Наджаджрех Р. Х.А.

Волгоградский государственный технический университет, Россия

Кластерный анализ в сегментировании рынка

Поиск маркетинговых стратегий, которые позволяют фирме идентифицировать и завоевывать отдельные сегменты рынка, приобретают все большее значение. Очевидно, что товарный рынок не является однородным, а состоит из нескольких или многих субрынков. Каждый из этих субрынков или «сегментов» представляет собой различную группу потребителей[1]. Это не означает, что один и тот же товар не может быть предложен всем потребителям, но тем не менее есть необходимость в дифференциации, так как даже такие товары, как соль и сахар, которые когда-то рассматривались как товары не требующие дифференциации, в настоящее время сильно дифференцированы.

В последние годы технология сегментирования становится все более изощренной. Поиск критериев для сегментирования сопровождался растущим арсеналом методов сегментирования. Предлагаемые критерии варьировались от сложных психологических дискриминаторов до простых демографических критериев, таких как возраст, пол. На сегодняшний день широко практикуется сегментировать рынки на основе многочисленных критериев. Независимо от того, какова основа сегментирования, в результате должны быть получены сегменты потребителей, члены которых должны быть максимально схожи между собой и максимально отличать от членов других сегментов . Другими словами, сегментирование должно быть направлено на минимизацию внутригрупповой дисперсии и максимизацию межгрупповой дисперсии. Поэтому для достижения такого состояния необходимо:

1. выбрать те критерии, которые относятся к продукту;

2. разработать способ, посредством которого на основе критериев, могут быть идентифицированы сегменты.

Основанием для наиболее успешных маркетинговых действий, является правильная предварительная идентификация важных критериев посредством которых потребитель оценивает продукт. Несомненно, в правильном подборе критериев, большую роль играет опыт аналитика, тем не менее существуют методы определения критериев, например - сетка Келли. Механика этой процедуры детально описывается в [5] Этим методом можно выявить ряд корректных критериев сегментации. Поэтому предлагается, чтобы рынки не были сегментированы на основе произвольных критериев. Вполне возможно, что психологические переменные станут более прочной основой для сегментирования, чем более обычные демографические и социально-экономические переменные. Это не отрицает, однако, что такие переменные могут быть идентифицированы процедурой отбора как имеющие отношение к конкретному рынку.

В последние годы было разработано много методов для разбивки рынков на осмысленные сегменты. Любая техника сегментирования должна пытаться производить четко определенные и дифференцированные разбивки всего рынка. Несмотря на то, что большинство из методов в той или иной степени, достигали такой разбивки, зачастую они не создавали абсолютно естественных групп потребителей. Именно здесь кластерный анализ имеет преимущество из-за его способности исследовать потребителей с точки зрения любого количества переменных, а затем производить сегментирование (кластеризацию) потребителей, которые как можно более похожи по всем этим переменным[2].

Очевидно, что поиск кластеров в многомерном пространстве не является допустимой механической операцией, но компьютер и специальное программное обеспечение позволили выполнить такие чрезвычайно сложные таксономические процедуры для больших полей данных со многими объектами (потребителями в нашем случае) и многими переменными[6]. Преимущество использования многомерного анализа заключается в том, что в отличие от других методов он не полагается на ряд дихотомий, использующих одновременно один критерий сегментации, а рассматривает рынок одновременно по всем указанным переменным.

Существует много различных методов кластеризации, а также множество способов их классификации. Практическое различие заключается в различии между иерархическими и методом k-средних. Методы иерархической кластеризации характеризуются древовидной структурой, созданной в ходе анализа. Большинство иерархических методов попадают в категорию, называемую агломеративной кластеризацией[3]. В этой категории кластеры последовательно формируются из объектов. Первоначально этот тип процедуры начинается с каждого объекта, представляющего отдельный кластер. Затем эти кластеры последовательно объединяются в соответствии с их сходством. Во-первых, два наиболее похожих кластера объединяются, чтобы сформировать новый кластер в нижней части иерархии. На следующем шаге еще одна пара кластеров объединяется и связывается с более высоким уровнем иерархии, и так далее. Это позволяет иерархии кластеров устанавливаться снизу вверх.

Как правило, k-сегментирование превосходит иерархический метод, так как оно меньше подвержено выбросам и наличию нерелевантных переменных кластеризации. Кроме того, метод k-средних может применяться к очень большим наборам данных, так как процедура требует меньше вычислительных затрат, чем иерархические методы. На самом деле считается, что метод k-средних для размеров выборки выше 500, особенно если используется много переменных кластеризации. Однако методы должны использоваться только на данных с интервалом или масштабированных по масштабу, так как процедура основана на евклидовых расстояниях. Тем не менее, эта процедура обычно используется и для порядковых данных, хотя могут быть некоторые искажения. Наконец, в кластеризации k-средних мы должны предварительно указать количество кластеров, а это значит, что перед тем, как мы начнем, нам нужно иметь некоторое представление о ожидаемом решении кластера[4].

Описанные выше методы не предназначены рассматривать как средство устранения необходимости интуитивного суждения маркетолога, а просто как сложный аналитический инструмент. Если что-то расширяет возможности маркетинговой инициативы, то это мощная процедура сегментации.

Литература:

1. Айвазян С.А. Классификация многомерных наблюдений./ С.А. Айвазян , З.И. Бежаева, О.В. Староверов// М.: Статистика, 1974

2. Гитис JI.X. Кластерный анализ: основные идеи и методы. М.: Издательство МГГУ, 2000

3. Дюран Б., Оделл П. Кластерный анализ. — М.: Статистика, 1977

4. Классификация и кластер. Под ред. Дж. Вэн Райзина. М.: Мир, 1980

5. Котлер Ф. Основы маркетинга. Краткий курс — М. Издательский дом Вильямс, 2007

6. Bannister, D.: 'A New Theory of Personality', New Horizons in Psychology (Ed.) B. M. Foss, Penguin, 1966