بخش بندی بازار بر اساس دادهها: روش خوشه بندی K-Means
- خوشه بندی چیست و چه تفاوتی با طبقه بندی دارد؟
- تفاوت دو روش استفاده از پیش فرضها و استفاده از دادهها در بخش بندی بازار
- بتوانند مراحل الگوریتم K-Means را برای خوشه بندی اطلاعات شرح دهند.
- بتوانند نقاط ضعف الگوریتم K-Means را فهرست کنند.
- پیچیدگی مفهوم خوشه بندی بر اساس دادهها را درک کرده باشند.
ما در درسهای قبلی بحث بخش بندی بازار، به این نکته اشاره کردیم که کلیه روشهای بخش بندی بازار را میتوان به دو دسته تقسیم کرد.
دستهی اول، روشهای بخش بندی هستند که بر پایهی مفروضات مدیران بازاریابی یا به طور کلی، مدیران کسب و کارها انجام میشوند.
دستهی دوم روشهایی هستند که میکوشند تا حد امکان، پیشفرضها را کمتر دخیل کنند و با استفاده از دادههای بیشتر و روشهای آماری و ریاضی، خطای قضاوت انسانی را در بخش بندی بازار کاهش دهند.
در مورد روش اول بحثها و توضیحات مختلفی داشتهایم. اما به روشهای دستهی دوم، اشارهی مستقیم نکردهایم.
این درس به معرفی روش K-Means میپردازد.
البته در این درس مختصر انتظار نداریم که بعد از به پایان رسیدن این درس، به سادگی بتوانید با هر برنامهای مانند Matlab یا Excel یا SPSS به بخش بندی بپردازید. اما انتظار داریم تصویر شفافتری از روشهای آماری خوشه بندی به دست بیاورید.
اگر چه در صورتی که کمی حوصله و علاقه برای بازی با برنامههایی مانند Excel داشته باشید، بدون نرم افزارهای تخصصی و با ترکیب روشهای اتوماتیک و کمی هم بازی با اعداد و دستکاری جدولهای Excel، میتوانید این روش را برای کارهای ساده به کار بگیرید.
اما مهمتر از اینها:
برای متمم مهم است که لااقل اگر یک متخصص ریاضی یا آمار یا یک کاربر حرفهای نرم افزار، برای شما از روش های ریاضی خوشه بندی استفاده کرد، بتوانید تا حدی در ذهن خود تصور کنید که در پشت این الگوریتمها چه چیزی روی میدهد.
دوست عزیز. مطالعه مجموعه درسهای مدیریت بازاریابی، صرفاً برای کسانی امکان پذیر است که از هر دو ویژگی زیر برخوردار باشند:
- کاربر ویژه متمم باشند.
- پروژه درس ارزش آفرینی را انجام داده باشند و پروژه آنها پذیرفته شده باشد.
البته اگر کاربر ویژه متمم باشید، به درسهای بسیار بیشتری دسترسی پیدا میکنید که فهرست آنها را میتوانید در اینجا ببینید:
فهرست درسهای مختص کاربران ویژه متمم
البته از میان درسها و مطالب مطرح شده، ما فکر میکنیم شاید بهتر باشد درسهای دوره مدیریت کسب و کار (MBA) متمم را به شکل منظم بخوانید؛ یا لااقل ابتدا مطالعهی مباحث زیر را در اولویت قرار دهید:
تمرین (در متمم انجام ندهید)
بهترین روش برای درک الگوریتم K-Means این است که آن را به صورت دستی و تخمینی در فضای دو بعدی انجام دهید.
روی یک برگه نموداری شبیه تصویر زیر را ترسیم کنید:
سعی کنید به صورت چشمی و بدون محاسبهی دقیق، الگوریتم را برای K=2 روی آن اجرا کنید.
یعنی اول دو مرکز تصادفی انتخاب کنید و بعد نقطهها را بر اساس فاصله به یکی از دو مرکز تخصیص دهید و سپس مرکز جدید را محاسبه کنید و روند را تکرار کنید.
در پایان، حتماً یک بار دیگر اهداف درس را در قسمت بالای این مطلب بخوانید.
قرارمان فقط این بود و هست که در این درس خاص، نسبت به یکی از کلاسیکترین شیوههای خوشه بندی، کمی دید پیدا کنیم.
همین و نه بیشتر.
ترتیبی که متمم برای خواندن مطالب سری بخش بندی بازار به شما پیشنهاد میکند:
- بخش بندی بازار – تقسیم بندی بازار و مشتریان چگونه به ما کمک میکند؟
- شناخت بازار همگن و ویژگیهای بازارهای همگن
- چرا به سراغ بخش بندی بازار میرویم؟
- روش های بخش بندی بازار: استفاده از پیش فرض ها / استفاده از داده ها
- معیارهای تقسیم بندی بازار
- بخش بندی بازار بر اساس دادهها: روش خوشه بندی K-Means
- چک لیست بخش بندی بازار: آیا بخشبندیتان مفید است؟
- دسته بندی مشتریان در عصر تکنولوژی و دنیای دیجیتال (تکنوگرافی)
- مثال تقسیم بندی بازار – بخش بندی بازار موبایل
- بخش بندی بازار (جمع بندی نهایی درسهای گذشته)
چند مطلب پیشنهادی از متمم:
سوالهای پرتکرار دربارهٔ متمم
متمم مخففِ عبارت «محل توسعه مهارتهای من» است: یک فضای آموزشی آنلاین برای بحثهای مهارتی و مدیریتی.
برای آشنا شدن بیشتر با متمم به صفحهٔ درباره متمم سر بزنید و فایل صوتی معرفی متمم را دانلود کنید و گوش دهید.
فهرست دوره های آموزشی متمم را کجا ببینیم؟
هر یک از دوره های آموزشی متمم یک «نقشه راه» دارد که مسیر یادگیری آن درس را مشخص میکند. با مراجعه به صفحهٔ نقشه راه یادگیری میتوانید نقشه راههای مختلف را ببینید و با دوره های متنوع متمم آشنا شوید.
همچنین در صفحههای دوره MBA و توسعه فردی میتوانید با دوره های آموزشی متمم بیشتر آشنا شوید.
هزینه ثبت نام در متمم چقدر است؟
شما میتوانید بدون پرداخت پول در متمم به عنوان کاربر آزاد عضو شوید. اما به حدود نیمی از درسهای متمم دسترسی خواهید داشت. پیشنهاد ما این است که پس از ثبت نام به عنوان کاربر آزاد، با خرید اعتبار به عضو ویژه تبدیل شوید.
اعتبار را میتوانید به صورت ماهیانه (۱۶۰ هزار تومان)، فصلی (۴۲۰ هزار تومان)، نیمسال (۷۵۰ هزار تومان) و یکساله (یک میلیون و ۲۰۰ هزار تومان) بخرید.
توجه داشته باشید که خرید ششماهه و یکساله بهترتیب معادل ۲۰٪ و ۳۸٪ تخفیف (نسبت به خرید یکماهه) محسوب میشوند.برای اطلاعات بیشتر به صفحه ثبت نام مراجعه کنید.
آیا در متمم فایل های صوتی رایگان برای دانلود وجود دارد؟
مجموعه گسترده و متنوعی از فایلهای صوتی رایگان در رادیو متمم ارائه شده که میتوانید هر یک از آنها را دانلود کرده و گوش دهید.
همچنین دوره های صوتی آموزشی متنوعی هم در متمم وجود دارد که فهرست آنها را میتوانید در فروشگاه متمم ببینید.
با متمم همراه شوید
آیا میدانید که فقط با ثبت ایمیل و تعریف نام کاربری و رمز عبور میتوانید به جمع متممیها بپیوندید؟
نویسندهی دیدگاه : محمد رمضانی
با سلام
خیلی ممنون از درس خیلی خیلی خوبتون
بعد اتمام درس، فقط ی نکته که فکر میکنم خیلی کاربردی باشه رو خواستم عنوان کنم.
من برای پروژه های دانشگاهی و کاری و ... خودم و خیلی از دوستان و همکلاسی ها و ... خیلی از برنامه های مدل کردن و تحلیل اماری و ... استفاده کرده ایم.
وقتی بچه های برای بارهای نخست ازین روش ها استفاده میکنند، خیلی وقت ها گمراه می شوند و اشتباه تو نتایج حاصله پیش میاد.
بعد از بررسی ها در چندین مورد، فهمیدم که علتش "عدم استفاده از هوشیاری" هستش.
مشکل از اینجا صورت میگرفت که دوستان همه داده ها رو وارد دیتا بیس برنامه می کردند و برنامه هم شروع می کرد به ارزیابی و خروجی دادن بر اساس اون دیتاهای خام اولیه.
در حالی که اون دیتاها، استاندارد و غربال شده نبودند و نیاز به اماده سازی داشتند و ایراد کار، همین عدم غربال گری و اماده سازی داده خام بود.
این امر استاندارد سازی و غربال گری داده های خام، به قدری مهم و با اهمیت هستند که کلی شیوه و روش و برنامه و .... براش درست و تالیف شده است.
لذا در چپایان این درس، مناسب دونستم که این نکته رو یاداور دوستان خوبم بشم که همیشه قبل از استفاده از چنین برنامه ها و روش ها و نرم افزارهایی، نسبت به غربال گری و اماده سازی دیتای اولیه خودتون هوشیار باشید.
نکته دیگه ای هم که باید متذکر بشم، اینه که ما یک جهت گیری مثبت نسبت به خروجی های برنامه های نرم افزاری و ... مثل مورد ارائه شده در این درس داریم.
در بسیاری موارد این جهت گیری درست است، اما در مواردی همین جهت گیری و عدم بررسی مجدد بر روی خروجی ها، منجر به اشتباهات و بعضا خطاهای بسیار عظیم و بزرگ می شود.
لذا این مطلب رو هرگز فراموش نکنیم که این برنامه ها، در عین کاربردی و مفید بودن، هوشیاری ندارند و در نهایت این هوشیاری رو ما باید به این مجموعه بیافزاییم و تنها در اون صورت هستش که نتایج قابل اتکا و کاربردی و قابل اطمینان می شوند.
این هوشیاری چه در مرحله های اولیه (مثل استاندارد سازی داده های خام و اولیه) و چه در مراحل پایانی، ارزیابی و بررسی و تحلیل داده های خروجی برنامه ها و نرم افزارها، بسیار مهم و تاثیرگذار هستند و بی توجهی به این مطالب، میتونه مکا رو بشدت با خطا و ضرر مواجه کنه.
موفق و شادکام باشید.