Minkä tahansa prosessin hallinta, mukaan lukienmarkkinointiin liittyy objektiivinen markkinatilanteen arviointi. Markkinamahdollisuuksien analyysin kaikissa vaiheissa, mukaan lukien kohdemarkkinoiden valinta, markkinointiseoksen kehittäminen ja markkinointitoimintojen toteuttaminen, on vähitellen edettävä tahattomasti tutkimuksen tarpeessa. Tässä tapauksessa ei tarvitse luottaa vain analyytikon itse lahjakkuuteen ja kokemukseen, vaan myös hänen tietojenkäsittelymenetelmien taitavaan käyttöön.
Nykyaikaisessa taloudessa monimutkaisuudellaan japrosessien monipuolisuuden, valtavan määrän tietoa, on erittäin ongelmallista löytää merkittävin data käyttämättä erilaisia tilastopaketteja.
Erityinen rooli markkinoinnissatutkimus vie klusterianalyysin. Luonteeltaan se on yhdistetty menetelmä, joka yhdistää useita tilastollisen tutkimuksen menetelmiä. Se perustuu monimuuttujahavaintojen luokitteluun, joista jokaisella on oma joukko kuvailevia muuttujia. Klusterianalyysi olettaa, että kohde voidaan luokitella suhteellisiksi homogeenisiksi (homogeenisiksi) ryhmiksi ja ottaa huomioon alkujoukon muuttujia. Toisin sanoen esineet on jaoteltu ryhmiin. Ryhmissä ne osoittavat yhtäläisyyksiä monin tavoin.
Klusterianalyysimenetelmiä käytetään monenlaisiin markkinointitehtäviin.
Markkinoiden segmentointi antaa sinun hajottaakuluttajaryhmä klustereiksi tietyn tuotteen hankinnasta odotettujen hyötyjen perusteella. Jokainen klusteri voi koostua kuluttajista, jotka etsivät samanlaisia etuja. Nimi valittiin asianmukaisesti - etujen segmentointimenetelmä.
Asiakaskäyttäytymisen analyysi. Tämän ongelman ratkaisemisessa klusterianalyysiä käytetään luomaan homogeenisia kuluttajaryhmiä heidän käyttäytymisensä mallintamiseksi.
Määrittämällä uuden tuotteen ominaisuudet voittehdä klusterointi tavaramerkkien avulla, vaikka on selvää säännöllisyyttä, kun saman klusterin tavaramerkit kilpailevat keskenään tiukemmin kuin muiden klustereiden tuotemerkit.
Ryhmittelemällä kaupungit klustereiksi voit valita sopivimmat myyntimarkkinat tietylle tuotteelle.
Klusterianalyysi mahdollistaa dimensioiden pienentämisentiedot. Tarkkailemalla yksittäisiä klustereita ja siirtymällä sitten useiden erojen analysointiin. Se on paljon helpompaa ja halvempaa kuin tarkastella kutakin tapausta erikseen.
Klusteroinnin tarkoituksena on ryhmittelyesineitä vastaavilla perusteilla. Jotta samankaltaisuuden aste voidaan arvioida objektiivisemmin, olisi otettava käyttöön tietty viiteyksikkö. Klustereita muodostettaessa ne luottavat yleensä kahteen tai useampaan ominaisuuteen samanaikaisesti.
Klusterianalyysi sisältäälaaja valikoima klusterointimenetelmiä. Niistä voidaan erottaa esimerkiksi todennäköisyysperiaate, tekoälyjärjestelmiin perustuvat lähestymistavat, looginen lähestymistapa, hierarkkinen lähestymistapa.
Hierarkkinen klusterianalyysi olettaamonimutkainen järjestelmä, jossa on useita sisäkkäisiä ryhmiä tai klustereita eri tilauksista. Tässä menetelmässä käytetään kahdenlaisia piirteitä. Agglomeratiiviset (yhdistävät) merkit ovat rinnakkain jakautuvien (jakavien) merkkien kanssa. Ominaisuuksien lukumäärä johtaa jakamiseen monoteettisiin ja polyteettisiin luokitusmenetelmiin.
Käyttämällä kaikkia näitä menetelmiä tilastoissa,klusterointialgoritmeja on noin sata. Mutta hierarkkinen klusterianalyysi on johtava paikka tässä luettelossa. Sen houkuttelevuus on siinä, että se toimii täydellisesti, kun tietoja on niukasti, ja vaikka käytettävissä olevat tiedot eivät täytä satunnaismuuttujien normaalijakaumavaatimusten sekä muiden klassisten tilastomenetelmien vaatimusten mukaisia ehtoja.
