Cration de typologie sous SPSS

Propos de ce document .................................................................................. 1

Introduction ................................................................................................... 1
La dmarche suivre sous SPSS ........................................................................ 2
1. Iterate ............................................................................................. 2
2. Save ................................................................................................ 2
3. Options ............................................................................................ 3
Analyse des rsultats ....................................................................................... 3
1. Historique des itrations :........................................................................... 3
2. Nombre dobservations dans chaque classe : .................................................. 4
3. Analyse de la variance ............................................................................... 5
4. Centre de classes finaux ............................................................................. 6

Propos de ce document
Ce document a t cr dans le but daider toute personne qui dbute dans SPSS, logiciel
tr puissant mais trs peu sympathique.
Ce document se base sur la version 11.0 Base de SPSS, en version anglaise. La plupart
des exemples sont issus des dictatiels du programme SPSS en lui-mme.
Toutes les remarques, tant sur le fond que sur la forme, sont les bienvenues. Nhsitez
pas me contacter ladresse suivante : <lemoal@lemoal.org> ou venir visiter mon
site internet : http://www.lemoal.org/spss/
Merci.

Introduction
Les mthodes de classification sont trs utilises en marketing. Ce sont notamment grce
elles quune entreprise peut segmenter son march, selon des critres quantitatifs.
Deux types de classification sont possibles : la Nues dynamiques (K-Means Cluster
Analysis) ou la classification hirarchique (Hierarchical Cluster Analysis) .
Si le nombre dobservations est suprieure 100, il est recommand dutiliser les nues
dynamiques. Cest dailleurs la plus couramment utilis en marketing et celle que nous
tudierons ici. La classification hirarchique est trop longue au del de 100 individus (et
plus exigeante en terme de mmoire pour le PC) et ne sera pas traite ici.
Important :

Il faut noter que la classification en nues dynamiques ncessitent des donnes

quantitatives. Si vous possdez des donnes qualitatives, lanalyse ne sera pas
possible, moins de passer par une Analyse en Composante Multiple (ACM).

Il est recommand dutiliser des donnes centres et rduites pour lanalyse.

La cration de typologies sous SPSS Ludovic LE MOAL 2002

La dmarche suivre sous SPSS

Aller dans Analyse > Classify > K-Means Clusters . La bote de dialogue suivante apparat
alors :

On choisit les variables qui nous paraissent les mieux adaptes la cration de
typologies en les slectionnant dans la partie de droite puis en cliquant sur la flche qui
pointe vers la droite.
Dans Number of Clusters (nombre de classes), indiquer le nombre de classes quon a
priori repr dans lanalyse multi-varie (ACP, AFC ou AFCM) qui aura prcd. Il est
recommand de rajouter une classe supplmentaire, au cas o (quitte en enlever une
par la suite). Au niveau de la mthode, il convient de choisir Iterate and classify
(Itrer et classer)
Plusieurs options sont maintenant possibles : 1. Iterate 2. Save 3. Options

1. Iterate
Cliquer sur Itrate . La bote de dialogue K-Means Cluster Analysis : Iterate
apparat alors.

Cette bote de dialogue sert indiquer le nombre maximum ditration. Au dpart, il ne

faut toucher rien et laisser la valeur par dfaut (10). Si, lors de lanlyse des rsultats,
le nombre ditrations savert insuffisant, cest ici quil faudra changer la valeur.

2. Save
Cliquer sur Save . La bote de dialogue K-Means Cluster : Save New Variables
apparat alors.

La cration de typologies sous SPSS Ludovic LE MOAL 2002

Deux cases cocher sont possibles :

Classe daffectation (cest--dire le groupe) : si on veut donner chaque individu sa
classe daffectation. Il faut le faire une fois quon est satisfait du rsultat obtenu mais
pas avant.
Distance au centre de la classe : pour mesurer la distance du centre
Pour une premire analyse, il nest pas utile de cocher ces options.

3. Options
Cliquer sur Options . La bote de dialogue K-Means Cluster Analysis : Options
apparat alors.

Plusieurs changements sont oprer :

Dans Statistics , cliquer sur ANOVA Table . Cela sert dterminer quelles sont
les variables les plus discriminantes dans la constitution des groupes et ne pas
conserver Centres de classe initiaux
Dans Massing Values (Valeurs manquantes), choisir Exclude cases pairwises
(exclure seulement les classes non valides).

Analyse des rsultats

Lanalyse des rsultats commence par valider lanalyse en elle-mme. Cette premire
phase passe par lobservation de lhistorique des itrations et du nombre dobservations
dans chaque classe. Lanalyse en elle-mme peut ensuite se poursuivre.

1. Historique des itrations :

Dans la plupart des cas, les classes convergent avant la dixime itration. Il nest donc
pas ncessaire de recommencer lanalyse.
Par contre, dans le cas suivant, le nombre ditrations initiales est trop faible (10).
Aucune classe ne converge. Il y a convergence quand ,000 est atteint dans chacune des
classes identifies. Dans le cas prsent, il faut donc recommencer lanalyse avec un
nombre de classe plus importante.

La cration de typologies sous SPSS Ludovic LE MOAL 2002

Iteration Historya

Iteration
1
2
3
4
5
6
7
8
9
10

Change in Cluster Centers

1
2
3
3,298
3,590
3,491
1,016
,427
,931
,577
,320
,420
,240
,180
,195
,119
,125
,108
9,282E-02 8,262E-02 2,654E-02
6,882E-02 9,375E-02 3,196E-02
5,858E-02 5,080E-02 1,817E-02
3,461E-02 8,501E-02 6,318E-02
2,489E-02
,359
,333

a. Iterations stopped because the maximum number of

iterations was performed. Iterations failed to converge.
The maximum distance by which any center has
changed is ,188. The current iteration is 10. The
minimum distance between initial centers is 6,611.

2. Nombre dobservations dans chaque classe :

Number of Cases in each Cluster
Cluster

Valid
Missing

1
2
3

232,000
288,000
480,000
1000,000
,000

Il est recommand de ne garder que les classes qui reprsentent 10% ou plus des
observations. Dans le cas prsent, chaque classe reprsente plus de 10% des personnes
interroges. Il ny a pas lieu de recommencer lanalyse.
Si par exemple, le groupe 1 naurait eu que 96 individus, lanalyse aurait d tre
recommence avec un groupe de moins, cest--dire 2.
Cette mthode permet galement de quantifier chaque segment.

La cration de typologies sous SPSS Ludovic LE MOAL 2002

3. Analyse de la variance
ANOVA
Cluster
Mean Square
Standardized log-long
distance
Standardized log-toll free
Standardized
log-equipment
Standardized log-calling
card
Standardized
log-wireless
Standardized multiple
lines
Standardized voice mail
Standardized paging
Standardized internet
Standardized call waiting
Standardized call
forwarding
Standardized 3-way
calling
Standardized electronic
billing

Error
Mean Square

df

df

Sig.

16,843

,968

997

17,395

,000

45,470

,812

472

56,027

,000

103,643

,464

383

223,367

,000

5,726

,986

675

5,808

,003

52,747

,647

293

81,554

,000

41,641

,918

997

45,337

,000

249,971
295,683
122,869
282,576

2
2
2
2

,501
,409
,756
,435

997
997
997
997

499,383
723,187
162,626
649,371

,000
,000
,000
,000

303,329

,394

997

770,805

,000

282,978

,434

997

651,501

,000

111,455

,778

997

143,180

,000

The F tests should be used only for descriptive purposes because the clusters have been chosen to maximize
the differences among cases in different clusters. The observed significance levels are not corrected for this
and thus cannot be interpreted as tests of the hypothesis that the cluster means are equal.

Le F sert identifier les variables qui sont utiles pour lidentification des diffrents
segments. Attention ne pas interprter la signification de F qui, le cas prsent, nest
pas trs utile.
Les variables avec les plus grands F sont les variables les plus discriminantes des
groupes entre eux.
Dans notre exemple, les variables les plus discriminantes
Standardized call forwarding et Standardized paging .

La cration de typologies sous SPSS Ludovic LE MOAL 2002

sont

les

variables

4. Centre de classes finaux

Final Cluster Centers
Cluster
2

1
Standardized log-long
distance
Standardized log-toll free
Standardized
log-equipment
Standardized log-calling
card
Standardized
log-wireless
Standardized multiple
lines
Standardized voice mail
Standardized paging
Standardized internet
Standardized call waiting
Standardized call
forwarding
Standardized 3-way
calling
Standardized electronic
billing

,06

,25

-,18

,23

,13

-1,07

,79

-,08

-,76

,14

,05

-,17

,40

-,68

-1,20

,52

-,23

-,11

1,28
1,40
,82
,72

-,27
-,36
-,55
,72

-,46
-,46
-,06
-,78

,76

,74

-,81

,69

,75

-,78

,72

-,60

,01

La lecture des centres de classes finaux permet de donner une signification aux diffrents
groupes dtermins.
Lanalyse en elle-mme se passe comme pour une analyse multivarie, cest--dire par
recherche lexicale partir des opposs. Par exemple, la classe 1 se caractrise par les
variables Standardized paging et Standardized voice mail .
Les mthodes de classification peuvent donner des rsultats trs diffrents suivants les
variables utilises ou les mthodes utilises. Pour sassurer de rsultats pertinents, il
convient de tester plusieurs typologies. pour choisir la meilleure, il convient deffectuer
une analyse discriminante pour chaque typologie cre et ne retenir que celle qui
possde le meilleur pouvoir de reclassement. Pour cela, et pour chaque typologie
retenue, il faut enregistrer les classes daffectation pour chaque individu, en
recommenant lanalyse et en cochant Classes daffectation dans Enregistrer

La cration de typologies sous SPSS Ludovic LE MOAL 2002