市場區隔技術 — 集群分析（Cluster Analysis）
有一句俗話說，「物以類聚」，但是在行銷資料的世界裡，如果沒有人為的處理，性質相同的資料還是不會類聚。我們總要把類似的資料儘量排在一起，才能找到共同的端倪。而「集群分析」正是一種精簡資料的方法，依據樣本之間的共同屬性，將比較相似的樣本聚集在一起，形成集群(cluster)。
從視覺化的觀點來看，如果每一筆資料在縱橫座標軸上，是一個點。那麼通常以距離作為分類的依據，相對距離愈近，相似程度愈高，資料分群之後可以使得群內差異小、群間差異大。
換句話說，集群分析（Cluster Analysis）的目標，是將樣本分為不同的數個組，以使各組內的同質性最大化，以及各組之間的異質性最大化。這樣的概念，與市場區隔裡的「組內同質、組間異質」，不是很類似嗎？學者邁爾斯（Myers）與陶伯（Tauber）就發現，在市場區隔技術方面，集群分析優於因素分析。
集群分析能將N個樣本，集結成M個群體的統計方法，其中M<=N。
如果所有樣本最後被分為一組，代表這一組裡的成員彼此相對不可區分。
目前，集群分析技術主要有兩大類：階層式分群（Hierarchical Clustering）和切割式分群（Partitional Clustering）。
階層式分群（Hierarchical Clustering）不用指定分群數量，演算法會直接根據樣本之間的距離，將距離最近的集結在一群，直到所有樣本都併入到同一個集群之中。階層式分群的結果，可透過樹狀圖來呈現，如圖1所示。
切割式分群（Partitional Clustering）則會事先指定分群數量，並透過演算法（如K-means）讓組內同質性和組間異質性最大化。
集群分析主要用於將人分群，所依據的變數通常是描述消費者的特徵（如，人口統計變數、態度、需求…等）。
再舉一個例子，美國職籃就曾將ESPN選出的前25名球星，包含得分、籃板、助攻、火鍋及抄截等資料。以集群分析法將25名球星分成五大類，分別是主力得分群、防守猛將群、控球後衛群、雙能衛與強力前鋒群，供球隊和經理和教練在選秀和調度時參考，這也是集群分析的主要運用方式。
值得一提的是，集群分析的結果，往往會隨著「時間」而有所改變，因此在透過集群分析做決策時，應該考慮到這一點。
作者：蘇宇暉（台科大管研所博士候選人）、羅凱揚（台科大企管系博士）
繪圖者：何晨怡
您可能有興趣:
全台最多商務應用的Python基礎課程：
2020課程地圖：
AI行銷學講座：
實體課程：
線上課程：
精選好書：
🏆狂賀！國內第一本「股票小祕書」專書
獲天瓏書局【暢銷排行榜 — 第 ⑦ 名！！】
附上購書網址~ 國外的朋友也可以使用博客來與金石堂的通路轉運到國外哦~！
