聚类分析法在企业营销中的应用

Ⅰ 聚类分析中常见的数据类型有哪些

聚类分析，又称群分析，即建立一种分类方法：将一批样品或者指标（变量），按照它们在性质上的亲疏、相似程度进行分类。
按其聚类的方法，数据类型有以下六种：
①系统聚类分析：开始每个对象自成一类，然后将最相似的两类合并，合并过后重新计算新类与其它类的距离或相近性程度。这一过程一直继续下去直到所有的对象归为一类为止

②调优法（动态聚类法）：首先对n个对象进行初步分类，然后根据分类的损失函数尽可能小的原则对其进行调整，直到分类合理为止；
③最优分割法（有序样品聚类法）：开始将所有样品看成一类，然后根据某种最优准则将他们分割为二类、三类，一直分割到所需要的K类为止；
④模糊聚类法：利用模糊集理论来处理分类的问题，他将经济领域中最有模糊特征的两态数据或多态数据具有明显的分类效果；
⑤图论据类法：利用图论中最小支撑树的概念来处理分类问题；
⑥聚类预报法：聚类预报弥补了回归分析和判别分析的不足。
按分类对象的不同：聚类分为R型和Q型

Ⅱ 如何开展聚类市场营销

河北唐山联通结合今年第四季度聚类市场光纤改造专项活动契机开展专项营销，目标锁定重点聚类市场，以驻点现场拦截和商铺走访的形式共计走访客户近9000户，实现光纤改造200余户，新发展各类业务600余个，新增收入107万元。

据了解，唐山联通采取的主要做法是：一是提前谋划，有针对性地制定营销方案。从全市161家名单制聚类市场中选取78家高价值的聚类市场作为活动现场，通过系统数据分析结合活动现场特点分别制定营销措施，有目的地开展活动。
二是前后台联动，实现现场受理、现场安装。为确保活动开展的有序、有效，本次活动人各现场设立营业座席，营业人员现场受理业务；营销人员采取驻点和实地走访的形式开展业务宣传；经过前期协调，活动现场增配安装人员，确保现场受理的业务及时调试完毕。三是整齐划一，规定现场营销动作。
活动之前，通过动员会的形式对各现场销售行为做出了明确规范，每天对当日的业绩进行排名，对当天的营销进行总结，营造出一个比学赶帮超的良好营销氛围。四是借力商务沃网，开展线上维系和营销。 充分利用商务沃网的信息采集及客户管理优势，引导客户通过扫描二维码的方式注册商务沃网，开展有针对性的线上维系和营销。五是后续跟进，延展性营销到位。
本次营销活动的时间是有限的，但是经过连续预热宣传，许多处于犹豫期的客户还有后续办理业务的需求，特别是光纤改造区域后续需求旺盛，为了避免活动结束后后续营销乏力的现象，唐山联通要求对拜访客户100%发放包片客户经理的业务名片，并通过电话回访的形式至少开展两次回访营销。

Ⅲ 数据分析方法有哪些

常用方法：

利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等， 它们分别从不同的角度对数据进行挖掘。

一、分类：

1.分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。

2.它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。

②回归分析：

1.回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。

2.它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。

③聚类：聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。

④关联规则：

1.关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。

2.在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。

Ⅳ 利用企业用户或消费者调查数据进行分析，将产品的消费者进行分类并归纳出消费者的相关特征（聚类分析）

答：从网络消费者的群体特点看。消费者行为以及购买行为永远是营销者关注的一个热点问题，对于网络营销者也是如此。网络用户是网络营销的主要个体消费者，也是推动网络营销发展的主要动力，它的现状决定了今后网络营销的发展趋势和道路。我们要搞好网络市场营销工作，就必须对网络消费者的群体特征进行分析以便采取相应的对策。网络消费者群体主要具备以下四个方面的特征： （一）注重自我。（二）头脑冷静，擅长理性分析 （三）喜好新鲜事物，有强烈的求知欲（四）好胜，但缺乏耐心。

从网络消费需求的特征看。由于互联网商务的出现，消费观念、消费方式和消费者的地位正在发生着重要的变化，互联网商用的发展促进了消费者主权地位的提高；网络营销系统巨大的信息处理能力，为消费者挑选商品提供了前所未有的选择空间，使消费者的购买行为更加理性化。

从网络消费者的购买动机看。所谓动机，是指推动人进行活动的内部原动力，即激励人们行为的原因。人们的消费需要都是由购买动机而引起的。网络消费者的购买动机，是指在网络购买活动中，能使网络消费者产生购买行为的某些内在的动力。我们只有了解消费者的购买动机，才能预测消费者的购买行为，以便采取相应的促销措施。由于网络促销是一种不见面的销售，消费者的购买行为不能直接观察到，因此对网络消费者购买动机的研究，就显得尤为重要。 网络消费者的购买动机基本上可以分为两大类：需求动机和心理动机。

从网络消费购买过程看。网上购物是指用户为完成购物或与之有关的任务而在网上虚拟的购物环境中浏览、搜索相关商品信息，从而为购买决策提供所需要的必要信息，并实现决策的购买的过程。电子商务的热潮使网上购物作为一种崭新的个人消费模式，日益受到人们的关注。消费者的购买决策过程，是消费者需要、购买动机、购买活动和买后使用感受的综合与统一。网络消费的购买过程可分为以下五个阶段：确认需要—→信息收集—→比较选择—→购买决策—→购后评价。

为了提高企业的竞争能力，最大限度地占领市场，企业必须虚心听取顾客的反馈意见和建议。方便、快捷、便宜的电子邮件，为网络营销者收集消费者购后评价提供了得天独厚的优势。厂商在网络上收集到这些评价之后，通过计算机的分析、归纳，可以迅速找出工作中的缺陷和不足，及时了解消费者的意见和建议，制定相应对策，改进自己产品的性能和售后服务

Ⅳ 消费者行为研究的意义

消费者行为的研究构成营销决策的基础，它与企业市场的营销活动是密不可分的。它对于提高营销决策水平，增强营销策略的有效性方面有着很重要意义。它可以为以下各方面的研究提供支持：

1、品牌形象及品牌管理

通过消费者行为研究，在了解各品牌的知名度、购买／使用率、忠诚度、转换率、美誉度等各项指标，了解各品牌在消费者心目的形象、地位及评价，以及产品类别形象和品牌使用者形象等的基础上，制定出品牌的发展策略。

2、产品定位

只有了解产品在目标消费者心目中的位置，了解其产品是否被消费者所接受，才能发展有效的营销策略。

3、市场细分

市场细分是制定大多数营销策略的基础。企业细分市场的目的，就是为了找到合适自己进入的目标市场，并根据目标市场的需求特点，制定有针对性的营销方案，使目标市场的消费者某种独特的需要得到更充分的满足。

4、新产品开发

通过了解消费者的需求与欲望，了解消费者对各种产品属性的评价，企业可以据此开发新产品。可以说，消费者行为研究即是新产品构思的重要来源，也是检验新产品各方面因素，如产品性能、包装、口味、颜色、规格等能否被接受和应在哪些方面进一步完善的重要途径。

5、产品定价

产品定价如果与消费者的承受能力或与消费者对产品价值的认同脱节，再好的产品也难以打开市场。

6、分销渠道的选择

消费者喜欢到哪些地方，以及如何购买到产品，也可以通过对消费者的研究了解到。

7、广告和促销策略的制定

对消费者行为的透彻了解，是制定广告和促销策略的基础。通过消费者行为研究，可以了解他们获得信息的途径、了解他们对广告／促销行为的态度及评价，以及广告／促销行为对他们消费行为的影响等，从而制定出合理、有效的广告／促销策略。

(5)聚类分析法在企业营销中的应用扩展阅读

分析方法

1、聚类分析：

根据研究对象间的相似性进行分类，对市场进行分层，寻找竞争对手。

2、回归分析：

寻找某些事物的影响因素及其描述其影响程度。还可用于对某些事物的预测。

3、因子分析：

从众多的观测变量中找到具有本质意义的少量的因子，更加明确的把握事物变化的原因。

4、相关分析：

研究各变量间关系的密切程度。

5、差异性检验和方差分析：

分析和检验不同类别或变量间是否存在显著差异。

6、对应分析：

用于探索和研究各分类变量之间的关系。

7、判别分析：

利用已经获得的一些信息来判断其属性。

8、结合分析：

测量消费者对众多产品属性的偏好，以及确定消费者在多属性产品之间作出的选择。

Ⅵ 四种聚类方法之比较

四种聚类方法之比较
介绍了较为常见的k-means、层次聚类、SOM、FCM等四种聚类算法，阐述了各自的原理和使用步骤，利用国际通用测试数据集IRIS对这些算法进行了验证和比较。结果显示对该测试类型数据，FCM和k-means都具有较高的准确度，层次聚类准确度最差，而SOM则耗时最长。
关键词:聚类算法；k-means；层次聚类；SOM；FCM
聚类分析是一种重要的人类行为，早在孩提时代，一个人就通过不断改进下意识中的聚类模式来学会如何区分猫狗、动物植物。目前在许多领域都得到了广泛的研究和成功的应用，如用于模式识别、数据分析、图像处理、市场研究、客户分割、Web文档分类等[1]。
聚类就是按照某个特定标准(如距离准则)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。即聚类后同一类的数据尽可能聚集到一起，不同数据尽量分离。
聚类技术[2]正在蓬勃发展，对此有贡献的研究领域包括数据挖掘、统计学、机器学习、空间数据库技术、生物学以及市场营销等。各种聚类方法也被不断提出和改进，而不同的方法适合于不同类型的数据，因此对各种聚类方法、聚类效果的比较成为值得研究的课题。
1 聚类算法的分类
目前，有大量的聚类算法[3]。而对于具体应用，聚类算法的选择取决于数据的类型、聚类的目的。如果聚类分析被用作描述或探查的工具，可以对同样的数据尝试多种算法，以发现数据可能揭示的结果。
主要的聚类算法可以划分为如下几类：划分方法、层次方法、基于密度的方法、基于网格的方法以及基于模型的方法[4-6]。
每一类中都存在着得到广泛应用的算法，例如：划分方法中的k-means[7]聚类算法、层次方法中的凝聚型层次聚类算法[8]、基于模型方法中的神经网络[9]聚类算法等。
目前,聚类问题的研究不仅仅局限于上述的硬聚类，即每一个数据只能被归为一类，模糊聚类[10]也是聚类分析中研究较为广泛的一个分支。模糊聚类通过隶属函数来确定每个数据隶属于各个簇的程度，而不是将一个数据对象硬性地归类到某一簇中。目前已有很多关于模糊聚类的算法被提出，如著名的FCM算法等。
本文主要对k-means聚类算法、凝聚型层次聚类算法、神经网络聚类算法之SOM,以及模糊聚类的FCM算法通过通用测试数据集进行聚类效果的比较和分析。
2 四种常用聚类算法研究
2.1 k-means聚类算法
k-means是划分方法中较经典的聚类算法之一。由于该算法的效率高，所以在对大规模数据进行聚类时被广泛应用。目前，许多算法均围绕着该算法进行扩展和改进。
k-means算法以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，而簇间的相似度较低。k-means算法的处理过程如下：首先，随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心;对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇;然后重新计算每个簇的平均值。这个过程不断重复，直到准则函数收敛。通常，采用平方误差准则，其定义如下：

这里E是数据库中所有对象的平方误差的总和，p是空间中的点，mi是簇Ci的平均值[9]。该目标函数使生成的簇尽可能紧凑独立，使用的距离度量是欧几里得距离,当然也可以用其他距离度量。k-means聚类算法的算法流程如下：
输入：包含n个对象的数据库和簇的数目k；
输出：k个簇，使平方误差准则最小。
步骤：
(1) 任意选择k个对象作为初始的簇中心；
(2) repeat；
(3) 根据簇中对象的平均值，将每个对象(重新)赋予最类似的簇；
(4) 更新簇的平均值，即计算每个簇中对象的平均值；
(5) until不再发生变化。
2.2 层次聚类算法
根据层次分解的顺序是自底向上的还是自上向下的，层次聚类算法分为凝聚的层次聚类算法和分裂的层次聚类算法。
凝聚型层次聚类的策略是先将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇，直到所有对象都在一个簇中，或者某个终结条件被满足。绝大多数层次聚类属于凝聚型层次聚类，它们只是在簇间相似度的定义上有所不同。四种广泛采用的簇间距离度量方法如下：

这里给出采用最小距离的凝聚层次聚类算法流程：
(1) 将每个对象看作一类，计算两两之间的最小距离；
(2) 将距离最小的两个类合并成一个新类；
(3) 重新计算新类与所有类之间的距离；
(4) 重复(2)、(3)，直到所有类最后合并成一类。
2.3 SOM聚类算法
SOM神经网络[11]是由芬兰神经网络专家Kohonen教授提出的，该算法假设在输入对象中存在一些拓扑结构或顺序，可以实现从输入空间(n维)到输出平面(2维)的降维映射，其映射具有拓扑特征保持性质,与实际的大脑处理有很强的理论联系。
SOM网络包含输入层和输出层。输入层对应一个高维的输入向量，输出层由一系列组织在2维网格上的有序节点构成，输入节点与输出节点通过权重向量连接。学习过程中，找到与之距离最短的输出层单元，即获胜单元，对其更新。同时，将邻近区域的权值更新，使输出节点保持输入向量的拓扑特征。
算法流程：
(1) 网络初始化，对输出层每个节点权重赋初值；
(2) 将输入样本中随机选取输入向量，找到与输入向量距离最小的权重向量；
(3) 定义获胜单元，在获胜单元的邻近区域调整权重使其向输入向量靠拢；
(4) 提供新样本、进行训练；
(5) 收缩邻域半径、减小学习率、重复，直到小于允许值，输出聚类结果。
2.4 FCM聚类算法
1965年美国加州大学柏克莱分校的扎德教授第一次提出了‘集合’的概念。经过十多年的发展，模糊集合理论渐渐被应用到各个实际应用方面。为克服非此即彼的分类缺点，出现了以模糊集合论为数学基础的聚类分析。用模糊数学的方法进行聚类分析，就是模糊聚类分析[12]。
FCM算法是一种以隶属度来确定每个数据点属于某个聚类程度的算法。该聚类算法是传统硬聚类算法的一种改进。

算法流程：
(1) 标准化数据矩阵；
(2) 建立模糊相似矩阵，初始化隶属矩阵；
(3) 算法开始迭代，直到目标函数收敛到极小值；
(4) 根据迭代结果，由最后的隶属矩阵确定数据所属的类，显示最后的聚类结果。
3 四种聚类算法试验
3.1 试验数据
实验中，选取专门用于测试分类、聚类算法的国际通用的UCI数据库中的IRIS[13]数据集，IRIS数据集包含150个样本数据，分别取自三种不同的莺尾属植物setosa、versicolor和virginica的花朵样本,每个数据含有4个属性，即萼片长度、萼片宽度、花瓣长度，单位为cm。在数据集上执行不同的聚类算法，可以得到不同精度的聚类结果。
3.2 试验结果说明
文中基于前面所述各算法原理及算法流程，用matlab进行编程运算，得到表1所示聚类结果。

如表1所示，对于四种聚类算法，按三方面进行比较：(1)聚错样本数：总的聚错的样本数，即各类中聚错的样本数的和；(2)运行时间：即聚类整个过程所耗费的时间，单位为s；(3)平均准确度：设原数据集有k个类,用ci表示第i类，ni为ci中样本的个数，mi为聚类正确的个数,则mi/ni为第i类中的精度，则平均精度为：

3.3 试验结果分析
四种聚类算法中，在运行时间及准确度方面综合考虑，k-means和FCM相对优于其他。但是，各个算法还是存在固定缺点：k-means聚类算法的初始点选择不稳定，是随机选取的，这就引起聚类结果的不稳定，本实验中虽是经过多次实验取的平均值，但是具体初始点的选择方法还需进一步研究；层次聚类虽然不需要确定分类数，但是一旦一个分裂或者合并被执行，就不能修正，聚类质量受限制；FCM对初始聚类中心敏感，需要人为确定聚类数，容易陷入局部最优解；SOM与实际大脑处理有很强的理论联系。但是处理时间较长，需要进一步研究使其适应大型数据库。
聚类分析因其在许多领域的成功应用而展现出诱人的应用前景，除经典聚类算法外，各种新的聚类方法正被不断被提出。

Ⅶ 关于聚类分析

1。聚类分析的特点
聚类分析（cluster analysis）是根据事物本身的特性研究个体的一种方法，目的在于将相似的事物归类。它的原则是同一类中的个体有较大的相似性，不同类的个体差异性很大。这种方法有三个特征：适用于没有先验知识的分类。如果没有这些事先的经验或一些国际、国内、行业标准，分类便会显得随意和主观。这时只要设定比较完善的分类变量，就可以通过聚类分析法得到较为科学合理的类别；可以处理多个变量决定的分类。例如，要根据消费者购买量的大小进行分类比较容易，但如果在进行数据挖掘时，要求根据消费者的购买量、家庭收入、家庭支出、年龄等多个指标进行分类通常比较复杂，而聚类分析法可以解决这类问题；聚类分析法是一种探索性分析方法，能够分析事物的内在特点和规律，并根据相似性原则对事物进行分组，是数据挖掘中常用的一种技术。
这种较成熟的统计学方法如果在市场分析中得到恰当的应用，必将改善市场营销的效果，为企业决策提供有益的参考。其应用的步骤为：将市场分析中的问题转化为聚类分析可以解决的问题，利用相关软件（如SPSS、SAS等）求得结果，由专家解读结果，并转换为实际操作措施，从而提高企业利润，降低企业成本。
2.应用范围
聚类分析在客户细分中的应用

消费同一种类的商品或服务时，不同的客户有不同的消费特点，通过研究这些特点，企业可以制定出不同的营销组合，从而获取最大的消费者剩余，这就是客户细分的主要目的。常用的客户分类方法主要有三类：经验描述法，由决策者根据经验对客户进行类别划分；传统统计法，根据客户属性特征的简单统计来划分客户类别；非传统统计方法，即基于人工智能技术的非数值方法。聚类分析法兼有后两类方法的特点，能够有效完成客户细分的过程。
例如，客户的购买动机一般由需要、认知、学习等内因和文化、社会、家庭、小群体、参考群体等外因共同决定。要按购买动机的不同来划分客户时，可以把前述因素作为分析变量，并将所有目标客户每一个分析变量的指标值量化出来，再运用聚类分析法进行分类。在指标值量化时如果遇到一些定性的指标值，可以用一些定性数据定量化的方法加以转化，如模糊评价法等。除此之外，可以将客户满意度水平和重复购买机会大小作为属性进行分类；还可以在区分客户之间差异性的问题上纳入一套新的分类法，将客户的差异性变量划分为五类：产品利益、客户之间的相互作用力、选择障碍、议价能力和收益率，依据这些分析变量聚类得到的归类，可以为企业制定营销决策提供有益参考。
以上分析的共同点在于都是依据多个变量进行分类，这正好符合聚类分析法解决问题的特点；不同点在于从不同的角度寻求分析变量，为某一方面的决策提供参考，这正是聚类分析法在客户细分问题中运用范围广的体现。

聚类分析在实验市场选择中的应用

实验调查法是市场调查中一种有效的一手资料收集方法，主要用于市场销售实验，即所谓的市场测试。通过小规模的实验性改变，以观察客户对产品或服务的反应，从而分析该改变是否值得在大范围内推广。
实验调查法最常用的领域有：市场饱和度测试。市场饱和度反映市场的潜在购买力，是市场营销战略和策略决策的重要参考指标。企业通常通过将消费者购买产品或服务的各种决定因素（如价格等）降到最低限度的方法来测试市场饱和度。或者在出现滞销时，企业投放类似的新产品或服务到特定的市场，以测试市场是否真正达到饱和，是否具有潜在的购买力。前述两种措施由于利益和风险的原因，不可能在企业覆盖的所有市场中实施，只能选择合适的实验市场和对照市场加以测试，得到近似的市场饱和度；产品的价格实验。这种实验往往将新定价的产品投放市场，对顾客的态度和反应进行测试，了解顾客对这种价格的是否接受或接受程度；新产品上市实验。波士顿矩阵研究的企业产品生命周期图表明，企业为了生存和发展往往要不断开发新产品，并使之向明星产品和金牛产品顺利过渡。然而新产品投放市场后的失败率却很高，大致为66%到90%。因而为了降低新产品的失败率，在产品大规模上市前，运用实验调查法对新产品的各方面（外观设计、性能、广告和推广营销组合等）进行实验是非常有必要的。
在实验调查方法中，最常用的是前后单组对比实验、对照组对比实验和前后对照组对比实验。这些方法要求科学的选择实验和非实验单位，即随机选择出的实验单位和非实验单位之间必须具备一定的可比性，两类单位的主客观条件应基本相同。
通过聚类分析，可将待选的实验市场（商场、居民区、城市等）分成同质的几类小组，在同一组内选择实验单位和非实验单位，这样便保证了这两个单位之间具有了一定的可比性。聚类时，商店的规模、类型、设备状况、所处的地段、管理水平等就是聚类的分析变量。 转

Ⅷ 聚类分析方法应用于哪些问题的研究

1.聚类分析的特点
聚类分析（cluster analysis）是根据事物本身的特性研究个体的一种方法,目的在于将相似的事物归类.它的原则是同一类中的个体有较大的相似性,不同类的个体差异性很大.这种方法有三个特征：适用于没有先验知识的分类.如果没有这些事先的经验或一些国际、国内、行业标准,分类便会显得随意和主观.这时只要设定比较完善的分类变量,就可以通过聚类分析法得到较为科学合理的类别；可以处理多个变量决定的分类.例如,要根据消费者购买量的大小进行分类比较容易,但如果在进行数据挖掘时,要求根据消费者的购买量、家庭收入、家庭支出、年龄等多个指标进行分类通常比较复杂,而聚类分析法可以解决这类问题；聚类分析法是一种探索性分析方法,能够分析事物的内在特点和规律,并根据相似性原则对事物进行分组,是数据挖掘中常用的一种技术.
这种较成熟的统计学方法如果在市场分析中得到恰当的应用,必将改善市场营销的效果,为企业决策提供有益的参考.其应用的步骤为：将市场分析中的问题转化为聚类分析可以解决的问题,利用相关软件（如SPSS、SAS等）求得结果,由专家解读结果,并转换为实际操作措施,从而提高企业利润,降低企业成本.
2.应用范围
聚类分析在客户细分中的应用

消费同一种类的商品或服务时,不同的客户有不同的消费特点,通过研究这些特点,企业可以制定出不同的营销组合,从而获取最大的消费者剩余,这就是客户细分的主要目的.常用的客户分类方法主要有三类：经验描述法,由决策者根据经验对客户进行类别划分；传统统计法,根据客户属性特征的简单统计来划分客户类别；非传统统计方法,即基于人工智能技术的非数值方法.聚类分析法兼有后两类方法的特点,能够有效完成客户细分的过程.
例如,客户的购买动机一般由需要、认知、学习等内因和文化、社会、家庭、小群体、参考群体等外因共同决定.要按购买动机的不同来划分客户时,可以把前述因素作为分析变量,并将所有目标客户每一个分析变量的指标值量化出来,再运用聚类分析法进行分类.在指标值量化时如果遇到一些定性的指标值,可以用一些定性数据定量化的方法加以转化,如模糊评价法等.除此之外,可以将客户满意度水平和重复购买机会大小作为属性进行分类；还可以在区分客户之间差异性的问题上纳入一套新的分类法,将客户的差异性变量划分为五类：产品利益、客户之间的相互作用力、选择障碍、议价能力和收益率,依据这些分析变量聚类得到的归类,可以为企业制定营销决策提供有益参考.
以上分析的共同点在于都是依据多个变量进行分类,这正好符合聚类分析法解决问题的特点；不同点在于从不同的角度寻求分析变量,为某一方面的决策提供参考,这正是聚类分析法在客户细分问题中运用范围广的体现.

聚类分析在实验市场选择中的应用

实验调查法是市场调查中一种有效的一手资料收集方法,主要用于市场销售实验,即所谓的市场测试.通过小规模的实验性改变,以观察客户对产品或服务的反应,从而分析该改变是否值得在大范围内推广.
实验调查法最常用的领域有：市场饱和度测试.市场饱和度反映市场的潜在购买力,是市场营销战略和策略决策的重要参考指标.企业通常通过将消费者购买产品或服务的各种决定因素（如价格等）降到最低限度的方法来测试市场饱和度.或者在出现滞销时,企业投放类似的新产品或服务到特定的市场,以测试市场是否真正达到饱和,是否具有潜在的购买力.前述两种措施由于利益和风险的原因,不可能在企业覆盖的所有市场中实施,只能选择合适的实验市场和对照市场加以测试,得到近似的市场饱和度；产品的价格实验.这种实验往往将新定价的产品投放市场,对顾客的态度和反应进行测试,了解顾客对这种价格的是否接受或接受程度；新产品上市实验.波士顿矩阵研究的企业产品生命周期图表明,企业为了生存和发展往往要不断开发新产品,并使之向明星产品和金牛产品顺利过渡.然而新产品投放市场后的失败率却很高,大致为66%到90%.因而为了降低新产品的失败率,在产品大规模上市前,运用实验调查法对新产品的各方面（外观设计、性能、广告和推广营销组合等）进行实验是非常有必要的.
在实验调查方法中,最常用的是前后单组对比实验、对照组对比实验和前后对照组对比实验.这些方法要求科学的选择实验和非实验单位,即随机选择出的实验单位和非实验单位之间必须具备一定的可比性,两类单位的主客观条件应基本相同.
通过聚类分析,可将待选的实验市场（商场、居民区、城市等）分成同质的几类小组,在同一组内选择实验单位和非实验单位,这样便保证了这两个单位之间具有了一定的可比性.聚类时,商店的规模、类型、设备状况、所处的地段、管理水平等就是聚类的分析变量

Ⅸ 细分市场需求特点

市场需求的特点：

1. 多样性：由于消费者的收入水平、文化程度、职业、性别，年龄、民族和生活习惯的不同，自然会有不同的爱好和兴趣，对消费品的需求也是千差万别的；

2. 发展性：随着生产力的发展和消费者个人收入的提高，人们对商品和服务的需要也在不断地发展；

3. 伸缩性：消费者购买商品，在数量、品级等方面均会随购买水平的变化而变化，随商品价格的高低而转移；

4. 层次性：人们的需求是有层次的，各个层次之间虽然难于截然划分，但是大体上还是有次序的；

5. 时代性：消费需求常常受到时代精神、风尚、环境等的影响。时代不同，消费需求和爱好也会不同；

6. 可诱导性：消费需求是可以引导和调节的；

7. 联系性和替代性：消费需求在有些商品上具有关联性，消费者往往顺便联系购买。

   市场需求是指一定的顾客在一定的地区、一定的时间、一定的市场营销环境和一定的市场营销计划下对某种商品或服务愿意而且能够购买的数量。

Ⅹ 企业如何做大数据整合营销

一、获取全网用户数据
首先需要明确的是，仅有企业数据，即使规模再大，也只是孤岛数据。在收集、打通企业内部的用户数据时，还要与互联网数据统合，才能准确掌握用户在站内站外的全方位的行为，使数据在营销中体现应有的价值。
二、让数据看得懂
采集来的原始数据难以懂读，因此还需要进行集中化、结构化、标准化处理，让“天书”变成看得懂的信息。
三、分析用户特征及偏好
将第一方标签与第三方标签相结合，按不同的评估维度和模型算法，通过聚类方式将具有相同特征的用户划分成不同属性的用户族群，对用户的静态信息（性别、年龄、职业、学历、关联人群、生活习性等）、动态信息（资讯偏好、娱乐偏好、健康状况、商品偏好等）、实时信息（地理位置、相关事件、相关服务、相关消费、相关动作）分别描述，形成网站用户分群画像系统。
四、制定渠道和创意策略
根据对目标群体的特征测量和分析结果，在营销计划实施前，对营销投放策略进行评估和优化。如选择更适合的用户群体，匹配适当的媒体，制定性价比及效率更高的渠道组合，根据用户特征制定内容策略，从而提高目标用户人群的转化率。
五、提升营销效率
在投放过程中，仍需不断回收、分析数据，并利用统计系统对不同渠道的类型、时段、地域、位置等价值进行分析，对用户转化率的贡献程度进行评估，在营销过程中进行实时策略调整。
六、营销效果评估、管理
利用渠道管理和宣传制作工具，利用数据进行可视化的品牌宣传、事件传播和产品，制作数据图形化工具，自动生成特定的市场宣传报告，对特定宣传目的报告进行管理。
七、创建精准投放系统
对于有意领先精准营销的企业来说，则可更进一步，整合内部数据资源，补充第三方站外数据资源，进而建立广告精准投放系统，对营销全程进行精细管理。