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
Die Clusteranalyse ist eine beliebte Technik, die von Unternehmen zur Marktsegmentierung verwendet wird. Beim Clustering werden Kunden eines Marktes in Gruppen aufgeteilt, sodass die Kunden innerhalb einer Gruppe ähnlich und die Kunden der verschiedenen Gruppen unterschiedlich sind. In der Literatur wurden mehrere Clustering-Algorithmen vorgeschlagen, die auf unterschiedlichen Ähnlichkeitsmaßen basieren. Dieses Poster beschreibt eine vergleichende Studie dreier Clustering-Methoden (K-Means, Normal Mixtures und Probabilistic-D) zur Segmentprofilierung von Kunden in einem Business-to-Business (B2B)-Markt. Für diese Studie wurden Daten aus einer Umfrage verwendet, die von einem Anbieter von hydraulischen und pneumatischen Produkten durchgeführt wurde. Für das Clustering wurden zehn Variablen verwendet, die die Wahrnehmung wichtiger Eigenschaften durch die Kunden bei der Auswahl eines Anbieters messen. Die Ergebnisse der einzelnen Methoden werden anhand der Cluster-Reinheit und der Cluster-Profile ausgewertet. SAS® Enterprise Miner wird für Probabilistic-D-Clustering und zur Cluster-Profilierung verwendet, während JMP® Pro 9 für K-Means und Normal Mixtures verwendet wird.
