ИССЛЕДОВАНИЯХ

 

1. Кластерный анализ: сущность, виды, область применения в маркетинге.

2. Алгоритм иерархического метода кластерного анализа.

3. Критерии качества классификации объектов в кластерном анализе.

4. Кластерный анализ в SPSS.

 

Кластерный анализ – это совокупность методов, позволяющих классифицировать многомерные наблюдения, каждое их которых описывается набором переменных Х1, Х2,…, Хm [12, С. 468].

Основная цель кластерного анализа – это образование групп схожих между собой объектов (кластеров). Разбиение объектов на группы в кластерном анализе происходит с учетом всех группировочных критериев одновременно.

Методы кластерного анализа используются в целях:

· построения научных классификаций объектов с учетом признаков, отражающих их природу;

· проверки рабочих гипотез о наличие некоторой структуры в изучаемой совокупности;

· выявления внутренних связей между единицами генеральной совокупности;

· построения новых классификаций для слабо изученных явлений

В маркетинговых исследованиях кластерный анализ чаще всего используется в целях:

· сегментации потребителей на основе поведенческих критериев (искомые выгоды, частота покупки, мотив покупки и др.);

· понимания поведения потребителей (сегментация потребителей на основе психографических критериев);

· классификации предприятий-конкурентов, товаров, торговых марок;

· построения карт-восприятия рынка.

Самой важной частью формулирования проблемы в кластерном анализе является выбор переменных, на основе которых проводят кластеризацию. Необходимо четко понимать, что включение в анализ хотя бы одной переменной, не относящейся к проблеме маркетингового исследования, может существенно изменить результаты кластеризации. Выбранный набор переменных должен описывать сходства между объектами с точки зрения признаков, имеющих прямое отношение к проблеме маркетингового исследования. Переменные выбирают исходя из формулировки проблемы маркетингового исследования (рабочей гипотезы), на основе:

· опыта исследователя;

· опыта прошлых исследований;

· экономической теории.

Кроме того, часто имеет смысл профилировать кластеры через переменные, которые не являлись основанием для кластеризации. Эти переменные могут включать демографические (пол, возраст, доход и пр.), психографические и прочие характеристики. Переменные, существенно различающиеся между кластерами, можно идентифицировать с помощью дискриминантного анализа, либо однофакторного дисперсионного анализа.