正确答案是 C: 综合簇类误差平方以及轮廓系数判断，再结合实际业务分类需求来评估。

### 专业分析：

1. **簇类误差平方和（Sum of Squared Errors, SSE）**:
- SSE用于衡量各点到其对应簇质心的距离的平方和，是评估聚类内部一致性的一种方法。
- SSE较低时，表示簇内的样本更加紧密。

2. **轮廓系数（Silhouette Coefficient）**:
- 轮廓系数考虑了点到其簇内其他点的平均距离和到最近簇的平均距离之间的差异。
- 轮廓系数值介于-1到1之间，值越高表示聚类结果越好。

3. **实际业务分类需求**:
- 仅依赖数值指标可能无法全面反映聚类效果。
- 聚类效果的好坏还需结合实际业务场景来判断，这包括对业务需求的理解和应用场景的具体约束。

### 其他选项分析：

- **A: 单纯簇类误差平方和来评估**：
- 仅依赖SSE可能会导致过拟合，因为当簇的数量接近样本数量时，SSE趋向于零。

- **B: 单纯看轮廓系数判断聚类效果来评估**：
- 轮廓系数是一个比较全面的指标，但它并不能完全替代对业务需求的考量。

- **D: 依靠质心的准确度**：
- 质心的准确度本身并不是一个标准的评估指标，因为质心是根据数据点计算得来的，质心的位置仅反映当前簇的中心位置，其准确性依赖于总体聚类分布。

综上所述，C选项通过综合考虑不同的评价指标和实际业务需求来评估KMeans聚类效果是最为合理的。