消费者消费行为K-means聚类：客户细分与画像

消费者消费行为的K-means聚类分析

1 案例背景

本研究以200名消费者的消费行为数据为样本，基于消费金额、消费频次和最近消费天数三个RFM指标变量，采用K-means聚类方法对消费者群体进行细分。聚类分析是一种无监督学习方法，通过最小化组内方差将样本划分为若干同质性类别，无需预先设定因变量，适合探索性的群体结构识别。K-means算法以欧氏距离为度量基准，通过迭代更新聚类中心直至收敛，最终输出每个样本的类别归属及各类别的特征中心。本研究利用SPSSAU在线数据分析平台完成K-means聚类的计算与结果输出，并通过方差分析检验各聚类类别在聚类变量上的差异显著性，以验证聚类结果的有效性和可解释性。

2 分析结果

在SPSSAU【通用方法】模块选择【交叉（卡方）】，将变量拖拽至右侧对应分析框，操作如下图：

表1 聚类类别基本情况汇总

表1呈现了K-means聚类的基本分类结果。在200名消费者中，cluster_1包含70人（35.00%），cluster_2包含60人（30.00%），cluster_3包含70人（35.00%），三类消费者的样本量分布较为均衡，不存在极端不均衡的类别。聚类结果将消费者群体有效划分为三个规模相当的细分群体，为后续的差异化营销策略提供了基础。

表2 聚类类别方差分析差异对比结果

表2报告了三个聚类类别在各聚类变量上的方差分析差异对比结果。在消费金额方面，cluster_1的均值最高（14.93±1.01），cluster_2次之（9.99±1.08），cluster_3最低（4.89±0.93），F=1746.870，p<0.01，差异高度显著。在消费频次方面，cluster_2的均值最高（15.08±0.88），cluster_3次之（9.93±0.98），cluster_1最低（5.11±1.03），F=1716.372，p<0.01，差异同样高度显著。在最近消费天数方面，cluster_3的均值最高（15.12±1.04），cluster_1次之（10.03±0.97），cluster_2最低（4.93±1.11），F=1551.571，p<0.01，差异显著。

综合三个变量的特征可以刻画出三类消费者的行为画像：cluster_1为"高消费-低频次-中近期"型，单次消费金额高但频次低，属于大额偶发性消费者；cluster_2为"中消费-高频次-最近期"型，消费频次最高且最近消费时间最近，属于活跃高频消费者；cluster_3为"低消费-中频次-最远期"型，消费金额最低且最近消费时间最远，属于低值流失风险消费者。三个聚类类别在所有聚类变量上的差异均达到统计学显著水平（p<0.01），验证了聚类结果的有效性和区分度。

表3 聚类中心

表3呈现了K-means聚类的初始聚类中心与最终聚类中心的对比。最终聚类中心显示，cluster_1在消费金额上的标准化中心值为1.154，消费频次为-1.132，最近消费天数为-0.060；cluster_2在消费金额上为0.013，消费频次为1.281，最近消费天数为-1.262；cluster_3在消费金额上为-1.166，消费频次为0.035，最近消费天数为1.142。最终聚类中心与初始聚类中心相比发生了一定变化，反映了K-means算法迭代优化的过程。误差平方和SSE=33.302，平均轮廓系数为0.820，远超0.5的良好聚类标准，表明聚类结构的紧凑性和分离度均非常优异。

表4 样本缺失情况汇总

表4显示本研究共包含200个有效样本，无排除样本，数据完整度为100%。

3 可视化

图1 聚类散点图

图1以散点图形式直观展示了三个聚类类别在消费金额、消费频次和最近消费天数三维空间中的分布。三类消费者在空间中呈现出清晰的分离格局，cluster_1集中在高消费金额区域，cluster_2集中在高频次低最近消费天数区域，cluster_3集中在低消费金额高最近消费天数区域，与方差分析结果一致。

图2 聚类特征对比图

图2以雷达图或柱状图形式呈现了三个聚类类别在各变量均值上的对比关系，直观展示了三类消费者的差异化特征画像。

结论

本研究基于200名消费者的消费行为数据，利用SPSSAU平台进行了K-means聚类分析，将消费者有效划分为三个细分群体。方差分析结果显示三类消费者在消费金额（F=1746.870）、消费频次（F=1716.372）和最近消费天数（F=1551.571）上均存在高度显著差异（p<0.01），平均轮廓系数达0.820，聚类质量优异。研究识别出大额偶发型、活跃高频型和低值流失型三类消费者群体，为精准营销和客户关系管理提供了数据支撑。