標籤: clustering

K-Means Clustering in Machine Learning

周進華

核心主張

本文作者旨在介紹非監督式學習中的 K-Means 聚類演算法，並闡述其工作原理、應用場景及主要限制，進而引入 DBSCAN 與 HDBSCAN 等密度聚類方法，以克服 K-Means 在處理複雜資料結構時的不足，尤其推薦 HDBSCAN 作為更為穩健的解決方案。

文章摘要

本文首先介紹非監督式學習（Unsupervised Learning）的概念，指出其在無標籤資料中尋找隱藏結構的核心任務，而分群（Clustering）是其中最關鍵的問題。接著，文章深入探討 K-Means 分群演算法，這是一種透過重複迭代過程，將未標籤資料分組為不同集群（clusters）的方法。文中說明 K-Means 需預先指定集群的數量 k 值，並依據資料點與集群中心（centroids）的距離（如歐幾里得距離）進行分組。文章也介紹了選擇最佳 k 值常用的「肘部法則」（Elbow method），該方法透過計算集群內平方和（WCSS）的變化趨勢來判斷。K-Means 廣泛應用於各類資料分割任務，如顧客區隔和詐欺偵測。然而，作者也警示 K-Means 的局限性，例如對初始值敏感、難以處理非球形或密度不均的集群。為此，文章引入了密度分群演算法 DBSCAN，其優勢在於能發現任意形狀的集群且不需預設 k 值，並能識別雜訊點，但缺點是包含兩個超參數且難以處理密度不均的資料。最終，作者推薦 HDBSCAN，指出它能處理密度變化的集群，且在參數設定上更加簡化與穩健，建議在資料分析中優先嘗試 HDBSCAN。

機器學習中的 K-Means 分群及其進階應用

在當今數據驅動的時代，機器學習（Machine Learning）已成為我們理解市場、預測行為和制定策略的關鍵工具。機器學習大致可分為監督式學習（Supervised Learning）、非監督式學習（Unsupervised Learning）和強化學習（Reinforcement Learning）等類型。今天，我們將深入探討 K-Means 方法，它屬於非監督式學習的一個重要分支。

什麼是非監督式學習？

在許多模式識別問題中，我們擁有的訓練資料往往只是一組輸入向量 x，卻沒有對應的目標值或標籤。這意味著學習演算法必須自行在這些無標籤的資料中尋找內在結構。在非監督式學習中，分群（Clustering）可以說是最重要的問題之一。它的核心目標是從大量無標籤資料中發現隱藏的模式或群組。由於模型是「自學習」的，它在某些方面比監督式學習更為複雜，因為它必須從零開始構建知識。非監督式學習旨在創建資料點子集或群組，使同一個群組內的資料點彼此高度相似（同質性高），而不同群組之間的資料點則具有顯著差異（異質性高）。

【行銷洞察與應用】
在行銷領域，非監督式學習的價值體現在其「發現」能力。例如，當一家公司希望了解其顧客基礎，但沒有預先定義的顧客類別（如「高價值顧客」或「流失顧客」）時，非監督式學習就能派上用場。透過分析顧客的交易記錄、瀏覽行為等數據，演算法可以自動辨識出具有相似特徵的顧客群體，從而幫助行銷人員發掘潛在的市場區隔，並為這些區隔設計量身定制的行銷策略。

K-Means 分群演算法

K-Means 是一種非監督式學習演算法，其主要目的便是將無標籤的資料集分組為不同的集群（clusters）或子集。它透過重複的迭代過程，為預設的 k 個中心點（centroids）找到最佳位置，並將每個資料點分配給離它最近的 k 個中心點之一，進而形成各個集群。

那麼，這個分群過程是如何進行的呢？
模型的執行者需要指定一個超參數 k，它代表我們希望將資料分成多少個集群。所有的資料點都將根據它們與這些指定集群中心的距離來進行聚類。值得注意的是，k 的值是由研究者或分析人員自行決定的。這種在決定集群數量時採用的方法，屬於非階層式分群（non-hierarchical clustering）。

【如何計算距離？】
在 K-Means 中，距離是衡量資料點相似性的關鍵。常用的距離度量方法包括：

  • 閔可夫斯基距離 (Minkowski Distance)
  • 曼哈頓距離 (Manhattan City-Block Distance)
  • 歐幾里得距離 (Euclidean Distance)：這是最常用的一種，想像兩點之間直線的長度。
  • 馬氏距離 (Mahalanobis Distance)

【如何選擇 k 值？】
選擇一個合適的 k 值對於 K-Means 的分群效果至關重要。雖然沒有單一方法被證明是絕對最優的，但「肘部法則」（Elbow method）是最受歡迎且廣泛採用的技術。

肘部法則利用「簇內平方和」(WCSS, Within Clusters Sum of Squares) 來評估不同 k 值下的分群效果。WCSS 計算每個集群中，所有資料點到其集群中心距離的平方和，然後將所有集群的這些平方和加總。其公式如下：

WCSS =

ΣPi ∈ Cluster1 distance(Pi, C1)2 + ΣPi ∈ Cluster2 distance(Pi, C2)2 + ΣPi ∈ Cluster3 distance(Pi, C3)2

其中，ΣPi ∈ Cluster1 distance(Pi, C1)2 表示簇 1 中每個資料點 Pi 到其簇中心 C1 距離的平方和，其餘項的意義亦相同。

當我們繪製 k 值與 WCSS 值的關係圖時，通常會看到隨著 k 值增加，WCSS 會逐漸減少，因為分成的集群越多，每個簇的內部會越緊密。然而，減少的速度會逐漸放緩，圖形會呈現出一個類似手臂彎曲的「肘部」。這個彎曲最明顯的點，通常被視為最佳的 k 值，因為在該點之後，增加 k 值所帶來的 WCSS 減少效益不再顯著。例如，原文圖示中，若肘部出現在 k=4 的位置，則建議選擇 4 個集群。

【K-Means 演算法的逐步實施】

  1. 步驟一： 決定要生成的簇的數量 k。
  2. 步驟二： 隨機選擇 k 個資料點作為初始的簇中心點。
  3. 步驟三： 對於每個資料點，計算其與這 k 個集群中心的距離。
  4. 步驟四： 將每個資料點分配給離它最近的簇中心所代表的集群。
  5. 步驟五： 根據步驟四中形成的簇，重新計算每個集群的中心點（通常是集群內所有資料點的平均值）。
  6. 步驟六： 重複步驟三至步驟五，直到集群中心點不再發生顯著移動，或達到預設的迭代次數。最終選擇集群內總變異數最小的聚類結果。

請記住：同一個集群內的資料點應高度同質，而不同集群之間的資料點應高度異質。

【K-Means 的應用場景】

K-Means 演算法廣泛應用於任何需要「分割」的領域。例如：

  • 文件分類 (Document Classification)：將大量文件根據內容主題自動分組。
  • 顧客區隔 (Customer Segmentation)：根據顧客的購買行為、人口統計資料等將顧客分成不同群體。
  • 詐欺偵測 (Fraud Detection)：識別異常交易模式，將其歸類為潛在的詐欺行為。
  • 影像辨識 (Image Recognition)：例如將影像中的相似像素分組。

【行銷策略與 K-Means 應用】
在行銷中，K-Means 最直接的應用就是「顧客區隔」。透過 K-Means，企業可以將龐大的顧客群體劃分為幾個有意義的子群體。例如：

  • 高價值顧客：消費頻率高、客單價高的顧客。
  • 潛力顧客：過去消費不高但近期活躍度增加的顧客。
  • 流失風險顧客：近期活躍度下降的顧客。
    對於這些不同區隔，行銷團隊可以制定高度個人化的溝通訊息、產品推薦和促銷活動。例如，針對高價值顧客提供獨家優惠和 VIP 服務；針對流失風險顧客則推出挽回活動。這不僅能提升行銷效率，也能改善顧客體驗，增強顧客忠誠度。

K-Means 的局限性與進階解決方案

儘管 K-Means 易於理解和實施，但它並非萬能。原文特別提到兩個重要警示：

  1. 「如果你缺乏業務知識，請不要過度依賴此方法。」 這強調了領域專業知識的重要性。僅憑演算法結果而無商業判斷，可能導致對顧客群體的誤讀或無意義的區隔。
  2. 「即使提供了正確的簇數量，K-Means 仍可能無法將資料分組為有用的集群。」 這指出 K-Means 在處理某些複雜資料結構時的內在弱點。它傾向於形成球形或類似大小的簇，對離群值敏感，且難以處理密度不均或任意形狀的簇。

那麼，在這種情況下我們該怎麼辦呢？這時候就需要考慮使用更進階的分群演算法，例如 HDBSCAN。

為了理解 HDBSCAN，我們首先要認識 DBSCAN。

DBSCAN：基於密度的聚類演算法

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一種基於密度的演算法，它假設集群是資料空間中高密度區域，這些高密度區域被低密度區域分隔開來。DBSCAN 有兩個核心參數：

  • ε (epsilon)：鄰域半徑，定義一個點周圍的「鄰域」範圍。
  • n (min_samples)：一個點要被視為核心點，其 ε 鄰域內所需的最少點數。

其工作原理大致如下：

  1. 從一個未訪問的點開始，檢查其 ε 鄰域內有多少個點。
  2. 如果點數大於等於 n，則此點被視為「核心點」（core point），並以此點為中心開始形成一個新的集群。所有其鄰域內的點（包括其他核心點和邊界點）都被納入此簇。
  3. 繼續擴展此簇，將所有從核心點直接可達的點（包括這些點自身是核心點）都包含進來，直到無法再擴展為止。
  4. 無法從任何核心點直接或間接到達的點，則被視為「離群值」（outliers）或「雜訊點」（noise points）。
  5. 重複上述過程，直到所有點都被訪問過。

DBSCAN 的優勢：

  • 能夠發現任意形狀的簇：不像 K-Means 只能找球形集群。
  • 無需預先指定簇的數量 k：這是它相對於 K-Means 的一大優勢。
  • 具有雜訊概念，對離群值具穩健性：能自動識別並將雜訊點排除在集群之外。

DBSCAN 的缺點：

  • 包含兩個超參數：ε 和 n 的選擇對結果影響很大，需要仔細調整。
  • 難以有效處理密度變化的簇：如果資料集中的集群密度差異很大，DBSCAN 可能難以處理。
  • 如果資料和尺度不被充分理解，選擇有意義的距離閾值 ε 可能很困難。

HDBSCAN：克服密度變化的進階方法

HDBSCAN 是一種較新的演算法，由開發 DBSCAN 原始論文的部分研究人員所開發。他們的目標是讓演算法能夠處理密度變化的集群。最終，他們找到了一種方法，克服了 K-Means 和 DBSCAN 的缺點。

HDBSCAN 採用了一種基於密度的方法，對集群做出了較少的隱式假設。因此，它能夠處理不同密度的簇。好消息是，我們不再需要只設定兩個參數，而是能夠以更直觀或更少手動調整的方式來達到分群目的（原文暗示其參數設定可能更為簡化或更具彈性）。HDBSCAN 不僅僅是尋找具有特定形狀的集群，而是尋找資料中比周圍空間更密集的區域。

【行銷洞察與進階應用】
在一些複雜的行銷場景中，顧客的行為模式可能不會形成整齊劃一的球形分佈，甚至不同區隔的顧客密度也可能不同。例如，某個「早期採用者」群體的數量可能較少，但他們彼此之間高度互動，形成一個高密度的小簇；而另一個「價格敏感型」顧客群體可能數量龐大，但分佈較為分散，密度較低。K-Means 和傳統 DBSCAN 在這種情況下可能表現不佳。

HDBSCAN 的優勢在於它能自動偵測這些密度變化的集群，找出那些在局部區域內比周圍更密集的分群。這對於識別「利基市場」（niche markets）、分析社群網路中的「意見領袖群體」，或是偵測複雜的「詐欺團夥」等，都具有極高的應用價值。透過 HDBSCAN，我們可以發現更多細緻且具有商業價值的顧客群體，從而制定更精準、更有效的行銷策略。

原文明確建議：「在你的資料中，請始終優先嘗試 HDBSCAN。」 這是一個值得採納的實用建議，因為它在處理多樣性資料方面提供了更高的穩健性和靈活性。

總結比較

特徵K-MeansDBSCANHDBSCAN
學習類型非監督式學習非監督式學習非監督式學習
需預設 k 值是否否
集群的形狀傾向於球形或凸形可發現任意形狀可發現任意形狀
處理密度變化困難，傾向於均勻密度困難，傾向於均勻密度擅長處理密度變化的集群
處理離群值敏感，會將離群值歸入某個集群穩健，可識別為雜訊點穩健，可識別為雜訊點
參數數量1 個 (k)2 個 ( ε , min_samples)參數調整更簡化/穩健 (原文未提供具體參數數量)
初始值敏感性敏感不敏感不敏感

從 K-Means 到 DBSCAN 再到 HDBSCAN，我們看到非監督式分群演算法在不斷演進，以應對日益複雜的資料結構和業務需求。K-Means 是一個很好的入門工具，但其簡潔性也帶來了局限性。當你的資料不符合 K-Means 的假設（例如，集群的形狀不規則或密度差異大）時，基於密度的演算法，特別是 HDBSCAN，就成為了更優的選擇。

在實際應用中，選擇哪種演算法並非一概而論。關鍵在於：

  1. 深入理解你的資料：資料的特性（分佈、密度、有無離群值）決定了哪種演算法更適合。
  2. 明確你的業務目標：你希望從聚類中獲得什麼樣的洞察？這些洞察如何轉化為可執行的行銷策略？
  3. 批判性思維：不要盲目相信演算法的輸出，始終將結果與業務背景結合起來進行驗證和解釋。

原始文章：

N. Dinçer (2021). K-Means Clustering in Machine Learning. Medium. https://nihandincer.medium.com/k-means-clustering-in-machine-learning-b825050258d8

機器學習中的 K-Means 與密度分群演算法

周進華

K-Means 分群在行銷策略中的應用

核心主張
本文旨在介紹K-Means聚類作為一種基礎的非監督式學習演算法，闡述其運作原理與應用，同時指出其限制並引薦更進階、能處理複雜數據結構的密度式聚類演算法如DBSCAN與HDBSCAN。

文章摘要
這篇文章深入探討了機器學習中的非監督式學習方法，特別聚焦於K-Means聚類演算法。非監督式學習的核心在於從無標籤數據中發掘潛在結構，而分群是此類問題中的關鍵環節。K-Means作為一種非監督式學習技術，透過迭代過程將數據點分組到由「k」個預設質心定義的簇群中，確保集群內部數據點相似（同質性高），而不同集群之間則保持差異（異質性高）。文中詳述了K-Means的運作步驟，包括如何利用「肘部法則」（Elbow method）並參考集群內平方和（WCSS-within cluster sum square）來決定最佳的「k」值。儘管K-Means廣泛應用於客戶區隔、文件分類等分割任務，但文章也明確指出其在處理任意形狀或密度變化的集群時的局限性。為彌補這些不足，作者引入了DBSCAN和HDBSCAN兩種密度式分群演算法，強調DBSCAN能處理任意形狀並識別離群值，而HDBSCAN作為其改良版，更能有效應對不同密度的集群且參數設定更具彈性，並建議在數據分析中優先考慮使用HDBSCAN。

作者論證脈絡

  1. 主張： K-Means是一種基礎的非監督式學習演算法，用於發現無標籤數據中的內部結構並進行分群。
  2. 理由/證據： K-Means透過迭代過程確定最佳的「k」個質心，並根據數據點與質心的距離進行分配，形成內部同質、外部異質的分群；「肘部法則」等技術可協助選擇最佳的「k」值。
  3. 推論： K-Means雖廣泛應用於需要分割的場景（如客戶區隔），但在特定情況下（如不規則形狀或變動密度）表現不佳，這促使了對更進階分群演算法的需求。
  4. 結論： 為克服K-Means的限制，密度式分群演算法DBSCAN和HDBSCAN被開發出來；其中HDBSCAN因其處理變動密度聚類的能力和較少參數的優勢，被建議作為數據分析的首選。

關鍵概念與名詞

  1. Unsupervised Learning (非監督式學習):
    • 中文解釋：一種機器學習範式，用於在不提供預設標籤或目標值的數據集中，尋找隱藏的模式或結構。
    • 文中的角色：為K-Means分群提供基礎的理論框架，定義了其學習的性質。
  2. K-Means Clustering (K-Means分群):
    • 中文解釋：一種基於距離的非監督式分群演算法，旨在將數據集分割成K個預先定義的集群，使同一集群內的數據點彼此相似。
    • 文中的角色：本文的核心主題，被詳細介紹其工作原理、優缺點及應用場景。
  3. Centroid (質心，或重心):
    • 中文解釋：一個集群中所有數據點的平均位置或中心點，K-Means演算法迭代地重新計算和更新它。
    • 文中的角色：作為K-Means分群過程中的核心參考點，數據點依據與質心的距離被分配到特定聚類。
  4. Elbow Method (肘部法則):
    • 中文解釋：一種用於估計K-Means演算法中最佳聚類數量「k」的啟發式方法，透過分析集群內平方和（WCSS）的變化趨勢來識別轉折點。
    • 文中的角色：K-Means中選擇超參數「k」最流行的方法，提供了一個實用的指導原則。
  5. WCSS (Within Clusters Sum of Squares, 集群內平方和):
    • 中文解釋：衡量每個集群內數據點到其質心距離平方和的總和，用於評估集群緊密程度的指標。
    • 文中的角色：肘部法則的計算基礎，數值越小通常表示聚類效果越好。
  6. DBSCAN (Density-Based Spatial Clustering of Applications with Noise, 基於密度的含噪聲應用空間聚類):
    • 中文解釋：一種基於密度的聚類演算法，能識別任意形狀的聚類並將離群點標記為噪聲，不需預先指定聚類數量。
    • 文中的角色：作為K-Means的替代方案被引入，展示了處理不規則形狀分群和離群值的優勢。
  7. HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise, 分層基於密度的含噪聲應用空間聚類):
    • 中文解釋：DBSCAN的改良版，能處理不同密度變化的分群，並提供更靈活的參數設定。
    • 文中的角色：被推薦為最優越的分群演算法，能克服K-Means和DBSCAN的局限，並建議優先嘗試。

行銷應用情境

A. B2C（例如電商/內容行銷/社群）

  • 情境： 電商平台希望根據顧客的消費行為，對其進行精準分群，以便提供個人化的商品推薦和促銷活動。
  • 對應原文觀點： K-Means廣泛應用於「Customer Segmentation」（客戶區隔），原文明確指出這是K-Means的使用場景之一。
  • 可執行動作：
    1. 透過網站行為數據（瀏覽歷史、購買頻率、購買品類等）進行K-Means分群，識別出「高價值活躍顧客」、「價格敏感型顧客」、「新進探索型顧客」等群體。
    2. 針對「高價值活躍顧客」在電子郵件和站內推播中，推薦新品預覽或獨家優惠訊息，並強調尊榮感。
    3. 對於「價格敏感型顧客」，則可在社群媒體廣告或簡訊中發送限時折扣碼，並強調性價比。
  • KPI： 顧客生命週期價值（CLTV）、轉換率（Conversion Rate）、客單價（Average Order Value）。
  • 風險/限制： 若顧客行為模式複雜且密度差異大（例如不同客群的購買習慣差異極大，導致分群形狀不規則），K-Means可能無法有效分群，導致推薦精準度下降，需要考慮使用HDBSCAN等更進階的演算法。

B. B2B（例如線索開發/合作夥伴/ABM）

  • 情境： 軟體即服務（SaaS）公司希望識別潛在客戶（leads）中，具有最高轉換潛力與業務規模的企業群體，以便業務團隊進行優先追蹤與客戶經理的ABM（Account-Based Marketing）策略規劃。
  • 對應原文觀點： K-Means用於「segmentation」（分割），此處可引申為企業級客戶的潛力評估與分群，原文雖未直接提B2B，但「segmentation」是通用原則。
  • 可執行動作：
    1. 收集潛在客戶的數據（如網站互動、公司規模、產業類別、職稱等），利用K-Means將其區分為「高潛力大型企業」、「中等潛力成長型企業」和「低潛力小型企業」等。
    2. 對於「高潛力大型企業」群體，業務團隊應通過LinkedIn InMail或客製化郵件，提供高度個人化的解決方案簡報和專屬的顧問諮詢服務。
    3. 針對「中等潛力成長型企業」，則可透過網絡研討會（webinar）或產業報告，分享行業趨勢和SaaS解決方案的成功案例，引導其深入了解產品。
  • KPI： 行銷合格線索率（MQL Rate）、銷售合格線索率（SQL Rate）、客戶獲取成本（CAC）。
  • 風險/限制： K-Means需要預先確定「k」值，若公司對潛在客戶的自然分佈缺乏足夠的業務知識或先驗理解，選擇不當的「k」值可能導致分群結果失真，無法有效區分出真正的潛力群體。

C. 公益或ESG（例如募款/企業合作/倡議）

  • 情境： 一個環境保護非營利組織希望根據捐款者的捐款歷史和互動模式，對他們進行分群，以便發送更具共鳴的募款訊息或活動邀請，提升捐款留存率和長期參與度。
  • 對應原文觀點： K-Means用於「segmentation」（分割），此處延伸應用於非營利組織的捐款者管理和參與度提升。原文未提供足夠資訊證明K-Means能完全應用於公益或ESG，但「segmentation」的基礎應用仍適用。
  • 可執行動作：
    1. 運用捐款數據（捐款頻率、捐款金額、參與活動記錄等）進行K-Means聚類，將捐款者分為「忠實高額捐款者」、「偶爾參與者」、「新進小額捐款者」等群體。
    2. 對於「忠實高額捐款者」，組織可透過感謝信函、年度影響力報告或小型專屬活動邀請，深化其對組織使命的認同感。
    3. 針對「新進小額捐款者」，則可在社交媒體上發布組織近期活動的成功故事或志工招募資訊，鼓勵其持續關注和參與。
  • KPI： 捐款留存率（Donor Retention Rate）、捐款頻率（Donation Frequency）、志工參與率（Volunteer Engagement Rate）。
  • 風險/限制： 原文提及K-Means可能無法有效處理任意形狀的數據分佈，若捐款者的行為模式呈現高度分散或多樣性，K-Means的分群結果可能無法捕捉到所有有意義的細微差別，導致部分捐款者被歸類到不恰當的群體，影響訊息的相關性。

可驗證的結論 vs 推測

原文可直接支持的結論延伸推測
1. K-Means是一種非監督式學習演算法，用於將無標籤數據分組到多個同質的集群中，且需要人為指定集群數量「k」。1. 透過精準的K-Means客戶分群，企業可能能更有效地分配行銷預算，聚焦於高潛力客戶群，從而提升整體行銷投資報酬率（ROI）。
2. 「肘部法則」是K-Means中選擇最佳分群數量「k」的流行方法，它透過最小化集群內平方和（WCSS）來尋找最佳拐點。2. 在實際應用中，將K-Means或其他分群演算法與其他監督式學習模型結合使用（例如先分群再為每個群體建立預測模型），可能會產生更精準的個性化推薦或預測分析結果。
3. 當K-Means無法有效處理具有任意形狀或不同密度變化的分群時，HDBSCAN是更優越的替代方案，並且原文建議優先考慮使用HDBSCAN。 

(本文由AI進行中文翻譯和重點整理，並延伸行銷應用情境)

原始文章：

N. Dinçer (2021). K-Means Clustering in Machine Learning. Medium. https://nihandincer.medium.com/k-means-clustering-in-machine-learning-b825050258d8

Medium精選-How AI Finds Hidden Patterns: A Beginner’s Guide to Clustering and Dimensionality Reduction

周進華

從數據迷霧中掘金：分群與降維技術在行銷策略的深度應用與洞察

前言：數據洪流下的行銷挑戰

在當今數位化的時代，企業每天都面臨著海量的客戶數據、交易數據、行為數據乃至社群媒體數據的衝擊。這些數據如同汪洋大海，蘊藏著無窮的潛力，但也常讓人感到無所適從。傳統的數據分析方法在面對高維度、複雜且非結構化的數據時，往往顯得力不從心。行銷人員迫切需要一種能夠從「數據迷霧」中辨識出「黃金」，將看似無序的數據轉化為有意義的行銷洞察與可執行策略的工具。本文將探討如何在龐雜的數據中抽絲剝繭，發掘深藏的模式，進而為行銷決策提供關鍵洞見

機器學習(非監督式學習)中的兩種核心技術——分群分析 (Clustering Analysis) 和 降維技術 (Dimensionality Reduction)，正是解決這一挑戰的關鍵。它們能幫助我們理解數據的內在結構，簡化複雜性，並揭示隱藏在表面之下的模式，從而為精準行銷、產品開發與客戶關係管理提供強大的支援。本文將深入探討這兩種技術的原理、在行銷領域的應用價值，並提出獨到的行銷洞察與批判性思考，旨在提升各位對數據驅動行銷的理解。

一、數據迷霧中的羅盤：分群與降維技術概述

要駕馭數據洪流，我們首先需要了解兩種工具：分群與降維。Medium 文章提供了入門級的解釋，現在我們將其提升至更具學術性與應用性的層次。

A. 分群分析 (Clustering Analysis)：揭示數據的自然分群

核心概念： 分群分析是一種無監督學習 (Unsupervised Learning) 技術，其目標是在沒有預先標籤的情況下，將數據點根據其相似性自動分組。簡而言之，它旨在發現數據集中固有的、自然形成的群體或模式。在行銷領域，這些群體往往代表著具有相似特徵、行為或需求的客戶群體。

運作原理： 分群演算法透過定義一個「相似性度量」(Similarity Measure) 或「距離度量」(Distance Metric) 來評估數據點之間的遠近。距離越近，相似度越高。常見的分群演算法包括：

  1. K-Means 分群： 這是最廣泛使用的演算法之一。它透過迭代過程將數據點分配到 K 個預設的集群 (Cluster) 中，使得每個點與其所屬集群的重心 (Centroid) 距離最近。其核心思想是最小化集群內變異性 (Intra-cluster variance)。
    • 學術延伸： K-Means 假定集群是球形的且大小相似，對異常值敏感。選擇 K 值常是挑戰，常用肘部法則 (Elbow Method) 或輪廓係數 (Silhouette Score) 進行評估。
  2. 階層式分群 (Hierarchical Clustering)： 不需預先指定集群的數量，而是建構一個樹狀的「樹狀圖」(Dendrogram)，顯示數據點或集群之間的合併或分裂過程。它可以是凝聚式 (Agglomerative, 從個別點逐步合併) 或分裂式 (Divisive, 從單一集群逐步分裂)。
    • 行銷應用： 適合探索性分析，當我們不確定最佳客戶分群數量時，可以從樹狀圖中觀察不同層次的客戶關係。

行銷洞察： 分群分析將「一視同仁」的行銷轉變為「因材施教」。它不僅告訴我們「誰是誰」，更隱含了「為什麼他們是這樣」。理解這些「為什麼」，是制定差異化行銷策略的基石。

B. 降維技術 (Dimensionality Reduction)：化繁為簡，洞察本質

核心概念： 降維技術的目標是將高維度的數據投影到低維度的空間中，同時盡可能保留數據中最重要的信息（例如：變異性）。這不僅有助於數據可視化，更能減少噪音、加快模型訓練速度，並揭示數據潛在的、更抽象的特徵。

運作原理： 降維技術分為兩大類：

  1. 特徵選擇 (Feature Selection)： 直接從原始特徵中挑選出最具代表性或影響力的子集。
  2. 特徵提取 (Feature Extraction)： 透過數學轉換，將原始特徵組合成新的、更少的「潛在特徵」(Latent Features)。

常見演算法：

  1. 主成分分析 (Principal Component Analysis, PCA)： PCA 是一種線性降維技術，透過正交轉換，將原始數據投影到一組新的坐標軸上，這些新軸稱為「主成分」(Principal Components)。每個主成分都是原始特徵的線性組合，且它們彼此正交，能夠最大化數據的變異性。第一個主成分捕獲最大變異量，第二個捕獲次大變異量，依此類推。
    • 學術延伸： PCA 基於特徵值分解 (Eigenvalue Decomposition) 或奇異值分解 (Singular Value Decomposition, SVD)。它假設數據的關係是線性的，且主要關注變異性。
  2. t-分佈隨機鄰近嵌入 (t-Distributed Stochastic Neighbor Embedding, t-SNE)： 這是一種非線性降維技術，尤其擅長將高維數據可視化到二維或三維空間。它專注於保留數據點之間的局部相似性，讓相似的點在低維空間中仍然靠近，不相似的點則分離。
    • 行銷應用： 對於複雜的客戶行為數據（如瀏覽路徑、互動模式），t-SNE 能在視覺上呈現出客戶群體的精細結構，即便它們的關係不是線性的。

行銷洞察： 降維技術幫助我們從「見樹不見林」的困境中解脫出來，看到數據的「森林」或其背後的「骨架」。它將數十甚至數百個客戶特徵簡化為幾個關鍵維度，讓我們能更直觀地理解客戶本質，並作為後續分析（如分群或預測模型）的更優質輸入。

二、行銷戰場上的利器：理論與實務的結合

理解了分群與降維的基本原理，我們來看看它們如何在行銷實務中發揮巨大的應用價值。

A. 分群分析在行銷的應用價值

  1. 精準客戶細分 (Precise Customer Segmentation)：

    • 應用： 這是分群最經典也最重要的行銷應用。透過客戶的人口統計學資訊、消費行為、瀏覽習慣、互動紀錄等數據進行分群，可以將龐大的客戶群劃分為若干個具有明確特徵和需求的子群體。
    • 實務案例： 電商平台將客戶分為「高價值忠誠客戶」、「價格敏感型客戶」、「潛在流失客戶」、「新進探索客戶」等。銀行根據客戶的交易模式、投資偏好將他們分為「穩健型投資者」、「高風險偏好者」或「基礎服務需求者」。
    • 行銷價值： 針對不同細分市場，行銷人員可以量身定制產品設計、定價策略、溝通訊息、管道選擇和促銷活動。例如，對高價值客戶提供專屬禮遇，對潛在流失客戶發送挽留優惠，對價格敏感型客戶主打性價比產品。這極大地提升了行銷活動的效率和投資報酬率 (ROI)。

  2. 市場購物籃分析 (Market Basket Analysis) 與產品組合優化：

    • 應用： 雖然市場籃子分析本身常用關聯規則(association rule)，但分群可以用來識別購買相似商品組合的客戶群體，或將商品本身根據購買頻次、組合模式進行分群。
    • 實務案例： 超市透過分析客戶購買紀錄，發現購買「尿布」的客戶群體往往也會購買「啤酒」。這提示商家可以將這兩類商品擺放在一起，或對這類客戶進行交叉銷售。
    • 行銷價值： 優化店面貨架佈局、線上推薦系統、設計捆綁銷售方案，以及發現新的產品開發機會。

  3. 內容推薦與個性化 (Content Recommendation & Personalization)：

    • 應用： 根據用戶的瀏覽歷史、點擊偏好、內容互動等數據進行分群，將用戶劃分為不同的內容偏好群體。
    • 實務案例： 串流媒體平台（如 Netflix, YouTube）將用戶分群為「動作片愛好者」、「紀錄片觀看者」、「親子內容消費者」等，並為每個群體推薦相關內容。新聞網站根據用戶閱讀習慣推送個性化新聞。
    • 行銷價值： 提升用戶體驗，增加平台黏性，延長用戶停留時間，並促進內容消費。

B. 降維技術在行銷的應用價值

  1. 問卷數據簡化與洞察 (Survey Data Simplification & Insights)：

    • 應用： 品牌在進行市場調查時，常會設計數十甚至上百個問題來衡量客戶對產品的滿意度、品牌認知或服務體驗。高維度的問卷數據難以直接分析。降維技術（如 PCA）可以將這些問題縮減為幾個核心的「潛在因子」(Latent Factors)。
    • 實務案例： 一份包含 50 個問題的品牌形象調查，透過 PCA 可能會發現，客戶對品牌的認知主要由「創新性」、「可靠性」、「親和力」這三個核心維度構成。
    • 行銷價值： 簡化複雜的問卷結果，幫助行銷人員更清晰地理解客戶的關鍵認知或態度驅動因素，便於溝通和報告，並指導後續的品牌傳播策略。

  2. 複雜客戶行為可視化 (Complex Customer Behavior Visualization)：

    • 應用： 當客戶數據具有數十甚至數百個維度時（例如：網站點擊流、APP 使用路徑、多管道互動行為），我們無法直接在二維或三維空間中進行繪圖。降維技術（特別是 t-SNE）能將這些高維數據投影到低維空間，使得肉眼可以觀察到數據點的分布模式和群體結構。
    • 實務案例： 將數千名客戶在一個月內的數百項互動行為數據（如瀏覽商品 A、點擊廣告 B、加入購物車 C、退貨 D 等）透過 t-SNE 降維到二維平面，可以視覺化地發現客戶群體之間的界限，以及不同行為模式的分群。
    • 行銷價值： 直觀地識別出未曾預料的客戶群體，發現異常行為模式，或驗證現有客戶細分的有效性，為更深層次的數據探索提供視覺引導。

  3. 特徵工程 (Feature Engineering) 與預測模型優化：

    • 應用： 在構建客戶流失預測、銷售預測或廣告點擊率預測等模型時，原始數據中可能包含大量冗餘或相關性極高的特徵。降維技術可以減少特徵數量，避免多重共線性，去除噪音，並提取出更有意義的潛在特徵。
    • 實務案例： 在預測客戶流失的模型中，如果原始數據有 200 個關於客戶互動的特徵，經過 PCA 降維成 20 個主成分，這些主成分可能更有效地捕捉了客戶的活躍度、參與度等關鍵訊息，同時減少了模型的過度擬合(overfitting)風險。
    • 行銷價值： 提升預測模型的準確性和穩定性，從而更精準地識別高風險客戶、預測市場趨勢，並做出更明智的行銷投資決策。

三、數據背後的智慧：行銷洞察與策略分析

超越技術層面，分群與降維的真正價值在於它們能引導我們產生更深層次的行銷洞察，並制定更具競爭力的策略。

A. 精準定位與個性化體驗：從「大眾」到「個人」

透過分群分析，行銷人員不再將客戶視為單一整體，而是理解他們獨特的旅程和偏好。降維技術則幫助我們從複雜的表象中提煉出客戶的核心需求。這種理解使得超個性化 (Hyper-personalization) 成為可能，從而提升客戶忠誠度和滿意度。例如：

  • 廣告投放： 將廣告預算集中投放在對產品最感興趣的目標客群上，而非廣撒網。
  • CRM (客戶關係管理)： 為不同價值的客戶群設計不同的維繫策略和忠誠度計劃。
  • 體驗設計： 根據客戶在低維空間中呈現的行為模式，優化其在網站或App上的互動路徑。

B. 資源優化與投資報酬率提升：將每一分錢花在刀刃上

當我們能精準識別高價值客戶群、潛在流失客戶或對特定產品有興趣的客群時，就能更智慧地分配行銷資源。

  • 預算分配： 將行銷預算優先投入到那些對特定行銷活動響應率最高的客戶群體。
  • 產品開發： 透過對客戶需求的分群分析，發現市場空白或未被滿足的利基市場，從而開發出更具競爭力的產品。
  • 銷售預測： 降維後的數據能輸入更精準的銷售預測模型，幫助企業更好地規劃生產和庫存。

C. 新興市場與潛在需求發掘：洞察趨勢，引領創新

分群分析有時會揭示出市場中以前未曾發現的「新」客戶群體，這些群體可能具有獨特的潛在需求。降維技術則能幫助我們從海量數據中提煉出驅動市場變化的「潛在因子」。

  • 市場機會： 識別出那些不屬於任何既有細分市場，但具有共同特徵的新興消費者群體，可能代表著巨大的藍海市場。
  • 趨勢洞察： 從社群媒體數據或輿情數據中，透過降維技術捕捉關鍵話題和情感趨勢，幫助品牌快速響應市場變化。

D. 產品開發與服務創新：以客戶為中心

理解客戶的核心需求和行為模式，是產品與服務創新的源泉。

  • 迭代優化： 根據不同客戶群對產品特性的偏好分群結果，進行有針對性的產品功能迭代。
  • 服務設計： 為不同客戶細分設計差異化的售前、售中、售後服務流程，提升客戶滿意度。

四、批判性思維與挑戰：從「術」到「道」

儘管分群與降維技術強大，但我們必須以批判性思維審視其局限性與挑戰。

A. 數據品質與偏誤 (Data Quality & Bias)：基礎決定上層建築

重申數據品質的重要性：如果輸入的數據本身存在偏誤 (Bias)、噪音 (Noise) 或缺失 (Missing Values)，那麼無論演算法多麼先進，輸出的結果也會是「垃圾進，垃圾出」(Garbage In, Garbage Out)。

  • 行銷反思： 數據採集過程是否公正？是否存在特定人群的數據缺失？數據是否能真實反映客戶行為，而非僅僅是表面現象？例如，僅僅分析線上行為可能忽略了線下購物習慣的客戶群。演算法本身的選擇也可能引入偏誤，如 K-Means 對非球形集群（例如甜甜圈型、長條形）表現不佳。

B. 模型解釋性與可操作性 (Interpretability & Actionability)：「知道」與「理解」

降維技術會將原始特徵轉換為抽象的「主成分」或「潛在因子」，這些新維度往往難以直觀解釋。分群分析雖然能識別群體，但「為什麼」這些群體形成，以及如何「行動」則需要更深層次的詮釋。

  • 行銷反思： 「我們的客戶被分成了五群，但這五群的意義是什麼？我們應該如何針對他們採取行動？」這是行銷人員最常提出的問題。數據分析師必須具備將複雜的數學模型結果翻譯成業務語言的能力，結合領域知識 (Domain Knowledge) 來賦予洞察以意義，確保結果是「可解釋」且「可操作」的。例如，一個「高忠誠度」的客戶群體，其背後的驅動因素是什麼？是價格敏感度低？是產品滿意度高？還是對品牌有情感連結？

C. 倫理與隱私議題 (Ethics & Privacy)：數據利用的界線

在進行客戶細分和行為分析時，我們必須高度關注數據隱私和倫理問題。過度細緻的數據分析可能引發用戶對於個人數據被過度利用的擔憂，甚至觸犯個資法、GDPR、CCPA 等數據保護法規。

  • 行銷反思： 我們是否在客戶知情同意的前提下收集和使用了數據？分析結果是否會導致對特定群體的歧視？我們是否建立了足夠的數據安全措施？行銷人員應將「負責任的數據使用」視為核心準則，在追求商業利益的同時，保護客戶權益。

D. 人機協作的智慧 (Human-Machine Collaboration)：數據只是起點

AI 技術提供了強大的分析工具，但它並非萬能的。數據分析結果是決策的參考，而不是最終的判斷。人類的創意、直覺、對市場趨勢的敏銳洞察以及倫理判斷，是機器無法替代的。

  • 行銷反思： 數據模型揭示了「是什麼」，但「為什麼」和「該怎麼辦」往往需要人類的智慧來填補。行銷策略的制定是一個結合數據洞察、市場經驗、創意發想和風險評估的綜合過程。數據應作為提升決策品質的輔助，而非取代決策本身。

結論：數據驅動的行銷未來

分群分析與降維技術是機器學習在行銷領域的兩大利器，它們幫助我們從浩瀚的數據中發掘隱藏的模式，簡化複雜性，並為精準行銷和策略制定提供關鍵洞察。從客戶細分到個性化推薦，從問卷簡化到預測模型優化，這些技術正在重塑行銷的面貌。

然而，僅僅掌握技術層面的知識是不夠的，還必須進一步培養批判性思維，理解數據品質的重要性，關注文模型解釋性與行動力，並時刻警惕數據倫理與隱私的挑戰。最終，數據驅動的行銷並非完全由機器主導，而是人機協作的智慧結晶。透過數據的賦能，結合人類的洞察與創意，我們才能真正實現行銷策略的創新與卓越。(本文由周老師選讀與規劃，並由AI輔助生成內容)

原始文章：

Old Noisy Speaker (2025) How AI Finds Hidden Patterns: A Beginner’s Guide to Clustering and Dimensionality Reduction. Medium. https://medium.com/@old.noisy.speaker/how-ai-finds-hidden-patterns-a-beginners-guide-to-clustering-and-dimensionality-reduction-5c22a8b40606

Medium精選-Turn Customer Data Into Cash: Master CLTV, RFM Analysis, and KMeans Clustering in Google Colab

周進華

數據煉金術：CLTV、RFM 分析與 K-Means 聚類在行銷策略中的應用與洞察

在數位化浪潮席捲的今日，顧客數據已成為企業最寶貴的資產之一。然而，擁有數據僅是第一步，如何將其轉化為可操作的行銷洞察與策略，進而提升顧客價值與企業營收，才是真正的挑戰。本文將以一篇實用的技術指南為基礎，深入探討顧客生命週期價值 (CLTV)、RFM (Recency, Frequency, Monetary) 分析與 K-Means 聚類這三大數據分析利器，並結合理論與實務，闡述其在行銷領域的應用價值、提供獨到的行銷洞察，以期提升同學對此主題的理解與批判思維。

第一章：顧客數據分析的基石——理解顧客價值

現代行銷的範式已從產品為中心轉變為顧客為中心。因此，精準地理解並評估每位顧客的價值，成為制定有效行銷策略的前提。

1.1 顧客生命週期價值 (Customer Lifetime Value, CLTV)：長期價值的願景

理論概念： CLTV 衡量的是顧客在其與企業關係的整個生命週期中，預期能為企業帶來的總收益。它不只關心單次的交易利潤，更著眼於顧客的長期價值貢獻。CLTV 的計算方法多元，從簡單的歷史平均法到複雜的預測模型（如概率模型、機器學習模型）皆有。原始文章中採用的是一種簡化的歷史 CLTV 計算，即一段時間內的總消費額乘以利潤率，再加上保留成本的考慮。

行銷應用價值：

  1. 資源配置優化： 高 CLTV 顧客值得投入更多資源進行維繫、升級服務與個人化溝通，因為他們能帶來更高的未來收益。
  2. 顧客獲取成本 (CAC) 評估： 企業可藉由 CLTV 判斷為獲取新顧客所能承受的最高成本。若 CLTV 遠低於 CAC，則需要重新評估獲客策略。
  3. 行銷活動成效衡量： CLTV 可作為衡量行銷活動長期成效的關鍵指標，而非僅僅是短期銷售額。

行銷洞察： CLTV 的真諦在於引導企業將目光從短期的交易導向轉向長期的關係建立。它鼓勵企業投資於顧客關係管理 (CRM)，培養顧客忠誠度，並提供超越產品本身價值的服務。一個高 CLTV 的顧客不僅是購買者，更可能是品牌倡導者 (brand advocate)，透過口碑傳播帶來新顧客。

關於CLTV更多說明，你可以參考這篇文章。

1.2 RFM 分析：描繪顧客近期行為的肖像

理論概念： RFM 是 Recency (最近一次購買)、Frequency (購買頻率) 和 Monetary (購買金額) 的縮寫。這三個維度基於「過去的行為是未來行為的最佳預測因子」這一心理學與統計學假設，透過給予每個顧客在這些維度上的分數，將顧客區分為不同群體。

  • Recency (R)： 顧客最近一次交易距離現在的時間。R 值越小，顧客越「活躍」。
  • Frequency (F)： 顧客在特定時間段內的交易次數。F 值越大，顧客越「忠誠」。
  • Monetary (M)： 顧客在特定時間段內的總消費金額。M 值越大，顧客越「高價值」。

原始文章示範了如何計算這三個指標，並將其轉換為 1-5 分的 RFM 評分。

關於 RFM 更多說明，你可以參考這篇文章。

行銷應用價值：

  1. 即時性的行動策略： RFM 能夠快速識別出不同活躍程度的顧客群體，例如「沉睡顧客」、「新顧客」、「高價值顧客」等。
  2. 精準行銷活動： 根據 RFM 分數，企業可以為不同的顧客群體設計量身定制的行銷訊息與優惠，例如針對高 R 值但 F 值較低的顧客發送「歡迎回購」訊息；對高 F、高 M 但 R 值較低的顧客進行「挽留」活動。
  3. 行銷預算分配： 將預算集中在最有潛力或最需要關注的顧客群體上，提升行銷效益。

行銷洞察： RFM 分析的優勢在於其簡潔性和強大的實用性。它提供了一個「行為快照」，幫助企業理解顧客的當前互動狀態。然而，RFM 僅基於交易數據，未能捕捉顧客的偏好、需求變動或情感連結等非交易性資訊。因此，將其與其他數據（如商品偏好、瀏覽行為）結合，才能獲得更全面的顧客畫像。

第二章：數據聚類的力量——K-Means 演算法

在具備 CLTV 與 RFM 的概念後，如何有效地將這些指標轉化為可管理的顧客區塊，K-Means 聚類分析提供了強大的工具。

2.1 無監督學習在顧客分群的應用

理論概念： K-Means 是一種常見的無監督學習演算法，其目標是將數據點劃分為 k 個群集 (clusters)，使得每個數據點都屬於離其最近的群集的中心（質心）。演算法透過迭代過程，不斷調整群集的質心位置，直至達到收斂。它適用於尋找數據中的「自然」分組。原始文章將 RFM 分數作為 K-Means 的輸入特徵，以識別出不同行為模式的顧客群。

行銷應用價值：

  1. 自動化顧客分群： 相較於人工定義 RFM 分數的閾值，K-Means 能夠客觀地根據數據的內在結構進行分群。
  2. 發現隱藏模式： K-Means 有助於識別出企業可能未曾意識到的顧客群體，為行銷策略帶來新視角。
  3. 提升行銷精準度： 透過 K-Means 聚類，企業能夠創建出更為同質化的顧客區塊，進而實施更精準、更具共鳴的行銷活動。

實務操作與注意事項 (借鑒原始文章的實作)：

  • 特徵縮放 (Feature Scaling)： K-Means 對數據的尺度敏感。原始文章中使用了 StandardScaler 將 RFM 分數標準化，這是非常關鍵的一步，確保各維度對聚類結果的影響力均等。
  • 決定最佳 k 值： 原始文章採用了「手肘法」(Elbow Method) 來判斷最佳的群集數量 k。手肘法透過觀察群集的內平方和 (Within-Cluster Sum of Squares, WCSS) 隨 k 值增加的變化，尋找一個轉折點，該點表示增加更多群集帶來的邊際效益遞減。
  • 結果解釋： 聚類完成後，需分析每個群集的特徵，例如其 RFM 平均分數，賦予其商業意義上的名稱（如「忠誠冠軍」、「潛力新星」、「流失警訊」等）。

行銷洞察： K-Means 聚類為行銷人員提供了一種科學化的方法來理解顧客群體。它超越了簡單的直觀分群，透過演算法的力量，挖掘數據背後的結構。然而，批判性思維提醒我們，K-Means 假設群集的形狀是球形的，且對異常值敏感。此外，選擇 k 值也帶有一定程度的主觀性。因此，在實際應用中，應結合領域知識與多次實驗來驗證聚類結果的穩定性與業務相關性。

第三章：整合與應用——CLTV、RFM 與 K-Means 的協同效應

單獨使用 CLTV、RFM 或 K-Means 都能提供有價值的洞察，但將它們整合起來，才能實現最大化的行銷效益。原始文章成功地將 CLTV 資訊融入到 K-Means 聚類後的 RFM 顧客分群中，進一步豐富了每個區塊的商業意義。

3.1 構建多維度的顧客畫像

透過 K-Means 將顧客分為不同的 RFM 群體後，再為每個群體計算其平均 CLTV。這樣一來，我們不僅知道顧客的近期行為模式（RFM），也知道其長期價值潛力（CLTV）。例如：

  • 高 RFM, 高 CLTV： 這是企業的「超級冠軍顧客」。他們近期活躍，頻繁消費，貢獻大，且未來價值高。
  • 高 RFM, 低 CLTV： 這類顧客近期活躍，但可能購買的是低利潤商品或僅在折扣時消費，長期價值有限。
  • 低 RFM, 高 CLTV： 可能是曾經的「VIP 顧客」，近期不活躍但歷史消費金額高，有很高的挽回潛力。
  • 低 RFM, 低 CLTV： 可能是「沉睡顧客」或「一次性顧客」，挽回成本可能過高，需謹慎投入。

行銷應用價值：

  1. 精細化行銷策略： 針對每個複合型的顧客群體，制定更為精準和個人化的行銷活動。例如，對「高 RFM, 高 CLTV」的顧客提供獨家禮遇和專屬服務；對「低 RFM, 高 CLTV」的顧客則實施高價值的喚回活動。
  2. 優化客戶體驗： 根據顧客的價值和行為模式，提供差異化的客戶服務與產品推薦，提升整體客戶滿意度。
  3. 預測與預防： 監測高價值顧客的 RFM 變化，一旦發現活躍度下降，可立即啟動預防性挽留措施，防止高 CLTV 顧客流失。

行銷洞察： 這種整合策略體現了數據分析的深度和廣度。它提醒我們，顧客價值並非單一維度，而是動態且多面向的。一個僅僅基於 RFM 的分群可能無法區分出「活躍但低利潤」與「活躍且高價值」的顧客；同樣，僅僅基於 CLTV 也無法區分出「近期活躍的高價值」與「歷史高價值但已流失」的顧客。唯有將兩者結合，才能形成最為全面的顧客洞察，並制定出既有效率又高效能的行銷策略。

第四章：行銷策略與實際應用洞察

將數據分析結果轉化為可執行策略，是數據科學在行銷領域的核心價值。

4.1 針對不同顧客群體制定策略

基於上述整合分析，企業可以為每個顧客群體設計量身定制的行銷方案：

  1. 「冠軍顧客」 (Champions / High RFM, High CLTV)：
    • 策略： 維繫、獎勵、深度互動。
    • 具體行動： 提供 VIP 專屬優惠、邀請參與產品開發或試用、尋求口碑推薦、舉辦社群活動，提升品牌忠誠度與情感連結。目標是維持其高活躍度並鼓勵重複購買。
  2. 「忠誠顧客」 (Loyal Customers / High F, High M, moderate R, High CLTV)：
    • 策略： 留存、升級、交叉銷售。
    • 具體行動： 透過定期推播個人化產品推薦、會員點數兌換、提供更高等級的服務選項，鼓勵他們保持活躍並探索更多產品線。
  3. 「潛力新星」 (Potential Loyalist / High R, moderate F, M, potentially High CLTV)：
    • 策略： 培養、引導。
    • 具體行動： 新顧客 onboarding program、首次購買後關懷、引導探索其他產品、提供入門級優惠，幫助他們熟悉產品與服務，提升 F 和 M。
  4. 「流失警訊」 (Customers at Risk / Low R, moderate F, M, potentially High CLTV)：
    • 策略： 挽回、再互動。
    • 具體行動： 透過限定優惠、問卷調查了解流失原因、個人化喚回郵件或簡訊，提供重新激活的誘因。需仔細評估挽回成本與潛在收益。
  5. 「沉睡顧客」 (Hibernating / Low R, Low F, Low M)：
    • 策略： 低成本觸達，若無效則考慮放棄。
    • 具體行動： 批量發送促銷訊息，或透過社群媒體廣告再次觸達。若成本過高或效果不彰，則將資源集中於更有潛力的顧客。

4.2 行銷洞察與趨勢分析

  • 動態行銷而非靜態分群： 顧客行為是動態變化的，RFM 和 CLTV 也應隨時間更新。企業需要建立自動化監控機制，一旦顧客從一個群體轉移到另一個群體，即觸發相應的行銷策略。例如，當一個「冠軍顧客」的 R 值開始下降時，系統應自動觸發挽留活動。
  • 預測性 CLTV 的重要性： 原始文章採用的是歷史 CLTV，這在實務中常作為基礎。然而，更進階的行銷需要預測性 CLTV。透過機器學習模型，結合顧客屬性、行為數據和外部環境因素，預測未來顧客價值，能更早識別高潛力顧客，並在其生命週期早期就進行投資。
  • 多渠道整合的個人化： 顧客數據不僅限於交易。整合來自網站瀏覽、APP 使用、社群互動、客服對話等多元渠道的數據，可以建立更為全面的顧客畫像。基於這些豐富的資訊，行銷活動的個人化程度將大大提升，從產品推薦到內容呈現，都能與顧客的獨特需求和偏好完美契合。
  • 隱私與道德考量： 在進行精細化顧客分群與個人化行銷時，必須高度重視數據隱私保護（如 GDPR, CCPA 等法規）與道德倫理問題。透明地告知顧客數據使用方式、提供選擇權，並確保數據使用的公平性，是維護品牌聲譽和顧客信任的關鍵。

第五章：批判性反思與未來展望

雖然 CLTV、RFM 和 K-Means 提供了強大的分析框架，但作為嚴謹的數據科學使用者，我們也必須對其潛在的局限性進行批判性思考，並展望未來的發展方向。

5.1 該方法的局限性

  1. 數據品質的依賴性： 「垃圾進，垃圾出」(Garbage In, Garbage Out) 的原則在此尤為重要。不準確、不完整或過時的交易數據會嚴重影響 RFM 和 CLTV 的準確性，進而導致錯誤的行銷決策。
  2. RFM 的局限： RFM 主要基於交易歷史，無法捕捉非交易行為（如網站瀏覽、內容互動、客戶服務體驗）或顧客的人口統計學、心理學特徵。這些資訊對於理解顧客需求和偏好至關重要。此外，RFM 對於 B2B 場景的適用性可能需要調整，因為 B2B 交易頻率通常較低，但單筆金額巨大。
  3. CLTV 模型選擇： 原始文章使用的歷史 CLTV 僅反映過去，難以準確預測未來。更先進的概率模型（如 BG/NBD 或 Gamma-Gamma 模型）或機器學習模型雖能提供更好的預測，但其複雜性更高，且對數據量和質量的要求也更嚴格。
  4. K-Means 的限制：
    • 球形群集假設： K-Means 假定群集是球形的且大小相似，這與現實中複雜多變的顧客行為模式可能不符，顧客行為模式可能是非球形的（如甜甜圈、長條形）
    • 對離群值的敏感性： 異常值可能嚴重影響群集質心的位置，導致聚類結果偏差。
    • k 值選擇： 手肘法雖常用，但有時轉折點不明顯，k 值的最終選擇仍需結合業務經驗。
    • 初始質心敏感性： K-Means 的結果可能受初始質心選擇的影響，需多次運行或採用 K-Means++ 等優化方法。

5.2 數據驅動行銷的未來發展

  1. 深度學習與預測分析： 隨著 AI 技術的成熟，深度學習模型將被更廣泛地應用於 CLTV 預測、顧客流失預測、個人化推薦等方面，實現更精準、即時的行銷干預。
  2. 實時數據與行動： 未來行銷將更加側重於實時數據收集與分析。例如，當顧客瀏覽特定商品時，實時觸發個人化折扣或建議，極大縮短數據洞察到行銷行動的時間差。
  3. 歸因模型與 ROI 衡量： 數據分析將更深入地探討不同行銷觸點對顧客決策的影響，透過多點觸發歸因模型，更準確地評估各行銷渠道的投資報酬率 (ROI)。
  4. 體驗經濟與情感分析： 除了交易數據，企業將更加重視顧客體驗數據（如語音、文字、影像數據），透過自然語言處理 (NLP) 和情感分析，理解顧客的情緒和感受，打造更具共鳴的品牌體驗。

結論

原始文章提供了一個極佳的實務入門，展示了如何透過 Google Colab 將 CLTV、RFM 分析與 K-Means 聚類應用於顧客數據，從而「將顧客數據轉化為現金」。作為未來的數位行銷人，我們不僅要掌握這些分析工具的技術細節，更要深入理解其背後的理論基礎、行銷應用價值，並以批判性思維審視其局限性。

數據驅動的行銷，本質上是一門結合科學與藝術的學問。科學性在於嚴謹的數據分析與模型構建，藝術性則在於如何將數據洞察轉化為富有創意且能觸動人心的行銷策略。(本文由周老師選讀與規劃，並由AI輔助生成內容)

原始文章：

Lee, E. (2025) AI Turn Customer Data Into Cash: Master CLTV, RFM Analysis, and KMeans Clustering in Google Colab: Hierarchical Clustering, DBSCAN Clustering, and Silhouette Score/Clustering?. Medium. https://drlee.io/turn-customer-data-into-cash-master-cltv-rfm-analysis-and-kmeans-clustering-in-google-colab-c0b88bafe450

Medium精選-Unlocking Customer Segmentation Insights — Combining RFM Analysis with K-Means Clustering

周進華

好的，同學。這篇文章將帶領大家深入探討如何結合RFM分析與K-Means分群，以提升顧客區隔的精準度與行銷策略的有效性。我們將從理論基礎出發，結合實務操作流程，並加入關鍵的行銷洞察與批判性思考，希望能幫助大家建立紮實的數據驅動行銷思維。

解鎖顧客洞察的鑰匙：RFM分析與K-Means分群的協同應用

在當今競爭激烈的市場環境中，企業若要維持競爭優勢，必須深入理解顧客、提供個人化體驗。顧客區隔（Customer Segmentation）是實現此目標的關鍵策略。本文將探討如何將兩種強大的數據分析工具——RFM分析（Recency, Frequency, Monetary）與K-Means分群（K-Means Clustering）——巧妙結合，以揭示更深層的顧客行為模式，進而制定精準且高效的行銷策略。我們將從理論基礎、應用流程、行銷價值，以及行銷洞察與批判性思考等多個面向進行闡述，旨在為大學生和研究生提供一套完整且具實用性的學習框架。

1. 前言：為何顧客區隔重要？

大規模行銷（Mass Marketing）的時代已漸漸遠去。隨著數據技術的發展和消費者期待的提升，個人化（Personalization）已成為行銷成功的核心。顧客區隔是實現個人化的基石，它允許企業將廣泛的客戶群體劃分為具有相似特徵、需求或行為的小組。這樣做的好處顯而易見：

  • 資源最佳化： 將有限的行銷預算和人力投入到最有價值的顧客群。
  • 行銷精準化： 為不同客群設計量身定制的產品、服務和訊息，提升溝通效率。
  • 顧客滿意度提升： 滿足特定顧客的需求，建立更牢固的顧客關係。
  • 投資報酬率（ROI）最大化： 減少無效的行銷支出，提高轉化率和顧客終身價值（Customer Lifetime Value, CLTV）。

傳統的顧客區隔方法可能基於人口統計學（年齡、性別、收入）、地理位置或心理特徵。然而，這些方法往往難以捕捉到顧客實際的購買行為與潛在價值。這時，RFM分析與K-Means分群的結合，便能提供一個更數據驅動、行為導向的解決方案。

2. RFM分析：顧客價值的量化指標

RFM分析是一種經典的顧客價值評估模型，它利用顧客的近期購買時間 (Recency)、購買頻率 (Frequency) 和消費金額 (Monetary) 三個維度來量化顧客的價值。

  • R (Recency 近期購買時間)： 顧客最近一次購買距離現在的時間。R值越小（即最近購買），表示顧客對品牌或產品的記憶越新，再購的可能性越高。
  • F (Frequency 購買頻率)： 顧客在特定時間段內的購買次數。F值越高，表示顧客越忠誠，越常光顧。
  • M (Monetary 消費金額)： 顧客在特定時間段內的總消費金額。M值越高，表示顧客的消費能力越強，貢獻的營收越多。

RFM的優勢：
RFM的強大之處在於它直接基於交易數據，這些數據通常易於獲取且客觀。通過對R、F、M各自進行評分（例如，將每個維度劃分為5個等級，從1到5分），我們可以將每個顧客歸類到一個三維的RFM分數組合中（例如，5-5-5代表最有價值的顧客，1-1-1代表最可能流失的顧客），從而快速識別出高價值顧客、忠誠顧客、有流失風險的顧客等。

RFM的局限性：
儘管RFM非常有用，但它也有其局限性。單純的RFM分數組合可能會產生過多的區隔（例如5x5x5=125種組合），使得區隔的解釋和行銷策略的制定變得複雜。此外，RFM只是根據這三個維度進行「排序」，並未真正從數據中「發現」自然的顧客群體。這就是K-Meansㄒ可以發揮作用的地方。

關於RFM更多詳細的說明，請參考這篇文章。

3. K-Means分群：發現潛在的顧客群體

K-Means分群是一種常見的非監督式機器學習演算法，用於將資料點劃分為K個預先定義的群集（Cluster），使得每個群集內部的資料點彼此相似，而不同群集之間的資料點則差異較大。其基本原理是：

  1. 初始化： 隨機選擇K個資料點作為初始的群集中心（Centroids）。
  2. 分配： 將每個資料點分配到距離其最近的群集中心所屬的群集。距離通常使用歐幾里得距離或其他距離度量。
  3. 更新： 重新計算每個群集的新中心（通常是該群集所有資料點的平均值）。
  4. 迭代： 重複步驟2和3，直到群集中心不再發生顯著變化，或達到預設的迭代次數。

這個動畫可以幫助你更容易里理解K-Means是如何運作的？

K-Means的優勢：
K-Means的優勢在於其計算效率高、易於理解和實施。它能夠在沒有預先標籤的情況下，從數據中自動發現具有相似特徵的自然群體。

K-Means的局限性：

  • K值的選擇： 需要使用者預先指定群集數量K。選擇不當的K值可能導致次優的分群結果。常用的方法包括肘部法則（Elbow Method）和輪廓係數（Silhouette Score）。
  • 對初始中心的敏感性： 初始群集中心的選擇會影響最終的分群結果，通常會多次運行並選擇最佳結果。
  • 假設球形群集： K-Means傾向於發現球形且大小相似的群集，對於非球形或密度不均勻的群集效果不佳。
  • 對異常值的敏感性： 異常值可能會嚴重影響群集中心的位置。
  • 特徵縮放的重要性： 由於K-Means依賴於距離計算，如果不同特徵的尺度差異很大，則需要對特徵進行標準化或正規化。

4. RFM與K-Means的協同應用：解鎖深層洞察

將RFM分析與K-Means分群結合，是一個「魚與熊掌兼得」的策略。RFM提供了強大且具業務意義的顧客行為特徵（R、F、M），而K-Means則利用這些特徵來自動發現數據中潛在的、自然的顧客群體。這兩者的結合彌補了各自的不足，帶來更精準且可操作的顧客區隔。

協同應用流程（借鑒並深化指定文章內容）：

  1. 數據準備與RFM計算：

    • 從交易數據庫中提取顧客ID、交易日期、交易金額等資訊。
    • 計算每個顧客的Recency（例如，距離最近一次購買的天數）、Frequency（例如，過去12個月的購買次數）、Monetary（例如，過去12個月的總消費金額）。
    • 教授提示： R值通常需要將日期轉換為天數，F和M需要指定一個時間窗口（例如過去一年），以避免數據過於陳舊或稀疏。同時，要處理極端值（Outliers），例如一次性大額購買的顧客或從未購買的顧客。

  2. RFM數據轉換與標準化：

    • 由於R、F、M這三個維度的數值範圍可能差異很大（例如，Recency可能從1天到數百天，Monetary可能從幾元到數十萬元），K-Means基於距離的演算法會偏向數值範圍大的維度。
    • 關鍵步驟： 使用標準化（Standardization，例如Z-score標準化 (x - mean) / std_dev）或正規化（Normalization，例如Min-Max正規化 (x - min) / (max - min)）將R、F、M值轉換到相似的尺度。指定文章中使用了StandardScaler，這是一個很好的實踐。
    • 教授提示： 對於Recency，由於R值越小越好，通常會對其進行反向處理（例如：Max_Recency - Recency），或者在解釋時特別注意。但在K-Means中，數值本身大小不影響距離計算，只要尺度一致即可。

  3. 選擇最佳K值（群集數量）：

    • 這是K-Means分群的核心決策。常用的方法是肘部法則（Elbow Method）：繪製不同K值下的群集內平方和（Within-Cluster Sum of Squares, WCSS），尋找圖形中斜率變化最大的「肘部」點。
    • 提示： 肘部法則是一個啟發式方法，而非精確科學。有時「肘部」不明顯，這時需要結合業務知識、行銷目標和對群集可解釋性的考慮來最終決定K值。

  4. 執行K-Means分群：

    • 使用選定的K值，將標準化後的RFM數據輸入K-Means演算法進行分群。

  5. 群集分析與特性描述：

    • 獲得分群結果後，最重要的一步是解釋每個群集。這需要計算每個群集內R、F、M的平均值或中位數，並結合業務知識為其賦予有意義的標籤。
    • 指定文章的範例：
      • Champions (冠軍顧客)： 高R、高F、高M。最近購買，頻繁消費，消費金額高。是品牌最忠實、最有價值的顧客。
      • Loyal Customers (忠誠顧客)： 高R、高F、中M。近期有購買，頻繁消費，但消費金額不一定最高。
      • Potential Loyalists (潛在忠誠顧客)： 中R、中F、中M。有一定購買頻率和金額，但尚未達到「忠誠」級別。
      • At-Risk Customers (有流失風險顧客)： 低R、中F、中M。近期沒有購買，但曾經是活躍客戶。需要重新激活。
      • Hibernating Customers (休眠顧客)： 低R、低F、低M。很久沒有購買，購買頻率和金額都很低。可能已經流失。
    • 教授提示： 這些標籤並非一成不變，應根據企業的具體業務情境和數據特徵進行調整和命名。重要的是這些標籤必須直觀且具備行動指導性。

  6. 制定行銷策略：

    • 根據每個群集的特徵，設計專屬的行銷活動。
    • 冠軍顧客： 提供VIP服務、獨家優惠、新產品搶先體驗，鼓勵他們成為品牌推廣者。
    • 忠誠顧客： 建立積分或會員計畫，感謝其忠誠，鼓勵持續購買，提供個人化推薦。
    • 潛在忠誠顧客： 提供引導性優惠，鼓勵他們增加購買頻率或單筆消費，例如滿額折扣、多件優惠。
    • 有流失風險顧客： 發送有針對性的再激活郵件、簡訊或優惠券，提醒他們回歸。了解其流失原因（例如問卷調查）。
    • 休眠顧客： 嘗試「挽回」行銷，提供極具吸引力的折扣或專屬商品，但需評估挽回成本與潛在價值。

5. 行銷應用價值與洞察

RFM結合K-Means的顧客區隔方法，為行銷帶來了巨大的應用價值：

  • 精準溝通： 確保行銷訊息直達正確的受眾，提高訊息的相關性和吸引力。
  • 優化產品開發： 根據不同客群的需求和偏好，調整產品組合或開發新功能。例如，高價值客戶可能更關注創新和品質，而價格敏感型客戶則關注性價比。
  • 提升顧客終身價值 (CLTV)： 通過識別高潛力客戶並進行有針對性的培養，有效提升其長期價值。
  • 有效預防顧客流失： 提前識別「有流失風險」的顧客，及時介入，降低流失率。
  • 優化行銷預算分配： 將資源集中於高價值和高潛力客戶，避免在低價值客戶上過度投入。
  • 動態調整策略： 顧客行為是動態變化的，RFM+K-Means模型可以定期更新，確保區隔的時效性。

6. 行銷洞察與批判性思考

作為數據分析與行銷策略領域的教授，我鼓勵同學們在學習技術的同時，不忘保持批判性思維，深入挖掘數據背後的商業意義。

  1. 超越RFM：引入更多維度
    RFM雖然強大，但它只描述了「誰買了什麼，什麼時候買的，花了多少錢」。在真實世界中，顧客行為遠不止於此。

    • 產品偏好： 顧客購買了哪些類型的產品？這可以通過商品類別、品牌偏好等引入。
    • 行為數據： 顧客在網站/App上的瀏覽行為、點擊、搜尋、購物車放棄等。
    • 人口統計與心理學數據： 年齡、收入、職業、興趣、生活方式等。
    • 社群互動： 顧客在社群媒體上與品牌的互動程度。
      將這些數據整合到RFM特徵中，可以創建更豐富、更具預測能力的顧客區隔。例如，我們可以對「高價值」的RFM群體進一步區分為「時尚愛好者冠軍」和「科技產品愛好者冠軍」。

  2. K值的藝術與科學：商業目標為導向
    肘部法則等方法為K值的選擇提供了科學依據，但最終的K值應與商業目標緊密結合。

    • 過少的K值： 可能導致區隔過於粗略，無法識別重要的差異。
    • 過多的K值： 可能導致區隔過於細碎，難以制定和執行個別的行銷策略，增加管理複雜性。
      問問自己：「這些區隔足夠獨特，讓我可以為他們設計不同的行銷策略嗎？」「我的團隊是否有能力管理這麼多區隔？」商業可行性是選擇K值的關鍵考量。

  3. 動態區隔與模型更新：客戶是活的
    顧客行為會隨著時間、季節、經濟環境和行銷活動而變化。一個「忠誠顧客」可能因為服務不滿或競爭對手誘惑而變成「流失顧客」。

    • 定期更新： 顧客區隔模型不是一次性任務，應定期（例如每月或每季）使用最新數據進行更新。
    • 轉移矩陣： 分析顧客在不同區隔之間如何移動。哪些區隔的顧客最容易晉升到更高價值區隔？哪些最容易流失？這將提供寶貴的預測洞察。

  4. 可解釋性與行動性：數據分析的最終目的
    再精密的模型，如果無法被業務人員理解並轉化為具體行動，其價值也將大打折扣。

    • 可解釋性： 確保每個分群群體的特徵描述清晰、直觀，並能與業務場景無縫銜接。
    • 行動性： 每個區隔都應該能導向至少一種清晰的行銷行動。例如，「挽回活動」不應只是一個概念，而是具體的優惠、訊息和渠道。同時，這些行動的成效也應該被追蹤和評估。

  5. 倫理考量與偏見：數據科學的社會責任
    在進行顧客區隔時，我們也要有基本的倫理意識。

    • 隱私保護： 確保數據收集和使用符合法規（如GDPR、個資法）和道德標準。
    • 避免歧視： 區隔不應基於受保護的屬性（如種族、性別、宗教）而產生歧視。雖然RFM是行為數據，但如果結合其他數據，仍需警惕潛在偏見。
    • 透明度： 在可能的範圍內，讓顧客了解其數據如何被用於改善服務，建立信任。
  6. 除了RFM，你還可以有其他分群的選擇，以下是幾個可能的方向:
    • 針對每一個客戶建立以下三個【消費金額類指標】衍生變數:
      • 平均客單價 Average Order Value, AOV :代表顧客每次下單平均花多少錢
      • 平均商品單價 Average Unit Price :代表顧客偏好買高單價還是低單價商品
      • 單次最大消費金額 Max Order Amount:代表顧客是否曾經有高額購買行為
    • 針對每一個客戶建立以下三個【購買數量類指標】衍生變數:
      • 總購買數量 Total Quantity:代表顧客總共買了多少商品件數
      • 平均每單購買數量 Average Basket Size:代表顧客每次下單平均買幾件商品
      • 單次最大購買數量 Max Quantity per Order:代表顧客是否有大量採購特徵
    • 針對每一個客戶建立以下三個【商品偏好類指標】衍生變數:
      • 購買商品種類數 Product Variety:代表顧客買過幾種不同商品
      • 商品集中度 Product Concentration:代表顧客是否集中購買少數商品
      • 最常購買商品類型 Top Product Category:先用 Description 做文字分類，可以衍生出顧客偏好的商品類別
    • 針對每一個客戶建立以下三個【購買時間行為類指標】衍生變數:
      • 購買週期 Average Purchase Interval:代表顧客平均多久購買一次
      • 活躍天數 Active Days:代表顧客有購買紀錄的天數
      • 首購至最後購買期間 Customer Lifespan:代表顧客關係維持多
    • 針對每一個客戶建立以下三個【退貨與異常行為類指標】衍生變數:
      • 退貨次數 Return Count: InvoiceNo 以 C 開頭的次數
      • 退貨率 Return Rate: 退貨訂單數 / 總訂單數
      • 退貨金額 Return Amount: 退貨商品的金額總和
    • 針對每一個客戶建立以下三個【價格敏感度指標】衍生變數:
      • 低價商品購買比例 Low-price Purchase Ratio: 低價商品購買數量 / 總購買數量(先定義低價商品，例如低於商品單價中位數)
      • 高價商品購買比例 Premium Product Ratio: 高價商品購買數量 / 總購買數量 (先定義高價商品，例如高於商品單價IQR(80))
  7. 推薦用來分群的衍生指標
指標中文意義商業解釋
AOV平均客單價每次下單花多少錢
Total Quantity總購買數量是否為大量採購者
Average Basket Size平均每單件數是否習慣一次買很多
Product Variety購買商品種類數顧客需求是否多元
Avg Unit Price平均商品單價偏好高價或低價商品
Return Rate退貨率是否有交易風險
Customer Lifespan顧客生命週期是否為長期顧客
Purchase Interval平均購買間隔是否穩定回購
Active Days活躍天數是否持續購買
Premium Product Ratio高價商品比例是否偏好高端商品

7. 結論

RFM分析與K-Meansㄒ的結合，為現代行銷提供了一套強大且高效的顧客區隔框架。它將業務直覺與數據驅動的分析方法融為一體，使得企業能夠更深入地理解顧客，制定更精準的行銷策略，並最終實現商業價值的最大化。

除了要掌握這些技術工具，更要培養將技術與商業場景深度結合的能力，更要學會從數據中提煉洞察，並將這些洞察轉化為可執行、可衡量的行銷行動，這才是數據科學在行銷領域的真正價值所在。(本文由周老師選讀與規劃，並由AI輔助生成內容)

原始文章：

Fakhri, M. I. (2025). Unlocking customer segmentation insights: Combining RFM analysis with K-means clustering. Medium. https://ishla.medium.com/unlocking-customer-segmentation-insights-combining-rfm-analysis-with-k-means-clustering-45bdc6bf8555

Medium精選-AI : Hierarchical Clustering, DBSCAN Clustering, and Silhouette Score/Clustering?

周進華

洞察市場脈動：分層聚類、DBSCAN與輪廓係數在行銷數據分析的實踐與反思

前言：數據驅動時代下的消費者洞察

在當今數據爆炸的時代，企業面臨著海量的消費者行為數據、交易紀錄、社群互動等資訊。如何從這些看似雜亂無章的數據中，挖掘出有價值的洞察，進而制定精準有效的行銷策略，是所有行銷專業人士與數據科學家共同的挑戰。分群（Clustering）作為一種強大的非監督式機器學習技術，正是實現這一目標的關鍵工具。它能夠將相似的數據點歸類到同一群組，從而幫助我們理解數據內在的結構，識別出不同的消費者族群、市場區塊或產品特性。

本文旨在探討三種在數據分析領域中具有獨特價值的概念：分層聚類（Hierarchical Clustering）、基於密度的空間分群（DBSCAN），以及衡量分群品質的關鍵指標輪廓係數（Silhouette Score）。我們將結合理論基礎與行銷實務，深入分析它們的運作原理、優缺點、在行銷領域的應用潛力，並提出相關的行銷洞察與批判性思維，以期提升讀者對這些主題的理解與應用能力。

I. 分群演算法的核心價值：市場區隔與個性化行銷

在深入探討具體演算法之前，我們必須理解分群技術在行銷領域的根本應用價值：市場區隔（Market Segmentation）。市場區隔是行銷策略的基石，它將廣大的異質市場劃分為數個具有相似需求、特徵或行為模式的同質子市場。透過有效的市場區隔，企業可以：

  1. 更精準地鎖定目標客群 (Targeting)： 將行銷資源集中在最有價值的顧客群體上。
  2. 制定個性化的行銷組合 (Personalized Marketing Mix)： 根據不同客群的需求，量身定制產品、價格、通路與推廣策略。
  3. 提升顧客滿意度與忠誠度： 提供更符合個人偏好的產品與服務，建立更深厚的客戶關係。
  4. 發掘新的市場機會： 透過數據分析，發現過去未曾察覺的利基市場或消費者需求。

分群演算法正是實現「數據驅動的市場區隔」的利器。它讓行銷人員得以擺脫主觀判斷，透過客觀的數據模式來劃分客群，使策略更具科學性與說服力。

II. 深入探索分群演算法：超越K-Means的選擇

A. 分層聚類 (Hierarchical Clustering)

分層聚類是一種建立數據點層次結構的演算法。它不需要預先指定分群的數量（K值），而是透過迭代地合併或拆分群組來構建一個樹狀結構，稱為樹狀圖（Dendrogram）。

1. 理論基礎與運作原理

  • 凝聚式分層聚類 (Agglomerative Hierarchical Clustering)： 最常見的形式。它以「由下而上」的方式進行。
    1. 將每個數據點視為一個獨立的群組。
    2. 計算所有群組之間的相似度（或距離）。
    3. 將距離最近的兩個群組合併成一個新群組。
    4. 重複步驟2和3，直到所有數據點都合併成一個大群組。
  • 鏈接準則 (Linkage Criteria)： 決定群組之間距離的計算方式，對分群結果影響深遠：
    • 單一鏈接 (Single Linkage)： 取兩個群組中最接近的數據點距離。容易形成「鏈狀」群組。
    • 完全鏈接 (Complete Linkage)： 取兩個群組中最遠的數據點距離。傾向於形成緊密的球狀群組。
    • 平均鏈接 (Average Linkage)： 取兩個群組間所有點對點距離的平均值。
    • 沃德鏈接 (Ward’s Linkage)： 旨在最小化群組內平方和的增量。傾向於形成大小相近的群組。

2. 優勢與限制

  • 優勢：
    • 無需預設K值： 樹狀圖提供靈活性，可根據業務需求在不同層次上「切割」出不同數量的群組。
    • 視覺化解釋性強： 樹狀圖清晰地展示了群組的形成過程及其層次關係，便於理解。
    • 揭示層次結構： 能夠發現數據中存在的自然層次結構。
  • 限制：
    • 計算成本高： 對於大型數據集，計算所有點之間的距離矩陣以及重複合併操作，計算複雜度為 O(N³)，或約為 O(N² × log N)，效率較低。
    • 不可逆性： 一旦點被合併，就不能分開，早期的錯誤合併可能影響後續結果。
    • 對噪音和異常值敏感： 特別是單一鏈接。

3. 行銷應用洞察

分層聚類在行銷中的應用價值主要體現在其能夠揭示數據的「樹狀結構」。

  • 消費者金字塔分析： 識別從大眾消費者到高價值忠誠客戶的層次，針對不同層次制定會員等級、專屬服務或升級策略。
  • 產品品類樹構建： 根據產品屬性或購買行為，構建產品之間的層次關係，有助於商品陳列、推薦系統優化或新品開發。
  • 市場結構分析： 了解品牌或產品在市場中的相互競爭與替代關係，例如，哪些品牌屬於同一「家族」，哪些是獨立的。
  • 行銷活動成效分析： 分析不同行銷管道觸及的顧客群體在行為上的層次差異，優化資源分配。

教授觀點： 在行銷實務中，樹狀圖的視覺化功能極其寶貴。它不僅能幫助數據科學家理解數據，更能成為向非技術背景的行銷團隊解釋分群邏輯的有效工具。透過樹狀圖，行銷人員可以直觀地看到「這兩個客戶群為什麼被分在一起」，從而對分群結果產生更高的信任度與執行意願。

B. 基於密度的空間分群 (DBSCAN – Density-Based Spatial Clustering of Applications with Noise)

DBSCAN是一種基於密度的分群演算法，它能夠發現任意形狀的群組，並將噪音點（異常值）區分出來。這與K-Means只能識別球狀群組，且對異常值敏感的特性形成鮮明對比。

1. 理論基礎與運作原理

DBSCAN的核心概念圍繞著「密度」：

  • 核心點 (Core Point)： 在其半徑 ε (epsilon) 範圍內，至少有 MinPts 個數據點。
  • 邊界點 (Border Point)： 在其半徑 ε 範圍內，點的數量少於 MinPts，但它位於一個核心點的 ε 範圍內。
  • 噪音點 (Noise Point)： 既不是核心點也不是邊界點，被視為異常值。

演算法流程：

  1. 隨機選擇一個未被訪問的數據點P。
  2. 檢查P是否為核心點。
    • 如果是，則建立一個新群組，並將P及其密度可達的所有點（包括其他核心點和邊界點）都加入到該群組中。
    • 如果不是，則將P標記為噪音點（或暫時標記為已訪問，後續可能被其他核心點的 ε 範圍覆蓋而成為邊界點）。
  3. 重複步驟1和2，直到所有數據點都被訪問過。

2. 優勢與限制

  • 優勢：
    • 識別任意形狀的群組： 不像K-Means限制於凸形或球形。
    • 自動處理噪音點： 能夠將異常值標記出來，避免它們干擾群組形成。
    • 無需預設K值： 群組的數量由數據本身的密度結構決定。
  • 限制：
    • 參數選擇敏感： 對於 epsilon 和 MinPts 這兩個參數的選擇非常敏感。不同的參數組合可能導致截然不同的分群結果。
    • 難以處理密度差異大的數據： 如果數據集中不同區域的密度差異很大，單一組參數難以有效地分群。
    • 不適用於高維數據： 在高維空間中，「距離」的概念變得模糊（維度災難），DBSCAN效果會變差。

3. 行銷應用洞察

DBSCAN特別適用於那些數據點分佈不均勻、存在自然邊界或需要識別異常值的行銷場景。

  • 地理空間行銷： 識別特定地理區域內的客戶群體，例如，在城市地圖上找出零售店周圍的潛在客戶「熱點」，或是分析競爭對手的地理分佈。
  • 社群網路分析： 找出社群媒體上的意見領袖群體或特定興趣社團，因為他們可能形成密集的連接網路。
  • 異常行為檢測： 在交易數據中，DBSCAN可以幫助識別出詐騙行為（表現為與正常模式不符的噪音點）或極端的高價值客戶行為。
  • 利基市場識別： 當市場中存在一些小型但高度集中的消費者群體時，DBSCAN能有效地將這些「利基市場」從廣大市場中分離出來。

教授觀點： DBSCAN的「噪音點」概念在行銷中具有特別的戰略意義。這些被DBSCAN歸類為噪音的點，可能不是真正的「雜訊」，而是極端高價值客戶（如超高消費客戶）、潛在的創新者（早期採用者），甚至是潛在的欺詐者。對這些「噪音點」的進一步分析，往往能帶來意想不到的行銷洞察。例如，識別出與眾不同的消費行為，可能是創新產品的潛在客戶，也可能是需要特殊關懷的VIP。

C. 衡量分群品質：輪廓係數 (Silhouette Score)

無論使用哪種分群演算法，如何客觀評估分群結果的好壞至關重要。輪廓係數（Silhouette Score）就是一個廣泛使用的內部評估指標。

1. 理論基礎與運作原理

輪廓係數衡量一個數據點與其自身群組的相似程度，以及與最近的其他群組的相異程度。對於數據集中的每個數據點 $i$，其輪廓係數 s(i) 計算如下：

其中：

  • a(i)：數據點 $i$ 與其自身群組中所有其他點的平均距離。此值越小，表示 i 與其所屬群組越緊密。
  • b(i)：數據點 $i$ 與最近的其他群組中所有點的平均距離。此值越大，表示 i 與其他群組越分離。

輪廓係數的取值範圍介於 -1 到 +1 之間：

  • 接近 +1： 表示該數據點與其自身群組非常相似，與其他群組非常不相似，分群結果良好。
  • 接近 0： 表示該數據點位於兩個群組的邊界上，分群不明顯。
  • 接近 -1： 表示該數據點可能被分到錯誤的群組中。

整個數據集的輪廓係數是所有數據點輪廓係數的平均值。

2. 重要性與行銷應用

  • 選擇最佳參數： 輪廓係數常用於比較不同分群數量（例如K-Means中的不同K值）或不同演算法參數（例如DBSCAN中的 epsilon 和 MinPts）下的分群結果。通常選擇能使輪廓係數最大化的參數組合。
  • 評估分群品質： 提供一個客觀的數值來評估分群的「凝聚度」和「分離度」，幫助數據科學家和行銷團隊判斷分群結果的可靠性。
  • 決策支持： 在向管理層或非技術背景的同事匯報分群結果時，一個高且具有說服力的輪廓係數，能增加分群模型的可信度，進而支持基於該分群的行銷策略決策。
  • 監測分群變化： 定期計算輪廓係數，可以監測市場或客戶行為是否發生重大變化，導致原有分群結構不再有效，需要重新進行分群。

教授觀點： 儘管輪廓係數是一個非常有用的指標，但它並非完美。高輪廓係數不一定意味著商業上最有意義的分群。在行銷應用中，我們必須始終將數據洞察與業務知識相結合。一個輪廓係數可能略低但其群組特徵極具行銷價值的分群方案，可能比輪廓係數更高但缺乏實踐意義的方案更有價值。因此，輪廓係數應作為參考而非唯一標準。

III. 綜合應用與行銷洞察：從技術到策略

A. 應用情境與案例發想

  • 電商平台：
    • 分層聚類： 分析用戶在瀏覽、購物車、購買、評價等環節的行為序列，構建用戶行為的層次金字塔，從而識別出「潛在訪客」、「新晉買家」、「活躍客戶」及「高價值忠誠客戶」。針對不同層次設計差異化的APP通知、郵件行銷或優惠券策略。
    • DBSCAN： 透過地理位置數據，識別出特定城市區域內「高密度」的潛在顧客群體，針對這些區域進行線下快閃店活動或投放地理圍欄廣告，提升線下轉化。同時，DBSCAN也能發現那些在偏遠地區但活躍度極高的「孤立群體」，他們可能是利基市場的代表，值得特別關注。
  • 金融服務業：
    • DBSCAN： 在信用卡交易數據中，DBSCAN可以有效識別出異常的交易模式（如短時間內多筆小額交易後緊接大額交易），這些可能是欺詐行為的噪音點，及時預警。
    • 分層聚類： 根據客戶的存款、投資、貸款、壽險等金融產品組合，對客戶進行分層，制定差異化的理財產品推薦與客戶經理服務等級。
  • 媒體與娛樂產業：
    • 分層聚類： 分析用戶的觀影歷史、點擊偏好、評分數據，構建用戶對內容偏好的層次結構，實現更精準的個性化內容推薦，例如「喜歡科幻片大類中的超級英雄系列，尤其偏愛漫威宇宙」的用戶群。
    • DBSCAN： 識別社交媒體上關於特定電影或遊戲話題的「社群熱點」，找出意見領袖，進行口碑行銷或精準社群互動。

B. 行銷洞察與策略建議

將分群演算法應用於行銷，絕不僅僅是技術層面的操作，更重要的是從分群結果中提煉出可操作的行銷洞察。

  1. 描繪清晰的顧客畫像 (Customer Persona)： 對每個分群，深入分析其關鍵特徵（人口統計、行為模式、偏好等），形成具體的顧客畫像。例如：「追求性價比的家庭主婦」、「科技前沿的單身青年」、「注重體驗的銀髮族」。
  2. 制定差異化的價值主張： 針對不同群體的需求和痛點，設計獨特的產品或服務價值主張。
  3. 優化行銷通路與溝通訊息： 選擇最適合各客群的行銷通路（社群媒體、電子郵件、實體店面、短影音），並調整溝通語氣與內容，使其更具吸引力。
  4. 動態調整策略： 市場和消費者行為是動態變化的，分群結果也應定期更新與驗證。利用輪廓係數等指標監測分群的穩定性，一旦發現效果下降，及時重新分群。
  5. 跨部門協作： 數據科學家與行銷、產品、銷售團隊緊密合作，將數據洞察轉化為實際的業務行動。

C. 數據倫理與偏見考量

在進行消費者分群時，我們也必須正視數據倫理與潛在偏見問題。如果訓練數據本身存在偏見（例如，歷史數據只包含了某類群體，或數據採集過程有失公允），那麼分群演算法可能會複製甚至放大這些偏見，導致某些群體被邊緣化，或面臨不公平的行銷待遇。例如，基於歷史數據的分群可能導致「紅線區劃」（Redlining）式的行銷歧視。因此，數據的選擇、清洗與解讀過程，都應保持高度的批判性與倫理意識。

IV. 挑戰與批判性思維

  1. 沒有「放之四海而皆準」的演算法： K-Means、分層聚類、DBSCAN各有其適用情境。選擇哪種演算法，取決於數據的特性、業務問題的本質以及對分群結果的解釋需求。批判性思維要求我們不能盲目追求流行，而應根據實際問題做出明智選擇。
  2. 參數選擇的藝術與科學： 許多分群演算法的表現對參數高度敏感（如DBSCAN的 $\epsilon$ 和 MinPts）。參數選擇往往需要結合領域知識、反覆實驗和評估指標（如輪廓係數）來共同決定。這是一個從科學到藝術的過程，沒有絕對的標準答案。
  3. 分群的解釋性與可操作性： 數據科學家可能獲得一個在統計學上完美的分群結果，但如果這些群組在行銷上難以解釋、無法區分或無從行動，那麼其商業價值將大打折扣。成功的關鍵在於將統計學意義與行銷意義有效結合。
  4. 靜態與動態分群： 大多數分群模型都是基於某一時點的數據進行分析的，但消費者行為是動態變化的。因此，如何設計動態的、可適應的分群策略，甚至結合時間序列分析，是未來行銷數據分析的重要方向。

V. 結論

分層聚類、DBSCAN以及輪廓係數，作為數據分析工具箱中的重要組成部分，為行銷專業人士提供了強大的消費者洞察能力：

  • 分層聚類以其揭示數據內在層次關係的特點，適用於構建市場結構與顧客金字塔；
  • DBSCAN則以其發現任意形狀群組和識別異常值的獨特能力，在地理行銷和異常檢測中大放異彩；
  • 輪廓係數則提供了客觀評估分群品質的標準，幫助我們做出更科學的決策。

然而，掌握這些技術僅是第一步。真正的挑戰在於如何將這些技術洞察轉化為具體的行銷策略，如何在數據的客觀性與行銷的藝術性之間找到平衡，並始終保有批判性思維與數據倫理意識，才能創造出真正的價值。(本文由周老師選讀與規劃，並由AI輔助生成內容)

原始文章：

Angadi, S. (2025) AI : Hierarchical Clustering, DBSCAN Clustering, and Silhouette Score/Clustering?. Medium. https://medium.com/@angadi.saa/ai-hierarchical-clustering-dbscan-clustering-and-silhouette-score-clustering-part-41-cb2d97a90557

教學大綱

周進華

1142 機器學習與Python行銷數據分析(四合)

完整之內容連結與相關說明，請以教師於課堂中之講解為準；課程主題之順序與內容將視實際教學情況進行些微調整

課程對象

  • 行銷系大學學生（無 Python 基礎可）
  • 需要自備筆記型電腦，此課程為混成型(實體+線上學習)

課程結構

  • 每週 3 小時：2 小時實體授課（觀念 + Code Demo）+ 1 小時線上自主練習。
  • 核心工具：Python (Pandas, Seaborn, Scikit-learn), Google Colab.

每週 1 小時線上學習任務

  • 任務：每週線上進行不同主題的練習，因此同學需要帶著筆電，通常會在第三堂課。
  • 形式：每週提供一個 Colab 練習本，學生須完成指定的「關鍵程式碼填空」。

學習主題

1. 數據分析與行決策

理解數據如何從被動紀錄轉變為引領品牌前進的戰略力量

🎯 學習重點與內容簡介：數據分析與行決策基本觀念

2. 開發環境 Google Colab 介紹

建立現代化的數據科學開發環境

🎯 學習重點與內容簡介：熟悉 Colab 開發環境、Vibe coding 方法論、AI 協作技巧以及線上自主練習。

3. Python 程式設計

建立數位轉型必備的程式思維基礎

🎯 學習重點與內容簡介： Python 基礎知識、程式基本邏輯能力、數據計算與簡單分析能力。建立數位轉型必備的程式思維基礎

4. 主題：社群數據的數位化

掌握從原始報表到結構化數據的第一步轉譯工程

🎯 學習重點與內容簡介：讀取CSV 資料、了解行銷原始數據的結構、panda套件、資料預處理(Preprocessing)

5. 主題：KPI重定義與成效判讀

超越表面數據，定義真正驅動成長的核心指標

🎯 學習重點與內容簡介：基礎指標建構、建立「深度互動」權重指標、數據洞察與策略篩選

6. 主題：文字探勘與文案影響分析

透過文本解析挖掘文案背後的互動密碼

🎯 學習重點與內容簡介：非結構化資料處理。使用 Regex 提取標籤，並透過視覺化文字雲分析頻率

7. 主題：分群分析與內容定位 🌐

運用科學分群為品牌內容精準定位座標

🎯 學習重點與內容簡介：透過非監督式學習分群演算法，將自動將數百篇貼文分類為「吸粉型」、「互動型」或「一般文」

8. 主題：視覺化與內容策略洞察

將枯燥數字轉化為直觀決策的敘事圖表

🎯 學習重點與內容簡介：利用圖表說故事。比較不同貼文類型的成效差異、不同帳號的互動率趨勢、分析最佳發佈時段、不同小組成效十字定位圖

9. 主題：預測科學與爆文機率

利用機器學習模型預見流量爆發的機率

🎯 學習重點與內容簡介：建立第一個機器學習迴歸預測模型。根據「瀏覽次數」、「貼文類型」、「時間」…等特徵預測「觸及人數」。

10. 主題：PCA與內容結構洞察

簡化變數維度，純化數據中的核心洞察結構

🎯學習重點與內容簡介：理解降維的核心概念、辨識資訊重複與結構關係、從數學轉譯為行銷語言、PCA 在內容分析中的應用情境

期末報告：「IG 內容分群與策略定位優化提案」

整合數據分析與實務建議，完成最具說服力的數據驅動行銷提案

🎯 學習重點與內容簡介：將 Python數據分析結果轉化為商業簡報。

精準市場區隔

周進華

數據驅動的市場區隔：Python K-Means 在行銷策略制定中的應用與洞察

在當代高度競爭且瞬息萬變的市場環境中，企業若仍採取「一體適用」(one-size-fits-all) 的行銷策略，勢必難以有效觸及多元的顧客群體。市場的異質性已成為顯著特徵，這不僅挑戰了傳統的行銷思維，也催生了對更精準、更個人化行銷策略的需求。市場區隔 (Market Segmentation) 作為行銷策略的基石，旨在將廣泛的市場劃分為數個具備共同特徵、行為模式或需求偏好的子群體。透過此方式，企業得以更有效地配置資源，設計出高度相關的產品、服務與溝通訊息，最終實現行銷效益的最大化。

本篇文章旨在深入理解如何運用 Python 程式語言與 K-Means 機器學習演算法，實踐數據驅動的市場區隔。我們將不僅著眼於程式碼的「如何撰寫」，更將核心放在「為何如此分析」、「分析結果如何轉化為具體行銷洞察」以及「如何以此支持策略決策」，以期培養具備資料導向的行銷思維與批判性分析能力。

I. 市場區隔的理論基石與數據驅動的必要性

1.1 市場區隔：從傳統到行為驅動

市場區隔的根本目的，是識別出市場中具有不同需求的顧客群體。傳統的區隔方法多依賴於地理、人口統計 (如年齡、性別、收入) 或心理變數 (如生活型態、人格特質)。這些變數固然有其價值，但在數位時代，它們往往不足以捕捉顧客行為的複雜性與動態變化。

隨著數據收集能力的提升，行為變數（例如購買歷史、產品使用頻率、網站互動行為、消費品類偏好等）日益成為區隔市場的強大工具。這些行為數據直接反映了顧客的實際行動與偏好，相較於人口統計等靜態變數，能提供更具預測力與指導意義的行銷洞察。本案例所採用的「批發商顧客」數據集，便是聚焦於顧客在不同產品類別上的年度支出，這正是典型的行為數據應用，對於理解市場中的採購行為尤具價值。

1.2 Python 與機器學習在市場區隔中的角色

傳統的市場區隔可能涉及人工分析或基於預設規則的分類，效率與客觀性均有限。Python 作為一種強大且開源的程式語言，結合其豐富的科學運算與機器學習函式庫，為市場區隔帶來了革命性的變革：

  • 資料整理與轉換 (Data Preparation & Transformation): Python 的 pandas 函式庫能夠高效地處理大規模、異質性的行銷數據，進行清洗、整合、特徵工程等前置作業，為模型分析奠定基礎。
  • 探索性資料分析 (Exploratory Data Analysis, EDA): 透過 matplotlib、seaborn 等視覺化工具，分析師可以快速探索數據分佈、變數間關係，初步感知潛在的顧客群體特性。
  • 模型輔助決策 (Model-Assisted Decision Making): 機器學習演算法（如 K-Means、分層聚類、DBSCAN 等）能夠自動從數據中識別出隱藏的模式與群體結構，克服了人工分析的主觀性與效率瓶頸。
  • 結果呈現與解釋 (Result Presentation & Interpretation): Python 不僅能生成分析結果，還能將其視覺化，幫助行銷人員更直觀地理解顧客畫像，並據此制定策略。

本案例選用 K-Means 作為分群演算法，其優點在於計算效率高，且易於理解與解釋，特別適合在初探市場區隔時應用。

II. Python 驅動的市場區隔實踐：K-Means 演算法

2.1 K-Means 演算法簡介

K-Means 是一種非監督式學習 (unsupervised learning) 演算法，其核心目標是將數據集中的 n 個觀測值劃分為 k 個群集 (clusters)，使得每個觀測值都屬於離其最近的群集中心 (centroid)，並最小化群集內部的平方和 (inertia)。其運作流程大致如下：

  1. 選擇 k 值： 事先決定要將數據分為多少個群集。
  2. 初始化中心點： 隨機選擇 k 個數據點作為初始的群集中心。
  3. 分配數據點： 計算每個數據點到所有中心點的距離，將數據點分配給距離最近的中心點所屬的群集。
  4. 更新中心點： 重新計算每個群集中所有數據點的平均值，將其作為新的中心點。
  5. 迭代： 重複步驟 3 和 4，直到群集分配不再改變，或達到預設的迭代次數。

在市場區隔情境中，每個數據點代表一位顧客，而群集則代表一群具有相似消費行為的顧客。

2.2 數據準備與 Python 實作概覽

本案例採用來自 UCI 資料庫的「批發商顧客」數據集 (ID: 292)。該數據集記錄了葡萄牙一家批發商客戶在六個不同產品類別上的年度支出。我們的分析將聚焦於「雜貨 (Grocery)」與「乳製品 (Milk)」這兩個核心變數。

進一步想想看：為何選擇這些變數？

在實際應用中，變數的選擇是關鍵一步。我們應思考哪些行為數據最能有效區分顧客，並與行銷策略目標高度相關。在此案例中，雜貨與乳製品的支出，直觀上可能代表了不同類型的商業客戶（例如，大量採購雜貨的可能是零售商店，而乳製品需求量大的可能是咖啡館或餐廳）。這便是將業務知識與數據分析相結合的體現。

Python 實作步驟：

  1. 載入必要函式庫：
    import pandas as pd
    from ucimlrepo import fetch_ucirepo # 用於從UCI資料庫抓取數據
    from sklearn.cluster import KMeans # K-Means演算法
  2. 載入 UCI 數據集：
    wholesale_customers = fetch_ucirepo(id=292)
    df = wholesale_customers.data.features

    fetch_ucirepo 函式讓我們能便捷地獲取標準化的公開數據集，省去手動下載與載入的麻煩，使教學聚焦於分析本身。

  3. 選擇特徵：
    X = df[['Grocery', 'Milk']]

    我們將分析限制在這兩個變數上。
    教學引導：為何設定 n_clusters=3？
    在 K-Means 中，k 值的選擇至關重要。本專案預設為 3 群，這可能是基於業務經驗或預期市場結構。然而，在實務上，我們通常會運用如「手肘法 (Elbow Method)」或「輪廓係數法 (Silhouette Score)」等技術來評估不同 k 值下的分群效果，以找出最佳的 k 值。此處直接設定，是為了簡化教學流程，讓學生專注於理解分群本身。random_state=42 確保每次執行的結果一致；n_init=10 則表示演算法會以不同的初始中心點運行 10 次，並選擇效果最好的一次，以避免局部最優解。

  4. 建立與訓練模型 (分成3群)：
    kmeans = KMeans(n_clusters=3, random_state=42, n_init=10)
    df['cluster'] = kmeans.fit_predict(X)

    fit_predict(X) 會同時訓練模型並預測每個數據點所屬的群集，並將結果儲存到 DataFrame 的新欄位 cluster 中。

  5. 輸出結果：群組中心點
    print("各群組中心點 (Grocery, Milk):")
    print(kmeans.cluster_centers_)

    這些中心點代表了每個群體在「雜貨」與「乳製品」支出上的平均值，是定義顧客畫像的關鍵數據。

III. 從數據結果到行銷洞察：詮釋與決策意涵

數據分析的價值，絕不僅限於執行程式碼與獲得結果，更在於能否將這些冰冷的數字轉化為可理解、可行動的商業洞察。

3.1 數據結果的解析與視覺化輔助

K-Means 演算法輸出的 kmeans.cluster_centers_ 提供了每個群集在所選特徵上的平均值。例如，如果輸出結果為：

各群組中心點 (Grocery, Milk):
[[ 3778.5799373   3047.51724138]
 [43388.         34158.23076923]
 [16010.65740741 10501.31481481]]

這代表了三個群體各自在「雜貨」與「乳製品」支出上的平均水平。

  • 群集 2：雜貨支出較高 (43388)，乳製品支出較低 (34158)，兩者支出都遠高其他兩群。
  • 群集 1：雜貨支出很高 (16010)，乳製品支出較低 (10501)。
  • 群集 0：兩者支出相對中等 ( 3778, 3047)，且相較於其他兩群的支出皆較低。

進一步可透過散佈圖，我們可以清楚地看到 3 個被自動識別出的顧客群體，每個群體都有其獨特的消費偏好。這說明視覺化是理解分群結果的不可或缺環節。一個在二維平面上以不同顏色標示群集的散佈圖，能直觀地展現群體間的區隔與內部同質性。

3.2 顧客畫像的建立

根據K-Means聚類結果，我們識別出三種主要的客戶群體：

  • 群體 2： 雜貨平均支出: 43388.00 牛奶平均支出: 34158.23
    • 大型供應商/高需求者 – 這類客戶在雜貨和牛奶上的支出都非常高，可能是餐飲業、大家庭或小型零售商。
  • 群體 1： 雜貨平均支出: 16010.66 牛奶平均支出: 10501.31
    • 中等消費者 – 這類客戶在雜貨和牛奶上的支出雜貨和牛奶購買量適中，可能是大多數家庭客戶的代表。
  • 群體 0： 雜貨平均支出: 3778.58 牛奶平均支出: 3047.52
    • 基礎採購者 – 這類客戶在雜貨和牛奶上的支出都相對較低，可能是小家庭、預算有限或傾向在其他地方購物。

這些畫像將抽象的數據點具象化，讓行銷人員能夠對不同群體的特徵有更清晰的理解，有助於針對不同客戶群體制定更精準的行銷策略或產品推薦。

3.3 行銷策略的制定與差異化定位

數據驅動的市場區隔，最終目的是支持 STP (Segmentation, Targeting, Positioning) 行銷策略的制定。

  1. 區隔 (Segmentation): K-Means 模型已自動完成了市場區隔，提供了清晰的顧客群體定義。
  2. 目標市場選擇 (Targeting): 企業可以根據這些顧客畫像，結合自身的產品線、資源優勢和戰略目標，選擇一個或多個最具潛力的群體作為目標市場。
  3. 定位 (Positioning): 最關鍵的一步是針對不同的目標市場，設計差異化的價值主張與行銷組合：
    群體2：頂級商業夥伴 (Premium Business Partners)
    價值主張： 「一站式專業供應服務，為您的商業營運提供最強後盾。」
    產品 (Product): 提供超大規格包裝 (Bulk Size)、批發專用產品，並提供品質保證與供應穩定性。
    價格 (Price): 階梯式批發折扣策略，根據採購量提供更具吸引力的合約價。
    通路 (Place): 專屬的 B2B 訂購平台，提供快速的物流配送服務（如 24 小時內到貨）。
    促銷 (Promotion): 安排專屬業務客戶經理，提供客製化報價單，並舉辦針對商業客戶的專屬貿易展或說明會。

    群體1：高需求成長客戶 (High-Growth Clients)
    價值主張： 「豐富多元的高品質選擇，滿足您對生活品質或營運彈性的追求。」
    產品 (Product): 引進進口品牌、高品質食材及多樣化的產品線。
    價格 (Price): 中高價位策略，強調「物有所值」與卓越的品質。
    通路 (Place): 精品超市、網路旗艦店，或提供「預約制」的專屬採購體驗。
    促銷 (Promotion): 進行品牌聯名行銷，提供品酒、廚藝教室等體驗式活動，建立品牌忠誠度。

    群體0：基礎採購者 (Basic Buyers)
    價值主張： 「省時、便利、經濟，滿足您的日常基本需求。」
    產品 (Product): 提供小包裝、日常必備品，並強化產品的新鮮度。
    價格 (Price): 採取競爭性定價或平價策略，提供每日低價 (EDLP)。
    通路 (Place): 布局在便利店或鄰近社區的據點，強調取貨的方便性。
    促銷 (Promotion): 透過行動 App 推送每日限時折扣，或建立簡單的會員集點回饋系統。

這種基於數據的區隔與策略制定，能夠幫助企業擺脫盲目投放，實現資源的精準投放，提升顧客滿意度，並建立差異化的競爭優勢。

IV. 培養數據導向思維與批判性思考

本課程設計不僅僅是教授程式碼技巧，更重要的是引導發展以下能力：

4.1 超越程式碼：思考分析的「為什麼」

學習資料分析，應當從「怎麼寫程式」進階到「為什麼要這樣分析」。學生應該被鼓勵思考：

  • 為何選擇 K-Means？ 它適合哪些情境？它的優缺點是什麼？何時會考慮其他分群演算法？
  • 為何選擇這些特徵 (Grocery, Milk)？ 如果加入 ‘Fresh’ 或 ‘Frozen’ 會有何不同？如何評估特徵的重要性？
  • 如何判斷最佳的群集數量 k？ 除了預設 3 個群體，是否存在更合理或更具商業意義的 k 值？
  • 分群結果是否穩定？ 如果數據稍有變動，結果是否會劇烈變化？

這些問題的探討，能夠幫助學生從工具使用者轉變為問題解決者，真正掌握數據分析的精髓。

4.2 資料詮釋的藝術與科學

資料詮釋是一種藝術與科學的結合。科學體現在對數據統計意義的理解，而藝術則在於將這些統計結果與業務情境、市場趨勢、消費者行為等領域知識相結合，形成具有說服力的故事和可操作的建議。學生的挑戰在於：

  • 將數值轉化為描述性語言： 將群集中心點的數字，轉化為易於理解的顧客行為描述。
  • 結合市場脈絡： 思考這些消費模式在當前市場中代表了什麼樣的商業機會或挑戰。
  • 識別潛在的偏差與限制： 數據集是否有代表性？分析結果是否有潛在偏誤？這只是特定時間點的行為，能否反映長期趨勢？

4.3 數據導向決策的倫理與限制

在追求數據導向決策的同時，也應培養批判性思考，認識到數據分析的局限性與潛在倫理議題：

  • 數據隱私與偏見： 在進行顧客區隔時，應當充分考慮數據隱私的合規性。同時，如果訓練數據本身存在偏見，模型輸出也可能繼承或放大這些偏見。
  • 因果關係與相關關係： 數據分析常揭示變數間的相關關係，但不一定代表因果關係。在制定策略時，需謹慎推斷。
  • 人類判斷的重要性： 機器學習模型提供的是數據支持的「建議」，最終的行銷決策仍需結合管理者的經驗、直覺和對市場的宏觀理解。數據分析是決策的輔助工具，而非唯一依據。

結論

本案例透過一個具體的應用，展示了 Python 與 K-Means 演算法在市場區隔中的強大應用。從問題定義、數據探索、模型建構到結果詮釋，每一步都緊密連結著行銷策略的制定與成效評估。

學習這些工具的終極目標，是為了提升我們對市場的洞察力，將模糊的顧客需求轉化為清晰可操作的行銷方案。透過不斷練習與反思，將技術能力與行銷思維深度結合，培養出具備數據素養 (data literacy) 和批判性思維 (critical thinking) 的新一代行銷專業人才。(本文資料來源為周老師的教學教材，由AI輔助生成內容)

參考資料

周進華 (2025). 《精準市場區隔 》. 逢甲大學行銷學系. (本文章主要參考資料)

網站訪客來源分群

周進華

運用Python與機器學習進行網站訪客分群：從行為洞察到個人化行銷策略

在數位時代，理解顧客行為是行銷成功的基石。本文將深入探討如何運用非監督式學習中的K-Means分群演算法，結合Python的資料處理與機器學習套件，對網站訪客進行行為分群。我們將以一個具體的電子商務數據集為例，示範如何根據訪客的頁面價值（PageValues）與離開率（ExitRates）兩項關鍵指標，自動識別出具有不同行為特徵的訪客群體。文章不僅闡述程式實作細節，更著重於這些分析結果如何轉化為具體的行銷洞察、支援差異化行銷策略的制定，並最終提升網站轉換率與用戶體驗。透過本案例，你將被引導培養資料導向的思維，並學習如何將數據分析融入批判性思考與行銷決策流程。

I. 導論：從流量思維到用戶洞察

數位行銷的核心挑戰之一，在於如何在龐大的網站流量中識別出具有不同意圖與需求的用戶。傳統的網站分析往往側重於總流量、跳出率、平均停留時間等聚合性指標，這些指標固然重要，卻容易忽略訪客群體內部的異質性。試想，一位即將完成購買的「高價值顧客」與一位誤入網站的「隨意瀏覽者」，儘管兩者都構成了「流量」，其行為模式、對網站的需求，以及我們應採取的行銷策略，卻是截然不同的。

本專案旨在解決這項挑戰，透過導入機器學習中的非監督式學習（Unsupervised Learning）方法——分群演算法（Clustering Algorithm），來自動識別並定義出網站訪客的多元用戶畫像（Personas）。其目標是將抽象的網站行為數據轉化為具體的、可操作的市場區隔，進而實現更精準的個人化行銷、網站動線優化以及再行銷（Remarketing）策略。Python作為資料科學的基石，將在此過程中扮演從資料獲取、預處理、模型訓練到結果輸出的關鍵角色。

II. 理論基礎與方法論：非監督式學習在訪客分群的應用

1. 非監督式學習與K-Means演算法

不同於監督式學習（Supervised Learning）需要帶有明確標籤的訓練資料（例如：預測用戶是否會「購買」），非監督式學習的目標是在沒有任何先驗標籤的情況下，從資料中自動發現潛在的結構或模式。訪客分群正是其經典應用之一，因為我們通常無法事先知道哪些訪客屬於哪種類型的群體。

在眾多分群演算法中，K-Means因其概念直觀、計算效率高且易於解釋，成為了初學者與實務應用中的常用選擇。K-Means演算法的核心思想是：將數據點劃分為K個群組，使得每個群組內的數據點盡可能相似（距離群組中心點，即「質心」最近），而不同群組之間的相似性則盡可能低。

2. 關鍵行為指標的選擇與意義

本研究選用了來自UCI「線上購物者購買意圖」數據集 (ID: 468) 中的兩個關鍵行為指標作為分群的依據：

  • PageValues (頁面價值)： 此指標衡量用戶在完成交易前所瀏覽頁面的平均價值。它整合了電子商務分析中的目標達成概念，例如頁面在轉換漏斗中的關鍵程度。
    • 行銷意涵： PageValues 越高，通常意味著該會話越接近最終的轉換目標，用戶在轉換路徑上投入了更多有價值的互動。這是衡量用戶「轉換意圖」的重要代理變數。
  • ExitRates (離開率)： 此指標計算了用戶從特定類型頁面直接離開網站的比例。
    • 行銷意涵： ExitRates 越高，通常表示該頁面內容、用戶體驗或導引流程可能存在問題，未能有效留住用戶或引導其進入下一步。這是衡量用戶「頁面黏著度」或「摩擦點」的關鍵代理變數。

結合這兩個指標，我們得以從「用戶意圖（高價值頁面互動）」與「用戶體驗（頁面停留與流失）」兩個維度，全面而簡潔地描繪訪客的行為輪廓。

III. Python 實作與資料準備

Python在資料科學領域的生態系極為豐富，本專案將利用pandas進行資料整理，ucimlrepo方便地載入UCI數據集，以及scikit-learn進行機器學習模型訓練。

1. Python 在行銷數據分析中的角色

  • 資料獲取與清理： Python能輕鬆連接各種資料源（資料庫、API、CSV檔案），並進行高效的資料清洗、轉換與整合，為分析奠定基礎。
  • 探索性分析： 搭配matplotlib、seaborn等函式庫，Python能快速生成各種圖表，幫助我們理解資料的分布、關聯性與潛在問題。
  • 模型建構與輔助決策： 藉助scikit-learn等強大套件，Python能快速實作各種機器學習模型，從而發現數據中的模式，進行預測或分類，為行銷決策提供量化依據。

2. 實作步驟

# 匯入必要的函式庫
import pandas as pd
from ucimlrepo import fetch_ucirepo
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import seaborn as sns

# 1. 載入 UCI 數據集
# ucimlrepo 函式庫使得直接從 UCI ML Repository 下載數據變得極為便捷
online_shoppers_dataset = fetch_ucirepo(id=468)
df = online_shoppers_dataset.data.features

# 2. 選擇特徵並進行清理
# 我們聚焦於 PageValues 和 ExitRates 兩項核心指標
features = df[['PageValues', 'ExitRates']]

# 為求視覺化效果的清晰度及計算效率，我們只取部分樣本進行分析
# 在實際應用中，通常會使用全部或更大部分的數據
features_sample = features.sample(n=1000, random_state=42)

# 3. 建立與訓練 K-Means 模型
# 假設我們想分成 4 個群組 (K=4)。
# random_state=42 確保每次執行的結果可重現。
# n_init=10 則指定 K-Means 演算法會以不同的初始質心運行 10 次，並選擇其中慣性（inertia）最小的結果，
# 這有助於避免陷入局部最優解，確保分群結果的穩定性。
kmeans = KMeans(n_clusters=4, random_state=42, n_init=10)

# 執行分群，並將每個樣本所屬的群組標籤新增為一個新的欄位 'cluster'
features_sample['cluster'] = kmeans.fit_predict(features_sample)

# 4. 輸出結果
print("各群組的人數分佈:")
print(features_sample['cluster'].value_counts())

# 5. 結果視覺化 (補充教材內容)
plt.figure(figsize=(10, 8))
sns.scatterplot(x='ExitRates', y='PageValues', hue='cluster', data=features_sample,
                palette='viridis', s=100, alpha=0.7)
plt.title('Website Visitor Segmentation by PageValues and ExitRates (K-Means)')
plt.xlabel('ExitRates (離開率)')
plt.ylabel('PageValues (頁面價值)')
plt.grid(True, linestyle='--', alpha=0.6)
plt.legend(title='Cluster')
plt.show()

進一步想想看：

  • 為什麼要選取這兩個特徵？ (思考指標的行銷意義，而非程式碼直接選取)
  • 為什麼要抽樣？ (除了視覺化考量，在大數據情境下，計算資源與效率的權衡是重要的實務考量)
  • n_clusters=4是怎麼來的？ (引導學生思考「K值選擇」的問題，這在K-Means中是關鍵的，例如肘部法則(Elbow Method)或輪廓係數(Silhouette Score)等，而非直接給定)
  • n_init=10的作用是什麼？ (強調機器學習模型訓練的穩定性與避免局部最優解的重要性)

IV. 訪客行為分群結果與詮釋

透過散佈圖的視覺化，我們可以清晰地觀察到K-Means演算法如何根據PageValues和ExitRates這兩個維度，將訪客劃分為四個（或設定的K個）區隔。這些區隔代表著不同的訪客行為模式，進而能被轉化為具體的用戶畫像。

以下是根據本案例結果可識別出的四類典型訪客群體：

  1. 高價值顧客 (右下群，High PageValues, Low ExitRates)：

    • 行為特徵： 這些訪客在網站上瀏覽了許多高價值的頁面，並且很少從這些頁面離開。他們的目的性強，對產品或服務有高度興趣，並且順利地在網站中導航。
    • 資料詮釋： 他們處於轉換漏斗的末端，是網站的「黃金客戶」，極有可能即將完成購買。

  2. 潛力顧客 (左下群，Low PageValues, Low ExitRates)：

    • 行為特徵： 這些訪客雖然瀏覽的頁面價值不高，但他們的離開率也很低，顯示他們願意在網站上停留。他們可能正在探索或比較資訊，但尚未被引導至或發現網站的核心高價值內容。
    • 資料詮釋： 他們對網站內容或品牌有基本興趣，但尚未形成明確的轉換意圖。他們是需要進一步培育的「潛力股」。

  3. 猶豫顧客 (右上群，High PageValues, High ExitRates)：

    • 行為特徵： 這類訪客到達了許多高價值的頁面，顯示他們有強烈的購買意圖，但同時他們的離開率也很高，暗示他們可能在最後關頭猶豫不決或遭遇了阻礙而放棄。
    • 資料詮釋： 他們已經非常接近轉換，但存在某些「摩擦點」或「未滿足的需求」，導致他們未能完成交易。他們是「挽回成本效益最高」的群體。

  4. 隨意瀏覽者 (左上群，Low PageValues, High ExitRates)：

    • 行為特徵： 這些訪客瀏覽的頁面價值不高，且離開率很高。他們可能只是偶然點擊進入網站，或者網站提供的內容與其預期不符，導致迅速離開。
    • 資料詮釋： 他們的流失風險最高，對網站的黏著度極低。可能是流量來源品質不佳，或著陸頁（Landing Page）設計有問題。

進一步想想看：

  • 如何將技術分群結果轉換為商業洞察？ (強調領域知識的重要性，將技術指標與商業情境連結)
  • 如果資料是三維的，你會怎麼視覺化？ (引導學生思考高維資料的可視化挑戰與解決方案)
  • 這些分群結果是否「合理」？ (鼓勵學生從行銷角度評估分群的實用性與可解釋性)

V. 行銷決策與策略制定：從數據洞察到可執行方案

本專案的最大價值在於實現了從「流量思維」到「用戶思維」的轉變。分群分析將抽象的流量數據轉化為具體的、可操作的用戶畫像，使得行銷團隊能夠設計差異化的溝通策略與資源配置。這不僅是數據分析的終極目標，也是提升行銷成效的關鍵。

以下是針對不同訪客群體的行銷意涵與具體策略：

  1. 高價值顧客：

    • 行銷意涵： 優化轉換流程，建立客戶忠誠度。
    • 策略建議：
      • 優化結帳流程： 確保支付頁面簡潔、快速，減少任何可能導致放棄的步驟。
      • 會員專屬禮遇： 提供VIP折扣、積分制度或專屬服務，強化其忠誠度。
      • 口碑行銷： 鼓勵他們分享購買體驗，成為品牌推廣者。

  2. 潛力顧客：

    • 行銷意涵： 引導探索，深化產品認知。
    • 策略建議：
      • 強化內容推薦系統： 基於其瀏覽歷史推薦相關產品或內容，引導他們探索高價值頁面。
      • 設計清晰的行動呼籲（CTA）： 在頁面中設置明確的下一步指引，例如「了解更多」、「查看熱門商品」。
      • 提供入門指南/產品比較： 幫助他們更好地了解產品價值，消除選擇障礙。

  3. 猶豫顧客：

    • 行銷意涵： 消除疑慮，促成最終轉換。
    • 策略建議：
      • 精準的再行銷廣告： 在其他網站或社群媒體上展示他們曾經瀏覽過的商品，並提供限時優惠或運費減免。
      • 購物車放棄通知： 透過郵件或簡訊提醒他們未完成的訂單，並可附帶小額折扣碼。
      • 即時線上客服/FAQ優化： 在關鍵頁面提供即時幫助，解答其疑問。

  4. 隨意瀏覽者：

    • 行銷意涵： 反思流量來源，優化前期吸引策略。
    • 策略建議：
      • 重新檢視廣告投放策略： 評估流量來源的精準度，是否吸引了目標受眾。
      • 優化著陸頁內容與體驗： 確保廣告內容與著陸頁高度相關，提供有價值的資訊，減少首次進入的摩擦感。
      • 進行A/B測試： 測試不同的標題、圖片、CTA，以提升頁面吸引力。

VI. 培養資料導向思維與批判性思考

學術訓練不僅在於掌握工具，更在於培養洞察與判斷力。本案例作為一個教學範本，旨在呈現如何超越程式碼本身，深入思考數據分析背後的邏輯與其在實際商業情境中的應用。

  • 資料導向思維：

    • 「要分析什麼？」： 在面對一個行銷問題時應思考：我需要哪些數據來回答這個問題？哪些指標是關鍵且可取得的？
    • 「為什麼要這樣分析？」： 選擇K-Means演算法的原因是什麼？還有沒有其他更適合的演算法？為什麼選擇這些特徵進行分群？這些都是需要深思熟慮的問題，而非照搬範例。
    • 數據的可行性與可靠性： 資料來源是否可靠？數據是否存在偏差？這些會如何影響分析結果？

  • 批判性思考能力：

    • K值的選擇： 本案例中假設K=4，但實際應用中，「最佳K值」的選擇是一個需要仔細評估的問題，例如可以嘗試肘部法則(elbow method)、輪廓係數等客觀指標，並結合行銷專業知識進行判斷。不同的K值會產生不同的分群結果，進而影響後續的行銷策略。
    • 分群結果的解釋： 這些自動產生的群組真的符合實際商業邏輯嗎？是否有更直觀的命名？如何驗證這些群組的有效性？
    • 模型的局限性： K-Means假定群組是球形的且大小相似，這在真實世界中可能不完全符合。此外，它對離群值敏感。學生應思考這些局限性會如何影響其應用場景。
    • 成效評估： 採用分群策略後，如何衡量其對轉換率、客戶生命週期價值（CLTV）等行銷指標的實際影響？是否需要進行A/B測試來驗證策略的有效性？

VII. 結論與展望

透過本案例，我們示範了如何利用Python與K-Means演算法，將看似雜亂無章的網站訪客行為數據，轉化為有意義且可操作的用戶畫像(persona)。這種基於行為分群的個人化干預，是提升網站轉換率與用戶體驗的關鍵路徑，標誌著數位行銷從「大眾行銷」走向「精準個人化」的進程。

展望未來，訪客分群分析可以進一步結合更多維度的數據，例如人口統計資訊、購買歷史、站外行為數據（如廣告點擊來源），甚至導入更複雜的機器學習模型（如階層式分群、DBSCAN等），以發掘更細緻、更動態的用戶群體。最終目標始終是透過數據洞察，賦能行銷人員做出更明智、更有效的策略決策，實現商業價值的最大化。(本文資料來源為周老師的教學教材，由AI輔助生成內容)

參考資料

周進華 (2025). 《網站訪客來源分群》. 逢甲大學行銷學系. (本文章主要參考資料)