Clusterung: Der Mix macht’s

Um in einer Menge mit vielen Elementen den Überblick behalten zu können, ist eine Zerlegung in eine überschaubare Anzahl von Segmenten notwendig. Oft liegen aber Label oder Kriterien, die über die Gruppenzugehörigkeit entscheiden, noch gar nicht vor – dann hilft die Clusteranalyse. Wenn sich Gruppen überlagern können, stellt die Zuweisung eines Elements zu genau einem Cluster nicht die optimale Lösung dar.

Aller Cluster Anfang: wohin mit Schwarz?Aller Cluster Anfang: wohin mit Schwarz?

weiterlesen…

Gruppierung: Klassen-Konflikt

Wir hatten in Gruppierung: Klassen-Keile einen Algorithmus vorgestellt, der automatisiert Altersstufen zusammenfasst, die sich bspw. bezüglich der Responsequote auf eine Werbeaktion ähnlich verhalten. Wie können wir vorgehen, wenn wir unseren betrachteten Personenkreis vorher segmentiert haben und jedes Segment eine andere Altersklasseneinteilung generiert?

 Klasseneinteilung mit KompromissFrauen und Männer gehen bei der Klasseneinteilung einen Kompromiss ein.

weiterlesen…

Gruppierung: Klassen-Keile

Befragungsergebnisse müssen gruppiert werden, z.B. nach Altersklassen. Sonst finden wir keine Muster, sondern zählen nur die Daten wieder auf. Verbreitet und primitiv: gleich breite Altersklassen. Kann ein Algorithmus das datengetrieben und besser hinbekommen? Ja, kann er.

Auf der Suche nach der werberelevanten Zielgruppe...Auf der Suche nach der werberelevanten Zielgruppe…

weiterlesen…

Histogramme: Fein justieren

Ein Histogramm visualisiert die Verteilung einer Größe auf einfache Weise. Ist die Klasseneinteilung zu fein, so gaukelt das eine Genauigkeit vor, die einer näheren Betrachtung nicht standhält. Unser Algorithmus startet mit einer solch feinen Einteilung und findet vollautomatisch die angemessene Darstellung.

Klasse Einteilung!Klasse Einteilung!

weiterlesen…