Na potrzeby segmentacji opisowej wszystkie zmienne wejściowe (dane deklaratywne i faktyczne, którymi dysponujemy o klientach i ich zachowaniu) traktowane są jako niezależne, autonomiczne dane niepowiązane. Budując model segmentacyjny, nie dążymy do udowodnienia bądź obalenia wcześniej postawionej tezy, lecz jedynie wprowadzamy zgromadzone wcześniej informacje. Co więcej, nie są też zakładane żadne docelowe ilości segmentów, a żadne z występujących i dających się intuicyjnie wyodrębnić cech nie są przyjmowane jako wiodące czy dominujące. Dysponujemy niejednorodnym strumieniem danych, z których wyłaniane są następnie segmenty o cechach wspólnych. Metoda wyodrębniania segmentów opisywana jest często jako nieukierunkowana analiza osadzona w data mining. Do najbardziej popularnych metod segmentacji opisowej należą analizy skupień (Cluster Analysis) oraz sieci neuronowe Kohonena (Self Organizinig Map SOM). Podstawowa różnica polega na tym, że w metodach analizy skupień zawsze podajemy wyjściową liczbę grup, na które podzielimy zbiór danych. Natomiast podstawą metody opartej na sieciach neuronowych jest brak jakichkolwiek założeń wyjściowych co do ilości i charakteru tych grup.
Dodano: 18-12-2010, 11:12