Vergleich von K-Means, Normalmischungen und probabilistischem D-Clustering für die B2B-Segmentierung
Satish Garla, Goutam Chakraborty, Oklahoma State University, und Gary Gaeth, University of Iowa
Clusteranalyse ist eine beliebte Methode, die Organisationen zur Marktsegmentierung einsetzen. Durch das Clustering werden Kunden in einem Markt in Gruppen aufgeteilt, so dass die Kunden innerhalb einer Gruppe ähnlich sind und die Kunden sich zwischen den Gruppen unterscheiden. In der Literatur wurden mehrere Clustering-Algorithmen vorgeschlagen, die auf verschiedenen Ähnlichkeitsmaßen basieren. Dieses Poster beschreibt eine vergleichende Studie von drei Clustering-Methoden (K-Means, Normal Mixtures und Probabilistic-D) zur Segmentprofilierung von Kunden in einem Business-to-Business (B2B) -Markt. Die Daten, die aus einer Umfrage eines Lieferanten von hydraulischen und pneumatischen Produkten erhoben wurden, wurden in dieser Studie verwendet. Für das Clustering wurden zehn Variablen verwendet, die die Wahrnehmung der Kunden hinsichtlich wichtiger Attribute bei der Auswahl eines Lieferanten messen. Die Ergebnisse jeder Methode werden basierend auf Cluster-Reinheit und Cluster-Profilen bewertet. SAS® Enterprise Miner wird zum probabilistischen D-Clustering und zum Profilieren von Clustern verwendet, während JMP® Pro 9 für K-Means und normale Gemische verwendet wird.
