3、进行主成分分析就为了减少变量个数，所以在选取出主成分时个数一定是少于m个的，通常以所取得个数使得累计贡献率达到85%以上为宜，即：
在这其中具有重要的经济学意义，它叫做因子负荷量，反映的是主成分和每个原始变量之间的相关关系，而则表示一个主成分中所有指标对该主成分的依赖作用，这个值越大则说明我们的主成分分析越成功。
4、将所有客户的数据调出，计算他们在我们所选出的个主成分上的得分。在计算过程中当然是用标准化了的数据，把他们带入：
(三)、聚类分析
用我们所得到的主成分（作为理财客户的个性特征维度，用客户在这些主成分上的得分作为聚类变量，进行系统聚类分析。
它的原理是在预先不知道目标数据库到底有多少类的情况下,希望将所有的样本组成不同的类或者说“聚类”,并且使得在这种分类情况下,以某种度量为标准的相异度,在同一聚类之间最小化,而在不同聚类之间最大化。
其具体的步骤[4]如下：
1、规定样本之间的距离和类与类之间的距离，则由欧氏距离公式计算和类平均法计算，即（1）
（2）
式（1）中的和是样本序号，是主成分的序号。而（2）中的和分别是类和的样本个数。类平均法较好地利用了所有样本之间的信息，在很多情况下它被认为是一种比较好的系统聚类方法。
2、在计算类与类之间的距离D：开始时，每个客户的样本都各成一类，组成n类：。故在开始时，类与类之间的距离与样本之间的距离相同,即
3、进行系统聚类，将D中最小元素对应的类合并，然后按照公式（2）重新计算新类与相邻类的距离。如果全部的类都已成一类，则过程终止，否则回到步骤3。
4、根据需要确定阈值，将各调查客户（即各样本）划分为s个类。
5、计算每个客户的综合得分，其中是方差贡献率。
6、计算每个客户类别的综合得分，其中（i=1，2,……,s）是第i类中所有客户综合得分的平均值。
根据每个客户类别的综合得分情况我们可以对这些类别客户进行等级划分，并且有新客户加入时根据其客户的综合得分就知道将该客户归入哪一类别，从而实现对客户的科学分类。
四、结论与建议
本文所采取的方法避免了传统的用人口特征对客户进行细分的盲目性，也避免了在选择特征变量时的人为性和相关性。从而大大提高了客户细分的科学性。客户细分后根据每类客户的个性特征变量的取值总结他们的特点，商业银行就可对不同的客户实行差异化营销战略，即为不同的理财客户提供差异化的产品。
参考文献：
[1]羊英.《中国银行发展个人理财业务的探讨》.西南财经大学工商管理硕士.
[2]杜宽旗，蒙肖莲，蔡淑琴，杨毓.《一种商业银行客户分割的多维方法—基于客户期望收益和态度的分割模型》.商业研究.2006总第345期.
[3]李江,魏敏.《基于理财客户个性特征的市场细分与差异性分析》.广西金融研究.2006年第10期.
[4]王建民，王传旭.《基于主成分—聚类分析方法的客户分类研究》.淮南师范学院学报.2006年第3期.
