Klusterianalyysi. Tieteellinen lähestymistapa tutkimuksessa monimutkaisten ilmiöiden

Ohjaus tahansa, mukaan lukien markkinointi, liittyy objektiivisesti tilannearvion markkinoilla. Vähitellen siirtymässä läpi prosessin analyysi markkinoiden mahdollisuuksia, joihin kuuluu valinta kohdemarkkinoilla, sekä kehittämällä monimutkaisen markkinoinnin ja toteuttamiseen markkinointitoimien tietämättään joutuvat tutkimusten tarpeellisuuden. Siten se on paitsi luottaa lahjakkuutta ja kokemusta analyytikko, vaan myös käyttökoulutus tietojenkäsittelyn tekniikoita.

Modernissa taloudessa, jossa on monimutkainen ja monitahoinen prosesseja, valtavia määriä tietoa löytää tärkeimmät tiedot ilman erilaisia tilastollisia paketteja tulee hyvin ongelmalliseksi.

Se on erityinen rooli klusterin analyysi markkinoinnin tutkimusta. Luonteeltaan, tämä yhdistetty menetelmä, jossa yhdistyvät useita menetelmiä tilastollisen tutkimuksen. Se perustuu valheisiin luokitteluun monimuuttujatestausta havaintoja, joista jokaisella on omat kuvailevia muuttujia. Klusterianalyysi ehdottaa menetelmää luokitella esineen suhteellisen homogeeninen (yhtenäinen), joissa alkuperäinen joukko muuttujia huomioon. Toisin sanoen, esineet on jaoteltu ryhmiin. Ryhmissä, ne osoittavat yhtäläisyyksiä useista syistä.

Cluster analyysimenetelmiä käytetään monenlaisia markkinoinnin tavoitteita.

Segmentoitumisen avulla kuluttaja voi rikkoa luokka jaettiin ryhmiin sen perusteella, odotetut hyödyt hankinnan tiettyjen tavaroiden. Klusterit voivat muodostua kuluttajille, jotka etsivät samanlaisia etuja. Nimeä hän valitsi sopivan - hyötyjä segmentointimenetelmä.

Analyysin kuluttajien käyttäytymisestä. Tässä tehtävässä, klusterianalyysiä käytetään luomaan homogeeninen asiakasryhmille simuloimiseksi käyttäytymistään.

Määrittely ominaisuuksia uuden tuotteen, voimme tuottaa sen ryhmittämällä merkkejä, samaan aikaan voidaan jäljittää säännöllisyys lausutaan kun merkkejä saman klusterin näyttely kova kilpailu keskenään kuin merkkien kanssa on muihin ryhmiin.

Ryhmittely klusterit kaupungissa, voit valita sopivimman ulkopuolelle tiettyjä tavaroita.

Klusterianalyysillä vähentää dimensiolukumäärä tietoja. Suorittamalla havaintoja eri klustereita, sitten siirtyä useita erotteluanalyysiä. Se on paljon yksinkertaisempi ja halvempi kuin harkita tapauskohtaisesti.

Tavoitteena klusterointi on ryhmä esineitä samanlaisia ominaisuuksia. Saat objektiivinen arvio samankaltaisuuden aste olisi otettava käyttöön joitakin viittauksia yksikkö. Muodostettaessa klustereita perustuvat yleensä kahta tai useampaa ominaisuutta samanaikaisesti.

Klusterianalyysillä liittyy käytön monenlaisia klusterointi menetelmiä. Joukossa ovat esimerkiksi probabilistisen lähestymistavan, lähestymistavat, jotka perustuvat tekoäly, logiikkaa hierarkkinen lähestymistapa.

Hierarkkinen klusterianalyysi liittyy monimutkainen järjestelmä, jossa on useita sisäkkäisiä ryhmiä tai ryppäitä eri tilauksia. Tässä menetelmässä käytetään kahta erilaista merkkejä. Kasaantua (yhdistävä) merkit rinnalla divizivnymi (jakaminen). Useita ominaisuuksia johtaa erotukseen monothetic luokittelumenetelmien ja polythetic.

Käyttäen kaikki nämä menetelmät tilastoissa on noin sata ja klusterointialgoritmeja. Mutta hierarkkinen klusterianalyysin on johtava tähän luetteloon. Valituksessaan piilee siinä, että se toimii täydellisesti alijäämäinen tietojen vaikka käytettävissä olevat tiedot eivät tapahtua olosuhteiden edellyttämä normaalisti satunnaismuuttujia sekä muut vaatimukset klassisen tilastollisia menetelmiä.