Сравнительный анализ методов сегментации потребителей с точки зрения задач менеджера

,89

,309

Радио: слушает ли

,58

,493

Газеты: читает ли

,40

,490

Журналы: читает ли

,43

,495

Интернет: пользуется ли

,90

,301

Light потребители растворимого кофе

Пол

,43

,495

Размер городаэ/региона

3,44

,827

Фулл-тайм

,65

,477

Парт-тайм

,08

,277

Студент

,05

,217

Без работы, не ищет

,03

,172

На пенсии

,11

,311

В декрете

,08

,264

Средний доход на члена дэ/х

3,72

1,637

Уровень образования

4,94

1,212

Возраст

40,26

11,980

ТВ: смотрит ли

,94

,237

Радио: слушает ли

,62

,485

Газеты: читает ли

,44

,496

Журналы: читает ли

,43

,495

Интернет: пользуется ли

,88

,323

Medium потребители обоих сортов

Пол

,36

,481

Размер городаэ/региона

3,49

,798

Фулл-тайм

,69

,462

Парт-тайм

,09

,290

Студент

,03

,184

Без работы, не ищет

,02

,141

На пенсии

,10

,303

В декрете

,05

,220

Средний доход на члена дэ/х

4,10

1,588

Уровень образования

5,23

1,114

Возраст

41,66

11,411

ТВ: смотрит ли

,95

,218

Радио: слушает ли

,71

,453

Газеты: читает ли

,55

,498

Журналы: читает ли

,58

,493

Интернет: пользуется ли

,89

,308

Heavy потребители зернового кофе

Пол

,39

,487

Размер городаэ/региона

3,52

,794

Фулл-тайм

,65

,478

Парт-тайм

,11

,309

Студент

,04

,191

Без работы, не ищет

,03

,176

На пенсии

,10

,305

В декрете

,06

,230

Средний доход на члена дэ/х

4,14

1,611

Уровень образования

5,34

1,040

Возраст

41,75

11,615

ТВ: смотрит ли

,92

,278

Радио: слушает ли

,63

,482

Газеты: читает ли

,45

,498

Журналы: читает ли

,48

,500

Интернет: пользуется ли

,91

,291

алгоритм управленческий менеджер

Например, средний возраст представителя группы «равнодушных» - 37 лет, потребителя растворимого кофе - 40 лет, а средний возраст кофемана и любителя зернового кофе - 41 год соответственно. Можно отметить, что разница в возрасте есть, но она совсем небольшая, поэтому маркетологу будет достаточно трудно таргетироваться с точки зрения возраста.

Если рассматривать характеристики каждого из кластеров потребителей кофе, можно отметить, что:

· Light потребители обоих сортов - это мужчина или женщина примерно 37-38 лет, проживающий в городе 500 000 - 999 999 человек, вероятнее всего, работающий на фулл-тайм, с уровнем образования начинающий-незаконченное среднее и с доходом от 10 000 до 14 000 рублей на члена д/х. Данный потребитель вероятнее всего смотрит ТВ и пользуется интернетом, чуть реже слушает радио, читает газеты и журналы.

· Light потребители растворимого кофе - женщина или мужчина, 40 лет, проживающий в городе с населением 500 000 - 999 999 человек, работающий фулл-тайм, с уровнем образования среднее профессиональное-незаконченное высшее и с доходом на члена семьи, равным 14 000 до 19 000 рублей. Потребитель данного кластера более вероятно, чем Light потребители обоих сортов смотрит ТВ, но менее вероятно пользуется интернетом, однако эти два средства коммуникации преобладают. Далее по медиа потреблению идет радио, затем газеты и журналы.

· Medium потребители обоих сортов - вероятнее женщина, нежели мужчина, 41-42 года, проживающая в городе 500 000 - 999 999 человек, работающая фулл-тайм, средний доход 19 000 -27 000 на члена д/х, образование незаконченное высшее - высшее. Чаще всего смотрит ТВ и пользуется интернетом, чуть реже - случает радио. Газеты и журналы по потреблению также остаются на последнем месте.

· Heavy потребители зернового кофе - вероятнее женщина, 41-42 года, проживает в городе 500 000 - 999 999 человек, работает фулл-тайм, образование - незаконченное высшее или высшее, средний доход на члена домохозяйства - 19 000 - 27 000 рублей. Как и у предыдущих кластеров, ТВ и интернет преобладают в качестве потребляемых медиа, затем идет радио и на последних местах газеты и журналы.

Таким образом, выявленные группы достаточно сильно похожи по их социально-демографическим характеристикам. Есть некоторые отличия только в вероятности гендера (получилось, что medium и heavy потребители вероятнее женщины, нежели мужчины и это различие значимо), образовании - менее «образованные» потребители создают кластеры light, а также отличается средний доход на члена домохозяйства - у light кластеров он 10 000 - 14 000 и 14 000 - 19 000 рублей, в то время как у medium и heavy 19 000 - 27 000 рублей. Рассматривая работу, всем группам потребителей, сформированные путем кластерного анализа, свойственно работать на фулл-тайме, что логично, так как большая часть населения России действительно работают на фулл-тайме. Медиа потребление у всех кластеров находится в одной и той же тенденции, различия минимальны: на первых местах стоят ТВ и интернет, затем идет радио, а последние места занимают газеты и журналы.

Получается, что нет очень сильных различий внутри кластеров по выбранным для прогноза характеристикам. Однако, рассматривая общую Лямбду Уилкса по модели, можно отметить, что она значима (на уровне значимости 1%) во всех трех случаях. Таким образом, все группы все же отличаются друг от друга, несмотря на то что средние значения каждого кластера не сильно отличаются, различия, которые присутствуют, статистически значимы. Именно поэтому данная модель может быть использована для построения прогноза.

Таблица 14. Лямбда Уилкса для модели

	Лямбда Уилкса	Хи-квадрат	ст.св.	Значимость
От 1 до 3	,924	832,456	48	,000
От 2 до 3	,970	316,890	30	,000
3	,992	82,359	14	,000

Однако задачей менеджера, которая должна решить при помощи дискриминантного анализа, является то, что менеджер сможет классифицировать новых потребителей рынка и отнести их к тем кластерам, которые были сформированы ранее. Для этого рассмотрим прогнозную возможность построенной модели.

Таблица 15. Результаты классификации

	light потребители обоих сортов	light потребитель растворимого кофе	medium потребители обоих сортов	heavy потребители зернового кофе
Кол.	light пот. обоих сортов	1094	918	901	732
	light потребитель растворимого кофе	559	958	766	591
	medium пот. обоих сортов	284	487	880	467
	heavy потребители зернового кофе	338	380	562	565
	Несгруппированные наблюдения	5	10	12	8
%	light пот. обоих сортов	30,0	25,2	24,7	20,1
	light потребитель растворимого кофе	19,5	33,3	26,7	20,6
	medium потребители обоих сортов	13,4	23,0	41,5	22,0
	heavy пот. зернового кофе	18,3	20,6	30,5	30,6
	Несгруппированные наблюдения	14,3	28,6	34,3	22,9
a. 33,4% исходных сгруппированных наблюдений классифицированы правильно.

Исходя из данных таблицы 15, можно сделать вывод о том, что данная модель верно прогнозирует 33,4% наблюдений. Если рассматривать более детально, модель верно предсказала «попадание» в кластеры 30% кластера равнодушных, 33,4% - потребителей растворимого кофе, и 41,5% и 30,6% кофеманов любителей зернового кофе соответственно. Прогнозная сила модели не является «отличной», так как она предугадывает меньше половины попадания пользователей в кластеры по их характеристикам. Однако данная тенденция объяснима: ранее было описано, что получившиеся кластеры не сильно отличатся дщруг от друга по выделенным социально-демографическим характеристикам и медиа потреблению, именно поэтому прогнозная сила модели оказалась мала.

3.4.4 Дискриминантный анализ по данным латентно-классового анализа

После построения можно отметить, что значимые различия по выбранным характеристикам не имеются по всем независимым переменным, сравнивая с предыдущей моделью. Если рассматривать значение Лямбды Уилска, почти во всех случаях ее значение достаточно сильно приближено к 1, следовательно, средние значения дискриминирующей функции для каждого класса сильно не различаются друг от друга. Более подробную информацию о конкретных значениях Лямбды Уилкса и значимости можно увидеть в таблице 16. Таким образом, выявленные ЛКА сегменты не отличаются ни по одной характеристике, которые были выбраны для анализа.

Таблица 16. Критерии равенства групповых средних

	Лямбда Уилкса	F	Значимость
Пол	1,000	,719	,634
Размер городаэ/региона	1,000	,853	,529
Фулл-тайм	1,000	,839	,539
Парт-тайм	,999	,944	,462
Студент	1,000	,210	,974
Без работы, не ищет	1,000	,716	,637
На пенсии	1,000	,852	,530
В декрете	,999	2,175	,042
Средний доход на члена дэ/х	,999	1,398	,211
Уровень образования	,999	1,774	,100
Возраст	1,000	,783	,584
ТВ: смотрит ли	,999	1,220	,293
Радио: слушает ли	1,000	,359	,905
Газеты: читает ли	1,000	,207	,975
Журналы: читает ли	1,000	,516	,797
Интернет: пользуется ли	1,000	,504	,806

Данную тенденцию (нет значимых отличий значений независимых во всех группах) можно проследить и по таблице за значениями Лямбды Уилкса, которая показывает, что нет значимых различий между всеми группами.



Таблица 17. Лямбда Уилкса

Критерий для функций	Лямбда Уилкса	Хи-квадрат	Значимость
От 1 до 6	,991	91,321	,616
От 2 до 6	,994	62,490	,848
От 3 до 6	,996	38,233	,967
От 4 до 6	,998	17,313	,999
От 5 до 6	,999	8,945	,998
6	1,000	3,773	,976

Средние значения характеристик (независимых переменных) в разных кластерах можно увидеть в таблице.

Таблица 18. Статистика группы

		Среднее	Среднекв. отклонение
Light потребители растворимого кофе	Пол	,42	,493
	Размер городаэ/региона	3,47	,810
	Фулл-тайм	,65	,476
	Парт-тайм	,09	,291
	Студент	,06	,239
	Без работы, не ищет	,02	,154
	На пенсии	,09	,288
	В декрете	,07	,254
	Средний доход на члена дэ/х	3,94	1,647
	Уровень образования	5,06	1,193
	Возраст	39,71	11,900
	ТВ: смотрит ли	,92	,268
	Радио: слушает ли	,63	,482
	Газеты: читает ли	,45	,497
	Журналы: читает ли	,48	,500
	Интернет: пользуется ли	,89	,310
Не потребляют	Пол	,43	,495
	Размер городаэ/региона	3,44	,826
	Фулл-тайм	,66	,475
	Парт-тайм	,09	,293
	Студент	,06	,246
	Без работы, не ищет	,03	,171
	На пенсии	,10	,300
	В декрете	,05	,227
	Средний доход на члена дэ/х	3,90	1,633
	Уровень образования	5,05	1,197
	Возраст	39,80	12,197
	ТВ: смотрит ли	,93	,253
	Радио: слушает ли	,63	,484
	Газеты: читает ли	,45	,498
	Журналы: читает ли	,47	,499
	Интернет: пользуется ли	,89	,307
Light потребители обоих сортов	Пол	,42	,494
	Размер городаэ/региона	3,50	,789
	Фулл-тайм	,64	,481
	Парт-тайм	,11	,310
	Студент	,07	,247
	Без работы, не ищет	,03	,175
	На пенсии	,09	,279
	В декрете	,07	,250
	Средний доход на члена дэ/х	3,95	1,650
	Уровень образования	5,09	1,204
	Возраст	40,19	12,149
	ТВ: смотрит ли	,91	,283
	Радио: слушает ли	,62	,485
	Газеты: читает ли	,46	,498
	Журналы: читает ли	,47	,500
	Интернет: пользуется ли	,89	,310
Heavy потребители зернового кофе	Пол	,41	,492
	Размер городаэ/региона	3,48	,816
	Фулл-тайм	,63	,483
	Парт-тайм	,09	,292
	Студент	,06	,242
	Без работы, не ищет	,03	,162
	На пенсии	,10	,295
	В декрете	,08	,267
	Средний доход на члена дэ/х	4,00	1,631
	Уровень образования	5,08	1,195
	Возраст	39,69	12,240
	ТВ: смотрит ли	,92	,278
	Радио: слушает ли	,64	,481
	Газеты: читает ли	,45	,498
	Журналы: читает ли	,45	,498
	Интернет: пользуется ли	,89	,317
Heavy потребители обоих сортов	Пол	,40	,491
	Размер городаэ/региона	3,46	,824
	Фулл-тайм	,64	,482
	Парт-тайм	,09	,281
	Студент	,07	,248
	Без работы, не ищет	,02	,152
	На пенсии	,10	,295
	В декрете	,07	,261
	Средний доход на члена дэ/х	3,90	1,616
	Уровень образования	5,08	1,188
	Возраст	39,61	11,977
	ТВ: смотрит ли	,91	,281
	Радио: слушает ли	,63	,483
	Газеты: читает ли	,44	,497
	Журналы: читает ли	,46	,498
	Интернет: пользуется ли	,90	,304
Medium потребители растворимого кофе	Пол	,40	,489
	Размер городаэ/региона	3,47	,802
	Фулл-тайм	,63	,484
	Парт-тайм	,08	,276
	Студент	,07	,251
	Без работы, не ищет	,03	,177
	На пенсии	,10	,300
	В декрете	,08	,278
	Средний доход на члена дэ/х	3,98	1,656
	Уровень образования	5,14	1,197
	Возраст	39,58	12,010
	ТВ: смотрит ли	,92	,273
	Радио: слушает ли	,62	,486
	Газеты: читает ли	,45	,497
	Журналы: читает ли	,46	,499
	Интернет: пользуется ли	,90	,297
Medium покупатели	Пол	,43	,495
	Размер городаэ/региона	3,48	,811
	Фулл-тайм	,65	,478
	Парт-тайм	,10	,295
	Студент	,06	,236
	Без работы, не ищет	,03	,159
	На пенсии	,11	,312
	В декрете	,06	,236
	Средний доход на члена дэ/х	4,06	1,618
	Уровень образования	5,19	1,162
	Возраст	40,43	12,375
	ТВ: смотрит ли	,93	,251
	Радио: слушает ли	,62	,486
	Газеты: читает ли	,44	,497
	Журналы: читает ли	,48	,500
	Интернет: пользуется ли	,91	,291

Таким образом, образованные кластеры не отличаются друг от друга по социально-демографическим характеристикам и медиа потреблению - характеристикам, которые были выбраны для анализа. Проводить прогноз по таким данным не имеет смысла, так как группы будет очень тяжело различить между собой и прогнозная сила модели будет крайне маленькой.

Выявленный портрет потребителя кофе (в целом, раз кластеры статистически не отличаются по выбранным характеристикам, включаем также кластер «не потребляет»): скорее женщина, нежели мужчина, 39-40 лет, проживает в городе 500 000 - 999 999 человек, работает фулл-тайм, уровень образования незаконченное высшее - высшее, средний доход на члена домохозяйства 19 001 - 27 000 рублей. Чаще всего смотрит ТВ и пользуется интернетом, далее по потреблению следует радио, а жерналы и газеты - на последнем месте.

3.4.5 Дискриминантный анализ: выводы

«Прогнозируемый» процент не является высоким (30,4% для модели по данным кластерного анализа, для ЛКА прогноз не был построен, так как различия между кластерами оказались статистически незначимы), поэтому можно сделать следующие выводы:

Дискриминантный анализ действительно помогает классифицировать индивидов разных кластеров (сформированных ранее) по различным характеристикам. Это могут быть как социально-демографические факторы, так и характеристики медиа потребления. Однако в модели обязательно должны присутствовать как минимум порядковые шкалы. Более того, модель чувствительна к взаимосвязям между независимыми переменными, поэтому они не должны быть сильно связаны друг с другом, чтобы избежать возникновения мультиколлинеарности и искажения результатов.

Дискриминантный анализ достаточно прост в проведении и доступен во многих статистических пакетах, что также является достаточным преимуществом. Несмотря на достоинства модели, с точки зрения прогнозирования и предсказывания полученная модель предсказывает 30% попадания в определенный кластер, что является не самым ожидаемым результатом для менеджера, так как ему необходимо получить более точный прогноз.

Для улучшения прогнозной способности модели могут быть выбраны, допустим, другие данные, другие характеристики индивидов, которые более точно будет описывать различия индивидов «вне» кластеров. Однако если рассматривать случай потребителей кофе, можно сказать, что данный метод анализа не подходит для решения второй задачи менеджера: спрогнозировать попадание пользователей в определенный кластер.

Таким образом, использование данного метода не рекомендуется менеджеру в данном кейсе.

3.4.6 Дерево решений (CHAID) для кластеров, сформированных при помощи кластерного анализа: проведение и оценка результатов

Для проведения анализа с использованием метода дерева решений будут оценены идентичные зависимые и независимые переменные, которые были описаны в таблице 11 параграфа 3.4.2. Использование идентичные метрик поможет точно сравнить дискриминантный анализ и дерево решений и их прогнозную способность для кейса рынка кофе, а также именно эти показатели могут быть использованы в последствии для построения маркетинговой стратегии и настройки маркетинг-микса для «кофеманов».

После проведения процедуры CHAID было получено дерево решений, визуализацию которого можно увидеть в приложении 2.

Рассмотрев классификацию по дереву решений, можно сделать следующие описания сегментов:

Light потребители обоих сортов:

1. Студент или не студент и возраст меньше 24 лет

Или

2. Размер города больше 500 000 - 999 999 человек и возраст 28-31 лет

Или

3. Женщина или мужчина и возраст 31-36 лет

Или

4. Средний доход на человека меньше 14 000-19 000 или средний доход больше 14 001-19 000 и образование выше «высшего незаконченного» и возраст 36-44 лет

Или

5. Женщина

Или

6. Образование выше «незаконченного высшего» и возраст больше 56 лет

Или

7. Возраст 24-28 лет

Light потребитель растворимого кофе:

1. Размер города региона меньше или равно 500 000 - 999 999

Или

2. Образование ниже или равно «незаконченное высшее»

Или

3. Женщина или мужчина и образование равно или меньше «незаконченного высшего» и возраст 44-56

Или

4. Образование меньше или равно незаконченное высшее

Medium потребители обоих сортов:

1. Образование выше незаконченного высшего

Heavy потребители зернового:

1. Мужчина

По получившемуся описанию можно отметить, что больше всего «описания» досталось добиться по кластеру «light потребители обоих сортов». Это можно объяснить, во-первых, тем, что в самой базе данный кластер в процентном соотношении имеет наибольшую массу - 35% от всех потребителей, а во-вторых, light потребителей любого продукта найти достаточно просто: почти все люди хоть раз в месяц употребляют массу товаров FMCG, к которым и относится кофе.

Таблица 21. Прогнозная способность модели

По таблице 21 можно отметить, что общий процент корректно угаданных попаданий в кластер - 35,4%, что является на текущий момент наилучшей прогнозной силой, если, например, сравнивать с дискриминантным анализом, проведенным ранее. Модель верно классифицировала 72,7% light потребителей обоих сортов, 31,8% - light потребителей растворимого кофе, 0% - medium потребителей обоих сортов и 9,9% - heavy потребителей зернового кофе. Точнее всего было определено попадание в кластер light потребители обоих сортов, что связано в первую очереди с тем, что данный кластер наиболее точно был описан при помощи дерева и имеет наибольшую долю - 67,6%.

3.4.7 Дерево решений (CHAID) для кластеров, сформированных при помощи латентно-классового анализа: проведение и оценка результатов

Рассматривая же прогнозирования попадания в кластеры методом CHAID для кластеров, которые были сформированы при помощи латентно-классового анализа, было получены следующие результаты:

алгоритм управленческий менеджер

Рисунок 5. Диаграмма древовидная по результатам CHAID

Как можно отметить по рисунку 5, дерево решений отнесло всех индивидов к одному кластеру: light потребители растворимого кофе. Никакого деления не произошло. По таблице 22 можно увидеть прогнозную способность модели: CHAID отнес все наблюдения к одному кластеру - light потребители растворимого кофе. Общая процентная доля прогноза - 25,9%.

Таблица 22. Прогнозная способность модели

Наблюденные	Предсказанные
	light потребители растворимого кофе	не потребляют	light потребители обоих сортов	heavy потребители зернового кофе	heavy потребители обоих сортов	medium потребители растворимого кофе	medium покупатель	Процент правильных
light потребители растворимого кофе	3565	0	0	0	0	0	0	100,0%
не потребляют	2393	0	0	0	0	0	0	0,0%
light потребители обоих сортов	2107	0	0	0	0	0	0	0,0%
heavy потребители зернового кофе	1740	0	0	0	0	0	0	0,0%
heavy потребители обоих сортов	1543	0	0	0	0	0	0	0,0%
medium потребители растворимого кофе	1380	0	0	0	0	0	0	0,0%
medium покупатель	1053	0	0	0	0	0	0	0,0%
Общая процентная доля	100,0%	0,0%	0,0%	0,0%	0,0%	0,0%	0,0%	25,9%

3.4.8 Дерево решений (CHAID): выводы

Таким образом можно отметить, что дерево решений также может быть использовано для решения второй задачи менеджера, как и дискриминантный анализ. Однако в данном случае дерево решений (CHAID) «сработало» только для прогноза кластеров, которые были образованы при помощи кластерного анализа. С точки зрения тех кластеров, которые были выявлены при помощи латентно-классового анализа, дерево решений спрогнозировало попадание лишь в один кластер.

Прогнозная сила дерева решений для кластеров, которые были сформированы при помощи кластерного анализа - 35,4%, что является достаточно высокой прогнозной силой, но для менеджера погрешность, которая возникает при построении прогноза, все-таки может быть значительной.

Менеджеру можно использовать данный метод после кластерного анализа, однако необходимо оценить риски «ошибки» при попадании индивида в иной кластер. Для улучшения прогноза необходимо рассмотреть иные характеристики пользователей, которые будут более точно «разграничивать» выделяемые кластеры.

3.4.9 Дискриминантный анализ и дерево решений (CHAID): сравнение

В случае анализа прогнозирования попадания пользователей в определенный кластер при помощи методов дискриминантного анализа и деревья решений было построены 4 модели: результаты показали, что наилучшим прогнозом обладает CHAID при использовании классификации, которая была выявлена при помощи кластерного анализа. Формально и математически методы справились со своей задачей, разделив пользователей по кластерам по определенным характеристикам, которые были выявлены на первоначальном этапе: социально-демографические характеристики и медиа потребление.

Однако необходимо отметить, что прогнозная способность лучшей модели в целом всего 35,4%, что является низкой для применения в маркетинговой стратегии, так как прогноз оказался довольно «грубый».

Это может быть связано как с тем, что данные характеристики (социально-демографические и медиа потребление) не значимо отличаются внутри выделенных кластеров, что было явно выявлено дискриминантным анализом. Следовательно, прогнозировать «попадание» в кластеры именно с точки зрения данных характеристик некорректно. Данный феномен можно объяснить с точки зрения здравого смысла - кофе действительно пьют все, и взрослые, и дети, и студенты, и трудящиеся, и те, кто смотрит ТВ, и те, кто пользуется мобильным телефоном, потому что кофе - очень распространенный товар с точки зрения потребления.

Таким образом, модели могут справиться со своей задачей и, скорее всего, дерево решений будет иметь более «точный» характер, так как оно описывает производит дополнительное разбиение по самым значимым параметрам, ищет «типологию» внутри кластера, дискриминантный же анализ является более обобщенным, который выявляет значимость различий по заданным характеристикам.



Заключение

алгоритм управленческий менеджер

После проведения исследования можно отметить, что в литературе действительно имеется множество математических методов, которые можно применить для сегментирования потребителей с точки зрения задач менеджера: сегментирования еще неизвестного нового рынка, нахождения кластеров и прогнозирования попадания новых пользователей в выявленные ранее кластеры. Также присутствует ряд моделей, которые могут решать обе проблемы менеджера.

Более того, в исследовании была проведена оценка и сравнение двух методов, которые помогают разбить изначальный рынок на кластеры: кластерный анализ и латентно-классовый анализ и двух, что помогают прогнозировать попадание в кластеры по ряду выделенных характеристик: дискриминантный анализ и дерево решений (CHAID).

На основе проведенного анализа можно отметить, что как кластерный, так и латентно-классовый анализ справились со своей задачей и выделили группы потребителей, схожими по своему потребительскому поведению с точки зрения покупки и потребления кофе. Несмотря на то что методы нашли разное количество кластеров: 4 было выделено при помощи кластерного анализа и 7 - при помощи латентно-классового анализа, - оба метода сформировали хорошо интерпретируемые с точки зрения здравого смысла и логики кластеры. Однако следует отметить, что кластерный анализ более прост в исполнении, так как доступен во многих статистических пакетах и требует меньшего времени расчета, нежели латентно-классовый анализ. С другой стороны, кластеры, выделяемые при помощи латентно-классового анализа, априори являются однородными, что нельзя отметить по кластерам, которые были сформированы путем проведения кластерного анализа.

Если смотреть на оба метода с точки зрения менеджера, можно отдать предпочтение латентно-классовому анализу с точки зрения выполнения свойств однородности, но в случае, если инструментарий проведения латентно-классового анализа недоступен или необходимо провести расчет очень быстро, кластерный анализ может помочь сегментировать рынок.

Рассматривая методы, которые решают вторую задачу менеджера - прогнозирование попадания индивида в определенный кластер по заданным характеристикам - можно отметить, что как дискриминантный анализ, так и дерево решений выполнили свою задачу с точки зрения вычисления: пользователи были «разбиты» по кластерам с точки зрения социально-демографических характеристик и медиа потребления. Однако качество прогноза оказалось низким: прогнозная способность лучшей модели в целом оказалась всего 35,4%. Слабый прогноз может быть связан с тем, что кофе, как товар FMCG, потребляется и приобретается огромными массами людей, которые обладают совершенно разными социально-демографическими характеристиками и медиа потреблением, поэтому для решения второй задачи менеджера (прогнозирования попадания индивидов в сформированные сегменты), необходимо несколько «сузить» стратегию:

· Провести более полное маркетинговое исследования с точки зрения не рынка кофе в целом, а конкретного продвигаемого бренда: оценить, насколько потребители выделенного бренда отличаются по социально-демографическим характеристикам от потребителей других брендов кофе, а затем прогнозировать попадание уже при помощи данных характеристик.

· Использовать как предикторы характеристики, которые отражают именно поведенческие характеристики индивида (наблюдаемые, зависимые от продукта по классификации Wedel et al., 2012): например, покупка в определенном месте, онлайн/оффлайн покупка, лояльность определенному бренду; онлайн метрики - баунс рейт, количество просмотренных страниц, активность на сайтах конкурентов, количество товаров, положенных в корзину). Поведенческие признаки более точно смогут помочь спрогнозировать попадание индивида в тот или иной кластер, однако возникает вопрос о том, возможно ли получить те или иные данные и как настроить рекламную кампанию с точки зрения данных характеристик: допустим, таргетинг по ТВ будет исключительно по аудитории определенного канала, поэтому необходимо знать не только поведенческие признаки, но и социально-демографические характеристики индивидов. С точки же зрения онлайн-продвижения все, наоборот, необходимо настраивать скорее на поведенческие характеристики, нежели на социально-демографическую составляющую: в онлайн маркетинге на текущий момент возник тренд перформанс-маркетинга, который как раз отвечает за формирование рекламных объявлений для пользователей на основе их поведения в сети.

Таким образом, в ходе данного исследования был выделен ряд методов, которые могут использоваться для двух разных задач менеджера. С точки зрения методов, которые структурируют новый рынок маркетолог может использовать как кластерный, так и латентно-классовый анализ, однако для решения второй задачи (прогнозирования попадания в сформированные кластеры по заданных характеристикам) необходимо провести более глубокий анализ и рассмотреть точные цели маркетинговой стратегии и каналов продвижения. С формальной точки зрения, когда будут выделены, допустим, иные характеристики индивидов (поведенческие), менеджер может проводить как дискриминантный, так и метод деревьев решений и определять вероятность попадания индивида по его характеристикам.

Данная работа позволяет более наглядно рассмотреть доступные методы классификации пользователей и содержит перспективы для дальнейшего расширения методологических рекомендаций по применению методов сегментирования на практике.

Использованная литература

алгоритм управленческий менеджер

1.Anderson W. T., Cox E. P., Fulcher D. G. Bank selection decisions and market segmentation //Journal of Marketing. - 1976. - Т. 40. - №. 1. - С. 40-45.

2.Ansell J., Harrison T., Archibald T. Identifying cross-selling opportunities, using lifestyle segmentation and survival analysis //Marketing Intelligence & Planning. - 2007. - Т. 25. - №. 4. - С. 394-410.

3.Bailey C. et al. Segmentation and customer insight in contemporary services marketing practice: why grouping customers is no longer enough //Journal of Marketing Management. - 2009. - Т. 25. - №. 3-4. - С. 227-252.

4.Balakrishnan P. V. S. et al. A study of the classification capabilities of neural networks using unsupervised learning: A comparison withK-means clustering //Psychometrika. - 1994. - Т. 59. - №. 4. - С. 509-525.

5.Bass F. M., Pessemier E. A., Tigert D. J. A taxonomy of magazine readership applied to problems in marketing strategy and media selection //The Journal of Business. - 1969. - Т. 42. - №. 3. - С. 337-363.

6.Bцckenholt U., Bцckenholt I. Constrained latent class analysis: Simultaneous classification and scaling of discrete choice data //Psychometrika. - 1991. - Т. 56. - №. 4. - С. 699-716.

7.Bцckenholt U., Langeheine R. Latent change in recurrent choice data //Psychometrika. - 1996. - Т. 61. - №. 2. - С. 285-301.

8.Bolton R. N., Myers M. B. Price-based global market segmentation for services //Journal of Marketing. - 2003. - Т. 67. - №. 3. - С. 108-128.

9.Bonoma T. V., Shapiro B. P. Evaluating market segmentation approaches //Industrial Marketing Management. - 1984. - Т. 13. - №. 4. - С. 257-268.

10.Bonoma T. V., Shapiro B. P. Segmenting the industrial market. - Lexington Books, 1983.

11.Calantone R. J., Sawyer A. G. The stability of benefit segments //Journal of Marketing Research. - 1978. - С. 395-404.

12.Cao Y., Gruca T. S. Reducing adverse selection through customer relationship management //Journal of Marketing. - 2005. - Т. 69. - №. 4. - С. 219-229.

13.Chan C. C. H. Intelligent value-based customer segmentation method for campaign management: A case study of automobile retailer //Expert systems with applications. - 2008. - Т. 34. - №. 4. - С. 2754-2762.

14.Claxton J. D., Fry J. N., Portis B. A taxonomy of prepurchase information gathering patterns //Journal of consumer research. - 1974. - Т. 1. - №. 3. - С. 35-42.

15.Craft S. H. A factor analytic study of international segmentation performance measures //Journal of Euromarketing. - 2004. - Т. 13. - №. 4. - С. 79-89.

16.DeSarbo W. S., Cron W. L. A maximum likelihood methodology for clusterwise linear regression //Journal of classification. - 1988. - Т. 5. - №. 2. - С. 249-282.

17.DeSarbo W. S., Ramaswamy V., Chatterjee R. Analyzing constant-sum multiple criterion data: A segment-level approach //Journal of Marketing Research. - 1995. - С. 222-232.

18.DeSarbo W. S., Ramaswamy V., Lenk P. A latent class procedure for the structural analysis of two-way compositional data //Journal of Classification. - 1993. - Т. 10. - №. 2. - С. 159-193.

19.Dibb S. Market segmentation: strategies for success //Marketing Intelligence & Planning. - 1998. - Т. 16. - №. 7. - С. 394-406.

20.Dibb S., Stern P., Wensley R. Marketing knowledge and the value of segmentation //Marketing Intelligence & Planning. - 2002. - Т. 20. - №. 2. - С. 113-119.

21.Dickson P. R., Ginter J. L. Market segmentation, product differentiation, and marketing strategy //The Journal of Marketing. - 1987. - С. 1-10.

22.Dillon W. R. Latent structure and other mixture models in marketing: an integrative survey and overview //Advanced methods in marketing research. - 1994. - С. 295-351.

23.Dillon W. R., Kumar A., de Borrero M. S. Capturing individual differences in paired comparisons: An extended BTL model incorporating descriptor variables //JMR, Journal of Marketing Research. - 1993. - Т. 30. - №. 1. - С. 42.

24.Evans F. B. Psychological and objective factors in the prediction of brand choice Ford versus Chevrolet //The Journal of Business. - 1959. - Т. 32. - №. 4. - С. 340-369.

25.Foedermayr E., Diamantopoulos A., Sichtmann C. Export segmentation effectiveness: index construction and link to export performance //Journal of Strategic Marketing. - 2009. - Т. 17. - №. 1. - С. 55-73.

26.Francetic M., Nagode M., Nastav B. Hierarchical clustering with concave data sets //Metodoloski Zvezki. - 2005. - Т. 2. - №. 2. - С. 173.

27.Frank R. E., Massey W. F., Wind Y. Market segmentation. - Prentice Hall, 1972.

28.Giloni A., Seshadri S., Tucci C. L. Neo?Rawlsian Fringes: A New Approach to Market Segmentation and New Product Development //Journal of Product Innovation Management. - 2008. - Т. 25. - №. 5. - С. 491-507.

29.Gonzlez-Benito, Gonzlez-Benito J. The role of geodemographic segmentation in retail location strategy //International Journal of Market Research. - 2005. - Т. 47. - №. 3. - С. 295-316.

30.Green P. E., Carmone F. J., Wachspress D. P. Consumer segmentation via latent class analysis //Journal of Consumer Research. - 1976. - Т. 3. - №. 3. - С. 170-174.

31.Greeno D. W., Sommers M. S., Kernan J. B. Personality and implicit behavior patterns //Journal of Marketing Research. - 1973. - С. 63-69.

32.Grover R., Srinivasan V. A simultaneous approach to market segmentation and market structuring //Journal of Marketing Research. - 1987. - С. 139-153.

33.Grover R., Srinivasan V. An approach for tracking within-segment shifts in market shares //Journal of Marketing Research. - 1989. - Т. 26. - №. 2. - С. 230.

34.Gupta S., Chintagunta P. K. On using demographic variables to determine segment membership in logit mixture models //Journal of Marketing Research. - 1994. - С. 128-136.

35.Hammond K., Ehrenberg A. S. C., Goodhardt G. J. Market segmentation for competitive brands //European Journal of Marketing. - 1996. - Т. 30. - №. 12. - С. 39-49.

36.Harrington R. J., Tjan A. K. Transforming strategy one customer at a time //Harvard business review. - 2008. - Т. 86. - №. 3.

37.Harrison D., Kjellberg H. Segmenting a market in the making: Industrial market segmentation as construction //Industrial Marketing Management. - 2010. - Т. 39. - №. 5. - С. 784-792.

38.Hines T., Quinn L. Socially constructed realities and the hidden face of market segmentation //Journal of marketing Management. - 2005. - Т. 21. - №. 5-6. - С. 529-543.

39.Hruschka H. Market definition and segmentation using fuzzy clustering methods //International Journal of research in Marketing. - 1986. - Т. 3. - №. 2. - С. 117-134.

40.Hultйn B. Customer segmentation: The concepts of trust, commitment and relationships //Journal of Targeting, Measurement and Analysis for Marketing. - 2007. - Т. 15. - №. 4. - С. 256-269.

41.Jiang T., Tuzhilin A. Segmenting customers from population to individuals: Does 1-to-1 keep your customers forever? //IEEE Transactions on ...