Можно выделить некоторые "базовые" методы сегментирования. Важнейшим из них является кластерный анализ потребителей (таксономия). Кластеры потребителей формируются объединением в группу тех, кто дает сходные ответы на заданные вопросы. Покупатели могут быть объединены в кластер, если они имеют сходный возраст, доход, привычки и т.п. Сходство между покупателями основывается на разных измерителях, но часто в качестве меры сходства используется взвешенная сумела квадрата различий между ответами покупателей на вопрос. Выходом алгоритмов кластеризации могут быть иерархические деревья или объединение потребителей в группы. Существует достаточно большое количество кластерных алгоритмов.

Например, в США широко распространен кластерный анализ систем, называемый PRIZM, который начинает кластеризацию, сокращая набор из 1000 возможных социально-демографических показателей. Данная система формирует социально-демографические сегменты для всей территории CШA. Так, выделен кластер 28 - семьи, которые попали в этот кластер, включают лиц с наиболее успешной профессиональной или управленческой карьерой. Этот кластер также отражает высокий доход, образование, собственность, приблизительно средний возраст. Хотя данный кластер представляет только 7% населения США, он является критическим для предпринимателей, продающих дорогие товары. Существуют другие примеры сегментации потребителей на основе кластерного анализа. Например, среди "психологических" секторов весьма важное место занимает "отношение потребителя к новизне товара" (рис. 2)

Рисунок 2

Как видно из приведенных данных, наибольшее число потребителей относится к числу обычных покупателей. Сегментация потребителей на основе кластерного анализа является "классическим" методом. В то же время существуют приемы сегментирования рынка на основе так называемой "продуктовой сегментации" или сегментации рынка по параметрам продукции. Она имеет особенно важное значение при выпуске и сбыте новых изделий. Особое значение приобретает сегментация по продукту, базирующаяся на изучении долгосрочных тенденций на рынке. Процесс разработки и производства нового изделия, завершения крупных инвестиционных программ требуют достаточно продолжительного периода, и правильность результатов анализа рынка, оценки его емкости здесь особенно важна. В условиях работы на традиционный рынок стандартной продукции расчет его емкости может быть осуществлен путем использования метода суммирования рынков. В современных условиях для повышения своей конкурентоспособности и правильного определения емкости рынка предприятию уже недостаточно проводить сегментацию рынка только в одном направлении - определение групп потребителей по каким-то признакам. В рамках интегрированного маркетинга необходима еще и сегментация самого изделия по наиболее важным для его продвижения на рынке параметрам. С этой целью используется метод составления функциональных карт - проведение своего рода двойной сегментации, по изделию и потребителю. Функциональные карты" могут быть однофакторными (сегментация проводится по какому-то одному фактору и для однородной группы изделий) и многогофакторными (анализ того, для каких групп потребителей предназначена конкретная модель изделий и какие ее параметры наиболее важны для продвижения продукции на рынке) С помощью составления функциональных карт можно определить на какой сегмент рынка рассчитано данное изделие, какие его функциональные параметры соответствуют тем или иным запросам потребителей. При разработке новой продукции данная методика предполагает, что должны учитываться все факторы, отражающие систему потребительских предпочтений, и одновременно технические параметры нового изделия, при помощи которых можно удовлетворить запросы потребителя; определяются группы потребителей, каждая со своим набором запросов и предпочтений; все выбранные факторы ранжируются по степени значимости для каждой из групп потребителей.

Такой подход позволяет уже на стадии разработки увидеть, какие параметры изделия нуждаются в конструкторской доработке, или определить, есть ли достаточно емкий рынок для данной модели.

Вообще, в мировой практике используются 2 принципиальных подхода к маркетинговому сегментированию.

В рамках первого метода. именуемого "а рriory" предварительно известны признаки сегментирования, численность сегментов, их количество, характеристики, карта интересов. То есть подразумевается, что сегментные группы в данном методе уже сформированы. Метод "а рriory" используют в тех случаях, когда сегментирование не является частью текущего исследования, а служит вспомогательным базисом при решении других маркетинговых задач. Иногда этот метод применяют при очень четкой определенности сегментов рынка, когда вариантность сегментов рынка не высока. "A priory" допустим и при формировании новой продукта, ориентированного на известный сегмент рынка.

В рамках второго метода, именуемого "post hoc" (cluster based) подразумевается неопределенность признаков сегментирования и сущности самих сегментов. Исследователь предварительно выбирает ряд интерактивных по отношению к респонденту (метод подразумевает проведение опроса) переменных и далее в зависимости от высказанного отношения к определенной группе переменных, респонденты относятся к соответствующему сегменту. При этом карта интересов, выявленная в процессе последующего анализа, рассматривается как вторичная. Этот метод применяют при сегментировании потребительских рынков, сегментная структура которых не определена в отношении продаваемого продукта.

И разработки позиционирования нового товара необходимо определиться с методами этого маркетингового инструмента. Первым делом нужно выбрать максимально подходящие методы для реализации этого проекта на основе стратегической цели компании. Существуют базовые методы сегментации рынка, которые следует использовать при формировании маркетинговой стратегии компании.

Основные методы

К ключевым методам маркетологи относят:

1. Кластерный разбор потребителей. Кластеризация – это результат формирования групп потребителей, которые объединены сходными ответами на один и тот же вопрос. Покупатели объединяются в кластер по одному возрасту, уровню дохода, хобби или социальному/семейному статусу.
2. Сегментация по изделию и стимулированию рынков сбыта. Этот метод применяется перед запуском процесса создания, разработки и производства нового товара. Оценка емкости сегментов может быть определена при анализе и сегментации ниши по конкретному товару и его характеристикам, а именно при применении метода суммирования рынков.
3. Работа по функциональным картам. Этот метод основывается на проведении более тщательной – двойной – сегментации самого изделия и потенциального потребителя товара.

Остановимся подробнее на первой разновидности. Для объединения групп необходимо использовать сходство между потенциальными клиентами, основываясь на разных измерителях. При работе с таксономией необходимы так называемые алгоритмы кластеризации, которые вполне могут быть выполнены в виде иерархических деревьев с группами клиентов.

Один из наиболее распространенных алгоритмов – PRIZM. Он начинает процесс сегментации, сокращая набор из 500 возможных социальных и данных. Эта система позволяет сформировать определенный сегмент. В результате выделяется, к примеру, кластер 50 – семьи. Этот показатель указывает на уровень наиболее успешной профессиональной карьеры, высокий доход и образование, а также на наличие крупной собственности и средний возраст людей.

Еще один пример сегментации на основе этого метода – «отношение потребителя к обновленному или новому товару». Анализ проводится на основе признака. Выявляются несколько категорий людей, среди которых – суперноваторы, новаторы, суперконсерваторы, консерваторы и обычные покупатели. Исходя из них следует анализировать нишу и выявлять истинное отношение к новинкам до их создания и выпуска.

Современные тенденции в сфере аналитики и продвижения диктуют усложненные методы сегментирования рынка. Это необходимо для эффективного анализа емкости рынка компании или предприятия. Интегрированный маркетинг подталкивает к сегментированию самого товара по наиболее приоритетным критериям для его стремительного продвижения на рынке. Характеристика этого метода заключается в сегментации по одному конкретному фактору либо для однотипной категории товаров.

Интегрированный маркетинг подталкивает к сегментированию самого товара по наиболее приоритетным критериям для его стремительного продвижения на рынке.

Кроме того, значим анализ определения целевого покупателя модели изделия: какие именно критерии и параметры важны для продвижения его в выбранной нише. Метод функциональных карт позволяет определить, на какой сегмент рынка рассчитано изделие и какие параметры и характеристики оно должно иметь.

Еще в процессе разработки стратегии нового товара этот метод дает возможность учесть все критерии при покупке и предпочтении целевого потребителя.

Благодаря такому подходу в процессе разработки нового изделия можно увидеть и скорректировать недочеты и создать товар для своего потребителя.

Метод «К-сегментирования» направлен на поиск сегментирования для потенциального отбора соответствующих сегментов. Согласно этому методу, существует определенный потребительский рынок, структуру которого невозможно исследовать, и выделение сегментов в соответствии с такими критериями невозможно. Этот метод можно использовать, только если предприятие работает не первый год. Для новых компаний он не подходит, так как основная его цель – анализ существующих клиентов, формирование целевых групп и выявление потребностей на основе действующих потребителей товаров.

Вышеперечисленные способы и методы сегментирования рынка являются наиболее распространенными и эффективными. Однако существует их гораздо больше. Основная цель этого инструмента в маркетинге – получение ответа на вопрос, можно ли выделить группы целевых потребителей. В том случае, если таких устойчивых групп недостаточно, рекомендуется использовать стратегию массового маркетинга.

Я работаю в индустрии почтового маркетинга для сайта под названием MailChimp.com. Мы помогаем клиентам делать новостную рассылку для своей рекламной аудитории. Каждый раз, когда кто-нибудь называет нашу работу «почтовым вбросом», я чувствую на сердце неприятный холод.

Почему? Да потому что адреса электронной почты - больше не черные ящики, которые вы забрасываете сообщениями, будто гранатами. Нет, в почтовом маркетинге (как и в других формах онлайн-контакта, включая твиты, посты в Facebook и кампании на Pinterest) бизнес получает сведения о том, как аудитория вступает в контакт на индивидуальном уровне, с помощью отслеживания кликов, онлайн-заказов, распространения статусов в социальных сетях и т. д. Эти данные - не просто помехи. Они характеризуют вашу аудиторию. Но для непосвященного эти операции сродни премудростям греческого языка. Или эсперанто.

Как вы собираете данные об операциях с вашими клиентами (пользователями, подписчиками и т. д.) и используете ли их данные, чтобы лучше понять свою аудиторию? Когда вы имеете дело с множеством людей, трудно изучить каждого клиента в отдельности, особенно если все они по-разному связываются с вами. Даже если бы теоретически вы могли достучаться до каждого лично, на практике это вряд ли осуществимо.

Нужно взять клиентскую базу и найти золотую середину между «бомбардировкой» наобум и персонализированным маркетингом для каждого отдельного покупателя. Один из способов достичь такого баланса - использование кластеризации для сегментирования рынка ваших клиентов, чтобы вы могли обращаться к разным сегментам вашей клиентской базы с различным целевым контентом, предложениями и т. д.

Кластерный анализ - это сбор различных объектов и разделение их на группы себе подобных. Работая с этими группами - определяя, что у их членов общего, а что отличает их друг от друга - вы можете многое узнать о беспорядочном имеющемся у вас массиве данных. Это знание поможет вам принимать оптимальные решения, причем на более детальном уровне, нежели раньше.

В этом разрезе кластеризация называется разведочной добычей данных, потому что эти техники помогают «вытянуть» информацию о связях в огромных наборах данных, которые не охватишь визуально. А обнаружение связей в социальных группах полезно в любой отрасли - для рекомендаций фильмов на основе привычек целевой аудитории, для определения криминальных центров города или обоснования финансовых вложений.

Одно из моих любимых применений кластеризации - это кластеризация изображений: сваливание в кучу файлов изображений, которые «выглядят одинаково» для компьютера. К примеру, в сервисах размещения изображений типа Flickr пользователи производят кучу контента и простая навигация становится невозможной из-за большого количества фотографий. Но, используя кластерные техники, вы можете объединять похожие изображения, позволяя пользователю ориентироваться между этими группами еще до подробной сортировки.

Контролируемое или неконтролируемое машинное обучение?

В разведочной добыче данных вы, по определению, не знаете раньше времени, что же за данные вы ищете. Вы - исследователь. Вы можете четко объяснить, когда двое клиентов выглядят похожими, а когда разными, но вы не знаете лучшего способа сегментировать свою клиентскую базу. Поэтому «просьба» к компьютеру сегментировать клиентскую базу за вас называется неконтролируемым машинным обучением, потому что вы ничего не контролируете - не диктуете компьютеру, как делать его работу.

В противоположность этому процессу, существует контролируемое машинное обучение, которое появляется, как правило, когда искусственный интеллект попадает на первую полосу. Если я знаю, что хочу разделить клиентов на две группы - скажем, «скорее всего купят» и «вряд ли купят» - и снабжаю компьютер историческими примерами таких покупателей, применяя все нововведения к одной из этих групп, то это контроль.

Если вместо этого я скажу: «Вот что я знаю о своих клиентах и вот как определить, разные они или одинаковые. Расскажи-ка что-нибудь интересненькое», - то это отсутствие контроля.

В данной главе рассматривается самый простой способ кластеризации под названием метод k-средних, который ведет свою историю из 50-х годов и с тех пор стал дежурным в открытии знаний из баз данных (ОЗБД) во всех отраслях и правительственных структурах.

Метод k-средних - не самый математически точный из всех методов. Он создан, в первую очередь, из соображений практичности и здравого смысла - как афроамериканская кухня. У нее нет такой шикарной родословной, как у французской, но и она зачастую угождает нашим гастрономическим капризам. Кластерный анализ с помощью k-средних, как вы вскоре убедитесь, - это отчасти математика, а отчасти - экскурс в историю (о прошлых событиях компании, если это сравнение относится к методам обучения менеджменту). Его несомненным преимуществом является интуитивная простота.

Посмотрим, как работает этот метод, на простом примере.

Девочки танцуют с девочками, парни чешут в затылке

Цель кластеризации методом k-средних - выбрать несколько точек в пространстве и превратить их в k группы (где k - любое выбранное вами число). Каждая группа определена точкой в центре вроде флага, воткнутого в Луну и сигнализирующего: «Эй, вот центр моей группы! Присоединяйтесь, если к этому флагу вы ближе, чем к остальным!» Этот центр группы (с официальным названием кластерный центроид) - то самое среднее из названия метода k-средних.

Вспомним для примера школьные танцы. Если вы сумели стереть ужас этого «развлечения» из своей памяти, я очень извиняюсь за возвращение таких болезненных воспоминаний.

Герои нашего примера - ученики средней школы Макакне, пришедшие на танцевальный вечер под романтическим названием «Бал на дне морском», - рассеяны по актовому залу, как показано на рис. 1. Я даже подрисовал в Photoshop паркет, чтобы было легче представить ситуацию.

Рис. 1. Ученики средней школы Макакне расположились в актовом зале

А вот примеры песен, под которые эти юные лидеры свободного мира будут неуклюже танцевать (если вдруг вам захочется музыкального сопровождения, к примеру, на Spotify):

• Styx: Come Sail Away
• Everything But the Girl: Missing
• Ace of Base: All that She Wants
• Soft Cell: Tainted Love
• Montell Jordan: This is How We Do It
• Eiffel 65: Blue

Теперь кластеризация по k-средним зависит от количества кластеров, на которое вы желаете поделить присутствующих. Давайте остановимся для начала на трех кластерах (далее в этой главе мы рассмотрим вопрос выбора k). Алгоритм размещает три флажка на полу актового зала некоторым допустимым образом, как показано на рис. 2, где вы видите 3 начальных флажка, распределенных по полу и отмеченных черными кружками.

Рис. 2. Размещение начальных центров кластеров

В кластеризации методом k-средних танцоры привязаны к ближайшему для них кластерному центру, так что между двумя любыми центрами на полу можно нарисовать демаркационную линию. Таким образом, если танцор находится на одной стороне линии, он принадлежит к одной группе, если по другую сторону - то уже к другой (как на рис. 3).

Рис. 3. Линии отмечают границы кластеров

Используя эти демаркационные линии, разделим танцоров на группы и раскрасим соответствующим образом, как на рис. 4. Эта диаграмма, разделяющая пространство на многоугольники, определенные близостью к тому или иному кластерному центру, называется диаграммой Вороного.

Рис. 4. Группировка по кластерам, отмеченным разными фоновыми узорами на диаграмме Вороного

Посмотрим на наше первоначальное разделение. Что-то не так, не правда ли? Пространство разделено довольно странным образом: нижняя левая группа осталась пустой, а на границе верхней правой группы, напротив, много людей.

Алгоритм кластеризации методом k-средних перемещает кластерные центры по полу, пока не достигнет наилучшего результата.

Как определить «наилучший результат»? Каждый присутствующий отстоит на сколько-то от своего кластерного центра. Чем меньше среднее расстояние от участников до центра их группы, тем лучше результат.

Теперь вводим слово «минимизация» - оно вам очень пригодится в оптимизации модели для лучшего расположения кластерных центров. В данной главе вы будете заставлять «Поиск решения» передвигать кластерные центры бессчетное количество раз. Способ, который использует «Поиск решения» для нахождения наилучшего расположения кластерных центров, - это медленное итеративное перемещение их по поверхности с фиксацией лучших найденных результатов и комбинированием их (буквально спариванием, как скаковых лошадей) для нахождения наилучшего положения.

Так что если диаграмма на рис. 4 выглядит довольно бледно, «Поиск решения» может внезапно расположить центры как на рис. 5. Таким образом среднее расстояние между каждым танцором и его центром немного уменьшится.

Рис. 5. Слегка смещаем центры

Очевидно, что рано или поздно «Поиск решения» поймет, что центры должны быть размещены в середине каждой группы танцоров, как показано на рис. 6.

Рис. 6. Оптимальная кластеризация на школьных танцах

Отлично! Вот так выглядит идеальная кластеризация. Кластерные центры находятся в центре каждой группы танцоров, минимизируя среднее расстояние между танцором и ближайшим центром. Теперь, когда кластеризация закончена, время перейти к развлекательной части, а именно: попытке понять, что же эти кластеры означают.

Если вы узнали цвет волос танцоров, их политические предпочтения или время преодоления ими стометровки, то кластеризация не имеет особого смысла.

Но решив определить возраст и пол присутствующих, вы начнете видеть некоторые общие тенденции. Небольшая группа внизу - это пожилые люди, скорее всего сопровождающие. Группа слева вся состоит из мальчиков, а группа справа - из девочек. И все очень боятся танцевать друг с другом.

Таким образом, метод k-средних позволил вам разделить множество посетителей танцев на группы и скоррелировать характеристики каждого посетителя с принадлежностью к определенному кластеру, чтобы понять причину разделения.

Теперь вы наверняка говорите себе: «Да ладно, что за глупости. Я уже до начала знал ответ». Вы правы. В этом примере - да. Я специально привел такой «игрушечный» пример, будучи уверенным, что вы можете решить его, просто взглянув на точки. Действие происходит в двумерном пространстве, в котором кластеризация производится элементарно с помощью глаз.

Но что, если вы держите магазин, реализующий тысячи товаров? Некоторые покупатели совершили одну или две покупки за последние два года. Другие - десятки. И каждый покупал что-то свое.

Как вы кластеризируете их на таком «танцполе»? Начнем с того, что этот танцпол не двумерный, и даже не трехмерный. Это тысячемерное пространство реализации товара, в котором покупатель приобрел или не приобрел товар в каждом измерении. Видите, как быстро проблема кластеризации начинает выходить за пределы способностей «глазного яблока первого разряда», как любят говорить мои друзья-военные.

Реальная жизнь: кластеризация методом k-средних в электронном маркетинге

Давайте перейдем к более предметному случаю. Я занимаюсь электронным маркетингом, поэтому приведу пример из жизни Mailchimp.com, в которой работаю. Этот же самый пример будет работать и на данных о розничной торговле, преобразовании рекламного трафика, социальных сетей и т. д. Он взаимодействует практически с любым типом данных, связанных с донесением до клиентов рекламного материала, после чего они безоговорочно выбирают вас.

Оптовая Винная Империя Джоуи Бэг О"Донатса

Представьте на минуту, что вы живете в Нью-Джерси, где держите Оптовую Винную Империю Джоуи Бэг О"Донатса. Это импортно-экспортный бизнес, целью которого является доставка огромного количества вина из-за границы и продажи его определенным винным магазинам по всей стране. Этот бизнес работает таким образом, что Джоуи путешествует по всему миру в поисках невероятных сделок с большим количеством вина. Он отправляет его к себе в Джерси, а пристроить присланное в магазины и получить прибыль - ваша забота.

Вы находите покупателей разными способами: страница на Facebook, аккаунт в Twitter, порой даже прямая рассылка - ведь электронные письма «раскручивают» большинство видов бизнеса. В прошлом году вы отправляли одно письмо в месяц. Обычно в каждом письме описываются две или три сделки, скажем, одна с шампанским, а другая с мальбеком. Некоторые сделки просто удивительны - скидка составляет 80% или больше. В итоге вы заключили около 32 сделок за год и все они прошли более-менее гладко.

Но то, что дела идут просто хорошо, не значит, что они не могут идти лучше. Было бы нелишне чуть глубже понять мотивы своих покупателей. Конечно, взглянув на конкретный заказ, вы видите, что некий Адамс купил сколько-то игристого в июле с 50%-ной скидкой, но не можете определить, что подвигло его на покупку. Понравился ли ему минимальный объем заказа в одну коробку с шестью бутылками или цена, которая еще не поднялась до своего максимума?

Было бы неплохо иметь возможность разбить список клиентов на группы по интересам. Тогда вы бы могли отредактировать письма к каждой группе отдельно и, возможно, раскрутили бы бизнес еще больше. Любая подходящая данной группе сделка могла стать темой письма и идти в первом абзаце текста. Такой тип целевой рассылки может вызвать форменный взрыв продаж!

Есть возможность дать компьютеру сделать работу за вас. Используя кластеризацию методом k-средних, вы можете найти наилучший вариант разбиения на группы, а затем попытаться понять, почему же он лучший.

Исходный набор данных

Документ Excel, который мы будем разбирать в этой главе, находится на сайте книги. В нем содержатся все исходные данные на случай, если вам захочется поработать с ними. Или же вы можете просто следить за текстом, подглядывая в остальные листы документа.

Для начала у вас есть два интересных источника данных:

• метаданные по каждому заказу сохранены в электронной таблице, включая сорт, минимальное количество вина в заказе, скидку на розничную продажу, информацию о том, пройден ли ценовой максимум, и о стране происхождения. Эти данные размещены во вкладке под названием OfferInformation, как показано на рис. 7;
• зная, кто из клиентов что заказывает, вы можете вытряхнуть эту информацию из MailChimp и скормить электронной таблице с метаданными предложений во вкладке «Transactions». Это переменные данные, представленные, как показано на рис. 8, очень просто: покупатель и его заказ.

Рис. 7. Детали последних 32 заказов

Рис. 8. Список количества заказов по покупателям

Определяем предмет измерений

И вот задача. В проблеме школьных танцев измерение расстояния между присутствующими и определение кластерных центров были несложными, не так ли? Достаточно просто найти подходящую рулетку! Но что делать сейчас?

Вы знаете, что в прошлом году было 32 предложения сделок и у вас есть список из 324 заказов в отдельной вкладке, разбитый по покупателям. Но чтобы измерить расстояние от каждого покупателя до кластерного центра, вы должны поместить их в это 32-сделочное пространство. Иначе говоря, вам нужно понять, что за сделки они не совершили, и создать матрицу сделок по покупателям, в которой каждый клиент получает свой собственный столбец с 32 ячейками сделок, заполненные единицами, если сделки были совершены, и нулями, если нет.

Другими словами, вам нужно взять эту ориентированную по строкам таблицу сделок и превратить ее в матрицу, в которой клиенты располагаются по вертикали, а предложения - по горизонтали. Лучшим способом ее создать являются сводные таблицы.

Алгоритм действия: на листе с переменными данными выделите столбцы А и В, а затем вставьте сводную таблицу. Используя Мастер создания сводных таблиц, просто выберите сделки как заголовок строки, а покупателей как заголовок столбца и заполните таблицу. В ячейке будет 1, если пара «клиент-сделка» существует, и 0, если нет (в данном случае 0 отображается как пустая ячейка). В результате получается таблица, показанная на рис. 9.

Рис. 9. Сводная таблица «клиент-сделка»

Теперь, когда у вас есть информация о заказах в формате матрицы, скопируйте лист OfferInformation и назовите его Matrix. В этот новый лист вставьте значения из сводной таблицы (не нужно копировать и вставлять номер сделки, потому что он уже содержится в информации о заказе), начиная со столбца Н. В итоге у вас должна получиться расширенная версия матрицы, дополненная информацией о заказах, как на рис. 10.

Рис. 10. Описание сделок и данные о заказах, слитые в единую матрицу

Стандартизация данных

В этой главе каждое измерение ваших данных представлено одинаково, в виде бинарной информации о заказах. Но во многих ситуациях, связанных с кластеризацией, мы не можем так сделать. Вообразите сценарий, в котором люди кластеризованы по росту, весу и зарплате. Все эти три вида данных имеют разную размерность. Рост может варьироваться от 1,5 до 2 метров, в то время как вес - от 50 до 150 кг.

В этом контексте измерение расстояния между покупателями (как между танцорами в актовом зале) становится запутанным делом. Поэтому принято стандартизировать каждый столбец с данными, вычитая среднее и затем деля поочередно на меру разброса под названием среднеквадратичное отклонение. Таким образом, все столбцы приводятся к единой величине, количественно варьируясь около 0.

Начнем с четырех кластеров

Ну что ж, теперь все ваши данные сведены к единому удобному формату. Чтобы начать кластеризировать, нужно выбрать k - количество кластеров в алгоритме k-средних. Зачастую метод k-средних применяется так: берется набор различных k и проверяется по одному (как их выбирать, я объясню позже), но мы только начинаем - так что выберем лишь одно.

Вам понадобится количество кластеров, которое примерно подходит для того, чем вы хотите заняться. Вы явно не намерены создавать 50 кластеров и рассылать 50 целевых рекламных писем паре ребят из каждой группы. Это моментально лишает смысла наше упражнение. В нашем случае нужно что-то небольшое. Начните этот пример с 4 - в идеальном мире вы, возможно, разделили бы ваш список клиентов на 4 понятные группы по 25 человек в каждой (что в реальности маловероятно).

Итак, если придется разделить покупателей на 4 группы, как наилучшим образом их подобрать?

Вместо того чтобы портить симпатичный лист Matrix, скопируйте данные в новый лист и назовите его 4МС. Теперь вы можете вставить 4 столбца после ценового максимума в столбцы от Н до К, которые будут кластерными центрами. (Чтобы вставить столбец, кликните правой клавишей мышки на столбце Н и выберите «Вставить». Столбец появится слева.) Назовите эти кластеры от Cluster 1 до Cluster 4. Вы также можете применить на них условное форматирование, и когда бы вы ни установили их, вы сможете увидеть, насколько они отличаются.

Лист 4МС появится, как показано на рис. 11.

Рис. 11. Пустые кластерные центры, помещенные на лист 4МС

В данном случае все кластерные центры - нули. Но технически они могут быть какими угодно и, что вам особенно понравится - как на школьных танцах, распределены таким образом, что минимизируют расстояние между каждым покупателем и его кластерным центром.

Очевидно, что тогда эти центры будут иметь значения от 0 до 1 для каждой сделки, так как все клиентские векторы бинарны.

Но что означает «измерить расстояние между кластерным центром и покупателем»?

Евклидово расстояние: измерение расстояний напрямик

Для каждого клиента у вас есть отдельный столбец. Как же измерить расстояние между ними? В геометрии это называется «кратчайший путь», а расстояние, получаемое в результате, - евклидовым расстоянием.

Вернемся ненадолго в актовый зал и попробуем понять, как решить нашу проблему там.

Поместим координатные оси на полу и на рис. 12 увидим, что в точке (8,2) у нас танцор, а в (4,4) - кластерный центр. Чтобы рассчитать евклидово расстояние между ними, придется вспомнить теорему Пифагора, с которой вы знакомы еще со школьной скамьи.

Рис. 12. Танцор в точке (8,2) и кластерный центр в (4,4)

Эти две точки находятся в 8 - 4 = 4 метрах друг от друга по вертикали и в 4 - 2 = 2 метрах по горизонтали. По теореме Пифагора, квадрат расстояния между двумя точками равен 4Л2+2Л2 = 20 метрам. Отсюда мы вычисляем само расстояние, которое будет равно квадратному корню из 20, что составляет примерно 4,47м (как на рис. 13).

Рис. 13. Евклидово расстояние равняется квадратному корню из суммы расстояний в каждом направлении

В контексте подписчиков на рассылку у вас больше двух измерений, но применима та же концепция. Расстояние между покупателем и кластерным центром рассчитывается путем определения разниц между двумя точками для каждой сделки, возведения их в квадрат, сложения и извлечения квадратного корня. К примеру, на листе 4МС вы хотите узнать евклидово расстояние между центром кластера 1 в столбце Н и заказами покупателя Адамса в столбце L.

В ячейке L34, под заказами Адамса, можно вычислить разницу между вектором Адамса и кластерным центром, возвести ее в квадрат, сложить и затем извлечь корень, используя следующую формулу для массивов (отметьте абсолютные ссылки, позволяющие вам перетаскивать эту формулу вправо или вниз без изменения ссылки на кластерный центр):

{=КОРЕНЬ(СУММА(L$2:L$33-$H$2:$H$33)A2))}

Формулу для массивов (введите формулу и нажмите Ctrl+Shift+Enter или Cmd+Return в MacOS, как сказано в главе 1) нужно использовать, потому что ее часть (L2:L33-H2:H33)^2 должна «знать», куда обращаться для вычисления разниц и возведения их в квадрат, шаг за шагом. Однако результат в итоге - единственное число, в нашем случае 1,732 (как на рис. 14). Он имеет следующий смысл: Адамс заключил три сделки, но так как изначальные кластерные центры - нули, ответ будет равняться квадратному корню из 3, а именно 1,732.

Рис. 14. Расстояние между центром 1 кластера и Адамсом

В электронной таблице на рис. 2-14 я закрепил верхнюю строку (см. главу 1) между столбцами G и Н и назвал строку 34 в ячейке G34 «Distance to Cluster 1», просто чтобы видеть, что где находится, если проматывать страницу вниз.

Расстояния и принадлежность к кластеру для всех!

Теперь вы знаете, как вычислить расстояние между вектором заказа и кластерным центром.

Пришло время добавить Адамсу расчет расстояний до остальных кластерных центров, перетянув ячейку L34 вниз на L37, а затем изменив вручную ссылку на кластерный центр со столбца Н на столбец I, J и К в ячейках ниже. В результате должны получиться следующие 4 формулы в L34:L37:

{=SQRT(SUM((L$2:L$33-$H$2:$H$33)A2))}
{=SQRT(SUM((L$2:L$33-$I$2:$I$33)A2))}
{=SQRT(SUM((L$2:L$33-$J$2:$J$33)A2))}
{=SQRT(SUM((L$2:L$33-$K$2:$K$33)A2))}
{=КОРЕНЬ(СУММА((L$2:L$33-$H$2:$H$33)A2))}
{=КОРЕНЬ(СУММА((L$2:L$33-$I$2:$I$33)A2))}
{=КОРЕНЬ(СУММА((L$2:L$33-$J$2:$J$33)A2))}
{=КОРЕНЬ(СУММА((L$2:L$33-$K$2:$K$33)A2))}

Так как вы использовали абсолютные ссылки для кластерных центров (ведь значок $ в формулах обозначает именно это, как было сказано в главе 1), можно перетащить L34:L37 в DG34:DG37, чтобы рассчитать расстояние от каждого покупателя до всех четырех кластерных центров. Озаглавьте строки в столбце G в ячейках с 35 по 37 «Distance to Cluster 2» и т. д. Свежерассчитанные расстояния показаны на рис. 15.

Рис. 15. Расчет расстояний от каждого покупателя до всех кластерных центров

Теперь вам известно расстояние каждого клиента до всех четырех кластерных центров. Их распределение по кластерам произведено по кратчайшему расстоянию в два приема следующим образом.

Сначала вернемся к Адамсу в столбец L и рассчитаем минимальное расстояние до кластерного центра в ячейке L38. Это просто:

Min(L34:L37)
=мин(L34:L37)

Для расчета используем формулу match/поискпоз (подробнее в главе 1). Поместив ее в L39, вы можете увидеть номер ячейки из промежутка L34:L37 (считаю каждую по порядку от 1), которая находится на минимальном расстоянии:

Match(L38,L34:L37,0) =поискпоз(L38,L34:L37,0)

В данном случае расстояние одинаково для всех четырех кластеров, так что формула выбирает первый (L34) и возвращает 1 (рис. 16).

Рис. 16. Добавление на лист привязки к кластерам

Вы можете также перетащить эти две формулы на DG38: DG39. Для пущей организованности добавьте названия строк 38 и 39 в ячейки 38 и 39 столбца G «Minimum Cluster Distance» и «Assigned Cluster».

Поиск решений для кластерных центров

Ваша электронная таблица пополнилась расчетом расстояний и привязкой к кластерам. Теперь, чтобы установить наилучшее положение кластерных центров, нужно найти такие значения в столбцах от Н до К, которые минимизируют общее расстояние между покупателями и кластерными центрами, к которым они привязаны, указанными в строке 39 для каждого покупателя.

Когда слышите слово «минимизировать»: начинается этап оптимизации, а оптимизация производится с помощью «Поиска решения».

Чтобы использовать «Поиск решения», вам понадобится ячейка для результатов, поэтому в А36 просуммируем все расстояния между покупателями и их кластерными центрами:

SUM(L38:DG38)
=CУMMA(L3 8:DG3 8)

Эта сумма расстояний от клиентов до ближайших к ним кластерных центров в точности является той целевой функцией, с которой мы встречались ранее, во время кластеризации актового зала средней школы Макакне. Но евклидово расстояние со своими степенями и квадратными корнями - чудовищно нелинейная функция, поэтому вам придется использовать эволюционный алгоритм решения вместо симплекс-метода.

В главе 1 вы уже пользовались этим методом. Симплексный алгоритм, если есть возможность его применить, работает быстрее других, но им нельзя воспользоваться для вычисления корней, квадратов и остальных нелинейных функций. Точно так же бесполезен OpenSolver, который использует симплексный алгоритм, пусть даже и будто принявший стероиды.

В нашем случае встроенный в «Поиск решения» эволюционный алгоритм использует комбинацию случайного поиска и отличное решение «скрещивания», чтобы, подобно эволюции в биологическом контексте, находить эффективные решения.

У вас есть все, что нужно для постановки задачи перед «Поиском решения»:

• цель: минимизировать общие расстояния от покупателей к их кластерным центрам (А36);
• переменные: вектор каждой сделки относительно кластерного центра (Н2:К33);
• условия: кластерные центры должны иметь значения в пределах от 0 до 1.

Рекомендуется наличие «Поиска решения» и молотка. Ставим задачу «Поиску решения»: минимизировать А36 путем изменения значений Н2:К33 с условием Н2:К33 <=1, как и все векторы сделок. Убедитесь, что переменные отмечены как положительные и выбран эволюционный алгоритм (рис. 17).

Рис. 17. Установки «Поиска решения» для 4-центровой кластеризации

Но постановка задачи - еще не все. Придется немного попотеть, выбирая нужные опции эволюционного алгоритма, нажав кнопку «Параметры» в окне «Поиска решения» и перейдя в окно настройки. Советую установить максимальное время секунд на 30 побольше, в зависимости от того, сколько вы готовы ждать, пока «Поиск решений» справится со своей задачей. На рис. 18 я поставил свое на 600 секунд (10 минут). Таким образом, я могу запустить «Поиск решения» и пойти обедать. А если вам захочется прервать его пораньше, просто нажмите Escape и выйдите из него с наилучшим решением, которое тот успел найти.

Рис. 18. Параметры эволюционного алгоритма

Нажмите «Выполнить» и наблюдайте, как Excel делает свое дело, пока эволюционный алгоритм не сойдется.

Смысл полученных результатов

Как только «Поиск решения» выдает вам оптимальные кластерные центры, начинается самое веселое. Переходим к изучению групп! На рис. 19 мы видим, что «Поиск решения» нашел оптимальное общее расстояние 140,7, а все четыре кластерных центра - спасибо условному форматированию! - выглядят совершенно по-разному.

Рис. 19. Четыре оптимальных кластерных центра

Имейте в виду, что ваши кластерные центры могут отличаться от представленных в книге, потому что эволюционный алгоритм использует случайные числа и ответ каждый раз получается разный. Кластеры могут быть совершенно другими или, что более вероятно, располагаться в другом порядке (к примеру, мой кластер 1 может быть очень близок к вашему кластеру 4 и т. д.).

Так как при создании листа вы вставили в столбцы от В до G описания сделок, теперь можно прочитать подробности на рис. 19, что важно для понимания идеи кластерных центров.

Для кластера 1 в столбце Н условное форматирование выбирает сделки 24, 26, 17 и, в меньшей степени, 2. Прочитав описание этих сделок, можно понять, что у них общего: они все заключались на пино нуар.

Взглянув на столбец I, вы увидите, что во всех зеленых ячейках низкое минимальное количество. Это покупатели, которые не желают приобретать огромные партии в процессе сделки.

А вот два остальных кластерных центра, честно говоря, сложно интерпретировать. Как насчет того, чтобы вместо интерпретации кластерных центров изучить самих покупателей в кластере и определить, какие сделки им нравятся? Это могло бы внести в вопрос ясность.

Рейтинг сделок кластерным методом

Вместо выяснения, какие расстояния до какого кластерного центра ближе к 1, давайте проверим, кто к какому кластеру привязан и какие сделки предпочитает.

Чтобы это сделать, начнем с копирования листа Offerlnformation. Копию назовем 4МС - TopDealsByCluster. Пронумеруйте столбцы от Н до К на этом новом листе от 1 до 4 (как на рис. 20).

Рис. 20. Создание листа таблицы для подсчета популярности сделок с помощью кластеров

На листе 4МС у вас были привязки по кластерам от 1 до 4 в строке 39. Все, что вам нужно сделать, чтобы сосчитать сделки по кластерам, - это взглянуть на названия столбцов от Н до К на листе 4МС - TopDealsByCluster, посмотреть, кто из листа 4МС был привязан к этому кластеру в строке 39, а затем сложить количество их сделок в каждой строке. Таким образом мы получим общее количество покупателей в данном кластере, совершивших сделки.

Начнем с ячейки Н2, в которой записано количество покупателей кластера 1, принявших предложение № 1, а именно январский мальбек. Нужно сложить значения ячеек диапазона L2: DG2 на листе 4МС, но только покупателей из 1 кластера, что является классическим примером использования формулы sumif / суммесли. Выглядит она так:

SUMIF("4MC"!$L$39:$DG$39,"4MC - TopDealsByCluster"! H$1,"4MC"!$L2:$DG2)
=CyMMEOra("4MC"!$L$39:$DG$39,"4MC - TopDealsByCluster"! H$1,"4MC"!$L2:$DG2)

Эта формула работает таким образом: вы снабжаете ее некими условными значениями, которые она проверяет в первой части "4MC"!$L$39:$DG$39,"4MC, затем сравнивает с 1 в заголовке столбца ("4MC - TopDealsByCluster"! H$1), а потом при каждом совпадении, прибавляет это значение в строку 2 в третьей части формулы "4MC"!$L2:$DG2.

Заметьте, что вы использовали абсолютные ссылки ($ в формуле) перед всем, что относится к привязке к кластеру, номеру строки в заголовках столбцов и букве, обозначающей столбец, для совершенных сделок. Сделав эти ссылки абсолютными, можно перетащить формулу в любое место из Н2:К33, чтобы рассчитать количество сделок для других кластерных центров и комбинации сделок, как на рис. 21. Чтобы эти столбцы были более читаемы, вы также можете применить к ним условное форматирование.

Рис. 21. Общее количество сделок по каждому предложению, разбитое по кластерам

Выделяя столбцы от А до К и применяя автофильтрацию, вы можете сортировать эти данные. Отсортировав от наименьшего к наибольшему столбец Н, вы увидите, какие сделки наиболее популярны в кластере 1 (рис. 22).

Рис. 22. Сортировка кластера 1. Пино, пино, пино!

Как я упоминал ранее, четыре самых крупных сделки для этого кластера - это пино. Эти ребята явно злоупотребляют фильмом «На обочине». Если вы отсортируете кластер 2, то вам станет совершенно ясно, что это - мелкооптовые покупатели (рис. 23).

Но когда вы отсортируете кластер 3, понять что-либо будет не так просто. Крупные сделки можно пересчитать по пальцам, а разница между ними и остальными не так очевидна. Однако у самых популярных сделок все же есть что-то общее - довольно хорошие скидки, 5 из 6 самых крупных сделок - на игристое вино, и Франция - производитель товара для 3 из 4 из них. Тем не менее эти предположения неоднозначны.

Что касается кластера 4, то этим ребятам по какой-то причине явно понравилось августовское предложение на шампанское. Также 5 из 6 крупнейших сделок - на французское вино, а 9 из 10 первых по величине - на большой объем товара. Может, это тяготеющий к французским винам крупнооптовый кластер? Пересечение кластеров 3 и 4 тоже беспокоит.

Романюк Е. В.

Россия, Ставрополь, магистр Северо-Кавказского Федерального Университета

Обзор методов кластерного анализа и оценка их применимости для решения задачи сегментации потребительского рынка

Аннотация

В данной работе рассмотрена статья о процессе сегментации потребительского рынка, определение системы поддержки решений, а также применение кластерного анализа в различных областях деятельности, распространенный набор методов кластерного анализа для решения задач маркетинга.

Ключевые слова: Сегментация, кластерный анализ, Data Mining, поддержка принятия решений. Segmentation, cluster analysis, Data Mining, decision support.

Современное содержание процесса сегментации рынка является результатом эволюции концепции маркетинга. Прежде чем производитель стал рассматривать рынок как дифференцированную структуру в зависимости от групп потребителей и потребительских свойств товара его взгляды, и сознание прошли через различные методы маркетинга: массовый, товарно-дифференцированный, целевой.

Рыночная сегментация представляет собой, с одной стороны, метод для нахождения частей рынка и определения объектов, на которые направлена маркетинговая деятельность предприятий. С другой стороны, – это управленческий подход к процессу принятия предприятием решений на рынке, основа для выбора правильного сочетания элементов маркетинга.

Объектами сегментации являются, прежде всего, потребители. Выделенные особым образом, обладающие определёнными общими признаками они составляют сегмент рынка. Основное внимание в маркетинге уделяется поиску однородных групп потребителей, имеющих сходные предпочтения и одинаково реагирующих на маркетинговые предложения.

Для успешной реализации принципов сегментации являются следующие условия:

– способность предприятия (организации) осуществлять дифференциацию структуры маркетинга (цен, способов стимулирования сбыта, места продажи, продукции);

– избранный сегмент должен быть достаточно устойчивым, ёмким и иметь перспективы роста;

– предприятие должно располагать данными о выбранном сегменте, измерить его характеристики и требования;

– избранный сегмент должен быть доступным для предприятия, т. е. иметь соответствующие каналы сбыта и распределения продукции, систему доставки изделий;

– предприятие должно иметь контакт с сегментом (например, через каналы личной и массовой коммуникации);

– оценить защищенность избранного сегмента от конкуренции, определить сильные и слабые стороны конкурентов и собственные преимущества в конкурентной борьбе.

Таким образом – только при достаточном изучении избранного сегмента и оценив собственный потенциал, производитель может принять решение о выборе сегмента.

Data Mining – мультидисциплинарная область, возникшая и развивающаяся на базе таких наук как прикладная статистика, распознавание образов, искусственный интеллект, теория баз данных и др.

Data Mining – это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей.

Data Mining – это процесс обнаружения в сырых данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.

Кластерный анализ применяется в различных областях. Он полезен, когда нужно классифицировать большое количество информации.

В маркетинге это может быть задача сегментации конкурентов и потребителей. В маркетинговых исследованиях кластерный анализ применяется достаточно широко – как в теоретических исследованиях, так и практикующими маркетологами, решающими проблемы группировки различных объектов. При этом решаются вопросы о группах клиентов, продуктов и т. д. Так, одной из наиболее важных задач при применении кластерного анализа в маркетинговых исследованиях является анализ поведения потребителя, а именно: группировка потребителей в однородные классы для получения максимально полного представления о поведении клиента из каждой группы и о факторах, влияющих на его поведение.

Важной задачей, которую может решить кластерный анализ, является позиционирование, т. е. определение ниши, в которой следует позиционировать новый продукт, предлагаемый на рынке. В результате применения кластерного анализа строится карта, по которой можно определить уровень конкуренции в различных сегментах рынка и соответствующие характеристики товара для возможности попадания в этот сегмент. С помощью анализа такой карты возможно определение новых, незанятых ниш на рынке, в которых можно предлагать существующие товары или разрабатывать новые.

В сфере маркетинга Data Mining находит очень широкое применение.

Основные вопросы маркетинга “Что продается?”, “Как продается?”, “Кто является потребителем?” В лекции, посвященной задачам классификации и кластеризации, подробно описано использование кластерного анализа для решения задач маркетинга, как, например, сегментация потребителей.

Другой распространенный набор методов для решения задач маркетинга – методы и алгоритмы поиска ассоциативных правил. Также успешно здесь используется поиск временных закономерностей.

В сфере розничной торговли, как и в маркетинге, применяются:

– алгоритмы поиска ассоциативных правил (для определения часто встречающихся наборов товаров, которые покупатели покупают одновременно). Выявление таких правил помогает размещать товары на прилавках торговых залов, вырабатывать стратегии закупки товаров и их размещения на складах и т.д.

– использование временных последовательностей, например, для определения необходимых объемов запасов товаров на складе.

– методы классификации и кластеризации для определения групп или категорий клиентов, знание которых способствует успешному продвижению товаров.

Литература

1. Алексеев А. А. «Методика сегментирования потребителей»,// «Маркетинг и маркетинговые исследования в России», № 1,2009 г.
2. Басовский Л. Е. «Маркетинг», Москва, ИНФРА М,2009 г., – 426 с.
3. Гольцов А. В. «Перспективы использования стратегического маркетинга на предприятии». // «Маркетинг»,2008 г., № 2., с. 72-89.
4. Крофт М. Д. «Сегментирование рынка». Санкт-Петербург, «Питер»,2008 г. – 128 с.
5. Резниченко Б. А. «Критический анализ критериев сегментирования», «Маркетинг в России и за рубежом», №3,2009 г.

Сегментирование рынка – это формальная процедура, основанная на применении статистических методов многомерного анализа к результатам исследований . Чтобы получить рыночные сегменты можно использовать четыре основных метода:

1 Традиционные методы:

Априорный (a priori);

Кластерный (cluster based).

2 Новые методы:

Гибкое сегментирование (flexible);

Компонентное сегментирование (componential).

Априорный метод сегментирования рынка потребителей используется, когда есть возможность выдвинуть гипотезу сегментирования рынка. Для этого необходимо понимать нужды, потребности, желания потребителей. Характеристики потребителя, такие как интенсивность потребления, потребности, ключевые элементы мотивации и их значения, будут выступать как независимые переменные, а переменные сегментирования (возраст, пол, регион и т.д.) будут использованы как зависимые переменные.

Используя данный метод, исследователь изначально выдвигает гипотезу сегментирования рынка, а потом в ходе маркетинговых исследований проверяет ее.

Априорный метод сегментирования рынка включает в себя семь этапов:

1 Выбор базиса сегментирования. Анализ потребностей, нужд и других факторов, имеющих влияние на выбор потребителя.

2 Выбор переменных сегментирования и разработка сетки сегментирования рынка (гипотезы). Происходит выбор и обоснование критериев, переменных сегментирования рынка потребителей, поиск вероятных связей между базисом и переменными, устраняются противоречия в сетке сегментирования рынка.

3 Формирование выборки.

4 Проводится анкетирование, сбор количественных данных.

5 Формируются сегменты на основании разбивки опрошенных из числа возможных покупателей по категориям.

6 Установление профилей сегментов. Производится формирование рыночных сегментов и их проверка на соответствие выдвинутой гипотезе.

7 Разработка маркетинговых стратегий для каждого сегменты рынка.

Априорный метод сегментирования – наиболее используемый метод. Это обусловлено его простотой, не высокой стоимостью и наличием методик, обеспечивающих его реализацию. Однако на практике, достаточно часто возникают ситуации, когда выдвинуть гипотезу сегментирования рынка достаточно трудно.

Кластерный метод похож на априорный метод, но в нем не определяется зависимая переменная – ищутся естественные кластеры. Сначала производится группировка опрошенных из числа потенциальных покупателей при помощи аналитической процедуры в сегменты рынка. Потом выявляются переменные, при помощи которых можно было бы задать рыночный сегмент.

При кластеризации ищутся естественные группы, а при классификации – группы формируются по искусственно заданным критериям.

Широко распространена группировка потребителей методом AID. При использовании этого метода, осуществляется выбор системообразующего критерия. После этого выборка разделяется на подгруппы, то есть формируются подгруппы с высоким значением системообразующего критерия.

Недостаток данного метода – подбор рыночного сегмента. Метод является трудоемким и не гарантирует получение точного решения.

Сегментирование по методу кластерного анализа осуществляется по восходящей (снизу-вверх). На этапе маркетингового исследования выделяется множество характеристик покупателя. Необходима выборка не менее 200 единиц. Производится обработка результатов. Данные рассматриваются по универсальной шкале, определяющей выраженность параметра. Потом обследуется каждый потребитель и определяются наиболее схожие между собой. Схожие потребители объединяются в кластеры и выступают как составной объект. Далее ищутся наиболее похожие между собой объекты и объединяются в новый кластер. Процесс заканчивается, когда невозможно определить схожие кластеры.

Для реализации сегментирования рынка при помощи метода кластеризации на практике могут быть использованы статистические пакеты типа SPSS и NCSS&PASS.

Гибкое сегментирование рынка – это динамическая процедура, которая предполагает гибкость при построении сегментов, основываясь на анализе потребительских предпочтений в отношении к альтернативам продукта. Процедура совместного анализа лежит в основе гибкого сегментирования. Одним из достоинств данного метода является то, что он позволяет достаточно точно определить группы потребителей при выходе нового товара на рынок. К недостаткам метода гибкого сегментирования можно отнести дороговизну, сложную процедуру реализации и возможные погрешности на уровне разработчиков.

Компонентный анализ сегментирования рынка основывается на сложных методах статистического анализа. Он требует больших вычислительных ресурсов. Метод компонентного анализа сегментирования рынка был предложен П. Грином. Данный метод пытается определить какой тип покупателей наиболее подходит под определенные характеристики товара.

По мнению западных специалистов, метод гибкого и компонентного сегментирования рынка являются чисто академическими и неприменимыми к реальной жизни.

В рамках работы над первой главой выпускной квалификационной работы получены теоретические знания в области сегментирования рынка потребителей. Рассмотрены основные признаки сегментирования рынка потребителей. Изучены методы сегментирования рынка.