企业官网建设流程全解析

很多刚接触SPSS的人，第一次跑完两步聚类，面对输出窗口里那一大堆表格和图形，往往是一脸懵。自动聚类表、模型概要、预测变量重要性、单元格分布……每个都认识，连在一起不知道在说什么。这篇文章我就专门盯着“结果解读”这一步，把两步聚类每个输出到底怎么看、怎么用、怎么把结论写进报告里，一层一层拆开讲清楚。内容适合正在做问卷分群、用户画像、客户细分，或者论文里需要做聚类分析但没人带着看结果的新手。

1. 先说清楚两步聚类和其他聚类方法的区别

1.1 为什么偏偏是两步聚类

SPSS里的聚类方法有好几种，最常被提起的是K-means聚类和系统聚类，但两步聚类其实是被低估的那一个，尤其适合做问卷数据分析的人。

K-means的硬伤是你得事先告诉它“我要分成几类”。这在很多探索性研究里不现实，因为研究者自己也不知道样本应该分几类，硬拍一个K值出来，说服力弱。系统聚类虽然能出树状图帮你看类别数，但它对样本量有要求，几千份问卷跑起来树状图几乎没法看，而且变量必须全是连续变量，分类变量一多就力不从心。

两步聚类刚好把这两个痛点都解决了：它能根据数据自身的分布特征，自动给出“到底分几类最合适”的建议；同时它能同时处理连续变量和分类变量，比如年龄、收入这种连续变量，和性别、学历、购买频次这种分类变量，可以放在一起聚类。这一点对问卷数据分析来说是关键优势，因为问卷里本来就是混合类型变量居多。

所以如果你手里的数据是问卷数据，变量当中有连续也有分类，而且你不确定该分几类，优先考虑两步聚类是合理的选择。

1.2 两步聚类到底“两步”在哪里

先说原理，但尽量不堆公式。两步聚类，顾名思义分两个阶段：

第一步叫“构建聚类特征树”。算法会逐个扫描样本，把样本点按照距离的远近，在内存中构建一棵特征树。特征树的每个叶子节点里存放的是若干相似样本的概要信息，而不是原始数据本身。这步做了两件事：一是它把大样本量压成了一个紧凑的树结构，速度快、省内存；二是它在这个过程里还顺带完成了对异常值的识别与处理。

第二步叫“凝聚聚类”。在特征树的基础上，算法再对叶子节点进行凝聚聚类，也就是类似系统聚类的过程，逐步合并最相近的节点，产生一系列不同类别数的聚类方案。然后根据BIC或AIC这类信息准则，加上类别间距的变化，自动确定一个“最优”的类别数。

理解这个原理对结果解读很重要，因为后续输出里的“自动聚类”表、模型概要，都和这两步计算直接相关。你不用会手算，但要明白输出结果里的某些数字，背后的设计逻辑到底是什么。

注意：两步聚类判断最优类别数，输出结果里默认依据是BIC（贝叶斯信息准则）。BIC值越小，说明模型在“拟合优度”和“复杂度”之间取得了更好的平衡。但这只是一个统计上的“建议”，不是金科玉律。业务上如果你觉得3类更好解释，完全可以手动指定聚类数，后面我会展开说。

2. 跑两步聚类之前，先做这些事

2.1 数据格式与变量类型必须检查

很多人在数据预处理上栽跟头，然后怪SPSS不好用，其实问题出在自己身上。两步聚类对输入数据的格式有明确要求，不满足要求，输出结果就可能出乱子。

整理数据时，每一行是一个样本（比如每个问卷填写者），每一列是一个变量。先确认如下几点：

• 连续变量必须是数值型，在SPSS“变量视图”里类型显示为“数值”。
• 分类变量必须是名义或有序类型，尤其不要把“性别”这类分类变量设置成数值型，并在“测量”列里保持“名义”或“有序”的属性，否则算法会误当成连续变量处理。
• 缺失值不能太多。两步聚类虽然有一定的缺失值容忍能力，但它处理缺失值的逻辑是用似然方法估计，缺失比例太高会影响聚类质量。如果某个关键变量缺失超过10%，要慎重考虑是否纳入模型。
• 连续变量要不要标准化？严格来说，两步聚类不用你手动标准化，算法内部会基于正态分布假设对连续变量做自动缩放。但有一个前提，就是连续变量的量纲差异不能悬殊到离谱。比如收入从几千到几万、年龄从20到60，这种量纲差距算法能消化。但如果有个别极端值特别大，比如收入里混进一个年入千万的，建议先把极端值处理掉。

2.2 变量不要一股脑全丢进去

新手最容易犯的错误，是把问卷里所有题全部丢进聚类模型，想着“反正它能自动选变量”。结果模型概要里的聚类质量显示“差”，然后来问我为什么。

两步聚类本身会自动评估每个变量的重要性，但它不会主动淘汰不重要的变量。你把一堆和分群无关的变量塞进去，它们会在距离计算里产生噪音，把真正有区分力的特征稀释掉。这就像你要区分“苹果和梨”，结果拿一堆“颜色深浅”之外的无关特征一起去算距离，结论自然被干扰。

选变量时把握两个原则：

• 每个变量都应该有“理论上能区分人群”的潜质。比如研究消费习惯，“月均消费”“购物频次”“价格敏感度”是合适的；但“填问卷花了多长时间”这种变量放进去就没有理论意义。
• 总量别太多。一般建议纳入聚类的变量控制在10个以内，最多不超过15个。变量越多，解释越复杂，聚类结果的可读性越差。

2.3 缺失值处理的一个快速决策办法

两步聚类的选项里有“使用对数似然距离”和“使用欧氏距离”两种距离度量，官方默认如果是混合类型变量用对数似然。这个距离背后对缺失值有一套基于似然估计的插补机制。

所以，如果缺失较少（小于5%），直接用默认选项让算法自己处理就可以。如果缺失较多（5%-10%），建议在数据预处理阶段先用EM插补或均值替换把缺失填了再跑。缺失再多，就需要考虑这个变量是否可靠了。

我自己的习惯是先跑一次全模型，看一眼模型概要里的质量评级，再针对性地处理变量和缺失，效率更高。

3. 结果解读一：先看模型概览与聚类质量

3.1 模型概要里的关键信息

跑完两步聚类，输出窗口里第一张表格是“模型概要”。这张表最上方显示采用的算法是“两步”，聚类数是多少。这看似人畜无害，但注意一个细节：它显示的是聚类数，不是类别标签。紧接着下方是“聚类质量”的评级。

聚类质量的图标是五个立柱排在一起，显示为“差”“一般”或“良好”三个档位。新手最容易忽略这张图，但这个评级直接决定你下面所有解读有没有意义。如果评级是“差”，需要回到数据预处理阶段重新检查变量和缺失值；如果是“一般”，基本可用但优化空间大；如果是“良好”，恭喜，结果站得住，可以放心往下解读。

3.2 轮廓系数是怎么来的

聚类质量评级背后的量化指标叫“平均轮廓系数”，取值范围是-1到1之间。在SPSS里，这个系数会在模型查看器中显示为具体的数值。

• 大于0.5：说明类内距离小、类间距离大，聚类结构明显。
• 0.2到0.5：存在一定聚类结构，但可能有重叠地带。
• 小于0.2：聚合程度弱，这个聚类结果要慎重使用。

实际跑问卷数据，轮廓系数在0.3到0.5之间都算正常，别追求什么0.8以上，那是合成数据才可能出现的情况。真实问卷数据的噪声本来就大，0.4左右已经足够支撑后续分析。

3.3 聚类数为什么和你想的不一样

模型概要里显示的聚类数，是基于模型判断自动给出的，通常是BIC准则下最小的那个方案。这个数往往不是整数范围偏小，比如自动分成2类或3类。

此时会出现一个局面：自动聚类数和你业务上的预期不一样。别急着接受默认值，也别直接改成你想要的数量。先用“指定固定值”跑一下对比不同聚类数的轮廓系数，选出统计上说得过去、业务上也可解释的那个方案。

具体操作方法是，在“两步聚类分析”对话框里，把“聚类数”选项改成“指定固定值”，分别填入2、3、4、5，跑几轮，记录每次的轮廓系数，再做取舍。不过这个操作要在运行前设置好，每次只能跑一个方案，这也是两步聚类在SPSS里不太方便的一个点，但结果稳定可靠，值这个麻烦。

4. 结果解读二：自动聚类表和聚类分布表

4.1 自动聚类表：算法怎么说服你“分几类”

自动聚类表是一张大型表格，包含BIC、BIC变化量、BIC变化比率、距离度量等指标。

具体每一列代表什么，我一个个说清楚：

• BIC：贝叶斯信息准则值，越小越好。随着聚类数增加，BIC通常会单调下降。
• BIC变化量：当前聚类数的BIC和上一个聚类数的BIC之差。变化量为负，说明增加一个类别数之后，拟合优度提升了。
• BIC变化比率：变化量与前一步变化量的比值，用来辅助判断变的“加速度”。比率突然变小，说明再增加聚类数带来的边际收益在衰减。
• 距离度量：相邻两类之间的距离比率。这个值越大，说明分成两类之后，两类之间的分离度越高。

解读的时候记住一句口诀：“BIC看趋势，比率看拐点，距离看分离”。SPSS判定最优类别数的逻辑是，先选BIC最小的那个方案，再结合最小类别数不超过总样本数以及类别距离比率做微调。实际报告中，只需要把BIC的变化趋势写清楚，配合聚类质量说明最终选择的类别数是合理的即可。

4.2 聚类分布表：样本落到哪一类里了

模型输出里会有一张“聚类分布”表，显示每个类别的样本数、占比和累计占比。举个例子：

假设自动聚类分为3类，聚类分布表可能显示“聚类1：326人（38.8%）、聚类2：251人（29.9%）、聚类3：263人（31.3%）”。这时要注意一个判断技巧：如果某一类的占比小于5%，说明这个类可能是离群点聚成的边缘群体，需要谨慎对待；如果某个类占比特别大，比如超过70%，说明这个类太宽泛，内部可能还有细分空间，可以考虑增加聚类数。

另外还有一个需要特别留意的坑：SPSS生成的两个聚类结果，如果变量输入顺序不一致，聚类编号可能会对调。简单说就是第一次跑，聚类1是“高收入组”，你改了变量顺序再跑一次，聚类1可能变成“低收入组”。这不是算法出错，而是两步聚类的初始排序机制导致的。所以每次跑模型，务必固定变量顺序，且解读时用聚类分布表和后面的特征描述来确认编号含义，不要只记住“聚类1是XXX”。

4.3 单元格分布表什么时候才需要看

单元格分布表在输出里默认可能不显示，需要在“选项”里勾选。这张表的作用，是展示每个类别在每个分类变量上的表现。比如“聚类1中，男性占比45%，女性占比55%”。

如果你的变量全是连续变量，这张表基本可以不看。但如果你的问卷里有性别、学历、职业这类分类变量，一定要打开这张表，它是后续给类别命名的重要依据。

注意：单元格分布表的解读要小心小样本细格。如果某个交叉分类的单元格样本数很小（比如聚类3里“博士学历”只有5个人），就不要因为差异去下结论，统计上不具备稳定性。

5. 结果解读三：预测变量重要性与簇特征对比

5.1 预测变量重要性图到底在说什么

这一步是结果解读的重头戏。预测变量重要性图是一张横条形图，每个变量对应一条横条，条越长说明该变量对区分聚类结果越重要。

SPSS里这个图的值显示为“预测变量重要性”，范围从0到1。大于0.6的变量被认为是“重要”的预测变量，0.4到0.6算“比较重要”，小于0.4的则解释力较弱。

解读这张图时，有一个关键注意点：重要性高，不等于数值高。它的含义是这个变量在不同聚类之间的差异大、贡献大，和变量本身的均数高低无关。比如“月均收入”的重要性是0.9，说的是收入在区分各个类别时贡献大，而不是说“大家的收入都很高”。

拿到这张图后，按重要性排序挑出排名前三到五的变量，它们就是你给聚类命名和解释类别的核心依据。写报告的时候，可以写“在区分各类别时，贡献最大的变量是A、B、C”。

5.2 怎么用簇特征对比判断类别差异

预测变量重要性图告诉你“哪些变量重要”，但没说清楚“每个类别在这个变量上到底什么水平”。这时候要看簇特征对比图。

在模型查看器下方，SPSS会生成一个簇特征对比的可视化图表，展示每个类别在每个关键变量上的均值或分布差异。比如“聚类1在消费频次上的均值显著高于聚类2”，或者“聚类3中男性比例远高于女性”。

解读的具体步骤建议：

• 先看连续变量的均值对比，识别出每个类别的“高”和“低”。
• 再看分类变量的频率对比，看看男女比例、学历构成在各类别间是否有明显差异。
• 结合预测变量重要性，筛选出差异大且有业务解释意义的变量，形成每个类别的核心画像。

我个人习惯把这个步骤做成一个“画像表格”，比如“聚类1：高收入、高消费频次、对价格不敏感、以男性为主”。这个过程不是统计自动给的，而是基于结果做的业务提炼，也是后续报告中最有价值的部分。

5.3 聚类命名的一个可复用套路

给类别命名建议遵循“特征词+标签”的法则。比如“高活跃高价值用户”“低活跃价格敏感型用户”。注意两点：名字里的特征词必须来自你确认过的关键变量；标签要能让人一看就大概知道这个类别的人是谁。

给自己的类别起好名字之后，回到原始数据文件里生成一个新变量“聚类成员”，这个变量会被追加到数据表末尾，每行样本对应一个类别编号。然后你就可以拿这个新变量去做各种后续分析，比如列联表分析、方差分析、交叉验证了。

6. 实操走一遍：从菜单到参数设置的完整流程

6.1 菜单入口与基本选项

SPSS里启动两步聚类的路径是：“分析” → “分类” → “两步聚类”。打开后看到的对话框包含几个主要区域。

首先要做的就是选定变量。把参与聚类的变量全选进“分析变量”框里。这里需要特别注意，连续变量和分类变量的处理方式不同：SPSS会自动根据变量的测量类型来判断，但最好自己手动检查一遍。在“选项”里可以看到连续变量的标准化方式和分类变量的分布类型，分类变量默认按多项式分布处理，连续变量按正态分布处理。

6.2 关键选项怎么选

距离度量选择，前面说过，默认“对数似然”适合混合类型变量，“欧氏距离”要求所有变量全部是连续变量。你可能想问：那能不能全用连续变量时也选对数似然？技术上可以，但没必要，连续变量之间用欧氏距离更快，结果也更容易解释。

聚类数选择，建议先跑一次“自动确定”，看看模型建议的类别数和轮廓系数。之后再跑几次“指定固定值”，对比不同K值的质量。这就是前面提到过的“横向对比法”。

6.3 输出里需要勾选哪些内容

“输出”选项里，建议勾选“模型查看器”和“聚类成员保存”。模型查看器是交互式界面，可以点击查看不同层次的信息；聚类成员保存会生成一个新变量，必须勾选，否则后续分析还得重新跑一遍。

“选项”按钮里的“处理缺失值”保持默认即可。另外有一个“调整”里的最大节点数、初始距离变更阈值等参数，新手不要动，保持默认，SPSS自己会处理。

6.4 从输出到结论的完整翻译逻辑

模型跑完后，格式上建议按这个逻辑写结论：聚类质量如何 → 自动聚类建议分几类 → 实际选了分几类、为什么 → 各类别样本量占比 → 各类别在关键变量上的差异表现 → 类别命名 → 后续分析方向。

这一套话术，直接用在你论文或报告的结果部分，逻辑是通的，也可以直接作为你写作的骨架。

7. 常见问题与排查技巧实录

7.1 聚类质量总显示“差”怎么办

聚类质量差，绝大多数情况下不是因为算法不行，而是输入数据有问题。按优先级排查：

• 第一，连续变量里是不是有异常极端值。先做描述统计，看最小最大值，有异常值先处理掉。
• 第二，分类变量是不是有大量“其他”或“缺失”类别。类别太多、太碎，会稀释信息。
• 第三，变量太多了。砍到8个以内再跑一次，质量大概率回升。
• 第四，样本量太小。两步聚类对样本量有底线要求，一般建议至少200个样本。少于100个，聚类结果的稳定性会明显变差。

7.2 自动聚类数和业务预期差太多

比如业务上倾向分3类，算法给出5类。这时候不要直接接受，也不要直接改数字。正确做法是：分别跑3类、4类、5类，对比各自的轮廓系数和业务解释度。如果3类的轮廓系数和5类差距在0.05以内，果断选3类；如果5类明显更好，那就需要反思业务预期是不是过于简化了。

我做过一个实操案例，把12个变量跑出来，自动建议7类，轮廓系数0.35。这个结果拆分太细，客户完全没法用。后来通过变量筛选和固定3类，轮廓系数反而提升到0.42，业务解释也更顺。聚类分析最终服务的是决策，不是数字游戏。

7.3 两次跑出的结果类别编号不一致

这个上面提过，再强调一次：两步聚类的类别编号，在变量顺序改变后可能变化。它不会改变样本的聚类归属，只是重新编号。避免方法就是固定变量顺序，不做随机探索。

7.4 聚类结果和预想的“典型形象”对不上

很多人在跑完聚类后，会犯一个“先入为主”的毛病：心里已经有一个理想的用户分群，结果跑出来后和想象不一样，就觉得是算法错了。

通常我的建议是：以统计结果为主，以业务经验为辅。如果聚类结果里有某个类别确实不符合商业逻辑，单独把这个类别的描述统计调出来核对，很可能是某几个变量在误导聚类。这时候做得不是改算法，而是重新审视变量选择。

7.5 连续变量和分类变量混在一起，没法解释

这个问题的根源往往是分类变量太多，连续变量的作用被淹没了。实际操作中，如果分类变量非常重要，可以考虑把同类型的分类变量合并处理；如果连续变量非常关键，可以只保留分类变量中最重要的两三个，再跑一次。两步聚类最怕的就是“什么都要”，做好取舍模型才能稳定。

8. 给新手的一份实操自查清单

写到最后，分享一份我平时自己用、也建议新手照着检查的清单：

1. 变量里没有文本型变量混入。
2. 连续变量没有严重异常值。
3. 分类变量的测量层级设置正确。
4. 缺失值提前处理过，比例不高。
5. 纳入聚类的变量有业务意义。
6. 先跑自动聚类，记录BIC和质量评级。
7. 用固定聚类数再做对比。
8. 确认聚类分布没有异常小类。
9. 预测变量重要性筛选出3到5个关键变量。
10. 给聚类命名，并保存聚类成员变量。

这一套流程走下来，结果解读就不会再是“看天书”。两步聚类本身不复杂，复杂的是怎么把统计输出转成能够指导决策的业务洞察。我做过很多次聚类分析，越来越觉得，跑出结果只算完成了20%的工作，剩下80%都在解读、验证和解释。希望这篇内容能帮你把那80%的路走顺，少踩几个坑。