Кластерный анализ. Кластерный анализ включает в себя набор различных алгоритмов классификаций

Кластерный анализ включает в себя набор различных алгоритмов классификаций. С помощью кластерного анализа, как и с помощью факторного, маркетологи проверяют весь набор взаимозависимых связей. В кластерном анализе не проводят различия между зависимыми и независимыми переменными.

Кластерный анализ представляет собой класс методов, используемых для классификации объектов или событий в относительно однородные группы, которые называются кластерами. Объекты в каждом кластере должны быть похожи между собой и отличаться от других объектов в других кластерах. Его также называют классификационным. Если кластерный анализ использовать именно таким образом, то он становится частью факторного анализа, так как уменьшают число объектов, а не число переменных, сгруппировывая их в меньшее число кластеров.

Кластерный анализ в маркетинге применяют для различных целей:

1. Сегментация рынка – потребителей можно разбить на кластеры на основании выгод, которые они желают получить от покупки данного товара. Каждый кластер может состоять из потребителей, которые ищут схожие выгоды. Метод называется «сегментацией преимуществ».

2. Понимание поведения покупателей – кластерный анализ используется для идентификации однородных групп покупателей по каким-либо признакам, а затем поведение каждой группы при покупке товара изучается отдельно.

3. Определение возможностей нового товара – кластеризацией торговых марок и товаров можно определить конкурентоспособные наборы в пределах данного рынка, торговые марки в одном и том же кластере конкурируют между собой жестче, чем с марками других кластеров.

4. Выбор тестовых рынков – группировкой городов или районов города в однородные кластеры можно подобрать сравниваемые города и районы для проверки различных маркетинговых стратегий.

5. Уменьшение размерности данных – кластерный анализ можно использовать как основной инструмент сокращения размерности данных при создании кластеров или подгрупп данных, более удобных для анализа, чем отдельные наблюдения. Последующий многомерный анализ выполняют над кластерами, а не над отдельными наблюдениями.

Цель кластеризации - группирование схожих объектов, поэтому для того, чтобы оценить, насколько они похожи или не похожи, необходимо использовать некую измерительную единицу. Наиболее распространенный метод заключается в том, что в качестве такой меры используют расстояние между объектами. Объекты с меньшими расстояниями между собой более похожи, чем объекты с большими расстояниями.

Существует несколько способов вычисления расстояния между объектами. Наиболее часто используют меру сходства – Евклидово расстояние или его квадрат.

Евклидово расстояние – квадратный корень из суммы квадратов разностей в значениях для каждой переменной.

Процесс кластеризации начинается с вычисления матрицы различий между группами объектов – матрицы Евклидовых расстояний, элементы которой вычисляется, исходя из матрицы Х.