Von RAFAŁ WAŚKO (Predictive Solutions)
Die Segmentierung ist ein Schlüsselprozess in der Datenanalyse, bei dem ein Datensatz anhand bestimmter Kriterien in relativ homogene Gruppen eingeteilt wird. Der Zweck der Segmentierung besteht darin, verborgene Muster, Unterschiede und Ähnlichkeiten zwischen Objekten in einem Datensatz zu erkennen, was präzisere und relevantere Analysen ermöglicht. Innerhalb der Segmentierung können zwei Techniken unterschieden werden: Clustering und Klassifizierung.
Beim Clustering, auch bekannt als Clusteranalyse, wird eine Menge von Elementen in Teilmengen (Kategorien oder Gruppen) unterteilt, so dass die Elemente innerhalb jeder Teilmenge einander ähnlicher sind als die Elemente außerhalb dieser Teilmenge. Der Zweck des Clustering besteht darin, nach natürlichen Strukturen oder Clustern in den Daten zu suchen und so Beziehungen zwischen den Objekten in der Menge zu erkennen. Clustering-Methoden sind besonders nützlich, wenn es keine vorherige kategoriale Zuordnung für die zu analysierenden Daten gibt.
Klassifizierung ist eine weitere Technik, die bei der Datensegmentierung eingesetzt wird. Bei der Klassifizierung liegt meist eine Reihe von Variablen vor, bei denen die einzelnen Beobachtungen bereits bestimmten Zielgruppen zugeordnet sind. Eine solche Gruppierung bietet eine Vorlage für die Zuordnung einer neuen Beobachtung zu einer der vordefinierten Klassen. Im Gegensatz zum Clustering arbeitet die Klassifizierung mit Daten, bei denen eine abhängige Variable vorliegt.
Die Segmentierung trägt zu einem besseren Verständnis von Daten und einer genaueren Entscheidungsfindung in verschiedenen Bereichen wie Marketing, Wirtschaft, Medizin und Sozialwissenschaften bei.
WICHTIGSTE ANNAHMEN ZUR SEGMENTIERUNG
Annahmen über die Segmentierung sind wichtig, um den gesamten Prozess zu einem zuverlässigen Instrument für die Datenanalyse und Entscheidungsfindung in verschiedenen Bereichen wie Marketing, Kundenmanagement oder Personalisierung von Dienstleistungen zu machen. Wenn diese Annahmen erfüllt sind, kann die Segmentierung wertvolle und relevante Informationen über verschiedene Gruppen liefern. Verschiedene Gruppierungstechniken nähern sich der Bildung von Segmenten auf unterschiedliche Weise, aber es lohnt sich, die folgenden allgemeinen Annahmen für die Segmentierung in diesem Prozess zu beachten.
- Homogenität: Diese Annahme impliziert, dass die Elemente innerhalb jeder Gruppe (Segment) einander ähnlicher sind als die Elemente in anderen Gruppen. Mit anderen Worten: Die Segmente sollten solche Beobachtungen enthalten, die ähnliche Merkmale und Eigenschaften aufweisen.
- Diversität: Diese Annahme bezieht sich auf die Notwendigkeit der Differenzierung zwischen den Segmenten. Das bedeutet, dass sich die verschiedenen Gruppen in Bezug auf bestimmte Segmentierungskriterien deutlich voneinander unterscheiden sollten. Wenn die Segmente zu ähnlich sind, sind sie nicht ausreichend informativ.
- Ausschließlichkeit: Diese Annahme impliziert, dass jedes Datenelement einer der Segmentierungsgruppen zugeordnet werden muss. Es sollte keine Elemente geben, die unklassifiziert bleiben oder mehr als einer Gruppe zugeordnet sind.
- Beständigkeit: Diese Annahme besagt, dass die Segmentierungsergebnisse stabil und über Proben hinweg reproduzierbar sein sollten. Das bedeutet, dass selbst bei mehrfacher Durchführung der Analyse mit demselben Datensatz ähnliche oder identische Gruppen entstehen sollten.
GRUPPIERUNG VS. KLASSIFIZIERUNG
Clustering wird häufig als erster Schritt der Datenanalyse verwendet, um verschiedene Segmente in einem Datensatz zu identifizieren. Dieser Prozess ermöglicht ein Verständnis der Unterschiede und Ähnlichkeiten zwischen den verschiedenen Objekten im Satz sowie die Extraktion von Schlüsselmerkmalen, die jede Gruppe charakterisieren. Das Clustering-Verfahren selbst kann zwar wertvolle Informationen liefern, bietet aber in bestimmten Fällen keine Lösungen für die Frage, welche Maßnahmen gegen die einzelnen Gruppen ergriffen werden sollten. Die Klassifizierung kann eine Fortsetzung des Gruppierungsprozesses sein und beinhaltet die Zuweisung neuer Daten zu bestehenden, zuvor identifizierten Gruppen. Bei der Klassifizierung werden die identifizierten Muster und Merkmale, die jede Gruppe kennzeichnen, verwendet, um zu bestimmen, welcher Gruppe die neuen Beobachtungen zugeordnet werden sollten. Schauen wir uns eine Beispielsituation an. Wir führen eine Analyse der Kundendaten eines Online-Shops durch. Auf der Grundlage einer hierarchischen Clusteranalyse haben wir drei Gruppen von Kunden identifiziert: „treue Kunden, die regelmäßig kaufen“, „Gelegenheitskunden mit kleineren Bestellungen“ und „Neukunden“. Wenn nun ein neuer Kunde im Shop einkauft, verwenden wir ein Klassifizierungsmodell, das auf vordefinierten Merkmalen (z. B. Häufigkeit der Einkäufe, Wert der Bestellungen) basiert und diesen Kunden der entsprechenden Gruppe zuordnet. Auf diese Weise können wir Marketingangebote, Werbeaktionen oder Treueprogramme für jede dieser Kundengruppen entsprechend ihren Eigenschaften und Vorlieben maßschneidern.
Tabelle 1. Einteilung der Segmentierungstechniken.
GRUPPIERUNGSTECHNIKEN
Clustering, auch bekannt als Clusteranalyse, ist eine Datenanalysetechnik, die darauf abzielt, eine Reihe von Objekten in kleinere, homogenere Gruppen zu unterteilen, die auf bestimmten Kriterien der Ähnlichkeit oder Nähe basieren. Die Objekte innerhalb jeder Gruppe sind einander ähnlicher als die Objekte außerhalb dieser Gruppe, so dass sich aussagekräftige Datenstrukturen extrahieren lassen.
Zu den wichtigsten Clustering-Algorithmen gehören:
1. Der k-means-Algorithmus
Der k-means-Algorithmus ist ein beliebter Clusteralgorithmus, der Objekte durch Minimierung der Summe der Quadrate des Abstands jedes Objekts vom Zentrum des Clusters (Centroid) den Clustern zuordnet. Der Algorithmus beginnt mit der Auswahl anfänglicher Zentroide und ordnet dann iterativ Objekte den nächstgelegenen Clustern zu und aktualisiert die Positionen der Zentroide. Dieser Prozess wird fortgesetzt, bis Konvergenz erreicht ist. Es ist zu bedenken, dass bei dieser Art von Clustering-Technik die Anzahl der Cluster vor der Analyse des Datensatzes festgelegt werden muss.
2. Hierarchische Algorithmen
Ein weiterer beliebter Algorithmus innerhalb der Segmentierung ist das hierarchische Clustering, das eine Hierarchie von Clustern (Gruppen) in Form eines Baums, eines so genannten Dendrogramms, erstellt. Der Algorithmus geht von einzelnen Objekten als separaten Clustern aus und kombiniert sie schrittweise zu größeren Clustern auf der Grundlage der Ähnlichkeit zwischen ihnen. Innerhalb dieser Clustering-Technik lassen sich zwei Ansätze unterscheiden:
- Ein agglomerativer Ansatz, bei dem der Clustering-Prozess mit der Erstellung eines separaten Clusters für jedes Objekt beginnt und dann iterativ die nächstgelegenen Cluster zusammenführt, die den geringsten Abstand zwischen ihnen aufweisen. Bei jedem Schritt der Zusammenführung von Objekten wird ein größerer Cluster erstellt, bis alle Objekte zu einem großen Cluster zusammengeführt sind oder eine bestimmte Anzahl von Clustern erreicht ist.
- Ein deglomerativer Ansatz, der im Gegensatz zum agglomerativen Ansatz arbeitet. Er beginnt mit einem großen Cluster, der alle Objekte enthält, und unterteilt ihn iterativ in kleinere Cluster auf der Grundlage des Abstands zwischen den Objekten. In jedem Teilungsschritt bilden die Objekte kleinere Cluster, bis eine bestimmte Anzahl von Clustern erreicht ist oder die Bedingungen zum Anhalten erfüllt sind.
Abbildung 1. Beispiel für ein Dendrogramm als Ergebnis einer der hierarchischen Clustering-Techniken.
3. Dichte-Clusteralgorithmus
Der DBSCAN-Algorithmus (Density-Based Spatial Clustering of Applications with Noise) ist ein Verfahren zur Clusteranalyse, das auf der Identifizierung von Datenclustern auf der Grundlage der Dichte von Punkten im Raum basiert. Im Gegensatz zu anderen Clustering-Algorithmen ist bei DBSCAN keine vorgegebene Anzahl von Clustern erforderlich, was ihn flexibel und einfach anwendbar macht. Der Algorithmus unterscheidet zwischen Kern-, Rand- und Rauschpunkten und ermöglicht so die genaue Erkennung einer Vielzahl von Datenstrukturen. DBSCAN ist besonders nützlich für Datensätze mit unterschiedlichen Formen und Dichten und kann Ausreißerpunkte effektiv behandeln.
KLASSIFIZIERUNG
Die Klassifizierung ist eine Art der Datenanalyse mit dem primären Ziel, den Wert einer bestimmten Variablen aus einem Datensatz vorherzusagen. Im Allgemeinen besteht der Zweck der Klassifizierung darin, eine bestimmte Beobachtung einer vordefinierten Gruppe zuzuordnen (z. B. kaufen – nicht kaufen; gehört zu Gruppe A, B oder C usw.). Bei der Analyse wird eine Gleichung, eine Reihe von Gleichungen oder Regeln aufgestellt, um Beobachtungen aus einzelnen Variablen einer bestimmten Gruppe zuzuordnen, die durch die erklärte Variable bestimmt wird. Bei der Klassifizierung ist die erklärte Variable genau die Zugehörigkeit zu einer bestimmten Gruppe (Segment). Als Ergebnis der Anwendung von Klassifikationstechniken wollen wir eine Antwort auf die Frage erhalten, welche Variablen und welche Werte oder Wertebereiche die Zugehörigkeit zu einer bestimmten Gruppe beeinflussen. Ein Beispiel für ein Klassifikationsergebnis könnte die Entscheidungsregel für die Gewährung einer Kreditkarte sein: „Wenn das Alter des Bankkunden unter 25 Jahren liegt oder das Einkommen auf dem Bankkonto weniger als 5.000 PLN beträgt, ist das Risiko hoch“. Erfüllt der Kunde eines der Kriterien, wird er in die Kategorie „hohes Kreditrisiko“ eingestuft. Klassifizierungsalgorithmen werden in vielen Bereichen eingesetzt, z. B. bei der Trenderkennung auf den Finanzmärkten oder als Entscheidungshilfe bei Kreditprozessen in Banken. In der Medizin können sie zur Klassifizierung verschiedener Erkrankungen auf der Grundlage medizinischer Daten verwendet werden, so dass Patienten automatisch diagnostiziert werden können.
Abbildung 2. Beispiel für einen Entscheidungsbaum als Ergebnis einer der Klassifizierungstechniken.
ZUSAMMENFASSUNG
Die Segmentierung ist ein Schlüsselprozess in der Datenanalyse, bei dem ein großer Datenbestand anhand bestimmter Kriterien in kleinere, homogenere Gruppen oder Segmente aufgeteilt wird. Der Zweck der Segmentierung besteht darin, verborgene Muster, Unterschiede und Ähnlichkeiten zwischen Objekten in einem Datensatz zu erkennen, was genauere und relevantere Analysen ermöglicht. Clusteranalyse und Klassifizierung sind wichtige Instrumente der Datenanalyse, die ein besseres Verständnis der Daten, die Ermittlung von Beziehungen und eine genauere Entscheidungsfindung in verschiedenen Bereichen wie Marketing, Wirtschaft, Medizin und Sozialwissenschaften ermöglichen.
