Análise de Cluster

Sobre a análise Cluster

Quando analisamos nossos dados, geralmente nos preocupamos com diferentes grupos demográficos e segmentamos os entrevistados por renda, região, idade e muito mais. Mas, às vezes, esses rótulos podem ser reducionistas – afinal, saber que você tem muitos entrevistados do sexo masculino não lhe diz que tipo de campanha publicitária eles gostariam de ver. Seu público-alvo é formado principalmente por millenials? Pais do futebol? Ambos? Como você coloca as características pessoais em termos que podem ser divididos para fins de marketing?

A análise Cluster é um meio de detectar os grupos que ocorrem naturalmente no conjunto de dados de sua pesquisa. Isso é feito por meio da análise de quais qualidades demográficas, comportamentais e/ou baseadas em crenças são as mais altamente correlacionadas.

Preparação de uma Pesquisa para análise Cluster

Para realizar uma análise cluster, é necessário coletar os dados corretos em sua pesquisa.

• Faça as perguntas certas:
  • Dados demográficos: Pergunte sobre informações descritivas básicas, como idade, faixa de renda, raça ou gênero.
  • Comportamento: Pergunte como os clientes interagem com sua marca e seus produtos, ou sobre comportamentos que possam estar relacionados ao comportamento de compra deles. Por exemplo, você pode perguntar com que frequência o cliente vai às compras.
  • Dadosoperacionais : São informações como o tempo gasto em seu site ou o tempo de permanência de um colaborador em sua empresa.
    Qdica: você tem interesse em monitorar o tempo gasto em uma página? Então, talvez seja interessante usar o característica Feedback do site. Contato seu executivo Conta se estiver interessado em saber mais.
  • Atitudes e crenças: Pesquisa seus entrevistados sobre seus valores fundamentais, suas atitudes e crenças. Isso pode incluir crenças religiosas ou políticas, mas você também pode perguntar sobre crenças diretamente relevantes para a forma como sua empresa trabalha. Por exemplo, você pode pedir que eles avaliem a importância de as interações de suporte serem presenciais.
• Formatos de perguntas: Formate as perguntas sobre comportamentos e crenças como escalas. O intervalo em uma escala pode nos ajudar a entender quais pontos da escala estão correlacionados e, portanto, mais ou menos no mesmo cluster; perguntas do tipo Sim/Não e de seleção única não são tão úteis para a análise cluster.
  Exemplo: Se você perguntar “Que tipo de comprador você é?” e der as opções “Prefere fazer compras em shoppings”, “Prefere fazer compras on-line” e “Prefere fazer compras em butiques”, o algoritmo de agrupamento desejará dividir os entrevistados em três grupos, um para cada resposta. Se, em vez disso, você fizer uma série de perguntas (por exemplo, “Você gosta de fazer compras em shoppings?”) com respostas de 1 a 7, o algoritmo de agrupamento fará um trabalho melhor para realmente discernir o que separa os diferentes compradores uns dos outros.
  Qdica: as perguntas de múltipla Opção de resposta são as melhores para coletar dados escalares.
• Tipos de variáveis: Quando estiver pronto para analisar no Stats iQ, certifique-se de formatar suas variáveis como categorias ou números. As datas são incompatíveis com a análise cluster.

Execução da análise Cluster

1. Certifique-se de que os tipos de variáveis de suas perguntas estejam definidos como numéricos ou categóricos.
2. Selecione as variáveis que você deseja analisar à esquerda.
3. Clique em Cluster.

Resultados da análise de Cluster

Tabela de resistência e estática

A tabela lista o tamanho amostra (quantos respondentes contribuíram com dados para essa análise), o número de clusters e a pontuação de silhueta. A pontuação da silhueta é interpretada em frases como “muito forte” na frase na parte superior.

A análise Cluster tenta escolher o número apropriado de clusters automaticamente, avaliando a rigidez do clustering em vários números, mas penalizando números mais altos de clusters por serem mais difíceis de trabalhar. Escolher o número certo é mais arte do que ciência, e você deve experimentar diferentes números para ver o que funciona melhor.

Em alguns casos, o algoritmo não conseguirá produzir um determinado número de clusters e voltará a um número menor.

Resumo de Cluster

Seus clusters serão listados na seção Resumo do Cluster. Eles serão descritos com base nas perguntas que os membros do cluster responderam de forma mais semelhante.

Clique no nome de um cluster para renomeá-lo.

Tabela de Resultados Cluster

Na Tabela de resultados Cluster, as principais variáveis do cluster serão destacadas. Para variáveis categóricas, serão fornecidas a opção mais comum e a porcentagem de entrevistados no cluster que forneceram essa resposta. Para variáveis numéricas, você verá uma resposta média.

Para saber mais sobre como criar variáveis a partir de clusters, consulte a seção Criar variável a partir de clusters.

Importância da Variável

A tabela Importância da variável mostra a força da relação entre cada variável e os clusters. Uma relação mais forte indica que a variável foi mais importante na criação dos clusters.

Para calcular isso, executamos regressões para cada variável. Por exemplo, compararíamos a idade com o resultado do cluster, as horas trabalhadas com o resultado cluster e assim por diante.

Os valores de r-quadrado resultantes dessas regressões são então escalonados de forma que o r-quadrado mais alto seja definido como 1.

Criação de novas variáveis a partir de Resultados

Depois de determinar os grupos entre seus respondentes, é possível transformar essas categorias em novas variáveis que podem ser analisadas no Stats iQ!

Primeiro, certifique-se de renomear seus clusters clicando em seus nomes.

Quando os clusters tiverem nomes que façam sentido para você, clique em Create variable from clusters (Criar variável de clusters ) na Tabela de resultados Cluster Results (Resultados de clusters ). Isso adicionará automaticamente uma variável categórica à sua lista de variáveis à esquerda.

Notas Técnicas

A análise Cluster no Stats iQ usa a análise de classe latente (LCA) para particionar os dados fornecidos pelo usuário em seus clusters subjacentes. Diferentemente de outros algoritmos de agrupamento, o algoritmo Stats iQ LCA permite que tipos de dados mistos sejam agrupados (numéricos, categóricos e binários).

Análise de classe latente de tipo misto

A análise de classe latente (LCA) é um modelo de agrupamento baseado em probabilidade. Cada cluster é definido por uma coleção de funções de densidade de probabilidade que, com base no valor das variáveis de um ponto de dados, retorna a probabilidade de um determinado ponto de dados pertencer a esse cluster.

Um modelo LCA pode ser aplicado a várias variáveis multiplicando a probabilidade de um ponto de dados pertencer a um cluster com base em cada variável. O modelo pode ser aplicado a diferentes tipos de variáveis usando diferentes funções de densidade de probabilidade:

Determinação do número de classes

Para determinar o número ideal de classes, Stats iQ usa uma pontuação BIC.

Avaliação da adequação do modelo

Para avaliar a “qualidade” objetiva de um modelo, Stats iQ usa uma pontuação de silhueta baseada em probabilidade. Uma pontuação de silhueta é uma medida de quão bem cada ponto de dados está dentro de seu cluster. Uma pontuação de silhueta mede a semelhança de um ponto específico com todos os outros pontos em seu cluster e compara essa semelhança com a de todos os pontos em seu cluster vizinho mais próximo. Para medir a similaridade entre dois pontos de dados, Stats iQ calcula a distância de gower (uma métrica de distância que funciona para dados binários, categóricos e numéricos) entre os pontos.

Perguntas frequentes