Кластерный анализ

Кластерный анализ используют, в основном, для целей сегментации. Обычно различают сегментацию двух типов: первый тип – простая рыночная сегментация, когда измерение потребностей и мотиваций обусловлено, главным образом, самими потребителями, а не обстоятельствами. Например, потребители одного сегмента ищут, которая не требует большого участия со стороны фотографа, другой сегмент ищет высокоэффективную камеру со множеством миниатюрных приспособлений, позволяющих экспериментировать, а еще один сегмент стремиться найти камеру, которая работает по принципу «наведи и щелкните», и дает четкие фотографии даже если дрожит рука. Эти сегменты зависят от потребностей клиентов и не зависят от обстоятельства или причины, по которым используют камеру.

В основе второго типа сегментации лежит воздействие определенных обстоятельств. Например, выбор ресторана не всегда основан на одних и тех же нуждах. Он зависит от времени суток, общества, дня недели, причины торжества и т.д. Сегментация, зависящая от обстоятельств, обычно имеет место для продуктов и напитков, поскольку один потребитель может хотеть разную еду в зависимости от обстоятельств, побудивших его пойти в ресторан.

Для обоих типов рыночной сегментации на основе использования кластерного анализа данные должны измеряться в интервальной шкале, и вы должны иметь полный набор данных по каждому респонденту. По возможности, следует избегать использования значений, заменяющих пропущенные данные, например, заменяя пропущенное значение средним значением оставшихся данных. Это может оказаться неизбежным, но в конце концов вы поймете, что такая замена влияет на окончательный результат, и вы, по существу, имеете «искусственные данные».

После получения результатов следует определить профиль каждого из сегментов с помощью переменных в кластерный анализ. Во-первых, определите, к каким из переменных стремиться каждый респондент и к каким переменным не стремиться никто.

Эти переменные характеризует уровни рынка, Ане уровни сегментации. Отделение их от остальных характеристик позволяет легко идентифицировать потребности респондентов на уровне сегментации. Во-вторых, расположите оставшиеся атрибутивные средние в порядке убывания (от большего к меньшему). Кратко запишите ключевые темы и дайте каждому сегменту предварительное название. На следующем этапе определите профиль каждого из кластеров с помощью переменных, которые не участвовали в процессе кластеризации и которые включают: демографические, психографические характеристики; использование товара и мотивы поведения. Если кластеры не различаются по этим переменным, то вероятно, что менеджеру будет от них немного пользы. Если окажется, что кластеры различаются по этим «внешним» переменным, то с помощью этой информации и информации о переменных, использованных для кластеризации, давайте название кластеру и опишите его, имея в виду маркетинговую стратегию в отношении каждого из этих сегментов.

Многомерное шкалирование

Простейшее определение многомерное шкалирование (ММШ) состоит в том, что с его помощью можно количественно измерить пространственные взаимосвязи. Предположим, что мы хотим попытаться понять, как люди воспринимают следующие шесть ресторанов быстрого обслуживания: McDonal^,s, Burger King, Pizza Hut, Long John Silver^,s, Arby^,s и KFC. Респонденты оцениваю их с помощью набора шкал.

Существует множество способов, чтобы понять, с чем у респондентов ассоциируются эти рестораны. Воспользовавшись шкалой рейтингов, вы могли бы разложить на множители результаты оценки ресторанов с получением корреляционной матрицы и нанести на карту полученные факторные нагрузки. Вы можете обработать рейтинги ресторанов для каждого респондента как «группу», выполнить дикриминнантный анализ и начертить график дикриминантных показателей. Рейтинговые данные можно использовать в компьютерной программе ММШ, которая по сути создаст картину, на которой рестораны, расположенные (по рейтингу) близко один от другого, буду расположены близко, а отдельные рестораны – соответственно дальше.

Вы можете сказать, что это слишком просто, чтобы этим заниматься. Наоборот, простота анализа – часть его привлекательности. Очевидные взаимосвязи легко понять, и картины дают ясное отображение того, что хотели бы выразить респонденты. Математически это строже, чем может показаться вначале. Таким образом, если у вас есть многомерная картина ваших данных, и установлено, что она хорошо соответствует вашим данным, то вы можете быть уверены, что картина очень правдоподобно отражает реальную структуру восприятия вещей.