Schwerpunktthema MARKET ®RADAR - DemoSCOPE

DemoSCOPE
Auszug aus
«Marktforschung von A–Z»
(Fachbuch von Werner Wyss,
Bestellung mit Antwortkarte, Fr. 60.– broschiert, Fr. 80.– gebunden)
Cluster Analyse
Prinzip der Cluster-Analyse
Die Cluster-Analyse ist ein Rechenprogramm, das
Respondenten mit ähnlichen Antwortmustern zu
Gruppen zusammenfasst. Diese Verdichtung bewirkt,
dass der Anwender der Marktforschungsergebnisse
sich nicht mit vielen Dutzend Teilsegmenten herumschlagen
muss, sondern mit einer kleinen, überschaubaren
Zahl, die sich zudem per Definition
maximal unterscheiden. Um die Ähnlichkeit zwischen
den Subjekten zu errechnen,
verlangt die Cluster-Analyse nach
einem geeigneten Mass. Dieses
ergibt sich aus der Summe der
Differenzen zwischen einer Anzahl
festgelegter Variablen. Das Programm
stellt in einem Iterationsverfahren
die Records so zusammen,
dass sich innerhalb der
Gruppe möglichst kleine, im Vergleich
zu andern Gruppen aber
möglichst grosse Abweichungen
ergeben. Für diese Berechnung
wird die Distanz jedes einzelnen
Records zum jeweiligen Cluster-
Center ermittelt, also die Summe
der Abweichungen aller Variablen
vom Durchschnitt der Gruppe.
Jeder Respondent gehört einem
und nur einem Cluster an.
Auswahl der Items
Für die spätere Brauchbarkeit des
Clusters ist die Auswahl der zu vergleichenden
Variablen ausschlaggebend.
Dazu eignen sich die
demografischen Merkmale des
Respondenten, aber auch seine
materielle Ausstattung und besonders
gut Wertvorstellungen und
werden
Motive. Es ist aber auch möglich, Verhaltens- und
Einstellungscluster zu bilden. In diesem Fall ist die
Gruppe durch ein spezifisches Verhaltensmuster
bestimmt, z.B. ihren Lifestyle, ihren Konsum- oder
Einkaufsstil oder durch ähnliche Ansichten z.B. in
der Politik.
PRINZIP DER CLUSTERBERECHNUNG
Normalerweise arbeitet die Marktforschung mit
einem Gesamtdurchschnitt
z.B. dem «Durchnschnittsbürger», dem
«durchschnittlichen Autofahrer», etc.
Eine Cluster-Analyse ersetzt den
Gesamtdurchschnitt durch den
Durchschnitt mehrerer Teilgruppen,
die auch als Typus bezeichnet
z.B. Typus A
Lösungen mit unterschiedlicher Anzahl Clusters
Ein Datensatz lässt sich nach Belieben in zwei, drei,
fünf oder zehn Cluster usw. aufteilen. Nicht alle
diese Lösungen sind statistisch gleich gut. Bevor
man sich auf eine bestimmte Lösung festlegt, müssen
deshalb verschiedene Möglichkeiten durchgerechnet
werden. Ist das Datenmaterial diffus, d.h.
fehlt ihm eine natürliche Struktur, können Zufälligkeiten
den Ausschlag geben. Moderne Analyseprogramme
beheben diese
Schwäche, indem sie zwei Rechenprozesse
parallel ablaufen lassen.
Zu diesem Zweck wird die Gesamtstichprobe
vorgängig in zwei identische
Teilstichproben aufgeteilt.
Weichen die beiden Berechnungen
voneinander ab, ist der Datensatz
diffus, die Lösung schlecht.
Kommen sie aber zu einem übereinstimmenden
Ergebnis, weist
dies auf eine natürliche Struktur im
Datenmaterial hin: Die Clusterbildung
«sitzt».
Charakterisierung der Cluster
Die Cluster sind charakterisiert
durch die unterschiedlichen Ausprägungen
der verschiedenen, in
ihre Berechnung einbezogenen,
Variablen. Zur Umschreibung des
Clusters bildet somit das Profil der
konstituierenden Variablen den
Ausgangspunkt. Aus diesen wird
auch das Label (die Bezeichnung)
des Clusters abgeleitet.
z.B. Typus B
z.B. Typus C Zur besseren Illustration werden
z.B. Typus D
z.B. Typus E anschliessend auch noch zugerechnete
Variablen herangezogen, z.B.
die soziodemografischen Merkmale. Beispiel:
Cluster Y sind die «Modemuffel». Er besteht zu 58
Prozent aus Männern, zu 42 Prozent aus Frauen und
hat ein Durchschnittsalter von 51 Jahren. Zusätzliche
Verhaltens- und Einstellungsvariablen tragen
das ihre dazu bei, ein lebendiges Bild dieses
Marktsegments zu erstellen.
14