Like factor analysis, cluster analy

Like factor analysis, cluster analysis is also a data reduction method. In Chapter 6 we learned that factor analysis reduces the data cube by grouping many attributes together into a small number of underlying factors; cluster analysis groups together many individuals into a small number of benefi t segments.
Different criteria and rules of thumb can be used to select the best number of clusters
(benefit segments) that exist in the market since there is no one correct answer.
Generally, practical judgment or experience play an important role. For example, in this case we may feel it is unlikely that more than fi ve or six benefi t segments exist.
When cluster analysis was run on the swimsuit importance data, a satisfactory solution with three benefit segments was obtained. Conceptually, it is not too different from Figure 9.3 , even though we considered many more attributes: The three clusters we obtained more or less correspond to those depicted in that figure.
Joint Space Maps
We can now overlay the benefit segments onto our perceptual map (previously built in Chapter 6). The result is called a joint space map,and it allows us to assess the preferences of each benefi t segment for different product concepts. Joint space maps can be developed using ideal brand ratings or preference regression.
Ideal Brands
The most direct way is to get customers to rate their ideal brandon each attribute.
Using the factor score coefficient matrix (which we obtained in Chapter 6 from the perceptions of existing brands), we convert the ideal brand ratings to factor scores and plot the ideal brand positions directly on the perceptual map. Clusters of individuals may be detected visually from this map—each cluster represents a segment

Kết quả (Việt) 1:

Giống như yếu tố phân tích, phân tích cụm cũng là một phương pháp giảm dữ liệu. Trong chương 6 chúng tôi đã học được rằng yếu tố phân tích làm giảm khối dữ liệu bằng cách nhóm nhiều thuộc tính với nhau vào một số ít các yếu tố tiềm ẩn; cụm sao phân tích nhóm lại với nhau nhiều cá nhân vào một số lợi ích t phân đoạn. Tiêu chí khác nhau và quy tắc của ngón tay cái có thể được sử dụng để chọn số cụm, tốt nhất (hưởng lợi phân đoạn) mà tồn tại trên thị trường vì không có câu trả lời chính xác một. Nói chung, thực hiện bản án hoặc kinh nghiệm đóng một vai trò quan trọng. Ví dụ, trong trường hợp này chúng tôi có thể cảm thấy không chắc rằng phân đoạn t lợi ích nhiều hơn fi ve hoặc sáu tồn tại. Khi phân tích cụm đã được chạy trên dữ liệu tầm quan trọng của áo tắm, một giải pháp thỏa đáng với ba lợi ích phân đoạn được thu được. Khái niệm, nó không phải là quá khác với con số 9.3, mặc dù chúng tôi xem xét nhiều thuộc tính thêm: cụm ba chúng tôi có được nhiều hơn hay ít tương ứng với những người được mô tả trong con số đó. Bản đồ chung Space Chúng tôi bây giờ có thể che phủ các phân đoạn lợi ích lên chúng tôi bản đồ perceptual (trước đây được xây dựng trong chương 6). Kết quả được gọi là một bản đồ chung space, và nó cho phép chúng tôi để đánh giá các ưu đãi của mỗi phân đoạn t lợi ích cho các khái niệm sản phẩm khác nhau. Chung space bản đồ có thể được phát triển bằng cách sử dụng lý tưởng thương hiệu xếp hạng hoặc sở thích hồi quy. Lý tưởng thương hiệu Cách đặt trực tiếp là để có được khách hàng đánh giá của brandon lý tưởng mỗi thuộc tính. Chúng tôi sử dụng ma trận hệ số điểm yếu tố (mà chúng tôi thu được trong chương 6 từ nhận thức về thương hiệu hiện có), chuyển đổi các xếp hạng thương hiệu lý tưởng để yếu tố điểm và vẽ các vị trí lý tưởng thương hiệu trực tiếp trên bản đồ perceptual. Cụm từ các cá nhân có thể được phát hiện trực quan từ bản đồ này-mỗi nhóm đại diện cho một phân đoạn

Kết quả (Việt) 2:

Giống như phân tích nhân tố, phân tích cluster cũng là một phương pháp giảm dữ liệu. Trong chương 6, chúng tôi đã học được rằng phân tích nhân tố làm giảm khối dữ liệu bằng cách nhóm nhiều thuộc tính với nhau thành một số lượng nhỏ các yếu tố cơ bản; nhóm phân tích chùm với nhau nhiều cá nhân vào một số lượng nhỏ người hưởng phân đoạn t.
tiêu chí khác nhau và quy tắc của ngón tay cái có thể được sử dụng để chọn số tốt nhất của cụm
(các phân đoạn có lợi) mà tồn tại trong thị trường vì không có một câu trả lời chính xác.
Nói chung, án thực tế hoặc kinh nghiệm đóng một vai trò quan trọng. Ví dụ, trong trường hợp này chúng ta có thể cảm thấy nó không chắc rằng hơn fi ve hay sáu phân đoạn người hưởng t tồn tại.
Khi phân tích cluster đã được chạy trên các dữ liệu quan trọng áo tắm, một giải pháp thỏa đáng với ba phân đoạn lợi ích thu được. Về mặt khái niệm, nó không phải là quá khác nhau từ hình 9.3, mặc dù chúng tôi xem xét nhiều thuộc tính hơn: Ba cụm chúng tôi thu được nhiều hơn hoặc ít hơn tương ứng với những mô tả trong hình đó.
Joint Space Maps
Chúng tôi bây giờ có thể che phủ các phân đoạn có lợi vào bản đồ nhận thức của chúng tôi ( trước đây được xây dựng trong chương 6). Kết quả được gọi là một bản đồ không gian chung, và nó cho phép chúng ta đánh giá các sở thích của mỗi người hưởng t phân khúc cho khái niệm sản phẩm khác nhau. Bản đồ không gian chung có thể được phát triển bằng cách sử dụng xếp hạng thương hiệu lý tưởng hay hồi quy thích.
Ideal Brands
Cách trực tiếp nhất là để có được khách hàng đánh giá brandon lý tưởng của họ mỗi thuộc tính.
Sử dụng ma trận hệ số điểm nhân tố (mà chúng tôi thu được trong chương 6 từ nhận thức của hiện tại nhãn hiệu), chúng tôi chuyển đổi các xếp hạng thương hiệu lý tưởng đến yếu tố điểm số và các lô vị trí thương hiệu lý tưởng trực tiếp trên bản đồ tri giác. Cụm của các cá nhân có thể được phát hiện bằng mắt từ bản đồ, mỗi cụm này đại diện cho một phân khúc