中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導語：聚類分析是對樣本或指標進行分類的一種統(tǒng)計方法，它能幫助我們窺探不同人群之間的數(shù)據(jù)差異，也被應用于基于定量數(shù)據(jù)的用戶分類實踐中。本文作者結合某金融借貸服務流程再設計中的用戶分類案例，闡述了聚類分析在用戶畫像中的應用，一起來看一下吧。

聚類分析（Cluster analysis）是對樣本或指標進行分類的一種統(tǒng)計方法，屬于探索性的數(shù)據(jù)分析方法。

聚類分析將看似無序的對象（如桌子、人、樹木、情緒、觀念等）進行分組、歸類，按照個體或樣本的特征將其分類，使得同一類別下的個體具有盡可能高的同質性，而不同類別/組別之間則是盡可能高的異質性，以更好地理解研究對象。

物以類聚，人以群分。借助聚類分析算法，可以幫助我們窺探不同人群之間的數(shù)據(jù)差異（如圖1）。因此，此種方法也被應用于基于定量數(shù)據(jù)的用戶分類實踐中。

圖1：二維（2個變量 ）下的聚類分析示意圖

然而，由于聚類分析所使用的數(shù)據(jù)并沒有明確的分類，聚類分析后的類別數(shù)量也是未知的。

即：我們不知道用來聚類分析的樣本大概有什么分布，也不了解系統(tǒng)會將其分成哪幾類，事先可能也沒有任何有關類別信息供參考。

因此聚類分析更像是一種建立假設的方法，而對相關假設的檢驗還需要借助其它統(tǒng)計方法，在用戶畫像的生成過程中，建議將聚類分析當做一種探索分類結構、提供數(shù)據(jù)支撐的手段，而非（也不可能）完全依賴于聚類分析來形成最終用戶分類結論。

以下結合某金融借貸服務流程再設計中的用戶分類案例，來具體闡述聚類分析在用戶畫像中的應用。

01 聚類分析適用的數(shù)據(jù)類型

聚類分析所應用的數(shù)據(jù)類型主要為多維度、連續(xù)/等級/分類變量，且要求數(shù)據(jù)量足夠大、客觀可測量，因此，較為適合應用于研究者已擁有海量、多維度用戶客觀數(shù)據(jù)的情況。

數(shù)據(jù)來源如：已經(jīng)運營一段時間的產(chǎn)品后臺數(shù)據(jù)、電商瀏覽購買行為數(shù)據(jù)、客戶CRM數(shù)據(jù)、微信公眾號后臺數(shù)據(jù)等。

基于這些數(shù)據(jù)，我們可以以用戶實際產(chǎn)生的行為數(shù)據(jù)（如：點擊次數(shù)、轉發(fā)次數(shù)、使用頻率等）、人口學資料數(shù)據(jù)等客觀數(shù)據(jù)將用戶分成數(shù)類。正因此，聚類分析被廣泛應用于消費者行為研究、細分市場研究、電子商務運營策略研究等關注人群、市場和消費行為的研究項目中。

聚類分析介入用戶分類的程序：在用戶研究工作中，用戶分類可以基于定性或定量數(shù)據(jù)來進行，但最終會收斂為一個具體、明確、符合經(jīng)驗的分類模型，使之能夠服務于未來的產(chǎn)品設計與運營。如圖2：

圖2：2019微眾銀行用戶調研之人群畫像

僅依靠數(shù)據(jù)無法幫助我們定義和解釋不同類別下的樣本輪廓，也無法將統(tǒng)計結果直接運用于生產(chǎn)設計和運營活動中。

因此聚類分析的方法應當結合前后期的定性研究（如產(chǎn)品走查、用戶訪談、內(nèi)部訪談、觀察、工作坊等）和定量研究（問卷調查、攔訪調研、接受度測試等）而進行。在本案例中，研究者采取了先定性，后聚類，再補充定量的方式，來形成和運用聚類分析的結果，如圖3：

圖3：金融借貸服務流程再設計-用戶畫像創(chuàng)建流程

再者，從機器學習角度上來說，聚類分析是一種無監(jiān)督學習 unsupervised learning，根據(jù)不同的數(shù)據(jù)選取策略和不同的聚類算法，系統(tǒng)會給出不同的分類模型。

至于哪個模型是貼合研究實際的“最優(yōu)解”，需要研究者自行決定。這意味著在做用戶分類時，我們所依賴的工具需要在研究者所提供的浩如煙海的數(shù)據(jù)當中根據(jù)數(shù)據(jù)的分布形態(tài)，逐漸探索出數(shù)據(jù)的分類形態(tài)，因此最終數(shù)據(jù)分類的結果質量對研究者對數(shù)據(jù)的理解、把握和解讀有著更高的要求。

這要求研究者在使用數(shù)據(jù)進行聚類之前，應當對數(shù)據(jù)的業(yè)務內(nèi)涵具有相當程度的把握和敏感性。

02 聚類分析用于用戶分類的操作流程

1）樣本數(shù)據(jù)選擇

根據(jù)前期的定性研究和已經(jīng)生成的假設，選擇能夠用來描述和定義用戶的數(shù)據(jù)維度。在本案例中，通過定性訪談、內(nèi)部訪談等研究，研究者已經(jīng)得知，不同用戶在借貸周期、借貸金額、還款履約行為、猶豫周期上存在著很大差別，因此，研究者可以有目的地選擇可能有用的數(shù)據(jù)?？梢粤谐鏊杈S度的數(shù)據(jù)清單，向數(shù)據(jù)負責人獲取。

在選擇數(shù)據(jù)時，也可以查閱相關文獻，如行業(yè)競品常用的數(shù)據(jù)/參數(shù)模型，建立對研究所需數(shù)據(jù)標簽的感知。圖4為本案例在選擇樣本數(shù)據(jù)時參考的某銀行產(chǎn)品用戶標簽體系。

圖4：某銀行金融產(chǎn)品用戶標簽體系

2）樣本數(shù)據(jù)清洗

這一步驟的目的在于去除缺省值、異常值、不合理值、非研究范疇值，研究者可以根據(jù)項目的實際需求，去除可能成為干擾項的數(shù)據(jù)。如：對收入進行標準化處理，剔除3個標準差外的異常值，去除超越研究范疇（如60周歲以上）的樣本。

注意保存清洗邏輯并在團隊成員間共享，以便隨時恢復被誤刪除的數(shù)據(jù)。

3）數(shù)據(jù)編碼及標準化

涉及到數(shù)據(jù)類型的轉換和數(shù)據(jù)可讀性的調整，由于聚類分析需要用到一定規(guī)模的連續(xù)變量和分類變量，對于一些界定模糊的變量，需要團隊成員商議后給予其明確的數(shù)據(jù)類型定義，并給出相應的定義值。此外，注意保存這些編碼邏輯，業(yè)務數(shù)據(jù)往往夾雜著諸多術語和縮寫，研究員需將其轉為易讀的符號并加以記憶。

如圖5，本案例中，申請類型、進件渠道、還款方式屬于分類變量，B卡評分描述了用戶的信用程度，則可以定義為等級變量或連續(xù)變量。

圖5：金融借貸服務流程再設計-原始數(shù)據(jù)編碼邏輯片段

此外，為了順利進行聚類分析算法的運轉，需將不一致的數(shù)據(jù)單位調整為一致的、標準的計量單位，如：將“利率”統(tǒng)一轉化為“月利率”或“年利率”。

4）變量處理與提取特征

這一步驟目的在于使冗余的數(shù)據(jù)得到凝縮和降維。

原始變量可能會有幾百上千的維度，但最終用于聚類分析的變量需要能夠很好地描摹用戶行為，有時研究者需要對數(shù)據(jù)進行一些簡單加工，得到一些更為關鍵的變量。如：研究者可以用最終辦理進件時間減去首次用戶問詢時間，得出中間的差值，該變量（猶豫時長）可以用來形容用戶在金融借貸產(chǎn)品中的消費風格。

此外，聚類分析算法要求變量與變量之間具有較強的獨立性，因此，需要研究者盡可能地整合相關性較大的變量，更嚴謹?shù)淖龇▌t可以借助關聯(lián)規(guī)則分析發(fā)現(xiàn)并排除高度相關的特征，或通過主成分分析進行降維。

5）選擇聚類分析算法

在 SPSS統(tǒng)計分析軟件中，常用的聚類分析算法包含二階聚類 twostep、K-均值聚類 K-means、系統(tǒng)/層次聚類 Hierarchical。不同聚類分析的算法邏輯不同（本文不再贅述）所需要用到的變量類型也有所不同，適用的樣本群體也略有差異。研究者可根據(jù)項目的實際需要來選擇相應的算法。如圖6：

圖6：根據(jù)項目實際需要選擇相應算法

本案例中，研究者選擇了二階聚類算法，這種算法無需人為設定最終分類個數(shù)，有助于實現(xiàn)對人群樣本聚類的探索。

6）選擇變量進行聚類——檢驗模型效果

這一步驟是漫長的探索過程，需要研究者不斷嘗試，選擇適量的變量進行聚類分析運算，并檢視模型質量和前期研究的適配度。研究者往往需要嘗試幾十、幾百次的更換變量、修改參數(shù)，才能得到一個聚類質量較高、模型解釋力強的分類模型。

本案例中，研究者選擇了B卡評分、還款方式、累計逾期次數(shù)、利率、使用率（用款金額占授信額度的占比）、收入、月利息共7個變量，包含連續(xù)變量和分類變量，最終得到圖7的聚類模型。研究者可以在“模型摘要圖”打開模型瀏覽器，看到聚類質量、聚類大小等圖表形式結果（圖8）。

圖7：模型摘要圖

圖8：聚類質量、聚類大小圖表

03 聚類分析結果應用

得到聚類分析的模型結果，通過模型中呈現(xiàn)的不同變量（含用于聚類分析的變量，和用于描述各分類的其他變量）的數(shù)值及分布，可以描述出不同類別用戶的特征，而每一類用戶會有個別較為突出的顯著特征，如圖9：

圖9：某銀行金融產(chǎn)品用戶標簽體系

通過提取不同類別用戶的關鍵特征，結合聚類分析前所獲得的定性調研結果及經(jīng)驗，研究者與行方共同探討定義出了這5類用戶的內(nèi)涵與外延。如圖10：

圖10：用戶的內(nèi)涵與外延

為了便于業(yè)務理解和應用，進一步加工該分類，將這五類用戶放在“風險-收益”兩個獨立維度中進行描述，如圖11：

圖11：用戶進一步分類

如此，業(yè)務方得以了解各類用戶對于銀行借貸金融業(yè)務的價值與風險、期待與需求，基于此描述，我們可以進一步制定針對不同用戶的營銷和服務策略。

值得注意的是，對最終與研究假設/直覺擬合度較高的模型，最終需要結合已知的定性研究結果和業(yè)務相關人員共同闡釋，方可使機械的模型具備生態(tài)效力和業(yè)務解釋力。

得出用戶分類的基礎畫像后，可以再次使用訪談、工作坊、定量問卷等方式加以補充描述，本文不再贅述。

作者：何龍荃，ISAR公司資深用研

來源公眾號：伊颯爾UXD學院，專注用戶研究和用戶體驗設計

本文由人人都是產(chǎn)品經(jīng)理合作媒體 @伊颯爾UXD 授權發(fā)布，未經(jīng)許可，禁止轉載。

題圖來自 Unsplash，基于 CC0 協(xié)議。