Формализованная процедура сегментирования
Первый этап имеет качественный характер и позволяет понять, чем «дышат» потребители или клиенты, их стиль жизни, какими выражениями они характеризуют товар, услугу или фирму, все это в дальнейшем поможет правильно составить план рекламной кампании. Кроме того, необходимо выяснить выделяемые ими решающие факторы принятия решения о покупке. Уже на этом этапе можно сопоставить представления производителей или продавцов товара с мнениями аудитории. Однако пока это лишь предварительная, качественная информация. Ее следует преобразовать в количественную. Для этого на основе собранных сведений составляют опросную анкету, включающую в себя как вопросы о продукте, так и сведения, характеризующие самого респондента. Исключительно важным при этом является использование интервальных и порядковых шкал, поскольку появляется возможность сравнения ответов, полученных от различных групп покупателей. Это поясняет следующий пример. При оценке важности конкретных параметров, например, цены, ассортимента и скорости обслуживания в оптовой фирме практически любой клиент ответит, что все эти характеристики играют существенную роль при выборе поставщика. Тем не менее важность данных параметров для разных клиентов может существенно отличаться. Для менеджеров минимаркетов, делающих покупки ежедневно, решающую роль играет ассортимент, и они не склонны каждый раз обходить базы в поисках наиболее дешевого товара. Клиенты, делающие крупные покупки раз в неделю, в большей степени склонны к сравнению цен и выбору наиболее дешевого варианта. В зависимости от длины «балльной линейки» возможна та или иная степень точности выделения разных сегментов. Отметим, однако, что эта точность связана с числом респондентов. Другими словами, чем точнее должна быть сделана оценка, чем тоньше разведены сегменты, тем больше должен быть объем выборки. Число сегментов, выделяемых при проведении кластерного анализа, может быть, таким образом, любым, лишь бы объем данных, на основании которых выделяются отдельные сегменты, был статистически значимым. Сам кластерный анализ представляет собой ряд формальных процедур, которые мы продемонстрируем на реальном примере, взятом из практики авторов. Таблица 1 Профиль сегментов по свойствам синтетических моющих средств
Фирма Х собирается начать выпуск нового стирального порошка. При этом возможны разные варианты продвижения: от раскрутки собственного брэнда до приобретения уже известного, возможно позиционирование в области дешевых или дорогих СМС. Словом, вопросы, возникающие в начале исследования, типичны и, не сомневаемся, знакомы любому практику. Разработанная анкета содержала ряд вопросов, характеризующих отношение респондентов к свойствам продукта (табл. 1), а также характеризующих стиль жизни самих респондентов (табл. 2). Результаты ответов на вопросы первой группы (респонденты должны были проранжировать факторы по степени их значимости, начиная с самого важного — от 1 до 8) были собраны в 4 сегмента, существенно различающиеся между собой по типу важнейших с точки зрения респондентов признаков продукта (они выделены в таблице 1 заливкой). Эти признаки можно считать «сегментоообразующими». Легко видеть, что самый крупный (размеры сегментов изменены) сегмент 3 (60% от выборки) — это прагматики, для которых важнейшей характеристикой продукта является его цена, а также такие прозаические качества как моющая способность и эффект отбеливания. Следующий по величине сегмент 1, напротив, на первое место ставит безвредность порошка, цена же занимает последнее 8-е место. Для того, чтобы лучше представить себе покупателей каждой группы, проанализируем их ответы на вопросы следующей части анкеты. В таблице 2 приводятся эти вопросы и величины средних оценок все по той же 8-балльной шкале для каждого вопроса по тем же сегментам. Мы видим, что сегменты 1 и 3 весьма лояльно относятся к новшествам и склонны экспериментировать с новыми продуктами. При этом сегмент 1 относится к импортным порошкам существенно лучше, чем сегмент 3. Сегмент 4 более чувствителен к рекламе и более последователен в выборе: пользоваться как дорогими, так и дешевыми порошками — не для него. В таблице 3 мы приводим в качестве примера описание профиля одного из сегментов (сегмент 1). Информация, представленная в таком виде, является исключительно удобной для восприятия, анализа и принятия решений. Таблица 2 Профили сегментов по восприятию синтетических моющих средств (балльные оценки)
Таблица 3 Пример описания профилей сегментов
Таким образом, результаты кластерного анализа фактически описывают портрет потребителя с рациональной (свойства стирального порошка) и эмоциональной (оценка степени согласия с утверждениями) точек зрения. На их основании можно определить целевую группу (или степень соответствия предположений о целевой группе фактической картине), расставить акценты в рекламном сообщении и рекламной кампании в целом, избавиться от иллюзий относительно исключительности своего товара по какому-либо определенному свойству (если вдруг выяснится, что практически все потребители ставят его на последнее место по важности) и т. д. Следует сделать еще одно важное замечание по поводу использования технологии кластерного анализа. Все исследование, начиная с плана и заканчивая анкетой, должно быть «заточено» под методику кластерного анализа. Это касается и используемых шкал, и метода контакта с аудиторией и многих других факторов. 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. Среди различных методик кластерного анализа можно выделить нетрадиционное направление - самоорганизующиеся карты Кохонена. Самоорганизующиеся карты - это одна из разновидностей нейросетевых алгоритмов, основным отличием которой является то, что при обучении используется метод обучения без учителя, то есть результат обучения зависит только от структуры входных данных. Алгоритм функционирования самообучающихся карт (Self Organizing Maps-SOM) представляет собой один из вариантов кластеризации многомерных векторов. Примером таких алгоритмов может служить алгоритм k-ближайших средних (c-means). Важным отличием алгоритма SOM является то, что в нем все нейроны (узлы, центры классов) упорядочены в некоторую структуру (обычно двумерную сетку). При этом в ходе обучения модифицируется не только нейрон-победитель, но и его соседи, но в меньшей степени. За счет этого SOM можно считать одним из методов проецирования многомерного пространства в пространство с более низкой размерностью. При использовании этого алгоритма вектора, схожие в исходном пространстве, оказываются рядом и на полученной карте. Так как алгоритм SOM сочетает в себе два основных направления - векторное квантование и проецирование, то можно найти и основные применения этого алгоритма. Данную методику можно использовать для поиска и анализа закономерностей в исходных данных. При этом, после того, как нейроны размещены на карте, полученная карта может быть отображена. В обычных методах визуального представления каждое измерение (компонента) многомерного набора данных влияет на некоторый аспект визуализации, и затем результаты объединяются воедино. Эти методы можно использовать для визуального представления разного рода многомерных данных. Главным недостатком большинства методов является то, что они не позволяют сократить количество данных. Если набор данных велик, то изображение, содержащее все элементы этих данных, не будут наглядными. Функции SOM активно используются в маркетинге и бизнесе, в частности при решении задач сегментирования рынка. Так, например, с помощью SOM решается задача кластеризации клиентов и визуализации полученных групп. Кластеризации строится на основании определенных признаков. В нашем примере такими признаками были выбраны значимость, пунктуальность, активность и стабильность клиентов. В результате была построена самоорганизующаяся карта (см. приложение 1) и проекции компонент для данных по клиентам компании. Сеть объединила клиентов в 4 основные кластера. Представители того или иного кластера обозначены на карте. Кроме общей карты обычно строятся карты отдельных компонент (признаков). Для отображения на картах градаций признаков вверху окна имеется шкала интенсивности цвета. Карту SOM лучше всего можно проинтерпретировать, рассматривая отдельные окна и считывая значения соответствующих масштабных шкал. Так мы можем наглядно представить взаимное влияние входных факторов друг на друга. Проведенная кластеризация позволяет сегментировать клиентов, определить характеристики групп клиентов, оценить клиентскую базу компании, выявить основные характеристики типичного клиента и т.п. В результате проведенного исследования были выявлены следующие кластеры.
На следующем этапе были обозначены основные характеристики типичного клиента компании. Оказалось, что типичные клиенты компании - это клиенты со средними и низкими объемами продаж, очень стабильные и среднестабильные, неактивные, более 50% из них оплачивают вовремя (до 2 нед.). На основе представленной кластеризации была сформирована ценовая политика компании - дифференцированная система скидок и бонусов для клиента в зависимости от его статуса (группы). В конце каждого месяца показатели значимости, стабильности, пунктуальности и активности обновлялись, и производилась новая группировка. Такой подход позволил не только заинтересовать клиентов, но и решить проблемы с дебиторской задолженностью. Необходимо добавить, что умение завоевать и удержать клиентов становится все более популярным оружием в конкурентной борьбе среди самых "интеллектуальных" компаний. Чтобы понять и решить проблему удержания клиентов, необходимо с самого начала понять и спрогнозировать возможное развитие событий. По сути, следует, выйдя за пределы одного круга, просчитать вперед свою стратегию на множество подобных циклов. Оценка своей клиентской базы - первый шаг на пути к разработке такой стратегии, так как прогноз развития требует определенного знания структуры и потенциала клиентской базы. Наряду с кластеризацией отдельных клиентов компании может возникнуть необходимость в кластеризации целых регионов или каких-либо территориальных единиц. Такая задача может решаться, например, в контексте оценки потенциала регионов в отношении товаров компании или построения системы планирования для филиалов, региональных менеджеров и т.п. В качестве признаков кластеризации регионов могут выбираться различные объективные характеристики региона (экономические, социальные, демографические), а также так называемые субъективные (с позиции отрасли или отдельной компании). Например, для задачи оценки потенциала регионов в отношении товаров компании были выбраны 2 признака кластеризации: плотность отгрузок и объективный экономический показатель (статкоэффициент). Последний отражает отношение прожиточного минимума к среднедушевому доходу населения в регионе. В результате была сформирована самоорганизующаяся карта и проекции компонент для данных по всем регионам. Сеть объединила все регионы в 4 основные кластера.
В результате проведенной кластеризации был выявлен самый интересный и перспективный кластер с точки зрения продвижения товаров компании (кластер 2). Результаты кластеризации были использованы при построении системы планирования для филиалов и дивизионов, региональных и территориальных менеджеров.
|
