今年起，许多平台陆陆续续的谋划转型升级，开始申请小贷、基金、保险等业务，打造全方位金融服务公司。不少公司目前也在申请代销基金、保险等相关牌照。我们都知道基金和保险业务只有当销售达到一定规模才会真正盈利，那为什么各个平台却都要挤破头拓展这些业务呢？
原因主要有这么几个，其一就是平台想与P2P划清界限，包括我司老板一次次得强调我们不是P2P，不是，不是！当初我进入P2P行业之前对此也是非常抵触，主要在于行业存在各种跑路、雷掉等不良现象，所以大家可能听到P2P的反应大多数是NONONO，而假如听到的某公司介绍是有P2P、保险、基金等业务的综合金融平台，是不是瞬间就感觉高大上，觉得公司要是做得不好也不会有这么多业务，但其实试着试着还是买上P2P理财了。
其二，平台业务可选择性多，留住用户的概率也就越高。对P2P不感兴趣的ok，我们卖基金拉来用户，用户要是觉得基金收益低，也可以看看理财，虽然各业务因为合规性的问题，账户不通用，但也算是肥水不流外人田吧。除此之外还有很多的原因，在这里就不逐一赘述了，正是因为好处大大的有，才会有这么多人打破头也想挤进综合金融平台的行列。
上面说了为什么平台要转型综合金融平台，那么问题来了，平台转型就意味APP系统要升级，由原来的P2P单一理财业务平台转向金融平台，过去的老版本APP就不能再继续使用，新的用户购买产品可以直接下载新APP应用，所以这回的课题就是如何让老用户升级APP并且投资。如何让老用户升级投资可以拆分为两个目标，目标一，让老用户升级并投资；目标二，将目前已经升级过但没有投资的老用户投资。
目标已经确立，下面我们要做的就是如何将我们的现有老用户进行聚类，在这里我要先讲一下聚类和分类的区别，这两者很容易概念混淆，分类简单的说，就是根据样本的特征与属性，划分到已有类别当中。比如给你三个篮子，第一个装蔬菜，第二个装水果，第三个装肉类，你拿了一堆东西按照规则往篮子里放，具体事例在我的上一篇决策树的文章中也有讲解；聚类则是开始的时候并不知道数据分了几类，通过聚类算法，将这些数据聚合成几个群体。好比一堆东西，你自己都不知道能分成几类，你让超市的阿姨帮你把这些东西分成水果、蔬菜和肉类。
今天我要介绍的是K-means聚类算法，也是在数据挖掘中经常会使用到的一种算法，K-means是典型的基于距离的硬聚类算法，采用距离作为相似度评价标准，距离越近，相似度越大。原理如下图所示：
K-means聚类图
算法过程如下：
1）从N个数据中随机选取K个数据作为质心(K的值事先难以给定，需要经验和反复测试判定)
2）对剩余的每个数据点测量其到每个质心的距离，并把它归到最近的质心的类
3）重新计算已经得到的各个类的质心
4）迭代直至新的质心与原质心相等或小于指定阈值，算法结束
上述图中展示的聚类结果只是在同一维度数据层面上进行计算，如果加入多个维度，K-means就可以发挥出其算法的真正优势，比如我们今天要聚类的人群，是通过用户等级、累计投资金额、投资频率、是否更新APP、是否在投、在投金额、最大到账日期距离今天天数、和最近一次投资距今天天数这8个维度数据进行聚类。要是人工聚合那可是够喝一壶的，如果用K-means就可以快速解决。然而K-means有一个缺点，那就是K的取值（K是聚类数，K=3就是将用户聚为3类），即应该把这些数据聚为多少类合适。但是一开始并不知道我们的用户到底能聚合成几个群体，所以这里就要用到反复测试K值，用经验法来判断K值的合理性，其实经验选K法就是说我对平台用户已经有一定的了解，具体该聚合成几类已经心里有数，就好比上面的K-means聚类图，我先前已经知道平台用户大体分为三类，这样在一定程度上就可以避免选K难的情况。
接下来就开始做数据预处理，将数据从数据库导入SPSS modeler软件中，去除羊毛党等噪声数据（1笔1000元及以下），修正缺失数据，整个流程如下图：
K-means建模流程图
流程搭建完毕，接下来就是经验选K法，通过反复测试K的数值，找到最合理的聚类结果，最终我们得出以下聚类饼状图与聚类结果图如下。
聚类饼状图
聚类结果图
上图将用户最终聚合为7类：
聚类1（占比74.5%）：低质量流失未更新APP用户
聚类2（3.5%）：高质量活跃已更新用户
聚类3（10.9%）：中质量活跃已更新用户
聚类4（6.5%）：低质量流失已更新用户
聚类5（0.7%）：高质量活跃未更新用户
聚类6（0.6%）：超高质量活跃已更新用户
聚类7（3.4%）：低质量活跃未更新用户
可以看出聚类6和聚类7的比重都不到1%，既然如此为什么还要留着这两类用户总共聚成7类呢？这是因为聚类结果符合平台的用户情况，等级越往上人数占比越少质量越高，这就是金融界的二八定律，即20%的人贡献80%的金额，最终经过反复测试K值和对平台用户情况的把握，将K定为7最为合理。
所有聚类中没有升级APP的有聚类1、5、7；升级APP但未投资的是聚类4。聚类5和7的用户不用去做针对营销活动，因为这些用户有在投，用户到帐后如果不升级APP是无法进行下一步操作的，换句话说想要提现或是续投的话就必须升级APP。那么剩下的就是聚类1和聚类4的用户了，聚类1是无在投未更新APP的用户，而且看一下这一类用户流失平均超过半年，所以高力度红包加息券之外还要短信和外呼三管齐下，恳求用户回来投资。聚类4是没有投资但是偷偷更新的用户，可以说这类用户投资的可能性很大，也需要重点关照。
找到了目标人群，接下来就是营销策略的制定了。用一个简单的RFM（最近到账，投资频率，投资金额）模型来制定红包的发放规则，这两类用户从聚类表中可以看出聚类1比聚类2流失时间更长（聚类1流失时间在半年以上，聚类2流失在2个月左右），我们可以根据流失时间与召回难度来决定红包的力度。召回用户只有两种方法，即高收益和诚意，况且这回不仅是召回，还肩负升级APP的任务，所以活动就要给出史无前例的力度，让用户看到我们的收益！于是聚类1按照最后一天到账金额发放1%的APP专享理财红包，聚类2发放0.8%的APP、专享理财红包。具体发放规则如下图所示：
营销策略规则图
高收益的专享红包发放的同时，进行短信提醒和电话外呼，三管齐下，让用户再一次的看到我们的诚意。到此为止，我们从制定目标、模型建立、数据分析到营销方案制定的整个流程都已经走完，可以用下面的这张流程图来简单的描述：
我们在了解平台用户的基础上，合理的选出聚类数值K，找到目标聚类群再进行细分，制定合理的营销策略。当拿到杂乱的数据时，不妨试试简单粗暴的K-means先聚它一下子，再进行接下面的分析，也许便会豁然开朗。这次的K-means聚类算法就分享到这里了，希望大家喜欢，我也会在今后不断地学习中与大家分享。
写在后面：希望这篇文章可以帮助广大的互金运营人士，也能够让广大的互金用户了解平台运营方式，同时欢迎互金同行与爱好者一起交流学习，提出您宝贵的意见。
作者：姜頔
来源：网贷之家
清华大学五道口金融学院互联网实验室成立于2012年4月，是中国第一家专注于互联网金融领域研究的科研机构。
专业研究 | 商业模式 • 政策研究 • 行业分析
内容平台 | 未央网 • "互联网金融"微信公众号iefinance
创业教育 | 清华大学中国创业者训练营 • 全球创业领袖项目（报名中！点击查看详情）
网站：未央网 http://www.weiyangx.com
免责声明：转载内容仅供读者参考。如您认为本公众号的内容对您的知识产权造成了侵权，请立即告知，我们将在第一时间核实并处理。
WeMedia（自媒体联盟）成员，其联盟关注人群超千万
