Сравнительный анализ методов сегментации потребителей с точки зрения задач менеджера

Рассматривая практику маркетинговых исследований можно отметить большое число различных методов сегментирования. Для более полной оценки возможностей каждого из методов, их математических и практических возможностей, а также некоторых недостатков рассмотрим каждый из них более подробно.

1. Таблица сопряженности (cross-tabulation): распределение потребителей по различным сегментам на основе нескольких критериев сегментации. Например, руководитель фаст-фуда может сегментировать гостей своего кафе по временному характеру их приема пищи: завтракают они в кафе, ужинают ли или обедают. Более того, кросс-табуляции свойственно добавлять несколько критериев для сегментирования потребителей: допустим это не только разделение по времени приема пищи, но и по географической области: будь то городская или сельская местность (Wedel et al., 2012). Данный метод занимал большое место в исследованиях сегментации ранее, однако сейчас он используется не так часто, ввиду того, что он хоть и помогает выявить зависимость одного критерия от другого, но не позволяет строить прогнозы для построения типологий в дальнейшем.

2. Лог-линейные модели - модель множественной линейной регрессии, где зависимой переменной является натуральный логарифм частот таблицы сопряженности, а независимыми - характеристики индивидов в категориальной шкале (Акулич, 2015, с. 26). Данный вид моделей помогает выявить наличие зависимости присутствия одного критерия от набора других критериев у индивида. Это, к примеру, может быть выявление определенного типа жизненных ценностей и их различия между heavy и light users какого-либо бренда.

Вышеперечисленные методы не позволяют производить прогноз принадлежности того или иного индивида к кластеру в зависимости от его характеристик, так как имеют описательный характер. Именно поэтому данные методы используются скорее, как первый шаг в гибридных моделях сегментации, которые после сегментирования потребителя по каким-либо определенным критериям используют дальнейшие процедуры, которые обладают предиктивной способностью, например, дискриминантный анализ (Green, 1977). Shapira et al., Maier et al. Также использовали гибридные модели сегментирования (1984, 1990). Совместное использование описательного и предиктивного метода позволяют провести более качественную сегментацию, так как методы дополняют друг друга, уменьшая недостатки каждого (Wedel et al., 2012).

3. Для анализа связи между несколькими переменными может быть использована линейная регрессия. При помощи линейной регрессии можно оценить наличие значимого влияния определенных характеристик индивида на зависимые переменные исследования. Линейная регрессия позволяет оценивать как совместное влияние нескольких характеристик, так и их вклад по отдельности (Wildt et al., 1980). Однако исследователи Bass et al. (1968) и Morrison et al. (1973) утвердили, что использование линейной регрессии в сегментировании нецелесообразно, так как за единицу берется отдельный индивид и его личностные характеристики, а не сегмент. Линейная регрессия хорошо подходят в случаях выявления различных факторов, оказывающих влияние на предпочтения отдельных индивидов, например, влияние на них времени в пути и стоимости (Umesh, 1987).

4. Дискриминантный анализ также используется в процессе сегментирования. Однако он применим к описанию уже известных сегментов рынка, нежели к идентификации еще неизвестных сегментов, поэтому не может использоваться как единый метод сегментирования рынка, тем более с еще неполученными гомогенными группами потребителей (Wedel et al., 2012). Алгорим данного метода состоит в нахождении дискриминантной функции, которая лучше всего помогает различить выделенные кластеры индивидов, то есть при помощи данного метода можно точно определить, различаются ли статистически выявленные кластеры по определенным характеристикам или нет (Акулич, 2015, с. 26).

5. Деревья решений - используются для прогнозирования зависимой переменной от ряда независимых характеристик. Все потребители разделяются на группы, которые схожи по показателям определенной характеристики и которые помогут максимально точно спрогнозировать попадание индивида в тот или иной сегмент. После проведения анализа выдается визуализация ввиду иерархического дерева. Переменные абсолютно разных типов (включая номинальные) могут быть применены в анализе. Chung et al. (2004) применили подход к автоматическому взаимодействию Chi-square Automatic Interaction Detection (CHAID) для сегментирования клиентов отеля. Деревья решений обладают прогнозной способностью, однако не могут структурировать еще неизвестный рынок. Алгоритм CHAID заключается в том, что он сначала оценивает факторы и находит тот, по которому потребители наиболее сильно отличаются друг от друга, затем начинается подбор лучших комбинаций факторов, которые максимизируют различия потребителей (Акулич, 2015, с. 36).

6. Кластерный метод позволяет на основе уже имеющихся данных об индивидах разделить их на гомогенные группы, таким образом создавая типологию. Существует несколько методов кластеризации, которые отличаются способом разделения индивидов на группы: пересекающаяся, непересекающаяся и нечеткая (Hruschka, 1986). Пересекающаяся кластеризация позволяет индивиду принадлежать больше, чем к одному сегменту, в то время как непересекающаяся основана на предпосылке о том, что субъект может входить лишь в один сегмент. Нечеткая кластеризация, со своей стороны, также делится на 2 группы: fuzzy set и fuzzy mixture. Смешанная кластеризация является неповторяющейся, однако из-за отсутствия совершенной информации невозможно с точностью до 100% определить, к какому сегменту относится индивид. Именно поэтому «цифра» в случае смешанной нечеткой кластеризации означает вероятность принадлежности субъекта к тому или иному кластеру и может быть от 0 до 1. С точки зрения оценки результатов и статистического моделирование данный способ является очень удобным, так как его результатом являются не точный параметры, а их вероятностная оценка, что снижает ошибку. Fuzzy set кластеризация основана на предпосылке о том, что индивид входит в различные кластеры, но с разными долями. Именно поэтому «цифра» означает насколько индивид относится к тому или иному сегменту. В данном случае сумма «цифр» для каждого субъекта по всем сегментам равняется единице.

Многие исследователи использовали кластеризацию для последующей сегментации рынка в различных сферах товаров и услуг (Anderson et al., 1976 с. 40-45; Bass et al., 1969, с. 337-363; Kiel et al., 1981, с. 233-239). Рассматривая рынок кофе, кластерные методы сегментации потребителей, например, k-means, также были использованы исследователями Balakrishnan et al. (1995, с. 509-525). Было выявлено, что две методологии привели к разному разбиению потребителей на группы. Помимо всего прочего, анализ Hruschka (1986, с. 117-134) показал преимущество нечетких методов в сравнении с повторяющейся и неповторяющейся кластеризацией.

Также, кластерные методы по другому виду классификации можно разделить на иерархические и агломеративные. Иерархические методы предполагают, что индивиды, которые были отнесены к одному сегменту на первой стадии анализа останутся в одном сегменте и в последующем, неиерархические методы (метод k-среднего), напротив, основаны на предпосылке о том, что индивиды могут оказаться в разных сегментах на последующих стадиях анализа.

Кластерные методы анализа ложатся в основу множества маркетинговых исследований: сегментирования клиентов коммерческого банка на основе атрибутов оценки выбора банков (Anderson et al., 1976, с. 40-45), сегментирование потребителей на основе переменных распространения медиа (Bass et al., 1969, с. 337-363), идентификация сегментов потребителей на основе их личностных характеристик и имплицитного поведения (Greeno et al., 1973, с. 63-69), сегментация покупателей фурнитуры на основе переменных об их поиске информации (Claxton et al., 1974, с. 35-42), сегментация покупателей машин на основе переменных о поиске ими информации (Keil et al., 1981, с. 233-239), сегментация потребителей на основе покупательского поведения (Landon, 1974, с. 44-51), сегментация потребителей на основе переменных, отражающих потребление продукта (Schaninger et al., 1980, с. 119-124), идентификация сегментов потребителей в direct маркетинге на основе их демографических характеристик (Magdison, 1994, с. 118-159).

Рассматривая кластерные методы, стоит отметить, что было выявлено преимущество неиерархических методов в сравнении с иерархическими, так как они более устойчивы к выбросам и присутствию нерелевантных критериев (Punj et al., 1983, с. 134-148). Как повторяющаяся и неповторяющаяся кластеризация, так и fuzzy кластеризация являются эффективными методами с точки зрения выявления сегментов, однако все три способа плохо «прогнозируют». Поэтому в случае построения прогнозов по дальнейшим действиям выявленных сегментов данными методами предпочтительно использовать другие инструменты анализа, либо комбинацию методов.

7. Латентно-классовый анализ (LCA): впервые был предложен как метод сегментирования рынка исследователями Green et al. (1976). Латентно-классовый анализ построен на категоризации потребителей в ненаблюдаемые (латентные) классы, которые строятся на основе их характеристик. Литература включает достаточное чисто исследований, в которых сегментация потребителей производилась при помощи именно латентно-классового анализа: Lehman et al. (1982) использовали характеристики индивидов, связанные с процессами информационного познания и выявили два сегмента потребителей: с ограниченными процессами решения проблем и с поведением, которое было основано на рутинных действиях. Kamakura et al. (1991) провели сегментацию рынка на основе системе ценностей LOV (Kahle, 1983) и выделили разные кластеры потребителей в зависимости от их личностных ценностей. Латентно-классовый анализ, в свою очередь, обладает некоторыми недостатками. Во-первых, латентный кластер может быть обнаружен лишь в том случае, если индивидов, которые будут попадать в него, окажется большое количество. В том случае, если количество потребителей, попадающих в ненаблюдаемый кластер будет небольшое, то данный кластер не будет выявлен, поэтому для использования данного метода исследователь должен обладать большим массивом данных. Во-вторых, латентно-классовый анализ предполагает независимость параметров, которые включаются в сегментацию при формировании латентных классов. Однако в действительности данная предпосылка скорее выполняться не будет, так как у индивидов, которые входят в один и тот же кластер характеристики, вероятнее всего, будут схожими (Tompson et al., 2007).

8. Автоматический детектор взаимодействия (AID): идентифицирует эффект категориальных критериев сегментации, который они оказывают на зависимую переменную исследования, которой может быть, например, покупательское поведение (Assael et al., 1976). Более того, некоторые исследователи разработали алгоритм AID, который может использовать в анализе множественную зависимую переменную (MAID, MacLachlan et al., 1981) или же категориальную зависимую переменную (CHAID, Kass, 1980). Несмотря на распространение методов автоматического детектора взаимодействия в сегментации рынка, Doyle et al. (1975) выявили, что использование данных методов приведет к качественным результатам только в том случае, если выборка велика, а также что кластерный метод сегментирования более предпочтителен (Doyle et al., 1976).

9. Еще один метод, применяемый для сегментации - это искусственные нейронные сети (ANN). Искусственные нейронные сети «повторяют» функцию мозга млекопитающего. ANN состоят из трех «слоев»: входного, куда исследователь закладывает информацию об исследуемых критериях сегментации, которые помогают предвосхитить зависимую переменную исследования, которая входит в выходной слой. Между двумя слоями также существует, третий, скрытый слой, в котором происходит обращение к различным нелинейным функциям, помогающим выявить наиболее точный алгоритм сегментации (Wedel et al., 2012). Однако данная процедура включает в себя определение исследователем необходимого количества узлов между слоями, что невозможно вычислить напрямую, что делает ANN не совсем подходящим методом сегментирования. Более того, было выявлено, что кластерный анализ k-means или метод частных наименьших квадратов (PLS) проводят сегментацию качественнее, нежели ANN (Balakrishnan et al., 1995).

10. Совместный анализ (conjoint analysis) также находит применение при сегментировании рынка, так как помогает выявить группы потребителей по их реакции на различные атрибуты товара или услуги (Wedel et al., 2012). Совместный анализ чаще всего используется в совокупности с другими методами, например, как второй шаг сегментирования потребителей вместе с группировкой по выгоде (benefit segmentation). На первом шаге при помощи опросов или статистических данных выбирается ряд свойств товара или услуги, которые важны потребителям. Вторым шагом выступает совместный анализ, который выделяет гомогенные группы потребителей на основе того, как именно был проранжирован ряд выбранных атрибутов товара или услуги. Для каждого сегмента строится предиктивное уравнение (Currim, 1981). Несмотря на широкое применение двухшагового метода сегментирования с использованием совместного анализа, можно отметить, что он не позволяет максимизировать точность оценки продукта или услуги в целом, а лишь отдельных его характеристик (Kamakura, 1988).

Так же, как и в случае с критериями сегментации, каждый из методов имеет свои достоинства и недостатки. Например, регрессия и дискриминантный анализ имеют возможность построения прогноза, однако с точки зрения выделения корректных сегментов апостериорные описательные методы являются более предпочтительными. Более полную информацию о плюсах и минусах вышеописанных методов можно увидеть в таблице 2 (по Wedel et al., 2012, с. 29). Для устранения недочетов были предложены модификации совместного анализа, такие как совместный анализ с учетом весовых коэффициентов (Hagerty, 1985) и иерархический совместный анализ (Kamakura, 1988), однако данные методы тоже были не полностью эффективны, ввиду невозможности интерпретации результатов с точки зрения сегментов (Stewart, 1981) и проблемы дальнейшей кластеризации в случае попадания субъекта в неверный кластер в самом начале процесса (Wedel et al., 2012) для совместного анализа с учетов весовых коэффициентов и иерархического совместного анализа соответственно.

Для устранения недочетов вышеперечисленных методов исследователи предложили использование таких процедур, как смешанные модели, смешанные регрессионные модели и смешанные модели развертывания.

11. Смешанный модели (mixture models): их развитие было связано с такими исследователями как Newcomb (1886, с. 343-366) и Pearson (1894, с. 71-110), которые предположили, что наблюдения в выборке можно подразделить на две или более группы, которые сформированы в неизвестной пропорции. Целью метода является идентификация данных групп и оценка параметров функции плотности распределения основанной на данных из определенной выборки. Безусловная оценка правдоподобия наблюдаемых данных определяется как сумма произведений плотностей признака на групповом уровне и весовых коэффициентов, которые определяют размер каждой группы.

Примером применения смешанной модели для сегментации рынка может послужить работа Dillon et al. (1994, с. 295-351), в которой была проведена сегментация потребителей леденцов на выборке из 456 индивидов. Полагаясь на данные о количестве купленных упаковок, исследователи построили гистограмму частоты распределения количества упаковок каждым потребителем, после чего стали моделировать ее при помощи распределения Пуассона. Однако по причине того, что простое распределение Пуассона определяется лишь одним параметром (среднее значение частоты покупок), а потребители в реальной жизни негомогенны в плане частоты покупок леденцов, данная модель плохо прогнозировала получавшуюся частоту распределения купленных упаковок леденцов. В случае же со смешанной моделью Пуассона, которая основывается на предпосылке о том, что всех индивидов можно разделить на сегменты, частоты покупок которых одинакова внутри группы, но различна между ними, модель предсказывала частоту покупок гораздо ближе к реальным значениям.

Смешанные модели часто применяются для сегментации рынка, так как в отличие от, например, кластеризации, выявляют сегменты на основании статистического моделирования. Более того, смешанные модели позволяют использовать различные алгоритмы, которые смогут решать различные проблемы, возникающие при сегментировании. Например, данный класс моделей помогает исследователям справляться с проблемой гетерогенности их выборки и разделять индивидов на гомогенные группы для последующего анализа. Сегментирование рынка при помощи смешанных моделей были проведены многими исследователями, например, Green et at. (1976, с. 170-174) проводили идентификацию сегментов потребителей услуг электросвязи используя латентно-классовые анализ. Другие примеры использования смешанных моделей: идентификация сегментов на основе ограниченных и рутинных (Lehman et al., 1982, с. 48-59), идентификация сегментов на основе вероятности покупки бренда (Poulsen, 1993, с. 95-108), идентификация сегментов лояльных к бренду и переключающихся потребителей (Grover et al., 1987, с. 139-153), идентификация сегментов лояльных к бренду и переключающихся потребителей в течение времени (Grover et al., 1989, с. 230), идентификация сегментов на основе LOV (Kamakura et al., 1991, с. 208-218), идентификация light/medium/heavy покупателей на основе частоты покупок (Dillon et al., 1994, с. 295-351).