写这篇文章的主要目的是，想说明数据挖掘在运营、营销中的巨大作用。

最近在和一家做在线转账产品的公司合作，看到该公司对数据的运营相对来说还是比较表面的，拿到数据拉一下表格，做一下横纵对比就完事了。这种做法无论是在电商公司、运营企业，还是在传统企业其实也是非常普遍的，但是也是非常容易产生误差，甚至是错误的指导作用。

特别是偶然间看到一个专注做营运培训和指导的公众号上，发表过一份关于微信公众号数据分析的文章，里面采用的也是一样将一堆数据直接作为分析样本来做横纵对比，这时候我就更加确定，如果想要做好数据分析，一定的统计学和数学知识是必须的，只有具备了完善的知识，才能真正知道如何避免数据陷阱，别忘了，数据在告诉你真相的时候，也是会撒谎的。

Ok，今天这个案例主要是来讲一讲聚类分析的巨大作用，这是一个聚类分析让付费转化率提升8倍的案例。

一、案例背景：

A公司推出了一款在线转账的产品，用户通过该产品在线转账时交易费用比普通的网银要便宜。在经过一段时间的测试性运营之后，企业积累了一定数量的、使用该产品的付费用户，现在产品运营团队需要基于该批实际使用的付费用户数据，来分析找出有价值的特定群体，进而通过精细化运营提升付费用户的数量。

但是由于该产品上线时间很短，业务方面并不清楚付费用户的特点，另外，前期运营阶段并没有做专门的定向推广，所以常规的分类模型并不适合当前的业务场景。

因此，在这种情况下，对客户群体做聚类分析是十分必要的，它能够帮你锁定特征明显的目标群体，让你能够精细化运营促进付费用户的有效增长。

二、基本的数据摸底：

业务方根据业务逻辑和经验，整理出了15个能够反应用户特征的字段，包日均活跃量、总体流量、pv、在线时间等维度。

为了保证聚类效果的真实可靠，这里首先先对部分异常值做删除处理。同时，做聚类分析的时候，参与聚类的变量不能过多，因此，根据业务的需求以及重要性的测量，这里就选择了3个变量参与聚类，其余的变量可以在聚类完成后做群体描述的时候添加进来，在进行群体特征的分析。

三、聚类后的初步分析：

在做了多次的聚类探索之后，可以得到下列表格数据：

可以看到，上述的样本被分为8个群体，整体的R-Square为0.75534，说明群体间的差异性比较明显。但是考虑到部分群体内的样本数量太少，在实际应用中可以忽略不计，所以上述聚类结论中比较有代表性的群体为：

第7组，聚类样本中该组共有192个用户，占样本总量的30%，这组的RMSSTD为0.436632，loginfreq为148.92，tp index均值为11.34，均值为8133.23；

第3组，共有51个用户，占样本总量的8%，该组的RMSSTD为0.495173，loginfreq均值为138.17，tp index均值为8028.51。这组与第七组中的各项指标非常类似，是可以作为优质群体合并的。

再来看第5组，共有304个样本，占样本总量的47%，RMSSTD为0.258068，loginfreq均值为21.32，tp index均值为2.56，pv均值为1808.43.

上述3组共占样本总量的85%，具有很强的代表性。

四、将分析结果与业务结合深度分析

在上述分析的基础上，又增加了其他3组变量来做特征描述，包括俱乐部指数、消耗记录、会员身份，就得到了5类典型的付费群体。通过分析，选择其中的2个群体特征指标做目标用户的圈定，并进行具体的精细化运营：

群体A：占样本数量的15%，主要特征为：全部是企业俱乐部用户，全部有在线交易历史，俱乐部年限小于4年，登陆次数大于110次，pv量大于10000，绝大部分有消耗记录；

群体B：占样本总量的10%，主要特征是：全部是个人俱乐部用户，全部有在线交易历史，俱乐部年限小于2年，登陆次数大于100次，并且俱乐部指数小于80.。

五、落地运营成果：

根据上述2个特征，就可以从全部样本数据中提出去满足上述特征的20000个潜在用户，并进行了为期1周的定向在线运营，通过3轮营销推广活的（不同渠道、不同文案），产生了以下的运营成果：

在为期一周的定向运营活动里，这20000名目标受众总1358名用户转化为付费用户，付费转化率为6.79%，与前期无特定的即时通讯工具运营的付费转化率不足1%相比，可以看到这次运营获得的效率得到明显的提升。

Ps:准备了一个聚类分析银行理财产品的案例，这个案例通过聚类深度分析各个群体的特征，实行精准化营销，最终3个月获得1.4亿销售额，平均客单价为600元。