Метрики · 4 сентября 2026 г.

Кластерный анализ респондентов: как сегментировать аудиторию по ответам

Кластерный анализ респондентов — метод, который делит участников опроса на группы со схожими ответами, не опираясь на заранее заданные категории вроде пола или возраста: алгоритм сам находит, какие респонденты похожи друг на друга по тому, что они ответили, и объединяет их в кластеры. Метод полезен, когда есть подозрение, что аудитория неоднородна по своему отношению к продукту или бренду, но неясно заранее, по какому именно признаку она делится. Результат — не готовые названия сегментов, а числовая структура, которую исследователь дальше интерпретирует и подписывает содержательно. Дальше разберём, чем метод отличается от сегментации по демографии, как выбрать число кластеров, разбор на условном примере и какие у метода есть ограничения.

Чем это отличается от сегментации по демографии

Привычная сегментация аудитории задаёт группы заранее: мужчины и женщины, младше и старше тридцати пяти, Москва и регионы. Такое деление удобно, но не гарантирует, что внутри группы люди действительно похожи по интересующему признаку — отношению к продукту, мотивации или поведению. Кластерный анализ переворачивает логику: он не спрашивает демографию заранее, а смотрит на сами ответы респондентов по содержательным вопросам — что для них важно, чем они недовольны, как часто пользуются продуктом — и группирует тех, кто отвечает похоже, независимо от пола и возраста.

На практике часто оказывается, что найденные кластеры плохо совпадают с демографией: группа клиентов, ценящих скорость обслуживания превыше всего, может включать и молодых, и пожилых людей в равной пропорции, а разделение по возрасту в этом случае просто не улавливает реальной разницы в мотивации. Это вовсе не значит, что демография бесполезна — после того как кластеры уже найдены, полезно посмотреть, как именно они соотносятся с демографическими признаками группы, — но начинать сегментацию именно с демографии, когда на деле интересует поведенческое или мотивационное различие, часто означает попросту искать совсем не там, где нужно.

Когда метод оправдан

Кластерный анализ стоит применять, когда есть гипотеза о неоднородности аудитории и несколько содержательных вопросов, по которым эта неоднородность потенциально проявляется, — например, набор вопросов о приоритетах при выборе сервиса, о частоте использования разных функций или о причинах покупки. Метод плохо подходит для анкеты из одного-двух вопросов: кластеризовать по одному числу можно и без специального метода, простой сортировкой по значению. Ценность метода растёт с числом переменных: он находит структуру там, где вручную свести пять-семь признаков в наглядные группы уже сложно.

Типичный практический повод — планирование продуктовой стратегии или коммуникации: если вся аудитория интернет-магазина усреднённо описывается как «в целом довольна ценой и доставкой», под этим усреднением может скрываться группа, для которой критична скорость доставки, и другая, для которой важнее ассортимент и готовая переплатить за него. Одно сообщение и один продуктовый приоритет для обеих групп будет неоптимальным компромиссом, а кластерный анализ помогает увидеть эти группы явно, прежде чем строить стратегию на усреднённом портрете.

Как метод находит группы

Интуиция похожа на расстановку точек на карте: каждый респондент — точка, координаты которой заданы его ответами на несколько вопросов, а метод ищет плотные скопления точек, расположенных близко друг к другу, и проводит границы между ними. Самый распространённый алгоритм, метод k-средних, работает так: сначала задаётся число групп, затем алгоритм итеративно подбирает центры групп и распределяет респондентов по ближайшему центру, повторяя процесс, пока распределение не стабилизируется. Итоговый результат — метка кластера у каждого респондента и описание типичного профиля ответов для каждой группы.

Перед расчётом переменные обычно приводят к одному масштабу — иначе вопрос, измеренный в рублях, «перевесит» вопрос, измеренный по шкале от 1 до 5, просто за счёт разницы в диапазоне чисел, а не за счёт реальной значимости. Эта техническая деталь легко упускается при самостоятельном расчёте и приводит к кластерам, фактически построенным вокруг одной доминирующей переменной, а не вокруг содержательного сочетания всех признаков сразу.

Разбор на условном примере

Возьмём опрос клиентов сервиса доставки с вопросами о важности скорости, цены и ассортимента по шкале от 1 до 10. Цифры в примере условные и нужны только для того, чтобы показать формат чтения результата: кластерный анализ на собранных ответах выделил три группы с разными профилями приоритетов, которые слабо совпадали с делением по полу и возрасту.

Три группы явно различаются по тому, что для них приоритетно, и это разное, а не усреднённое отношение к сервису: сообщение «мы теперь доставляем быстрее» сработает на треть аудитории и почти не заинтересует «Экономных» и «Разборчивых», для которых важнее другое. Практическая ценность такого деления — не в самих названиях кластеров, а в возможности адресовать коммуникацию и приоритеты разработки конкретной группе вместо одного усреднённого сообщения для всех, которое ни для кого не звучит убедительно.

Как выбрать число кластеров

Число групп не очевидно заранее и не выбирается произвольно на глаз. Стандартный практический приём — метод локтя: посчитать решение для двух, трёх, четырёх и более кластеров и посмотреть, как с ростом числа групп падает внутригрупповой разброс ответов. На графике этот разброс сначала падает быстро, а затем темп замедляется — точка, где падение резко замедляется, похожая на локоть, обычно и считается разумным числом кластеров: добавление ещё одной группы улучшает решение уже незначительно ценой дополнительной сложности интерпретации.

• Считайте решение для нескольких вариантов числа кластеров, а не только для одного выбранного заранее.
• Смотрите на график внутригруппового разброса и ищите точку явного замедления падения.
• Проверяйте, интерпретируется ли каждая группа содержательно, а не только по статистике.
• Избегайте решений с кластером менее пяти процентов аудитории — такая группа обычно шум, а не сегмент.

Что делать после того, как кластеры найдены

Числовое решение — это середина работы, не конец. Следующий шаг — дать каждому кластеру содержательное имя и описание на основе профиля ответов, а не оставлять их «кластер 1», «кластер 2» в отчёте: имя вроде «Спешащие» сразу подсказывает команде, как с этой группой работать, а номер — нет. Дальше полезно посмотреть, как кластеры соотносятся с уже известными данными о респондентах — демографией, каналом привлечения, историей покупок, если она доступна, — это часто добавляет понимание, даже если сами демографические признаки не участвовали в первоначальном расчёте.

Полезно проверить каждый найденный кластер и на статистическую значимость различий, а не только на визуальную наглядность. Если разница по важности скорости между «Спешащими» и остальными группами составляет доли балла на большой выборке, статистический тест на разницу средних может показать, что различие незначимо и, вероятно, объясняется случайным шумом, а не реальной сегментацией. Кластерный алгоритм технически выдаст границу между группами почти всегда, даже когда содержательного различия между ними нет, — он не проверяет значимость самостоятельно, эту проверку нужно делать отдельно, уже после получения решения.

И последний шаг, который часто пропускают: проверить, устойчивы ли кластеры на новой волне данных. Сегменты, найденные один раз на одной выборке, не гарантированно останутся теми же через полгода — аудитория меняется, продукт меняется, и деление, актуальное сегодня, может через год не описывать реальность точно. Разумная практика — пересчитывать кластеризацию примерно раз в год-полтора на свежих данных, а не превращать найденные единожды сегменты в постоянную неизменную классификацию, которая со временем перестаёт отражать реальность, но по инерции продолжает использоваться в отчётах и презентациях команды.

Другие алгоритмы кластеризации

Метод k-средних — самый распространённый, но не единственный, и у него есть особенность, которую стоит знать заранее: он ищет кластеры примерно округлой формы и одинакового по порядку размера, а число групп нужно задать до расчёта. Иерархическая кластеризация устроена иначе: она не требует заранее задавать число групп, а строит дерево последовательных объединений — от каждого респондента как отдельного кластера до одной общей группы — и позволяет выбрать нужное число кластеров уже после расчёта, просто «разрезав» дерево на нужном уровне. За это удобство приходится платить заметно худшей производительностью на действительно больших выборках: такой метод обычно плохо масштабируется за пределы нескольких тысяч отдельных респондентов.

Есть и третий класс алгоритмов, основанных на плотности, — они ищут скопления точек произвольной формы и умеют помечать часть респондентов как «шум», не относящийся ни к одному кластеру, вместо того чтобы насильно распределять каждого по ближайшей группе. Это полезно, когда часть аудитории действительно не укладывается ни в один типичный профиль — например, случайные или невнимательные респонденты, — и их лучше явно исключить из сегментации, а не размывать ими границы реальных групп. Выбор конкретного алгоритма — задача аналитика, но исследователю полезно понимать, что k-средних не единственный и не всегда лучший вариант для конкретных данных.

Ограничения метода

Метод чувствителен к выбору переменных: включите в расчёт не те вопросы, и получите кластеры, отражающие случайное или малозначимое различие, а не реальную содержательную неоднородность аудитории. Отбор вопросов для кластеризации — содержательное решение, а не техническая деталь, и его стоит делать заранее, осознанно отталкиваясь от рабочей гипотезы о том, по какому именно признаку аудитория может реально делиться, а не включать в расчёт разом все доступные вопросы анкеты подряд в наивной надежде, что метод сам как-то разберётся, что здесь важно, а что нет.

Требования к выборке тоже нельзя игнорировать: устойчивое кластерное решение обычно требует не меньше нескольких сотен ответов, особенно если ожидаемых групп в итоге окажется больше двух-трёх, — на заметно меньшей выборке решение может оказаться нестабильным и способно сильно меняться при добавлении новой партии собранных данных. И главное методическое ограничение — кластеры существуют настолько, насколько они содержательно интерпретируемы и полезны для решений; чисто статистически «лучшее» по критерию число кластеров не всегда совпадает с тем числом, которое реально можно использовать в работе команды.

Ещё одно организационное ограничение — то же, что и у факторного анализа: расчёт требует человека, умеющего работать со статистическим пакетом или инструментом кластеризации, интерпретировать выбор алгоритма и число групп. Это не расчёт в одну формулу, и без такого специалиста в команде задача либо откладывается, либо решается на глаз — сегментацией по интуиции, которая не хуже кластерного анализа для быстрого рабочего ориентира, но не заменяет его там, где решение реально дорогое и нужна статистическая опора под него.

Типичные ошибки

1. Включать в расчёт все вопросы анкеты подряд вместо содержательно отобранных переменных.
2. Не приводить переменные к одному масштабу перед расчётом, получая перекос в сторону одного признака.
3. Выбирать число кластеров исключительно по графику, не проверяя содержательную интерпретируемость.
4. Оставлять кластеры без содержательных названий и описаний в отчёте.
5. Считать однажды найденную сегментацию неизменной и не пересчитывать её на новых данных.
6. Путать кластерный анализ с факторным: первый группирует респондентов, второй — вопросы анкеты.

С чего начать

Начните с содержательной гипотезы, а не с самого алгоритма: чётко сформулируйте, по какому именно признаку аудитория предположительно неоднородна, и включите в анкету пять-семь содержательных вопросов, которые как раз эту гипотезу и проверяют напрямую. Собрав хотя бы пару сотен ответов, посчитайте кластерное решение в статистическом пакете или в готовом инструменте с функцией кластеризации — большинство современных таблиц и BI-платформ такую функцию уже давно поддерживают, поэтому специализированное статистическое ПО тут не всегда строго обязательно.

Сервис «До Сути» подходит для сбора ответов на нужные вопросы в одной анкете и выгрузки их в таблицу для дальнейшего анализа, но сам расчёт кластеризации делается уже во внешнем инструменте после экспорта данных. Получив решение, не спешите сразу перестраивать продукт или коммуникацию под все найденные сегменты одновременно — начните с одной группы, для которой действие наиболее очевидно, проверьте гипотезу на практике, и только затем масштабируйте подход на остальные кластеры.

Стоит заранее договориться в команде, кто владеет итоговой сегментацией после того, как отчёт сдан. Кластерное деление, которым никто конкретно не занимается дальше, обычно живёт в одной презентации и забывается, а команда возвращается к прежней работе с усреднённым портретом аудитории. Если сегментация действительно ценна, у неё должен появиться владелец — человек или команда, отвечающие за то, чтобы деление использовалось в реальных решениях и обновлялось по мере устаревания, а не оставалось красивой, но забытой находкой одного разового исследования.