假设你手上有一份全局用户数据和一份付费用户数据，需要挖掘出付费用户的主要特征，可以参照以下流程：

一、数据治理
从不同来源的数据，首先要保证数据的准确性，所有需要进行必要的清洗和转换，可能涉及的内容有：

1、缺失值填充
2、冗余特征去除
3、异常行过滤
4、类别特征onehot编码
5、组合特征拆解
6、特征标准化(z-score\max-min等)

二、特征降维
一般拿到的数据列(特征)比较多，大多数特征相关性比较大，提供的信息比较类型，所以进行必要的特征降维是有意义的，一般采用PCA进行降维。

采用PCA降维涉及一个关键问题，从高维空间降低到多少维合适？

一般采用的降维数量衡量方法，可以不指定维度，最后根据降维结果，计算每个维度的可解析比率(特征信息覆盖程度)，如果top 50的维度已经涵盖了80%的信息，采用50作为维度信息即可。

设定降维维度之后，得到的PCA结果，可作为后续聚类输入。

三、聚类分析
根据PCA的结果，我们可以采用kmeans进行聚类分析，由于需要聚类的数量不确定，我们可以尝试不同的聚类数量，递增聚类数量，对应每个聚类打印出SSE信息。由于聚类数量递增过程，SSE递减，到达某个聚类数量，SSE递减变得缓慢，可以得到拐点，即为最佳聚类数量（EIBOW 方法）。

四、业务分析
采用全局用户进行一~三的过程，我们可以得到全局用户的PCA模型、聚类模型，该模型直接应用于付费用户(需要进行必要的清洗、转换)。最后，我们可以打印这两组用户的聚类直方图。通过比较直方图，可以直观的知道 付费用户跟全局用户的差异类别，通过差异类型，反推PCA变量，再从PCA变量inverse transform到原始变量，通过业务背景，挖掘分析，即可得到付费用户的主要特征，进而进行运营推广。