基于K-means算法的产品市场定位聚类分析
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于K-means算法的产品市场定位聚类分析范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要：聚类算法是数据挖掘中核心技术之一，而k-means算法在经典聚类算法中占有重要地位。根据市场调查中的顾客感知质量，感知价格，市场份额和品牌类别为测试数据，用k-means算法进行数据挖掘，充分利用数据挖掘结果，得出符合市场现状的市场定位结论。
关键词：市场定位；顾客感知；k-means 算法；聚类中心
中图分类号：TP311 文献标识码：A 文章编号：1009-3044(2008)26-1635-02
Clustering Analysis of Market Location of the Product Based on K-means Arithmetic
ZHAI Yin, LUO Ping
(Mathematics and Information School, Langfang Teachers College, Langfang 065000, China)
Abstract:Clustering is the one of core technology in data mining. K-Means algorithm is a very famous clustering algorithm technology in the classical clustering. The test data based on a market survey of the quality of customer awareness, perception prices, market share and brand categories. Using k-means algorithm of data mining, and making full use of the results obtained the market status of market positioning conclusions.
Key words: marketing positioning; customer perception; k-means algorithm; clustering center
1 引言
随着数据挖掘技术的发展，作为数据挖掘主要方法之一的聚类算法，也越来越受到人们的关注。数据挖掘(Data Mining)，就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程，简单的说，数据挖掘就是从大量数据中提取或“挖掘”知识。
数据挖掘技术中的聚类(Cluster)，就是把大量的d维数据样本聚集成K个类，使同一类中样本的相似性最大，而不同类中样本的相似性最小。K- means算法属于聚类方法中一种基本的划分方法，该算法可以有效快速的得出各个样本的聚类结果，同时提供各个被抽样企业的聚类结果，为各企业进行合理的市场定位提供重要依据，相对传统定位方式而言，具有实用性。整个聚类过程都交给数据挖掘算法，方便执行。
数据挖掘所挖掘出来的知识可应用于信息管理、决策支持、过程控制和许多其它方面。在产品市场定位中，要根据竞争者现有产品在市场上所处的位置，针对消费者对该产品某种特征或属性的重视程度，强有力地塑造出本企业产品与众不同的、给人以鲜明印象的个性或形象，并把这种形象生动地传递给消费者，从而使该产品在市场上确定适当的位置。市场调研员可以将品牌分为高质高价、高质低价、低质高价和低质低价等类。但是在现实的市场中，往往很难严格区分这四种类别。顾客对价格和质量的实际感知会受到品牌形象、顾客消费行为等多种因素的影响，如果厂商根据自身的技术水平和品牌的绝对价格进行市场定位很可能导致错误的分析结果。该文将应用K-means聚类算法对产品市场的现有情况，从感知价格、感知质量、市场份额和品牌类别四个方面进行分类。
2 K-means算法基本思想和实现步骤
K- means算法是一个有效的统计聚类技术。其核心思想简要描述如下：
输入：聚类个数K以及包含n个数据对象的数据集。
输出：满足目标函数值最小的K个聚类。
算法流程：
1）从n个数据对象中任意选择K个对象作为初始聚类中心；
2）循环下述流程(3)到(4),直到目标函数取值不再变化；
3）根据每个聚类对象的均值(中心对象)计算每个对象与这些中心对象的距离，并且根据最小距离重新对相应对象进行划分；
4）重新计算每个聚类的均值。
在本算法中要用到以下几个定义：
3 K-means算法在产品市场分析中的应用
3.1 实现算法描述
首先从样本中任意选择4个对象作为初始聚类中心，而对于所剩下的其它对象，则根据它们与这些聚类中心欧氏距离，分别将它们要配与其最相似的( 聚类中心所代表) 聚类。然后，计算新的聚类中心。每一次聚类完成后，计算一次新的聚类中心，直到收敛为止。
(1) publicvoid token(double a,double b,double c,double d,int i)；//比较差值，确定所属类。
(2) public void center()
{ int num1,num2,num3,num4;
num1=num2=num3=num4=0;
for(int j=0;j
{center_1[j]=center_2[j]=center_3[j]=center_4[j]=0;}//每聚类一次，求一次新的中心点。
(3) if((a
(4) public void DuplicateCenter()
{for(int j=0;j
{center_A[j]=center_1[j];
center_B[j]=center_2[j];
center_C[j]=center_3[j];
center_D[j]=center_4[j];}} //用新的簇中心替换旧的簇中心。
3.2 测试数据及运行结果分析
K-means算法在本文中主要是对产品市场的现有价值和潜在价值进行聚类分析，从而对产品市场进行分类，采取欧式距离(Euclidean Distance) 进行聚类分析，类之间的距离计算采用组间平均联结法(Between Groups Linkage) 便能够充分利用样本的信息，为聚类算法在市场定位中运用提供了可行性。最后根据产品市场的特定规律和方法分析聚类的结果，产生最终的分析报告。
算法所使用的测试数据以txt格式保存在记事本中，品牌类别中0表示非上市公司，1表示国外品牌，2表示上市公司，部分数据如图1所示，表1为利用K-means聚类算法分析出来的结果。
结合表分析，聚类的个数k值为4，希望把产品市场划分为四类，对产品市场分析的结果可见：
第一类产品采取价格竞争的策略，感知价格和感知质量较高，市场份额较高，而且感知价格和感知质量较高基本上趋于平衡，属于非上市公司产品。
第二类产品采取差异化策略，感知质量较高，但是感知价格和市场份额偏低，而且感知价格和感知质量较高之间不平衡，因此其经营策略没有得到很好实现，属于仿国外品牌产品。
第三类产品感知价格比第二类稍高，但感知质量相比要低，这类产品没有找到自己在市场中的定位，如果不采取提高顾客感知质量或感知价格的策略可能面临淘汰的风险，属于国外品牌产品。
第四类产品感知价格和感知质量最高，市场份额也最高，主要采取差异化的策略，同时也放弃高质高价的定位，并在经营过程中得到了很好的实现，使这类品牌的经营较为成功，长期而言发展的可能性较大，属于上市公司产品。
4 结束语
作为数据挖掘技术中的一种重要的方法，聚类分析可以用于产品市场的细分。按不同特征将产品分群后，就可以为每一群开发独立的预测模型，并根据每一群的不同特点进行分析，从而提供差异化产品市场。本文主要是利用了聚类算法中的k-means算法对产品市场进行分析，通过产品的感知价格和感知质量对客户进行分类，实现对产品市场的区分，企业进而可以查询自己的聚类结果，找准在市场中的定位，做出符合企业发展的决策，确定能够为自己带来高利润的那部分产品，从而研究切实可行的营销方案。
参考文献：
[1] 左子叶,朱扬勇.基于数据挖掘聚类技术的信用评分评级[J].计算机应用与软件,2004,21(4):1-3,101.
[2] 何彬彬,方涛,郭达志.基于不确定性的空间聚类[J].计算机科学,2004,31(11):196-198.
[3] 黄劲松,赵平.聚类分析在品牌市场定位研究中的应用[J].数理统计与管理,2005(1):21-26.
[4] 汤效琴,戴汝源.数据挖掘中聚类分析的技术方法[J].微计算机信息,2003.19(1):3-4.
[5] HAN Jia-wei.Kamber M,著,范明,孟小峰,译.数据挖掘概念与技术[M].北京：机械工业出版社,2001.