Успехи в области исследований по сегментированию

Множество статей, опубликованных в «Marketing Science» и в «Journal of Marketing Research», отражают достижения в области исследований по сегментированию и моделированию, которые концентрируются вокруг приведенных ниже шести «инструментов».

Классификация

Классификация методов сегментирования рынка особенно важна для кластерного подхода сегментирования и для моделей, опирающихся на гибридный подход. Кластерное сегментирование включает определение количества, размера и характеристик сегментов путем разделения всей совокупности респондентов на группы по «уместным» переменным. Сегментирование по искомым выгодам, потребностям и отношению используется в этом типе подхода.

Гибридное сегментирование включает те случаи, когда сегментирование по приоритетной переменной (характер покупки или использования товара, лояльность или тип потребителя) усиливается кластерной группировкой по таким переменным, как искомые выгоды. Гибридное сегментирование особенно часто встречается в сегментировании промышленных рынков.

Часто на практике используются и подходы макро и микросегментирования, и сегментирование методом последовательных группировок. Примером сегментирования методом последовательных группировок может служить определение сегментов по демографическим переменным и выделение внутри каждого сегмента групп, которые отличаются своим отношением (или искомой выгодой).

Дискриминация

Дискриминантные методы, применяемые для установки профиля сегментов, обычно используют множественный дискриминантный или регрессионный анализ. Такие статистические методы часто усиливаются графическими пакетами, которые показывают профиль сегментов.

Одновременная оценка нескольких сегментов, их профиля и желаемого позиционирования для набора товаров и услуг

Эта сфера исследования, которой уделяется огромное внимание со стороны исследователей, включает многомерное шкалирование и многомерный статистический анализ. Примером сопряженного анализа могут служить действия по одновременной оценке размеров сегмента, его предпочтений и позиционирования товара. Подобные исследования обычно представляют результаты в виде карт, моделей логит-анализа, которые применяются одновременно для сегментирования и структурирования рынка. Это отражено в работах Р. Буклина и С. Гупта, а также Р. Грувера и В. Шринивасана.

Одна из наиболее интересных разработок в этой области — это покомпонентное сегментирование. Эта модель, предложенная П. Е. Грином и В. С. Де Сарбо, смещает акценты в сегментировании рынка на личностные характеристики (описанные набором демографических и психографических характеристик), которым будут лучше соответствовать особенности товара. В покомпонентном сегментировании исследователь заинтересован в сопоставлении параметров ценности товара и различных характеристик респондента (демографические, использование товара и т. д.).

В типичном подходе сопряженного анализа разрабатывается матрица полезности. Матрица может использоваться как исходная база для описания профиля некоторых предполагаемых (априори) сегментов (например, пользователи и непользователи товара) или альтернативно для программы кластеризации, которая в итоге идентифицирует количество сегментов по искомым выгодам. В покомпонентном сегментировании одни и те же принципы помогают выбрать (товарные) стимулы и сгруппировать респондентов.

Например, при изучении новой услуги страхования был выделен набор из четырех характеристик респондентов: возраст, пол, семейное положение и вид страховки, которой человек пользуется в данный момент. Далее подбираются те респонденты, которые обладают характеристиками заданного профиля. Каждый респондент опрашивается в соответствии с поставленными задачами сопряженного анализа на предмет оценки им набора характеристик гипотетического товара (услуг по страхованию).

Завершив стадию сбора информации, исследователь должен сгруппировать в матрицу усредненные оценки маркетинговых стимулов отдельными группами респондентов. Эта матрица позволяет составить любое количество покомпонентных моделей сегментирования, которые выделяют индивидуальные значения каждого параметра ценности для каждого уровня характеристик товара (атрибутов) и для каждого профиля характеристик покупателей, показывая, насколько каждый параметр влияет на изменение оценки.

Определив эти два набора параметров, исследователь может сделать предложения относительно развития любых возможных свойств товара для любых типов потребителей.

Покомпонентное сегментирование предлагает концептуально новый подход к рыночному сегментированию, фокусируясь не только на формировании блоков сегментов, но и на сопряженном анализе рыночного сегмента дли каждого существующего предложения товара и на оценке наиболее делаемого предложения (или позиционирования) для данного сегмент». Концепция и алгоритм покомпонентного сегментирования могут быть расширены так, чтобы использовать не только два набора характеристик (атрибуты товара и характеристики респондента), а три или более, например, добавляя характеристики использования товара и его распределения.

Управление базами данных

Управление базами данных включает создание, изменение и предоставление доступа к базам данных и объединение их с системой поддержки принятия решения. Интерес к этой области проявляется исключительно со стороны менеджеров, и поэтому эта область до сих пор недостаточно разработана.

Моделирование и оптимизация

Моделирование и оптимизация незаменимы при выборе целевого портфеля сегментов. Эти модели обычно основываются на результатах сопряженного анализа. Наиболее действенный подход в этой сфере — это гибкое (эластичное) сегментирование. По сравнению с априорным сегментированием, когда сегменты определяются по предполагаемым переменным в начале исследования, и с кластерным сегментированием, когда выбранные сегменты формируются по результатам кластерного анализа, модели гибкого сегментирования предлагают динамический подход к проблеме.

Используя этот подход, можно разработать и проверить большое количество различных сегментов, каждый из которых включает потребителей или организации со схожим восприятием новых «пробных» продуктов (определенных по конфигурации специфических характеристик товара). Гибкое сегментирование объединяет результаты сопряженного анализа и компьютерное моделирование поведения потребителей при выборе товара.

Имитационная модель гибкого сегментирования включает три набора данных.

  1. Полезность различных факторов и уровней для каждого респондента.
  2. Воспринимаемые различия или ранжирование существующих марок с точки зрения некоторого набора атрибутов.
  3. Набор демографических и других исходных характеристик.

Активное участие менеджеров также необходимо для разработки набора «характеристик нового товара» (каждый определен как уникальная комбинация характеристик товара — специфический уровень воплощения каждого фактора получен по результатам сопряженного анализа). Участие менеджеров может осуществляться в реальном времени при непосредственном взаимодействии с компьютерными моделями. Менеджеры также могут заранее определять число приемлемых концепций нового товара или отбирать «лучшие» комбинации характеристик товара.

Модель потребительского выбора основывается на предположении, что потребители максимизируют полезность выбираемого предложения (нового товара или торговой марки). Модель разрабатывается для выяснения: доли потребителей, выбирающих существующие торговые марки, которые рассматриваются в отношении реальной доли рынка, возможности переключения потребителей на некоторый новый товар. Эта фаза предоставляет серию матриц переключения на другие торговые марки. Внутри каждой матрицы менеджер может выбрать любую ячейку или их комбинацию в качестве возможного рыночного сегмента.

Когда желаемые сегменты (ячейка или комбинация ячеек) отобраны, то могут быть определены демографические характеристики, стиль жизни, характер покупки товара и его использования и другие соответствующие характеристики сегмента с помощью множественного дискриминантного анализа, включенного в моделирование.

Одними из наиболее важных достижений в области сегментирования за последние десять лет являются разработки процедур моделирования и оптимизации и связанного с ними доступного для пользователя программного обеспечения. Разработки П. Грина и А. Кригера существенно упрощают задачу выбора оптимального (или близкого к оптимальному) набора сегментов.

Связь разработок по сегментированию с субъективными суждениями менеджеров

Так как решения, связанные с портфелем сегментов очень сложны, то полезно использовать методологию, которая позволяет связывать субъективные оценки менеджеров с результатами исследований по сегментированию. Процесс иерархического анализа (АНР) идеально подходит для этой задачи.

Идентификация проблемы




Одеон лайт

Люстра odeon light ameli одеон лайт.

77wt.ru