Comparaison des K-means, des mélanges normaux et du clustering probabiliste-D pour la segmentation B2B
Satish Garla, Goutam Chakraborty, Université d'État de l'Oklahoma, et Gary Gaeth, Université de l'Iowa
L'analyse de clustering est une technique courante utilisée par les entreprises pour segmenter leur marché. Le clustering répartit les clients d'un marché en groupes de telle sorte que les clients d'un groupe soient similaires et les clients entre les groupes différents. Plusieurs algorithmes de clustering ont été proposés dans la littérature, basés sur diverses mesures de similarité. Ce poster présente une étude comparative de trois méthodes de clustering (K-means, mélanges normaux et méthode probabiliste-D) pour le profilage segmentaire des clients sur un marché interentreprises (B2B). Cette étude s'appuie sur des données issues d'une enquête menée auprès d'un fournisseur de produits hydrauliques et pneumatiques. Dix variables mesurant la perception des clients quant à des attributs importants pour le choix d'un fournisseur ont été utilisées pour le clustering. Les résultats de chaque méthode sont évalués en fonction de la pureté et des profils de clustering. SAS® Enterprise Miner est utilisé pour le clustering probabiliste-D et le profilage des clusters, tandis que JMP® Pro 9 est utilisé pour les K-means et les mélanges normaux.
