TG Data

聚类分析的主要目的是根据某些参数将购买者分成几组。这种方法通常使用层次树来可视化。其每个连续级别都反映了缩小差异的因素。

通常，使用聚类分析的变体之一——k-均值。让我们考虑一下整个动作序列。

首先，确定聚类的数量k。分组的组件将按照这个数字进行划分。它可以手动分配（例如，使用树聚类），或计算为最佳值（使用机器学习）。

然后选择k个任意点作为聚类中心。此后，计算这些中心和其余点之间的距离。要判断一个点是否属于某个聚类，需要计算到 k 个中心之一的最小距离。

此后，应该选择新的中心，其坐标等于簇内点的坐标的平均值。这些点再次分布到 k 个聚类中。重复此动作序列，直到簇内的距离值开始重复。这表明已实现最佳划分。

一旦形成了聚类，您就需要确定哪些特 赌博数据 征使得其中的点彼此最相似。换句话说，您需要了解最常重复的客户行为模式是什么。箱线图（带有须状的箱子）可以帮助解决这个问题。这些数值是每个购买者针对特定参数的指标。

使用聚类分析细分目标受众

在进行此分析时需要考虑许多客户信息。研究结果可用于制定有针对性的促销活动。请记住，分割结果需要在现实生活中进行测试，因为聚类区分在每个月之间可能会有很大差异。此外，这种细分可用于分析调查。然而，将文本信息转换为数字指标并不是那么容易，特别是在需要处理大量受访者的情况下。因此，您应该问这样的问题：“对重要性/质量/大小进行评分……从 1 到 5。”

例子。假设您是一家信贷和金融机构的所有者/员工。应该根据客户所使用的银行服务将客户分为几组。同时，需要针对每种产品制定几个关于选择因素重要性的问题。受访者需要对每个特征按 1 到 5 的等级进行评分。让我们来看一个此类细分结果的示例：

借记卡持有人：

经济性——“年度维护成本”因素得分最高；

使用该产品进行转账——注意向其他银行卡转账的佣金大小；

顺从者——更看重“品牌声誉”和“评论”等因素，而不是“服务成本”。

定期进行现金交易的法人实体：

小型企业家——对他们来说，“开户成本”、“连接和使用银行互联网服务的便利性”、“优惠的服务费率”等因素很重要；

拥有大额贷款的公司注重现金交易限额，以及银行组织的可靠性和声誉。

使用关联规则分析细分目标受众
关联规则分析（市场篮子分析）用于寻找购买中商品的稳定组合的过程。为此使用了各种算法。 AIS 是其中第一个——它创建于 1993 年。为了进行分析，您将需要购买数据。在这种情况下，每笔交易必须有自己的标识符（通常是支票号）和其中包含的项目。