3.7.3. Нейронные сети

Искусственные Нейро-Сети, или ANN, предлагают другое средство для сегментации респондентов. Архитектура Кохоненна это самоорганизующаяся ANN, которая может быть использована для сегментации. Она названа самоорганизующейся, поскольку, как и в кластерном анализе, в модели нет установленных зависимых переменных. ANN пытается сгруппировать респондентов базируясь на их похожих элементах. Она отличается от кластерного анализа своей способностью игнорировать “шумные” данные. Атипичные индивидуумы имеют меньше влияния на расчет сегментации и каждая успешная итерация делает все меньшие изменения весу в сети, так что расчеты быстро стабилизируются игнорируя нечастые характеристики респондентов. Чем больше вариация или неуверенность в ответах респондентов, тем лучше по сравнению с кластерным анализом работает ANN.

3.7.4. Структуры латентных классов

Анализ латентных классов часто описывается как ”факторный анализ для категорийных переменных”. Он используется для нахождения скрытых конструкций внутри множества переменных. Однако, анализ латентных классов тоже может быть использован для кластеризации категорийных переменных в сегменты базирующиеся на ответах широкого поля категорийных переменных. Латентные классы пытаются найти скрытые конструкции которые мотивируют людей на покупку определенного продукта или их желание определенных особенностей в продукте.

3.8. Классификационные алгоритмы

Есть несколько классификационных алгоритмов или аналитических методов, которые можно применить к сегментации рынка. Дискриминантный анализ может быть использован для классификации респондентов в предопределенные сегменты, базирующиеся на описательных переменных, таких как данные ценза. Схема сегментации определяет какие респонденты принадлежат к каждому сегменту рынка. Программа классификации или измерения затем создает средние потенциальных идентификационных членов каждого сегмента базирующееся на ограниченной информации(обычно данных которые могут быть получены из вторичных источников). Когда ограниченный набор информации может быть использован для точного предсказания к какому сегменту маркетинга принадлежит каждый индивидуум, вы получили удачный алгоритм классификации. Множественная регрессия и мультиноминальный логит могут быть использованы в той же манере для получения схем классификации для вашего сегмента рынка.

3.9. Количество сегментов

К несчастью, нет определенного ответа. Опыт, интуиция, статистические результаты и здравый смысл, все это нужно применять для того, чтобы решить сколько сегментов выделить. Если у вас слишком маленькие сегменты, вам может быть нужным изменить критерии сегментации или убрать некоторых респондентов как ”выброс”. Слишком большое количество сегментов может привести к разработке множества разных маркетинговых программ для маленьких, очень маленьких рынков.

Вот несколько основных правил для сегментации:

• Достаточно большие. Основная часть сегментов должна быть достаточно большой чтобы было экономически осмысленным нацеливать на нее маркетинг и разработку продукта.

• Уместны. Сегменты должны быть подходящими для продукта/услуги вашей компании.

• Достижимые. Сегменты должны быть достижимы при помощи одной или нескольких смешанных маркетинговых переменных(цена, промоушен, особенности или распространение).

• Различные. Должны быть четко определены различия между сегментами рынка чтобы сделать некоторые сегменты предпочтительнее других. Если много сегментов хотят в основном одинаковые особенности и намеренны покупать с одинаковой частотой и на одинаковом уровне, тогда эти сегменты не демонстрируют значимых различий.