5. Сегментирование в маркетинге (без отклика)

Кластерный анализ объединяет различные процедуры для проведения классификации. В результате применения этих процедур совокупность объектов распределяется на группы (кластеры, классы).

Обычно перед началом классификации данные стандартизируются (вычитается среднее и производится деление на корень квадратный из дисперсии). Полученные в результате стандартизации переменные имеют нулевое среднее и единичную дисперсию.

Кластерный анализ является первичным статистическим инструментом для сегментации рынка. Этот разведочный метод анализа данных может предложить полезные способы группировки потребителей. Кластерный анализ выявляет области концентрации данных.

Базисным критерием, используемым для этого, является расстояние. Объекты, расположенные близко друг к другу, должны попадать в один и тот же кластер, в то время как достаточно далекие объекты должны быть в разных кластерных группах. В идеале, объекты внутри кластера должны быть относительно однородными, но отличными от объектов из других кластеров. Кластерный анализ данных считается разведочным методом, предлагающим совокупность полезных способов группировки данных.

В переключателе модулей выберите модуль Cluster Analysis – Кластерный анализ.

Откройте в стартовой панели модуля файл Cars.sta.

5.1. Модель Joining (tree clustering) – Иерархические агломеративные методы.

При иерархической кластеризации, как только объекты попали в кластер, они остаются объединенными на всех последующих этапах кластеризации.

В стартовом окне выберите Joining (tree clustering) – Иерархические агломеративные методы.

В появившемся окне настроек выберите все переменные, значения кластеров Cases(rows) – случаи, нажмите OK.

Нажмите кнопку Vertical icicle plot для получения вертикальной дендрограммы.

На горизонтальной оси отмечены наблюдения (объекты), по вертикальной оси – значения расстояний, при которых произошло последовательное слияние кластеров.

По дендрограмме можно разделить предстваленные объекты на 3 кластера, в первых 2-х находятся по единственному объекту.

5.2. Модель k-means clustering – Метод k-средних.

Самой популярной техникой в классе неирерархичекских методов

является метод К-средних. Поскольку для выполнения этого метода аналитику необходимо указать определенное число кластеров, то, как правило, производится несколько попыток с разным числом кластеров, а полученные результаты оцениваются при помощи ранее упомянутых критриев (сепарации, размера групп, рисунка средних и верификации).

В стартовой модели выберите K-means clustering – Метод K-средних.

Укажите количество кластеров 3 – Number of clusters, нажмите OK.

Нажмите кнопку Graph of means – график средних. На графике отображены средние значения показателей каждого из кластеров. Похожие графики показывают близость кластеров между собой. В нашем примере кластеры значительно отстоят друг от друга.

Кнопка Descreptive Statistics for each cluster – Описательная статистика для каждого кластера. Выводит по одной таблице на каждый кластер, в которой по каждой характеристике указываются среднее, несмещенное среднеквадратическое отклонение, несмещенная дисперсия.

Кнопка Members of each cluster & distances – элементы каждого кластера, расстояние. Выводит по одной таблице на каждый кластер, в которой в верхней строке указывают объекты (наблюдения), строкой ниже – евклидово расстояние от центра класса до этого объекта.