研究背景
某电商平台想根据用户的消费行为将客户分成不同的群体，以便制定差异化营销策略。收集了 15 名用户在两个维度上的数据：月均消费金额（百元）和月均登录次数。
研究问题
能否根据消费行为将客户分为若干群体？各群体有什么特征？
数据说明
15 名用户的月均消费金额和月均登录次数。数据已标准化。
分析步骤
步骤 1：为什么用聚类分析
聚类分析是无监督学习方法——不需要预先定义类别标签。它根据数据点之间的相似性自动将样本分组。K-means 是最常用的聚类算法。
提示：聚类前建议对数据做标准化（Z-score），避免量纲差异影响结果。
步骤 2：用肘部法选择 k
肘部法绘制不同 k 值对应的 WCSS（组内平方和）。WCSS 随 k 增加而下降，但在"真正的"簇数处会出现明显拐点（肘部）。本案例 k=3 处有明显拐点。
步骤 3：解读聚类结果
三簇分别对应：低消费低频（簇1）、高消费高频（簇2）、高消费低频（簇3）。可据此制定差异化策略：对簇2重点维护，对簇3推送促销活动提升频次。
结果解读
结论
K-means 聚类将 15 名用户分为 3 群，各群样本数均为 5。簇间差异明显，WCSS 较低，说明聚类效果良好。
为什么这样解读？
聚类分析的结果解读需要结合业务背景。统计上的"好聚类"不一定有商业价值。同时，K-means 对初始质心敏感（本工具使用 K-means++ 缓解），且假设簇是球形的。
如何在论文中报告
采用 K-means 聚类分析对用户消费行为进行分群。肘部法确定最优聚类数为 3。聚类结果显示，簇 1（n=5）为低消费低频用户，簇 2（n=5）为高消费高频用户，簇 3（n=5）为高消费低频用户。总 WCSS = XX。
常见错误
不做标准化就直接聚类
如果变量量纲不同（如金额 vs 次数），大方差的变量会主导聚类结果。必须先做 Z-score 标准化。
只看 WCSS 选 k
WCSS 总是随 k 增加而下降。应结合肘部图、业务意义和轮廓系数综合判断。
认为聚类结果是"客观真理"
聚类是探索性分析，不同算法/初始化可能得到不同结果。应多次运行、交叉验证，并结合领域知识解读。