Kümeleme Analizi Nedir? Tez İçin SPSS Rehberi 2026

Pazarlama, işletme, eğitim, psikoloji ve sağlık bilimleri alanlarında tez yazan pek çok araştırmacı, örneklem içindeki bireyleri veya markaları belirli özelliklerine göre gruplamak istediğinde karşısına kümeleme analizi çıkar. Ancak "hangi kümeleme yöntemini seçmeliyim", "küme sayısını nasıl belirlerim" ve "SPSS çıktısını tez metnine nasıl aktarırım" soruları, danışmanından bu yöntemi ilk kez duyan öğrenciler için ciddi bir belirsizlik kaynağı olur. Bu rehberde hiyerarşik kümeleme ve K-means kümeleme analizini adım adım ele alarak, doğru yöntem seçiminden SPSS uygulamasına, sonuç yorumlamadan raporlamaya kadar tüm süreci açıklığa kavuşturuyoruz.

Kümeleme analizi, gözetimsiz (unsupervised) bir istatistiksel teknik olduğu için regresyon veya ANOVA gibi bağımlı-bağımsız değişken mantığından farklı çalışır; bu da onu ilk kez uygulayan öğrenciler için hem ilginç hem de kafa karıştırıcı kılar. Doğru kurgulandığında ise tezin bulgular bölümüne özgün ve görsel açıdan güçlü bir katman ekler. Özellikle nicel araştırma desenlerinde, anket verisinin sadece ortalama ve yüzdelerle sunulduğu klasik tablolardan sıyrılıp katılımcıları anlamlı profillere ayırmak isteyen araştırmacılar için kümeleme analizi, jüri karşısında dikkat çeken bir metodolojik tercih hâline gelir.

Bu yöntemin en çok karıştırılan yönü, hangi değişkenlerin analize dahil edileceğine ve kaç kümenin "doğru" olduğuna dair net bir formülün bulunmamasıdır. Bu belirsizlik, aslında yöntemin esnekliğinden kaynaklanır; ancak esneklik, gerekçelendirilmediğinde savunmasız bir bulguya dönüşebilir. Bu yüzden rehberin ilerleyen bölümlerinde her karar noktasını (değişken seçimi, standartlaştırma, uzaklık ölçütü, küme sayısı) hangi kritere göre vereceğinizi ayrı ayrı ele alıyoruz.

Kümeleme Analizi Nedir?

Kümeleme analizi, birbirine benzer özellik gösteren gözlemleri (katılımcı, marka, şehir, ürün vb.) aynı grup içinde toplayan, farklı özellik gösterenleri ise ayrı gruplara ayıran çok değişkenli bir istatistik yöntemidir.

Kümeleme Analizi Nedir ve Ne İşe Yarar?

Kümeleme analizi (cluster analysis), önceden tanımlanmış bir bağımlı değişken olmadan, veri setindeki gözlemleri birden fazla değişken üzerindeki benzerliklerine göre homojen alt gruplara ayırır. Örneğin "tüketicilerin marka sadakati, fiyat hassasiyeti ve alışveriş sıklığına göre kaç farklı segmentte toplandığı" ya da "öğrencilerin akademik motivasyon ve kaygı düzeylerine göre nasıl profiller oluşturduğu" tipik kümeleme analizi sorularıdır. Yöntemin temel işlevleri şunlardır:

• Örneklemi anlamlı ve yönetilebilir alt gruplara ayırmak
• Pazarlama, eğitim veya sağlık alanında hedef kitle segmentasyonu yapmak
• Sonradan bu kümeleri bağımsız değişken olarak diğer analizlerde (ANOVA, ki-kare) kullanmak
• Veri setindeki gizli örüntüleri ve tipolojileri ortaya çıkarmak

Hangi Tez Türlerinde Kümeleme Analizi Kullanılır?

Kümeleme analizi özellikle pazarlama ve tüketici davranışı, örgütsel davranış, eğitim bilimleri, halk sağlığı ve turizm alanlarındaki tezlerde sıkça tercih edilir. Bir işletme tezinde müşteri segmentasyonu, bir eğitim tezinde öğrenci profilleme, bir sağlık tezinde risk grubu belirleme çalışmaları bu yönteme dayanır. yüksek lisans tez yazdırma ya da doktora tez yazdırma sürecinde segmentasyon temelli bir araştırma tasarlıyorsanız, kümeleme analizi metodoloji bölümünüzün merkezine oturabilir.

Kümeleme Analizinin Diğer Yöntemlerden Farkı Nedir?

Faktör analizi değişkenleri gruplarken, kümeleme analizi gözlemleri (katılımcıları) gruplar; bu ayrım sıklıkla karıştırılır. Ayrıca diskriminant analizi önceden bilinen grupları ayırt etmeye çalışırken, kümeleme analizi grupları veriden keşfeder; yani küme sayısı ve içeriği analiz öncesinde bilinmez, analiz sürecinde ortaya çıkar.

Kümeleme analizinde "doğru" küme sayısı yoktur; araştırmacının teorik çerçevesi ve istatistiksel kriterlerin birlikte değerlendirilmesiyle en yorumlanabilir çözüm seçilir.

Hiyerarşik Kümeleme Analizi Nasıl Uygulanır?

Küçük ve orta büyüklükteki örneklemlerde (genellikle 200-250 gözlemin altında) en sık tercih edilen yöntem hiyerarşik kümeleme analizidir.

Hiyerarşik Kümeleme Analizi Nedir?

Hiyerarşik kümeleme, gözlemleri adım adım birleştirerek (agglomerative) ya da büyük bir kümeyi adım adım bölerek (divisive) ağaç benzeri bir yapı oluşturur. Uygulamada en yaygın kullanılan yaklaşım, her gözlemin ayrı bir küme olarak başladığı ve en benzer kümelerin kademeli biçimde birleştirildiği agglomeratif (birleştirici) yöntemdir.

Dendrogram Nasıl Yorumlanır?

Dendrogram, hiyerarşik kümeleme sürecinin görsel çıktısıdır ve gözlemlerin hangi aşamada hangi kümeyle birleştiğini dallanan bir ağaç şeması üzerinde gösterir. Dendrogramı yorumlarken dikey eksendeki birleşme mesafesi (uzaklık katsayısı) dikkate alınır; büyük bir sıçramanın gözlendiği nokta, genellikle en uygun küme sayısını işaret eder. Bu sıçrama noktasından sonraki dikey çizgi sayısı, tez metninde önerilecek küme sayısına karşılık gelir.

Hangi Uzaklık Ölçütü ve Bağlantı Yöntemi Kullanılmalı?

Hiyerarşik kümelemede en sık tercih edilen uzaklık ölçütü Öklid uzaklığı (Euclidean distance), bağlantı yöntemi ise Ward yöntemidir; çünkü Ward yöntemi küme içi varyansı minimize ederek daha dengeli ve yorumlanabilir kümeler üretir. SPSS'te bu ayarlar Analyze > Classify > Hierarchical Cluster menüsünde "Method" sekmesinden yapılandırılır.

K-Means Kümeleme Analizi SPSS'te Nasıl Yapılır?

Örneklem büyüklüğü arttıkça (250 gözlemin üzeri) hiyerarşik kümeleme hesaplama açısından yavaşlar; bu noktada K-means kümeleme analizi daha pratik bir alternatif sunar.

K-Means Kümeleme Analizi Nedir?

K-means, araştırmacının önceden belirlediği K sayıda küme merkezi (centroid) etrafında gözlemleri yinelemeli biçimde atayan, her adımda küme merkezlerini güncelleyen bir yöntemdir. İşlem, küme içi kareler toplamı (within-cluster sum of squares) en aza inene kadar tekrarlanır ve sonuçta her gözlem yalnızca bir kümeye atanır.

Analize başlamadan önce değişkenlerin ölçüm birimlerinin farklı olup olmadığı kontrol edilmelidir; çünkü hem hiyerarşik kümeleme hem de K-means, uzaklık hesaplamasına dayandığı için ölçek büyüklüğü daha geniş olan bir değişken (örneğin 0-100 puanlık bir ölçek), 1-5 aralığındaki bir Likert değişkenine göre analizi haksız biçimde domine edebilir. Bu sorunu önlemek için değişkenler analiz öncesinde Z puanına (standart puan) dönüştürülmeli; SPSS'te bu işlem Analyze > Descriptive Statistics > Descriptives menüsünden "Save standardized values as variables" kutusu işaretlenerek yapılabilir.

Küme Sayısı (K) Nasıl Belirlenir?

Küme sayısını belirlemenin birkaç yolu vardır:

1. Önce hiyerarşik kümeleme ile dendrogram incelenip yaklaşık küme sayısı tahmin edilir
2. Dirsek (elbow) grafiğinde küme içi kareler toplamının belirgin biçimde yavaşladığı nokta seçilir
3. Araştırmanın teorik çerçevesi (örneğin literatürde önerilen 3-4 segmentlik bir yapı) referans alınır
4. Farklı K değerleri (3, 4, 5) denenip hangisinin en anlamlı ve yorumlanabilir profilleri verdiğine bakılır

SPSS'te K-Means Analizi Adımları Nelerdir?

1. Analyze > Classify > K-Means Cluster menüsüne girin.
2. Kümeleme yapılacak sürekli değişkenleri "Variables" kutusuna taşıyın.
3. "Number of Clusters" alanına belirlediğiniz K değerini yazın.
4. "Iterate" sekmesinden maksimum yineleme sayısını (varsayılan 10) kontrol edin.
5. "Save" sekmesinden her gözlemin hangi kümeye atandığı bilgisini yeni bir değişken olarak kaydedin.
6. "OK" ile analizi çalıştırın ve "Final Cluster Centers" tablosunu inceleyin.

Kümeleme Analizi Sonuçları Nasıl Yorumlanır ve Raporlanır?

Kümeleri oluşturmak sürecin yalnızca ilk yarısıdır; her kümenin anlamlı bir profille tanımlanması ve istatistiksel olarak doğrulanması bulgular bölümünün güvenilirliğini belirler.

Küme Profilleri Nasıl Tanımlanır?

"Final Cluster Centers" tablosundaki değişken ortalamaları incelenerek her kümeye betimleyici bir isim (örneğin "fiyat odaklı tüketiciler", "marka sadık tüketiciler") verilir. Bu isimlendirme keyfi değil, değişkenlerin küme bazındaki ortalama değerlerine dayanmalı ve literatürdeki benzer sınıflandırmalarla ilişkilendirilmelidir.

Profil isimlendirmesi tamamlandıktan sonra her kümenin örneklem içindeki büyüklüğü ("Number of Cases in each Cluster" tablosu) de mutlaka raporlanmalıdır; çok küçük kalan bir küme (örneğin toplam örneklemin %5'inden azı), istatistiksel olarak anlamlı olsa bile pratik açıdan yorumlanabilir bir segment sayılmayabilir. Bu durumda araştırmacı ya küme sayısını azaltarak analizi tekrarlamalı ya da küçük kümeyi "aykırı profil" olarak ayrıca tartışmalıdır.

ANOVA ile Küme Doğrulaması Nasıl Yapılır?

K-means analizinin çıktısında yer alan tek yönlü ANOVA tablosu, hangi değişkenlerin kümeleri birbirinden en fazla ayırdığını gösterir. F değeri yüksek ve p değeri 0.05'in altında olan değişkenler, kümeleme sürecinde en belirleyici rolü oynayan değişkenlerdir; bu değişkenler tez metninde kümelerin ayrışma gerekçesi olarak öne çıkarılmalıdır.

Tabloda Hangi Değerler Yer Almalı?

Aşağıdaki tablo, hiyerarşik kümeleme ile K-means kümeleme analizini temel özellikleri açısından karşılaştırmaktadır:

Tez Sürecinde Kümeleme Analizi İçin Destek Nasıl Alınır?

Kümeleme analizi, doğru uygulandığında tezin özgünlük değerini artıran görece az kullanılan bir yöntemdir; ancak yanlış küme sayısı seçimi ya da eksik doğrulama, bulguların jüri tarafından sorgulanmasına yol açabilir.

Hangi Aşamada Destek Almak Gerekir?

Segmentasyona dayalı bir araştırma tasarlıyorsanız, veri toplama formunu oluşturmadan önce hangi değişkenlerin kümeleme değişkeni olarak kullanılacağına karar vermek kritik önem taşır; çünkü analiz sonrasında yeni bir değişken eklemek, tüm veri toplama sürecinin tekrarlanmasını gerektirebilir. Lisans öğrencileri için lisans tez yazdırma desteği, bitirme çalışmasını segmentasyon üzerine kurgulayanlar için bitirme ödevi yapma hizmeti, analiz stratejisinin baştan doğru planlanmasına yardımcı olur. Bulgular netleştikten sonra sonuçları jüri karşısında sunarken tez savunma sunumu hazırlama desteğinden faydalanmak, küme profillerinin görsel biçimde etkili aktarılmasını kolaylaştırır. Doktora düzeyinde çok değişkenli bir segmentasyon modeli kurgulayan araştırmacılar için ise doktora tez yazdırma sürecinde metodoloji bölümünün baştan sağlam kurgulanması, sonradan analiz değiştirme zorunluluğunun önüne geçer.

Sık Yapılan Hatalar Nelerdir?

Kümeleme analizinde araştırmacıların en sık düştüğü hatalar şunlardır:

• Değişkenleri standartlaştırmadan (Z puanına çevirmeden) analiz çalıştırmak
• Küme sayısını gerekçesiz biçimde, sadece "yuvarlak sayı" olduğu için seçmek
• Kümeleri oluşturduktan sonra ANOVA ile doğrulama yapmadan sonuçları sunmak
• Kategorik ve sürekli değişkenleri aynı analizde uygun ölçüt seçmeden birlikte kullanmak
• Küme profillerini isimlendirirken literatürle ilişkilendirmeyi atlamak

Bu hatalardan kaçınmak, kümeleme analizinin tez savunmasında güçlü bir bulgu olarak değil, sorgulanan bir zayıflık olarak öne çıkmasını engeller.

Sonuç olarak kümeleme analizi, örneklem içindeki doğal grupları ortaya çıkararak tezinize hem metodolojik derinlik hem de görsel zenginlik kazandıran değerli bir araçtır. Hiyerarşik kümeleme ile K-means arasında doğru seçimi yapmak, küme sayısını savunulabilir gerekçelerle belirlemek ve sonuçları ANOVA ile doğrulamak, bu yöntemi tez bulgularınızın en özgün bölümlerinden birine dönüştürür. Kendi verinizle hangi kümeleme yönteminin ve kaç kümenin uygun olduğuna karar veremediğiniz noktalarda, WhatsApp üzerinden bize yazarak analiz sürecinizle ilgili sorularınızı hızlıca sorabilir, tezinizin bu aşamasını daha az stresli hâle getirebilirsiniz.