Методы сегментационного анализа

После формирования признаков, по которым будут выделяться рыночные сегменты, необходимо выбрать метод сегментации или способ классификации потребителей.

Существует два принципиальных подхода к маркетинговому сегментированию. В рамках первого метода, именуемого «a priory», предварительно известны принципы сегментации, численность сегментов, их количество, их описание, карта интересов, то есть сегментные группы уже сформированы. В рамках второго метода, именуемого «post hoc (cluster-based)», исследователь предварительно выбирает ряд интерактивных по отношению к респонденту переменных и далее в зависимости от высказанного отношения к определенной группе переменных респонденты соотносятся к соответствующей группе. При этом карта интересов, выявленная в процессе последующего анализа, рассматривается как вторичная и анализируется во втором плане анализа. Багиев Г. Л., Алексеев А. А. Вопросы сегментирования потребителей. — www.marketing.spb.ru12.htm.

В качестве более сложного алгоритма сегментационного выбора в некоторых случаях используется «ступенчатый» метод, который рассматривает реальное соотношение между массивом торговых марок и массивом покупателей.

Вся система сбора маркетинговой информации о потребителях базируется на теории статистического наблюдения и теории выборки. Сегментация рынка основывается на теории группировок и статистических методов выявления различных взаимосвязей.

Наиболее распространенными примерами использования классификационного анализа в маркетинговых исследованиях являются:

• § логистическая регрессия и дискриминантный анализ (сегментирование респондентов по заранее известным целевым группам)
• § факторный и кластерный анализ (сегментирование респондентов по заранее неизвестным целевым группам);

Логистическая регрессия и дискриминантный анализ применяются в том случае, когда необходимо классифицировать (сегментировать) респондентов по целевым группам, которые, в свою очередь, представлены уровнями (вариантами ответа) одной одновариантной переменной. Таганов Д. Н. SPSS: Статистический анализ в маркетинговых исследованиях. — СПб.: Питер, 2005. — С. 131.

Примером задачи, решаемой при помощи этих статистических методов, может служить задача классифицировать предприятия-потребители по двум группам — покупающие и не покупающие станки определенного типа — на основании их демографических характеристик (отрасль, численность персонала, местонахождение т. п.). Как вы видите, в процедурах логистической регрессии и дискриминантного анализа присутствуют переменные — признаки сегментирования и одна переменная, кодирующая целевые группы, на которые следует разделить респондентов на основании факторов сегментирования.

Цель статистического анализа при применении методов логистической регрессии — определить вероятность того, что тот или иной респондент (на основании определенных характеристик) попадет в ту или иную целевую группу. На практике описываемые методы, согласно значениям одной или нескольких независимых переменных (факторов), позволяют классифицировать респондентов по двум (бинарная) или более (мультиномиальная) группам, которые выражаются уровнями (вариантами ответа) какой-либо одной переменной.

Рассмотрим два основных типа логистической регрессии — бинарную и мультиномиальную. Например, имеются ответы респондентов на вопрос «Интересно ли Вам предложение о покупке станков с ЧПУ?» с вариантами ответа «Да» и «Нет». Требуется выяснить, какие факторы в наибольшей степени определяют решение потенциальных покупателей о приобретении станков данного типа. Для этого респондентам задается ряд вопросов с просьбой указать, какие дополнительные услуги им необходимы, какой размер предоплаты является оптимальным, заинтересованы ли они в покупке оборудования в кредит и т. п. Используя в данном случае метод бинарной логистической регрессии, можно классифицировать всех респондентов по двум целевым группам: заинтересованные в покупке данного вида станков (потенциальные покупатели) и не заинтересованные. Также для каждого респондента в выборке будет рассчитана вероятность попадания в ту или иную группу.

Различие между рассматриваемыми двумя методами логистической регрессии заключаются в количестве категорий и типе зависимой переменной, а также типе независимых переменных. Так, в случае бинарной логистической регрессии исследуется зависимость дихотомической переменной от одной или нескольких независимых переменных, имеющих любой тип шкалы. Мультиномиальная логистическая регрессия является разновидностью бинарной, в которой зависимая переменная имеет более двух категорий. Независимые переменные должны относиться либо к номинальной, либо к порядковой шкале.

Порядковая логистическая регрессия используется в том случае, когда зависимая переменная относится к порядковой шкале. Причем независимые переменные должны быть либо номинальными, либо порядковыми.

Дискриминантный анализ является более универсальной статистической процедурой по сравнению с рассмотренными выше методами логистической регрессии. Основным результатом проведения дискриминантного анализа являются (также как для логистической регрессии) рассчитанные вероятности попадания каждого респондента в ту или иную группу, а также переменная, кодирующая принадлежность их к данным группам. Наряду с этой информацией по результатам дискриминантного анализа можно составить уравнение дискриминантной функции.

Необходимо отметить, что спектр возможностей применения логистической регрессии уже, чем для дискриминантного анализа, поэтому использование дискриминантного анализа в качестве универсального метода предпочтительнее. Более того, рекомендуется всегда начинать классификационное исследование именно с дискриминантного анализа, а не с логистической регрессии, и применять последнюю в случае неуверенности в результатах дискриминантного анализа. Это связано, в частности, с тем, что при применении методов логистической регрессии следует четко представлять, какой тип имеют зависимая и независимые переменные, и, исходя из этого, выбирать одну из трех возможных процедур логистической регрессии: бинарную, мультиномиальную или порядковую. При дискриминантном анализе мы всегда имеем дело только с одной статистической процедурой, в которой принимают участие одна категориальная зависимая переменная и несколько независимых переменных с любым типом шкалы.

Кластерный и факторный анализы преследуют ту же цель, что и рассмотренные в предыдущем разделе методы логистической регрессии и дискриминантного анализа: классифицировать переменные и/или категории респондентов по однородным группам (сегментам, кластерам). Однако между этими методами существует одно серьезное различие. При дискриминантном анализе и логистической регрессии у нас заранее есть некая зависимая (результирующая) переменная с двумя или более вариантами ответа (уровнями, категориями). Задача анализа в данном случае состоит в классификации имеющихся категорий респондентов по этим уровням результирующей переменной. Эти два статистических метода позволяют сегментировать выборку на заранее известные целевые группы. При кластерном и факторном анализе ситуация иная: кластеры (сегменты, категории), на которые следует разделить выборку, заранее не известны. Задачей статистического анализа в данном случае будет не только формирование максимально однородных сегментов, но и выделение кластеров, по которым будет производиться сегментирование.

Факторный анализ позволяет разделить массив переменных на малое число групп; которые называются факторами. Классификация производится на основании критерия корреляции между переменными. В один фактор объединяются несколько переменных, тесно коррелирующих между собой и не коррелирующих или слабо коррелирующих с другими переменными, составляющими другие факторы. Таким образом, в результате факторного анализа мы получаем из несистематизированного массива данных несколько макропеременных, описывающих различные характеристики продукта компании (или другого исследуемого объекта).

Основная сложность при проведении факторного анализа заключается в необходимости рационально интерпретировать полученные макрокатегории с точки зрения здравого смысла (применительно к целям и специфике конкретного исследования). Данная проблема не имеет универсального решения и подлежит отдельному анализу в каждом конкретном случае. Именно сложность интерпретации результатов является существенным ограничением рассматриваемой статистической методики, так как из-за невозможности логического описания полученных категорий иногда приходится вообще отказаться от ее использования. Таганов Д. Н. SPSS: Статистический анализ в маркетинговых исследованиях. — СПб.: Питер, 2005. — С. 152.

Еще одним ограничением применения факторного анализа является ситуация, когда одна и та же переменная относится сразу к двум или более факторам, то есть переменную нельзя однозначно классифицировать. В таком случае следует либо отказаться от использования факторного анализа и попытаться применить другие статистические методики (например, кластерный анализ), либо заново пересчитать факторную модель без данной переменной, а затем вручную отнести неоднозначную переменную к тому или иному фактору на основании логических соображений.

Ниже приведен пример использования факторного анализа при сегментировании рынка.

Факторный анализ применяется для выявления агрегатных переменных, являющихся основанием для сегментирования потребителей. Например, потребители станков ЧПУ могут характеризоваться различной степенью значимости, которую они видят в исследуемых характеристиках данного продукта (респондентов просят оценить по пятибалльной шкале важность нескольких характеристик станков: цена, эксплуатационные характеристики, надежность). Здесь факторный анализ позволит выявить целевые сегменты потребителей на основании значимости для них различных групп факторов:

покупатели, ориентирующиеся при выборе станков преимущественно на ценовые факторы (стоимость, скидки);

покупатели, ориентирующиеся на качество исследуемого товара (надежность, высокая производительность и т. п.);

Кластерный анализ является аналогом факторного анализа в том смысле, что он так же, как и факторный анализ, позволяет выделить факторы (кластеры), объединяющие статистически схожие переменные. Однако в данном случае переменные классифицируются не на основании степени тесноты корреляционной связи, а на основании более сложных статистических процедур (наиболее часто используется метод исследования расстояний между переменными в кластерах).

Грамотное использование кластерного анализа позволяет сформировать классификационные группировки, которые обладают высокой внутренней однородностью (внутри кластера) и большой внешней разнородностью (между кластерами).

Несмотря на имеющуюся возможность классифицировать переменные кластерный анализ чаще всего применяется для кластеризации групп респондентов (то есть уровней или категорий переменных). Данная возможность позволяет, например, провести пробное (при неизвестных целевых группах) сегментирование целевых покупателей какого-либо продукта. Сформированные в результате кластерного анализа целевые группы респондентов обладают схожим поведением (то есть взаимозависимостями) своих характеристик.

По мнению Пиотровского, «использование результатов сегментирования на основании кластерного анализа дает компаниям реальный шанс глубже понять своих клиентов и потребителей. Это, в свою очередь, позволит свести к минимуму разницу между представлениями продавцов и покупателей, то есть карта восприятия товара или услуги для них будет практически идентичной.» Пиотровский А. Л., Денисов А. В. Кластерный анализ как инструмент подготовки эффективных маркетинговых решений. — http://bci-marketing.aha.ru/2002/s_piot.htm.

При использовании рассматриваемой статистической методики для кластеризации респондентов можно совмещать кластерный и факторный анализ, причем в данном случае факторный анализ будет предшествовать кластерному. Часто это делается для того, чтобы сократить количество переменных, участвующих в кластерном анализе (при большом числе этих переменных). Так, можно сначала выделить среди большого числа переменных макропараметры, а затем сегментировать респондентов уже на основании данных факторов.

В качестве примеров практического применения кластерного анализа в маркетинговых исследованиях можно указать все те же случаи, что и при факторном анализе (если кластерный анализ используется для классификации переменных). В случае применения кластерного анализа для классификации конкретных групп респондентов он предоставляет исследователю гораздо более гибкие возможности и в большем числе областей маркетинговых исследований по сравнению с факторным анализом. Это преимущество кластерного анализа обусловлено тем, что он анализирует не переменные в целом, а конкретные категории респондентов (например, различные половозрастные, доходные и другие группы покупателей).

Еще одним методом, наиболее часто применяемым к процессу сегментации, является метод автоматической интеракционной детекции (Automatic Interaction Detection). Суть данного метода состоит в последовательной разбивке совокупности потребителей на группы по наиболее значимым признакам. При этом какой-либо признак выделяется в качестве системообразующего, затем формируются подгруппы, в которых его значимость выше, чем во всей совокупности потенциальных потребителей.

Помимо иерархических при кластерном анализе могут использоваться методы поиска модальных значений плотности, методы сгущений, факторные методы и целый ряд других. Многие из них представляют собой процедуры, не требующие строгого статистического обоснования. Разные кластерные методы могут порождать различные решения для одних и тех же исходных данных. Формальный математический аппарат не должен заменять экономический анализ и интуицию исследователя.

Маркетолог всякий раз сталкивается со спецификой изучаемого рынка, возможностями предприятия, сроками проведения исследования и исходя из этого определяет собственные методы сегментации.