Marketingforschung Lecture 9

1. Marktsegmentierung: homogene Gruppen von Kunden einer Marke / Produktgruppe finden (Bedürfnisse Ferien: Kultur, Erholung, Abwechslung/Stimulation, Ausgaben)

2. Spezifische Gruppen identifizieren und deren Kaufverhalten verstehen: Verhalten der verschiedenen Gruppen separat betrachten. Beispiele:
Wie beschaffen sich Interessenten für Kleinwagen, Kombis, Limousinen

Einkaufsverhalten nach sozialer Schicht (Einkommen, Bildung, Beruf, Status)
Bestimmte Interessengruppen (Lifestyle, Sportarten, Musikstil, bevorzugter Kleidungsstil) 

3. Marken und Produkte clustern: Welche Produkte sind ähnlich (Preis, Verkaufsort, Image)? Erkennen, gegen wen man als Unternehmen konkurriert. Stärken und Schwächen vergleichen.

4. Testmärkte clustern: z.B. Vergleichbare Städte finden (Anzahl Haushalte, Einzelhandelsanteil)

5. Gesellschaftliche Strukturen verstehen: Sinus Milieus 

1. Variablen auswählen
2. Distanzmass auswählen
3. Cluster-Verfahren auswählen
4. Anzahl Cluster bestimmen
5. Validität der Cluster-Lösung beurteilen 

Variablen sollen beim Clustern möglichst gleich viel Gewicht erhalten
Diese Anforderungen werden verletzt, wenn:

• Variablen unterschiedliche Masseinheiten haben (Unterschied CHF 1000 Einkommen hat mehr Gewicht als Einstellungsunterschied von 2 Einheiten auf einer 7er Skala)

• Variablen korrelieren (die zusammenhängenden Aspekte werden bei der Fusionierung überbetont, da sie mehrmals verglichen werden)

  Lösungsstrategien:

  • korrelierte Variablen ausschliessen
  • Standardisierung (z.B.: z-Transformation) 

Beobachtbare Segmentierungsmerkmale

• lassen sich objektiv bewerten

• sind einfach zu erfassen

• z.B. (sozio-)demografische Aspekte (Alter, Geschlecht,

  Wohnort, Einkommen, soziale Schicht)

• Probleme: Tendieren zu klischeehaften und zu breiten Gruppen

  (z.B. konservative Senioren, jugendliche Spassgesellschaft) 

Nicht beobachtbare Segmentierungsmerkmale

• persönliche Einstellungen (z.B. Umweltschutz), Werte (z.B. Religion, politische Orientierung), Motivationen, Interessen, sexuelle Orientierung, Risikofreude

• haben hohe Verhaltensrelevanz

• Erfassung solcher Merkmale ist aufwändig (z.B. Anzahl

  Fragen, Auswahl / Konstruktion guter Erhebungsinstrument) 

hierarchisch oder nicht hierarchisch - k-means

• Für metrisch, nominalskalierte oder gemischt skalierte Variablen

• Für grosse Fallzahl nicht geeignet (>250)

• Clusteranzahl muss nicht vorgegeben werden

• Ein Durchgang berechnet mehrere Lösungen 

jedes objekt ist ein cluster

berechnung aller distanzen

Suche nach den 2 objekten mit geringster distanz

zusammenfassung der 2 ähnlichsten objekte

berechung der neuen abstände

alle objekte in 1 gruppe

• Die Cluster werden über den geringsten Abstand zweier Elemente (Fälle, Personen, Cluster) ermittelt.

• Die Verbindung zweier Cluster wird brückenförmig durch je ein Objekt der beiden Cluster (‘single link’) hergestellt

• Bildet viele kleine und einige grosse Gruppen

• Gut geeignet, um Ausreisser zu identifizieren (die sehr kleinen Gruppen) 

• Die Cluster werden über den Maximalabstand aller Elemente (Fälle, Personen, Cluster) ermittelt

• Fusioniert werden Elemente mit dem geringsten Maximalabstand

• Neigt dazu, viele kleine, ähnlich grosse Gruppen zu bilden

• Liefert überlappende Clusterstukturen 

• Man berechnet fur je zwei Cluster (Fälle, Personen, Cluster) den Mittelwert aller Objektdistanzen und fusioniert die Cluster mit der kleinsten Durchschnittsdistanz

• Vom Clustereffekt her liegt diese Strategie zwischen Single Linkage und Complete Linkage (weniger starke Kettenbildung; weniger starke Tendenz zu vielen kleinen Gruppen)

• Bias liegt zwischen single linkage und complete linkage. 

vorgabe startgruppierung

berechung mittelwerte für gruppeneigenschaften

berechung fehlerquadratsummen

was passiert bei objektverschiebung: falls alle objekte untersuch ist fertig. falls vermingerung der ferhlerquadratsumme werden die objekte verlagert und gruppenmittelwerte neu berechnet

• Theoretische oder pragmatische Gründe
z.B. Anzahl Gruppen, die in früheren Untersuchungen gefunden wurden z.B. man will Markt in x Teile aufteilen

• Sprung bei Koeffizienten (Zuordnungsübersicht, Struktogramm / Ellenbogen, Dendrogramm - siehe unten)

• Relative Grösse von Clustern: Clustern mit zu wenigen Personen oder deutlich weniger Personen als in anderen Clustern machen häufig keinen Sinn.

• Clusteranzahl sollte im Verhältnis zu Variablenanzahl, Wertevariation und Fallzahl stehen:
Bei geringer Variablenanzahl, Wertevariation und Fallzahl ist es schwer Cluster zu finden.

Bei sehr grosser Variablenanzahl, Wertevariation und Fallzahl wird Anzahl Cluster gross und schwer zu interpretieren. 

• Verschiedene Distanzmasse ausprobieren

• Verschiedene Clustermethoden ausprobieren

• Split half (Datensatz halbieren und mit beiden Hälften rechnen, Lösungen vergleichen)

• Bei nicht hierarchischen Verfahren kann Reihenfolge der Daten eine Rolle spielen

• verschiedene Reihenfolgen ausprobieren 

• Wahl der Variablen

• Wahl des Fusionierungsalgorithmus

• Merkmale der zu clusternden Variablen (Skalierung, Einheitlichkeit ...)

• Merkmale der zu gruppierende Elemente
  Annahme 1: Noch nicht geclusterte Daten enthalten Cluster Annahme 2: Diese Cluster machen Sinn
  → Besonders bei latenten Variablen nicht klar
  → Validierung der Cluster notwendig
  → Clusteranalyse analysiert keine Cluster, sie bildet sie! 

• ist vergleichsweise ‘unwissenschaftlich’
• ist kein sinnstiftendes Verfahren, sondern ein

klassifizierendes Verfahren
• Unterschiedliche Verfahren führen meist zu anderen Lösungen