現如今越來越多的使用者偏愛線上交易，越來越少的人會選擇去銀行網點咨詢，銀行業要如何精準營銷呢？相比傳統的問卷調查，大資料金融科技可以更好地為銀行賦能。
為進一步精準、快速分析使用者行為習慣、客戶畫像應運而生，本文就為大家闡述客戶畫像是如何生成的。
客戶資訊千千萬，在生成客戶畫像前，需要了解業務方向與重心，例如，某行想知道零售客戶群的分布情況，以及客戶标簽。故本文就以客戶資産、投資偏好、風險承受能力三方面收集了近千條資料。
采用經典機器學習算法——聚類算法來生成客戶畫像，由于聚類算法是無監督模型，資料品質直接決定分群結果的好壞，這裡收集到的資料大部分經過處理。
目标
1.利用聚類算法，得到合理的分群客戶。
2.對聚類中心進行解釋，生成客戶标簽。
3.闡述測試樣本如何分群。
資料源
本文用到的資料已經同步到kaggle資料集中，并将字段說明與結果一同上傳了。
https://www.kaggle.com/yuzijuan/customer-clust開始
環境與工具
Rstudio、openxlsx、fpc、cluster、Nbclust
調庫及資料清洗
讀取資料，由于資料類型大部分是連續性，故選擇kmeans聚類算法，選取連續性字段，剔除掉僅有一個值的變量、剔除掉ID、年月等資訊，查詢資料分布，發現資料品質較好，可以用于建立數學模型。
建立聚類模型
因為kmeans算法是根據距離求得相似性，故要消除源資料的量綱，這裡用scale()将源資料進行Z變化，得到一系列均值為0，方差為1的正态分布。再對每一列資料求和，驗證是否變化完畢。如果源資料有取值僅為一值或者嚴重偏态的資料，驗證便不會通過。
這種結果表示驗證通過，列求和的資料位于0左右。如果出現下面的情況，則表明前面資料處理有僅有一值的資料，需要處理這樣的資料。
距離的計算公式有很多，這裡給出常見的幾種連續性和離散型計算方式。本文全篇的計算方式均為歐式距離。
聚類的思想較為簡單，難點在于要确定初始聚類中心和類别數。如果想自定義初始聚類中心，可先通過采樣，用層次法對樣本聚類，可以預估k-means的k值和簇中心，以這些k值和簇中心，作為大樣本的初始點。對于K值的選取，R中有一個很棒的包，叫NbClust，提供了三十種評價評價名額，用于選擇K值，包括聚合優度、輪廓系數以及CCC檢驗。執行代碼如下。
通過結果可以看出，在評價名額中有6個選擇分為2類，有5個選擇分為3類，有6個選擇分為5類。由于奧卡姆剃刀原理存在，系統推薦是分為2類，而基于業務角度思考，分為5類最為可靠。故後續我們将聚類類别分為5類。
由分類分布可知，2類和5類是一樣多的票數。
再由kmeans()進行聚類。給定聚類中心為5個，最大疊代20次。算得聚類優度為0.39，給定聚類中心為2個時算得聚類優度為0.13，再次證明選擇5類效果更好。
生成聚類結果
通過cluster.km$cluster可知各個樣本的類别，再求得各個類别的均值，以及各類均值與總均值之比，可以看出各個類别的差異，以便給客戶打标簽。代碼如下最後将聚類得分儲存為clus_profile2.csv檔案中。
通過clusplot()可以看前兩個成分下的二維聚類效果圖，從圖中可以看出，聚類結果較好。因為較為明顯地将客戶分開。
後續我又用kmedios中心聚類，又将資料聚為5類，效果不如kmeans,聚類圖如下。
可以看出，中心聚類下，資料有大量重疊的，而均值聚類，較好區分各個類别。
解讀聚類結果
聚類算法相比于其他機器學習算法，其實還是很簡單的，而聚類的難點就是需要使結果具有可解讀性，也就是為客戶打标簽的過程。本文借助了銀行對個人理财産品的風險承受能力評估等級，從低到高分别：A1(保守型)、A2(穩健型)、A3(平衡型)、A4(進取型)、A5(激進型)；将得分超過100分（即比總體分布均值大）的标為紅色，将得分低于65（即不達總體分布均值的65%）的标為綠色。可以看出區分程度較好。具體解讀結果如下。
以第三類舉例，可以看出，第三類客戶在資産餘額、總權益餘額、近6月資産均值、近6月總權益均值的比分上均遠遠大于均值，并且客戶愛購買債券、沒有投資股票、基金、理财、貴金屬、交易較為頻繁且金額較大，基于這個特點，我給這類客戶定義為高資産、穩中求進、投資意願高而投資方向上，很可能屬于年長多金愛存款的類别，風險承受為平衡型。當然，打标簽是一個很好玩的過程，本文主要給大家介紹如何解讀，至于解讀得好不好，就仁者見仁智者見智。
測試新樣本
最後，我簡單計算了一下，如果進來新樣本是如何計算類别的，由于本文僅1000條資料，沒有新樣本，故我将訓練樣本選擇了200條作為新樣本，納入模型計算距離并得到類别數。代碼如下。
得到的測試結果展示如下。
與原來的聚類結果相比發現并不是百分百聚類正确。不足5%的會聚類錯誤，在可允許範圍内。
最後如果要給上司看，那麼就要學會在解讀結果方面下文章，給上司講講故事，一個好的客戶畫像不僅需要使結果具有可解讀性，更要能夠清晰展現客戶特點，以便後續精準營銷。
結語
本案例不足之處在于：
1.樣本量不算充裕，可能導緻在聚類結果上有一定的偏差。
2.本文未對離散型資料如何處理進行闡述。因為本案例中沒有離散型資料。
原文釋出時間為：2018-08-01
本文作者：餘子娟
本文來自雲栖社群合作夥伴“
CDA資料分析師”，了解相關資訊可以關注“
”