$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

요인분석과 군집분석을 통한 세분화 및 전략방향 제시: 특수법인 사례를 중심으로
A Strategy Through Segmentation Using Factor and Cluster Analysis: focusing on corporations having a special status 원문보기

응용통계연구 = The Korean journal of applied statistics, v.20 no.1, 2007년, pp.23 - 38  

조용준 (수협 수산경제연구원) ,  김영화 (중앙대학교 자연과학대학 통계학과)

초록
AI-Helper 아이콘AI-Helper

세분화는 크게 목적변수의 유무에 따라 분석방법이 달라지게 된다. 본 논문은 특수법인의 경영지표를 바탕으로 목적변수가 존재하지 않을 경우의 세분화를 통해 전략방향을 도출하는 사례 연구를 제안하고자 한다. 군집분석을 통한 세분화의 경우, 많은 변수를 사용하여 분류를 하게 되면 군집별 특성화가 어렵게 된다. 따라서 군집의 특성을 잘 반영할 수 있는 대표적 요인변수를 요인분석을 통해 추출하고 이 대표요인을 바탕으로 2단계 군집분석을 통한 세분화를 고려하였다. 이를 통해 총 6개의 세분화 군집을 도출하고 각 군집 별 강점요인을 강화하고 약점요인을 보완하는 방향으로 전략방향을 설정하여 제안하고자 한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Corporations adopt a segmentation depends on the existence of target variables, in general. In this paper, for the case of no target variables, a strategy through segmentation is proposed for corporations having a special status based on the management index. In case of segmentation using cluster an...

주제어

#2단계 군집분석   #세분화   #요인분석  

참고문헌 (14)

  1. 남영우, 성은영 (2001). 인자분석과 군집분석에 의한 세계도시의 유형화, , 4, 1-12 

  2. 박성현, 조신섭, 김성수 (2002). , SPSS 아카데미 

  3. 이종상 (2002). 지역유형구분을 위한 요인점수의 군집분석, , 37, 191-199 

  4. 임종호 (1993). 석회암 풍화산물에 대한 군집분석과 인자분석, , 22, 73-90 

  5. 조용준, 허준 (2006). 고객가치모형 별 마케팅전략: 백화점 화장품 고객을 중심으로, Journal of the Korean Data Analysis Society, 8, 335-348 

  6. 최호현, 김선범 (2006). 요인분석과 군집분석을 이용한 용도지역의 특성과 유형분류, , 9, 127-136 

  7. 허명회, 이용구 (2004). K-평균 군집화의 재현성 평가와 응용, , 17, 135-144 

    원문보기 상세보기

  8. Berry, M. J. A. and Gordon, L. (1997). Data Mining Techniques, John Wiley & Sons, U.S.A 

  9. Chiu, T., Fang, D., Chen, J., Wang, Y. and Jeris, C. (2001). A robust and scalable clustering algorithm for mixed type attributes in large database environment, Proceedings of the seventh ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 263-268, San Francisco, California 

  10. Hand, D. J. (1981). Discrimination and Classification, John Wiley & Sons, New York 

  11. Kohonen, T. (1982). Self-organized formation of topologically collect feature maps, Biological Cybernetics, 43, 59-69 

    상세보기 crossref

  12. Kovesi, B., Boucher, J. M. and Saoudi, S. (2001). Stochastic K-means algorithm for vector quantization, Pattern Recognition Letters, 22, 603-610 

    상세보기 crossref

  13. Selim, S. Z. and Ismail, M. A. (1984), K-means type algorithms: a generalized convergence theorem and characterization of local optimality, IEEE Transactions on Pattern Analysis and Machine Intelligence, 6, 81-87 

    상세보기 crossref

  14. Zhang, T., Ramakrishnan, R. and Livny, M. (1996). BIRCH: an efficient data clustering method for very large databases, Proceedings of the 1996 ACM SIGMOD International Conference on Management of Data, 103-114, Montreal, Canada 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로