mitään prosessinhallinnasta mukaan lukien markkinointi, oletetaan objektiivinen arvio tilanteesta markkinoilla.Vähitellen siirtymässä kaikissa vaiheissa analyysi markkinoiden mahdollisuuksia, joihin kuuluu valinta kohdemarkkinat ja kehittää markkinointi- ja täytäntöönpanoa markkinointitoimenpiteitä, tietämättään edessä tarvetta tutkia.Tämä ei saa luottaa vain lahjakkuutta ja kokemusta analyytikko, vaan myös niiden taitavasti tietojenkäsittelyä.
Nykypäivän taloudessa sen monimutkainen ja monitahoinen prosesseja, valtavia määriä tietoa löytää tärkeimmät tiedot ilman erilaisiin tilastollisiin paketteja tulee hyvin ongelmallinen.
erityinen rooli markkinoinnin tutkimus vie klusterianalyysillä.Luonteensa, tämä yhdistettynä menetelmä, joka yhdistää useita menetelmiä tilastollisen tutkimuksen.Se perustuu valheisiin luokittelusta monimuuttujatestausta havaintoja, joista jokaisella on omat kuvaileva muuttujia.Klusterianalyysi ehdottaa tapa luokitella kohde suhteellisen homogeeninen (vastaava) ryhmät, joilla lähtökohta huomioon joukko muuttujia.Toisin sanoen, esineitä on jaettu ryhmiin.Ryhmissä, ne osoittavat yhtäläisyyksiä useista syistä.
klusterin analyysimenetelmiä käytetään monenlaisia markkinoinnin tavoitteita.
markkinasegmentoinnin avulla voit jakaa kuluttajien luokan osaksi klusterit perusteella odotetut hyödyt hankinnan tiettyjen tavaroiden.Kukin ryhmä voi koostua kuluttajille, jotka etsivät samanlaista hyötyä.Nimi hän valitsi sopiva - segmentointi menetelmän etuja.
analyysi asiakkaiden käyttäytymiselle.Tässä tehtävässä, ryhmäanalyysi käytetään luomaan homogeeninen kuluttajaryhmiä mallin käyttäytymistään.
selvittävänsä mahdollisuutta uuden tuotteen, voit tehdä sen klusterointi malli, jossa lausutaan kuvio havaittu merkkejä samaan klusteriin näyttely kovaa kilpailua keskenään kuin merkit muihin ryhmiin.
ryhmittely klustereita kaupungissa, voit valita sopivin markkinat tiettyjen tavaroiden.
klusterianalyysillä vähentää dimensionaalisuus tietojen.Making havaintoja yksittäisistä klustereita, sitten siirtyä useita erotteluanalyysiä.Se on paljon helpompaa ja halvempaa kuin harkita tapauskohtaisesti.
tavoitteena klusterointi on ryhmä esineet vastaavin perustein.Saat enemmän objektiivinen arvio samankaltaisuuden asteen olisi otettava käyttöön tietyt standardit yksiköiden.Muodostettaessa klustereita tyypillisesti luottavat kaksi tai enemmän ominaisuuksia samanaikaisesti.
Klusterianalyysi yhteydessä käytetään erilaisia klustereiden menetelmiä.Joukossa ovat kuten todennäköi- lähestymistapa, lähestymistapoja, jotka perustuvat tekoäly, looginen lähestymistapa, hierarkkinen lähestymistapa.
Hierarkkinen klusterianalyysi liittyy monimutkainen järjestelmä, joka on useita alaryhmiä tai klustereita eri järjestyksessä.Tässä menetelmässä käytetään kahta erilaista ominaisuuksia.Agglomeroituvat (Unity) merkit rinnalla divizivnymi (erillinen).Määrä merkkejä johtaa divisioonaan monothetic luokittelumenetelmiä ja polythetic.
Käyttämällä kaikkia näitä menetelmiä tilastoissa, on noin sata klusterointialgoritmeja.Mutta hierarkkinen klusterin analyysi vie johtava asema luettelossa.Valituksessaan on se, että se toimii hyvin tietojen puute, vaikka käytettävissä olevat tiedot eivät ole täyttymisen mukaan vaatimus normaalisti satunnaismuuttujia, sekä muut vaatimukset klassisen tilastollisia menetelmiä.
