如何使用這個工具
開啟資料檔案或按「使用範例資料」，勾選要用來分群的數值題（通常是態度、需求或重要性評分），再設定要比較的群數範圍（例如 2 到 6），按下執行。比較 5 個方案通常不到一秒。
執行後先看方案比較表：每個 k 的平均輪廓係數和最小區隔占比。選定一個方案後，特徵表會列出每個區隔在各變數上的平均數和相對整體的指數，也可以加入人口統計變數查看組成。最後可以匯出含區隔欄的資料，或匯出特徵表。
方法：K 平均法與輪廓係數
K 平均法的目標是讓群內平方距離總和 W = Σₖ Σ ‖zᵢ − μₖ‖² 最小，其中 zᵢ 是受訪者 i 標準化後的集群變數，μₖ 是第 k 群的中心。標準化（平均數 0、標準差 1）可以避免 0–10 分的題目壓過 1–5 分的題目。初始中心依固定規則選取，所以同一份檔案、同樣的變數和 k 每次都得到相同結果；各區隔依人數由多到少編號。
輪廓係數 s(i) = (b(i) − a(i)) ÷ max(a(i), b(i))，a(i) 是受訪者到同群其他成員的平均距離，b(i) 是到最近的其他群的平均距離。s(i) 介於 −1 與 1 之間，越接近 1 代表歸屬越清楚；接近 0 代表群與群之間重疊較多。
- 建議規則：在最小區隔占比不低於 5% 的方案中，取平均輪廓係數最高者；若所有方案都有過小的區隔，則退而取輪廓係數最高者並提出提醒。
- 指數 = 區隔平均數 ÷ 整體平均數 × 100；≥ 110 標為偏高，≤ 90 標為偏低。
- 任一集群變數有遺漏值的列不參與分群，匯出時區隔欄留空。
計算實例
合成範例資料中有 600 位受訪者，以 1–5 分評價一個品牌的 8 項屬性（brand_grid_1 至 brand_grid_8）。對這 8 個變數執行 k = 2 到 6，平均輪廓係數依序為：k = 2 時為 0.273，k = 3 時為 0.189，k = 4 時為 0.172，k = 5 時為 0.139，k = 6 時為 0.131。
建議方案為 k = 2，兩個區隔分別為 308 人（51.3%）和 292 人（48.7%）；改為 k = 3 時，輪廓係數降到 0.189。第 1 群在 8 項屬性上的指數為 77–81，第 2 群為 120–125：也就是「全部打低分」和「全部打高分」兩類人，反映的是對品牌的整體好感，而不是重視不同的屬性。
這對實際專案很有參考價值：如果所有評分都受同一個整體態度驅動，K 平均法只會分出「喜歡」和「不喜歡」。想找出重視點不同的族群，應該使用需求或取捨類題目，或先把每位受訪者的評分做個人內中心化再分群。
適合與不適合的情況
判斷一個方案要同時看三點：平均輪廓係數不能接近零；沒有低於基數約 5% 的過小區隔；指數的高低能組成團隊說得清楚、用得上的區隔特徵。區隔只是對作答模式的歸納，不代表天生存在的人群類型。
- 以態度或需求評分做區隔，需要可重現的初步方案，並希望把區隔欄帶進交叉分析繼續使用。
- 有幾百位以上的完整受訪者，集群變數是尺度相近的數值題。
- 集群變數是名目類別（例如地區、使用的品牌）——K 平均法需要數值距離，這類資料比較適合潛在類別分析，可改用本站的潛在類別分析工具。
- 需要對新受訪者做正式歸類（typing tool）——這裡的群中心只是起點，不是經過驗證的分類器。
如何解讀結果
平均輪廓係數大於 0.5 通常代表結構清楚，0.25 到 0.5 代表有一定結構但區隔之間有重疊，低於 0.25 則表示資料中可能沒有明顯的自然分群。問卷資料的輪廓係數普遍不高，所以更重要的是區隔特徵是否穩定、能否被業務單位理解和使用。
替區隔命名時，以指數明顯偏高或偏低的變數為依據，並用交叉分析檢查區隔在人口統計和行為題上的差異。建議換一組變數或相鄰的 k 再跑一次：如果主要區隔大致不變，方案就比較可信。