Процесс сегментации на предприятии

ІІІ. Кластерный анализ потребителей шампуней Одесского региона

Значительный интерес исследователей к методам сегментации потребительского рынка объясняется тем, что одной из главных целей маркетинга является исследование потребительских преимуществ и поведения индивидуальных потребителей. Данное направление маркетинговых исследований служит методической основой формирования функциональных стратегий маркетинга и коррекции общей стратегии организации. Сегментация индивидуальных потребителей позволяет систематически анализировать нужды и разрабатывать эффективные ассортиментные концепции товаров и услуг, тем самым обеспечивая конкурентные преимущества предприятий на рынке.

Для выделения сегментов в анализируемой совокупности потребителей могут быть применены различные подходы, которые, в- основном, базируются на одно- и многофакторном анализе. Наиболее часто исследователи обращаются к априорным и кластерным методам.

Практика сегментации рынка показывает, что использование традиционных априорных методов не всегда целесообразно в связи с некоторыми проблемами получения корректных и достоверных результатов. Этих трудностей можно избежать, привлекая к исследованию кластерные методы, или, по научной терминологии, кластерный анализ.

Как известно, кластерный анализ представляет собой совокупность методов, позволяющих классифицировать многомерные наблюдения, каждое из которых описывается набором начальных переменных XI, Х2, ..., Хn.

Целью кластерного анализа является образование групп похожих между собой объектов, которые принято называть кластерами (слово кластер английского происхождения и переводится как сгусток, пучок, группа).

Основная цель применения кластерного анализа в сегментации состоит в выделении однородных групп потребителей с похожими свойствами. Разделение потребителей на группы возможно, лишь когда между потребителями есть похожесть либо отличие. Но сама схожесть потребителей (их отличие) достижима только в случаях, когда может быть оценена.

Для практической реализации сегментации рынка с использованием кластеризации могут применяться статистические пакеты типа SPSS, NCSS& РАSS пли Statistiса, включающие в себя процедуры иерархической кластеризации.

Использование результатов сегментации на основании кластерного анализа дает компаниям реальный шанс глубже понять своих клиентов и потребителей. Это, в свою очередь, разрешит свести к минимуму разность между представлениями продавцов и покупателей, т.е. карта восприятия товара или услуги для них будет практически идентичной.

С целью определения основных сегментов потребителей на рынке шампуней города Одессы был проведен кластерный анализ потребителей.

Кластеризация потребителей была проведена по восьми важнейшим факторам:

1)цена –V1;

2)                 моющие свойства - V2;

3)                 широкий ассортимент (для разных типов волос) - VЗ;

4)                 упаковка - V4;

5)                 состав - V5;

6)                 реклама (популярность производителя) – V6;

7)                 запах - V7;

8)универсальность (подходит для всей семьи) – V8.

Потребителей попросили определить важность каждой переменной (VI - V8) по пятибалльной шкале (1 - абсолютно неважно, 5 - очень важно).

Данные, полученные от 20 респондентов, представлены в табл. 3.

Таблица 3. Исходная информационная база для кластеризации

На практике кластеризацию выполняют для значительно более крупных выборок, которые составляются от 1 до 300.

Для выделения кластеров был использован иерархический метод, а именно метод Варда - дисперсионный метод, в котором кластеры формируют так, чтобы минимизировать квадраты эвклидовых расстояний кластерных средних. Результаты, полученные при кластеризации данных табл. 3, приведены в табл. 4.

Таблица 4. – План агломерации на основе метода Варда

Полезную информацию можно изъять из плана агломерации, где показано число случаев или кластеров, которые нужно объединить на каждой стадии. Первая строка представляет первую стадию, когда имеется девятнадцать кластеров. На этой стадии объединены респонденты 1 и 7, что показано в колонках "Кластер1" и "Кластер2". Квадрат эвклидова расстояния между точками, соответствующими этим двум респондентам, представлен в колонке "Коэффициенты"

Колонка "Этап первого появления кластера" показывает этап, на которм впервые был сформирован кластер. Например, цифра (входа в кластер) 1 на стадии 4 указывает на то, что респондента 1 впервые включили в кластер на стадии 1.

В табл. 5 представлены результаты кластеризации потребителей.

Столбики соответствуют объектам, которые подлежат кластеризации. В этом случае респондентам присвоили номера от 1 до 20. Ряды соответствуют числу кластеров. Эту диаграмму читают сверху вниз. Сначала все случаи считают отдельными кластерами. Поскольку мы имеем 20 респондентов, количество начальных кластеров равно 20.

На первой стадии объединяют два ближайших объекта, что приводит к 19 кластерам. Последняя строка показывает эти 19 кластеров. Два случая, а именно, респонденты 1 и 7, которых объединили на этой стадии, не имеют между собой разделяющего пустого пространства.

Ряд с номером 18 соответствует следующей стадии с 18 кластерами. На этой стадии группируют респондентов 4 и 20, получая таким образом, 18 кластеров, 16 из которых состоят из отдельных респондентов, а два содержат по два респондента. На каждой дальнейшей стадии формируется новый кластер с помощью одного из трех способов: два отдельных объекта группируют вместе; объект присоединяют к уже существующему кластеру; два кластера группируют вместе.

Главный вопрос кластерного анализа - количество кластеров.

В табл. 5 содержится информация о кластерной принадлежности объектов в зависимости от принятого решения: три, четыре или пять кластеров.

Таблица 5. Принадлежность к кластеру при использовании метода Варда

В иерархической кластеризации в качестве критерия можно использовать расстояния, при которых объединяют кластеры. В нашем случае, из плана агломерации (табл. 4.) видно, что значение в колонке "Коэффициенты" при переходе от 16 к 17 стадии увеличивается намного больше, чем на предыдущих стадиях.

Аналогично, на последних стадиях древовидной диаграммы кластеры объединяются при больших расстояниях, Поэтому наилучшим является решение о четырех кластерах.

Интерпретация и профилизация кластеров включает проверку кластерных центроидов. Центроиды представляют собой средние значения объектов, содержащихся в кластере по каждой из сменных. Они разрешают описывать каждый кластер. В табл. 2.4 приведены центроиды, или средние значения, для каждого кластера.

Таблица 6. Кластерные центроиды