以下是基于一小段用户关注产品的行为数据分析过程详细描述，各位老师如有不同意见或优化建议，还请不吝赐教。

一、数据大致是这样的(已经脱敏处理)

二、数据预处理

从年款提取出年限，从价格标识出价格区间，随便写一下SQL如下：

Select 城市，品牌，2016-substr(年款，1，4) as 年限

，case when

报价<=5 then ‘0~5’

when 报价>5 and 报价<10

then ‘5~10’

when 报价>10 and 报价<15

then ‘10~15’

when 报价>15 and 报价<20

then ‘15~20’

when 报价>20 and 报价<50

then ‘20~50’

Else ‘50以上’end as

报价区间

From 分析表

三、基础描述统计

基础分析一般对数据进行简单的整合操作，描述通过数据能够直观看到的结论，比如：

各地区的用户量占比—反映不同地区的需求量级

各地区的关注品牌top

10%—反映不同地区的品牌需求差异

不同品牌的价格区间—反映用户对于价格的关注情况

年限与价格的变化趋势—新人会觉得这个可以用一下相关分析之类的，其实没有太大必要。

因为，既定报价是受相对严格的市场规则调控的，而本次分析的目的是针对用户对于既定已在线产品的关注度，因此，价格并不是本次分析的主体。

这也响应上一篇文章，并不是越专业的分析越实用。

四、用户聚类

这个分两步，第一步是对数据进行再处理；第二步是分析(SPSS K-means聚类)。

处理结果是将用户日志数据，转变为对每个用户的行为统计数据，基本包括每个用户的关注次数、关注不同品牌数，同一品牌反复关注次数，关注不同价格区间的次数等，大致如下：

第二步是利用SPSS进行聚类分析，并将分析结果翻译为可读性较强的报告，用的是最基本的K-means聚类，以下是部分聚类结果：

结果解读起来并不费劲儿，大致用户划分为3类，每一类的描述数据如表最终聚类中心所示，每一类的用户数量即案例数如表案例数所示。

举例如第一类，可以解释为关注低价品牌的用户数量相对较少，对于品牌的选择也较少(从现实的市场角度讲，应是这部分价格区间的品牌类型本身就少的原因)，但反复查看次数多，一定程度上不太利于成交。

以上。