Кластерный анализ презентация

Содержание

Высшая школа экономики, Москва, 2013 Понятие кластерного анализа фото фото Трион, 1939 год – появление кластерного анализа Кластерный анализ – совокупность различных алгоритмов классификации Ключевой вопрос –организация наблюдаемых данных в наглядные

Слайд 1Высшая школа экономики, Москва, 2013
www.hse.ru
Кластерный анализ
Луппа Александр
Зайцева Екатерина
Чемакина Анфиса
Козырева Екатерина


Слайд 2Высшая школа экономики, Москва, 2013
Понятие кластерного анализа
фото
фото
Трион, 1939 год – появление

кластерного анализа
Кластерный анализ – совокупность различных алгоритмов классификации
Ключевой вопрос –организация наблюдаемых данных в наглядные структуры (таксономии)
Отсутствие процедуры проверки статической значимости



2


Слайд 3Высшая школа экономики, Москва, 2013
Области применения и методы
фото
Области:
медицина
психиатрия
арехеология
менеджмент



3
Методы:
древовидная кластеризация
двувходовое объединение
метод K

средних


Слайд 4Высшая школа экономики, Москва, 2013
Этапы кластерного анализа
фото

Отбор выборки для кластеризации
Определение множества

переменных
Вычисление значений той или иной меры сходства между объектами
Применение метода кластерного анализа
Проверка достоверности результатов

4


Слайд 5Высшая школа экономики, Москва, 2013
Древовидная кластеризация
фото
Использование меры сходства и расстояния между

анализируемыми объектами
Типичный результат – иерархическое дерево

5


Слайд 6Наблюдения и переменные одновременно вносят вклад в обнаружение осмысленных кластеров
6
Высшая школа

экономики, Москва, 2013

Двувходовое объединение

фото


Слайд 7Высшая школа экономики, Москва, 2013
Метод K средних
фото
7
Метод K средних строит ровно

K различных кластеров, расположенных на возможно больших расстояниях друг от друга

Слайд 8КЛАСТЕРНЫЙ ПОДХОД К АНАЛИЗУ УРОВНЯ УДОВЛЕТВОРЁННОСТИ ПЕРСОНАЛА МЕДИЦИНСКОГО УЧРЕЖДЕНИЯ
Кривошеева Я.В., Пеньков

И.А. Инициативы XXI века. 2012. № 4.

8


Слайд 9Высшая школа экономики, Москва, 2013
Сбор данных
фото
9
Метод анкетирования

165 респондентов

Изучение удовлетворенности персонала текущими

процессами деятельности медицинского центра

Слайд 10Высшая школа экономики, Москва, 2013
Объект кластеризации –
персонал медицинского центра
фото
10
Признаки кластеризации:

доступность

и качество информации
корпоративная культура
мотивация

Слайд 11Высшая школа экономики, Москва, 2013
Модель расчета
фото
11
 


Слайд 12Высшая школа экономики, Москва, 2013
Кластерный анализ
фото
12
Метод сетей Кохонена
Метод k-средних

Аналитическая платформа Deductor

Academic 5.2

Сформировано 3 кластера:
кластер 1 – высокая степень удовлетворенности,
кластер 2 – средняя степень удовлетворенности,
кластер 3 – низкая степень удовлетворенности.





Слайд 13Высшая школа экономики, Москва, 2013
Кластерный анализ
фото
13
Рис. 1. Карта Кохонена для индексов

удовлетворенности признаков:
а) доступность и качество информации
б) корпоративная культура
в) мотивация

Слайд 14Высшая школа экономики, Москва, 2013
Кластерный анализ
фото
14
Рис. 2. Карта Кохонена: разделение по

кластерам

Табл. 1. Характеристика полученных кластеров


Слайд 15Применение методов кластерного анализа для обработки данных психологических исследований
.
15
Савченко Т.Н.
Экспериментальная психология 2010.

Том. 3, № 2. 67–86

Слайд 16Высшая школа экономики, Москва, 2013
Сбор данных и объект кластеризации
фото
16
Экспертные оценки

9 респондентов

Исследование

структуры команды (малой группы, ориентированной на решение деловой задачи и состоящей из молодых специалистов (инженеров-программистов), коллективно принимающих решение, выполняющих сложные работы в различном составе и качественном описании характеристик каждой подгруппы

Слайд 17Высшая школа экономики, Москва, 2013
Сбор данных и объект кластеризации
фото
17
Матрица смешения для

коллектива из 9 человек

Слайд 18Высшая школа экономики, Москва, 2013
Матрица расстояний, полученная с использованием метрики Евклида
фото
18


Слайд 19Высшая школа экономики, Москва, 2013
Дерево классификации
фото
19
Для определения «естественного» числа кластеров, на

которые может быть разбита совокупность объектов применялся следующий критерий: на каждом уровне иерархической кластеризации выполнялось разбиение множества на данное число классов. Для каждой пары кластеров оценивалась отношение среднего внутрикластерного расстояния к межкластерному:




Оценка «естественного» разбиения производится по формуле:




Слайд 20Высшая школа экономики, Москва, 2013
Дерево классификации
фото
20


Слайд 21Высшая школа экономики, Москва, 2013
Усредненные профили классов
фото
21
При помощи метода к-среднего реализуется

процедура построения усредненных профилей каждого класса, что дает возможность проводить качественный анализ выраженности признаков у представителей каждого класса. 

Слайд 22Высшая школа экономики, Москва, 2013
Усредненные профили классов
фото
22


Слайд 23Высшая школа экономики, Москва, 2013
Результаты
фото
23

Результаты сравнительного анализа, демонстрирующие значимые отличия классов

по трем характеристикам: трудовая активность, работоспособность и понимание цели

Слайд 24Высшая школа экономики, Москва, 2013
Результаты
фото
24


Слайд 25Кластерный анализ рынка модельной обуви города Красноярска
Дадакова Е.В., Драганчук Л.С., журнал

«Маркетинг в России и за рубежом», №4/2005

25


Слайд 26Высшая школа экономики, Москва, 2013
Цели и задачи
фото
26

Сегментировать целевую аудиторию

Составить портрет потребителя:

рациональность и эмоции

Выровнять карту восприятия товара продавцом и потребителем

Оптимизировать рекламные сообщения

Слайд 27Высшая школа экономики, Москва, 2013
ЗАО «Ионесси»
фото
27
Российский производитель обуви

Проблема: отрицательное отношение к

обуви российского производства

Окружение: высоко конкурентная среда

Задача: провести поведенческий анализ аудитории

Слайд 28Высшая школа экономики, Москва, 2013
Выбор признаков сегментирования
фото
28


Поведенческие: отношение к продукции предприятия

Социально-демографические:

пол, возраст, уровень дохода

Слайд 29Высшая школа экономики, Москва, 2013
Анкета: поведенческие признаки
фото
29


Слайд 30Высшая школа экономики, Москва, 2013
Анкета: соц-дем
фото
30


Слайд 31Высшая школа экономики, Москва, 2013
Модель измерения отношения к продукции
фото
31

Аоj = åвij × eij 

гАоj – отношение респондента

j к продукции ЗАО «Ионесси»

вij –сила мнения респондента j, что продукция ЗАО «Ионесси» имеет характеристику i

eij – оценка значимости характеристики i для респондента

i = 1, …, n, n – число значимых характеристик
j = 1, …, m, m – количество респондентов



Слайд 32Высшая школа экономики, Москва, 2013
Характеристики продукции
фото
32

1.        Высокое качество
2.        Соответствие цены качеству
3.       

Достаточно широкий и разнообразный ассортимент
4.        Соответствие тенденциям современной моды

Слайд 33Высшая школа экономики, Москва, 2013
Определение уровня дохода
фото
33

dj = Dj / k
dj – ежемесячный

доход на одного человека семьи респондента j
Dj – ежемесячный доход на семью респондента j
k – размер семьи респондента j
j = 1, …, m, m – количество респондентов

Если dj £ 1500 руб. Þ - низким
Если 1500 руб. < dj £ 5000 руб. Þ – средний
Если dj > 5000 руб. Þ – высокий

Слайд 34Высшая школа экономики, Москва, 2013
Сегменты
фото
34
Сегмент I — «отрицательно настроенные» потребители. 30%

респондентов. 83% женщины. Средний возраст женщин – 32, мужчин – 34 года.

Сегмент II — «безразличные» потребители. 53% респондентов. Почти поровну мужчин и женщин (52% и 48%). 66% - от 36 до 55 лет.

Сегмент III — «благожелательные» потребители. 17% респондентов. 67% мужчин. Самый старший сегмент: 91% старше 35 лет.


Обратная связь

Если не удалось найти и скачать презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое ThePresentation.ru?

Это сайт презентаций, докладов, проектов, шаблонов в формате PowerPoint. Мы помогаем школьникам, студентам, учителям, преподавателям хранить и обмениваться учебными материалами с другими пользователями.


Для правообладателей

Яндекс.Метрика