在K-means聚类分析中，当聚类效果不理想时，分析下述选项：

A: **优化初始点的选取**
- 由于K-means的结果很大程度上依赖于初始中心的选择，因此优化初始点的选取是非常重要的措施，如使用K-means++算法可以提高初始点选择的效率，通常被认为是改善聚类效果的正确做法。

B: **重新检查数据清洗是否充分**
- 确保数据清洗工作到位，可以去除噪声和不相关的特征，提高聚类效果。这是一个非常合理的步骤。

C: **多次重复运行，直到有满意结果**
- 虽然因为K-means对初始值敏感，多次运行可能会逐步接近更优的结果，但仅仅依靠多次运行来获得满意结果是不科学的，尤其当没有其他措施辅助优化时。依赖重复实验而非改进方法本身，这种做法不正确。

D: **检查异常值、量纲的影响是否还存在**
- 异常值的存在可能会对聚类中心的计算产生显著影响，量纲不一致可能导致特征偏向问题。解决这些问题是优化聚类效果的合理步骤。

综上所述，不正确的说法是：**C: 多次重复运行，直到有满意结果**。
这种方法缺乏科学依据，且不能根本解决问题所在。