Cluster pagtatasa. Ang pang-agham diskarte sa pag-aaral ng mga komplikadong phenomena

Kontrol ng anumang proseso, kabilang ang marketing, ay nagsasangkot ng isang layunin pagtatasa ng ang sitwasyon sa merkado. Unti-unti paglipat sa pamamagitan ng proseso ng pag-aaral ng mga pagkakataon sa merkado, na kinabibilangan ng mga pagpipilian ng mga merkado target, at ang pag-unlad ng kumplikadong marketing at pagpapatupad ng mga aktibidad sa marketing, nang hindi kinukusa nahaharap sa mga pangangailangan ng pananaliksik. Kaya ito ay kinakailangan hindi lamang upang umasa sa talento at karanasan sa mga analyst, ngunit din sa pagsasanay sa paggamit nito ng data processing diskarte.

Sa modernong ekonomiya, sa kanyang mahirap unawain at multifaceted proseso, malaking halaga ng impormasyon upang mahanap ang pinaka-kaugnay na data nang walang ang paggamit ng iba't ibang mga statistical pakete ay nagiging napakaraming problema.

Ito ay sumasakop ng isang espesyal na papel na ginagampanan kumpol pagtatasa sa marketing na pananaliksik. Sa pamamagitan ng likas na katangian nito, ito pinagsamang pamamaraan, pagsasama-sama ng ilang mga paraan ng statistical research. Ito ay batay sa mga kasinungalingan pag-uuri ng multivariate obserbasyon, ang bawat isa ay may sarili nitong hanay ng mga mapaglarawang mga variable. Cluster pagtatasa ay nagpapahiwatig ng isang paraan upang uri-uriin ang mga bagay sa kamag-anak homogenous (uniporme) grupo ng pagkakaroon ng orihinal na hanay ng mga variable para sa pagsasaalang-alang. Sa ibang salita, mga bagay ay hinati-hati sa mga grupo. Sa mga grupo, ipakita nila pagkakatulad sa ilang grounds.

Cluster pamamaraan ng pagtatasa ay ginagamit para sa isang malawak na hanay ng mga layunin sa pagmemerkado.

Market segmentation ay nagbibigay-daan sa consumer upang basagin ang kategorya sa mga kumpol sa batayan ng ang inaasahang mga benepisyo ng pagkuha ng ilang mga kalakal. cluster bawat ay maaaring binubuo ng mga mamimili na naghahanap para sa katulad na mga benepisyo. Ang pangalan niya kinuha ang isang naaangkop - benepisyo segmentation pamamaraan.

Ang pagtatasa ng consumer pag-uugali. Sa gawaing ito, kumpol pagtatasa ay ginagamit upang lumikha ng isang homogenous na grupo ng customer upang gayahin ang kanilang pag-uugali.

Ang pagtukoy sa mga tampok ng bagong produkto, maaari kaming bumuo ng ito sa pamamagitan ng clustering mga tatak, sa parehong oras ay maaaring traced regularity binibigkas kapag ang mga tatak ng parehong exhibit cluster isang mabangis na kumpetisyon sa bawat isa kaysa sa may mga marka sa iba pang kumpol.

Ang paggrupo kumpol sa lungsod, maaari mong piliin ang pinaka-angkop na mga merkado para sa ilang mga kalakal.

Cluster pagtatasa binabawasan ang dimensionality ng data. Gumaganap obserbasyon sa magkahiwalay na kumpol, at pagkatapos ay lumipat sa maramihang mga discriminant pagtatasa. Ito ay marami mas simple at mas mura kaysa isaalang-alang ang bawat kaso.

Ang layunin ng clustering ay upang bagay grupo sa pamamagitan ng katulad na mga katangian. Para sa isang mas layunin pagtatasa ng antas ng pagkakapareho ay dapat ipakilala ang ilang mga reference unit. Sa bumubuo ng mga kumpol ay karaniwang umaasa sa dalawa o higit pang tampok na ito sabay-sabay.

Cluster pagtatasa ay nagsasangkot ng paggamit ng isang malawak na hanay ng clustering pamamaraan. Kabilang sa kanila ay tulad ng probabilistic diskarte, mga diskarte, na kung saan ay batay sa artificial intelligence, lohikal na diskarte, isang hierarchical diskarte.

Hierarchical kumpol pagtatasa nagsasangkot ng isang komplikadong sistema na may isang bilang ng mga nested grupo o tumpok ng mga iba't ibang mga order. Ang pamamaraan na ito ay gumagamit ng dalawang uri ng mga palatandaan. Agglomerate (unifying) palatandaan magkakasamang mabuhay sa divizivnymi (pagbabahagi). Ang bilang ng mga tampok ay humahantong sa isang paghihiwalay sa monothetic pamamaraan uuri at polythetic.

Ang paggamit ng lahat ng mga pamamaraan sa mga istatistika, may mga tungkol sa isang daan at clustering algorithms. Ngunit ang hierarchical pagtatasa ng kumpol ay isang lider sa listahang ito. Nito apila ay namamalagi sa ang katunayan na ito ay nagpapatakbo ng ganap na may kakulangan ng data, kahit na kapag ang mga magagamit na data ay hindi kumuha ng lugar bilang kinakailangan sa pamamagitan ng ang mga kondisyon ng normal na ipinamamahagi random variable, pati na rin ang iba pang mga kinakailangan ng ang klasiko statistical pamamaraan.