為細(xì)分市場進(jìn)行聚類分析

構(gòu)建細(xì)分市場的基礎(chǔ)是：

• 客戶的人口統(tǒng)計(jì)特征；
• 客戶的心理統(tǒng)計(jì)特征；
• 客戶希望從產(chǎn)品或服務(wù)中獲得的好處；
• 客戶過去購買行為及產(chǎn)品使用行為。

聚類分析

聚類分析是一類統(tǒng)計(jì)方法，可應(yīng)用于描述那些自身展現(xiàn)出分類特性的數(shù)據(jù)。進(jìn)行聚類分析時，并沒有因變量和自變量之分，而是要檢驗(yàn)所有的相互依存關(guān)系。進(jìn)行聚類分析就是查找并整理原始客戶數(shù)據(jù)，再將這些客戶劃分為簇?！按亍笔且唤M相對同質(zhì)的客戶。同一個簇中的客戶彼此相似，但與簇外的客戶并不相似，與其他簇的客戶尤為不同。聚類分析的主要輸入信息是對客戶之間相似性的衡量指標(biāo)，例如相關(guān)系數(shù)、距離度量和關(guān)聯(lián)系數(shù)。以下是聚類分析的幾個基本步驟：

1. 提出問題并選出想要作為聚類依據(jù)的變量；
2. 根據(jù)選擇的變量計(jì)算客戶間的距離；
3. 將聚類步驟應(yīng)用于距離測量；
4. 確定簇的數(shù)目；
5. 描繪、闡釋簇并得出結(jié)論（在此感知圖等說明方法很有用）。

距離度量

任何聚類分析的主要輸入?yún)?shù)都是進(jìn)行聚類的個體之間的距離度量。距離度量即對進(jìn)行市場細(xì)分的個體在選定變量上的差異進(jìn)行量化。兩個個體之間距離較短（較長）就意味著這兩者在這個市場細(xì)分變量方面的偏好更相似（不相似）。兩個個體之間的距離是用歐氏距離來衡量的（x_1代表個體x在變量1上的值，y_1代表y在變量1上的值）。計(jì)算出這次聚類分析中全部個體彼此之間的歐氏距離，繼而求出兩兩之間的距離矩陣。

K均值聚類算法

K均值聚類屬于非層次類聚類算法，由于簡單、快速而得到較為廣泛的應(yīng)用。這種算法在處理不同類型的多個變量時具有穩(wěn)健性，更加適合營銷中常見的大數(shù)據(jù)集，且對具有離群值的異?？蛻簦磁c其他客戶完全不同的客戶）不太敏感。在開始聚類算法之前必須指定需要的簇的數(shù)目。K均值聚類的基本算法如下：

1. 選定簇的數(shù)量k；
2. 隨機(jī)選擇k個數(shù)據(jù)點(diǎn)作為聚類質(zhì)心；
3. 將每個數(shù)據(jù)點(diǎn)分配給距離它最近的聚類質(zhì)心；
4. 重新計(jì)算新的聚類質(zhì)心；
5. 重復(fù)前兩步，直到某個收斂標(biāo)準(zhǔn)得到滿足。這個收斂標(biāo)準(zhǔn)通常是指客戶數(shù)據(jù)點(diǎn)所分配到的簇在多次迭代中保持恒定。

一個聚類質(zhì)心簡單來說就是這個簇中所有數(shù)據(jù)點(diǎn)的平均值。它的坐標(biāo)是簇中所有點(diǎn)在每個維度上的算術(shù)平均值。

簇的數(shù)目

K均值聚類的一個主要問題是沒有對數(shù)據(jù)中簇的數(shù)目給出判斷。K均值聚類必須根據(jù)不同的k值（簇的數(shù)目）多次計(jì)算，來確定適用于數(shù)據(jù)的簇?cái)?shù)。確定簇?cái)?shù)一個常用的方法是“肘形判據(jù)”（elbow criterion，亦作“手肘法”“肘部法則”等）。

肘形判據(jù)的標(biāo)準(zhǔn)是，當(dāng)目前所選的簇?cái)?shù)為最佳值時，新增另一個簇便不會新增足夠的信息。我們可以通過簇的數(shù)量標(biāo)繪“簇內(nèi)方差”與“簇間方差”的比率，來判定“肘”的位置。

對某個簇中的客戶進(jìn)行市場細(xì)分時會選定一些變量作為依據(jù)，對這些變量的方差平均值的估值便是“簇內(nèi)方差”。對不同細(xì)分市場中客戶市場細(xì)分變量的方差平均估值則稱為“簇間方差”。聚類分析的目的是使簇內(nèi)方差最小化，并使簇間方差最大化。因此隨著簇的數(shù)目不斷增加，簇內(nèi)方差與簇間方差的比值不斷減小。但簇?cái)?shù)增加到一定值的時候，再增加另一個簇帶來的邊際收益會下降，這樣圖表中便會出現(xiàn)一個折角（肘形），即最合適的簇?cái)?shù)。

聚類凝聚點(diǎn)的初始分配會影響最終的模型性能。用于確保從K均值聚類法獲得穩(wěn)定結(jié)果的一些常用方法如下：

• 用不同的初值多次運(yùn)行算法。當(dāng)使用不同的起始點(diǎn)時，多次運(yùn)行算法以保證每次的起點(diǎn)都不相同。
• 隨機(jī)將數(shù)據(jù)劃分為兩部分，在每一部分分別進(jìn)行聚類分析。如果兩部分的簇的數(shù)目與簇的大小均相似的話，那么該結(jié)果便是穩(wěn)健和穩(wěn)定的。

分析簇

一旦確定了簇，便可根據(jù)聚類分析的變量或使用人口統(tǒng)計(jì)特征等附加數(shù)據(jù)來描述簇，由此為每個細(xì)分市場制定營銷策略。描述簇的過程被稱為“分析”。

對于一個給定的市場細(xì)分標(biāo)準(zhǔn)，K均值聚類算法可以用來確定簇以及每個簇中的客戶。然而管理層必須慎重選擇進(jìn)行市場細(xì)分的變量。用來評估市場細(xì)分方案有效性的常用標(biāo)準(zhǔn)包括：

• 可識別性，管理人員識別市場中細(xì)分市場的難易程度。
• 可持續(xù)性，細(xì)分市場必須能夠代表足夠大的市場份額，以確保營銷方案的個性化制定具有盈利性。
• 可獲得性，通過營銷活動，營銷經(jīng)理對所識別的細(xì)分市場的接觸程度。
• 可行性，細(xì)分市場中的客戶和滿足他們需求所必需的營銷組合是否與公司的目標(biāo)與核心競爭力一致。

聯(lián)合分析法

聯(lián)合分析法是一種營銷研究方法，有助于經(jīng)理們判定客戶和潛在客戶的偏好。具體地說，聯(lián)合分析法會判定客戶對產(chǎn)品不同屬性的重視程度，以及在產(chǎn)品的眾多屬性和特性之間如何取舍。因此，聯(lián)合分析法最適用于自身屬性具體有形、容易描述或量化的產(chǎn)品。以下是現(xiàn)代聯(lián)合分析法比較重要的幾個應(yīng)用領(lǐng)域：

• 根據(jù)競爭對手現(xiàn)有的產(chǎn)品，預(yù)測本公司即將推出的新產(chǎn)品會占多少市場份額；
• 預(yù)測新的競爭產(chǎn)品對已有任一產(chǎn)品市場份額的影響；
• 判定客戶對即將推出的新產(chǎn)品的購買意愿；
• 量化客戶或潛在客戶面對正在研發(fā)的新產(chǎn)品設(shè)計(jì)中的不同屬性或特性將如何決策。

實(shí)驗(yàn)設(shè)計(jì)

聯(lián)合分析法的第一步是實(shí)驗(yàn)設(shè)計(jì)，其中包括所有將用于測試的屬性和屬性值。聯(lián)合分析法中有屬性和通常被稱為“水平”的兩個概念。屬性可以是價格、顏色等，水平指具體的數(shù)值或有無。建立實(shí)驗(yàn)設(shè)計(jì)時，要牢記以下幾點(diǎn)：

• 每種屬性的水平對于被調(diào)查的人來說越具體、越好理解，調(diào)查結(jié)果就越有效。
• 測試的屬性水平越多，就需要越多的數(shù)據(jù)才能獲得相同的輸出準(zhǔn)確度。
• 對于定量變量（比如價格），任意兩個相鄰水平之間的距離越大（如相隔24000美元），就越難了解客戶如何對處于兩者之間的水平進(jìn)行評價。

數(shù)據(jù)收集

現(xiàn)有收集聯(lián)合數(shù)據(jù)的方法，是使用個人電腦或網(wǎng)絡(luò)版軟件來引導(dǎo)被調(diào)查者完成互動式的聯(lián)合調(diào)查。軟件利用調(diào)查人員提供的實(shí)驗(yàn)設(shè)計(jì)生成假定的產(chǎn)品屬性，并根據(jù)參與調(diào)查者的評分或選擇來估算屬性水平的效用。

閱讀聯(lián)合分析法實(shí)驗(yàn)結(jié)果

聯(lián)合分析的基本結(jié)果是估算得到的屬性水平效用值。估算得到的效用值（或稱“分值”）對應(yīng)的是消費(fèi)者對任一給定屬性水平的平均偏好。對任意一個給定屬性，估算得到的效用值通常會用一個總和為零的分?jǐn)?shù)系統(tǒng)來整理，因此負(fù)數(shù)并不意味著該水平的效用值為負(fù)，而是表示這個水平在總體上不如擁有正的估算效用值的水平受歡迎。

聯(lián)合分析法的輸出信息也常帶有t值，即評價統(tǒng)計(jì)顯著性的常用指標(biāo)。

聯(lián)合分析法的應(yīng)用

（1）權(quán)衡分析

計(jì)算產(chǎn)品效用的方法十分簡單，將各個屬性水平的效用加在一起便可求得。 可以利用效用來分析普通客戶如何對一個屬性進(jìn)行取舍以獲得另一個更好的屬性。

（2）預(yù)測市場份額

要利用聯(lián)合分析結(jié)果進(jìn)行這類預(yù)測，必須滿足以下兩個條件：

• 公司必須了解，除了自己的產(chǎn)品之外，客戶在該范疇下進(jìn)行選擇時有可能考慮的所有其他產(chǎn)品；
• 實(shí)驗(yàn)設(shè)計(jì)必須列出這些競爭產(chǎn)品的每一種重要特征。公司不僅要計(jì)算出自己產(chǎn)品的效用，還必須能夠計(jì)算出所有競爭產(chǎn)品的效用。

市場份額預(yù)測需要使用多項(xiàng)邏輯模型。（U_i是產(chǎn)品i的估用效應(yīng)，U_j是產(chǎn)品j的估用效應(yīng)，n是競爭環(huán)境中產(chǎn)品的總數(shù)量，包括產(chǎn)品i）

（3）判定屬性重要性

從直觀上來說，一個給定屬性內(nèi)估計(jì)效用之間的差異反映了該屬性在選擇過程中的重要性。計(jì)算屬性重要性的常用公式為：（I_i是屬性i的重要性，U_max是某一屬性的最高效用值，U_min是某一屬性的最低效用值）

得到的結(jié)果總是介于0和1之間，并通常理解為一個屬性在整個選擇過程中的決策權(quán)重百分比。