05_分群與市場區隔

核心表格

核心主題	原書案例／方法	主要用途	重要提醒
Segmentation	Netflix Taste Communities	推薦、內容開發、Targeted Advertising	Clustering 是技術過程；Segmentation 是商業應用
Psychographic Clustering	Cambridge Analytica	依 Fundamental Values 建立 Profiles 與 Personalized Messaging	原書使用 reportedly used 的謹慎表述
二維 Clustering	Mario Kart 64 的 8 個角色	直觀理解 Similarity 與自然群組	高維資料無法單靠人眼辨識
Hierarchical Clustering	A–G 七個 Data Objects＋Dendrogram	建立階層式群組並判斷群數	群數仍需要 Analyst Judgement
k-means	A–G、k = 2	透過 Centroid 反覆更新形成群組	初始 Centres 與 k 都是分析選擇
Distance Measures	Euclidean、Squared Euclidean、Mahalanobis	量化 Observations 的 Closeness	不同尺度通常需要 Standardization
Hofstede Clustering	70 國、6 個 Cultural Dimensions	高維文化資料分群	Variables 應限於最重要的 Differentiating Measures
Cluster Interpretation	5 Clusters → 3 Clusters；16 bins → 4 bins	提高群組可解釋性	Generality 與 Niche／Outlier Identification 有 Trade-off
Geo Segmentation	3 群與 10 群 Hofstede Geo Map	觀察國家文化群組的地理分布	Cluster 數量改變分析粒度
Sports Analytics	Moneyball／Basketball	Team Composition、Contracts、Salary Negotiations	Segmentation 不只適用於 Customers

文字說明

1. Clustering 是 Unsupervised Learning

本章的核心是：資料中沒有事先指定的 Target Outcome，Algorithm 依 Observations 之間的 Similarity／Distance 找出自然群組。原書強調，同一 Cluster 內的 Entities 應儘可能接近，而 Clusters 彼此應儘可能分離。

2. Clustering 與 Segmentation 的差別在「技術」與「應用」

原書把 Clustering 視為 Unsupervised Grouping 的技術過程，而 Segmentation 則是將這些群組應用到 Customers 或 Markets。企業不必為每一位 Customer 完全客製化，而可以找到 Meaningful Segments，再針對群組設計 Products、Services、Training、Offers 或 Advertising。

3. Netflix 顯示 Clustering 如何轉成商業價值

原書以 Netflix 的超過 1,000 個 Taste Communities 與當時接近 1.5 億名使用者說明：Clusters 不只是統計結果，而能成為 Recommendation、Original Content Development 與 Targeted Advertising 的輸入。這也是本章從 Analytics Technique 走向 Business Action 的重要案例。