在 CDA（Certified Data Analyst）数据分析师的工作中，“无监督样本分组” 是高频需求 —— 例如 “将用户按行为特征分为高价值、潜力、一般用户”“将商品按销售表现归类为爆款、平销、滞销品”。这类问题缺乏明确标签（如无 “用户等级” 标注），而聚类分析（Clustering Analysis） 正是核心解决方案：它通过衡量样本间的相似性（如距离），将特征相似的样本自动归为一类，实现 “从无标签数据中挖掘潜在分组规律”。本文聚焦 CDA 分析师如何运用聚类分析解决业务问题，覆盖核心认知、实操流程、全流程案例与误区规避，助力从 “数据聚合” 到 “精准运营” 的落地转化。

一、核心认知：聚类分析的本质与 CDA 分析师的核心价值

（一）聚类分析的本质：无监督相似性分组

聚类分析是一种无监督学习算法，核心目标是 “基于样本特征的相似性，将无标签数据自动划分为若干个互不重叠的簇（Cluster）”，簇内样本相似度高，簇间样本相似度低。其核心逻辑可概括为：

1. 定义相似性：通过距离指标（如欧氏距离、曼哈顿距离）衡量样本间的相似性，距离越小相似度越高；

2. 簇划分规则：按预设算法（如 K-Means 的中心迭代、层次聚类的树状合并）将样本分配到不同簇中；

3. 业务映射：将抽象的簇转化为可理解的业务分组（如 “簇 1 = 高消费高活跃用户”）。

其核心优势在于无监督发现：无需提前标注标签，可从原始数据中挖掘潜在分组规律，适合探索性数据分析（如 “未知用户分层结构”“商品隐性分类”）。

（二）CDA 分析师与普通聚类使用者的核心差异

普通使用者常止步于 “跑出簇标签、输出分组结果”，而 CDA 分析师的价值体现在 “业务 - 数据 - 聚类 - 策略” 的闭环，两者差异显著：

（三）CDA 分析师的核心角色：从 “样本聚合者” 到 “业务分层设计者”

CDA 分析师在聚类分析中的价值，不是 “机械划分簇”，而是：

1. 业务问题转化者：将 “用户运营缺乏针对性” 的痛点，转化为 “用聚类分析按行为特征分层，支撑精准运营” 的解决方案；

2. 数据质量把控者：聚类前处理数据（如标准化消除量纲、剔除异常值避免簇偏移），确保聚类结果可靠；

3. 簇特征解读师：分析每个簇的核心特征（如 “簇 1 消费金额均值高、复购频次高”），将抽象簇定义为业务分组（如 “核心用户”）；

4. 策略落地者：基于簇的特征差异制定运营策略（如核心用户专属服务、潜力用户转化激励）。

二、CDA 分析师必备：主流聚类算法实操与场景适配

聚类算法多样，CDA 分析师需根据数据特征（如样本量、密度分布）与业务需求选择适配算法，核心掌握K-Means 聚类（最常用）、层次聚类（可视化强）、密度聚类（DBSCAN）（抗异常值）三类。

（一）K-Means 聚类：高效球形簇分组

K-Means 是最经典的聚类算法，核心是 “迭代优化簇中心，使簇内样本到中心的距离和最小”，适用于样本量大、簇呈球形分布的场景（如用户行为分层、商品销量聚类）。

1. 核心逻辑与关键步骤

1. 预设簇数 K；

2. 随机初始化 K 个簇中心；

3. 计算每个样本到簇中心的距离，分配至最近簇；

4. 重新计算各簇中心（样本均值）；

5. 重复 3-4 步，直至簇中心稳定（收敛）。

2. 代码示例与结果解读（电商用户分层）

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

from sklearn.preprocessing import StandardScaler

from sklearn.cluster import KMeans

from sklearn.metrics import silhouette_score

plt.rcParams['font.sans-serif'] = ['SimHei']

# 1. 数据加载与预处理

# 数据：电商用户行为特征（消费金额、复购频次、浏览次数、访问时长）

df = pd.read_csv("电商用户行为数据.csv")

X = df.drop("用户ID", axis=1)

user_ids = df["用户ID"]  # 保留用户ID用于后续关联

# 1.1 异常值处理（3σ原则）

def remove_outliers(data, col):

   mean = data[col].mean()

   std = data[col].std()

   return data[(data[col] >= mean - 3*std) & (data[col] <= mean + 3*std)]

for col in X.columns:

   X = remove_outliers(X, col)

# 1.2 标准化（K-Means对量纲敏感，必做步骤）

scaler = StandardScaler()

X_scaled = scaler.fit_transform(X)

X_scaled_df = pd.DataFrame(X_scaled, columns=X.columns)

# 2. 确定最佳簇数K（肘部法则+轮廓系数）

# 2.1 肘部法则（看簇内平方和拐点）

inertia = []

k_range = range(2, 10)  # 测试K=2到9

for k in k_range:

   kmeans = KMeans(n_clusters=k, random_state=42)

   kmeans.fit(X_scaled)

   inertia.append(kmeans.inertia_)  # 簇内平方和

# 可视化肘部法则

plt.figure(figsize=(10, 5))

plt.plot(k_range, inertia, marker="o", linewidth=2, color="#1f77b4")

plt.axvline(x=4, color="red", linestyle="--", label="K=4（肘部拐点）")

plt.title("K-Means肘部法则（确定最佳簇数K）")

plt.xlabel("簇数K")

plt.ylabel("簇内平方和（Inertia）")

plt.legend()

plt.grid(alpha=0.3)

plt.show()

# 2.2 轮廓系数（评估聚类效果，越接近1越好）

sil_scores = []

for k in k_range:

   kmeans = KMeans(n_clusters=k, random_state=42)

   clusters = kmeans.fit_predict(X_scaled)

   sil_score = silhouette_score(X_scaled, clusters)

   sil_scores.append(sil_score)

# 可视化轮廓系数

plt.figure(figsize=(10, 5))

plt.plot(k_range, sil_scores, marker="o", linewidth=2, color="#ff7f0e")

plt.axvline(x=4, color="red", linestyle="--", label="K=4（轮廓系数较高）")

plt.title("K-Means轮廓系数（评估聚类效果）")

plt.xlabel("簇数K")

plt.ylabel("轮廓系数（Silhouette Score）")

plt.legend()

plt.grid(alpha=0.3)

plt.show()

# 3. 确定最佳K=4，执行K-Means聚类

best_k = 4

kmeans = KMeans(n_clusters=best_k, random_state=42)

clusters = kmeans.fit_predict(X_scaled)

# 4. 聚类结果分析

# 合并簇标签与原始数据

df_result = pd.DataFrame({

   "用户ID": user_ids.iloc[X.index],  # 对齐预处理后的样本

   "消费金额": X["消费金额"].values,

   "复购频次": X["复购频次"].values,

   "浏览次数": X["浏览次数"].values,

   "访问时长": X["访问时长"].values,

   "簇标签": clusters

})

# 分析各簇核心特征

cluster_analysis = df_result.groupby("簇标签").agg({

   "消费金额": "mean",

   "复购频次": "mean",

   "浏览次数": "mean",

   "访问时长": "mean"

}).round(2)

print("=== K-Means聚类结果（K=4） ===")

print(cluster_analysis)

print(f"n轮廓系数：{silhouette_score(X_scaled, clusters):.3f}（≥0.5说明聚类效果良好）")

# 5. 可视化聚类结果（消费金额vs复购频次）

plt.figure(figsize=(10, 6))

scatter = plt.scatter(

   df_result["消费金额"],

   df_result["复购频次"],

   c=df_result["簇标签"],

   cmap="Set2",

   alpha=0.7,

   s=60

)

plt.colorbar(scatter, label="簇标签")

plt.xlabel("消费金额（元）")

plt.ylabel("复购频次（次/月）")

plt.title("电商用户K-Means聚类结果（消费金额vs复购频次）")

plt.grid(alpha=0.3)

# 标注簇中心

cluster_centers = scaler.inverse_transform(kmeans.cluster_centers_)  # 反标准化回原始尺度

for i, center in enumerate(cluster_centers):

   plt.scatter(center[0], center[1], marker="*", s=200, color="red", label=f"簇{i}中心")

plt.legend()

plt.show()

结果解读

• 最佳簇数 K=4，轮廓系数 = 0.62（良好），聚类效果可靠；

• 簇特征定义：

  • 簇 0：消费金额高（890 元）、复购频次高（12 次）→ 核心用户；

  • 簇 1：消费金额低（120 元）、浏览次数高（58 次）→ 潜力用户；

  • 簇 2：消费金额高（750 元）、复购频次低（3 次）→ 流失风险用户；

  • 簇 3：消费金额低（80 元）、浏览次数低（15 次）→ 一般用户。

（二）层次聚类：树状可视化簇合并过程

层次聚类通过 “自下而上合并（凝聚式）” 或 “自上而下拆分（分裂式）” 构建簇的树状结构，适用于样本量小、需可视化簇关系的场景（如客户细分研究、商品分类探索）。

1. 核心优势与适用场景

• 无需预设簇数，可通过树状图（Dendrogram）直观选择簇数；

• 适合分析簇间层级关系（如 “核心用户” 包含 “高消费高活跃” 和 “高消费低活跃” 子簇）；

• 缺点：样本量大时计算效率低（时间复杂度 O (n³)）。

2. 代码示例（商品分类）

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

from scipy.cluster.hierarchy import dendrogram, linkage, fcluster

from sklearn.preprocessing import StandardScaler

plt.rcParams['font.sans-serif'] = ['SimHei']

# 1. 数据加载与预处理（商品销售数据：销量、毛利率、库存周转率）

df = pd.read_csv("商品销售数据.csv")

X = df.drop("商品ID", axis=1)

X_scaled = StandardScaler().fit_transform(X)

# 2. 执行层次聚类（凝聚式，欧氏距离+Ward链接法）

linkage_matrix = linkage(X_scaled, method="ward", metric="euclidean")  # Ward法最小化簇内方差

# 3. 可视化树状图

plt.figure(figsize=(12, 6))

dendrogram(

   linkage_matrix,

   labels=df["商品ID"].values,

   leaf_rotation=90,

   leaf_font_size=8,

   color_threshold=10  # 颜色阈值，辅助划分簇

)

plt.axhline(y=10, color="red", linestyle="--", label="簇数划分阈值")

plt.title("商品层次聚类树状图")

plt.xlabel("商品ID")

plt.ylabel("簇间距离")

plt.legend()

plt.tight_layout()

plt.show()

# 4. 根据树状图确定簇数K=3，提取簇标签

best_k = 3

clusters = fcluster(linkage_matrix, t=10, criterion="distance")  # 按距离阈值划分

# 5. 结果分析

df_result = pd.concat([df, pd.DataFrame({"簇标签": clusters-1})], axis=1)  # 簇标签从0开始

cluster_analysis = df_result.groupby("簇标签").agg({

   "销量": "mean",

   "毛利率": "mean",

   "库存周转率": "mean"

}).round(2)

print("=== 层次聚类结果（K=3） ===")

print(cluster_analysis)

结果解读

• 树状图显示，按距离阈值 10 可将商品分为 3 簇：

  • 簇 0：高销量（1200 件）、高毛利率（35%）→ 爆款商品；

  • 簇 1：中销量（500 件）、中毛利率（25%）→ 平销商品；

  • 簇 2：低销量（100 件）、低毛利率（15%）→ 滞销商品。

（三）密度聚类（DBSCAN）：非球形簇与抗异常值分组

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）基于 “样本密度” 聚类，核心是 “将密度足够高的区域划分为簇，低密度区域为异常值”，适用于非球形簇、含异常值的场景（如用户行为轨迹聚类、异常交易识别）。

1. 核心参数与优势

• 核心参数：ε（邻域半径）、min_samples（邻域内最小样本数）；

• 优势：无需预设簇数，自动识别异常值，适配任意形状簇；

• 缺点：对 ε 和 min_samples 敏感，高维数据效果较差。

2. 代码示例（异常交易识别）

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

from sklearn.preprocessing import StandardScaler

from sklearn.cluster import DBSCAN

plt.rcParams['font.sans-serif'] = ['SimHei']

# 1. 数据加载与预处理（交易数据：交易金额、交易频率、异地交易占比）

df = pd.read_csv("交易数据.csv")

X = df.drop("交易ID", axis=1)

X_scaled = StandardScaler().fit_transform(X)

# 2. 确定DBSCAN参数（ε=0.5，min_samples=5，可通过K距离图优化）

dbscan = DBSCAN(eps=0.5, min_samples=5, metric="euclidean")

clusters = dbscan.fit_predict(X_scaled)

# 3. 结果分析（-1表示异常值）

df_result = pd.concat([df, pd.DataFrame({"簇标签": clusters})], axis=1)

normal_count = sum(clusters != -1)

outlier_count = sum(clusters == -1)

print("=== DBSCAN聚类结果 ===")

print(f"正常交易簇数：{len(set(clusters))-1}（-1为异常值）")

print(f"正常交易数：{normal_count}，异常交易数：{outlier_count}")

print(f"异常交易占比：{outlier_count/len(clusters)*100:.2f}%")

# 分析正常簇特征

normal_clusters = df_result[df_result["簇标签"] != -1]

cluster_analysis = normal_clusters.groupby("簇标签").agg({

   "交易金额": "mean",

   "交易频率": "mean",

   "异地交易占比": "mean"

}).round(2)

print("n正常交易簇特征：")

print(cluster_analysis)

# 4. 可视化结果（交易金额vs异地交易占比）

plt.figure(figsize=(10, 6))

# 正常簇

for cluster in set(clusters):

   if cluster != -1:

       data = df_result[df_result["簇标签"] == cluster]

       plt.scatter(

           data["交易金额"],

           data["异地交易占比"],

           label=f"簇{cluster}",

           alpha=0.7,

           s=60

       )

# 异常值（红色×）

outliers = df_result[df_result["簇标签"] == -1]

plt.scatter(

   outliers["交易金额"],

   outliers["异地交易占比"],

   color="red",

   marker="x",

   s=100,

   label="异常交易"

)

plt.xlabel("交易金额（元）")

plt.ylabel("异地交易占比（%）")

plt.title("DBSCAN交易聚类结果（红色×为异常交易）")

plt.legend()

plt.grid(alpha=0.3)

plt.show()

结果解读

• DBSCAN 自动识别出 2 个正常交易簇和 15% 的异常交易；

• 异常交易特征：交易金额极高（均值 5000 元）、异地交易占比 100%，需重点排查欺诈风险；

• 正常簇 1：低金额（500 元）、低异地占比（10%）→ 日常消费交易；

• 正常簇 2：中金额（2000 元）、中异地占比（30%）→ 出差消费交易。

三、CDA 分析师聚类分析全流程实战：电商用户精准分层运营

（一）业务背景

某电商平台拥有 10 万用户，用户行为特征分散，运营策略缺乏针对性，需通过聚类分析按 “消费能力、互动活跃度、留存潜力” 分层，制定差异化运营方案，提升用户留存与 GMV。

（二）全流程实操

1. 数据预处理

• 特征选择：消费金额、复购频次、浏览次数、访问时长、收藏次数（5 个核心行为特征）；

• 异常值处理：3σ 原则剔除极端值（如消费金额 > 10000 元）；

• 标准化：StandardScaler 处理，确保量纲一致。

2. 聚类算法选择与最佳簇数确定

• 选择 K-Means（样本量大，簇呈球形分布）；

• 肘部法则与轮廓系数确定最佳簇数 K=4。

3. 聚类结果与业务解读（核心代码）

# 1. 执行K-Means聚类（K=4）

kmeans = KMeans(n_clusters=4, random_state=42)

clusters = kmeans.fit_predict(X_scaled)

# 2. 簇特征详细分析

df_result = pd.DataFrame({

   "用户ID": df["用户ID"],

   "消费金额": df["消费金额"],

   "复购频次": df["复购频次"],

   "浏览次数": df["浏览次数"],

   "访问时长": df["访问时长"],

   "收藏次数": df["收藏次数"],

   "簇标签": clusters

})

# 计算各簇关键指标

cluster_metrics = df_result.groupby("簇标签").agg({

   "用户ID": "count",

   "消费金额": ["mean", "median"],

   "复购频次": "mean",

   "浏览次数": "mean"

}).round(2)

cluster_metrics.columns = ["用户数", "平均消费金额", "中位数消费金额", "平均复购频次", "平均浏览次数"]

cluster_metrics["用户占比"] = (cluster_metrics["用户数"] / cluster_metrics["用户数"].sum() * 100).round(2)

print("=== 电商用户分层详细结果 ===")

print(cluster_metrics)

# 3. 簇业务命名与特征总结

cluster_names = {

   0: "核心用户（高消费+高复购+高互动）",

   1: "潜力用户（低消费+高互动+高潜力）",

   2: "流失风险用户（高消费+低互动+低复购）",

   3: "一般用户（低消费+低互动+低潜力）"

}

print("n=== 簇业务解读 ===")

for cluster, name in cluster_names.items():

   metrics = cluster_metrics.loc[cluster]

   print(f"- {name}：用户占比{metrics['用户占比']}%，平均消费{metrics['平均消费金额']:.0f}元，平均复购{metrics['平均复购频次']:.1f}次；")

# 4. 可视化分层结果（消费金额vs浏览次数）

plt.figure(figsize=(12, 6))

colors = ["#ff9999", "#66b3ff", "#99ff99", "#ffcc99"]

for cluster in range(4):

   data = df_result[df_result["簇标签"] == cluster]

   plt.scatter(

       data["消费金额"],

       data["浏览次数"],

       color=colors[cluster],

       label=cluster_names[cluster],

       alpha=0.7,

       s=50

   )

plt.xlabel("消费金额（元）")

plt.ylabel("浏览次数（次/月）")

plt.title("电商用户K-Means分层结果")

plt.legend(bbox_to_anchor=(1.05, 1), loc="upper left")

plt.grid(alpha=0.3)

plt.tight_layout()

plt.show()

# 5. 分层运营策略落地

print("n=== 分层运营策略 ===")

print("1. 核心用户（簇0）：")

print("   - 专属权益：VIP客服、新品优先购、满减券（满1000减200）；")

print("   - 运营目标：提升留存率，促进交叉消费；")

print("2. 潜力用户（簇1）：")

print("   - 激励策略：新人优惠券（满200减50）、个性化商品推荐；")

print("   - 运营目标：提升消费转化率，培养复购习惯；")

print("3. 流失风险用户（簇2）：")

print("   - 召回策略：定向推送召回短信、专属回归福利（满500减100）；")

print("   - 运营目标：激活互动活跃度，提升复购频次；")

print("4. 一般用户（簇3）：")

print("   - 基础运营：低成本签到奖励、大众化商品推送；")

print("   - 运营目标：维持基础粘性，筛选潜力用户。")

（三）实战效果

• 分层精准度：轮廓系数 = 0.65，各簇特征差异显著，用户分层准确率较传统人工划分提升 35%；

• 业务价值：落地策略后，核心用户留存率提升 18%，潜力用户消费转化率提升 12%，流失风险用户召回率提升 25%，整体 GMV 增长 15%。

四、CDA 分析师常见误区与规避策略

（一）误区 1：未标准化数据，量纲干扰聚类结果

表现：“消费金额（万元）” 与 “浏览次数（次）” 未标准化，K-Means 聚类时消费金额主导距离计算，导致簇划分失真；

规避策略：

• 所有数值特征必须标准化（StandardScaler）或归一化（MinMaxScaler），消除量纲影响；

• 聚类前验证：各特征均值≈0、方差≈1，确保距离计算公平。

（二）误区 2：盲目指定簇数，忽视统计指标与业务需求

表现：固定 K=3 进行 K-Means 聚类，未用肘部法则 / 轮廓系数验证，导致簇内特征重叠（如核心用户与潜力用户混为一簇）；

规避策略：

• 结合统计指标（肘部法则找拐点、轮廓系数最大化）与业务需求（如按 “拉新、促活、留存” 目标分 3-5 簇）确定最佳簇数；

• 拒绝 “拍脑袋” 定簇数，确保簇划分既有统计意义，又符合运营场景。

（三）误区 3：忽视异常值，导致簇中心偏移

表现：原始数据含极端异常值（如消费金额 = 10 万元），未剔除直接聚类，导致簇中心向异常值偏移，正常样本分组混乱；

规避策略：

• 聚类前必做异常值处理：用 3σ 原则、箱线图剔除极端值，或用中位数替换；

• 若需保留异常值，优先选择 DBSCAN（自动识别异常值），避免异常值干扰簇划分。

（四）误区 4：聚类算法选择不当，适配性差

表现：对非球形簇数据（如用户行为轨迹的不规则分布）用 K-Means，导致聚类效果差；对大样本数据用层次聚类，导致计算超时；

规避策略：

• 按数据特征选择算法：

  • 大样本 + 球形簇→ K-Means；

  • 小样本 + 需层级可视化→ 层次聚类；

  • 非球形簇 + 含异常值→ DBSCAN；

• 小样本预测试：先对部分数据测试不同算法，选择效果最优者。

（五）误区 5：仅输出簇标签，无业务解读与落地

表现：聚类后仅得到 “用户分为 4 簇”，未分析簇特征，也未制定运营策略，导致聚类结果无业务价值；

规避策略：

• 簇解读三步法：

1. 计算各簇核心指标（均值、中位数、占比）；

2. 结合业务逻辑命名簇（如 “核心用户”“潜力用户”）；

3. 针对簇特征制定差异化策略（如核心用户专属服务、潜力用户转化激励）；

• 确保每一步都紧扣业务目标，避免 “为聚类而聚类”。

五、结语

对 CDA 数据分析师而言，聚类分析不仅是 “无监督样本分组工具”，更是 “精准业务运营的基础”—— 它能从海量无标签数据中挖掘潜在分组规律，让运营策略从 “一刀切” 升级为 “千人千面”。

在数据驱动的时代，CDA 分析师需避免 “只懂技术不懂业务”，始终以 “业务价值” 为核心：用数据预处理确保聚类可靠，用科学指标确定最佳簇数，用业务逻辑解读簇特征，用差异化策略落地聚类结果。无论是电商用户分层、金融客户风险分级，还是零售商品分类，聚类分析都能以 “无监督发现 + 精准适配” 成为 CDA 分析师的核心利器，这正是其作为经典无监督学习算法的永恒价值。

若需进一步落地应用，我可以帮你整理一份CDA 聚类分析实操手册，包含不同业务场景（用户分层、商品分类、异常识别）的算法选择、代码模板、簇数确定方法与运营策略，方便你直接复用。

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0