Plantilla de artículo

Acerca del análisis de Clúster

Cuando analizamos nuestros datos, a menudo nos preocupamos por diferentes grupos demográficos y segmentamos a los encuestados por ingresos, región, edad y más. Pero a veces estas etiquetas pueden ser reductivas: después de todo, saber que hay muchos encuestados hombres no te dice qué tipo de campaña publicitaria les gustaría ver. ¿Su audiencia es principalmente millennials? ¿Papás futbolistas? ¿Ambos? ¿Cómo poner las características personales en términos que puedan desglosarse para fines de marketing?

El análisis de Clúster es un medio para detectar los grupos que aparecen naturalmente en el conjunto de datos de su encuesta. Esto se hace analizando qué cualidades demográficas, conductuales y/o basadas en creencias están más altamente correlacionadas.

Preparación de una Encuesta para el análisis de Clúster

Para realizar un análisis de clúster , es necesario recopilar los datos correctos en su encuesta.

• Haga las preguntas correctas:
  • Demografía: Pregunte sobre información descriptiva básica, como edad, nivel de ingresos, raza o género.
  • Comportamiento: Pregunte cómo interactúan los clientes con su marca/organización y sus productos, o sobre comportamientos que puedan estar relacionados con su comportamiento de compra. Por ejemplo, puedes preguntar con qué frecuencia el cliente va de compras.
  • Operacional Datos: Se trata de información como el tiempo que un empleado pasa en su sitio web o la antigüedad de un empleado en su empresa.
    Consejo Q: ¿Está interesado en realizar un seguimiento del tiempo invertido en una página?Entonces quizás te interese utilizar nuestro Opinión el sitio web función. Contacto con tu Ejecutivo de Cuenta Si estás interesado en aprender más.
  • Actitudes y creencias: Encuesta a sus encuestados sobre sus valores fundamentales, actitudes y creencias. Esto puede incluir creencias religiosas o políticas, pero también puede preguntar sobre creencias directamente relevantes para el funcionamiento de su empresa. Por ejemplo, puedes pedirles que califiquen la importancia de que las interacciones de soporte sean cara a cara.
• Formatos de preguntas: Formatear preguntas sobre comportamientos y creencias como balanza . El rango de una escala puede ayudarnos a entender qué puntos de la escala están correlacionados y, por lo tanto, aproximadamente en el mismo clúster; las preguntas de Sí/No y de selección única no son tan útiles para el análisis de clúster .
  Ejemplo: Si preguntas “¿Qué tipo de comprador eres?” y das las opciones “Prefiero comprar en centros comerciales”, “Prefiero comprar en línea” y “Prefiero comprar en boutiques”, el algoritmo de agrupamiento querrá dividir a los encuestados en tres grupos, uno para cada respuesta. Si, en cambio, las formulara como una serie de preguntas (por ejemplo, “¿Le gusta ir de compras a centros comerciales?”) con respuestas del 1 al 7, el algoritmo de agrupamiento hará un mejor trabajo para discernir realmente qué separa a los diferentes compradores entre sí.
  Consejo Q: Opción múltiple Las preguntas son las mejores para recopilar datos escalares.
• Tipos de variables : Cuando esté listo para analizar en Stats iQ, asegúrese de formatear sus variables como Categorías o números . Las fechas son incompatibles con el análisis de clúster .

Realizar análisis de Clúster

1. Asegúrate de que tus preguntas tipos de variables se establecen en número o categoría.
2. Seleccione las variables que desea analizar a lo largo del lado izquierdo.
3. Hacer clic Clúster .

Resultados del análisis de Clúster

Tabla de resistencia y estática

La tabla lista el tamaño de la muestra (cuántos encuestados aportaron datos a este análisis), la cantidad de grupos y la puntuación de silueta. La puntuación de la silueta se interpreta en frases como “muy fuertemente” en la oración de la parte superior.

El análisis de Clúster intenta elegir automáticamente la cantidad apropiada de conglomerados evaluando la estrechez de la agrupación en distintos números, pero penalizando una mayor cantidad de conglomerados por ser más difíciles de trabajar. Elegir el número correcto es más un arte que una ciencia, y debes experimentar con diferentes números para ver cuál funciona mejor.

En algunos casos, el algoritmo no podrá producir una determinada cantidad de clústeres y recurrirá a una cantidad menor.

Resumen de clústeres

Sus clústeres aparecerán en la sección Resumen de Clúster . Se describirán en función de las preguntas que los miembros del clúster respondieron de forma más similar.

Haga clic en el nombre de un clúster para cambiarle el nombre.

Tabla de Resultados de Clúster

En la Tabla de resultados del Clúster , se resaltarán las principales variables del clúster . Para las variables categóricas, se dará la opción más común y el porcentaje de encuestados en el clúster que proporcionaron esta respuesta.Para las variables numéricas, verá una respuesta promedio.

Para obtener más información sobre cómo crear variables a partir de clústeres, consulte la sección Crear variable a partir de clústeres.

Importancia de la variable

La tabla de importancia de las variables muestra la fuerza de la relación entre cada variable y los grupos. Una relación más fuerte indica que la variable fue más importante en la creación de los clústeres.

Para calcular esto, ejecutamos regresiones para cada variable. Por ejemplo, compararíamos la edad con el resultado del clúster , las horas trabajadas con el resultado del clúster , y así sucesivamente.

Los valores r-cuadrados resultantes de esas regresiones se amplían luego de modo tal que el r-cuadrado más alto se establece en 1.

Creación de nuevas variables a partir de los Resultados

Una vez que haya determinado los grupos entre sus encuestados, puede convertir estas categorías en nuevas variables que puede analizar en Stats iQ.

Primero, asegúrese de Cambie el nombre de sus clústeres haciendo clic en sus nombres.

Una vez que sus clústeres tengan nombres que tengan sentido para usted, haga clic en Crear variable a partir de clústeres en la Tabla de resultados del Clúster . Esto agregará automáticamente una variable categórica a su lista de variables de la izquierda.

Notas técnicas

El análisis de Clúster en Stats iQ utiliza el análisis de clases latentes (LCA) para particionar los datos proporcionados por el usuario en sus clústeres subyacentes. A diferencia de otros algoritmos de agrupamiento, el algoritmo LCA de Stats iQ permite agrupar tipos de datos mixtos (numéricos, categóricos y binarios).

Análisis de clases latentes de tipo mixto

El análisis de clases latentes (LCA) es un modelo de agrupamiento basado en probabilidad. Cada clúster se define mediante una colección de funciones de densidad de probabilidad que, en función del valor de las variables de un punto de datos, devuelve la probabilidad de que un punto de datos particular pertenezca a ese clúster.

Un modelo LCA se puede aplicar a múltiples variables multiplicando la probabilidad de que un punto de datos pertenezca a un clúster en función de cada variable. El modelo se puede aplicar a diferentes tipos de variables utilizando diferentes funciones de densidad de probabilidad:

Determinación del número de clases

Para determinar el número óptimo de clases, Stats iQ utiliza una puntuación BIC.

Evaluación del ajuste del modelo

Para evaluar la “bondad” objetiva de un modelo, Stats iQ utiliza una puntuación de silueta basada en probabilidad. Una puntuación de silueta es una medida de qué tan bien se ubica cada punto de datos dentro de su clúster. Una puntuación de silueta mide la similitud de un punto particular con todos los demás puntos de su clúster y la compara con su similitud con todos los puntos de su clúster vecino más cercano. Para medir la similitud entre dos puntos de datos, Stats iQ calcula la distancia de Gower (una métrica de distancia que funciona para datos binarios, categóricos y numéricos) entre los puntos.

Preguntas frecuentes