现如今越来越多的用户偏爱线上交易，越来越少的人会选择去银行网点咨询，银行业要如何精准营销呢？相比传统的问卷调查，大数据金融科技可以更好地为银行赋能。
为进一步精准、快速分析用户行为习惯、客户画像应运而生，本文就为大家阐述客户画像是如何生成的。
客户信息千千万，在生成客户画像前，需要了解业务方向与重心，例如，某行想知道零售客户群的分布情况，以及客户标签。故本文就以客户资产、投资偏好、风险承受能力三方面收集了近千条数据。
采用经典机器学习算法——聚类算法来生成客户画像，由于聚类算法是无监督模型，数据质量直接决定分群结果的好坏，这里收集到的数据大部分经过处理。
目标
1.利用聚类算法，得到合理的分群客户。
2.对聚类中心进行解释，生成客户标签。
3.阐述测试样本如何分群。
数据源
本文用到的数据已经同步到kaggle数据集中，并将字段说明与结果一同上传了。
https://www.kaggle.com/yuzijuan/customer-clust
开始
环境与工具
Rstudio、openxlsx、fpc、cluster、Nbclust
调库及数据清洗
读取数据，由于数据类型大部分是连续性，故选择kmeans聚类算法，选取连续性字段，剔除掉仅有一个值的变量、剔除掉ID、年月等信息，查询数据分布，发现数据质量较好，可以用于建立数学模型。
建立聚类模型
因为kmeans算法是根据距离求得相似性，故要消除源数据的量纲，这里用scale()将源数据进行Z变化，得到一系列均值为0，方差为1的正态分布。再对每一列数据求和，验证是否变化完毕。如果源数据有取值仅为一值或者严重偏态的数据，验证便不会通过。
这种结果表示验证通过，列求和的数据位于0左右。如果出现下面的情况，则表明前面数据处理有仅有一值的数据，需要处理这样的数据。
距离的计算公式有很多，这里给出常见的几种连续性和离散型计算方式。本文全篇的计算方式均为欧式距离。
聚类的思想较为简单，难点在于要确定初始聚类中心和类别数。如果想自定义初始聚类中心，可先通过采样，用层次法对样本聚类，可以预估k-means的k值和簇中心，以这些k值和簇中心，作为大样本的初始点。对于K值的选取，R中有一个很棒的包，叫NbClust，提供了三十种评价评价指标，用于选择K值，包括聚合优度、轮廓系数以及CCC检验。执行代码如下。
通过结果可以看出，在评价指标中有6个选择分为2类，有5个选择分为3类，有6个选择分为5类。由于奥卡姆剃刀原理存在，系统推荐是分为2类，而基于业务角度思考，分为5类最为可靠。故后续我们将聚类类别分为5类。
由分类分布可知，2类和5类是一样多的票数。
再由kmeans()进行聚类。给定聚类中心为5个，最大迭代20次。算得聚类优度为0.39，给定聚类中心为2个时算得聚类优度为0.13，再次证明选择5类效果更好。
生成聚类结果
通过cluster.km$cluster可知各个样本的类别，再求得各个类别的均值，以及各类均值与总均值之比，可以看出各个类别的差异，以便给客户打标签。代码如下最后将聚类得分保存为clus_profile2.csv文件中。
通过clusplot()可以看前两个成分下的二维聚类效果图，从图中可以看出，聚类结果较好。因为较为明显地将客户分开。
后续我又用kmedios中心聚类，又将数据聚为5类，效果不如kmeans,聚类图如下。
可以看出，中心聚类下，数据有大量重叠的，而均值聚类，较好区分各个类别。
解读聚类结果
聚类算法相比于其他机器学习算法，其实还是很简单的，而聚类的难点就是需要使结果具有可解读性，也就是为客户打标签的过程。本文借助了银行对个人理财产品的风险承受能力评估等级，从低到高分别：A1(保守型)、A2(稳健型)、A3(平衡型)、A4(进取型)、A5(激进型)；将得分超过100分（即比总体分布均值大）的标为红色，将得分低于65（即不达总体分布均值的65%）的标为绿色。可以看出区分程度较好。具体解读结果如下。
以第三类举例，可以看出，第三类客户在资产余额、总权益余额、近6月资产均值、近6月总权益均值的比分上均远远大于均值，并且客户爱购买债券、没有投资股票、基金、理财、贵金属、交易较为频繁且金额较大，基于这个特点，我给这类客户定义为高资产、稳中求进、投资意愿高而投资方向上，很可能属于年长多金爱存款的类别，风险承受为平衡型。当然，打标签是一个很好玩的过程，本文主要给大家介绍如何解读，至于解读得好不好，就仁者见仁智者见智。
测试新样本
最后，我简单计算了一下，如果进来新样本是如何计算类别的，由于本文仅1000条数据，没有新样本，故我将训练样本选择了200条作为新样本，纳入模型计算距离并得到类别数。代码如下。
得到的测试结果展示如下。
与原来的聚类结果相比发现并不是百分百聚类正确。不足5%的会聚类错误，在可允许范围内。
最后如果要给领导看，那么就要学会在解读结果方面下文章，给领导讲讲故事，一个好的客户画像不仅需要使结果具有可解读性，更要能够清晰展现客户特点，以便后续精准营销。
结语
本案例不足之处在于：
1.样本量不算充裕，可能导致在聚类结果上有一定的偏差。
2.本文未对离散型数据如何处理进行阐述。因为本案例中没有离散型数据。
原文发布时间为：2018-08-01
本文作者：余子娟
本文来自云栖社区合作伙伴“ CDA数据分析师”，了解相关信息可以关注“ CDA数据分析师”
