大数据营销——产品分析

为细分市场进行聚类分析

并不是每件产品都适合所有客户，也不是每次营销付出的努力都会获得所有客户相同程度的回应。市场细分是按照客户相似的特点、产品偏好或预期将他们分组的一种方式。识别细分市场之后，很多时候不只广告信息甚至连产品都可以为每个细分市场而定制。

构建细分市场的基础是：

• 客户的人口统计特征；
• 客户的心理统计特征；
• 客户希望从产品或服务中获得的好处；
• 客户过去购买行为及产品使用行为。

聚类分析

聚类分析是一类统计方法，可应用于描述那些自身展现出分类特性的数据。进行聚类分析时，并没有因变量和自变量之分，而是要检验所有的相互依存关系。进行聚类分析就是查找并整理原始客户数据，再将这些客户划分为簇。“簇”是一组相对同质的客户。同一个簇中的客户彼此相似，但与簇外的客户并不相似，与其他簇的客户尤为不同。聚类分析的主要输入信息是对客户之间相似性的衡量指标，例如相关系数、距离度量和关联系数。以下是聚类分析的几个基本步骤：

1. 提出问题并选出想要作为聚类依据的变量；
2. 根据选择的变量计算客户间的距离；
3. 将聚类步骤应用于距离测量；
4. 确定簇的数目；
5. 描绘、阐释簇并得出结论（在此感知图等说明方法很有用）。

距离度量

任何聚类分析的主要输入参数都是进行聚类的个体之间的距离度量。距离度量即对进行市场细分的个体在选定变量上的差异进行量化。两个个体之间距离较短（较长）就意味着这两者在这个市场细分变量方面的偏好更相似（不相似）。两个个体之间的距离是用欧氏距离来衡量的（x_1代表个体x在变量1上的值，y_1代表y在变量1上的值）。计算出这次聚类分析中全部个体彼此之间的欧氏距离，继而求出两两之间的距离矩阵。

K均值聚类算法

K均值聚类属于非层次类聚类算法，由于简单、快速而得到较为广泛的应用。这种算法在处理不同类型的多个变量时具有稳健性，更加适合营销中常见的大数据集，且对具有离群值的异常客户（即与其他客户完全不同的客户）不太敏感。在开始聚类算法之前必须指定需要的簇的数目。K均值聚类的基本算法如下：

1. 选定簇的数量k；
2. 随机选择k个数据点作为聚类质心；
3. 将每个数据点分配给距离它最近的聚类质心；
4. 重新计算新的聚类质心；
5. 重复前两步，直到某个收敛标准得到满足。这个收敛标准通常是指客户数据点所分配到的簇在多次迭代中保持恒定。

一个聚类质心简单来说就是这个簇中所有数据点的平均值。它的坐标是簇中所有点在每个维度上的算术平均值。

簇的数目

K均值聚类的一个主要问题是没有对数据中簇的数目给出判断。K均值聚类必须根据不同的k值（簇的数目）多次计算，来确定适用于数据的簇数。确定簇数一个常用的方法是“肘形判据”（elbow criterion，亦作“手肘法”“肘部法则”等）。

肘形判据的标准是，当目前所选的簇数为最佳值时，新增另一个簇便不会新增足够的信息。我们可以通过簇的数量标绘“簇内方差”与“簇间方差”的比率，来判定“肘”的位置。

对某个簇中的客户进行市场细分时会选定一些变量作为依据，对这些变量的方差平均值的估值便是“簇内方差”。对不同细分市场中客户市场细分变量的方差平均估值则称为“簇间方差”。聚类分析的目的是使簇内方差最小化，并使簇间方差最大化。因此随着簇的数目不断增加，簇内方差与簇间方差的比值不断减小。但簇数增加到一定值的时候，再增加另一个簇带来的边际收益会下降，这样图表中便会出现一个折角（肘形），即最合适的簇数。

聚类凝聚点的初始分配会影响最终的模型性能。用于确保从K均值聚类法获得稳定结果的一些常用方法如下：

• 用不同的初值多次运行算法。当使用不同的起始点时，多次运行算法以保证每次的起点都不相同。
• 随机将数据划分为两部分，在每一部分分别进行聚类分析。如果两部分的簇的数目与簇的大小均相似的话，那么该结果便是稳健和稳定的。

分析簇

一旦确定了簇，便可根据聚类分析的变量或使用人口统计特征等附加数据来描述簇，由此为每个细分市场制定营销策略。描述簇的过程被称为“分析”。

对于一个给定的市场细分标准，K均值聚类算法可以用来确定簇以及每个簇中的客户。然而管理层必须慎重选择进行市场细分的变量。用来评估市场细分方案有效性的常用标准包括：

• 可识别性，管理人员识别市场中细分市场的难易程度。
• 可持续性，细分市场必须能够代表足够大的市场份额，以确保营销方案的个性化制定具有盈利性。
• 可获得性，通过营销活动，营销经理对所识别的细分市场的接触程度。
• 可行性，细分市场中的客户和满足他们需求所必需的营销组合是否与公司的目标与核心竞争力一致。

联合分析法

联合分析法是一种营销研究方法，有助于经理们判定客户和潜在客户的偏好。具体地说，联合分析法会判定客户对产品不同属性的重视程度，以及在产品的众多属性和特性之间如何取舍。因此，联合分析法最适用于自身属性具体有形、容易描述或量化的产品。以下是现代联合分析法比较重要的几个应用领域：

• 根据竞争对手现有的产品，预测本公司即将推出的新产品会占多少市场份额；
• 预测新的竞争产品对已有任一产品市场份额的影响；
• 判定客户对即将推出的新产品的购买意愿；
• 量化客户或潜在客户面对正在研发的新产品设计中的不同属性或特性将如何决策。

实验设计

联合分析法的第一步是实验设计，其中包括所有将用于测试的属性和属性值。联合分析法中有属性和通常被称为“水平”的两个概念。属性可以是价格、颜色等，水平指具体的数值或有无。建立实验设计时，要牢记以下几点：

• 每种属性的水平对于被调查的人来说越具体、越好理解，调查结果就越有效。
• 测试的属性水平越多，就需要越多的数据才能获得相同的输出准确度。
• 对于定量变量（比如价格），任意两个相邻水平之间的距离越大（如相隔24000美元），就越难了解客户如何对处于两者之间的水平进行评价。

数据收集

现有收集联合数据的方法，是使用个人电脑或网络版软件来引导被调查者完成互动式的联合调查。软件利用调查人员提供的实验设计生成假定的产品属性，并根据参与调查者的评分或选择来估算属性水平的效用。

阅读联合分析法实验结果

联合分析的基本结果是估算得到的属性水平效用值。估算得到的效用值（或称“分值”）对应的是消费者对任一给定属性水平的平均偏好。对任意一个给定属性，估算得到的效用值通常会用一个总和为零的分数系统来整理，因此负数并不意味着该水平的效用值为负，而是表示这个水平在总体上不如拥有正的估算效用值的水平受欢迎。

联合分析法的输出信息也常带有t值，即评价统计显著性的常用指标。

联合分析法的应用

（1）权衡分析

计算产品效用的方法十分简单，将各个属性水平的效用加在一起便可求得。 可以利用效用来分析普通客户如何对一个属性进行取舍以获得另一个更好的属性。

（2）预测市场份额

要利用联合分析结果进行这类预测，必须满足以下两个条件：

• 公司必须了解，除了自己的产品之外，客户在该范畴下进行选择时有可能考虑的所有其他产品；
• 实验设计必须列出这些竞争产品的每一种重要特征。公司不仅要计算出自己产品的效用，还必须能够计算出所有竞争产品的效用。

市场份额预测需要使用多项逻辑模型。（U_i是产品i的估用效应，U_j是产品j的估用效应，n是竞争环境中产品的总数量，包括产品i）

（3）判定属性重要性

从直观上来说，一个给定属性内估计效用之间的差异反映了该属性在选择过程中的重要性。计算属性重要性的常用公式为：（I_i是属性i的重要性，U_max是某一属性的最高效用值，U_min是某一属性的最低效用值）

得到的结果总是介于0和1之间，并通常理解为一个属性在整个选择过程中的决策权重百分比。