Современные подходы к сегментированию потребителей

        В рамках второго метода, именуемого «post hoc» (cluster based) подразумевается неопределенность признаков сегментирования и сущности самих сегментов. Исследователь предварительно выбирает ряд интерактивных по отношению к респонденту (метод подразумевает проведение опроса) переменных и далее в зависимости от высказанного отношения к определенной группе переменных, респонденты относятся к соответствующему сегменту. При этом карта интересов, выявленная в процессе последующего анализа, рассматривается как вторичная. Этот метод применяют при сегментировании потребительских рынков, сегментная структура которых не определена в отношении продаваемого продукта.

          В то же время существуют приемы сегментирования рынка на основе так называемой «продуктовой сегментации» или сегментации рынка по параметрам продукции. Она имеет особенно важное значение при выпуске и сбыте новых изделий. Особое значение приобретает сегментация по продукту, базирующаяся на изучении долгосрочных тенденций на рынке. Процесс разработки и производства нового изделия, завершения крупных инвестиционных программ требуют достаточно продолжительного периода, и правильность результатов анализа рынка, оценки его емкости здесь особенно важна. В условиях работы на традиционный рынок стандартной продукции расчет его емкости может быть осуществлен путем использования метода суммирования рынков. В современных условиях для повышения своей конкурентоспособности и правильного определения емкости рынка предприятию уже недостаточно проводить сегментацию рынка только в одном направлении - определение групп потребителей по каким-то признакам.

          В рамках интегрированного маркетинга необходима еще и сегментация самого изделия по наиболее важным для его продвижения на рынке параметрам. С этой целью используется метод составления функциональных карт - проведение своего рода двойной сегментации, по изделию и потребителю. Функциональные карты могут быть однофакторными (сегментация проводится по какому-то одному фактору и для однородной группы изделий) и многогофакторными (анализ того, для каких групп потребителей предназначена конкретная модель изделий и какие ее параметры наиболее важны для продвижения продукции на рынке). С помощью составления функциональных карт можно определить на какой сегмент рынка рассчитано данное изделие, какие его функциональные параметры соответствуют тем или иным запросам потребителей. Такой подход позволяет уже на стадии разработки увидеть, какие параметры изделия нуждаются в конструкторской доработке, или определить, есть ли достаточно емкий рынок для данной модели.

1.3. Кластерный анализ и самоорганизующиеся карты Кохонена.

         Когда перед аналитиком возникают задачи сегментирования рынка, ему необходимо определиться с технологией и методами построения сегментов. Выбор методики сегментирования представляет сложную задачу. Трудность выбора методики для решения конкретной задачи сегментирования обусловлена разнообразием известных подходов. В последние годы в теории сегментирования наметился переход от простых концептуальных моделей к статистическим методам. В таком ключе особое место стал занимать кластерный анализ. Термин кластерный анализ (впервые ввел Tryon, 1939) в

действительности включает в себя набор различных алгоритмов классификации. Техника кластеризации применяется в самых разнообразных областях. В общем, всякий раз, когда необходимо классифицировать «горы» информации к пригодным для дальнейшей обработки группам, кластерный анализ оказывается весьма полезным и эффективным.

        Кластеризация - это процесс разбиения множества объектов на кластеры. Кластер - это множество объектов, близких между собой по некоторой мере сходства [13].

         Существует множество технологий кластерного анализа, среди которых наиболее часто используются иерархический кластерный анализ и метод k- средних.

          В иерархических методах каждое наблюдение вначале образовывает свой отдельный кластер. На первом шаге два наиболее близких кластера объединяются в один, затем эта операция повторяется до тех пор, пока не останутся только два кластера.

          Расстояние между кластерами может определяться разными способами, например, как «Связь между группами»- среднее значение всех расстояний между всеми возможными парами точек из обоих кластеров.

          Хотя иерархические методы кластерного анализа точны, но они очень трудоемки: на каждом шаге алгоритма необходимо выстраивать дистанционную матрицу для всех текущих кластеров. Время расчета растет пропорционально третьей степени количества наблюдений, что при наличии нескольких тысяч наблюдений может вызвать затруднения даже  с применением современного компьютера.

        Поэтому при наличии большого количества наблюдений обычно применяют другой метод- k –средних. Недостаток этого метода заключается в том, что здесь необходимо заранее задавать количество кластеров, а при иерархическом анализе оно определяется в процессе анализа. Эту проблему можно преодолеть проведением иерархического анализа со случайно отобранной выборкой наблюдений и, таким образом, определить оптимальное количество кластеров. Метод k-средних - это итерационный метод кластеризации. Метод разбивает множество объектов на заданное аналитиком число кластеров. Объединение объектов в кластеры происходит на основе вычисляемой меры сходства. После первого назначения объектов кластерам (первой итерации) происходит повторное вычисление мер сходства и перенос объектов из одного кластера в другой. Итерационный процесс продолжается до тех пор, пока не будет получено наилучшее разбиение объектов на кластеры или достигнуто максимальное число итераций.  

        Таким образом, в результате кластерного анализа при помощи предварительно заданных переменных формируются группы наблюдений. А значит кластерный анализ в полной мере может быть использован в маркетинге для сегментирования потребителей.

           Существует следующая схема процесса сегментирования рынка при помощи кластерного анализа:

          1. Выбор признаков сегментирования. Для решения этой задачи могут использоваться экспертные оценки, например, «мозговой штурм», либо качественные маркетинговые исследования с проведением глубинного интервью или фокус-групп. На данном этапе необходимо сформировать максимально полный список признаков сегментирования, который должен включать в себя не менее 20-30 переменных, относящихся ко всем четырем группам признаков (географические, демографические, психографические и поведенческие). Эти переменные должны также максимально отражать специфику изучаемого товара и существующую ситуацию на рынке. Впоследствии большинство из этих переменных отсеиваются и не используются для определения конечного результата.

         2. Определение значений признаков сегментирования для потребителей товара. Для этого проводится количественное маркетинговое исследование с использованием различных методов опроса. Эффективное сегментирование рынка может быть проведено только на основе подробного «полевого» исследования. Для исследования разрабатывается анкета, в которую включаются вопросы, предполагающие получение информации, необходимой для определения значений выбранных признаков сегментирования.

       3. Перевод значений признаков в количественные шкалы. Использование кластерного анализа требует, чтобы все характеристики респондентов были количественные. Поэтому на данном этапе маркетолог осуществляет перевод порядковых и интервальных шкал вопросов в относительные. Чтобы избежать субъективности при этой процедуре, целесообразно использование экспертных оценок.

         4. Выделение сегментов при помощи кластерного анализа.

     5. Интерпретация и описание полученных кластеров. Проводится проверка соответствия кластеров признакам измеримости, значимости, стабильности, достижимости.

          6. Оценка привлекательности выделенных сегментов. На данном этапе могут применятся самые разные параметры, показывающие привлекательность потребителей для фирмы или конкурентоспособность фирмы на данном сегменте рынка. Потенциал сегментов должен использоваться не только на текущий момент времени, но и на будущую перспективу с учетом возможных изменений свойств этого сегмента. 

         Среди различных методик кластерного анализа можно выделить нетрадиционное направление - самоорганизующиеся карты Кохонена. Самоорганизующиеся карты - это одна из разновидностей нейросетевых алгоритмов [19]. Чаще всего, таблица кодовых векторов представляется в виде фрагмента квадратной решётки на плоскости, а мера близости определяется, исходя из евклидового расстояния на плоскости. Самоорганизующиеся карты Кохонена служат, в первую очередь, для визуализации и первоначального («разведывательного») анализа данных. Каждая точка данных отображается соответствующим кодовым вектором из решётки. Так получают представление данных на плоскости («карту данных»). На этой карте возможно отображение многих слоёв: количество данных, попадающих в узлы (то есть «плотность данных»), различные функции данных и так далее. При отображении этих слоёв полезен аппарат географических информационных систем (ГИС). В ГИС подложкой для изображения информационных слоев служит географическая карта. Карта данных является подложкой для произвольного по своей природе набора данных. Она служит заменой географической карте там, где ее просто не существует. Принципиальное отличие в следующем: на географической карте соседние объекты обладают близкими географическими координатами, на карте данных близкие объекты обладают близкими свойствами. С помощью карты данных можно визуализировать данные, одновременно нанося на подложку сопровождающую информацию (подписи, аннотации, атрибуты, информационные раскраски). Карта служит также информационной моделью данных. С её помощью можно заполнять пробелы в данных. Эта способность используется, например, для решения задач прогнозирования.

        Алгоритм функционирования самоорганизующихся карт (Self Organizing Maps-SOM) представляет собой один из вариантов кластеризации многомерных векторов. Примером таких алгоритмов может служить алгоритм k-ближайших средних (c-means). Важным отличием алгоритма SOM является то, что в нем все нейроны (узлы, центры классов) упорядочены в некоторую структуру (обычно двумерную сетку). При этом в ходе организации модифицируется не только нейрон-победитель, но и его соседи, но в меньшей степени. За счет этого SOM можно считать одним из методов проецирования многомерного пространства в пространство с более низкой размерностью. При использовании этого алгоритма векторы, схожие в исходном пространстве, оказываются рядом и на полученной карте.

         Так как алгоритм SOM сочетает в себе два основных направления - векторное квантование и проецирование, то можно найти и основные применения этого алгоритма. Данную методику можно использовать для поиска и анализа закономерностей в исходных данных. При этом, после того, как нейроны размещены на карте, полученная карта может быть отображена.

В обычных методах визуального представления каждое измерение (компонента) многомерного набора данных влияет на некоторый аспект визуализации, и затем результаты объединяются воедино. Эти методы можно использовать для визуального представления разного рода многомерных данных. Главным недостатком большинства методов является то, что они не позволяют сократить количество данных. Если набор данных велик, то изображение, содержащее все элементы этих данных, не будут наглядными.

       Функции SOM активно используются в маркетинге и бизнесе, в частности при решении задач сегментирования рынка. Так, например, с помощью SOM решается задача кластеризации клиентов и визуализации полученных групп.

         Кластерный анализ является наиболее оптимальным методом для сегментирования потребителей рынков. В первую очередь это вызвано следующими причинами:

1. Метод кластерного анализа позволяет использовать гораздо большее количество признаков для сегментирования, что положительно сказывается на надежности и достоверности полученных результатов.

2. В отличие от других методов при кластерном анализе выделяется несколько сегментов (а не один наиболее привлекательный), и только после этого определяется их привлекательность.

3. Метод кластерного анализа рассматривает все переменные одновременно, что исключает вероятность потери случаев (индивидов), когда переменные, по которым проводится выделение, вступают между собой в определенное взаимодействие.

         К современным методам также относятся гибкое сегментирование и компонентный анализ.

          Гибкое сегментирование является динамической процедурой, которая предлагает гибкость в построении сегментов, базируясь на анализе потребительских предпочтений по отношению к предлагаемым альтернативам исполнения продукта, компьютерном моделировании выбора потребителя. В основе гибкого сегментирования лежит процедура совместного анализа (conjoint analysis). К достоинству данного метода можно отнести то, что он позволяет достаточно точно выйти на группы потребителей при выводе нового товара на рынок. Недостатками же является относительная дороговизна, достаточно сложная процедура реализации, возможные погрешности на уровне разработчиков при выборе атрибутов тестируемых товаров, что сильно влияет на точность результатов. Кроме того, данный метод не учитывает различий в мотивах потребителей, динамическую связь между нуждами, потребностями, желаниями потребителей и элементами комплекса маркетинга, которыми они мотивируются, а сосредотачивает свое внимание лишь на последних.

          Компонентный анализ также основан на сложных методах статистического анализа и требует больших вычислительных ресурсов. Данный метод предложен П.Грином и отличается от других методов сегментирования тем, что он пытается определить, какой тип потребителей наиболее соответствовал бы определенным характеристикам товара. Этот метод имеет много общего с гибким сегментированием.

          Таким образом, основополагающей предпосылкой сегментирования рынка является следующее: не все покупатели обладают потребностями в одном и том же товаре или услуге. Редко когда удается применить единую маркетинговую или сбытовую программу для всех потенциальных покупателей. Сегментирование рынка позволяет найти баланс между неоднородностью покупателей с одной стороны и ограниченностью ресурсов поставщиков - с другой. Это возможно благодаря тому, что покупатели, обладающие в целом схожими запросами и покупательским поведением относительно продуктов или марок, могут быть объединены, или сгруппированы, в один рыночный сегмент.

2. Современные подходы к сегментированию потребителей на примере деятельности ООО «Жилстрой».

2.1. Характеристика предприятия и основные показатели коммерческой деятельности ООО «Жилстрой».

         ООО «Жилстрой» - крупная многопрофильная, вертикально интегрированная компания, осуществляющая проектирование, строительство и производство строительных материалов (бетон, МПК, ЖБИ). Компания обладает мощной производственной, крановой и транспортной базами, территориями и площадями, заводом по производству железобетонных конструкций, бетона и раствора. Численность работников насчитывает более тысячи человек.