Marketingforschung Lecture 9
Marketingforschung lecture 9
Marketingforschung lecture 9
Set of flashcards Details
| Flashcards | 19 |
|---|---|
| Language | Deutsch |
| Category | Micro-Economics |
| Level | University |
| Created / Updated | 09.12.2016 / 06.01.2023 |
| Weblink |
https://card2brain.ch/box/20161209_marketingforschung
|
| Embed |
<iframe src="https://card2brain.ch/box/20161209_marketingforschung/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>
|
Überblick Clusteranalyse
Clusteranalyse ist ein Oberbegriff für eine Reihe von unterschiedlichen Verfahren
Alle haben das Ziel, Elemente (z.B. Konsumenten, Unternehmen) anhand von Merkmalen zu gruppieren (Cluster zu bilden)
Die Elemente innerhalb einer Gruppe sollen möglichst ähnlich (homogen) seinsich aber möglichst stark von Elementen in anderen Gruppen unterscheiden
• Jedes Element wird genau einer Gruppe zugeordnet • → Basis sind Gemeinsamkeiten und Unterschiede
Ziele von Clusteranalysen
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
Vorgehen Clusteranalyse
1. Variablen auswählen
2. Distanzmass auswählen
3. Cluster-Verfahren auswählen
4. Anzahl Cluster bestimmen
5. Validität der Cluster-Lösung beurteilen
Formale Anforderungen zum Variablen auswählen bei Clusteranalysen
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)
Theoretische überlegungen / beobachtbare Segmentierungsmerkmale zum Variablen auswählen
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 zum Variablen auswählen
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)
distanzmass: eukldische distanz
distanzmass: city block distanz
zwei arten von cluster verfahren
hierarchisch oder nicht hierarchisch - k-means
4 merkmale hierarchische clusterverfahren
Für metrisch, nominalskalierte oder gemischt skalierte Variablen
Für grosse Fallzahl nicht geeignet (>250)
Clusteranzahl muss nicht vorgegeben werden
Ein Durchgang berechnet mehrere Lösungen
ablauf hierarchische clusteranalyse
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
distanz: single linkage = nächstgelegener nachbar
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)
distanz: complete linkage = entferntester anchbar
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
distanz: average linkage
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.
ablauf k-means
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
richtlinien um anzahl cluster zu bestimmen
• 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.
5 krieterien um reliabilität und validität der clusterlösung zu beurteilen
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
clusteranalyse wird massgeblich beeinflusst durch 4 punkte
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!
3 punkte kritik clusteranalyse
• ist vergleichsweise ‘unwissenschaftlich’
• ist kein sinnstiftendes Verfahren, sondern ein
klassifizierendes Verfahren
• Unterschiedliche Verfahren führen meist zu anderen Lösungen
