📊 聚类分析可视化演示

通过交互式演示理解 K-Means 聚类算法原理，探索电商用户分群应用

📚 聚类分析知识要点

🛒 电商聚类分析应用场景

  • 用户分群：根据消费金额、频次、偏好将用户分为高价值用户、普通用户、流失风险用户
  • RFM分析：基于最近购买(R)、频次(F)、金额(M)对用户分层，精准营销
  • 商品聚类：发现相似商品，优化推荐系统和关联销售
  • 价格敏感度：识别价格敏感型/品质优先型用户，差异化定价
  • 地域市场细分：根据地区消费特征聚类，区域化运营

🔬 聚类方法对比

方法 特点 适用场景
K-Means 简单高效，需预设K 大规模数值数据
层次聚类 生成树状图，无需预设K 小规模数据
DBSCAN 发现任意形状，自动识别噪声 异常检测
K-Modes 处理分类变量 用户标签聚类

⚙️ K-Means 算法流程

  • Step 1：确定聚类数 K，随机选择 K 个初始质心
  • Step 2：计算每个样本到各质心的距离，分配到最近的簇
  • Step 3：重新计算每个簇的质心（均值）
  • Step 4：重复步骤2-3，直到质心不再变化或达到最大迭代次数
⚠️ 重点关注： K值选择（肘部法则/轮廓系数）、数据标准化、初始质心敏感（K-Means++）、异常值处理

🖱️ 点击画布添加数据点，然后点击"运行"观察聚类过程

簇 1
簇 2
簇 3
簇 4
簇 5
簇 6