|
SPSS для Windows
Аналитический процесс
Планирование исследований
Сбор данных
Доступ к данным и подготовка данных
Статистические методы анализа данных:
Описание данных
Прогнозирование числовых результатов
Использование сегментации и классификации для выделения групп
Сегментация/снижение размерности
Классификация
Повышение качества прогнозов
Представление результатов
Распространение результатов
Системные требования
|
|
Сегментация/снижение размерности
Группировка людей или объектов для данных любого объема
В SPSS для Windows есть несколько методов кластеризации, позволяющих проводить сегментацию данных. Выбор метода зависит от объема имеющихся данных и от того, есть ли необходимость работать одновременно с данными нескольких типов. Подобная гибкость в выборе метода обеспечивает наиболее точную сегментацию имеющихся данных.
Если необходимо кластеризовать данные, в которых есть как количественные (например, доход), так и категориальные (например, семейное положение) переменные, и/или объем данных достаточно велик, то используется метод Двухэтапного кластерного анализа (в SPSS Base) — масштабируемая процедура кластерного анализа, позволяющая работать с данными различных типов. На первом этапе работы алгоритма наблюдения предварительно кластеризуются в большое количество суб-кластеров. На втором этапе полученные суб-кластеры группируются в необходимое количество кластеров. Если необходимое количество кластеров неизвестно, процедура сама автоматически определяет его.
Например, при помощи Двухэтапного кластерного анализа маркетолог может выделять группы людей, одновременно используя такие показатели как пол, возраст и уровень дохода. Полученные результаты позволят менеджерам телевизионной компании ориентировать телепередачи на определенную аудиторию и повысить их рейтинг.
Если необходимо сгруппировать данные в достаточно больших файлах, например, если Вы анализируете базу данных клиентов, то, как правило, используется Кластеризация k-средними (в SPSS Base). В этой процедуре создается заранее известное (заданное) количество кластеров. Можно выбрать один из двух методов классификации наблюдений — итерационное обновление координат центров кластеров или только классификацию. Информацию о принадлежности к кластерам и о расстояниях от окончательных центров кластеров можно сохранить в файле данных.
Например, при помощи метода k-средних можно провести кластеризацию городов, разбив их на однородные группы с тем, чтобы выявить схожие города для разработки маркетинговых стратегий.
Если объем данных небольшой, то можно воспользоваться процедурой Иерархического кластерного анализа (в SPSS Base) Она начинается с того, что каждое наблюдение образует один кластер. Затем кластеры объединяются до тех пор, пока не получится один. На каждом этапе объединения получается кластерное решение — то есть модель с определенным количеством кластеров. Когда объединение закончено и все кластеры объединены в один, из всех кластерных решений, полученных на каждом этапе объединения кластеров, нужно выбрать наиболее подходящее. Процедура позволяет использовать 40 мер сходства и различия, проводить стандартизацию данных с использованием различных методов, а также кластеризовать либо наблюдения, либо переменные. При этом можно использовать исходные переменные или переменные, преобразованные одним из методов. При помощи процедуры Близости можно генерировать расстояния и меры сходства. Вычисление статистик на каждом из этапов кластерного анализа помогает выбирать наилучшее решение.
Иерархический кластерный анализ можно использовать в маркетинговых исследованиях для выявления телепрограмм, которые привлекают зрителей с одинаковыми предпочтениями. Кластеризацию телепрограмм можно провести, разбив их на однородные группы, основанные на сходных характеристиках зрителей. Это позволит выделить сегменты для проведения рекламных кампаний.
Другие процедуры для идентификации групп
- Факторный анализ и Анализ главных компонент (в SPSS Base) — идентификация неявных переменных (факторов), объясняющих связи между переменными. Эта процедура используется для выявления небольшого числа факторов, объясняющих большую часть дисперсии в исходных переменных.
- Многомерное шкалирование (в SPSS Categories) — поиск закономерностей на основе анализа расстояния между объектами и наблюдениями. Например, подбор измерений, отражающих различия в восприятии покупателями автомобилей.
Подробная информация о SPSS Base
|
