什么是非监督学习？
深度案例：客户精细化分群
业务背景
某新能源车企保有客户8万，采用粗放式管理：统一短信、统一促销、统一服务。
问题：营销费用高但转化率低（短信打开率仅8%）、高价值客户流失、低价值客户占用大量资源。
K-Means聚类分析
收集8万客户的50个特征（消费行为、到店行为、互动行为、服务体验、客户属性），运行K-Means算法，自动分为5个群体：
群体1：VIP忠诚客户（15%，12,000人）
- 年消费8,500元（最高）、到店频次4.5次/年
- APP活跃度高、满意度92分、投诉率2%
- 价值：贡献售后收入的45%
群体2：潜力成长客户（25%，20,000人）
- 年消费4,200元、消费趋势持续增长
- 特征：未来的VIP储备军
群体3：价格敏感客户（30%，24,000人）
- 年消费2,800元、促销活动参与度90%+
- 特征：对价格敏感，促销才来
群体4：睡眠流失风险客户（20%，16,000人）
- 年消费1,500元、平均150天未到店
- 风险：不干预，6个月内流失率>60%
群体5：高成本低价值客户（10%，8,000人）
- 年消费3,000元、但投诉率极高（月均1.5次）
- 问题：贡献5%收入，消耗18%服务成本
差异化运营策略
基于5个群体制定精细化策略：
- VIP忠诚客户：专属服务顾问、VIP休息室、免费上门取送车（投入200万/年）
- 潜力成长客户：会员升级计划、增值服务体验券（投入150万/年，3年内30%转化为VIP）
- 价格敏感客户：错峰优惠、套餐销售、自动化营销（投入80万/年，利润率提升8%）
- 睡眠流失风险客户：召回活动、服务经理致电（投入100万/年，唤醒30%）
- 高成本低价值客户：引导到独立售后、标准化服务（投入20万/年，成本降低200万）
总投入：550万元
总产出：新增收入1,900万 + 成本节约200万 = 2,100万
ROI：282%
实施6个月后效果
- VIP客户流失率：8% → 2.5%（-69%）
- 潜力客户转化率：5% → 12%（+140%）
- 营销ROI：120% → 380%（+217%）
- 客户满意度NPS：58 → 71（+22%）
- 售后收入：月均800万 → 950万（+19%）
故障模式聚类分析
业务场景
某车企每月1.2万个故障工单，传统方式是每个工单单独处理，无法识别批量性问题。
聚类发现的关键模式
对过去2年30万条故障记录进行聚类，自动聚为18个故障模式，关键发现：
模式1：早期电池衰减综合征（8%，24,000例）
- 特征组合：车龄18-24个月 + 快充>200次 + 高温地区 + 续航下降>15%
- 行动：主动召回3,200辆车预防性检测，78%确实存在隐患
- 节省质保成本8,500万元
模式2：冬季低温充电异常（6%，18,000例）
- 特征：11月-2月、气温<0°C、夜间户外停车
- 洞察：这不是故障，是低温保护机制，但客户不理解
- 行动：APP增加"冬季充电提示"，投诉率下降65%
模式3：高频快充连锁反应（4%，12,000例）
- 特征：周均快充>4次（网约车）+ 电池温度>45°C
- 行动：推出"营运车辆专属保养计划"，延长电池寿命25%
聚类算法对比
K-Means聚类
- 优点：速度快、适合大数据、效果稳定
- 缺点：需要预设K值、对初始点敏感
- 适用：客户分群（数据量大）
层次聚类
- 优点：不需要预设K值、可看到不同层次结构
- 缺点：速度慢、资源消耗大
- 适用：故障模式分析（探索性，数据量<10万）
DBSCAN密度聚类
- 优点：发现任意形状的群、识别异常点
- 缺点：参数设置需经验
- 适用：异常检测、地理位置分群
如何确定最佳分群数量K？
方法1：肘部法则（Elbow Method）
尝试不同K值，计算群内误差平方和（SSE），找到曲线"肘部"（拐点）
示例：
- K=2，SSE=10000
- K=3，SSE=7000
- K=4，SSE=5000
- K=5，SSE=4500 ← 肘部（下降变缓）
- K=6，SSE=4300
方法2：轮廓系数（Silhouette Score）
衡量对象与所在群的相似度，范围-1到1，越接近1越好
示例：K=5时轮廓系数最高（0.58）
方法3：业务导向法
基于业务场景和资源约束：
- 如果只有3个服务等级，分3群
- 如果有5个运营团队，分5群
实战建议：技术最优（肘部法则+轮廓系数）+ 业务可行 = 最佳方案
聚类结果的解读与命名
聚类算法只给你"群1、群2、群3"，解读和命名需要人类的业务洞察。
解读步骤
步骤1：查看每个群的特征均值
步骤2：识别显著特征
- 群1：高消费、高频、高满意度 → VIP忠诚客户
- 群4：低消费、极低频、沉默 → 睡眠流失风险客户
步骤3：创建客户画像
以"VIP忠诚客户"为例：
- 张先生，35岁，企业中层
- 2年前购买高配车型
- 每3个月到店，只选原厂配件
- 年消费8000-10000元
- 从不投诉，已推荐3位朋友购车
实战要点
聚类前的数据准备
- 特征标准化：不同特征的量纲差异大（年消费：几千元，到店频次：1-5次），必须标准化到相同尺度
- 异常值处理：极端值会影响聚类效果
- 特征选择：选择对分群有意义的特征
聚类后的验证
- 业务合理性：分群结果是否符合业务直觉？
- 可操作性：能否基于分群制定差异化策略？
- 稳定性：换一批数据，结果是否稳定？
下一节预告：Day 18 知识点1 - 时间序列预测 | 预见未来的科学