Clustering: Definition, Algorithmen und Abgrenzung

Clustering ist ein Verfahren, das ähnliche Datensätze automatisch in Gruppen zusammenfasst, zum Beispiel Kunden mit ähnlichem Kaufverhalten oder Sensor-Messwerte, die zueinander passen. Diese Gruppen heißen Cluster und sind vorher nicht bekannt: Der Algorithmus (also die Rechenvorschrift) findet sie erst aus den Daten heraus. Ziel ist es, verborgene Struktur in einem Datenbestand sichtbar zu machen, deren fachliche Bedeutung anschließend ein Mensch interpretiert.

Was ist Clustering?

Clustering gehört zum unüberwachten maschinellen Lernen (englisch: Unsupervised Learning). Das heißt: Die Daten sind nicht vorher mit einer richtigen Antwort versehen (nicht „gelabelt"), das Verfahren bekommt also keine Vorgaben, welche Gruppen es finden soll. Ein Trainingsdatensatz besteht ausschließlich aus Merkmalen (englisch: Features, also den beschreibenden Eigenschaften je Datenpunkt, etwa Umsatz und Kauffrequenz je Kunde), ohne eine Zielvariable, die den Algorithmus lenkt. Das Verfahren misst, wie ähnlich sich je zwei Datenpunkte sind, und bildet daraus Gruppen, deren Elemente untereinander ähnlicher sind als zu Elementen anderer Gruppen. Als Distanzmaße (also Rechenregeln für Ähnlichkeit) dienen unter anderem die euklidische Distanz (der gerade Abstand wie mit dem Lineal), die Kosinus-Ähnlichkeit, die Manhattan-Distanz oder die Gower-Distanz für gemischte Merkmalstypen. Die statistische Idee des Clusterns geht auf Arbeiten von Tryon (1939) und Cattell (1943) zurück; K-Means wurde 1957 von Lloyd bei Bell Labs formuliert und 1967 von MacQueen benannt, DBSCAN 1996 von Ester und Kollegen.

Nach der Zuordnungsart werden hartes und weiches Clustering unterschieden. Beim harten Clustering (K-Means, DBSCAN) gehört jeder Datenpunkt zu genau einem Cluster. Beim weichen oder Fuzzy Clustering (Gaussian Mixture Models, Fuzzy C-Means) erhält jeder Datenpunkt Zugehörigkeitswahrscheinlichkeiten zu allen Clustern. Nach der algorithmischen Familie lassen sich fünf große Gruppen bilden: partitionierende Verfahren (K-Means, K-Medoids), dichtebasierte Verfahren (DBSCAN, HDBSCAN, OPTICS), hierarchische Verfahren (agglomerativ, divisiv, Ergebnis als Dendrogramm), modellbasierte Verfahren (Gaussian Mixture Models mit EM-Algorithmus) und graphbasierte Verfahren (Spectral Clustering, Louvain, Leiden).

Die Cluster-Anzahl ist entweder ein Hyperparameter, der vorgegeben werden muss (K-Means benötigt k), oder ergibt sich aus dem Verfahren (DBSCAN bestimmt die Anzahl über die Dichteparameter eps und minPts, hierarchisches Clustering über den Schnitt durch das Dendrogramm). Zur Wahl von k werden Ellenbogen-Methode, Silhouette-Analyse oder Gap-Statistik eingesetzt. Da keine Labels vorliegen, erfolgt die Evaluation über interne Kennzahlen wie Silhouette-Koeffizient, Davies-Bouldin-Index oder Calinski-Harabasz-Index sowie über Stabilitätsprüfungen mit Bootstrapping. Externe Kennzahlen wie der Adjusted Rand Index oder die Normalized Mutual Information sind nur anwendbar, wenn eine Ground-Truth-Zuordnung zum Vergleich vorliegt.

Für belastbare Ergebnisse ist die Feature-Aufbereitung entscheidend. Numerische Merkmale werden skaliert oder standardisiert, damit eine einzelne Größe mit weitem Wertebereich (etwa der Jahresumsatz je Kunde) nicht die Distanzberechnung dominiert. Kategoriale Merkmale werden per One-Hot-Encoding transformiert oder über Distanzmaße wie Gower behandelt. Bei hochdimensionalen Daten (Text-Embeddings, Bild-Features) reduzieren PCA, t-SNE oder UMAP die Dimension vor dem Clustern, weil euklidische Distanzen in sehr hohen Dimensionen an Aussagekraft verlieren („Curse of Dimensionality").

Abgrenzung: Classification, Customer Segmentation, Anomaly Detection, Liquid Clustering

Clustering wird häufig mit benachbarten oder gleichnamigen Konzepten verwechselt. Die Abgrenzung verläuft entlang unterschiedlicher Achsen: Aufgabenstellung, Anwendung, Ausgabeform und technischer Kontext.

Begriff	Achse	Kernunterschied
Classification	Labels	Überwacht: lernt die Zuordnung zu vorher bekannten, gelabelten Klassen. Clustering findet Gruppen aus den Daten selbst, ohne dass die Gruppen benannt sind.
Customer Segmentation	Anwendung	Ein Geschäftsergebnis auf Methoden-Ebene offen: regelbasiert (RFM-Schwellen, ABC-Analyse), statistisch oder mit Clustering umsetzbar. Clustering ist ein möglicher Weg, Segmentation zu erzeugen.
Anomaly Detection	Zielobjekt	Markiert einzelne abweichende Datenpunkte gegenüber einem gelernten Normalzustand. Clustering gruppiert alle Punkte; dichtebasierte Verfahren wie DBSCAN liefern Anomaly-Kandidaten als „Noise", ersetzen aber kein spezialisiertes Anomaly-Detection-Verfahren.
Dimensionsreduktion (PCA, UMAP)	Ausgabe	Reduziert Merkmalsraum, weist aber keine Cluster-Labels zu. Wird häufig als Vorstufe eingesetzt, um Clustering in einem sinnvollen Feature-Raum durchzuführen.
Liquid Clustering (Delta Lake)	Kontext	Physisches Tabellen-Layout in Delta Lake zur Datei-Organisation nach Sortier-Schlüsseln. Storage-Optimierung im Lakehouse-Umfeld ohne Bezug zu Machine Learning. Reine Namens-Kollision.

Am häufigsten überschneiden sich Clustering und Customer Segmentation in der Vermarktungspraxis. Segmente können ohne Clustering entstehen (etwa fest definierte RFM-Klassen oder eine ABC-Analyse), Clustering kann Segmente vorschlagen, deren fachliche Interpretation und Benennung aber Fachaufgabe bleibt. Die algorithmische Nähe zu Classification wird spätestens dort deutlich, wo Cluster-Zuordnungen nachträglich als Labels in ein überwachtes Modell einfließen (semi-supervised Learning).

Beispiel: Kundensegmentierung mit K-Means auf RFM-Merkmalen

Ein Handelsunternehmen möchte seine aktiven Bestandskunden datengetrieben in Segmente aufteilen, um Marketing-Kampagnen zielgenauer zu steuern. Als Merkmale werden je Kunde die RFM-Größen berechnet: Recency (Tage seit letztem Kauf), Frequency (Käufe in den vergangenen zwölf Monaten) und Monetary (Umsatz in den vergangenen zwölf Monaten). Die drei Merkmale werden standardisiert, damit der Umsatzwert die Distanzberechnung nicht dominiert.

Auf 180.000 Kunden wird K-Means mit k=5 trainiert; die Wahl von k wird über die Ellenbogen-Methode und den Silhouette-Koeffizienten geprüft, für k=5 ergibt sich ein Silhouette-Wert von 0,42. Anschließend werden die fünf Cluster fachlich interpretiert und benannt: „High-Value Active" (hohe Frequenz, hoher Umsatz, kurze Recency), „At-Risk Loyal" (bisher hoher Umsatz, lange Recency), „New & Growing", „Sleeper" (lange Recency, geringer historischer Umsatz) und „Occasional Small". Die Cluster-Zuordnung wird als abgeleitetes Feature je Kunde zurück in die Kundentabelle geschrieben.

Im Betrieb läuft die Cluster-Berechnung nächtlich auf einer Lakehouse-Plattform: Ein Job liest die aktuellen RFM-Merkmale aus der Silver-Ebene, trainiert das Modell erneut oder wendet ein persistiertes Modell an, protokolliert Metriken und Parameter mit MLflow und schreibt die Cluster-Labels in die Gold-Ebene. Downstream nutzen ein Churn-Prediction-Modell die Cluster-Zugehörigkeit als Feature und ein Kampagnen-Tool die Segmente als Zielgruppen-Filter. Vergleichbare Architekturen finden sich in Marktforschungs-Personas, im Text-Clustering für Themen-Übersichten, in der Bildkompression über Farb-Cluster, in der Netzwerk-Community-Erkennung und in der Betrugsmuster-Suche als Vorstufe zu einer nachgelagerten Klassifikation.