Volodina-vasilisa.ru

Антикризисное мышление
1 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Кластерный анализ в маркетинге

Кластерный анализ в маркетинговых исследованиях:
обзор и предпосылки применения

Введение

Кластерный анализ все чаще находит применение в маркетинговых исследованиях. Кластерным анализом пользуются и университетские специалисты, и практикующие маркетологи, решая, в первую очередь, проблему группировки. Речь может идти о продуктах, клиентах, сотрудниках – при грамотном применении кластерный анализ может работать с весьма широким спектром объектов. Однако, несмотря на высокую популярность этого аппарата, зачастую исследователь не знаком с его спецификой и особенностями применения. Это, в свою очередь, влечет разочарование в аналитических возможностях метода и необоснованный скептицизм.

Как правило, при применении кластерного анализа аналитик сталкивается с двумя группами задач:

1. На основе теоретических предпосылок выбрать адекватный алгоритм

2. Грамотно провести анализ и проинтерпретировать результаты

Предметом настоящей работы является пункт 2. По поводу пункта1. Рекомендуем обратиться к классической работе Hartigan, 1975.

Кластерный анализ используется в двух основных направлениях: классификация и анализ взаимосвязей, причем подавляющее большинство исследователей использует его именно в первом направлении. Следует также заметить, что в отличие от других методов классификации, таких, как, к примеру, дискриминантный анализ, кластерный анализ не требует априорных предположений, накладываемых на выборку. По сути, метод представляет собой формализацию здравого смысла.

Кластерный анализ в маркетинговых исследованиях

Сегментация

Кластерный анализ применяется для решения широкого спектра задач, но чаще всего речь идет именно о задаче сегментация. Все исследования, посвященные проблеме сегментации, безотносительно того, какой используется метод, имеют целью идентифицировать устойчивые группы (люди, рынки, организации), каждая из которых объединяет в себя объекты с похожими характеристиками. Реализуя эту процедуру, исследователи, как правило, допускают ошибку следующего рода: характеристики, на основе которых проводится кластеризация, выбираются по принципу «доступней, проще, дешевле». Такой подход ставит под сомнение целесообразность всего дальнейшего анализа, поскольку включение даже одной-двух незначимых характеристик может привести к неадекватному разбиению на кластеры.

Анализ поведения потребителя

Вторым, но не менее важны направлением использования аппарата кластерного анализа, является построение однородных групп потребителей с целью получить максимально полное представление о том, как ведет себя клиент из каждого сегмента, какие драйверы определяют его поведение. Более подробно эта проблема освещена в работах Клакстона, Фрая и Портиса (1974), Киля и Лэйтона (1981).

Позиционирование

Кластерный анализ применяется также для того, чтобы определить, в какой нише лучше позиционировать выводимый на рынок продукт. Кластерный анализ позволяет построить карту, на основе которой можно будет определить уровень конкуренции в различных сегментах и характеристики, которыми должен обладать товар для того, чтобы попасть в целевой сегмент. Такая карта позволяет, к примеру, выявить новые рынки, для которых можно разрабатывать и продвигать свои решения.

Выбор тестовых рынков

Многие исследователи применяют кластерный анализ для того, чтобы, определить, какие рынки (магазины, продукты. ) можно объединить в одну группу по релевантным характеристикам. Дело в том, что, выдвинув предположение о существовании определенной закономерности (покупатели элитных товаров с ростом цены увеличивают спрос) необходимо предложить новый, не использованный в анализе, рынок, на котором она должна быть проверена, прежде чем применять на практике.

Сокращение количества наблюдений

Простейший пример: всем известный АВС анализ объединяет, к примеру, позиции, по одной характеристике (напр. – доход). Т.е. кластеризация проводится только в одном измерении. Результат – три группы, и … (как правило) не совсем адекватное разбиение, поскольку, помимо характеристики «доход» у позиции есть показатели «доходность», «оборачиваемость», «сезонность»… Для того, чтобы аккуратно учесть все эти показатели в процессе классификации, необходимо применять многомерные методы классификации, к коим и относится кластерный анализ.

Иногда бывает разумным перейти от 5000 клиентов к 20-30 группам, и для каждой выработать индивидуальную политику обслуживания. Отсюда можно добиться существенного выигрыша в трудоемкости за счет многократного сокращения объектов анализа.

В таблице 1 дается краткая характеристика некоторых маркетинговых исследований, использовавших аппарат кластерного анализа

Практика применения кластерного анализа в маркетинговых исследованиях

Применение кластерного анализа: проблемы

В отличие от большинства других методов многомерного анализа, кластерный анализ параллельно развивался в нескольких дисциплинах (психология, биология, экономика…), поэтому у большинства методов, существует по 2 и более названий, что существенно затрудняет взаимопонимание исследователей, в особенности, если речь идет о разных отраслях знания.

Другая проблема связана с обилием вариантов при выборе метрики и метода кластеризации, а также – согласования между ними. Дело в том, что зачастую, отличия в предпосылках использования той или иной метрики весьма невелики, кроме того, не всегда выбор метрики однозначно определяет допустимый метод кластеризации. В такой ситуации для выбора конкретной комбинации «метрика-метод» следует опираться на «рекомендации», которые приходится по крупицам собирать в различных источниках, а также на «здравый смысл». Понимание последнего приходит только после того, как в деталях разберешься в тонкостях каждого конкретного метода и метрики.
Обратим внимание также на то, что само понятие «кластер» неоднозначно определено. Да и в однозначном определении нет необходимости – в каждом конкретном исследовании «кластеры» свои. Как правило, руководствуются следующей рекомендацией: внутренняя однородность и внешняя изолированность.

Методы кластеризации

Выделяют две группы методов кластерного анализа: иерархические и неиерархические.

Основными методами иерархического кластерного анализа являются метод ближнего соседа, метод полной связи, метод средней связи и метод Варда. Наиболее универсальным является последний. Существуют также центроидные методы и методы, использующие медиану, но Сниат и Сокал 1973 аккуратно показали, что их применение может привести к некоторым весьма нежелательным последствиям.

Неиерархических методов больше, хотя работают они на одних и тех же принципах. По сути, они представляют собой итеративные методы дробления исходной совокупности. В процессе деления формируются новые кластеры, и так до тех пор, пока не будет выполнено правило остановки. Между собой методы различаются выбором начальной точки, правило формирования новых кластеров и правилом остановки. Чаще всего используется алгоритм К-средних. Он подразумевает, что аналитик заранее фиксирует количество кластеров в результирующем разбиении.

Говоря о выборе конкретного метода кластеризации, еще раз подчеркнем, что этот процесс требует от аналитика хорошего знакомства с природой и предпосылками методов, в противном случае полученные результаты будут похожи на «среднюю температуру по больнице». Для того чтобы убедиться в том, что выбранный метод действительно эффективен в данной области, как правило, применяют следующую процедуру:

Рассматривают несколько априори различных между собой групп и перемешивают их представителей между собой случайным образом. Затем проводят процедуру кластеризации с целью восстановить исходное разбиение на группы. Показателем эффективности работы метода будет доля совпадений объектов в выявленных и исходных группах.

Сравнительный анализ методов кластеризации

Выбирая между иерархическими и неиерархическими методами, следует обратить внимание на следующие моменты:

Неиерархические методы обнаруживают более высокую устойчивость по отношению к выбросам, неверному выбору метрики, включению незначимых переменных в базу для кластеризации и пр. Но платой за это является слово «априори». Исследователь должен заранее фиксировать результирующее количество кластеров, правило остановки и, если на то есть основания, начальный центр кластера. Последний момент существенно отражается на эффективности работы алгоритма. Если нет оснований искусственно задать это условие, вообще говоря, рекомендуется использовать иерархические методы. Заметим также еще один момент, существенный для обеих групп алгоритмов: не всегда правильным решением является кластеризация всех наблюдений. Возможно, более аккуратным будет сначала очистить выборку от выбросов, а затем продолжить анализ. Можно также не задавать очень высоким критерий остановки (можно делать остановку, к примеру, когда кластеризовано более 90% наблюдений).

Читать еще:  Анализ показателей движения персонала

Рекомендации по применению кластерного анализа

Из рассуждений, приведенных выше видно, что от аналитика в процессе применения кластерного анализа ожидается решение ряда задач. Их можно сгруппировать следующим образом:

1. Изменение исходных данных

  • Выбор метрики
  • Выбор метода стандартизации
  • Как работать с зависимыми выборками

2. Принятие решений

  • Сколько кластеров необходимо сформировать
  • Какой метод кластеризации следует использовать
  • Следует ли использовать все наблюдения, или
    необходимо исключить некоторые подвыборки

3. Анализ полученных результатов

  • Насколько полученное разбиение отличается от случайного
  • Является ли оно надежным и стабильным на подвыборках.
  • Какова взаимосвязь между результатами кластеризации и переменными, не участвовавшими в процессе кластеризации
  • Можно ли проинтерпретировать полученные результаты

4. По какому набору переменных проводить кластеризацию наиболее эффективно

Обратим внимание на то, что, в общем случае, все эти этапы взаимосвязаны, и решения, принятые на каждом из них взаимообуславливают друг друга. Теперь остановимся подробнее на первых трех проблемах.

Изменение исходных данных

Некоторые авторы приходят к выводу, что выбор метрики и процедуры стандартизации не является ключевым моментом в кластерном анализе. Такое утверждение имеет право на жизнь, однако, с рядом оговорок. Во-первых, оно касается только более грубых — неиерархических — методов. Во-вторых, в любом случае необходимо выбирать метрику таким образом, чтобы она не противоречила идее выбранного метода объединения кластеров. Особое внимание следует уделить выбору метрики в случае, если переменные являются зависимыми. Адекватная метрика в принципе может быть решением данной проблемы.

Принятие решений

В отличие от предыдущего вопроса, здесь все авторы едины во мнении — выбор метода кластеризации является критичным для успешной кластеризации. Во многом, выбор метода определяется спецификой будущих кластеров (подозреваем ли вытянутую, или шарообразную форму, будут ли они похожих размеров, или существенно различные…) тем не менее, можно дать несколько общих рекомендаций.

Мы уже обращали внимание на то, что неиерархические методы эффективны в случае, если имеется априорная информация о количестве и центрах кластеров. Ее, в свою очередь, можно заполучить, применяя иерархические процедуры (например, метод Варда). Иерархический кластерный анализ позволит также идентифицировать и исключить из рассмотрения выбросы, с целью повысить качество материала, на основе которого сработает неиерархический метод. Эта идея лежит в основе так называемого двухшагового метода кластеризации.

Анализ полученных результатов

Даже после того, как после качественно проведенного кластерного анализа правило остановки рекомендовало нам прекратить дальнейшие вычисления, нет оснований считать, что полученное решение является адекватным. Результаты процедура кластерного анализа обязательно требуют проверки с помощью формальных и неформальных тестов.

Говоря о формальных статистиках, следует рекомендовать рассчитать значение статистики «С», предложенной Арнольдом в 1979 г. В этой же работе есть таблица распределения «С» для разного количества наблюдений и количества переменных. Однако не следует переоценивать значение формально рассчитанных показателей: немало авторов приводит примеры, когда «хорошие» с этой точки зрения результаты оказывались малосодержательными.

Неформальная проверка результатов кластерного анализа включает в себя такие процедуры как анализ результатов, полученных на подвыборках, кросс проверка на «внешних» данных, изменение порядка наблюдений, удаление небольшого количества наблюдений и повторение кластерного анализа на коротких выборках и т.д.

Задачи Data Mining. Классификация и кластеризация

Оценка качества кластеризации

Оценка качества кластеризации может быть проведена на основе следующих процедур:

  • ручная проверка;
  • установление контрольных точек и проверка на полученных кластерах ;
  • определение стабильности кластеризации путем добавления в модель новых переменных;
  • создание и сравнение кластеров с использованием различных методов. Разные методы кластеризации могут создавать разные кластеры , и это является нормальным явлением. Однако создание схожих кластеров различными методами указывает на правильность кластеризации .

Процесс кластеризации

Процесс кластеризации зависит от выбранного метода и почти всегда является итеративным. Он может стать увлекательным процессом и включать множество экспериментов по выбору разнообразных параметров, например, меры расстояния, типа стандартизации переменных, количества кластеров и т.д. Однако эксперименты не должны быть самоцелью — ведь конечной целью кластеризации является получение содержательных сведений о структуре исследуемых данных. Полученные результаты требуют дальнейшей интерпретации, исследования и изучения свойств и характеристик объектов для возможности точного описания сформированных кластеров .

Применение кластерного анализа

Кластерный анализ применяется в различных областях. Он полезен, когда нужно классифицировать большое количество информации . Обзор многих опубликованных исследований, проводимых с помощью кластерного анализа, дал Хартиган (Hartigan, 1975).

Так, в медицине используется кластеризация заболеваний, лечения заболеваний или их симптомов, а также таксономия пациентов, препаратов и т.д. В археологии устанавливаются таксономии каменных сооружений и древних объектов и т.д. В маркетинге это может быть задача сегментации конкурентов и потребителей. В менеджменте примером задачи кластеризации будет разбиение персонала на различные группы, классификация потребителей и поставщиков, выявление схожих производственных ситуаций, при которых возникает брак. В медицине — классификация симптомов. В социологии задача кластеризации — разбиение респондентов на однородные группы.

Кластерный анализ в маркетинговых исследованиях

В маркетинговых исследованиях кластерный анализ применяется достаточно широко — как в теоретических исследованиях, так и практикующими маркетологами, решающими проблемы группировки различных объектов. При этом решаются вопросы о группах клиентов, продуктов и т.д.

Так, одной из наиболее важных задач при применении кластерного анализа в маркетинговых исследованиях является анализ поведения потребителя, а именно: группировка потребителей в однородные классы для получения максимально полного представления о поведении клиента из каждой группы и о факторах, влияющих на его поведение. Эта проблема подробно описана в работах Клакстона, Фрая и Портиса (1974), Киля и Лэйтона (1981).

Важной задачей, которую может решить кластерный анализ, является позиционирование, т.е. определение ниши, в которой следует позиционировать новый продукт, предлагаемый на рынке. В результате применения кластерного анализа строится карта, по которой можно определить уровень конкуренции в различных сегментах рынка и соответствующие характеристики товара для возможности попадания в этот сегмент. С помощью анализа такой карты возможно определение новых, незанятых ниш на рынке, в которых можно предлагать существующие товары или разрабатывать новые.

Кластерный анализ также может быть удобен, например, для анализа клиентов компании. Для этого все клиенты группируются в кластеры , и для каждого кластера вырабатывается индивидуальная политика. Такой подход позволяет существенно сократить объекты анализа, и, в то же время, индивидуально подойти к каждой группе клиентов.

Практика применения кластерного анализа в маркетинговых исследованиях

Приведем некоторые известные статьи, посвященные применению кластерного анализа для маркетинговых исследований.

В 1971 году была опубликована статья о сегментации клиентов по сфере интересов на основе данных, характеризующих предпочтения клиентов.

В 1974 году была опубликована статья Секстона (Sexton), целью которой была идентификация групп семей — потребителей продукта, в результате были разработаны стратегии позиционирования бренда. Основой для исследований были рейтинги, которые респонденты присваивали продуктам и брендам.

В 1981 году была опубликована статья, где проводился анализ поведения покупателей новых автомобилей на основе данных факторных нагрузок, полученных при анализе набора переменных.

Выводы

В этой лекции нами были подробно рассмотрены задачи классификации и кластеризации . Несмотря на кажущуюся похожесть этих задач, решаются они разными способами и при помощи разных методов. Различие задач прежде всего в исходных данных.

Классификация , являясь наиболее простой задачей Data Mining, относится к стратегии » обучение с учителем «, для ее решения обучающая выборка должна содержать значения как входных переменных, так и выходных (целевых) переменных. Кластеризация , напротив, является задачей Data Mining, относящейся к стратегии » обучение без учителя «, т.е. не требует наличия значения целевых переменных в обучающей выборке.

Читать еще:  Анализ оборудования предприятия

Задача классификации решается при помощи различных методов, наиболее простой — линейная регрессия. Выбор метода должен базироваться на исследовании исходного набора данных. Наиболее распространенные методы решения задачи кластеризации : метод k-средних (работает только с числовыми атрибутами), иерархический кластерный анализ (работает также с символьными атрибутами), метод SOM . Сложностью кластеризации является необходимость ее оценки.

Кластерный анализ в маркетинговых исследованиях

В маркетинговых исследованиях кластерный анализ применяется достаточно широко — как в теоретических исследованиях, так и практикующими маркетологами, решающими проблемы группировки различных объектов. При этом решаются вопросы о группах клиентов, продуктов и т.д.

Так, одной из наиболее важных задач при применении кластерного анализа в маркетинговых исследованиях является анализ поведения потребителя, а именно: группировка потребителей в однородные классы для получения максимально полного представления о поведении клиента из каждой группы и о факторах, влияющих на его поведение. Эта проблема подробно описана в работах Клакстона, Фрая и Портиса (1974), Киля и Лэйтона (1981).

Важной задачей, которую может решить кластерный анализ, является позиционирование, т.е. определение ниши, в которой следует позиционировать новый продукт, предлагаемый на рынке. В результате применения кластерного анализа строится карта, по которой можно определить уровень конкуренции в различных сегментах рынка и соответствующие характеристики товара для возможности попадания в этот сегмент. С помощью анализа такой карты возможно определение новых, незанятых ниш на рынке, в которых можно предлагать существующие товары или разрабатывать новые.

Кластерный анализ также может быть удобен, например, для анализа клиентов компании. Для этого все клиенты группируются в кластеры, и для каждого кластера вырабатывается индивидуальная политика. Такой подход позволяет существенно сократить объекты анализа, и, в то же время, индивидуально подойти к каждой группе клиентов.

Выводы

В этой лекции нами были подробно рассмотрены задачи классификации и кластеризации. Несмотря на кажущуюся похожесть этих задач, решаются они разными способами и при помощи разных методов. Различие задач прежде всего в исходных данных.

Классификация, являясь наиболее простой задачей Data Mining, относится к стратегии «обучение с учителем», для ее решения обучающая выборка должна содержать значения как входных переменных, так и выходных (целевых) переменных. Кластеризация, напротив, является задачей Data Mining, относящейся к стратегии «обучение без учителя», т.е. не требует наличия значения целевых переменных в обучающей выборке.

Задача классификации решается при помощи различных методов, наиболее простой — линейная регрессия. Выбор метода должен базироваться на исследовании исходного набора данных.

6 ЗАДАЧИ DATA MINING. ПРОГНОЗИРОВАНИЕ И ВИЗУАЛИЗАЦИЯ

В лекции описана суть задачи прогнозирования. Рассмотрено понятие временного ряда, его компоненты, параметры прогнозирования, виды прогнозов. Кратко охарактеризована задача визуализации данных.

Кластерный анализ как инструмент подготовки эффективных маркетинговых решений

Причины неудач или недостаточно быстрого роста бизнеса в нашей стране часто списываются на несовершенную систему кредитования, пробелы в законодательстве, общую экономическую нестабильность и, наконец, на козни недремлющих конкурентов. Тем большим бывает удивление, когда обнаруживается, что реальные корни проблем — это непонимание покупательского поведения потребителей и клиентов.

Действительно, понять и, тем более, количественно описать покупательское поведение — задача нетривиальная. Наибольшую сложность представляет то, что многие решения принимаются на эмоциональном, а не на рациональном уровне. Даже в тех случаях, когда потребители убеждены в абсолютной рациональности своих покупок, эмоциональная составляющая решения также присутствует. Соответственно, успех компании во многом определяется эффективностью управления процессом сбора, обработки и анализа данных, релевантных для развития бизнеса, прежде всего за счет глубокого понимания поведения клиентов. Качество решений, принимаемых на основании результатов анализа, зависит от качества проведенного анализа, актуальности данных и ряда других факторов. В данной работе кратко рассматриваются технологии подготовки данных для принятия специфических маркетинговых решений. Все материалы базируются на реальных примерах консалтинговой практики авторов.

Как известно, любая технология хороша тем, что регламентирует все необходимые процедуры для достижения определенного результата. Используя ту или иную методику, исполнитель не задумывается, да и не должен задумываться над последовательностью исполняемых шагов и их содержанием. Это позволяет существенно сократить время на анализ данных и принятие решения и обеспечивает необходимую степень корректности выполненного анализа. Рассмотрим решение одной из типичных маркетинговых задач — подготовки к выводу на рынок нового продукта.

Для того, чтобы составить эффективно работающие рекламные материалы и медиа-план необходимо знать предпочтения различных сегментов покупателей, их привычки, особенности выбора продукта, финансовые возможности и т. п. Сегментирование состоит из нескольких этапов, представленных на схеме:

Формализованная процедура сегментирования

  • Проведение качественного исследования (серии фокус-групп или глубоких интервью) с целью получения перечня высказываний или свойств для дальнейшей оценки по интервальной или порядковой шкале.
  • Проведение опроса.
  • Использование процедуры кластерного анализа для определения числа сегментов и их профиля, выработка рекомендаций по эффективной работе с отдельными сегментами.

Первый этап имеет качественный характер и позволяет понять, чем «дышат» потребители или клиенты, их стиль жизни, какими выражениями они характеризуют товар, услугу или фирму, все это в дальнейшем поможет правильно составить план рекламной кампании. Кроме того, необходимо выяснить выделяемые ими решающие факторы принятия решения о покупке. Уже на этом этапе можно сопоставить представления производителей или продавцов товара с мнениями аудитории. Однако пока это лишь предварительная, качественная информация. Ее следует преобразовать в количественную.

Для этого на основе собранных сведений составляют опросную анкету, включающую в себя как вопросы о продукте, так и сведения, характеризующие самого респондента. Исключительно важным при этом является использование интервальных и порядковых шкал, поскольку появляется возможность сравнения ответов, полученных от различных групп покупателей.

Это поясняет следующий пример. При оценке важности конкретных параметров, например, цены, ассортимента и скорости обслуживания в оптовой фирме практически любой клиент ответит, что все эти характеристики играют существенную роль при выборе поставщика. Тем не менее важность данных параметров для разных клиентов может существенно отличаться. Для менеджеров минимаркетов, делающих покупки ежедневно, решающую роль играет ассортимент, и они не склонны каждый раз обходить базы в поисках наиболее дешевого товара. Клиенты, делающие крупные покупки раз в неделю, в большей степени склонны к сравнению цен и выбору наиболее дешевого варианта.

В зависимости от длины «балльной линейки» возможна та или иная степень точности выделения разных сегментов. Отметим, однако, что эта точность связана с числом респондентов. Другими словами, чем точнее должна быть сделана оценка, чем тоньше разведены сегменты, тем больше должен быть объем выборки.

Число сегментов, выделяемых при проведении кластерного анализа, может быть, таким образом, любым, лишь бы объем данных, на основании которых выделяются отдельные сегменты, был статистически значимым.

Сам кластерный анализ представляет собой ряд формальных процедур, которые мы продемонстрируем на реальном примере, взятом из практики авторов.

Профиль сегментов по свойствам синтетических моющих средств

Фирма Х собирается начать выпуск нового стирального порошка. При этом возможны разные варианты продвижения: от раскрутки собственного брэнда до приобретения уже известного, возможно позиционирование в области дешевых или дорогих СМС. Словом, вопросы, возникающие в начале исследования, типичны и, не сомневаемся, знакомы любому практику.

Разработанная анкета содержала ряд вопросов, характеризующих отношение респондентов к свойствам продукта (табл. 1), а также характеризующих стиль жизни самих респондентов (табл. 2). Результаты ответов на вопросы первой группы (респонденты должны были проранжировать факторы по степени их значимости, начиная с самого важного — от 1 до 8) были собраны в 4 сегмента, существенно различающиеся между собой по типу важнейших с точки зрения респондентов признаков продукта (они выделены в таблице 1 заливкой). Эти признаки можно считать «сегментоообразующими».

Читать еще:  Анализ состава структуры и динамики затрат

Легко видеть, что самый крупный (размеры сегментов изменены) сегмент 3 (60% от выборки) — это прагматики, для которых важнейшей характеристикой продукта является его цена, а также такие прозаические качества как моющая способность и эффект отбеливания. Следующий по величине сегмент 1, напротив, на первое место ставит безвредность порошка, цена же занимает последнее 8-е место.

Для того, чтобы лучше представить себе покупателей каждой группы, проанализируем их ответы на вопросы следующей части анкеты. В таблице 2 приводятся эти вопросы и величины средних оценок все по той же 8-балльной шкале для каждого вопроса по тем же сегментам. Мы видим, что сегменты 1 и 3 весьма лояльно относятся к новшествам и склонны экспериментировать с новыми продуктами. При этом сегмент 1 относится к импортным порошкам существенно лучше, чем сегмент 3. Сегмент 4 более чувствителен к рекламе и более последователен в выборе: пользоваться как дорогими, так и дешевыми порошками — не для него.

В таблице 3 мы приводим в качестве примера описание профиля одного из сегментов (сегмент 1). Информация, представленная в таком виде, является исключительно удобной для восприятия, анализа и принятия решений.

Профили сегментов по восприятию синтетических моющих средств (балльные оценки)

Пример описания профилей сегментов

Таким образом, результаты кластерного анализа фактически описывают портрет потребителя с рациональной (свойства стирального порошка) и эмоциональной (оценка степени согласия с утверждениями) точек зрения. На их основании можно определить целевую группу (или степень соответствия предположений о целевой группе фактической картине), расставить акценты в рекламном сообщении и рекламной кампании в целом, избавиться от иллюзий относительно исключительности своего товара по какому-либо определенному свойству (если вдруг выяснится, что практически все потребители ставят его на последнее место по важности) и т. д.

Следует сделать еще одно важное замечание по поводу использования технологии кластерного анализа. Все исследование, начиная с плана и заканчивая анкетой, должно быть «заточено» под методику кластерного анализа. Это касается и используемых шкал, и метода контакта с аудиторией и многих других факторов.

Использование результатов сегментирования на основании кластерного анализа дает компаниям реальный шанс глубже понять своих клиентов и потребителей. Это, в свою очередь, позволит свести к минимуму разницу между представлениями продавцов и покупателей, то есть карта восприятия товара или услуги для них будет практически идентичной.

Что касается программных инструментов обработки результатов, авторы могут рекомендовать пакеты SPSS и NCSS. Несмотря на их кажущееся сходство с Excel по пользовательскому интерфейсу и представлению данных, эти программы позволяют обрабатывать информацию быстрее и эффективнее. Под эффективностью понимается экономия времени на дополнительной обработке данных (написании комментариев и проч.) и использование методов анализа, недоступных в Excel. Наиболее рутинная работа в SPSS — это ввод данных. При этом каждой переменной ставится в соответствие определенная шкала, что является исключительно важным при обработке данных исследований. Время, затраченное на ввод данных с исполнением всех соответствующих процедур, полностью оправдывает себя на этапе обработки и анализа данных, так как результаты, выдаваемые SPSS, практически не нуждаются в дополнительном «причесывании», в отличие от Excel.

Кластерный анализ в трейдинге

Время прочтения: 10 минут

Роберт Чоут Трион, американский поведенческий психолог, является основоположником кластерного анализа. Впервые его применил в 1939 году. С его помощью он анализировал и классифицировал данные в психологии личности.

Кластеризация или кластерный анализ собирает кластеры (группы) по схожим элементам. Применяется в математике, маркетинге, медицине, психологии и трейдинге.

Применение кластерного анализа в маркетинге.

Что такое кластерный анализ в трейдинге?

Кластерный анализ (Cluster analysis) — это анализ статистических данных по торговым операциям, основанный на объеме, дельте и открытом интересе.

Пример кластерного графика.

Проще говоря, кластерный анализ рынка показывает нам количество сделок (покупок и продаж) и их объемы, в каждом конкретном промежутке времени (тайм-фрейме). Благодаря чему, мы можем прогнозировать дальнейшее движение цены, исходя из количества спроса и предложения на конкретный актив в конкретный промежуток времени.

То есть, мы видим прямо на графике цены сколько сейчас контрактов на покупку и продажу, можем посмотреть дельту (разницу между объемом на покупку и на продажу) и увидеть начало формирования движения цен.

Механика формирования цены

Любая цена какого-либо актива или продукта формируется от спроса и предложения. Также происходит и на финансовых рынках. Чем больше желающих купить какой-либо актив, тем выше его стоимость и наоборот, чем больше желающих продать, тем дешевле.

Графический анализ дает нам представление только о том, что уже произошло, но дает нам понимание почему это произошло. Кластерный анализ позволяет взглянуть внутрь свечи и понять механику формирования цены на нужном нам таймфрейме.

Стаканы цен акции Сбербанка и фьючерса Сбербанк

То есть, мы видим стакан цен внутри свечи прямо графике.

Что такое дельта?

Дельта — это разница Bid Ask/ спрос-предложение/ покупки-продажи какого-то актива в конкретный промежуток времени (таймфрейм).

Когда дельта положительная, в этот промежуток времени (в этой свече) преобладают покупки, когда отрицательная преобладают продажи, превосходят именно на ту величину, которая и указана в данном кластере.

Если же дельта отрицательная и объемы достаточно большие, а на рынке доминируют продажи, то и цена будет снижаться.

Что такое профиль кластера?

Профиль кластера — это объем сделок по каждой цене в рамках одного дня (для среднесрочной торговли) или в рамках определенного таймфрейма.

Дает возможность точно увидеть по какой именно цене (внутри конкретного бара/свечи) зашел самый большой объем и использовать эти цены, как уровни поддержки и сопротивления.

Логика кластерного анализа

Кластерный анализ основывается на точном изучении всех объемов на рынке в конкретный период времени.

Для чего применяется:

Для поиска уровней, куда заходили наибольшие объемы, от таких уровней цена с большой долей вероятности будет отскакивать.

В данном случае более правильно применять маркет-профиль, так узнаем точные цены.

Можно использовать именно для изучения преобладания на рынке (кого больше, продавцов или покупателей) и делать из этого выводы, куда пойдет цена.

В данном случае правильнее применять дельту.

Также необходимо всегда помнить, что рыночный ордер (сделка с текущих цен) всегда толкает рынок (котировки), а отложенный ордер (лимитные ордера) останавливают цену.

Крупные/умные деньги заходят в рынок по отложенным ордерам, и там где будет наибольший объем, там движение рынка будет останавливаться или разворачиваться (или просто отскакивать).

Что такой Футпринт

Футпринт — это точное отображение на графике уже совершенных сделок в конкретное время по покупке и продаже.

Вывод

С помощью кластерного анализа можно с высокой точностью прогнозировать цены, основываясь на объемах торгов. Он подходит для любой торговли, не важно торгуете вы интрадей или в долгосрок.

На мастер-классе Владимир Чернов дал рекомендацию по EUR/USD. На 12 ноября 15:36 МСК сделка еще являлась актуальной.

График EUR/USD за 06.11.19г.

Зарегистрируйтесь на сайте и получите курсы по фондовому и валютному рынкам.

На сайте вы также можете выбрать и скачать терминал для удобной торговли, который подойдет идеально именно вам.

Ссылка на основную публикацию
Adblock
detector