Übersicht

Mit dem Advanced-Segmentation-Modul von SurveyAnalytica’s können Sie Ihre Daten anhand gemeinsamer Merkmale in aussagekräftige Gruppen unterteilen. Die Plattform unterstützt drei Segmentierungsansätze: regelbasierte Segmentierung mithilfe von Geschäftslogik, Auto-Segmentierung mittels unüberwachter Machine-Learning-Algorithmen und prädiktive Segmentierung mittels überwachter ML-Klassifikatoren. Sie erreichen die Segmentierung von jeder Analyseansicht aus über den Tab Segments.

Regelbasierte Segmentierung

Mit der regelbasierten Segmentierung können Sie Segmente anhand expliziter Bedingungen und Geschäftsregeln definieren. Dieser Ansatz eignet sich ideal, wenn Sie genau wissen, wie Sie Ihre Daten kategorisieren möchten.

Erstellen einer Segmentregel

1. Navigieren Sie zur Segments-Ansicht innerhalb von Analytics.
2. Klicken Sie auf Create Segment und wählen Sie Rules-Based.
3. Geben Sie Ihrem Segment einen aussagekräftigen Namen.
4. Fügen Sie Bedingungen über den Condition Builder hinzu.

Bedingungsoperatoren

Jede Bedingung prüft ein Feld gegen einen Wert mithilfe eines der folgenden Operatoren:

• EQUALS / NOT_EQUALS: Exakte Übereinstimmung (bei Strings ohne Berücksichtigung der Groß-/Kleinschreibung)
• CONTAINS / NOT_CONTAINS: Teilstring-Übereinstimmung
• STARTS_WITH / ENDS_WITH: Übereinstimmung von Präfix oder Suffix
• GREATER_THAN / LESS_THAN: Numerischer Vergleich
• GREATER_THAN_OR_EQUAL / LESS_THAN_OR_EQUAL: Numerischer Vergleich inklusive Grenzwert
• BETWEEN: Bereichsprüfung (erfordert einen zweiten Wert)
• IN / NOT_IN: Listenzugehörigkeit
• IS_EMPTY / IS_NOT_EMPTY: Prüfung auf Null- oder Leerwert
• MATCHES_REGEX: Abgleich mit regulärem Ausdruck

Kombinieren von Bedingungen

Bedingungen werden in Gruppen organisiert. Innerhalb einer Gruppe werden Bedingungen mit AND- oder OR-Logik kombiniert. Mehrere Gruppen können ihrerseits mit AND/OR-Logik kombiniert werden, sodass Sie komplexe Geschäftsregeln mit voller Flexibilität abbilden können.

Segmentstatistiken

Nach Anwendung einer Segmentregel berechnet und zeigt das System an:

• Gesamtzahl der Datensätze, die dem Segment entsprechen
• Prozentsatz des Gesamtdatensatzes
• Verteilung der Werte innerhalb des Segments

Auto-Segmentierung (ML-Clustering)

Die Auto-Segmentierung nutzt unüberwachtes Machine Learning, um natürliche Gruppierungen in Ihren Daten automatisch zu erkennen. Die Plattform unterstützt drei Clustering-Algorithmen:

K-Means-Clustering

Der am häufigsten verwendete Algorithmus, ideal zum Auffinden kugelförmiger Cluster ähnlicher Größe.

• Funktionsweise: Teilt Daten in K Cluster auf, indem der Abstand zwischen Datenpunkten und ihrem Clusterzentrum minimiert wird.
• Konfiguration: Geben Sie die Anzahl der Cluster (K) an, oder lassen Sie das System das optimale K mithilfe der Elbow-Methode und der Silhouettenanalyse automatisch ermitteln.
• Skalierbarkeit: Optimiert für die effiziente Verarbeitung großer Datensätze.

Hierarchisches Clustering

Erstellt eine baumartige Cluster-Hierarchie, nützlich zum Erkunden von Daten auf unterschiedlichen Granularitätsebenen.

• Funktionsweise: Verwendet einen agglomerativen (bottom-up) Ansatz mit Linkage-Methoden wie ward, complete, average und single.
• Am besten geeignet für: Kleinere Datensätze, bei denen Sie verschachtelte Clusterstrukturen untersuchen möchten.
• Ausgabe: Eine Dendrogramm-Visualisierung, die zeigt, wie Cluster bei unterschiedlichen Distanzschwellen zusammengeführt werden.

DBSCAN (Density-Based Spatial Clustering)

Erkennt Cluster beliebiger Form auf Basis der Datendichte und identifiziert automatisch Ausreißer.

• Funktionsweise: Gruppiert Punkte, die eng beieinander liegen, und markiert Punkte in Regionen niedriger Dichte als Ausreißer.
• Schlüsselparameter: eps (Nachbarschaftsradius) und min_samples (Mindestanzahl an Punkten zur Bildung eines Clusters).
• Am besten geeignet für: Datensätze mit unregelmäßig geformten Clustern oder wenn Ausreißer zu erwarten sind.

Unterstützung gemischter Datentypen

Die Clustering-Engine verarbeitet sowohl numerische als auch kategoriale Daten:

• Numerische Merkmale: Werden vor dem Clustering durch Normalisierung standardisiert.
• Kategoriale Merkmale: Werden je nach Kardinalität passend kodiert.
• Automatische Erkennung: Das System identifiziert Merkmalstypen automatisch anhand der Fragetypen (RADIO, CHECKBOX, DROPDOWN werden als kategorial behandelt; NPS, SLIDER und numerische Felder als numerisch).

Feature Studio

Vor dem Ausführen des Clusterings können Sie mit dem Feature Studio Ihre Datenmerkmale vorbereiten und transformieren. Verfügbare Transformationen umfassen:

• Normalize: Standardskalierung, Min-Max-Normalisierung
• Encode: Kodierung für kategoriale Variablen
• Impute: Behandlung fehlender Werte mit Mittelwert, Median, Modus oder benutzerdefinierten Strategien
• Bin: Umwandlung kontinuierlicher Variablen in diskrete Bins (gleich breit, gleich häufig oder benutzerdefiniert)
• Scale: Anwendung logarithmischer, Quadratwurzel- oder anderer Skalierungstransformationen
• Derived features: Erstellung neuer Merkmale aus vorhandenen mithilfe benutzerdefinierter Ausdrücke
• Feature selection: Automatische Identifizierung der wichtigsten Merkmale für das Clustering

Clustering-Qualitätsmetriken

Nach dem Ausführen der Auto-Segmentierung liefert die Plattform Qualitätsmetriken zur Bewertung Ihrer Cluster:

• Silhouette Score: Misst, wie ähnlich ein Punkt seinem eigenen Cluster im Vergleich zu anderen Clustern ist. Reicht von -1 bis 1, wobei höhere Werte besser definierte Cluster anzeigen.
• Davies-Bouldin-Index: Misst die durchschnittliche Ähnlichkeit zwischen Clustern. Niedrigere Werte weisen auf eine bessere Trennung zwischen Clustern hin.
• Clustergrößen: Die Anzahl der Datensätze in jedem Cluster, hilfreich zur Erkennung unausgewogener Segmente.
• Clusterprofile: Statistische Zusammenfassungen jedes Clusters, die dessen unterscheidende Merkmale zeigen.

Prädiktive Segmentierung

Sobald Sie Segmente festgelegt haben (entweder durch Regeln oder Clustering), können Sie ein überwachtes ML-Modell trainieren, um die Segmentzugehörigkeit für neue Daten vorherzusagen. Die prädiktive Segmentierung unterstützt:

• Logistic Regression: Schnelles, interpretierbares Modell für die Segmentklassifizierung.
• Random Forest: Komplexeres Modell, das nichtlineare Zusammenhänge erfassen kann.

Trainieren eines prädiktiven Modells

1. Wählen Sie die für die Vorhersage zu verwendenden Merkmale aus.
2. Wählen Sie die Zielspalte (vorhandene Segmentzuweisungen).
3. Konfigurieren Sie das Test/Train-Split-Verhältnis (Standard: 80/20).
4. Wählen Sie den Modelltyp (logistische Regression oder Random Forest).
5. Trainieren Sie das Modell und überprüfen Sie die Metriken (Genauigkeit, Präzision, Recall, F1-Score, Konfusionsmatrix).

Feature Importance

Nach dem Training extrahiert das System Feature-Importance-Werte, die zeigen, welche Variablen den größten Einfluss auf die Segmentzuweisung haben. Dies hilft Ihnen zu verstehen, was die Unterschiede zwischen Ihren Segmenten bestimmt.

Anwenden von Segmenten

Sobald Segmente definiert sind, werden sie bei jedem Datensatz gespeichert. Jeder Segmentdatensatz enthält:

• configId: Die ID der Segmentierungskonfiguration
• configName: Name der Segmentierungskonfiguration
• segmentName: Der zugewiesene Segmentname
• appliedAt: Zeitstempel, wann das Segment angewendet wurde

Segmente können in der gesamten Analytics-Oberfläche als Filter sowie als Targeting-Kriterien in Kampagnen-Workflows verwendet werden.