1.2Аналитические методы сегментировании рынка

Большинство мультивариантных аналитических техник можно использовать и возможно они были использованы каким либо образом, чтобы получить “постхок” сегменты рынка. Нет идеальной методологии которая бы работала со всеми изученьями сегментации. У каждой методологии есть свои преимущества и недостатки. Изучения сегментации в основном требуют использования двух или болдее методологий, для получения лучших результатов. Почти в каждом случае, необходимо попробовать множество техник для достижения “лучшего” результата. Есть 3 категории аналитических техник применяемых для сегментации рынка: подготовка данных, анализ данных, и классификация. Большинство обычных техник для каждой категории следующие:

Подготовка данных: Факторный анализ, анализ корреспонденции, конджойнт-анализ.

Анализ данных: кластерный анализ, хи-квадрат, автоматические алгоритмы классификации (CHAID) или деревья классификации и регрессионный анализ (CART), нейронные сети, структурные модели латентного класса и др.

Классификация: дискриминантный анализ, множественная регрессия, логит, многомерное шкалирование и др . Каждая из перечисленных аналитических техник, так же как и другие, не упомянутые, техники может быть применена к данным опроса для получения сегментов рынка. Ниже, мы бегло опишем как они часто используются в изучении сегментации.

1.3Подготовка данных

Несколько техник может быть использовано для проведения этой части процесса сегментации. Факторный анализ может уменьшить количество переменных до проще используемого, в это время к тому же убирая корелляции между всеми переменными. Координаты полученные при помощи анализа корреспонденции, когда перечитываются на уровне индивидуумов или групп, могут быть кластеризованы для получения сегментов рынка. Кроме того, анализ корреспонденции может быть использован для переведения номинальных данных(таких как ответы да\нет) в метрические шкалы. Приложения из конджойнт анализа могут использоваться в сегментации из-за того, что они воспроизводят относительную ценность места индивидуума по всем ключевым атрибутам которые определяют продукт или услугу. По факту, приложения конджойнта воплощают наиболее эффективные базисные переменные, поскольку они получаются из предпочтений респондентов между вариантами продукта или из выбора настоящих предпочитаемых продуктов.

3.7. Анализ Данных

3.7.1. Кластерный анализ

Кластерный анализ это наиболее часто используемый метод сегментации рынка. Внутренние определения процедур кластерного анализа изображают цели сегментации рынка: определить группы респондентов в манере минимизирующей различия между членами группы, в то же время максимизирующей различия между членами группы и теми кто к этой группе не принадлежит. Так или иначе, есть одно ключевое различие между кластеризованием и сегментацией респондентов – кластеры это группы респондентов с похожими ответами на ключевые вопросы, а сегменты это группы респондентов с похожим поведением при покупке и поиске продуктов на рынке.

Процедуры как иерархического так и итерационного кластерного анализа могут быть использованы для сегментирования рынка, но иерархические процедуры сложно провести если вы превышаете 100 или 200 респондентов опроса. Среди разных процедур итерационного кластерного анализа, наиболее часто используется метод К-средних. Кластерный анализ К-средних можно найти в большинстве популярных статистических программах(SAS, SPSS, BMDP, Statistica, SYSTAT).

Так как при расчете сегментации рынка я использовал метод кластерного анализа, то приведу его более строгое определение. Кластерный анализ - это совокупность методов, позволяющих классифицировать многомерные наблюдения, каждое из которых описывается неким набором переменных. Целью кластерного анализа является образование групп схожих между собой объектов, которые принято называть кластерами. Слова кластер английского происхождения (cluster), переводится как сгусток, пучок, группа. Родственные понятия, используемые в литературе, - класс, таксон, сгущение. В отличие от комбинационных группировок кластерный анализ приводит к разбиению на группы с учетом всех группировочных признаков одновременно.

3.7.2. CHAID и CART

CHAID и CART известны как “Методы Дерева Классификаций”. Эти методы делят респондентов в группы и затем делят каждую группу в подгруппы базирующиеся на отношениях между базовыми переменными сегментации и некоторой зависимой переменной. Обычно зависимая переменная это ключевой индикатор, такой как уровень использования, намерение покупки, и тд. Эти процедуры создают три диаграммы, начиная сверху, со всех респондентов вместе, и затем ветвящихся в 2 или более групп, на каждом новом уровне дерева. Субделения определяются обнаружением переменной опроса которая дает наибольшую разницу в зависимых переменных среди категорий индивидуальных или групповых ответов на эту переменную опроса.

CHAID это наиболее обычно используемых методов дерева классификаций, но он не может справиться с продолжительно зависящими переменными, так что иногда используется и CHAID и CART. и CHAID и CART способны обрабатывать неметрические и неординальные данные.

В отличие от кластерного анализа, методы дерева классификаций создают истинные сегменты деля респондентов. Как бы то ни было, эти сегменты базируются лишь на одной зависимой переменной. Другие методы, включая кластерный анализ, делят респондентов базируясь на десятках или даже сотнях элементов данных.