![](/user_photo/2706_HbeT2.jpg)
- •1. Пояснительная записка
- •2. Тематический план по дисциплине «Маркетинг»
- •Исследование маркетинга: swot-анализ swot-анализ: разведка перед боем
- •Swot-анализ в маркетинговом плане Вашего предприятия
- •Как провести swot-анализ
- •Шаг 1. Определение сильных и слабых сторон предприятия
- •Шаг 2. Определение рыночных возможностей и угроз
- •Шаг 3. Сопоставление сильных и слабых сторон вашего предприятия с возможностями и угрозами рынка
- •Откуда взять информацию для проведения swot-анализа?
- •Когда мис отсутствует на предприятии.
- •Информация для анализа внутренней среды
- •Маркетинговая среда предприятия: сбор информации о внешней среде
- •Макро- и микро среды
- •Методы сбора информации
- •Методы получения информации о макросреде
- •Методы получения информации о микросреде
- •Основные положения кластерного анализа и алгоритм его реализации
- •Пример:
- •Сегментирование рынка: кто ваши покупатели
- •Позиционирование: в чем ваше отличие
- •Товарная политика
- •Какой товар: основные вопросы
- •Что вы можете предложить вашим потребителям?
- •Что именно приобретают потребители
- •Жизненный цикл товара
- •Ассортимент
- •Зависимость ценовой стратегии от этапа жизненного цикла товара
- •Способы определения цены
- •Этапы определения цены
- •Методы адаптации цены
- •Определение финансовых последствий назначения цены
- •Сбытовая политика (политика распределения)
- •Построение системы сбыта товаров Вопрос 1. Цели сбыта
- •Вопрос 2. Интенсивность распределения
- •Вопрос 3. Длина канала распределения
- •Вопрос 4. Как выбрать посредника
- •Вопрос 5. Взаимоотношения с посредником
- •Политика продвижения (часть 1)
- •Шаг 2. Установите цели
- •Шаг 3. Определить целевую аудиторию
- •Шаг 4. Определить содержание сообщения
- •Шаг 5. Определить форму сообщения
- •Шаг 6. Рассчитать бюджет
- •Шаг 7. Составить программу
- •Шаг 8. Определить, как оценивать результаты
- •Алгоритм разработки плана маркетинга
- •4. 5.Вопросы к зачету / экзамену по дисциплине «Маркетинг»
- •9. Список литературы
Основные положения кластерного анализа и алгоритм его реализации
Кластерный анализ – это совокупность методов классификации многомерных наблюдений или объектов, основанных на определении понятия расстояния между объектами с последующим выделением из этих объектов групп, “сгустков” наблюдений (кластеров, таксонов). При этом не требуется априорной информации о распределении генеральной совокупности.
Выбор конкретного метода кластерного анализа зависит от цели классификации и в настоящее время весьма разнообразен, затрагивая целые математико-статистические разделы, начиная от традиционного – исследования операций и заканчивая, к примеру, многомерным шкалированием.
Кластерный анализ используется при исследовании структуры совокупностей менеджерских, социально-экономических, маркетинговых, коммерческих показателей или объектов: предприятий, фирм, корпораций, регионов, территорий, социологических анкет, коллективов, популяций и сообществ и т.д.
От матрицы исходных данных
переходим к матрице
нормированных значений
с элементами
где
- номер показателя (столбцы),
номер наблюдателя (строки);
;
.
В качестве
«расстояния» между наблюдениями
и
используют (чаще всего, и даже, в основном)
«взвешенное» евклидовое расстояние,
определяемое по формуле
, где
- вес показателя;
.
Если
для всех
,
то получаем обычное евклидовое расстояние
,
Полученные расчетом для каждой ячейке значения удобно представить в виде матрицы расстояний
;
.
Так как матрица
симметрическая, т.е.
,
то достаточно ограничиться записью
наддиагональных элементов матрицы.
Используя матрицу расстояний, можно реализовать подобную иерархическую «цементирующую» процедуру кластерного анализа. Расстояния между кластерами определяют по принципу «ближнего соседа» или «дальнего соседа». В первом случае за расстояние между ближайшими элементами этих кластеров, а во втором – между удаленными друг от друга.
Принцип работы иерархических «цементирующих» процедур состоит в последовательном объединении групп элементов сначала самых близких, а затем все более отдаленных друг от друга.
На каждом шаге
алгоритма каждое наблюдение
(
)
рассматривается как отдельный кластер.
В дальнейшем на каждом шаге работы
алгоритма происходит объединение двух
самых близких кластеров, и вновь строится
матрица расстояний, размерность которой
снижается на единицу. Работа алгоритма
заканчивается, когда все наблюдения
объединены в один класс.
Например, получена матрица расстояний [3, с. 86-87]
Поскольку между
кластерами 1 и 5 имеется минимальное
расстояние, оцениваемое в 1, то объединению
подлежат кластеры (1) и (5), т.е. по минимальным
расстояниям объединяются и строки (1) и
(5) и одновременно столбцы (1) и (5). В
результате образуется также симметричный
кластер, но уже размером
, но с объединенными по минимальным
расстояниям строками и столбцами (1) и
(5), т.е.
Из полученного
кластера выявляется минимальное
“расстояние”, равное 2, которое имеет
место между кластерами 3 и 5, подлежат
дальнейшему объединению по “минимальным”
расстояниям (фактические по счету строки
и столбцы 3 и 4). Получаем
кластер размером
:
Анализ полученного кластера показывает, что минимальным «расстоянием» является расстояние 3, которое предполагает объединению кластеров (строк и столбцов), обозначенных нами как (1+5) и (3+4), т.е. объединению фактически по минимальным «расстояниям» подлежат строки и одновременно столбцы 1 и 3. Объединяя столбцы 1 и 3, не трудно определить содержание первой строки в виде
, что и соответствует
содержанию первого столбца (в силу
симметричности матрицы евклидового
расстояния). Поэтому последняя матрица,
объединяющая кластеры (1+5)+(1+4), позволяет
выделить минимальное расстояние
.
В результате итеративных процедур объединения кластеров получаем:
Р
1
2 3 4
5
Дендрограмма,
характеризующая кластер условных
«расстояний» примера, объединенного
по выявленным (
) минимально возможным «расстояниям».