Clusteranalyse einfach erklärt
Die Clusteranalyse findet häufig Anwendung in der Marktforschung, aber auch in zahlreichen Marketingabteilungen, wird dieses explorative Verfahren eingesetzt, um verschiedene Kundencluster zu bilden. In einem vorherigen Beitrag haben wir Ihnen die Bedeutung von Kundenclustern für das B2B-Marketing erläutert. In diesem Beitrag erfahren Sie, wie Sie eine Clusteranalyse durchführen können und welche unterschiedlichen Verfahren unterschieden werden. Kurz gesagt, nachfolgend wird die Clusteranalyse einfach erklärt.
Was umfasst eine Clusteranalyse?
Speziell im Marketing ist die Clusteranalyse ein hilfreiches Tool, um eine analytisch fundierte Kundensegmentierung vorzunehmen. Anhand untersuchungsrelevanter Merkmale werden Ihre Kunden in sogenannte Cluster eingeteilt. Somit wird ein Verfahren beschrieben, welches zur Identifikation von Ähnlichkeitsstrukturen, mit Hilfe Ihrer Kundendaten, geeignet ist. Wichtig ist, zu verstehen, dass eine Clusteranalyse kein reines Sortieren definiert, sondern vielmehr eine Segmentierung in geeignete Kundengruppen bzw. Kundencluster erfolgt. Daher umfasst eine Clusteranalyse die Analyse und Auswertung von Kundendaten sowie die Einteilung bzw. Beschreibung der Kundencluster anhand konkreter Eigenschaften und Merkmale.
Marcel Vedder
Ablauf einer Clusteranalyse
Bei einer Clusteranalyse werden im Allgemeinen mit Hilfe komplexer Algorithmen Ihre Kundendaten analysiert und gruppiert. In einem ersten Schritt findet die Bestimmung von Merkmalen bzw. entsprechenden Ähnlichkeiten statt. Anschließend sollten Sie einen Algorithmus auswählen, mit dem Sie Ihre Kundendaten analysieren werden und somit die Grundlage für die Bildung von Kundenclustern legen. Drittens findet die Bestimmung der Clusteranzahl statt sowie die Bildung der jeweiligen Cluster. Hierbei werden Ihre Kunden anhand von Segmentierungskriterien zugeordnet. Für die erfolgende Gruppenbildung muss nicht nur die Anzahl der Gruppen evaluiert werden, sondern auch eine ähnliche Clustergröße für alle Ihre identifizierten Kundencluster.
Verschiedene Algorithmen einer Clusteranalyse
Für die Durchführung einer Clusteranalyse können verschiedene Verfahren bzw. unterschiedliche Algorithmen verwendet werden. In der obigen Abbildung sehen Sie, welche Möglichkeiten hierzu bestehen. Grundsätzlich wird bei der Clusteranalyse eine Unterteilung in hierarchische und partitionierende Verfahren vorgenommen. Diese entsprechenden Verfahren können wiederum auf Grundlage unterschiedlicher Algorithmen angewendet werden, weshalb das Gebiet der Clusteranalysen sehr umfangreich erscheint. Wir erklären Ihnen im nachfolgenden diese unterschiedlichen Verfahren ausführlich und leicht verständlich.
Hierarchische Verfahren bei einer Clusteranalyse
Die hierarchischen Verfahren bei einer Clusteranalyse werden eingesetzt, um Clusterstrukturen aufzudecken, wenn keine Kenntnisse über die exakte Clusteranzahl verfügbar sind. Hierbei können zwei verschiedene Ansätze verfolgt werden. Zum einen divisive Verfahren und zum anderen agglomerative Verfahren.
Divisive Verfahren, auch als Top-Down-Verfahren bezeichnet, führen zu einer Verfeinerung der Struktur eines jeweiligen Clusters. Genauer werden zunächst aus dem Datensatz entsprechende Cluster gebildet, welche dann in weiteren Schritten zunehmend verfeinert und verkleinert werden, sodass immer kleinere Cluster entstehen. Da dieses Verfahren in der Praxis weniger Anwendung findet, liegt der Fokus in diesem Beitrag auf den agglomerativen Verfahren.
Agglomerative Verfahren, auch als Bottom-Up-Verfahren bekannt, verfolgen einen umgekehrten Ansatz. Hierbei werden zunächst kleine Cluster aus einem Datensatz gebildet, welche dann mit zunehmenden Analyseschritten sukzessive vergrößert werden, sodass die kleinen Cluster zu größeren zusammengefasst werden.
Ablauf des agglomerativen Verfahrens
Der Algorithmus des agglomerativen Verfahrens kann anhand des folgenden Ablaufs veranschaulicht werden.
- Betrachtung der Daten mit der feinsten Partition
- Berechnung einer Ausgangsdistanzmatrix
- Die beiden Cluster mit der geringsten Distanz werden identifiziert
- Ähnliche Cluster werden zu einem größeren Cluster zusammengefasst
- Berechnung neuer Distanzen und Veränderungen
Dieser Vorgang wird so lange wiederholt, bis alle Untersuchungsobjekte bzw. Daten in einer Gruppe zusammengefasst werden können. Ist dies nicht der Fall, beginnt der Ablauf bei dem 3. Schritt erneut und wird so häufig wiederholt, bis alle Daten zu einem Cluster zugeordnet wurden.
Linkage-Verfahren
Mit Hilfe des Linkage-Verfahrens können Cluster auf unterschiedliche Weisen zugeordnet bzw. gebildet werden. Grundsätzlich können drei verschiedene Linkage-Verfahren kategorisiert werden.
- Single-Linkage: Beim Single-Linkage-Verfahren ist die Distanz zwischen zwei Clustern durch die kleinste Distanz zwischen zwei Objekten zweier Cluster beschrieben.
- Complete-Linkage: Das Complete-Linkage-Verfahren geht bei der Messung der Clusterdistanzen von den beiden entferntesten Objekten aus.
- Average-Linkage: Die Distanz zwischen zwei Clustern entspricht beim Average-Linkage-Verfahren dem arithmetischen Mittel der Distanzen zwischen den Objekten der Cluster.
Marcel Vedder
Partitionierende Verfahren der Clusteranalyse
Bei der partitionierenden Clusteranalyse sind die verwendeten Datensätze bereits klassifiziert. Durch die Umstrukturierung dieser Datensätze sollen diese Klassifizierungen verbessert werden. Der k-Means-Algorithmus stellt hierbei ein einfaches und gängiges Verfahren der Clusteranalyse dar.
K-Means-Verfahren
Der Ablauf des k-Means-Verfahren kann anhand der folgenden fünf Schritte veranschaulicht werden:
1. Bestimmung der Clusteranzahl
Um die Gruppen bzw. Cluster zu identifizieren, muss zu Beginn des k-Means-Verfahrens zunächst die Anzahl der Cluster definiert werden. Demnach beschreibt das “k” die Anzahl der Cluster.
2. Festlegung der Cluster Mittelpunkte
Anschließend werden die initialen Cluster Zentren festgelegt. Dieses geschieht in der Regel zufällig. Dabei repräsentiert jedes Zentrum ein eigenständiges Cluster.
3. Zuordnung der Datenpunkte zu den Clustern
Im nächsten Schritt wird die Distanz von dem ersten Datenpunkt zu jedem der Cluster Zentren gemessen bzw. bestimmt. Die Datenpunkte werden folglich dem Cluster zugeordnet, welches die geringste Distanz zu dem entsprechenden Datenpunkt ausweist. Dieser Teilschritt wird so lange wiederholt, bis alle weiteren Datenpunkte einem Cluster zugeordnet sind.
4. Berechnung der Mittelwerte jedes Clusters
Als vorletzter Schritt erfolgt die Berechnung der Mittelwerte eines jeden Clusters. Diese berechneten Mittelwerte stellen somit die neuen Cluster Zentren dar. Es erfolgt eine Umverteilung der Cluster Zentren in die Cluster Mittelpunkte.
5. Zuteilung aller Datenpunkte zu den neuen Clustern
Abschließend werden die Datenpunkte den neuen Clustern zugeteilt. Die Schritte 4 und 5 werden so lange wiederholt, bis der Algorithmus des k-Means-Verfahrens keine bessere Lösung generiert bzw. die Cluster Aufteilung nicht mehr zu optimieren ist.
Effektive Kundensegmentierung durch Ihre Clusteranalyse
Bei der sorgfältigen und detaillierten Anwendung der Clusteranalyse entstehen Kundencluster, welche wichtige Erkenntnisse für Ihre Marketingaktivitäten offenbaren können und neue Anwendungsmöglichkeiten entstehen. Im Detail kann eine gezielte Kundenansprache vorgenommen werden, wodurch Ihr unternehmerischer Erfolg gesteigert werden kann. Somit ist eine sorgfältige Durchführung einer Clusteranalyse empfehlenswert. Sprechen Sie uns gerne an, um sich über Potentiale und Herausforderungen Ihrer durchgeführten Clusteranalyse auszutauschen. Bei Ihrer erfolgreichen Durchführung einer Clusteranalyse wünscht Ihnen das Team von enra viel Erfolg.