Сравнительный анализ методов сегментации потребителей с точки зрения задач менеджера
Этапы разработки рекомендации для использования определенных моделей или алгоритмов сегментирования для решения управленческих задач сегментации. Знакомство со сравнительным анализом методов сегментации потребителей с точки зрения задач менеджера.
| Рубрика | Менеджмент и трудовые отношения |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 28.11.2019 |
| Размер файла | 670,7 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Несмотря на преимущества смешанных моделей, необходимо отметить, что пока остается нерешенной задача о необходимом количестве выделяемых сегментов в выборке и о гетерогенности индивидов внутри группы. Более того, при исследовании покупательского поведения, смешанные модели игнорируют факт влияния цены и скидок на продукцию, что может привести к смещенным оценкам предпочтений брендов и частоты покупок внутри каждого сегмента. Данный недостаток может быть «решен» при помощи смешанной регрессионной модели, описанной далее.
Многие из описанных методологий ранее можно отнести к классу «безусловных» моделей - моделей, в которых не предполагается наличие экзогенных переменных для объяснения среднего значения и дисперсии (если рассматривать, например, нормальное распределение), так как параметры модели рассчитываются уже на первоначальном этапе напрямую. В противоположность «безусловных» моделей существует ряд «условных» моделей, в которых одновременно происходит и разбиение индивидов на сегменты, и расчёт регрессионной модели, которая отражает среднее и дисперсию зависимой переменной для каждого сегмента выборки. В регрессионной модели зависимая переменная (например, частота покупки) связана с объясняющей переменной (например, с маркетинг миксом) внутри латентного класса.
В прошлом большинство работ основывалось на таких методах, которые формировали гомогенные группы индивидов по уже имеющимся наблюдаемым характеристикам, с целью того, чтобы описать данные сегменты. На текущий момент акцент сегментации смещен скорее на формирование сегментов с «одинаковой реакцией» (Например, на изменение цены, акции, скидки и т.д.). В сегментации такого типа гомогенный группы формируются в соответствии со скрытой взаимосвязью между переменной «реакции» (выбор бренда, объем покупки и т.д.) и группой причинных переменных (свойства продукта, цена, наличие акций и т.д.) в каждом из сегментов. Сегментация потребителей при помощи смешанных моделей была проведена как с использованием смешанной линейной регрессии (DeSarbo et al., 1988, с. 249-282), ранжированной логит-модели (Kamakura et al., 1994, с. 451-464), мультиномиальной логит-модели (Kamakura et al., 1989, с. 379-390), так и регрессии Пуассона (Wedel et al., 1995, с. 21-55).
Смешанные модели занимают достаточно важное место в маркетинговых исследованиях, так как они помогают выявить гетерогенность индивидов на разных рынках и в различных типах поведения. Например, DeSarbo et al. (1988, с. 249-282) использовали смешанную регрессионную модель для анализа факторов, которые влияли на восприятие коммерческого просмотра. Также проводился анализ эффектов маркетинг миска (Ramaswamy et al., 1993, с. 405-417), степени удовлетворенности потребителей (Wedel et al., 1995, с. 21-55), выбора бренда и описание сегментов (Gupta et al., 1994, с. 128-136).
В сравнении с другими моделями смешанная регрессия позволяет как находить сегменты на еще неструктурированным рынке, так и прогнозировать, что является редкостью для большинства иного инструментария, где возможно выполнение лишь одной из задач. Более того, используя смешанную регрессию, можно добиться выполнения статистических свойств.
12. Смешанная модель развертывания (mixture unfolding models): позволяет одновременно вероятностно распределять индивидов по сегментам (как и смешанная регрессионная модель) и оценивать внутреннюю модель развертывания внутри каждого сегмента. Такая методология получила название многомерного шкалирования (eng. Multidimentionsl scaling, MDS) - класс статистических методов, который помогает отразить отношение субъекта к стимулу (бренду или продукты) в многомерном пространстве. Два главных вида моделей многомерного шкалирования - модели развертывания и векторные модели (идентификация вектора предпочтений для каждого индивида по отношению к бренду внутри пространства его свойств). Рассматривая простую модель развертывания, стоит отметить, что предпочтения потребителя к объекту (бренду, продукту) уменьшается аналогично функции дистанции к его «идеальной точке». Существуют и расширенные модели развертывания, в которых вводятся различные весовые коэффициенты для каждого субъекта/объекта.
Карта многомерного шкалирования для проведения анализа может быть получена либо внутренним, либо внешним оцениванием. Внутренний анализ производит оценку координат-стимулов, в то время как у внешнего анализа эти оценки уже имеются, например, из предыдущего анализа. Внешние модели обычно оцениваются при помощи обобщенных линейных моделей.
13. В связи с тем, что модели развертывания являются детерминированными и не позволяют проводить тесты на качество полученных параметров или количества измерений, была предложена модель стохастического анфолдинга (eng. STUN MDS). Данный тип моделей позволяет использовать метод максимального правдоподобия и, в последствии, проводить статистические тесты, которые помогут выявить подходящие модели и доверительные интервалы.
Модель развертывания можно часто встретить в маркетинговых исследованиях. Например, был проведен анализ поведения при просмотре ТВ (DeSarbo et al., 1993, с. 159-193), оценка предпочтений прессы (Bockenholt et al., 1991, с. 699-716).
Недостатками стохастической и детерминированной моделей развертывания является в первую очередь то, что они не могут предоставить совместное представление большое количество выборок субъектов, что часто встречается в маркетинговых исследованиях. Для преодоления данного недостатка была разработана смешанная модель стохастического анфолдинга, в котором количество параметром модели значительно меньше, чем у обычной стохастической модели, что позволяет упростить интерпретацию результатов. В смешанной модели стохастического анфолдинга латентные переменные и латентные сегменты, которые лежат в основе зависимой переменной оцениваются одновременно. Модель многомерного шкалирования, в результате, имеет такой же уровень обобщения, как и смешанные модели, описанные ранее. Результаты, полученные многомерным шкалированием могут быть применены к стратегическому принятию решений, в особенности при позиционировании товара для целевых сегментов. Смешанные модели стохастического анфолдинга также позволяют учитывать гетерогенность в предпочтениях внутри сегментов, но предполагают идеальную гомогенность восприятия.
Многомерное шкалирование также близко к уже рассмотренной ранее модели смешанной регрессии, так как MDS позволяет как проводить сегментацию, так и прогнозировать. Однако с другой стороны доступно не так много статистических пакетов, в которых можно провести данный вид анализа.
14. Kuo et al. (2002) представил двухэтапный метод, который объединял метод самоорганизующейся карты Кохонена (SOM, Self-Organizing Maps) и метод K-means. SOM определял количество кластеров и начальную точку, затем для определения конечного формирования сегмента использовали метод K-средних. Совместное использование самоорганизующейся карты Кохонена и метода k-means можно отметить и в статье Hong et al. (2012), которая посвящена сегментированию пользователей интернет-магазина. После проведения исследования, авторы получили информацию, которая поможет менеджерам интернет-магазина верно таргетировать свой товар, исходя из психограчических типов пользователей.
Метод самоорганизующейся карты Кохонена также был использован и для сегментирования таких рынков, как автомобильный, туристический, онлайн-магазина (Lee et al. 2005; Bloom, 2004; Vellido et al., 1999) и для выделения гомогенных групп покупателей на основе их поведения в магазине в Китае (Schmitt et al., 1998). Более того, SOM был использован при сегментировании рынка иранской телекоммуникационной компании (Hanafizadeh et al., 2011). В работе был предложен подход к визуализации результатов полученной сегментации рынка на основе нейронных сетей и SOM. Приведенный метод по сравнению с другими методами кластеризации более прост в понимании и интерпретации, а также способен выявлять взаимозависимость между различными характеристиками клиента.
15. Однако SOM и кластерный анализ как методы сегментирования были выделены как наименее предпочтительные в сравнении с методом опорных векторов (SVC, Support Vector Clustering) (Huang et al., 2007). Для проведения процесса сегментации рынка компании, производящей напитки, исследователи, во-первых, определили число кластеров путем проведения процедуры сингулярного разложения (SVD) и используя агломеративные статистические методы, после чего был проведен анализ методом SVC. Сравнивая результаты с k-means и методом SOM, авторы сделали вывод, что SVC сегментирует лучше. Помимо всего прочего, SVC может хорошо справляться с различными типами атрибутов, может генерировать границы кластера произвольной формы, когда другие методы обычно ограничиваются формой гиперэллипсоида, может преодолеть проблему выбросов, а также хорошо справляется с использованием высоко размерного набора данных.
16. Помимо всего прочего, в статье Tsai et al. (2004) была представлена ??новая методология сегментации рынка на основе покупательского поведения. Она была разработана на основе зависимых от продукта критериев, таких как купленные товары и информация по денежным затратам на них. Для того чтобы клиенты в одном кластере имели сходную модель покупательского поведения, в алгоритм кластеризации был встроен эвристический генетический алгоритм (GA). Показатели GA были исследованы с использованием серии экспериментов, которые показали, что использование GA привело к значительному повышению качества кластеризации. После сегментации был также проведен RFM-анализ для оценки относительной доходности каждого кластера клиентов.
Генетические алгоритмы (GA) могут использоваться и самостоятельно. GA - это метод стохастического поиска, основанный на принципе естественных генетических систем (Kuroki et al., 2010). GA одновременно рассматривает несколько решений и вычисляет значение функций для этих решений. GA используется для решения различного рода сложных задач оптимизации: проектирование, распознавание образов, обработка изображений и машинное обучение (Kwong et al., 2009). GA также могут группировать данные c точки зрения сходства.
17. Еще один метод, используемый для процесса сегментирования - метод Тагучи (Taguchi) (Chen et al., 2010; Hou et al., 2007) - один из самых популярных методов оптимизации параметров дизайна исследования. Этот метод улучшает качество результатов с точки зрения статистики и техники.
18. Более того, исследователи Hung et al. (2008) в своей статье предложили новый нейронный подход для сегментации рынка, а именно иерархическую самоорганизующуюся модель сегментации (HSOS). HSOS использует иерархическую двумерную визуализированную карту для дальнейшего объяснения процесса разделения рынка для лица, принимающего решения, в реальной среде. Экспериментальные результаты показывают, что использование HSOS позволяет лучше результатов сегментации рынка из-за визуального представления материалов, нежели традиционные иерархические кластерные подходы и иерархическая самоорганизующаяся карта Кохонена. Более того, авторы работу утверждают, что HSOS имеет потенциал в качестве визуализированного альтернативного подхода к сегментации рынка для различных наборов данных.
Несмотря на обилие как отдельных методов сегментации, так и некоторых алгоритмов ее проведения (с использованием нескольких методов последовательно), нет единого решения о том, какой именно алгоритм использовать для достижения либо первой (выделение еще неизвестных сегментов), либо второй (прогнозирование попадания новых потребителей уже в имеющиеся сегменты) цели менеджера.
Таблица 2. Сравнение методов сегментирования: достоинства и недостатки
|
Метод сегментации |
Достоинства |
Недостатки |
|
|
Кросс-табуляция |
Помогает выявить зависимости между критериями сегментации, несложно проводить |
Не позволяет строить прогнозы |
|
|
Лог-линейные модель |
Позволяет выявить наличие зависимости одного критерия от набора других, несложно проводить |
Не позволяет проводить прогноз |
|
|
Линейная регрессия |
Возможность рассмотреть взаимосвязи одновременно по нескольким характеристикам и оценить их влияние на зависимую переменную, есть возможность прогнозирования |
Рассматривает одного потребителя как единицу, а не сегмент |
|
|
Дискриминантный анализ |
Позволяет рассматривать влияние нескольких переем. одн., есть возможность прогнозирования |
Неприменим к идент. еще неизвестных сегментов |
|
|
Деревья решений |
Позволяют строить прогнозы |
Неприменим к идент. еще неизвестных сегментов |
|
|
Кластерный метод |
Хорошо подходит для «исследования» еще неизвестного по сегментам рынка, соблюдаются статистические свойства |
Плохая прогнозная способность |
|
|
Латентно-классовый анализ (LCA) |
Выявление «скрытых» признаков индивидов, что наиболее характерно для реальности |
Пренебрегает выявлением кластера, если в него попадает очень малое количество индивидов, предполагает независимость параметров, которые включаются в анализ |
|
|
Автоматический детектор взаимодействия (AID) |
Идентифицирует эффект категориальных критериев сегментации на зависимую переменную |
Необходимость большой выборки, кластерный анализ более предпочтителен в сравнении с AID |
|
|
Искусственные нейронные сети (ANN) |
Могут работать с большими массивами данных |
Длительное вычис. время, сложно настроить параметры, k-means и PLS считаются более предпочтительными |
|
|
Совместный анализ |
Доступность провед., поз. оценивать ситуацию похожую на «реальную»: респондент оценивает какой товар он предпочтет |
Не позволяет максимизировать точность оценки продукта или услуги в целом, а только ряда его атрибутов |
|
|
Смешанные модели |
Используют различные алгоритмы для разных проблем |
Нет точного определения по количеству сегментов, вероятна гетерогенность индивидов внутри группы |
|
|
Смешанная регрессионная модель |
Возможность как выделения сегментов, так и прогнозирования, выполнение статистических свойств |
- |
|
|
Смешанная модель развертывания |
Возможность анализа данных с разным распределением, возможность как выделения сегментов, так и прогнозирования |
- |
|
|
Метод самоорганизующейся карты Кохонена (SOM) |
Возможность представить связь между кластерами в высоко размерном пространстве |
Отсутствие механизма для определения количества кластеров, начальных весов и условий остановки процесса |
|
|
Метод опорных векторов (SVC) |
Возможность выделения сегментов, преодоление проблемы выбросов, возможность использования многомерных данных, составление кластера произвольной формы |
- |
|
|
Генетические алгоритмы (GA) |
Определение нужного числа кластеров |
Длительное вычислительное время |
|
|
Метод Тагучи |
Выполнение статистических критериев |
Нет эмпирического доказательства |
|
|
Иерархическая самоорганиз. модель сегментации (HSOS) |
Визуализация результатов |
Нет эмпирического доказательства |
На основе таблицы 2 можно разбить имеющиеся методы сегментирования на основе двух различных свойств: возможности выделения сегментов и возможности прогнозирования. Выделение сегментов в данном случае является выполнением первой цели управленца - она означает, что модель способна разделять индивидов на рынке, структурируя информацию о них и объединяя их в гомогенные группы. Возможность прогнозирования, напротив, дает ответ на вопрос, какие из методов подходят для выполнения второй цели менеджера - отнесение того или иного потребителя к уже имеющимся сегментам на основе его характеристик.
алгоритм управленческий менеджер
Таблица 3. Группировка методов сегментации с точки зрения решения задач менеджера
|
Возможность выделения сегментов |
Возможность прогнозирования |
Возможность как прогнозирования, так и выделения сегментов |
|
|
Кросс-табуляция |
Линейная регрессия |
Смешанная регрессионная модель |
|
|
Кластерный анализ |
Дискриминантный анализ |
Смешанная модель развертывания |
|
|
Латентно-классовый анализ (LCA) |
Лог-линейная модель |
||
|
Метод опорных векторов |
Деревья решений |
||
|
Генетические алгоритмы (GA) |
Исходя из рассмотренной литературы и актуальной практики на текущий момент можно выделить такие методы, как смешанная регрессионная модель и смешанная модель развертывания, которые подходят для решения обеих задач менеджера. Оба методы обладают как хорошей сегментационной способностью, так и возможностью прогнозирования. Более того, обещают выполнение статистических свойств, что говорит о возможности генерализации их оценки и состоятельности выводов.
В случае же других методов, можно отметить тот факт, что часть методов позволяют проводить структуризацию выделение сегментов на «новом» рынке, когда другая часть позволяет проводить прогнозы. Именно поэтому для выполнения двух задач менеджера необходимо использование не одного методов, а, как минимум, двух: один - для первоначального выделения еще неизвестных сегментов, а второй - для прогнозирования попадания новых пользователей в уже сформированные сегменты по его характеристикам.
В последующей главе будут рассмотрены 4 метода сегментации: два из которых помогают структурировать новый рынок, а другие два - помогают прогнозировать попадание новых индивидов в сформированный кластер.
Касательно выбора метода сегментирования, на основе данных таблицы 2 можно отметить, что кластерный метод анализа является наиболее популярным и широко распространенным методом, который помогает проводить определение сегментов еще неизведанного рынка. Более того, существует множество доступных инструментов анализа, которые позволяют проводить исследование путем кластерного анализа: такие статистические пакеты как SPSS, R и т.д. Помимо всего прочего, кластерный анализ был выделен как превосходящий такие методы, как, например, AID. Именно поэтому кластерный метод анализа был выбран для тестирования из класса методов, которые имеют возможность структурировать рынок, выделяя группы индивидов.
Вторым методов, который помогает идентифицировать еще неизведанные сегменты, будет латентно-классовый анализ, который также широко распространен для решения задачи сегментирования. Латентно классовый анализ несколько отличается от кластерного анализа по самому принципу определения сегментов с точки зрения математических вычислений, а также стоит отметить тот факт, что для применения латентно-классового анализа необходимо использовать специальный статистический пакет, а также он может занимать длительное время для «расчета» сегментов, что делает данный метод несколько более трудозатратным для его проведения.
Для тестирования такой группы методов, которые эффективно прогнозируют попадание нового потребителя в уже сформированные сегменты, был выбран дискриминантный анализ и дерево решений. Оба метода являются достаточно распространенными и доступными во многих статистических пакетах. Более того, оба метода часто применялись исследователями после выделения сегментов именно путем кластерного анализа, который будет протестирован на первом этапе эмпирического исследования.
3. Эмпирическое тестирование выбранных моделей сегментирования на примере потребителей кофе
3.1 Методология исследования
Эмпирическая часть данного исследования будет заключаться в иллюстрации работы выбранных методов из разных групп моделей с точки зрения задач менеджера: будет протестированы модели как из группы тех, которые могут сегментировать еще неисследованный рынок, так и из тех, которые используются уже для прогнозирования попадания индивида в определенный сегмент.
Из группы методов, которые обладают возможность сегментирования нового рынка, были выбраны кластерный анализ и латентно-классовый анализ.
Для тестирования методов, которые, в свою очередь, обладают возможностью прогнозирования попадания потребителя в определенный сегмент были выбраны дискриминантный анализ и деревья решений (CHAID).
3.2 Данные исследования
Для проведения сегментирования рынка путем использования нескольких моделей, выбранных из перечисленных в таблице 2, будут использованы данные потребительской панели потребителей кофе.
База данных содержит как информацию по потреблению индивидами кофе (частота покупки, количество грамм, последняя покупка, с разделением по видам приобретаемого кофе: растворимый или зерновой), по характеристикам индивидов с точки зрения их социально-демографических признаков (пол, возраст, образование и т.д.), так и по степени согласия респондентов панели с различными утверждениями. Данные утверждения могут подразделяться на два больших блока: первые относятся к ценностям и стилю жизни, а вторые - к отношению индивида к различным медиа.
Таблица 5. Описательные статистики по базовым переменным потребления кофе
|
N |
Минимум |
Максимум |
Среднее |
Среднекв. отклонение |
||
|
Потреб. хоть 1 раз растворимого кофе за посл. 6 месяцев (1 - была, 0 - нет) |
13855 |
0 |
1 |
,62 |
,486 |
|
|
Потребление хоть 1 раз зернового кофе за посл. 6 месяцев (1 - была, 0 - нет) |
13855 |
0 |
1 |
,51 |
,500 |
|
|
Потребление растворимого кофе за последние 6 месяцев регулярно |
13855 |
0 |
1 |
,48 |
,500 |
|
|
Потребление зернового кофе за последние 6 месяцев регулярно |
13855 |
0 |
1 |
,38 |
,486 |
|
|
Последняя покупка кофе 1 - месяц назад 2 - 3 месяца назад 3 - 6 месяцев назад 4 - 12 месяцев назад 5 - 12+ месяцев назад 6 - никогда |
13784 |
1 |
6 |
4,26 |
1,888 |
|
|
Среднемесячная частота покупки |
13784 |
,00 |
5,41 |
,1859 |
,41347 |
|
|
Среднее количество грамм кофе, приобретаемого ежемесячно |
13855 |
0 |
1500 |
48,05 |
103,535 |
Всего в базе содержится информация по 13855 потребителям, однако по некоторым переменным у части респондентов отсутствуют данные, поэтому в процессе анализа такие респонденты исключаются из анализа, (при проведении анализа отсутствующие значения не заменяются на медианное/среднее).
3.3 Процесс сегментации рынка с точки зрения первой задачи менеджера: выбор модели, которая сформирует еще неизвестные кластеры
Как уже было выделено ранее, все характеристики, присутствующие в текущей базе, можно подразделить на:
- социально демографические,
- покупательские (например, частота покупки)
- характеристики медиа потребления.
Разумеется, выбор оснований классификации потребителей напрямую зависит от цели сегментирования, однако, рассматривая основную цель, когда менеджер только сталкивается с рынком кофе, а его задача - понять, как и где рекламировать кофе, чтобы «попасть» в целевую аудиторию и выполнить KPI (который, чаще всего, измеряется как ДРР (доля рекламных расходов в выручке компании)), ему необходимо определиться, где «находятся» кофеманы. Именно «кофеманы» в данном случае будут выступать целевой аудиторией, так как они гораздо более склонны приобретать кофе, нежели лица, покупающие или потребляющие данный товар редко.
«Кофеманы» в данном случае - лица, которые потребляют много кофе: они могут покупать часто и много кофе, могут покупать очень часто, но не такое большое количество, а могут - редко, но очень много относительного другого «сегмента». Более того, менеджеру важно разделять потребителей разного типа кофе: зернового и растворимого. Данные группы потребителей могут, как минимум, отличаться с точки зрения социально-демографических характеристик (доход, должность), что может оказывать влияние и на их потребление различных медиа: бизнесмены могут проводить больше времени в диджитал сфере и потреблять зерновой кофе, потому что это более «презентабельно», в то время как растворимый кофе могут употреблять служащие или специалисты среднего звена, которые в свободное время могут больше смотреть телевизор, нежели бизнесмены.
Таким образом, менеджеру необходимо разделить потребителей кофе на группы на основе их потребительского поведения и выявить, чем различаются кофеманы от других потребителей кофе. Именно поэтому первой задачей при оценке структуры «нового» рынка кофе для менеджера является группировка потребителей, присутствующих в базе данных по следующим переменным: потребление кофе (последняя покупка, среднемесячная частота, количество грамм), а также по типу потребляемого кофе (растворимый или зерновой).
3.3.1 Проведение кластерного анализа и оценка результатов
Для проведения кластерного анализа был выбран иерархический кластерный анализ, который будет проведен методом Уорда с использованием квадрата Евклидового расстояния. Метод Уорда выбран исходя из того, что он самый содержательно интерпретируемый, а квадрат Евклида - потому что он контрастирует расстояния (большие делает еще больше, маленькие - еще меньше).
После проведения процедуры иерархического кластерного анализа по таким переменным, как типы потребляемого кофе (растворимый или зерновой), а также частоте и количеству приобретаемого кофе (в граммах), была получена дендрограмма (рис. 1).
Рисунок 1. Дендрограмма, иллюстрирующая полученные кластеры
На основании дендрограммы можно выделить для более подробного анализа 2 или 4 кластера, которые сформировались путем иерархического кластерного анализа.
Для более точного определения количества кластеров был проведен анализ разности коэффициентов по последним 30ти наблюдениям. График разностей коэффициентов можно увидеть на рисунке 2.
Рисунок 2. График разностей коэффициентов.
По графику разностей можно отметить, что достаточно «большая» разность у первых четырех коэффициентов, следовательно, лучшим выбором будет разделение индивидов по четырем кластерам, именно поэтому для дальнейшего анализа и интерпретации результатов будет выбрана четырех кластерная модель.
Таблица 6. Средние значения характеристик по сформированным кластерам
|
Потребление растворимого кофе за последние 6 месяцев |
Потребление зернового кофе за последние 6 месяцев |
Потребление регулярное растворимого кофе за последние 6 месяцев |
Потребление регулярное зерновогокофе за последние 6 месяцев |
Последняя покупка (1 - месяц назад 2 - 3 месяца назад 3 - 6 месяцев назад 4 - 12 месяцев назад 5 - 12+ месяцев назад 6 - никогда) |
Среднемесячная частота |
Среднемесячное количество (граммы) |
||
|
light потребители обоих сортов |
0,26 |
0,18 |
0 |
0 |
4,67 |
0,1162 |
29,84 |
|
|
light потребитель растворимого кофе |
1 |
0,24 |
1 |
0 |
4,82 |
0,0813 |
18,7 |
|
|
medium потребители обоих сортов |
1 |
1 |
1 |
1 |
3,91 |
0,2049 |
57,3 |
|
|
heavy потребители зернового кофе |
0,27 |
1 |
0 |
1 |
2,96 |
0,4665 |
120,66 |
В таблице 6 представлены данные о получившихся кластерах и их характеристиках с точки зрения типа потребляемого кофе, частоты покупок и количества приобретаемого кофе (в граммах).
Можно отметить, что индивиды, которые попали в кластер 1 могут потреблять как растворимый, так и зерновой кофе, у них нет точного предпочтения какого-либо одного варианта. Они фактически не употребляли кофе часто за последние 6 месяцев (ни растворимый, ни зерновой), покупают кофе они продукт в период от года и более, 0,1 раз в месяц, а по количеству - 29,84 грамм в среднем. Этих потребителей можно отнести к «потребители обоих сортов, light», так как их личное потребление скорее приравнивается к нулю, а покупают кофе они, вероятнее всего, для кого-либо из своих близких.
Кластер 2 - лицам, которые попали в данный кластер свойственно покупать и потреблять растворимый кофе. Однако они также редко совершали покупку в последний раз (от года и более назад), покупают 0,08 раз в месяц и в среднем 18,70 грамм. Данную группы людей трудно отнести к лицам, которые употребляют кофе, однако они явно отдают предпочтение растворимому кофе, более того, по количеству приобретенного кофе и частоте они даже уступают «light потребителями обоих сортов», которые покупают кофе скорее не для себя. По причине того, что индивиды, которые попадают в данный кластер предпочитают растворимый кофе, но приобретают небольшое его количество, их можно назвать «light потребитель растворимого кофе».
Потребители, попавшие в кластер 3, предпочитают покупать как растворимый, так и зерновой кофе. Они не так давно покупали кофе в последний раз (от 3-6 месяцев назад), их среднемесячное потребление 0,47 раза и 57,3 грамм кофе. Данный кластер можно отнести к лицам, употребляющим кофе по частоте и количеству большим, нежели предыдущие два кластера. Однако по причине того, что им безразличен тип кофе, данный кластер получит название «medium потребители обоих сортов». 4 кластер, в свою очередь, - это потребители скорее зернового кофе, нежели растворимого. Рассматривая покупки, они могут приобретать также и растворимый кофе, однако потреблять предпочитают только зерновой. Последние раз приобретение кофе представителя данного класса был довольно давно - больше 12 месяцев назад, в среднем в месяц они покупают 0,19 раз, однако величина их покупки в несколько раз больше величины других кластеров - представители кластера 4 покупают около 120,67 грамм в месяц. Таким образом, данный кластер потребляет больше всех кофе относительно предыдущих кластеров, более того, они могут покупать как растворимый, так и зерновой кофе, но потребляют в основном зерновой. Данная группа - «heavy потребители зернового кофе».
Если рассматривать образованный кластеры по доле в числе всех индивидов выборки (рисунок 3), можно отметить, что «равнодушные» занимают 35% выборки, «light потребители растворимого кофе» - 27%, а «потребители обоих сортов» и «heavy потребители растворимого кофе» - 21% и 17% соответственно. Таким образом, «равнодушные» пользователи преобладают в выборке, однако нет сильного различия в долях выявленных кластеров.
Рисунок 3. Доли образованных кластеров
Таким образом, при помощи кластерного анализа были выделены 4 группы индивидов по типу потребления кофе. Однако являются ли выделенные сегменты стабильными и однородными?
Для проверки однородности можно рассмотреть дисперсии по переменным, которые легли в основу классификации полученных сегментов. Таблица 6 отражает дисперсии переменных в разных кластерах.
Можно отметить, что значения дисперсии в разных кластерах различно, что говорит о том, что кластеры неоднородны. Поэтому можно сделать вывод о том, что кластерный анализ хорошо классифицирует именующиеся данные, но встает вопрос об однородности полученных сегментов и о дальнейшем применении конкретных сегментов при описании уже иной выборки либо на генеральной совокупности.
Таблица 7. Дисперсия по сформированным кластерам
|
Потребление растворимого кофе за последние 6 месяцев |
Потребление зернового кофе за последние 6 месяцев |
Потребление регулярное растворимого кофе за последние 6 месяцев |
Потребление регулярное зерновогокофе за последние 6 месяцев |
Последняя покупка |
Среднемесячная частота |
Среднемесячное количество (грамм) |
||
|
light потребители обоих сортов |
0,19 |
0,15 |
0 |
0 |
2,96 |
0,10 |
6190,36 |
|
|
light потребитель растворимого кофе |
0 |
0,18 |
0 |
0 |
2,49 |
0,06 |
3106,95 |
|
|
medium потребители обоих сортов |
0 |
0 |
0 |
0 |
3,67 |
0,15 |
12183,47 |
|
|
heavy потребители зернового кофе |
0,20 |
0 |
0 |
0 |
3,66 |
0,41 |
22814,47 |
После проверки однородности кластеров также необходимо рассмотреть стабильность сформированных групп, то есть убедиться, что при некоторой перестановке наблюдений кластеры могут получаться абсолютно идентичными тем, что были до перестановки. Для тестирования стабильности была создана переменная, которая «перетасовала» все наблюдения в выборки, был вновь проведен кластерный анализ, затем была сформирована таблица сопряженности. Результаты можно увидеть в таблице 7, где видно, что результаты до сортировки и после сортировки переменных были образованы идентичные кластеры.
Таблица 8. Прогнозная способность модели
|
light потребители обоих сортов |
light потребитель растворимого кофе |
medium потребители обоих сортов |
heavy потреб. зернового кофе |
||
|
light потребители обоих сортов |
0 |
4755 |
0 |
0 |
|
|
light потребитель растворимого кофе |
0 |
0 |
3731 |
0 |
|
|
medium потребители обоих сортов |
0 |
0 |
0 |
2923 |
|
|
heavy потребители зернового кофе |
2375 |
0 |
0 |
0 |
Таким образом, можно сделать следующие выводы с точки зрения кластерного анализа как способа решить первую задачу менеджера - структурировать «новый» рынок: данный метод действительно помогает кластеризовать рынок, выделить достаточно наглядные и вполне интерпретируемые группы потребителей кофе. Более того, процедура кластерного анализа достаточно проста в проведении и доступна во многих статистических пакетах, что делает рассматриваемый метод еще более популярным и широко используемым. Также было выявлено, что получившиеся сегменты оказались стабильны и не изменились даже после несколько иной «сортировки» наблюдений. Однако есть и некоторые недостатки кластерного метода анализа - получившиеся сегменты неоднородны.
3.3.2 Проведение латентно-классового анализа и оценка результатов
Как уже было сказано ранее, вторым методом сегментирования, который будет использован для оценки его с точки зрения первой из задач менеджера - выявить сегменты на еще неизвестном, новом рынке, - будет латентно классовый анализ.
Для проведения данного анализа был использован специальный статистический пакет Латент Голд.
В ходе анализа были построены несколько моделей, которые включали в себя разное количество выявляемых кластеров. На основе интерпретируемости сегментов была выбрана модель, состоящая из семи кластеров, которая будет описана далее.
Таблица 9. Средние значения характеристик по сформированным кластерам
|
Потребление растворимого кофе за последние 6 месяцев |
||||||||
|
Light потребители растворимого кофе |
Не потребляют |
Light потребители обоих сортов |
Heavy потребители зернового кофе |
Heavy потребители обоих сортов |
Medium потребители растворимого кофе |
Medium покупатели |
||
|
Нет |
0 |
0,9995 |
0,2249 |
0,7969 |
0 |
0,0001 |
0,9976 |
|
|
Да |
1 |
0,0005 |
0,7751 |
0,2031 |
1 |
0,9999 |
0,0024 |
|
|
Потребление зернового кофе за последние 6 месяцев |
||||||||
|
Light потребители растворимого кофе |
Не потребляют |
Light потребители обоих сортов |
Heavy потребители зернового кофе |
Heavy потребители обоих сортов |
Medium потребители растворимого кофе |
Medium покупатели |
||
|
Нет |
0,7479 |
0,9047 |
0 |
0 |
0 |
0,6922 |
0,9072 |
|
|
Да |
0,2521 |
0,0953 |
1 |
1 |
1 |
0,3078 |
0,0928 |
|
|
Потребление регулярное растворимого кофе за последние 6 месяцев |
||||||||
|
Light потребители растворимого кофе |
Не потребляют |
Light потребители обоих сортов |
Heavy потребители зернового кофе |
Heavy потребители обоих сортов |
Medium потребители растворимого кофе |
Medium покупатели |
||
|
Нет |
0,2432 |
1 |
0,3242 |
0,9999 |
0,0733 |
0,2472 |
0,9999 |
|
|
Да |
0,7568 |
0 |
0,6758 |
0,0001 |
0,9267 |
0,7528 |
0,0001 |
|
|
Потребление регулярное зерновогокофе за последние 6 месяцев |
||||||||
|
Light потребители растворимого кофе |
Не потребляют |
Light потребители обоих сортов |
Heavy потребители зернового кофе |
Heavy потребители обоих сортов |
Medium потребители растворимого кофе |
Medium покупатели |
||
|
Нет |
1 |
1 |
0,0003 |
0,0677 |
0,0227 |
0,9999 |
0,9999 |
|
|
Да |
0 |
0 |
0,9997 |
0,9323 |
0,9773 |
0,0001 |
0,0001 |
|
|
Последняя покупка |
||||||||
|
Light потребители растворимого кофе |
Не потребляют |
Light потребители обоих сортов |
Heavy потребители зернового кофе |
Heavy потребители обоих сортов |
Medium потребители растворимого кофе |
Medium покупатели |
||
|
Месяц назад |
0 |
0 |
0 |
0,4735 |
0,3203 |
0,2192 |
0,284 |
|
|
3 месяца назад |
0 |
0 |
0 |
0,3058 |
0,3023 |
0,2708 |
0,294 |
|
|
6 месяцев назад |
0 |
0 |
0 |
0,1329 |
0,1921 |
0,2253 |
0,205 |
|
|
12 месяцев назад |
0,0001 |
0,0001 |
0,0001 |
0,0877 |
0,1852 |
0,2844 |
0,2168 |
|
|
12+ месяцев назад |
0,2894 |
0,2889 |
0,3373 |
0 |
0,0001 |
0,0003 |
0,0002 |
|
|
Никогда |
0,7105 |
0,711 |
0,6626 |
0 |
0 |
0 |
0 |
|
|
Среднемесячная частота покупки |
||||||||
|
Light потребители растворимого кофе |
Не потребляют |
Light потребители обоих сортов |
Heavy потребители зернового кофе |
Heavy потребители обоих сортов |
Medium потребители растворимого кофе |
Medium покупатели |
||
|
0 |
1 |
1 |
1 |
0 |
0 |
0 |
0 |
|
|
от 0.001 до 0.26 раз в месяц |
0 |
0 |
0 |
0,3264 |
0,5405, |
0,7038 |
0,5997 |
|
|
0.27 и выше раз в месяц |
0 |
0 |
0 |
0,6735 |
0,4595 |
0,2962 |
0,4003 |
|
|
Среднемесячный объем покупки |
||||||||
|
Light потребители растворимого кофе |
Не потребляют |
Light потребители обоих сортов |
Heavy потребители зернового кофе |
Heavy потребители обоих сортов |
Medium потребители растворимого кофе |
Medium покупатели |
Light потребители растворимого кофе |
|
|
0 грамм |
0,9992 |
0,9983 |
0,9986 |
0 |
0 |
0,0015 |
0 |
|
|
от 1 до 5 грамм |
0,0003 |
0 |
0 |
0,0066 |
0,0211 |
0,0465 |
0,0385 |
|
|
от 6 до 81 грамм |
0,0006 |
0,0013 |
0,0014 |
0,2864 |
0,4956 |
0,7004 |
0,5533 |
|
|
81+ грамм |
0 |
0,0004 |
0 |
0,707 |
0,4834 |
0,2516 |
0,4082 |
1 кластер: «light потребители растворимого кофе». Можно отметить, что потребители, которые попали в данный кластер, потребляли часто именно растворимый кофе, нежели зерновой; Однако 71% потребителей данного кластера никогда не приобретали кофе, что говорит о том, что это именно потребители, а не покупатели данного вида кофе; частота покупок в месяц - 0; по количеству - 0 грамм.
2 кластер: «не потребляют». Данные потребители не потребляли (как за последние 6 месяцев, так и регулярно) ни растворимый, ни зерновой кофе; 71% - никогда не покупали; средняя частота покупок данного кластера - 0 раза месяц, среднее количество - 0 грамм.
3 кластер: «light потребители обоих сортов»: потребители данного кластера потребляли и растворимый, и зерновой кофе; это не покупатели, а именно потребители. 66% - никогда не покупали, 33% - 12+ месяцев назад; среднемесячная частота - 0 раз и количество - 0 грамм.
4 кластер: «heavy потребители зернового кофе» потребляли зерновой, оба случая (как хоть 1 раз за последние 6 месяцев, так и регулярно), 47% потребителей данного кластера покупали кофе 1 месяц назад, 30% - 3 месяца назад, 13% - 6 месяцев назад; частота покупок 0,27 и выше раз в месяц; около 70% приобретают 81 и больше грамм. 5 кластер: «heavy потребители обоих сортов». потребляли обе категории; если рассматривать по последней покупке, то можно сказать, что 32% покупали кофе около 1 месяца назад, 30% - 3 месяца назад, 19% - 6 месяцев, а 18% - 12 месяцев назад, таким образом, сравнивая все выделенные кластеры можно отметить, что эти потребители покупают его чаще всех. По объему приобретаемого кофе данная группа потребителей также относится к heavy - они приобретают наибольший объем. 6 кластер: «medium потребители растворимого кофе»: Данные потребители склонны потреблять растворимый кофе (большая доля на опрос «потребляли ли вы растворимый кофе хотя бы раз за последние 6 месяцев и потребляли ли вы регулярно растворимый кофе за последние 6 месяцев ответили «ДА», в то время как на аналогичные опросы, кусаемые зернового кофе, ответ был отрицателен); если рассматривать последнюю покупку, в данном случае респонденты распределяются примерно по 20-25% от месяца до 6 месяцев, очень мало тех, кто совершал покупку более года назад и совсем нет тех, кто не приобретал кофе вообще. Потребители данного кластера приобретают кофе реже, нежели heavy сегменты, а также меньшее количество в граммах.
7 кластер: «medium покупатель»: Данные потребители не потребляют никакой из сортов кофе (ни одиножды, ни регулярно), однако если отмечать ответы на вопросы о среднемесячной покупке и о количестве, их можно отнести к medium. Таким образом, данный сегмент - покупатели кофе, а не потребители. Таим образом можно отметить, что латентно-классовый анализ также справился с разбиением рынка на сегменты. Данные сегменты действительно отражают логично обоснованное поведение потребителей. Именно поэтому можно утверждать, что латентно-классовый анализ также может быть использован для решения первой задачи менеджера - сегментирования нового рынка. Из недостатков данного метода можно отметить то, что он рассчитывается лишь в специальных статистических пакетах, а также требует длительное время для расчета.
Рисунок 4. Доли кластеров, выделенных латентно-классовым анализом.
3.3.3 Сравнение кластерного анализа и латентно--классового анализа
Изучая вышеперечисленные кластеры, которые были выявлены при помощи кластерного анализа и латентно-классового анализа, можно отметить, что оба метода справились со своей задачей.
Однако также необходимо заметить, что у разных методов образовалось различное число кластеров. Путем проведения кластерного анализа было получено 4 кластера, а латентно-классовый сформировал 7 кластеров.
Касательно предпочтения того или иного метода, следует отметить, что как кластерный анализ, так и латентно-классовый имеют как достоинства, так и недостатки.
Например, кластерный метод достаточно быстро осуществляет расчёты и доступен почти о всех статистических пакетах, в то время как латентно-классовый анализ требует длительного вычислительного времени и возможен лишь в специальных статистических пакетах. С другой стороны, кластерный анализ выделяет достаточно неоднородные кластеры, что приводит к тому, что результаты не могут быть обобщены на всю генеральную совокупность. С точки зрения однородности «выигрывает» латентно-классовый анализ, так как одной из предпосылок ЛКА является то, что потребители внутри кластера и их характеристики не сильно отличны друг от друга.
Анализируя интерпретируемость полученных групп, как кластерный анализ, так и латентно-классовый анализ выявили кластеры, которые можно описать, и они соответствуют здравому смыслу. По количеству выделяемых кластеров результаты отличны, путем кластерного анализа было выделено 4 кластера, в то время как латентно-классовый анализ выявил 7 кластеров.
С точки зрения менеджера 7 кластеров, сформированные путем проведения латентно-классового анализа, обладают большей информативностью: есть все 3 класса потребителей по интенсивности потребления (light/medium/heavy), также выделен сегмент тех, кто не потребляет и не покупает кофе в целом. Более того, данный метод разделил индивидов и по типу кофе: есть как потребители обоих сортов, растворимого, так и зернового отдельно. Обе характеристики (как интенсивность, так и тип) важны для формирования маркетинговой стратегии, так как это поможет правильно выявить целевую аудиторию и таргетироваться именно на нее. Поэтому можно отметить, что был бы более предпочтителен вариант «разбиения» рынка, который выявил латентно-классовый анализ: группы более «точно» определены (ввиду того, что кластеров по количеству больше, чем в кластерном анализе), есть точное определение как потребителей кофе, так и именно покупателей - тех, на кого маркетологу надо ориентироваться, хоть они и не потребляют кофе, однако совершают покупку для, например, членов своей семьи. Более того, однородность кластеров, выделенных ЛКА, как было сказано ранее, гораздо выше. Для того чтобы результаты данной кластеризации подходили не исключительно для текущей выборки, а для более обширного количества потребителей, кластеры должны быть однородны.
Таким образом, оба метода справились с задачей классификации еще неизведанного рынка, однако результаты латентно-классового анализа оказались несколько предпочтительнее с точки зрения маркетинга, нежели результаты кластерного анализа.
3.4 Процесс сегментации рынка с точки зрения второй задачи менеджера
После выделения сегментов на основании потребительского поведения и типа потребляемого кофе, менеджеру необходимо понять, как в будущем прогнозировать попадание нового пользователя к какому-либо из выделенных сегментов. Прогнозирование важно по причине того, что рынок на текущий момент является не стабильным, потребители имеют свойство переключать или переходить на иной рынок. Именно поэтому важно всегда понимать, как отнести нового индивида к той или иной группе потребителей кофе, чтобы точно знать, есть ли необходимость таргетироваться на него.
Для тестирования такой группы методов, которые эффективно прогнозируют попадание нового потребителя в уже сформированные сегменты, был выбран дискриминантный анализ и деревья решений (CHAID).
3.4.1 Обоснование выбора независимых переменных для дискриминантного анализа и дерева решений
Ввиду того, что оба выбранных метода (дискриминантный анализ и дерево решений) подразумевают под собой как зависимую переменную (распределение индивидов по группам), так и независимые, в качестве зависимой переменной будет использовано распределение по классам, выделенное при помощи кластерного анализа, и разделение по классам, полученное в результате ЛКА.
Для того, чтобы более точно определить, какие переменные следует взять в качестве независимых, необходимо понимать, как именно они помогут в дальнейшем менеджеру с точки зрения проведения маркетинга.
База данных исследования содержит достаточно большой перечень характеристик индивида, от социально-демографических характеристик до медиапотребления и «согласия» с большим количеством разных выражений, который могут быть совмещены в психотипы потребителей.
Рассматривая характеристики, представленные в базе, можно отметить, что в ней присутствуют 3 группы оснований сегментации по классификации Wedel: наблюдаемые, зависимые от продукта; наблюдаемые, независимые от продукта; ненаблюдаемые, независимые от продукта.
Для более полного понимания того, какие критерии присутствуют, можно рассмотреть таблицу 10.
Таблица 10. Основания сегментации по классификации Wedel в базе данных
|
Независимые от продукта |
Зависимые от продукта |
||
|
Наблюдаемые |
Пол, возраст, образование, занятость, сем. положение и т.д. |
Потребление кофе за полгода, частота потребления, объем потребления 6 мес. |
|
|
Ненаблюдаемые |
Степень согласия с различными высказываниями |
- |
Для последующего дискриминантного анализа будут использованы в качестве независимых переменных социально-демографические характеристики по причине, во-первых, того, что их достаточно просто выявить у индивида, а во-вторых, фактически все медиа каналы (включая как традиционные медиа, так и диджитал) могут быть «настроены» с точки зрения социально-демографических характеристик. В базе предложен достаточно обширный ряд социально-демографических характеристик, но многие из них, например, различные виды расходов, или количество детей вместе с количеством членов домохозяйства будут сильно коррелировать, а, следовательно, приведут к искажению модели из-за возникновения мультиколлинеарности. Более того, для проведения дискриминантного анализа переменные должны быть либо пропорциональной, либо интервальной, либо порядковой шкалы (включая дихотомию). Поэтому номинальные переменные были преобразованы в дихотомические переменные. С точки зрения социально-демографических характеристик в анализе будут присутствовать следующие переменные: возраст, пол, размер города проживания, тип занятости (полный/неполный рабочий день, студент, безработный, декрет, пенсионный возраст), доход на члена домохозяйства, образование.
Помимо социально-демографических характеристик в качестве независимых переменных будут также включены переменные, описывающие медиа потребление индивида. Медиапотребление может помочь выявить более полное описание потребителей, принадлежащим к разным кластерам с точки зрения анализа, а также могут позволить создать наиболее точную маркетинговую стратегию: то есть маркетологу будет понятно, какими именно СМК пользуется потребитель и где его «догнать».
3.4.2 Дискриминантный анализ: проверка на отсутствие мультиколлинеарности
Перед проведением процедуры дискриминантного анализа, где зависимая переменная - принадлежность к кластерам, выявленным при помощи кластерного анализа, а независимые переменные - социально-демографические переменные и медиа потребление индивидов, необходимо убедиться, что между независимыми переменными нет тесной взаимосвязи. В случае, если независимые переменные сильно коррелируют, возникает проблема мультиколлинеарности, которая приводит к искажению результатов (могут отсутствовать статистически значимые различия между группами, хотя на самом деле они есть).
После построения корреляционной матрицы было выявлено, что сильной связи (больше 0,7) обнаружено не было. Корреляционную матрицу можно увидеть в приложении 1. Таким образом, далее включены в дискриминантный анализ следующие переменные:
Таблица 11. Переменные, включенные в дискриминантный анализ
|
Переменная |
Описание |
|
|
Принадлежность кластеру |
Зависимая переменная: По кластерному анализу: 1 - равноду... |
Подобные документы
Понятие и постановка целей и задач в организации. Анализ разработки задач в ТрансТехСервис. Характеристика деятельности организации. Оценка эффективности методов разработки целей и задач организации ТрансТехСервис и рекомендации по их совершенствованию.
курсовая работа [39,1 K], добавлен 03.12.2008Исторические периоды развития конфликтологии как науки. Рассмотрение сущности, видов и причин возникновения конфликтов с психологической точки зрения. Ознакомление с действиями менеджера по управлению трудовым конфликтом на примере ООО "Морской лед".
курсовая работа [564,2 K], добавлен 05.03.2013Права и функции менеджера. Методы принятия управленческих решений. Описание организационной структуры, задач и направлений работы отдела кадров. Характеристика пионерской, дифференцированной, интеграционной, ассоциативной фаз развития предприятия.
курсовая работа [52,1 K], добавлен 06.11.2010Личность, власть и авторитет менеджера. Сравнительная характеристика менеджера и лидера в организации с точки зрения создания новых ценностей. Формы власти руководителя. Способы влияния на подчиненных. Построение "Дерева" целей хлебобулочного комбината.
курсовая работа [236,5 K], добавлен 13.12.2016Понятие имиджа организации. Стратегическая корпоративная идентичность. Программы формирования имиджа организации. Сущность, роль, значение имиджа менеджера, культура общения. Этико-психологические качества. Культура решения управленческих задач.
контрольная работа [29,1 K], добавлен 27.10.2016Риск-менеджмент - стержневая часть стратегического управления компании. Исследование работы риск-менеджера с точки зрения психологии управления. Анализ психологии восприятия риска: групповая и личная реакция; влияние темперамента; гендерное восприятие.
контрольная работа [125,5 K], добавлен 23.08.2012Понятие, сущность, цели и задачи оперативного контроллинга. Применение методов и инструментов решения оперативных и стратегических задач контроллинга на примере ООО "АС-ДОМ". Определение точки безубыточности. Анализ затрат по методу директ-костинг.
курсовая работа [120,5 K], добавлен 08.04.2011Анализ разработки и принятия управленческих решений как функции менеджера на предприятии ООО "Компьютерный Центр ДНС - Новосибирск". Разработка мероприятий для реализации кадрового решения по совершенствованию процесса отбора и адаптации персонала.
дипломная работа [221,6 K], добавлен 07.08.2012Характерные черты и содержание управленческого труда, специфика решаемых задач. Анализ характера и содержания труда руководителей в магазине "Книги", система мотивации сотрудников и методы управления. Рекомендации по улучшению качества работы менеджера.
курсовая работа [260,4 K], добавлен 07.06.2011Определение основных методов выбора альтернатив управленческого решения, их оценка с точки зрения эффективности и реалистичности менеджмента. Рассмотрение психологических особенностей процесса анализа альтернатив и выбор стратегий в процессе управления.
курсовая работа [21,4 K], добавлен 11.02.2014Анализ процесса организации работ в команде разработчиков программного обеспечения в рамках проектной деятельности с точки зрения эффективности распределения задач между ними. Возможности и условия применения тендерного метода в данном процессе.
дипломная работа [1,2 M], добавлен 29.11.2015Теоретические аспекты управления качеством в сфере услуг. Качество с точки зрения потребителя и производителя. Общая характеристика и анализ ценностей потребителя в сфере парикмахерских услуг. Пути более полного удовлетворения потребностей потребителей.
курсовая работа [75,4 K], добавлен 17.05.2011Управленческие и организационные решения принимаются на всех уровнях управления и являются одной из функций работы менеджера организации в решении поставленных задач. Методы принятия управленческих решений. Алгоритм принятия решения для АО "Казцинк".
контрольная работа [28,2 K], добавлен 05.05.2008Формы отчетности с точки зрения портфельного подхода к анализу рисков компании. Преимущества использования показателя Value-at-Risk — инструмента активного управления рисками. Влияние хеджирования на компанию, стратегические результаты от его внедрения.
статья [52,2 K], добавлен 11.09.2010Решение управленческих задач в агропромышленном комплексе. Задачи и методы регрессионного анализа. Основные методы управления. Парная и множественная линейная регрессия. Нелинейная регрессия и коэффициент эластичности. Влияние маркетинга на прибыль.
контрольная работа [1,9 M], добавлен 13.01.2011Принципы принятия управленческих решений. Этапы рационального решения проблем: диагностика проблемы, формулировка целей, ограничений и критериев решения, определение, оценка и выбор альтернатив, реализация решения. Управленческая деятельность менеджера.
реферат [115,7 K], добавлен 11.10.2013Анализ соотношения концептуальных, социальных и технических навыков на разных уровнях менеджмента. Общая характеристика концепции эмоциональных способностей или эмоционального интеллекта Д. Гоулмена. Классификация менеджеров с точки зрения контактности.
реферат [274,8 K], добавлен 29.06.2010Процесс и система управления предприятием. Характеристика основных целей и задач менеджмента. Изучение принципов формализации процесса управления и методов решения современных задач управления. Анализ идей П.Ф. Друкера - основателя эмпирической школы.
реферат [44,5 K], добавлен 15.06.2010Контроллинг персонала – регулирование деятельности предприятия в области трудовых ресурсов на основе решения задач планирования, учета и контроля. Методы повышения мотивации управленческой деятельности менеджера на предприятиях общественного питания.
дипломная работа [253,0 K], добавлен 01.10.2017Сущность, функции и роль менеджера как руководителя предприятия. Стадии подготовки и методы принятия управленческих решений. Главные качества личности менеджера. Применение этики и психологии в менеджменте. Анализ личности менеджера на предприятии.
курсовая работа [314,1 K], добавлен 06.12.2012
