聚类分析可以用在APP及网站数据分析、用户画像分析上。
1.什么是聚类分析
聚类分析就是把看得见的实体对象（如桌子、人、树木等）或看不见的抽象对象（如情绪、观念等）进行分组，将它们中具有类似特征的对象划分到一块，形成很多总体特征不同的“小团体”，同时这个过程是人为主观的—最终由我们来给这些分类及其特征下定义，从而在具体的业务场景中应用它们。生活中我们经常讲“物以类聚，类以群分”，说的就是不同的人和事物因特征的相似而归并成一类，形成了很多大大小小的分组/类。
人以群分
聚类分析作为一种多元统计分析方法，其目的在于按照个体或样本的特征将其分类，使得同一类别下的个体具有尽可能高的同质性，而不同类别/组别之间则是尽可能高的异质性。
举例来讲，有2个不同的爱好者组成的松散组织—球迷协会、摄影协会。球迷协会中清一色的足球狂热者，个个谈起足球来眉飞色舞；摄影协会内的成员个个手握“长枪短炮”，最大的爱好就是对着美女和美景一通“咔咔”。这2个团体中的成员“臭味相投”，有共同的爱好和志趣；而作为集体的球迷协会和摄影协会，因团体各自的偏好不同，毫无共性，小团体和小团体之间的价值观和思想倾向也大相径庭。
主要步骤
复杂的原理就不说了，怕大家看着发晕，这些环节我就一带而过，因为在接下来的分析中我会用鲜活的案例让大家好好“反刍”一下。进行聚类分析的工具是SPSS 20.0，用的聚类方法是K-means聚类法，进行分析的步骤分为4个环节，及数据预处理、定义距离函数、聚类或分组及评估结果。
我就以一个公众号为例做个分析
1.案例背景
某新媒体培训机构的账号，从去年年初的1月中旬到7月中旬，时间跨度刚好半年。半年时间里，推文近200篇（包含副文，即第二、第三图文）。我们接下来要分析的原材料就是这段期间的文章数据、粉丝数据。
做这个聚类分析的主要目的在于：
发现其中质量较好的文章及质量最差的文章，从数据中发掘出它们，并发现它们身上存在的特征，以便将优良文风（选题、标题、内容、排版设计等）发扬下去，并避免以后再出质量不佳的文章，以期阅读量、转发分享量的提升，最终实现凭借公众号自身内容促进粉丝增长的目的。
2.数据预处理和选择聚类方法
按上述抓取数据的方法获得原始数据，需要注意的是，作分析的时候，需要将主副图文分开分析，因为一般情况下越往下所获得的点击量/阅读量就越低，分析只在同一层级的图文中进行，然后再在各类层级中进行总的内容分析。本文接下来的分析以主图文为主。
对获取的原始数据中的异常值进行剔除，即除去数据中明显异常大或异常小的数据值，以免对整体分析形成干扰。
将上述Excel原始数据导入SPSS中，检查一下数据的“度量标准”是否有误。“度量标准”下面有四种类型的数据，即名义、序号、度量。其中，名义是对数据分类的数据类型，如姓名、标题等；序号是对数据进行排序得到的变量；度量则是数据进行测量得到的数值型变量。在原始数据中，日期、标题和发文时间点等数据也属于名义型变量（时间点在SPSS中不分析），其他的变量皆为度量变量，是着重分析的变量。
数据预处理后，按“分析à分类àK-均值聚类”的路径选择聚类方法。
打开“K-均值聚类”会话框，将其中的变量输入到“变量”框中，在“保存”项里，勾选“聚类成员”“与聚类中心的距离”这两项，以便运算后将得到的分类信息显示在表格里，判断分类。
其中，最重要的一环是选择“聚类数”，这里需要根据经验和数据的数量来确定，有时需要进行“试错”。我依次按2次、3次、5次、6次和7次进行运算，发现输入5次得到的“解”最为理想，分类不多不少，特征很突出，有分析和参考的价值。
设置好项目后，进行确定，得到如下图所示的运算结果：
注意上图中红色虚线框部分的数据，分别是“分类数据”和“距离分类中心距离”的数据，然后将结果另存为“excel2007至2010”格式，得出的数据和spss中所呈现的保持一致。
3.处理经聚类分析得到的数据
先将得出的数据进行替换处理，即分类数据中的“1”“2”…“5”替换成“第一类“”第二类”…”第五类“，然后再
进行透视表处理，各个变量在“值字段设置“里皆取平均值，见下表：
经透视表处理好数据后，将该数据“全选”并“粘贴”“复制”到新的sheet里，以便按之前的评价指标体系将不同类型数据进行分类整理。将各数据进行“热力图示化”，以颜色深浅和冷暖显示数值的高低差异，直观的反映数据的大小变化情况。从而得到下表：
从上表中可以看到，近200篇文章可以分为5类，按照上述提及的微信文章质量评估体系，每一类的特征都不一样（以下各指标的程度由低到高依次分为“非常差-较差-一般-较好-非常好”，这种比较在这5个类别之间进行，具有相对性）：
第一类：传播力非常强，在一周内传播时效性显著，但粉丝增长度低，且文章具有非常高的价值（对目标用户来说很“值”），同时相应的粉丝也非常活跃，；
第二类：文章一周内的传播力较强，粉丝增长量较高，文章的价值度较高，粉丝活跃性良好；
第三类：文章传播效率地，粉丝取关量大，文章价值度低，粉丝活跃性非常差；
第四类：文章传播效率一般，粉丝增长量较大，文章价值度一般，粉丝活跃度一般；
第五类：文章传播效率一般，粉丝增长度一般，文章价值度一般，粉丝活跃度一般。
如果微信运营的经验不足和对数据不敏感，可以进一步将上述指标数据值进行标准化，乘以权重系数（根据过往经验和公司强调的KPI来决定）后相加，从而使多指标合并起来（如粉丝增长指标=-取消关注标准值*权重1+新关注数标准值*权重2+净增粉丝数标准值*权重3），在同一维度的不同分类下的指标值可以进行比较，其大小用“”和“”的五角星来表示，得到这5类文章各指标的量化表：
各个分类的特征明晰之后，我们需要找到各分类对应的文章，查看他们的标题、内容和发文时间点，也就是上文所提及的“文章信息指标”，值得注意的是，此处通过函数“weekday”可以查询出发文日属于“周几”，多添加一个“时间维度”对于我们分析发文时间很有帮助。结果如下表所示：
从中可以看到，其中有些广告性的一篇软文会在不同日期出现很多次，这是为了达到一定的营销转化目的，我们在分析时仅保留最初的一篇。
分析的顺序是这样的：先分析文章质量最佳的和最差的，然后再分析一般性的文章所具有的特点。
聚类分析在运营中的延伸应用
1．细分市场
聚类分析是细分市场的有效工具，可以帮我们在做市场/运营战略决策时找到新的、可行的潜在市场。通过市场调研，我们可以获取本公司和主要竞争者是品牌方面的“第一提及知名度”、“提示前知名度”和“提示后知名度”等指标值，将这些作为聚类分析的变量，将本公司和潜在对手的产品或品牌进行划分。在聚类以后，结合每一产品/品牌的多维度属性研究，可以发现哪些属性组合目前还没有融入所要进行的产品/品牌中，从而找到公司在市场中的机会，不至于身处竞争激烈的市场“红海”中。
2.用户画像
聚类分析可以用来发现不同的用户群体，并且通过消费者的人口统计学特征、社会属性和消费属性来刻画出不同的用户群体的特征，也就是对不同的用户群体进行“用户画像”分析。我们在网站上、APP上获取了大量的用户数据后，通过分组聚类出具有相似浏览行为的用户，并分析用户的共同特征，可以更好的帮助我们了解自身的产品/服务所面向的顾客，以便我们能及时做出适销对路的产品/服务，或是及时的产品/服务优化。
结语
通过这个实际案例，大家应该能领略到聚类分析的魅力了吧。但是，运营喵要说的是，聚类分析方法只是“术”，是工具而已，重要的是对运营事务的深刻理解，以及一整套的数据分析流程（也可以称之为“数据分析方法论”）。根据上面的实际案例，运营喵认为数据分析的整个流程应该是这个样子的：
