11.2.3. Анализ данных

Как только будут получены данные о том, по какому признаку выделять сегменты, их необходимо проанализировать, чтобы установить любые группы, или кластеры, существующие естественным образом. Методы, используемые для определения таких групп, носят родовое название "гнез­дового анализа" (см. Saunders, 1999).

Необходимо понимать, что гнездовой анализ - не единый аналитичес­кий метод, а целый класс методов, которые, имея одну цель - выявить классы, однородные по внутреннему составу, но различные между собой, -используют для этого разные методы. Такое многообразие подходов с практической точки зрения и открывает возможности, и создает пробле­мы. Это означает, что подход можно привести в соответствие с конкрет­ными задачами анализа, но при этом необходимо иметь техническую квалификацию для того, чтобы выбрать и применить наиболее подходя­щий метод. Неудивительно, что по результатам наблюдений гнездовой анализ используется относительно редко и малопонятен для практичес­ких специалистов из области маркетинга, но находит более широкое при­менение среди компаний, специализирующихся на рыночных исследова­ниях. В недавней серии обследований Хасси и Хулей (Hussey and Hooley, 1995) установили, что среди лучших европейских компаний лишь одна из семи (15 процентов) сообщила о регулярном использовании гнездово­го анализа при проведении своих маркетинговых исследований. Тогда как среди профессиональных компаний, специализирующихся в области маркетинговых исследований, показатель использования поднялся до трех из пяти (60 процентов). Шире всего методы используются в Нидерлан­дах (73 процента), Франции (68 процентов) и Германии (67 процентов), но в меньшей степени - в Испании (47 процентов) и Соединенном Коро­левстве (52 процента).

Наиболее распространенный подход к группировке потребителей ме­тодом гнездового анализа называется иерархическим гнездовым делени­ем. В рамках данного подхода каждый респондент изначально рассмат­ривается отдельно. Затем каждого респондента объединяют с другими, которые дали аналогичные или очень похожие ответы на вопросы, по которым проводится деление. На следующем этапе происходит дальней­шее объединение групп респондентов, имеющих незначительные разли­чия между собой. Анализ продолжается в интерактивной форме до тех пор, пока все респонденты не будут объединены в одну большую группу -кластер. Затем исследователь проводит анализ в обратном порядке, ис­пользуя суждения и наработанную статистику, чтобы установить, в ка­кой момент анализа группы, имеющие несовместимые различия, были объединены в одну.

Однако даже при иерархическом гнездовом делении существует великое множество способов оценки сходства респондентов и работы с груп­пами респондентов. Группирование можно проводить, например, на ос­новании сравнения средних показателей по группам, ближайших сосе­дей в двух группах или дальних соседей в каждой группе. Основные альтернативные методы обобщены в табл. 11.1.

Источник: по материалам Панджа и Стюарта (Punj and Stewart, 1983)

Сравнительные исследования четко показывают, что для маркетинговых приложений особенно удачно подходят метод Уорда (Ward, 1963), кото­рый представляет собой один из методов минимального расхождения, как показано в табл. 11.1, и подход К средних из группы методов инте­рактивного деления. На самом деле исследователю не нужно выбирать между ними, поскольку их можно использовать совместно. При этом метод Уорда будет использован для определения исходного количества кластеров, допустим, семи, а подход К средних - для уточнения решения о делении на семь кластеров путем перемещения наблюдаемых групп.

При желании после того, как будет найдено самое оптимальное решение о делении на семь кластеров, можно вновь обратиться к методу Уорда и с его помощью найти решение о делении на шесть кластеров, которое затем вновь оптимизировать с помощью К средних и т.д. Такой подход может показаться громоздким с точки зрения вычислений, но, к счастью, созданы программы, позволяющие применять данный процесс. Основ­ным программным пакетом является ПК-версия одного их популярных пакетов SPSS, на время написания - в версии 11. Поэтому придя к пони­манию, что метод Уорда в сочетании с методом К средних является наи­более подходящим способом выделения сегментов, основанных на клас­терах, исследователь избавляется от необходимости перебирать много­численные альтернативы кластеров и может выбирать среди существую­щих программ деления на кластеры.

Рис. 11.2. Разделение объектов на группы в двумерном пространстве

Несмотря на наличие множества рекомендаций о том, какой из методов лучше применить, определение наиболее оптимального количества сег­ментов, которые предстоит выбрать на основе анализа, основывается на суждении. Наработанная статистика послужит руководством к оп­ределению того, в каком месте укрупнение привело к объединению двух совершенно не сходных между собой групп. Внутренняя однород­ность группы будет нарушена. Это отправная точка, и в некоторых случаях, когда сегментация прорисовывается ясно, она будет наилуч­шим выбором. На рис. 11.2 представлен пример, в котором есть три достаточно четко определенных сегмента на основе двух исследованных измерений. В дан­ном случае "визуальный контроль" графика положений каждого объекта (в исследованиях из области сегментации объектами обычно выступают отдельные респонденты) показывает, что в каждом из двух измерений три кластера объектов имеют подобное, но не идентичное пространствен­ное распределение объектов.

Однако в большинстве случаев предполагается несколько измерений, в которых будет происходить деление на группы, и несколько вариантов решений, возможно, предполагающих наличие от трех до десяти групп. После сужения на основе изучения статистических данных аналитик должен проверить результаты каждого решения для маркетинга, задав себе вопрос: "Если я буду рассматривать эти две группы по отдельности, а не вместе, изменит ли это что-нибудь в том, как я буду проводить для них маркетинг?". При ответе "мало что изменится" группы, как правило, следует объединять. Это творческий элемент сегментации, в котором суждение имеет решающее значение!

И, наконец, необходимо отметить, что базы данных образа жизни и геодемографических характеристик полагаются на некоторую форму гнез­дового анализа в группировании подобных клиентов. Например, резуль­таты, полученные для Классификации жилых районов ACORN или MOSAIC, основываются на суждении о том, сколько групп необходимо для адекватного представления всего населения, как и специально разра­ботанных методов.

После того как сегменты будут установлены и описаны по другим критериям, необходимо их подтвердить.