- •1. Пояснительная записка
- •2. Тематический план по дисциплине «Маркетинг»
- •Исследование маркетинга: swot-анализ swot-анализ: разведка перед боем
- •Swot-анализ в маркетинговом плане Вашего предприятия
- •Как провести swot-анализ
- •Шаг 1. Определение сильных и слабых сторон предприятия
- •Шаг 2. Определение рыночных возможностей и угроз
- •Шаг 3. Сопоставление сильных и слабых сторон вашего предприятия с возможностями и угрозами рынка
- •Откуда взять информацию для проведения swot-анализа?
- •Когда мис отсутствует на предприятии.
- •Информация для анализа внутренней среды
- •Маркетинговая среда предприятия: сбор информации о внешней среде
- •Макро- и микро среды
- •Методы сбора информации
- •Методы получения информации о макросреде
- •Методы получения информации о микросреде
- •Основные положения кластерного анализа и алгоритм его реализации
- •Пример:
- •Сегментирование рынка: кто ваши покупатели
- •Позиционирование: в чем ваше отличие
- •Товарная политика
- •Какой товар: основные вопросы
- •Что вы можете предложить вашим потребителям?
- •Что именно приобретают потребители
- •Жизненный цикл товара
- •Ассортимент
- •Зависимость ценовой стратегии от этапа жизненного цикла товара
- •Способы определения цены
- •Этапы определения цены
- •Методы адаптации цены
- •Определение финансовых последствий назначения цены
- •Сбытовая политика (политика распределения)
- •Построение системы сбыта товаров Вопрос 1. Цели сбыта
- •Вопрос 2. Интенсивность распределения
- •Вопрос 3. Длина канала распределения
- •Вопрос 4. Как выбрать посредника
- •Вопрос 5. Взаимоотношения с посредником
- •Политика продвижения (часть 1)
- •Шаг 2. Установите цели
- •Шаг 3. Определить целевую аудиторию
- •Шаг 4. Определить содержание сообщения
- •Шаг 5. Определить форму сообщения
- •Шаг 6. Рассчитать бюджет
- •Шаг 7. Составить программу
- •Шаг 8. Определить, как оценивать результаты
- •Алгоритм разработки плана маркетинга
- •4. 5.Вопросы к зачету / экзамену по дисциплине «Маркетинг»
- •9. Список литературы
Основные положения кластерного анализа и алгоритм его реализации
Кластерный анализ – это совокупность методов классификации многомерных наблюдений или объектов, основанных на определении понятия расстояния между объектами с последующим выделением из этих объектов групп, “сгустков” наблюдений (кластеров, таксонов). При этом не требуется априорной информации о распределении генеральной совокупности.
Выбор конкретного метода кластерного анализа зависит от цели классификации и в настоящее время весьма разнообразен, затрагивая целые математико-статистические разделы, начиная от традиционного – исследования операций и заканчивая, к примеру, многомерным шкалированием.
Кластерный анализ используется при исследовании структуры совокупностей менеджерских, социально-экономических, маркетинговых, коммерческих показателей или объектов: предприятий, фирм, корпораций, регионов, территорий, социологических анкет, коллективов, популяций и сообществ и т.д.
От матрицы исходных данных
переходим к матрице нормированных значений с элементами
где - номер показателя (столбцы), номер наблюдателя (строки);
; .
В качестве «расстояния» между наблюдениями и используют (чаще всего, и даже, в основном) «взвешенное» евклидовое расстояние, определяемое по формуле
, где - вес показателя; .
Если для всех , то получаем обычное евклидовое расстояние
,
Полученные расчетом для каждой ячейке значения удобно представить в виде матрицы расстояний
; .
Так как матрица симметрическая, т.е. , то достаточно ограничиться записью наддиагональных элементов матрицы.
Используя матрицу расстояний, можно реализовать подобную иерархическую «цементирующую» процедуру кластерного анализа. Расстояния между кластерами определяют по принципу «ближнего соседа» или «дальнего соседа». В первом случае за расстояние между ближайшими элементами этих кластеров, а во втором – между удаленными друг от друга.
Принцип работы иерархических «цементирующих» процедур состоит в последовательном объединении групп элементов сначала самых близких, а затем все более отдаленных друг от друга.
На каждом шаге алгоритма каждое наблюдение () рассматривается как отдельный кластер. В дальнейшем на каждом шаге работы алгоритма происходит объединение двух самых близких кластеров, и вновь строится матрица расстояний, размерность которой снижается на единицу. Работа алгоритма заканчивается, когда все наблюдения объединены в один класс.
Например, получена матрица расстояний [3, с. 86-87]
Поскольку между кластерами 1 и 5 имеется минимальное расстояние, оцениваемое в 1, то объединению подлежат кластеры (1) и (5), т.е. по минимальным расстояниям объединяются и строки (1) и (5) и одновременно столбцы (1) и (5). В результате образуется также симметричный кластер, но уже размером , но с объединенными по минимальным расстояниям строками и столбцами (1) и (5), т.е.
Из полученного кластера выявляется минимальное “расстояние”, равное 2, которое имеет место между кластерами 3 и 5, подлежат дальнейшему объединению по “минимальным” расстояниям (фактические по счету строки и столбцы 3 и 4). Получаем кластер размером :
Анализ полученного кластера показывает, что минимальным «расстоянием» является расстояние 3, которое предполагает объединению кластеров (строк и столбцов), обозначенных нами как (1+5) и (3+4), т.е. объединению фактически по минимальным «расстояниям» подлежат строки и одновременно столбцы 1 и 3. Объединяя столбцы 1 и 3, не трудно определить содержание первой строки в виде
, что и соответствует содержанию первого столбца (в силу симметричности матрицы евклидового расстояния). Поэтому последняя матрица, объединяющая кластеры (1+5)+(1+4), позволяет выделить минимальное расстояние .
В результате итеративных процедур объединения кластеров получаем:
Р
1
2 3 4
5
Дендрограмма, характеризующая кластер условных «расстояний» примера, объединенного по выявленным ( ) минимально возможным «расстояниям».