聚類分析是用戶細分里面最為重要的工具，而用戶細分則是整個精准營銷里面的基礎。
聚類分析方法分為：
- 層次法：可分為凝聚式和分列式，適用於觀測數比較少的情形
1、凝聚式：將每個觀測都歸為一類，然后每次都將最相似的兩個類合並成一個新的類，直至所有的觀測成為一類或者達到所預訂的分類條件為止。SAS中的層次法都是凝聚式。
分列式：將所有觀測歸為一類，接下來美的都把現有的類別按照相似程度一分為二，直至每一觀測都各自成為一類或者達到預訂的分類條件為止。
2、使用過程CLUSTER實現層次法
proc cluster data= outtree=用於生成樹形圖的數據集 method= <選項>;
by variables;
copy variables;
id variables;
rmsstd variables;/*指定了方根標准方差變量*/
var variables;
run;
【注："method= "指定做層次分析的具體方法，可以指定11種系統聚類方法：
average：類平均法
centroid：重心法
complete：最長距離法
density：密度估算法
eml：最大似然譜系聚類
flexible：可變類平均法
mcquitty：可變法
mcquitty相似分析法
median：中間距離法
single：最短距離法
twostage：兩階段密度估算法
ward：離差平方和法
<選項>：CCC用於輸出（cubic clustering criterion）值，稱三次聚類准則；
pseudo用於輸出偽F統計量與偽T統計量；
rsquare用於輸出統計量R方（越大表示類之間分得越開，聚類效果越好）與半偏R方（上一步與該步的差異，越小越好）；】
對樹形圖進行控制：
proc tree data= haxis=用於自定義橫坐標軸（例如通過axis order=(0 to 1 by 0.1)事先定義，然后直接引用axis） horizontal 用於指定生成水平數；
name 變量；
height 變量；
copy 變量；
id 變量；
run;
- 划分法：在開始階段指定某幾個類中心，接下來通過計算將每個觀測暫時歸到距離其最近的類中心所在的類，並且不斷調整類中心直至收斂。
1、使用fastclus實現K均值聚類法，可用來處理規模較大的數據。
proc fastclus data=數據集 maxc=聚類分析生成的分類數目的最大值，默認100 maxiter=為重新計算種子類的最大迭代次數 out=指定輸出數據集；
var 變量；
run;
（未完待續）