Введение (стр. 38 )

Рис. 5.50. Численность кластеров (решение для 2 кластеров)

 

Полученное решение несколько отличается от тех, которые вы, может быть, виде­ли в учебных пособиях по SPSS. Даже в наиболее практически ориентированных учебниках приведены искусственные примеры, где в результате кластеризации получаются идеальные целевые группы респондентов. В некоторых случаях (5) авторы даже прямо указывают на искусственное происхождение примеров. В на­стоящем пособии мы применим в качестве иллюстрации действия кластерного анализа реальный пример из практического маркетингового исследования, не от­личающийся идеальными пропорциями. Это позволит нам показать наиболее рас­пространенные трудности проведения кластерного анализа, а также оптимальные методы их устранения.

Перед тем как приступить к интерпретации полученных кластеров, давайте под­ведем итоги. У нас получилась следующая схема определения оптимального чис­ла кластеров.

■ На этапе 1 мы определяем количество кластеров на основании математическо­го метода, основанного на коэффициенте агломерации.

■ На этапе 2 мы проводим кластеризацию респондентов по полученному числу кластеров и затем строим линейное распределение по образованной новой пе­ременной (clul6_l). Здесь также следует определить, сколько кластеров состо­ят из статистически значимого количества респондентов. В общем случае реко­мендуется устанавливать минимально значимую численность кластеров на уровне не менее 10 респондентов.

■ Если все кластеры удовлетворяют данному критерию, переходим к завершаю­щему этапу кластерного анализа: интерпретации кластеров. Если есть класте­ры с незначимым числом составляющих их наблюдений, устанавливаем, сколько кластеров состоят из значимого количества респондентов.

■ Пересчитываем процедуру кластерного анализа, указав в диалоговом окне Save число кластеров, состоящих из значимого количества наблюдений.

■ Строим линейное распределение по новой переменной.

Такая последовательность действий повторяется до тех пор, пока не будет найде­но решение, в котором все кластеры будут состоять из статистически значимого числа респондентов. После этого можно переходить к завершающему этапу клас­терного анализа — интерпретации кластеров.

Необходимо особо отметить, что критерий практической и статистической значи­мости численности кластеров не является единственным критерием, по которому можно определить оптимальное число кластеров. Исследователь может самостоя­тельно, на основании имеющегося у него опыта предложить число кластеров (усло­вие значимости должно удовлетворяться). Другим вариантом является довольно распространенная ситуация, когда в целях исследования заранее ставится усло­вие сегментировать респондентов по заданному числу целевых групп. В этом слу­чае необходимо просто один раз провести иерархический кластерный анализ с со­хранением требуемого числа кластеров и затем пытаться интерпретировать то, что получится.

Для того чтобы описать полученные целевые сегменты, следует воспользоваться процедурой сравнения средних значений исследуемых переменных (кластерных центроидов). Мы сравним средние значения семи рассматриваемых критериев сег­ментирования в каждом из двух полученных кластеров.

Процедура сравнения средних значений вызывается при помощи меню Analyze ► Compare Means ► Means. В открывшемся диалоговом окне (рис. 5.51) из левого спис­ка выберите семь переменных, избранных в качестве критериев сегментирования (ql3-ql9), и перенесите их в поле для зависимых переменных Dependent List. Затем переменную сШ2_1, отражающую разделение респондентов на кластеры при оконча­тельном (двухкластерном) решении задачи, переместите из левого списка в поле для независимых переменных Independent List. После этого щелкните на кнопке Options.

Рис. 5.51. Диалоговое окно Means

 

Откроется диалоговое окно Options, выберите в нем необходимые статистики для сравнения кластеров (рис. 5.52). Для этого в поле Cell Statistics оставьте только вывод средних значений Mean, удалив из него другие установленные по умолчанию ста­тистики. Закройте диалоговое окно Options щелчком на кнопке Continue. Наконец, из главного диалогового окна Means запустите процедуру сравнения средних зна­чений (кнопка ОК).

Рис. 5.52. Диалоговое окно Options

 

В открывшемся окне SPSS Viewer появятся результаты работы статистичес­кой процедуры сравнения средних значений. Нас интересует таблица Report (рис. 5.53). Из нее можно увидеть, на каком основании SPSS разделила респон­дентов на два кластера. Таким критерием в нашем случае служит уровень оце­нок по анализируемым параметрам. Кластер 1 состоит из респондентов, для которых средние оценки по всем критериям сегментирования находятся на срав­нительно высоком уровне (4,40 балла и выше). Кластер 2 включает респонден­тов, оценивших рассматриваемые критерии сегментирования достаточно низ­ко (3,35 балла и ниже). Таким образом, можно сделать вывод о том, что 93,3 % респондентов, сформировавшие кластер 1, оценили анализируемые авиаком­пании по всем параметрам в целом хорошо; 5,4 % — достаточно низко; 1,3 % — затруднились ответить (см. рис. 5.50). Из рис. 5.53 можно также сделать вывод о том, какой уровень оценок для каждого из рассматриваемых параметров в от­дельности является высоким, а какой — низким (причем данный вывод будет сделан со стороны респондентов, что позволяет добиться высокой точности классификации). Из таблицы Report можно видеть, что для переменной Регули­рование очереди высоким считается уровень средней оценки 4,40, а для пара­метра Внешний вид — 4.72.

Рис. 5.53. Сравнение средних для двух выделенных кластеров

 

Может оказаться, что в аналогичном случае по параметру X высокой оценкой счи­тается 4,5, а по параметру Y — только 3,9. Это не будет ошибкой кластеризации, а напротив, позволит сделать важный вывод относительно значимости для респон­дентов рассматриваемых параметров. Так, для параметра Y уже 3,9 балла является хорошей оценкой, тогда как к параметру X респонденты предъявляют более стро­гие требования.

Мы идентифицировали два значимых кластера, различающиеся по уровню сред­них оценок по критериям сегментирования. Теперь можно присвоить метки полу­ченным кластерам: для 1 — Авиакомпании, удовлетворяющие требованиям респонден­тов (по семи анализируемым критериям); для 2 — Авиакомпании, не удовлетворяющие требованиям респондентов. Теперь можно посмотреть, какие конкретно авиакомпа­нии (закодированные в переменной q4) удовлетворяют требованиям респонден­тов, а какие — нет по критериям сегментирования. Для этого следует построить перекрестное распределение переменной q4 (анализируемые авиакомпании) в за­висимости от кластеризующей переменной clu2_l. Результаты такого перекрест­ного анализа представлены на рис. 5.54.

Рис. 5.54. Членство авиакомпаний в кластерах

По этой таблице можно сделать следующие выводы относительно членства иссле­дуемых авиакомпаний в выделенных целевых сегментах.

1. Авиакомпании, полностью удовлетворяющие требованиям всех клиентов по параметру работы наземного персонала (входят только в один первый клас­тер):

■ Внуковские авиалинии;

■ American Airlines;

■ Continental;

■ Delta Airlines;

■ Air France;

■ Alitalia;

■ Austrian Airlines;

■ British Airways;

■ Swiss Air;

■ KLM;

■ Lufthansa;

■ SAS;

■ Korean Airlines;

■ Japan Airlines.

2. Авиакомпании, удовлетворяющие требованиям большинства своих клиентов по параметру работы наземного персонала (большая часть респондентов, лета­ющих данными авиакомпаниями, удовлетворены работой наземного персонала):

■ Трансаэро.

3. Авиакомпании, не удовлетворяющие требованиям большинства своих клиен­тов по параметру работы наземного персонала (большая часть респондентов, летающих данными авиакомпаниями, не удовлетворены работой наземного пер­сонала):

■ Домодедовские авиалинии;

■ Пулково;

■ Сибирь;

■ Уральские авиалинии;

■ Самарские авиалинии;

■ KrasAir;

■ Finnair.

Таким образом, получено три целевых сегмента авиакомпаний по уровню средних оценок, характеризующиеся различной степенью удовлетворенности респонден­тов работой наземного персонала:

1. наиболее привлекательные для пассажиров авиакомпании по уровню работы наземного персонала (14);

2. скорее привлекательные авиакомпании (1);

3. скорее непривлекательные авиакомпании (7).

Мы успешно завершили все этапы кластерного анализа и сегментировали авиа­компании по семи выделенным критериям.

Теперь приведем описание методики кластерного анализа в паре с факторным. Используем условие задачи из раздела 5.2.1 (факторный анализ). Как уже было сказано, в задачах сегментирования при большом числе переменных целесообраз­но предварять кластерный анализ факторным. Это делается для сокращения ко­личества критериев сегментирования до наиболее значимых. В нашем случае в исходном файле данных у нас есть 24 переменные. В результате факторного ана­лиза нам удалось сократить их число до 5. Теперь это число факторов может эф­фективно применяться для кластерного анализа, а сами факторы — использовать­ся в качестве критериев сегментирования.