验聚类效果的稳定性。比如用聚类得到的类别标签作为因变量用原始聚类变量作为自变量做一次判别分析看回代判对率有多高。如果准确率在85%以上说明聚类结果里的群结构相当扎实如果准确率太低则说明类别之间边界太模糊可能K选多了。结尾几句实在话复盘这么多年做聚类分析的经验我最想告诉你的一句话是聚类分析是一门“手艺活”不是公式套用。你点SPSS菜单只要两分钟但真正花时间的是结果解读、业务校准和反复验证。我个人的习惯是跑聚类之前先问自己三个问题数据里的变量到底想表达什么分出来的类到底有没有业务含义拿到这些类别之后下一步动作是什么三个问题都能回答聚类分析才算真正做完。下一篇文章我打算用一个真实案例虚拟但贴近业务的数据走一遍“数据预处理→系统聚类定K→K-means精细聚类→结果描述→报告产出”的完整流程把这篇讲的每一个操作都串起来。你可以准备一份自己的数据跟着文章一步步跑遇到卡壳的地方随时回来看。聚类分析这门手艺看再多的教程都不如自己动手跑一遍来得踏实。 SPSS聚类分析实战：K-means、系统聚类与二阶聚类原理及操作
1. 从一次用户分群需求说起为什么写这个系列先说个我实际碰到的场景。前两年帮一家连锁零售企业做会员运营项目业务方提的需求很朴素“帮我们把会员分成几类不同的类发不同的优惠券。”听起来简单但真坐下来聊问题马上就来了——分几类合适按什么维度分是按消费金额还是消费频次要不要把客单价和品类偏好一起放进去业务方的同事一脸茫然他们的预期是“我告诉你数据在哪你直接给我答案”。但统计学和业务之间天然存在一道鸿沟算法能算出聚类中心却不能替你回答“这三类人到底该叫啥名字运营上怎么差异化对待”。好在那时候我已经把聚类分析的几种主流方法在SPSS里摸过一遍了最后用K-means结合业务访谈把120万会员分成了5类项目落地效果还不错。之所以写这个系列就是想把这类实战中反复用到的知识整理出来。市面上讲聚类分析的书很多但要么数学推导太多看得人困要么只是把SPSS输出截图贴一遍却不说为什么这么操作。这个系列准备用三篇左右的篇幅把K-means、系统聚类、二阶聚类这三种方法从原理讲到SPSS实操再配合一个完整的案例串起来。今天是第一篇重点说清楚三件事这三种方法分别解决什么问题、背后的数学逻辑是什么、在SPSS里怎么点菜单、怎么读输出。这系列适合谁看我默认你至少打开过SPSS知道数据视图和变量视图的差别但没系统学过聚类分析。如果你是完全零基础也能看懂大部分内容因为我会把关键概念都用大白话解释一遍。有统计基础的朋友可以直接跳到SPSS实操部分去看参数设置和结果解读那些地方是我踩坑最多、最想分享的。2. 三种聚类方法的底层逻辑先搞懂它们在干什么2.1 K-means划分式聚类的代表一切从“指定K个中心”开始K-means是大多数人接触到的第一个聚类算法也是入门门槛最低、计算最快的一种。它的核心思想用一句话概括事先告诉算法“我要分K类”算法然后自动找到K个“中心点”把每个样本归到离它最近的那个中心所在的类。这里有个关键点很多人第一次用K-means时没意识到K值是用户自己定的算法本身不会告诉你“分几类最合理”。这就好比你去餐厅点菜服务员问你“要吃几个菜”你得先有个数厨房才好配菜。K-means的确认过程也是这个道理。那算法到底是怎么“找中心点”的我尽量不用公式吓唬人但这里有个核心迭代逻辑必须讲清楚随机选K个样本作为初始聚类中心SPSS默认从数据里挑也可以自己指定。计算每个样本到这K个中心的距离默认是欧氏距离距谁近就归到谁那一类。每一类内部的所有样本取平均得到一个新的中心点。用新中心点重新归类所有样本。重复第3、4步直到中心点不再明显变化或者达到了最大迭代次数。这个逻辑里第5步的“停止条件”特别值得注意。SPSS默认迭代10次一般足够收敛了但如果你发现聚类结果每次跑出来不一样很可能就是初始中心随机选导致的。后面实操部分我会讲一个解决办法先用系统聚类跑一遍把得到的类中心作为K-means的初始中心这样结果就稳定多了。K-means最大的优点是快。几十万条数据只要变量不太多几秒钟就能跑完。但它的短板也很明显对异常值极度敏感一个极端值就能把聚类中心拉偏一大截而且它假定每个类都是“球形”的如果真实数据里的类别形状很怪异比如一个类包围着另一个类K-means的表现会大打折扣。另外还有一个经常被忽略的细节K-means要求输入变量是连续变量。如果你的数据里有分类变量比如性别、地区要么先剔除要么做哑变量编码之后再用。有些教程说SPSS的K-means能直接处理分类变量这是个误区SPSS从不检查你的变量类型但分类变量进到欧氏距离计算里结果基本没法看。2.2 系统聚类不用预设K值用“合并”过程讲一个完整故事系统聚类也叫层次聚类走的是另一条路。它的逻辑是先把每个样本都当成独立的一类然后不断把距离最近的两类合并直到最后所有样本都归成一类。整个过程像倒着画一棵树——树根在最顶部所有样本是树梢的叶子。我常用一个类比帮助学生理解系统聚类就像组织一场家庭聚会先按血缘近亲坐在一起然后表亲靠过来再然后朋友也加入最后所有人都坐到了一张大圆桌上。树状图Dendrogram就是这场聚会“从零散到团圆”的完整过程图。系统聚类的核心决策点不是“分几类”而是两个更底层的问题第一样本之间的距离怎么算SPSS里提供了很多选择。最常用的是欧氏距离两点之间直线距离和平方欧氏距离距离的平方放大远近差异。如果变量量纲差异大需要先标准化。另外还有切比雪夫距离、余弦距离等但实际业务分析中用得不多。第二类与类之间的距离怎么算注意这里说的不是样本间距离而是“两个类之间的距离”。一个类里有好几个样本那类和类之间的距离怎么定义SPSS给了好几种方法我挑三个最常见的说组间联接Between-groups linkage两类之间所有样本对距离的平均值。这是SPSS默认选项稳健性好适合大多数场景。组内联接Within-groups linkage合并后新类内部所有样本间距离的平均值。它倾向于得到样本数量比较均衡的类。Ward法离差平方和法Ward‘s method合并时让类内离差平方和的增量最小。它倾向于生成紧凑且大小相近的类业务分群场景里很常用但对异常值敏感。系统聚类最大的优点是你不需要事先指定K值跑完看树状图再决定从哪里“切一刀”。但代价是计算复杂度高——几千个样本还行几万条数据就可能卡死。所以系统聚类更适合样本量在几百到两三千以内的小规模分析场景。我在实际项目里经常拿系统聚类做小样本的探索性分析或者给K-means提供初始聚类中心。2.3 二阶聚类自动确定K值专治“混合变量”头疼问题二阶聚类是SPSS比较晚才加入的方法但它在商业分析里越来越受欢迎因为它解决了一个很现实的痛点业务数据往往同时包含连续变量和分类变量而这两种变量K-means没法同时处理分类变量做哑变量编码后距离计算失真系统聚类处理起来也很别扭。二阶聚类算法的思路是分两步走这也是它名字的由来第一步构建聚类特征树CF树。算法逐个读取样本把距离相近的样本挂到同一个树节点下形成一个“先粗筛”的结构。这一步的本质其实是数据压缩——几万个样本被压成若干个节点。第二步在粗筛后的节点上再做一次聚类。SPSS默认使用BIC贝叶斯信息准则或AIC赤池信息准则来自动判断最优聚类个数。这就是二阶聚类最大的卖点你不用预先指定K值SPSS帮你选。对于不知道分几类比较合适、又急着出结果的人来说这简直是救星。不过不用高兴太早自动选K并不意味着不需要人来决策。SPSS会给出“聚类质量”评估图一个从差到好的横条还会把每个类别在不同变量上的特征用图形展示出来。最终到底分3类还是4类还是要结合业务可解释性来判断。算法给你的只是一个“统计上比较合理”的建议不是“业务上最可用”的答案。三种方法的适用场景我建议用一个表格记住维度K-means系统聚类二阶聚类是否需要指定K值是否看树状图定否自动计算支持的变量类型连续变量连续变量为主连续分类混合适合样本量几千到百万级几百到几千几千到十万级结果稳定性初始中心敏感稳定可复现较稳定直观程度一般树状图非常直观自动报告好读3. SPSS实操环境准备与数据预处理3.1 数据长什么样才能跑聚类先整理这三种情况不管你用SPSS的哪个版本26、27、28都行菜单路径基本一致在点开“分析”菜单之前数据必须至少满足下面几个条件每一行是一个样本每一列是一个变量。这是SPSS最基础的数据结构要求。变量度量标准要设对。在“变量视图”里连续变量应设为“度量Scale”定序变量设为“有序Ordinal”名义变量设为“名义Nominal”。SPSS的二阶聚类会严格按照这个设置来区分变量类型如果这里没设对二阶聚类的“自动确定K”功能可能直接报错或给出离谱结果。缺失值要处理干净。SPSS聚类分析默认使用列表删除listwise deletion也就是说只要某个样本在任何一个聚类变量上有缺失整个样本就会被剔除。如果缺失比例高结果会有很大偏差。实战中我的习惯是如果某个变量缺失率超过5%先考虑要不要把该变量删掉如果缺失集中在少数样本上直接删掉这些样本也行再不行就用中位数或均值填补后再进聚类。另外我给三类数据一个参考处理路径全是连续变量且样本量小于3000优先系统聚类树状图直观便于解释也可以跑K-means。全是连续变量且样本量大于1万K-means是最实用的选择先跑一次系统聚类抽样后跑获得初始中心再用。混合变量既有连续又有分类直接用二阶聚类其他两种方法都比较难处理这种情况。3.2 标准化到底做不做别让“收入”碾压“年龄”前面提到过K-means和系统聚类基于欧氏距离这里就引出一个必须正视的问题量纲差异会让高数值变量在距离计算里占绝对主导。举个例子你有两个连续变量“年收入”均值8万标准差3万和“年龄”均值40标准差8。如果不做标准化两个样本在“年收入”上的差距轻轻松松就是几万在“年龄”上撑死相差几十岁。距离计算时收入变量几乎决定了所有样本之间的距离年龄变量有跟没有一样。聚类结果看似出来了实际上等价于只拿收入一个变量在分。解决方式就是标准化。SPSS在系统聚类和K-means菜单里都有“标准化”选项系统聚类的标准化方法更多样包括Z得分、全距从-1到1、全距从0到1、最大量纲为1等。我的建议是除非有明确业务理由否则一律用Z得分Z-score标准化也就是把每个变量减均值后除以标准差让所有变量变成均值0、标准差1的统一尺度。Z得分标准化的好处有两个一是消除了量纲影响二是保留了每个变量内部的分布形态。万一某个变量本来就是严重偏态的Z得分救不了偏态问题你要先做对数变换还是其他处理那是另一个话题。但作为通用预处理Z得分是起步标配。当然也有例外场景如果所有连续变量本来就处在同一个量纲下比如都是“1-5分的评分”标准化可做可不做做了反而可能削弱原始差异。这种情况下我会偷个懒直接不标准化用原始值跑。3.3 SPSS菜单环境确认与常见坑位提示打开SPSS后先花30秒确认三件事菜单栏是中文还是英文不过无所谓后面我会中英文对照写照着自己界面点就行。数据视图底部有没有“变量视图”和“数据视图”两个标签页确保在变量视图里把名称、类型、度量标准都设置好。是否保存过备份文件SPSS偶尔会因为数据量太大崩掉我习惯在跑大模型前先储蓄一个.sav副本。还有一个经常被忽视的坑SPSS的很多对话框里如果你选入了一个字符串型变量系统会提示“没有有效的数值变量可用”或直接报错。因为SPSS聚类分析只接受数值型变量。如果你的分类变量是文本比如“男”“女”需要先对它做编码比如男1、女2再设置度量标准为“名义”然后才能进二阶聚类。4. K-means在SPSS中的完整实操从菜单到输出解读4.1 操作步骤一步步点出来K-means在SPSS里的入口是分析Analyze→ 分类Classify→ K-均值聚类K-Means Cluster。进入对话框后你会看到左侧变量列表、右侧若干框。我按填写顺序说把连续变量选入“变量”框。千万不要把ID号、样本编号选进去否则它会作为距离计算的一部分纯属添乱。把真正的样本标识变量比如用户ID选入“个案标记依据”有的版本叫“标注个案依据”这样聚类结果里能直接看出每个样本分到了哪一类。“聚类数”填K值。如果完全没概念先填3跑一遍看效果。点开“保存”按钮勾选“聚类成员”。这样SPSS会在原数据里新增一个变量QCL_1值1到K表示每个样本所属类别。点开“选项”按钮勾选“统计”里的“初始聚类中心”和“ANOVA表”方差分析表。后者会告诉你每个变量在不同类之间差异是否显著虽然这个ANOVA本质上是描述性的不是真正检验性的但很有参考价值。然后点击“确定”等待输出。4.2 结果输出到底怎么读先看这三张关键表K-means的输出一般有五六张表但真正核心的就三张我挨个说怎么读。第一张初始聚类中心Initial Cluster Centers这张表显示的是迭代开始前随机选出的K个样本在各变量上的取值。很多新手盯着它看半天其实它只是一个起点信息不代表最终结果。我一般直接跳过除非我要复现结果、把初始中心固定下来才会专门看这一表。第二张迭代历史记录Iteration History这张表看起来最无聊但能帮你判断算法是否正常收敛。它每行代表一次迭代列是各聚类中心的变化量。正常情况下随着迭代次数增加变化量会越来越小最后一行出现0表示中心不再变化算法收敛。如果迭代了10次还没收敛到0SPSS会停止但你要警惕可能数据里的类别边界不清晰或者K值不合适。这时候可以把最大迭代次数调大比如25次再跑一次。第三张最终聚类中心Final Cluster Centers这是整个K-means输出里最重要的表。每一行是一个变量每一列是一个聚类类别单元格的值是该类在这个变量上的均值。怎么读逐个类别看找出每个类别相对其他类别特别高或特别低的变量这些“高/低点”就是聚类的业务特征。举个例子假设变量是“消费金额”“购买频次”“会员年限”类别1在消费金额和购买频次上都很高会员年限中等那这个类别就可以命名为“高价值活跃客户”类别2三者都低就是“低价值沉默客户”等等。名字是人起的表只提供事实数值。第四张可选ANOVA表SPSS会输出每个变量在K个类之间的方差分析结果。如果某个变量的p值大于0.05说明这个变量在各类之间差异不显著对聚类区分没什么贡献。这种变量理论上应该从聚类变量里剔除掉再跑一次。注意我没法强调太多ANOVA表在K-means里是一个描述性参考不适合做严格的统计推断很多教材都提醒过这点但作为“变量筛选依据”还是很好用的。4.3 用系统聚类为K-means找初始中心一个我常用的稳定化技巧前面提到K-means对初始中心敏感同样的数据、同样的K值多跑几次可能得到不同结果——这在样本量不大、类别边界不明显时特别常见。怎么解决我分享一个自己常用的“两步法”先做系统聚类或者对30%的随机抽样做确定聚类数K并保存每个样本的类别。算出每个类在各变量上的均值当作K-means的“初始中心”填入。具体操作是在K-means对话框里聚类数下面有一个“中心”相关的按钮或选项中文版叫“中心点”英文版是“Centers”可以勾选“读取初始聚类中心”然后从数据里指定一个包含均值的文件。SPSS会用你给的初始中心开始迭代结果稳定得多。这个方法在学术论文里也常用叫作“两阶段聚类策略”。它相当于先用系统聚类“粗略探路”再用K-means“精细收敛”兼顾了系统聚类的全局视角和K-means的大样本处理能力。5. 系统聚类在SPSS中的完整实操树状图的“切一刀”艺术5.1 操作步骤与核心参数选择系统聚类的入口是分析Analyze→ 分类Classify→ 系统聚类Hierarchical Cluster。进入对话框后关键设置如下把连续变量选入“变量”框。把标识变量选入“标注个案”框就是“个案标记依据”这样树状图末端会显示样本ID方便解读。“聚类”选择“个案”意思是把每个样本当成一行来聚类下面还有个“变量”选项是给变量做聚类的比如你有一堆商品指标想把相似的商品聚合一般我们用“个案”。点开“统计”按钮勾选“凝聚计划表”Agglomeration Schedule有的版本叫“聚类进度表”这张表后面判断K值非常关键“相似性矩阵”可勾可不勾样本量大了就别勾。点开“绘制”按钮勾选“树状图”Dendrogram这是系统聚类的灵魂输出。如果你喜欢看过程可以再勾选“冰柱图”但我个人觉得树状图就够了。点开“方法”按钮——这里是最核心的部分“聚类方法”选“组间联接”或“Ward法”。默认是组间联接我用Ward法的次数也不少。Ward法出来的类别通常更紧凑做业务分群时解释性更好。“度量标准”选“平方欧氏距离”几乎是最稳妥的。很多教程默认“欧氏距离”也行但平方欧氏距离会让类间差异更明显配合Ward法很经典。“标准化”选择“Z得分”。前面说过了量纲差异不处理的话结果会失真。点击“确定”运行。5.2 凝聚计划表用“距离系数突变”判断该分成几类凝聚计划表是系统聚类里最容易被忽略但极其实用的输出。它长这样每一行代表一次聚类合并列里有“合并的聚类”哪两类合并到了一起、系数、以及下一个阶段。怎么用核心思路是看“系数”Coefficient也就是合并时两类之间的距离。合并的距离越大说明合并越“勉强”。当你发现某一行的系数突然比上一行高出很多甚至翻倍或者断崖式上升说明在那一阶段把两个差异巨大的类强行合并了而再往后就是越合越离谱。所以确定K值的方法是找到系数突然增大的那个转折点用“总的样本数减去转折点所在的合并步骤的序号”得到聚类数量。举个例子有50个样本观察凝聚计划表发现第48步合并时系数为150第47步系数为60那么第48步的合并特别“勉强”说明在第47步结束后系统里面有50-473个类这3个类再强行合并成2类时距离跳得厉害。所以3类是比较自然的选择。这个方法操作起来比看树状图“目测”要客观得多也容易写进报告里。5.3 树状图怎么切从视觉判断到业务论证树状图是系统聚类最直观的呈现。左端是所有样本右端是所有样本合并成一个大类中间的竖线表示合并的位置横线越长代表合并时两类距离越远。我的读图方法是从右往左看找到最左侧能“明显分开”的那几根长横线。如果图形像梳子一样右边一大段横线都很长再往左出现几根明显的短横线那么短横线左侧形成的几个分支就是合理的类别数。比如树状图最右侧是一根很长的横线把A、B两大支连起来往左一点B支内部又有两根中等长度的横线把B1、B2、B3隔开那说明如果分2类A是一类B是一类如果分4类则按B内部的三个分支切分。具体切几类还是看研究目的和业务可解释性。统计上自然、业务上讲得通才是最终答案。新手容易犯的错误是想让每个类别“完美分离”——树状图里有重叠、交叉很正常现实数据本来就是模糊的。只要类内的样本在关键变量上有共性类间有明显差异就达到了分析目的。5.4 保存聚类结果把“树上的分类”写回数据跑完系统聚类后要回到“保存”按钮选择“单一解”并在数值里填上你最终定的K值。比如你决定分3类就填3SPSS会生成一个新变量默认名CLU3_1每个样本赋值为1、2或3。这样后面可以做交叉表、做描述统计、画分布图把聚类结果用于进一步的业务分析。注意一个小坑系统聚类的“保存”对话框中“单一解”是相对于“解的个数”而言的。你可以同时保存“单一解”和“解的个数”多个解比如同时保存3类解和4类解然后对比哪个更好用。刚开始做研究的话我建议都保存一下多个方案比较后再定最终方案。6. 二阶聚类在SPSS中的完整实操自动选K、混合变量一次搞定6.1 操作步骤与选项设置细节二阶聚类的入口是分析Analyze→ 分类Classify→ 二阶聚类TwoStep Cluster。进入对话框后设置要点如下把连续变量选入“连续变量”框把分类变量选入“分类变量”框。一定要先确认变量度量标准设对了否则SPSS会默认把所有变量当连续变量。“距离度量”选项如果变量全是连续变量用“欧氏距离”即可如果数据里有分类变量SPSS会自动改为使用“对数似然距离”Log-likelihood distance你不需要手动干预。这个对数似然距离是二阶聚类的核心机制它能同时计算连续变量和分类变量的相似度这正是二阶聚类能处理混合数据的根本原因。“聚类数”这里有两种玩法。“自动确定聚类数”是默认选项SPSS会用BIC自动选K你也可以指定“固定数量”自己填一个K。我的建议是第一次跑先让它自动确定观察结果的“聚类质量”图如果质量不高或者业务可解释性差再改成固定数量尝试不同的K。“聚类数上限”自动确定聚类数时SPSS默认最多给15类。如果业务上你最多能接受6类可以把上限改成6让算法在1到6之间选效率更高也更贴合业务约束。点开“输出”按钮勾选“聚类描述”和“聚类频率”——这两个是二阶聚类的精华输出分别展示每个类别在连续变量上的均值差异和在分类变量上的分布差异。点开“保存”按钮勾选“保存聚类成员”SPSS会生成一个新变量TSC_1值1到K表示每个样本的类别归属。最后运行。6.2 自动聚类结果怎么看聚类质量、分布图和描述面板二阶聚类的输出分几块重点看三样东西第一块自动聚类表Auto-ClusteringSPSS会列出不同K值下的BIC值和BIC变化量。BIC越小越好但并不是最小的那个K就直接采纳SPSS会结合“BIC变化量”和“距离度量变化量”来推荐一个最佳K。你会在表格里看到SPSS在某个K值上标记了一个“1”表示被选为最佳在另一个K值上标记“2”表示备选。如果业务上跟“1”的解释起来很费劲可以看看“2”那个K是不是更好。第二块模型摘要和聚类质量Model Summary and Cluster Quality模型摘要里最关心的其实是“聚类质量”图——一个横条示意图绿色表示“良好”、黄色“尚可”、红色“差”。如果显示为“良好”说明当前聚类方案在统计上的分离度还不错如果只是“尚可”甚至“差”要么变量选得不好要么分类变量太多导致信息被稀释要么就是数据本身没有明显的群结构硬分也分不出好的结果。第三块聚类描述Cluster Descriptors这是二阶聚类的杀手锏。SPSS会为每个类别分别画图和列表连续变量显示每类在该变量上的均值并用图表展示每类相对总体均值的高或低。分类变量显示各类在某个分类变量各水平上的频率分布。你要做的就是把每类的特征串起来起一个有业务含义的名字。比如“消费金额高、频次高、年龄集中在中青年、一线城市为主”——可以命名“高价值城市白领”。这一块的解读逻辑跟K-means最终聚类中心的思路类似但形式更丰富更加“开箱即用”。6.3 二阶聚类自动确定K值的原理以及何时该手动覆盖二阶聚类能自动确定K值靠的是BIC/AIC准则。简单说SPSS会为K1、2、3……一直到上限分别计算模型拟合度然后找一个“拟合度较好但不是特别复杂”的K。这里有个很多人不清楚的点BIC不是越小越好往死里选而是要找一个“拐点”。随着K增大模型越来越复杂BIC通常会下降但下降幅度会越来越小。SPSS会寻找BIC变化量明显变小的那个点作为“增加类数带来的收益开始变少”的信号。我遇到过不少案例SPSS自动推荐的K值和业务方的预期差很远。比如有一次自动推荐7类但业务方明确说“7类没法落地我们最多跟3类打交道”。这种情况下完全可以手动覆盖把聚类数固定为3类重新跑。统计上的“最优”是纯数学视角业务上的“最优”要结合运营能力、组织架构、成本收益综合判断。最终选的K一定是在这两者之间找到平衡点。7. 三种方法对比与选择建议别让工具牵着鼻子走7.1 一张表搞懂适用场景再也不用纠结为了让你在不同场景下快速选方法我把三类方法的判断逻辑整理成一个“速查表”判断维度优先推荐原因样本量小300系统聚类树状图直观可完整捕捉样本之间的关系样本量大10万K-means 或 二阶聚类系统聚类计算量太大跑不动全是连续变量K-means大样本或系统聚类小样本距离计算纯粹结果好解释连续分类混合二阶聚类对数似然距离可同时处理两类变量不知道K值系统聚类看图形或二阶聚类自动选避免拍脑袋定K的尴尬需要可解释的报告系统聚类树状图二阶聚类自动描述输出直观图表丰富后续要接预测建模K-means输出结果直接保存为类别变量方便进入分类模型训练7.2 我理解的“自然断点法”和聚类分析的区别热搜词里出现了“自然断点法和聚类分析的区别”这个话题值得单独说两句。自然断点法Natural Breaks也就是Jenks自然断点法主要用来对单个变量做分级——比如把“人均收入”这个变量分成“高、中、低”三档它的核心逻辑是让各级内部的差异尽量小、各级之间的差异尽量大。它在地图制图、数据可视化里特别常见。聚类分析则是多变量综合分类——同时考虑多个变量把样本分成若干类。它们都有“让组内差异小、组间差异大”的共同思想但自然断点法几乎只处理单变量单维度的问题聚类分析则是多维度的。实际业务里如果你只需要把一个连续指标分成若干等级用自然断点法就够了Excel或SPSS里都能做如果你要综合“收入、消费、年龄、区域”来分群那就得上聚类分析。7.3 结合业务经验谈聚类结果到底怎么“落地”做聚类分析最容易得到的评价是三种“这不就是把我们的客户分了几拨吗”“结果看起来不错但然后呢”“为什么这两类看起来好像没差多少”。我的经验是聚类分析只是分群工作的前半场后半场更重要聚类结果必须转化成语义明确、可运营的人群标签。无论你用K-means还是系统聚类还是二阶聚类跑出来都是一堆数字标号业务同事不会关心你用的是Ward法还是BIC准则他们只关心“高价值人群怎么定义下一步怎么触达”。我一般在聚类完成后会做四件事给每个类别起一个业务名字并写下“定义语句”。比如“流失风险客户3个月无购买、最后一次消费距今超过120天、平均客单价低于50元”。用交叉表对比各类别在关键KPI上的表现比如复购率、客单价、投诉率、活跃度等。这样能证明聚类结果具备业务解释力和行动价值。把聚类结果输出成表格或可视化图表给业务方展示的时候一定要用业务语言而不是统计术语。沉淀成标签体系进入后续的精准营销、产品推荐、客户生命周期管理等运营动作中。8. 常见问题与排查技巧实录做聚类分析这件事常踩的坑比很多人想象的多。下面这几个问题是我被问到最多的也是我自己实际踩过之后才总结出来的直接整理出来给你当“避坑手册”。8.1 聚类数到底怎么选万能三步法这个问题几乎每个新手都会问。我个人的建议路径是三步走先用二阶聚类跑一遍如果允许混合变量直接看自动推荐的K值是多少作为参考基准。再用系统聚类画树状图和凝聚计划表从距离突变点判断K值。两种方法如果指向同一个K那基本就稳了。最后结合业务约束运营能承接几个群、人群规模能不能覆盖成本确定最终K。宁可少分几类每类都很大、很清晰、可运营也不要分一堆细碎的小类业务方根本不知道拿它们怎么办。8.2 聚类变量到底选几个不是越多越好聚类分析不是变量越多越好。变量多噪声变量多距离计算会被次要信息淹没。我的经验是聚类变量控制在5-10个之间优先选择业务上认为最能代表人群差异的变量。如果候选变量有几十个先用相关性分析或因子分析降维再用降维后的因子得分做聚类。另外强相关的变量最好不要同时进聚类模型。比如“消费金额”和“订单金额”本质上差不多两个都放进去等于给这个维度加了一倍权重结果会被带偏。8.3 标准化后聚类结果还是乱八成是异常值在捣乱K-means对异常值极其敏感这是它的“天生缺陷”。举个例子客户消费金额里有个别极值比如某大户一年刷了上百万会直接把聚类中心往这个方向拉导致其他样本全都挤在一起分不开。处理办法先做描述统计看每个变量是否有极端离群值。对异常值做截尾处理winsorize比如把大于99%分位数的值统一替换为99%分位数。或者直接用二阶聚类它对异常值的容忍度比K-means高一些。我自己处理消费类数据时几乎必做截尾处理尤其像客单价、消费总额这类典型右偏变量。不处理的话聚类结果基本没法看。8.4 SPSS运行报错先查这三处跑聚类分析时最常见的报错有三个来源数据里有字符串变量被选入。报错往往显示“非数值型变量无法用于聚类分析”。解决方案对字符串变量做数值编码或者检查是否误选了文本型变量。缺失值太多。SPSS默认列表删除如果缺失比例超过30%SPSS可能会拒绝运行或只基于很少的样本分析。解决方案先做缺失值处理。“分析”菜单里的“分类”子菜单是灰色不可点。这大概率是你用的模块没有授权或未安装不过常见的“K-均值聚类”和“系统聚类”标准版都带如果真的是灰色重启SPSS或检查授权即可。另外还有一个小概率问题二阶聚类“聚类数上限”如果设得太大比如默认15而样本量又不大运行时间会特别久甚至卡死。可以把上限改小到8或10既节省时间也能避免SPSS内存不足。8.5 从“自然断点法”那个热搜词再延伸一句既然提到自然断点法和聚类分析的区别我建议你反过来想想它们的结合在实际工作中完全可以先用自然断点法对单变量做分档再用聚类分析做多变量的综合分群。比如先用自然断点法把“消费金额”分成高、中、低三档再结合“年龄”“品类偏好”做聚类最后把两套分群结果交叉起来看能发现一些特别有意思的业务洞察。8.6 一个经典误区聚类分析前为什么建议先做相关性检查有人觉得聚类分析反正会自动找结构变量之间相关不相关无所谓。实际上不是这样。如果两个变量相关性极高比如r0.8它们携带的信息高度重叠相当于某个维度被暗中加了权重。一个容易忽视的结果是相关变量越多它们在距离计算里的实际影响力越大聚类结果会被这些冗余维度主导。所以我的做法是在聚类前先跑一个相关性矩阵把相关性较高的变量做筛选留下业务上更难取舍的那一个或者对变量做主成分/因子分析用降维后的因子得分做聚类。这样得到的聚类结构才更干净、可解释性更强。8.7 每个方法的输出结果要保存这是回头复查的底气无论用哪种方法都建议把聚类成员变量保存回数据表就是前面提到的QCL_1、CLU3_1、TSC_1这些变量。保存后你可以随时做交叉表或描述性对比甚至可以用判别分析回过头来检验聚类效果的稳定性。比如用聚类得到的类别标签作为因变量用原始聚类变量作为自变量做一次判别分析看回代判对率有多高。如果准确率在85%以上说明聚类结果里的群结构相当扎实如果准确率太低则说明类别之间边界太模糊可能K选多了。结尾几句实在话复盘这么多年做聚类分析的经验我最想告诉你的一句话是聚类分析是一门“手艺活”不是公式套用。你点SPSS菜单只要两分钟但真正花时间的是结果解读、业务校准和反复验证。我个人的习惯是跑聚类之前先问自己三个问题数据里的变量到底想表达什么分出来的类到底有没有业务含义拿到这些类别之后下一步动作是什么三个问题都能回答聚类分析才算真正做完。下一篇文章我打算用一个真实案例虚拟但贴近业务的数据走一遍“数据预处理→系统聚类定K→K-means精细聚类→结果描述→报告产出”的完整流程把这篇讲的每一个操作都串起来。你可以准备一份自己的数据跟着文章一步步跑遇到卡壳的地方随时回来看。聚类分析这门手艺看再多的教程都不如自己动手跑一遍来得踏实。