استخدام التجزئة الهرمية لدراسة العلاقات

استخدام التجزئة الهرمية لدراسة العلاقات بين خدمات الاتصالات

يريد مزود الاتصالات أن يفهم بشكل أفضل أنماط استخدام الخدمة في قاعدة عملائه. إذا كان من الممكن تجميع الخدمات حسب الاستخدام، يمكن للشركة تقديم حزم أكثر جاذبية لعملائها، وذلك باستخدام التجزئة الهرمية.

المتغيرات التي تشير إلى استخدام الخدمات وعدم استخدامها مضمنة في ملف telco.sav. راجع موضوع “ملفات الأمثلة” للحصول على مزيد من المعلومات. استخدم إجراء تحليل التجزئة الهرمية لدراسة العلاقات بين الخدمات المختلفة.

تشغيل تحليل التجزئة الهرمية

1. لتشغيل تحليل التجزئة الهرمية، اختر من القوائم: تحليل> تصنيف> تجزئة هرمية …

Analyze > Classify > Hierarchical Cluster…

يظهر مربع حوار تحليل التجزئة الهرمية Hierarchical Cluster Analysis كما يلي:

2. انقر فوق إعادة تعيين Reset لاستعادة الإعدادات الافتراضية.

3. إذا لم تعرض قائمة المتغيرات تسميات المتغيرات بحسب ترتيب الملفات، فانقر بزر الماوس الأيمن في أي مكان في قائمة المتغيرات ومن قائمة السياق context، اختر عرض تسميات المتغيرات Display Variable Labels والفرز حسب ترتيب الملفات Sort by File Order.

4. حدد الحقول من “الخدمة المجانية” Toll free service ولغاية “الخدمة اللاسلكية” Wireless service وكذلك الحقول من “الخطوط المتعددة” Multiple lines ولغاية “الفوترة الإلكترونية” Electronic billing كمتغيرات التحليل analysis variables.

5. حدد المتغيرات Variables في مجموعة التجزئة Cluster.

6. انقر فوق المخططات Plots.

يظهر مربع حوار المخططات Plots dialog box كما يلي:

7. حدد مخطط شجري Dendrogram.

8. حدد لا شيء None في مجموعة Icicle.

9. انقر فوق متابعة Continue.

10. انقر فوق الطريقة Method في مربع الحوار تحليل التجزئة الهرمية Hierarchical Cluster Analysis.

يظهر مربع حوار الطريقة Method dialog box كما يلي:

11. حدد ثنائي Binary في مجموعة القياس Measure.

12. حدد مطابقة بسيطة Simple Matching كمقياس ثنائي binary measure.

13. انقر فوق متابعة Continue.

14. انقر فوق موافق OK في مربع حوار تحليل التجزئة الهرمية.

جدول التجميع الناتج من التجزئة الهرمية

الشكل التالي يبين جدول التجميع Agglomeration schedule لحل المطابقة البسيط simple matching solution:

بالنسبة للقياسات الثنائية binary measures، يُبلغ عمود المعاملات عن مقاييس التشابه، وبالتالي تنخفض قيم المعامل في كل مرحلة من مراحل التحليل. من الصعب تفسير نتائج هذا الجدول، لذا انتقل إلى المخطط الشجري dendrogram.

المخطط الشجري

الشكل التالي يبين المخطط الشجري Dendrogram لحل المطابقة البسيط:

يوضح المخطط الشجريأن أنماط استخدام MULTLINE و CALLCARD تختلف عن الخدمات الأخرى. يتم تجميع هؤلاء الآخرين في ثلاث مجموعات. تتضمن المجموعة الأولى WIRELESS و PAGER و VOICE. يتضمن الآخر EQUIP و INTERNET و EBILL. يحتوي الأخير على TOLLFREE و CALLWAIT و CALLID و FORWARD و CONFER. تعد مجموعة WIRELESS أقرب إلى مجموعة الإنترنت من مجموعة CALLWAIT.

الحل باستخدام مقياس المسافة Jaccard

لتشغيل تحليل التجزئة الهرمية باستخدام مقياس المسافة Jaccard:

1. استدع مربع حوار التجزئة الهرمية Hierarchical Cluster.

يظهر مربع حوار تحليل التجزئة الهرمية Hierarchical Cluster Analysis dialog box كما يلي:

2. انقر فوق الطريقة Method.

يظهر مربع حوار الطريقة كما يلي:

3. حدد Jaccard كمقياس ثنائي binary measure.

4. انقر فوق متابعة Continue.

5. انقر فوق موافق OK في مربع حوار تحليل التجزئة الهرمية.

المخطط الشجري

الشكل التالي يبين المخطط الشجري Dendrogram للحل باستخدام مقياس المسافة Jaccard:

باستخدام مقياس المسافة Jaccard، تكون المجموعات الأساسية الثلاث هي نفسها، ولكن مجموعة “اللاسلكية” WIRELESS أصبحت الآن أقرب إلى مجموعة “انتظار المكالمات” CALLWAIT من مجموعة الإنترنت INTERNET.

ملخص استخدام التجزئة الهرمية لدراسة العلاقات بين خدمات الاتصالات

يتمثل الاختلاف بين إجراءات المطابقة البسيطة Simple Matching ومقياس المسافة Jaccard في أن مقياس المسافة Jaccard لا يعتبر خدمتين لا يشترك فيهما الفرد متشابهتين. لذلك، تعتبر المطابقة البسيطة أن الخدمات اللاسلكية وخدمات الإنترنت متشابهة عندما يكون لدى العميل كلاهما أو لا يمتلكهما، بينما يعتبر مقياس Jaccard أنهما متشابهان فقط عندما يكون لدى العميل كليهما. يتسبب هذا في اختلاف حلول المجموعة نظرًا لوجود العديد من العملاء الذين ليس لديهم خدمات لاسلكية أو خدمات الإنترنت. وبالتالي، فإن هذه المجموعات أكثر تشابهًا في حل المطابقة البسيط من حل مقياس المسافة Jaccard. المقياس الذي تستخدمه يعتمد على تعريف “التشابه” الذي ينطبق على حالتك.

الإجراءات ذات الصلة

يعتبر إجراء التحليل العنقودي الهرمي مفيدًا في العثور على مجموعات طبيعية للحالات أو المتغيرات. يعمل بشكل أفضل عندما يحتوي ملف البيانات الخاص بك على عدد صغير (أقل من بضع مئات) من الكائنات ليتم تجميعها.

• إذا كان لديك عدد كبير من الحالات المطلوب تجميعها، فاستخدم إجراء التحليل العنقودي من خطوتين TwoStep Cluster Analysis.
• وإذا كان لديك عدد كبير من الحالات المراد تجميعها وكانت جميع المتغيرات الخاصة بك مقياسًا، فيمكنك بدلاً من ذلك استخدام إجراء التحليل العنقودي باستخدام الخوارزمية التصنيفية K-Means Clustering.
• أما إذا كنت مهتمًا بفحص بنية المتغيرات الخاصة بك وهي متغيرات من نوع المقياس، يمكنك تجربة التحليل العاملي Facto Analysis كبديل.

المصدر

• كتب التحليل الإحصائي باستخدام برنامج SPSS، ترجمة وإعداد: د. م. مصطفى عبيد، مركز البحوث والدراسات متعدد التخصصات، 2022.
• الموقع الرسمي لشركة IBM ® برنامج SPSS