对于大多数人来说，很难直接从原始数据中获取他们需要的信息。机器学习可以将无序的数据转化为有用的信息。聚类是一种无监督的机器学习技术，它将相似的对象分组到同一个聚类中。聚类2A 结合了两种最流行的聚类算法 K-means 和 DBSCAN，以帮助您发现数据中有趣的模式。
例如，聚类2A 可以基于客户消费行为执行聚类分析，并为客户细分提供结果。客户细分是利用特定特征来识别和组织客户。这些特征可以是人口统计，行为/心理特征和地理位置。客户细分可以识别客户并提供适合他们需求的产品和服务。这种个性化将为您提供竞争优势，提高客户转化率和品牌忠诚度。
K-means 模型:
K-means 算法要求指定聚类的数量。其主要目标是在大量高维数据中找到有代表性的数据点 (称为质心)，然后为每个数据点分配到最近的质心。
DBSCAN 模型:
与 K-means 不同，DBSCAN 不需要指定要生成的聚类数。DBSCAN 算法基于密度处理数据点，主要是将特征空间中足够密集的点划分为同一聚类，并且可以识别不属于任何聚类的离群值，这非常适合检测离群值。
增长数据类型:
您可以选择 12 个周期、24 个周期、36 个周期的时间序列数据进行分析。
最常用的数据是月材料采购价格、月产品销售额、月客户采购量和公司年营业收入。
例如，您可以根据VIP客户的每月购买数据执行聚类分析。聚类2A 将自动计算每个客户的购买增长率、购买波动率和每单位波动率的增长率，并提出聚类建议。
特征数据类型:
您可以选择 2 到 10 个特征进行分析。
最常用的特征如下: 人口统计: 例如，年龄、性别、收入、教育程度、国籍和家庭人数。行为/心理: 例如，消费方式 (RFM模型) 和性格类型 (DISC模型)。地理: 例如，国家、地区和城市。统计/财务: 例如，平均值、标准差、夏普比率、β、α 和 R平方。
例如，您可以根据客户的三个购买特征 RFM (Recency, Frequency, Monetary) 执行聚类分析。