Аналіз потреб ринку макаронних виробів шляхом його сегментації

Вибір правильного  критерію сегментації в істотній мірі впливає на кінцеві результати комерційної діяльності. Далі за допомогою  обраних критеріїв здійснюється сам процес сегментації ринку.

Для кожного  виділеного за допомогою певного  критерію / критеріїв ринкового сегмента необхідно визначити профіль  реакції споживачів. Представники одного ринкового сегменту повинні подібним чином ставитися до продукту з  точки зору знайдених в ньому  достоїнств, подібним чином його застосовувати, однаковим чином реагувати на інструменти маркетингової діяльності (ціну, рекламу та ін.), демонструвати схожі поведінку і лояльність до продукту. Тільки в такому випадку з цих позицій сегментацію споживачів слід визнати вдалою.

Виявлення профілю  реакції споживачів зазвичай проводиться  шляхом проведення спеціальних досліджень.

Якщо виділені сегменти не задовольняють вимогам  однотипності реакції споживачів або  іншим вимогам, що пред'являються  до ринкових сегментах, то слід продовжити процес сегментації, використовуючи інші критерії. Таким чином, процес сегментації  носить ітеративний характер. Іноді  кажуть, що сегментація - це скоріше  мистецтво, ніж наука.

Необхідно мати на увазі, що ринкові сегменти змінюються в часі, створюючи нові можливості та ліквідуючи раніше існуючі. Нові знання та технології пропонують нові можливості. Пошук нових сегментів повинен  бути важливим напрямком діяльності маркетологів[9].

 

1.3 Факторний і кластерний аналізи у практиці прийняття обґрунтованих управлінських рішень

 

 

При аналізі  та прогнозуванні соціально-економічних  явищ дослідник досить часто стикається з багатомірністю їх опису. Це відбувається під час вирішення завдання сегментування  ринку, побудові типології країн  по досить великому числу показників, прогнозування кон'юнктури ринку  окремих товарів, вивченні та прогнозуванні  економічної депресії і багатьох інших проблем.

Методи багатовимірного  аналізу - найбільш дієвий кількісний інструмент дослідження соціально-економічних  процесів, описуваних більшим числом характеристик. До них відносяться  кластерний аналіз, таксономія, розпізнавання  образів, факторний аналіз.

Кластерний аналіз найбільш яскраво відображає риси багатовимірного аналізу в класифікації, факторний аналіз - у дослідженні зв'язку.

Велике достоїнство  кластерного аналізу в тому, що він дозволяє проводити розбиття об'єктів не по одному параметру, а по цілому набору ознак. Крім того, кластерний аналіз на відміну від більшості математико-статистичних методів не накладає ніяких обмежень на вигляд розглянутих об'єктів, і дозволяє розглядати безліч вихідних даних практично довільної природи. Це має велике значення, наприклад, для прогнозування кон'юнктури, коли показники мають різноманітний вигляд, що утруднює застосування традиційних економетричних підходів.

Кластерний аналіз дозволяє розглядати досить великий обсяг інформації і різко скорочувати, стискати великі масиви соціально-економічної інформації, робити їх компактними і наочними.

Важливе значення кластерний аналіз має стосовно до сукупностей часових рядів, що характеризують економічний розвиток (наприклад, загальногосподарської і товарної кон'юнктури). Тут можна виділяти періоди, коли значення відповідних показників були досить близькими, а також визначати групи часових рядів, динаміка яких найбільш схожа.

Кластерний аналіз можна використовувати циклічно. У цьому випадку дослідження проводиться до тих пір, поки не будуть досягнуті необхідні результати. При цьому кожен цикл тут може давати інформацію, яка здатна сильно змінити спрямованість і підходи подальшого застосування кластерного аналізу. Цей процес можна представити системою зі зворотним зв'язком.

Як і будь-який інший метод, кластерний аналіз має  певні недоліки і обмеження. Зокрема, склад і кількість кластерів залежить від обираних критеріїв розбиття. При зведенні вихідного масиву даних до більш компактному увазі можуть виникати певні викривлення, а також можуть губитися індивідуальні риси окремих об'єктів за рахунок заміни їх характеристиками узагальнених значень параметрів кластера. При проведенні класифікації об'єктів ігнорується дуже часто можливість відсутності в розглянутій сукупності будь-яких значень кластерів.

У кластерному аналізі вважається, що:

- обрані характеристики допускають у принципі бажане розбиття на кластери;

- одиниці виміру (масштаб) обрані правильно.

Вибір масштабу відіграє велику роль. Як правило, дані нормалізують вирахуванням середнього і діленням на стандартне відхилення, так що дисперсія виявляється  рівній одиниці.

Угруповання сукупності досліджуваних об'єктів  в певне число категорій (класів, груп) є завданням, розв'язуваної в  багатьох галузях науки, яка позначається загальним терміном «таксономія».

У загальному випадку проблема, яка потребує вирішення  методами класифікації може бути сформульована  таким чином:

─ задана сукупність об'єктів (спостережень), описувати  не-яким числом характеристик (властивостей);

─ слід згрупувати всі об'єкти в групи, в яких об'єкти наскільки це можливо однорідні (гомогенні) всередині, і наскільки  це можливо, відрізнялися один від одного (були гетерогенними);

─ однорідність і неоднорідність груп об'єктів вимірюється  за допомогою сукупності змінних, що описують властивості об'єктів.

Для вирішення  цієї проблеми в різний час було запропоновано велику кількість  методів, що мають різні назви. Французькі автори для характеристики цих методів  використовують термін «типологій» (typologie). В англомовній літературі для позначення аналогічних методів застосовують термін «кластерний аналіз» (cluster analysis, clustering). Крім того, в різних наукових дисциплінах для позначення цих методів використовують такі назви, як «Q-аналіз», «аналіз класифікації», «чисельна таксономія».

Незважаючи  на різні назви, ці методи володіють  однією загальною особливістю. Вона припускає, що кластерний аналіз дозволяє перегрупувати велика кількість  спочатку безсистемних даних в певну  кількість специфічних груп (категорій) і перевіряти гіпотези щодо структури  даних.

Кластерний аналіз здійснюється в кілька послідовних етапів:

─ процес групування даних;

─ перевірка  надійності отриманих результатів  та їх інтерпретація.

Якщо значення змінних вихідного масиву даних  з неоднорідною структурою представити  графічно у вигляді «хмари» з n точок у деякому просторі, то можна буде помітити зони з більшою  щільністю пікселів («згустки»), в яких точки знаходяться найбільш «близько» один до одного, і ділянки з малою щільністю точок, в яких точки розташовуються «далеко» один від одного. Такий вид вихідних даних говорить про наявність у них неоднорідної структури. Якщо ж точки в хмарі розподіляються з рівномірною щільністю, то це говорить про однорідність (гомогенності) даних. У цьому випадку застосування кластерного аналізу буде марною тратою часу, оскільки у вихідних даних відсутня будь помітна структура. Тому питання про гомогенності або гетерогенності даних має бути з'ясоване до початку кластерного аналізу.

З точки зору сприйняття людини поняття близькості між об'єктами сприймається більш-менш конкретно лише в просторі з двома  або трьома вимірами. Коли розмірність  аналізованого простору перевищує 3, то в більшості випадків поняття  близькості між об'єктами буде категорією інтуїтивною. Методи ж статистичного аналізу оперують з точно визначеними категоріями. З точки зору кластерного аналізу для характеристики близькості між об'єктами використовується поняття відстані (дистанції).

Відстань  являє собою категорію, що володіє  наступними фундаментальними властивостями:

─ відстань не може бути величиною негативною;

─ відстань між двома об'єктами дорівнює 0 в  тому випадку, якщо їх координати в  просторі збігаються;

─ рівність відстаней не залежить від напрямків, в яких вони вимірюються, тобто відстані завжди симетричні.

Класичним прикладом, відстані, що задовольняє цим умовам є евклідова відстань у 2-х вимірному  просторі. У двомірному просторі відстань між двома точками х і у  визначається наступним чином[15]:

 

(1.1)

 

де X1, Y1 - координати точки 1 відповідно на осях х і у;

X2, Y2 - координати  точки 2 відповідно на осях  х та у.

 

Це визначення відстані відповідає теоремі Піфагора.

Коли розмірність  простору > 2, позиції точок А і В (спостережень) будуть характеризуватися векторами в р-вимірному просторі.

Евклідова відстань є функцією від координат точок, адаптованою для випадку, коли координати вимірюються в системі двох ортогональних осей координат. З теоретичної точки зору такий випадок являє ¬ ся окремим випадком відстані Мінковського р-го порядку (для випадку розмірності простору р = 2), яке задається виразом[15]:

 

для р ≥ 1

(1.2)

 

Для того, щоб  розрахунок відстаней в р-вимірному просторі був коректний використовуються для вимірювання кожної з р змінних одиниці виміру повинні бути порівняні. Тобто виконання арифметичних дій зі значеннями різних змінних позбавлене сенсу. У цьому випадку необхідно привести змінні до «стандартизованого» увазі (з середнім значенням, рівним 0, і стандартним відхиленням, рівним 1).

На практиці, крім евклідовой відстані, застосовується ще один показник відстані, похідний від відстані Мінковського для випадку з розмірністю простору р = 1[15]:

 

(1.3)

 

Це відстань зазвичай позначається термінами «City-Block»  або «Manhattan». Такі назви породжені аналогією з відстанню яке долає пішохід чи автомобіль в американському місті, в якому всі вулиці перпендикулярні один одному і переміщення з точки А в точку В можливе тільки по перпендикулярних відрізках прямих. Цей показник відстані добре адаптований до змінних бінарного типу (приймаючим значення 0 або 1)[15].

При проведенні сегментування факторний аналіз використовується перш за все як метод  стиснення даних, тобто скорочення великої кількості змінних. Змінні, які можуть бути використані для  сегментування із застосуванням  кластерного аналізу, скорочуються до деякого основного набору складових змінних (факторів), які потім і використовуються при кластеризації. Необхідність такого скорочення пов'язана не тільки з бажанням дослідника «прискорити» процедуру кластерного аналізу, але і з деякими важливими міркуваннями:

- якщо в  кластерний аналіз включаються  кілька змінних, пов'язаних з  описом однакових або близьких  характеристик (наприклад, параметрів  товару), то ці характеристики  отримують набагато більшу вагу. Оскільки відстані обчислюються  виходячи з різниць між спостереженнями  по кожній змінної, то кілька  пов'язаних змінних нададуть більший  вплив на результати. Досить очевидною  ця ситуація стає при розгляді  гіпотетичного прикладу, коли в  кластерному аналізі беруть участь дві абсолютно ідентичні змінні. У цьому випадку дворазово посилюється вплив вимірюваної цими змінними характеристики на кінцевий результат. (Зрозуміло, на практиці в опитувальний лист рідко включаються абсолютно ідентичні питання, але близькість вимірюваних за допомогою різних питань характеристик цілком можлива);

- важливою  причиною використання факторного  аналізу перед проведенням кластеризації є чіткість і простота інтерпретації. Досліднику-маркетологу набагато простіше зрозуміти кластерне рішення, що грунтується на аналізі 5-6 факторів (якщо у них є осмислена інтерпретація), ніж рішення для 50-60 змінних.

Таким чином, за наявності великої кількості  кластерних змінних скорочення даних за допомогою методів факторного аналізу часто може передувати кластеризації. Дослідник повинен при цьому чітко уявляти, що факторний аналіз (далі ФА) відноситься до розвідницьким статистичними технікам і не може дати чітких і однозначних відповідей на всі запитання. Значною залишається роль дослідника при ухваленні рішення про кількість факторів і їх інтерпретації - воно багато в чому грунтується на знанні предметної області, попередньому досвіді та інтуїції.

Основні завдання при проведенні ФА - це визначення кількості  факторів та їх інтерпретація. Взагалі  для маркетолога інтерпретованість є одним з найбільш важливих критеріїв при прийнятті рішення про те, зберігати або видаляти фактор, хоча з точки зору математичної статистики і методу ФА немає ніякої необхідності в будь інтерпретації чинників. При підборі числа факторів користуються різними статистичними показниками - власними числами, частками пояснене дисперсії, але ці показники також не є абсолютно визначальними.

При вивченні та сегментації споживачів факторами  звичайно є деякі основні властивості  товару або поведінки споживачів, які виявляються за допомогою  ряду питань опитувального листа. При  проведенні ФА перш за все необхідно  проаналізувати кореляційну матрицю  змінних, призначених для кластеризації. Шукані фактори повинні бути лінійно пов'язані з змінними: