بررسی روش تجزیه و تحلیل: تجزیه و تحلیل تقسیم بندی

تجزیه و تحلیل تقسیم بندی برای ده ها سال بخشی از تحقیقات بازاریابی بوده است. این امر همچنان در انواع مختلفی از موقعیت های مختلف مفید است ، حتی اگر هدف اصلی مطالعه تقسیم بندی نباشد. از آنجا که تقسیم بندی داده ها را به گروه های نسبتاً همگن تقسیم می کند ، تلاش های بازاریابی مانند هدف قرار دادن ، موقعیت یابی ، حفظ و توسعه محصول می تواند با کارایی بیشتری انجام شود. در حالی که ارزش تجزیه و تحلیل تقسیم بندی به ندرت مورد سؤال قرار می گیرد ، روشهای توسعه بخش ها همیشه به بحث های قابل توجهی منجر شده است.

یکی از ساده ترین راه های تقسیم داده ها ، تجزیه و تحلیل اساسی جدول بندی متقابل است. پاسخ دهندگان را می توان به گروه های سنی یا درآمد تقسیم کرد و تفاوت های آنها در بین سؤالات مختلف مورد مطالعه قرار گرفت. این رویکرد از پیش تعیین کننده پاسخ دهنده اغلب به عنوان یک تقسیم بندی پیشینی گفته می شود.

استفاده از بخش های پیشینی ، اگرچه جذاب است ، اما با توجه به نیاز به به دست آوردن بخش های پیچیده بر اساس متغیرهای متعدد ، اغلب کافی نیست. بنابراین ، بیشتر بخش های زمانی پس از جمع آوری داده ها باید توسعه یابد. در این مقاله روشهای مختلف تقسیم بندی ، سنتی و اخیر را در نظر خواهیم گرفت که می تواند برای رفع مشکلات تحقیق بازاریابی مورد استفاده قرار گیرد. سه روشی که ما در نظر خواهیم گرفت عبارتند از:

در ابتدا لازم به ذکر است که صرف نظر از روشی که برای تجزیه و تحلیل استفاده می شود ، کیفیت طرح تقسیم بندی با سودمندی آن برای مدیر تعیین می شود. حتی اگر آمار نشان دهد که یک راه حل خاص بهترین راه حل است ، اگر برای مدیر مفید نباشد ، تجزیه و تحلیل تقسیم بندی باید به عنوان یک شکست تلقی شود. این شرایط به اندازه آنچه به نظر می رسد سخت نیست ، زیرا نه تنها بسیاری از راه حل های مختلف با مجموعه ای از متغیرها ممکن است ، بلکه تغییر مجموعه متغیر می تواند منجر به راه حل های بیشتر شود. علاوه بر این ، استفاده از روشهای مختلف تحلیلی نیز می تواند راه حل های جدیدی را ارائه دهد. سرانجام ، اگر این امر باعث شود آنها عملی تر شوند ، گزینه تقسیم برخی از بخش های به دست آمده به زیر مجموعه ها نیز وجود دارد.

در مرحله بعد ، ما به هر یک از روشهای تقسیم بندی ذکر شده در بالا و نحوه کار آنها خواهیم پرداخت. این موضوع با بحث در مورد ایده ها برای توسعه بخش های خوب دنبال خواهد شد.

آنالیز خوشه ای

تجزیه و تحلیل خوشه ای روش سنتی است که برای تقسیم بندی در تحقیقات بازاریابی استفاده می شود. این در واقع خانواده ای از روش هایی است که تغییرات زیادی را در بر می گیرد و می تواند به طور گسترده ای تحت دو گروه مجزا طبقه بندی شود: روشهای سلسله مراتبی و غیر سلسله مراتبی (یا پارتیشن بندی).

خوشه بندی سلسله مراتبی شامل روشهایی است که ایده اصلی این است که با هر مشاهده به عنوان یک خوشه شروع شود. هر مشاهده در یک فضای N بعدی قرار دارد که N تعداد ویژگی های مورد استفاده در تجزیه و تحلیل است. فاصله بین مشاهدات با استفاده از نوعی متریک از راه دور مانند فاصله اقلیدسی اندازه گیری می شود. بر اساس این مسافت ها ، مشاهداتی که به یکدیگر نزدیک هستند ، به هم پیوسته اند تا یک خوشه جدید تشکیل دهند. این فرایند تا زمانی که تمام مشاهدات در یک خوشه واحد ادغام شوند ، ادامه می یابد. تعداد بهینه خوشه ها را می توان با بررسی اقدامات استاندارد از تناسب (آماری مانند معیار خوشه بندی مکعب ، شبه F و شبه T2) برای هر محلول خوشه ای تعیین کرد.

در مقابل ، می توان با تمام مشاهدات با هم به عنوان یک خوشه شروع کرد و به عقب کار کرد تا اینکه هر مشاهده به خودی خود به یک خوشه تبدیل شود. با هر دو نوع روش سلسله مراتبی ، تحلیلگر برای تعیین تعداد مناسب خوشه ها باید نتایج تجزیه و تحلیل را بررسی کند.

در روشهای غیر سلسله مراتبی (مانند خوشه بندی K- معنی) ، مشاهدات تصادفی به عنوان دانه (یا مراکز خوشه ای) برای تعداد از پیش تعیین شده خوشه ها انتخاب می شوند. بنابراین ، ترتیب اولیه داده ها می تواند تشکیل خوشه ها را دیکته کند. مشاهداتی که نزدیک به یک بذر خاص هستند به آن دانه اختصاص داده می شوند ، بنابراین باعث خوشه ها می شوند. تحلیلگر سپس به منظور تعیین تعداد بهینه خوشه ها ، آمار مناسب را برای انواع راه حل ها به دست می آورد.

انتخاب تعداد مناسب خوشه ها حتی با مجموعه داده هایی که به خوبی رفتار خوبی دارند ، هرگز آسان نیست. در روشهای متداول مانند خوشه بندی k-mean ، تحلیلگر باید تعداد خوشه های مورد نظر را مشخص کند. این می تواند مشکل ساز باشد ، زیرا الگوریتم بدون در نظر گرفتن اینکه بخش های مناسب در داده ها وجود دارد ، مشاهدات را به خوشه ها اختصاص می دهد. آمار مناسب که نشان می دهد تعداد بهینه خوشه ها اغلب نامشخص است. بعضی اوقات ممکن است تعداد بهینه خوشه ها حس عملیاتی نکنند. در چنین مواردی باید قبل از تصمیم گیری در مورد تعداد بهینه خوشه ها ، عملکردی در نظر گرفته شود. از این رو ، فرایند توسعه بخش ها از داده ها با استفاده از تجزیه و تحلیل خوشه ای محتوای تفسیری بالایی دارد.

شبکه های عصبی

شبکه های عصبی مصنوعی علاوه بر تنوع تکنیک های مورد استفاده برای تجزیه و تحلیل داده ها علاوه بر این هستند. دو نوع اصلی شبکه عصبی وجود دارد: یادگیری تحت نظارت و شبکه های یادگیری بدون نظارت. از شبکه های یادگیری تحت نظارت می توان به جای روشهای سنتی مانند رگرسیون و تجزیه و تحلیل تبعیض آمیز استفاده کرد و در مقاله قبلی در این سری مورد بحث قرار گرفت. شبکه های یادگیری بدون نظارت موضوع بحث ما در اینجا هستند.

شبکه های یادگیری بدون نظارت معمولاً در صورت عدم وجود تمایز مشخص بین متغیرهای وابسته و مستقل در داده ها و هنگام تشخیص الگوی یا ساختار مورد استفاده قرار نمی گیرند. از آنجا که تشخیص الگوی واقعاً همان چیزی است که در تجزیه و تحلیل تقسیم بندی مورد نیاز است ، برای این منظور می توان از شبکه های عصبی بدون نظارت استفاده کرد. نوع شبکه یادگیری بدون نظارت مناسب ترین برای مشکل تقسیم بندی ، نقشه خود سازماندهی (SOM) است که توسط Teuvo Kohonen تهیه شده است.

نقشه خود سازماندهی

SOM معمولی از یک لایه ورودی و یک شبکه مانند ساختار معروف به لایه Kohonen تشکیل شده است. لایه ورودی شامل متغیرهایی است که در تجزیه و تحلیل استفاده می شود ، در حالی که لایه Kohonen یک شبکه از عناصر پردازش است. هر یک از متغیرهای موجود در لایه ورودی به هر یک از عناصر پردازش موجود در لایه Kohonen متصل می شوند. این اتصالات قبل از شروع تجزیه و تحلیل دارای وزن شروع تصادفی هستند.

هنگامی که اطلاعات مربوط به اولین پاسخ دهنده به شبکه ارائه می شود ، عناصر پردازش "با یکدیگر" رقابت می کنند. با ترکیب ریاضی اولین نمره پاسخ دهنده در هر متغیر ورودی با وزن هر اتصال ، می توان عنصر پردازش را با نمره "برنده" تعیین کرد. برنده شدن دلالت بر این دارد که این عنصر پردازش خاص همان چیزی است که از نزدیک به نمرات ورودی مخاطب شباهت دارد. این عنصر پردازش "برنده" نامیده می شود. وزنهای مرتبط با برنده سپس با نزدیکتر شبیه به پاسخ دهنده تنظیم می شود. این شبکه را می توان به عنوان یادگیری الگوی پاسخ پاسخ دهنده تصور کرد.

نه تنها وزن مرتبط با عنصر پردازش برنده تغییر می کند ، بلکه وزن عناصر پردازش همسایه نیز تغییر می کند. به عبارت دیگر ، منطقه ای از شبکه در حال یادگیری تمایلات پاسخ دهنده است.

هنگامی که داده های پاسخ دهنده دوم به شبکه ارائه می شود ، روند تکرار می شود. اگر پاسخ دهنده دوم شبیه به اول باشد ، یک عنصر پردازش از همان منطقه از شبکه برنده می شود. این که آیا این همان عنصر پردازش است که آخرین بار به این بستگی دارد که آیا پاسخ دهنده دوم دقیقاً شبیه به اولی است یا خیر. اگر پاسخ دهنده دوم بسیار متفاوت باشد ، یک عنصر پردازش در بخش دیگری از شبکه برنده خواهد شد.

در پایان این فرآیند ، شبکه نمایش دو بعدی از داده ها را با بخش های مختلف نشان می دهد که به عنوان محلات مختلف روی نقشه نشان داده می شوند. به دلیل فرآیند تکراری که در بالا توضیح داده شد ، بخش های قابل توجهی را نمی توان در اطراف فضای دور تشکیل داد. این یک مزیت واضح است که این روش از تجزیه و تحلیل خوشه ای سنتی K-Means لذت می برد.

SOM ها همچنین از این مزیت برخوردار هستند که در ابتدا نه تنها به عنوان یک ابزار کاهش داده ، بلکه به عنوان یک ابزار تجسم داده نیز توسعه یافته اند. این توانایی به SOM اجازه می دهد تا درک بصری تری از رابطه بین متغیرها و بخش ها ارائه دهد ، از این رو روند توسعه بخش ها را آسان تر می کند. با این حال ، برخی از کارشناسان احساس می کنند کاهش یک مشکل چند بعدی به یک فضای دو بعدی برای تجسم در واقع می تواند به دلیل محدودیت هایی که ممکن است در فرآیند تقسیم بندی تحمیل کند ، یک ضرر باشد. یک نقطه ضعف بیشتر در مورد مجموعه داده های بزرگ ، مقدار زمان لازم برای اجرای تجزیه و تحلیل در مقایسه با تجزیه و تحلیل خوشه K-Means است.

مدل های مخلوط

این یک دسته گسترده دیگر از روشهای تقسیم بندی است. روش اصلی پیوند ایده در این گروه این است که داده ها حاوی بسیاری از توزیع ها یا بخش هایی هستند که با هم مخلوط می شوند. سپس وظیفه تجزیه و تحلیل به یکی از عدم استفاده از توزیع ها تبدیل می شود و به همین دلیل به آنها نیز مدل های Unmixing گفته می شود.

یکی از تفاوتهای عمده بین روشهای خوشه ای که قبلاً توضیح داده شد و مدل های مخلوط ، مشخصات قبلی تعداد بخش های موجود در داده ها است. در تجزیه و تحلیل خوشه ای غیرشی ، ما باید صریحاً تعداد خوشه ها را در داده ها مشخص کنیم. در تجزیه و تحلیل خوشه ای سلسله مراتبی نتایج برای هر محلول خوشه ای ممکن ارائه می شود (با این حد که هر مشاهده ای به عنوان یک خوشه تحت درمان قرار می گیرد) ، بنابراین به طور مؤثر باعث می شود که تحلیلگر تعداد بهینه خوشه ها را انتخاب کند. در مدل های مخلوط ، فرض توزیع های اساسی امکان استفاده از رویکردهای بهینه سازی را فراهم می کند که می تواند به طور خودکار تعداد بخش ها (توزیع) در داده ها را شناسایی کند.

یکی دیگر از تنوع رویکرد مدل مخلوط به تقسیم بندی ، به عنوان تجزیه و تحلیل تقسیم بندی نهان شناخته می شود. در حالی که متعلق به خانواده مدل مخلوط است ، مزایایی دارد که ممکن است در یک زمینه تحقیق بازاریابی بسیار مفید باشد. به عنوان مثال ، تجزیه و تحلیل تقسیم بندی نهان امکان انجام همزمان یک تقسیم بندی و تجزیه و تحلیل درایور کلیدی را فراهم می کند ، جایی که هر بخش می تواند تجزیه و تحلیل درایور کلیدی منحصر به فرد خود را داشته باشد. بنابراین اگر یک مدیر علاقه مند باشد نه تنها بخش ها را شناسایی کند بلکه به درک محرک های اصلی ، مثلاً رضایت در هر بخش ، این یک روش مناسب برای استفاده است. این فرآیند ابتدا از اجرای یک تجزیه و تحلیل تقسیم بندی کارآمدتر است و به دنبال آن درایور کلید جداگانه برای هر بخش اجرا می شود.

در حالی که مدل های مخلوط می توانند در ایجاد بخش ها بسیار مفید باشند ، اما همچنین دارای معایبی هستند. نقطه ضعف اصلی با زمان زیادی که برای اجرای تجزیه و تحلیل مورد نیاز است ، به ویژه هنگامی که با تجزیه و تحلیل خوشه K-Mean مقایسه می شود. همچنین معایب دیگری مانند حساسیت به حضور دور افتاده ها نیز وجود دارد.

نتیجه

در حالی که انواع مختلفی از رویکردهای تجزیه و تحلیل تقسیم بندی در اینجا مورد بحث قرار گرفته است ، مشخص نیست که یک رویکرد وجود دارد که در هر شرایطی بهترین است. تجزیه و تحلیل تقسیم بندی اغلب شامل تلاش بیش از یک روش برای به دست آوردن بهترین نتیجه است. دلیل اصلی این امر این است که برخلاف تجزیه و تحلیل کلیدی درایور ، تجزیه و تحلیل تقسیم بندی کاملاً بدون ساختار است. راه حل نهایی به تعداد و ماهیت متغیرهای موجود در تجزیه و تحلیل بستگی دارد. تغییر حتی یک متغیر می تواند تأثیر شدیدی بر نتایج داشته باشد. با این حال ، بدون دیدن نتایج ، شناسایی متغیرهایی که می توانند در تجزیه و تحلیل مفید باشند دشوار است. این نوع مشکل دایره ای حاکی از آن است که مهمترین مرحله در تجزیه و تحلیل تقسیم بندی ، انتخاب متغیرها برای استفاده است. هرچه فکر بیشتری برای انتخاب متغیرها داشته باشیم ، احتمال اینکه نتایج مفید باشد بیشتر است.

چند مرحله دیگر وجود دارد که می توان از آن استفاده کرد (با هر یک از روشهای توصیف شده در اینجا) برای افزایش احتمال توسعه بخش های خوب. اینها هستند:

• از بین بردن دور دور
• با استفاده از تا حد امکان متغیرهای ورودی
• استفاده از متغیرهای ورودی با همبستگی کم بین آنها

از بین بردن مسافت ها نه تنها تضمین می کند که بخش ها روی آنها متمرکز نمی شوند ، بلکه منجر به بخش های محکم تر و بهتر می شوند. استفاده از متغیرهای ورودی در حد امکان بسیار دشوار است ، اما برای استخراج راه حل های مفید و به موقع بسیار مهم است. فراتر از این واقعیت که متغیرهای بی ربط می توانند تجزیه و تحلیل را خراب کنند ، با استفاده از متغیرهای بیش از حد ، تجزیه و تحلیل منتهی به راه حل هایی که مفید نیستند را پیچیده می کند. یکی از راه های کاهش تعداد متغیرهای ورودی ، حذف مواردی است که با سایر متغیرهای ورودی ارتباط دارند. علاوه بر این ، از آنجا که روش های تقسیم بندی نیز کار نمی کنند که در مجموعه متغیر ورودی یک مشکل همخوانی وجود داشته باشد ، منطقی است که تا حد امکان از بین بردن همبستگی را از بین ببرید.

کار اصلی من نظارت بر تحقیقات و فعالیتهای تحلیلی در TRC است. من معمولاً در طراحی و تجزیه و تحلیل آماری اکثر پروژه هایی که انجام می دهیم درگیر هستم. من سالهاست که با داده ها کار می کنم و در زمان خودم در اینجا با شرکت های بیشتری از آنچه می توانم به یاد بیاورم ، کار کرده ام ، که بسیاری از آنها نام خانوادگی هستند.

نظریه و عمل تحقیقات بازاریابی نهادهای مشابه اما متمایز هستند و تقاطع آنها به من علاقه مند است. غوطه وری در یکی دیگر را غنی می کند و من با تعامل نزدیک با آکادمی ، آن را دنبال می کنم.

چندین سال است که من تحقیقات بازاریابی را به دانشجویان MBA در دانشگاه کلمبیا ، به عنوان استادیار کمکی تدریس کردم. پیش از آن ، من شریک دانش در مرکز ییل برای بینش مشتری بودم که به ترجمه تحقیقات دانشگاهی برای پزشکان کمک می کرد.

سالهاست که کنفرانس هایی را با ترکیبی از سخنرانان دانشگاهی و پزشک سازماندهی کرده ام و چندین مقاله تحقیقاتی منتشر کرده ام. من همچنین به طور منظم سخنرانی های مهمان را در مدارس تجاری در وارتون و کلمبیا انجام می دهم تا به دانش آموزان کمک کنم تا موضوعات عملی را در تحقیقات درک کنند.

اگر می خواهید در مورد تحقیق صحبت کنید ، در صورت تمایل به من ایمیل بزنید. یا اگر ترجیح می دهید در مورد غذا ، تمرینات یا ورزش/تجزیه و تحلیل گپ بزنید ، این نیز کار می کند.

آموزش: دکتریدر بازاریابی ، SUNY Buffalo ؛بودن.- مهندسی الکترونیک و ارتباطات ، دانشگاه آنا ، هند < SPAN> برای چندین سال من تحقیقات بازاریابی را به دانشجویان MBA در دانشگاه کلمبیا ، به عنوان استادیار کمکی تدریس کردم. پیش از آن ، من شریک دانش در مرکز ییل برای بینش مشتری بودم که به ترجمه تحقیقات دانشگاهی برای پزشکان کمک می کرد.