Hierarchical Cluster or K Means Cluster .... It Totally Depends On You
Segmentasi pasar merupakan basis strategi yang vital bagi seorang pemasar. Dengan segmentasi, pemasar dapat memperoleh informasi yang presisi tentang jumlah segmen pasar yang ada beserta karakteristiknya. Namun pada kenyataannya, memetakan segmen pasar adalah hal yang tidak mudah. Meskipun seorang pemasar memiliki kemampuan kreatif yang tinggi, hal tersebut perlu diperkokoh dengan keterampilan melakukan riset pasar.
Dalam riset pasar, segmentasi sendiri memperoleh perhatian khusus khususnya dalam penentuan metodologi spesifik untuk mempermudah melakukan pemetaan segmen. Dalam konsep riset pasar, melakukan segmentasi pasar dapat dilakukan dengan menggunakan pendekatan statistik, yakni Cluster Analysis (CA). Secara metodologis, CA ini merupakan pendekatan statistik yang bersifat Interdependence Technique (ID).
ID merupakan kategori analisis yang dikonstruksi dari pengkondisian posisi penyetaraan variabel analisis. Artinya, kedudukan setiap variabel sama : tidak ada variabel bebas dan tidak ada variabel terikat. Secara sekilas, CA memiliki kemiripan dengan pendekatan Factor Analysis (FA) mengingat kedua pendekatan ini merupakan kategori ID. Namun, secara fungsional jelas berbeda. Jika FA hanya meringkas (mereduksi) berbagai atribut, sedangkan CA justru mengelompokkan berbagai atribut tersebut.
Kembali ke pendekatan CA. Pendekatan CA sendiri terbagi menjadi dua jenis, yaitu Hierarchical Cluster Analysis (HCA) dan Non Hierarchical Cluster Analysis atau K Means Cluster Analysis (KMCA). Perbedaan antara HCA dan KMCA terletak pada jumlah sampel yang dilibatkan dalam riset. Dalam HCA, minimum requirement adalah 200 unit. Sedangkan dalam KMCA jumlah sampel harus melebihi 200 unit. Dari keterangan tersebut, kita dapat menyimpulkan bahwa HCA lebih digunakan untuk riset Business to Business Marketing, sedangkan KMCA lebih ideal digunakan untuk kategori Consumer Marketing.
Untuk melakukan CA, hal pertama yang harus dipertimbangkan adalah menentukan jumlah kluster yang diinginkan. Untuk HCA hal ini menjadi mudah, karena hal ini dapat teridentifikasi dari output Software Statistik yang kita gunakan (misalnya SPSS) karena proses clustering dilakukan secara otomatis. Hasil proses clustering ini dapat dilihat dari Dendogram yang menampilkan visualisasi clustering process.
Kondisi berbeda justru terjadi pada KMCA, dimana jumlah klaster tidak diperoleh dari output Software Statistik. Sehingga membutuhkan judgement dari pemasar (khusunya peneliti) untuk menentukan jumlah sampel yang dinilai ideal. Artinya, peneliti perlu melakukan komparasi untuk setiap pasang klaster yang terbentuk. Sayangnya, tidak setiap judgement dari pemasar (peneliti) mampu menghasilkan data klaster yang akurat.
Dibutuhkan kombinasi art dan science untuk memperoleh judgment yang akurat. Meskipun demikian, Simamora (2005) memberikan solusi untuk mereduksi potensi ketidakuratan judgement. Pertama, jumlah klaster dapat diidentifikasi dengan menggunakan pendekatan teori, konsep, model atau pertimbangan praktis. Kita dapat melihat hasil publikasi riset yang dinilai relevan dengan kajian riset yang sedang kita lakukan. Atau, dengan mempertimbangkan hasil preliminary research (qualitative study) yang memberikan gambaran umum tentang jumlah segmen yang terbentuk.
Kedua, dengan mengadopsi pendekatan jarak (distance analysis) sebagai kriteria. Namun, hal ini menjadi sulit karena ketentuan distance analysis hanya berlaku untuk pendekatan HCA bukan KMCA. Ketiga, dengan melihat dendogram yang mencerminkan pembentukan klaster. Informasi
yang dituju adalah rescaled distance cluster combine. Caranya dengan melakukan pengamatan pada dua clustering terakhir, sehingga dapat kita ketahui jumlah klaster yang terbentuk. Keempat, peneliti dapat melakukan analisis jumlah anggota klaster yang terdapat pada dendogram. Caranya adalah dengan melihat jumlah masing - masing anggota kelompok pada setiap klaster. Jika salah satu klaster memiliki jumlah anggota berjumlah lebih kecil (misalnya satu) akan menjadi ganjil. Maka, klaster tersebut sebaiknya dihapus.
Akhirnya, hal ini kembali kepada pilihan pemasar (peneliti) sendiri. Keempat solusi tersebut bersifat kondisional dan tidak dapat diperlakukan secara generalized. Misalnya, jika perusahaan telah melakukan preliminary research, maka opsi keempat tidak perlu dilakukan. Sebaliknya, jika kondisi sebenarnya adalah ill informed (tidak memiliki informasi yang mencukupi), maka opsi keempat adalah pilihan yang bijak.
Segmentasi pasar merupakan basis strategi yang vital bagi seorang pemasar. Dengan segmentasi, pemasar dapat memperoleh informasi yang presisi tentang jumlah segmen pasar yang ada beserta karakteristiknya. Namun pada kenyataannya, memetakan segmen pasar adalah hal yang tidak mudah. Meskipun seorang pemasar memiliki kemampuan kreatif yang tinggi, hal tersebut perlu diperkokoh dengan keterampilan melakukan riset pasar.
Dalam riset pasar, segmentasi sendiri memperoleh perhatian khusus khususnya dalam penentuan metodologi spesifik untuk mempermudah melakukan pemetaan segmen. Dalam konsep riset pasar, melakukan segmentasi pasar dapat dilakukan dengan menggunakan pendekatan statistik, yakni Cluster Analysis (CA). Secara metodologis, CA ini merupakan pendekatan statistik yang bersifat Interdependence Technique (ID).
ID merupakan kategori analisis yang dikonstruksi dari pengkondisian posisi penyetaraan variabel analisis. Artinya, kedudukan setiap variabel sama : tidak ada variabel bebas dan tidak ada variabel terikat. Secara sekilas, CA memiliki kemiripan dengan pendekatan Factor Analysis (FA) mengingat kedua pendekatan ini merupakan kategori ID. Namun, secara fungsional jelas berbeda. Jika FA hanya meringkas (mereduksi) berbagai atribut, sedangkan CA justru mengelompokkan berbagai atribut tersebut.
Kembali ke pendekatan CA. Pendekatan CA sendiri terbagi menjadi dua jenis, yaitu Hierarchical Cluster Analysis (HCA) dan Non Hierarchical Cluster Analysis atau K Means Cluster Analysis (KMCA). Perbedaan antara HCA dan KMCA terletak pada jumlah sampel yang dilibatkan dalam riset. Dalam HCA, minimum requirement adalah 200 unit. Sedangkan dalam KMCA jumlah sampel harus melebihi 200 unit. Dari keterangan tersebut, kita dapat menyimpulkan bahwa HCA lebih digunakan untuk riset Business to Business Marketing, sedangkan KMCA lebih ideal digunakan untuk kategori Consumer Marketing.
Untuk melakukan CA, hal pertama yang harus dipertimbangkan adalah menentukan jumlah kluster yang diinginkan. Untuk HCA hal ini menjadi mudah, karena hal ini dapat teridentifikasi dari output Software Statistik yang kita gunakan (misalnya SPSS) karena proses clustering dilakukan secara otomatis. Hasil proses clustering ini dapat dilihat dari Dendogram yang menampilkan visualisasi clustering process.
Kondisi berbeda justru terjadi pada KMCA, dimana jumlah klaster tidak diperoleh dari output Software Statistik. Sehingga membutuhkan judgement dari pemasar (khusunya peneliti) untuk menentukan jumlah sampel yang dinilai ideal. Artinya, peneliti perlu melakukan komparasi untuk setiap pasang klaster yang terbentuk. Sayangnya, tidak setiap judgement dari pemasar (peneliti) mampu menghasilkan data klaster yang akurat.
Dibutuhkan kombinasi art dan science untuk memperoleh judgment yang akurat. Meskipun demikian, Simamora (2005) memberikan solusi untuk mereduksi potensi ketidakuratan judgement. Pertama, jumlah klaster dapat diidentifikasi dengan menggunakan pendekatan teori, konsep, model atau pertimbangan praktis. Kita dapat melihat hasil publikasi riset yang dinilai relevan dengan kajian riset yang sedang kita lakukan. Atau, dengan mempertimbangkan hasil preliminary research (qualitative study) yang memberikan gambaran umum tentang jumlah segmen yang terbentuk.
Kedua, dengan mengadopsi pendekatan jarak (distance analysis) sebagai kriteria. Namun, hal ini menjadi sulit karena ketentuan distance analysis hanya berlaku untuk pendekatan HCA bukan KMCA. Ketiga, dengan melihat dendogram yang mencerminkan pembentukan klaster. Informasi
yang dituju adalah rescaled distance cluster combine. Caranya dengan melakukan pengamatan pada dua clustering terakhir, sehingga dapat kita ketahui jumlah klaster yang terbentuk. Keempat, peneliti dapat melakukan analisis jumlah anggota klaster yang terdapat pada dendogram. Caranya adalah dengan melihat jumlah masing - masing anggota kelompok pada setiap klaster. Jika salah satu klaster memiliki jumlah anggota berjumlah lebih kecil (misalnya satu) akan menjadi ganjil. Maka, klaster tersebut sebaiknya dihapus.
Akhirnya, hal ini kembali kepada pilihan pemasar (peneliti) sendiri. Keempat solusi tersebut bersifat kondisional dan tidak dapat diperlakukan secara generalized. Misalnya, jika perusahaan telah melakukan preliminary research, maka opsi keempat tidak perlu dilakukan. Sebaliknya, jika kondisi sebenarnya adalah ill informed (tidak memiliki informasi yang mencukupi), maka opsi keempat adalah pilihan yang bijak.
Tidak ada komentar:
Posting Komentar