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.
Евклидово расстояние вычисляется по формуле: