Кластерный метод сегментирования. Методики и инструментарий сегментации потребителей

Мы знаем, что Земля – это одна из 8 планет, которые вращаются вокруг Солнца. Солнце – это всего лишь звезда среди порядка 200 миллиардов звезд в галактике Млечный Путь. Очень тяжело осознать это число. Зная это, можно сделать предположение о количестве звезд во вселенной – приблизительно 4X10^22. Мы можем видеть около миллиона звезд на небе, хотя это всего лишь малая часть от всего фактического количества звезд. Итак, у нас появилось два вопроса:

1. Что такое галактика?
2. И какая связь между галактиками и темой статьи (кластерный анализ)

Галактика – это скопление звезд, газа, пыли, планет и межзвездных облаков. Обычно галактики напоминают спиральную или эдептическую фигуру. В пространстве галактики отделены друг от друга. Огромные черные дыры чаще всего являются центрами большинства галактик.

Как мы будем обсуждать в следующем разделе, есть много общего между галактиками и кластерным анализом. Галактики существуют в трехмерном пространстве, кластерный анализ – это многомерный анализ, проводимый в n-мерном пространстве.

Заметка: Черная дыра – это центр галактики. Мы будем использовать похожую идею в отношении центроидов для кластерного анализа.

Кластерный анализ

Предположим вы глава отдела по маркетингу и взаимодействию с потребителями в телекоммуникационной компании. Вы понимаете, что все потребители разные, и что вам необходимы различные стратегии для привлечения различных потребителей. Вы оцените мощь такого инструмента как сегментация клиентов для оптимизации затрат. Для того, чтобы освежить ваши знания кластерного анализа, рассмотрим следующий пример, иллюстрирующий 8 потребителей и среднюю продолжительность их разговоров (локальных и международных). Ниже данные:

Для лучшего восприятия нарисуем график, где по оси x будет откладываться средняя продолжительность международных разговоров, а по оси y - средняя продолжительность локальных разговоров. Ниже график:

Заметка: Это похоже на анализ расположения звезд на ночном небе (здесь звезды заменены потребителями). В дополнение, вместо трехмерного пространства у нас двумерное, заданное продолжительностью локальных и международных разговоров, в качестве осей x и y.
Сейчас, разговаривая в терминах галактик, задача формулируется так – найти положение черных дыр; в кластерном анализе они называются центроидами. Для обнаружения центроидов мы начнем с того, что возьмем произвольные точки в качестве положения центроидов.

Евклидово расстояние для нахождения Центроидов для Кластеров

В нашем случае два центроида (C1 и C2) мы произвольным образом поместим в точки с координатами (1, 1) и (3, 4). Почему мы выбрали именно эти два центроида? Визуальное отображение точек на графике показывает нам, что есть два кластера, которые мы будем анализировать. Однако, впоследствии мы увидим, что ответ на этот вопрос будет не таким уж простым для большого набора данных.
Далее, мы измерим расстояние между центроидами (C1 и C2) и всеми точками на графике использую формулу Евклида для нахождения расстояния между двумя точками.

Примечание: Расстояние может быть вычислено и по другим формулам, например,

1. квадрат евклидова расстояния – для придания веса более отдаленным друг от друга объектам
2. манхэттенское расстояние – для уменьшения влияния выбросов
3. степенное расстояние – для увеличения/уменьшения влияния по конкретным координатам
4. процент несогласия – для категориальных данных
5. и др.

Колонка 3 и 4 (Distance from C1 and C2) и есть расстояние, вычисленное по этой формуле. Например, для первого потребителя

Принадлежность к центроидам (последняя колонка) вычисляется по принципу близости к центроидам (C1 и C2). Первый потребитель ближе к центроиду №1 (1.41 по сравнению с 2.24) следовательно, принадлежит к кластеру с центроидом C1.

Ниже график, иллюстрирующий центроиды C1 и C2 (изображенные в виде голубого и оранжевого ромбика). Потребители изображены цветом соответствующего центроида, к кластеру которого они были отнесены.

Так как мы произвольным образом выбрали центроиды, вторым шагом мы сделать этот выбор итеративным. Новая позиция центроидов выбирается как средняя для точек соответствующего кластера. Так, например, для первого центроида (это потребители 1, 2 и 3). Следовательно, новая координата x для центроида C1 э то средняя координат x этих потребителей (2+1+1)/3 = 1.33. Мы получим новые координаты для C1 (1.33, 2.33) и C2 (4.4, 4.2).Новый график ниже:

В конце концов, мы поместим центроиды в центр соответствующего кластера. График ниже:

Позиции наших черных дыр (центров кластеров) в нашем примере C1 (1.75, 2.25) и C2(4.75, 4.75). Два кластера выше подобны двум галактикам, разделенным в пространстве друг от друга.

Итак, рассмотрим примеры дальше. Пусть перед нами стоит задача по сегментации потребителей по двум параметрам: возраст и доход. Предположим, что у нас есть 2 потребителя с возрастом 37 и 44 лет и доходом в $90,000 и $62,000 соответственно. Если мы хотим измерить Евклидово расстояние между точками (37, 90000) и (44, 62000), мы увидим, что в данном случае переменная доход «доминирует» над переменной возраст и ее изменение сильно сказывается на расстоянии. Нам необходима какая-нибудь стратегия для решения данной проблемы, иначе наш анализ даст неверный результат. Решение данной проблемы это приведение наших значений к сравнимым шкалам. Нормализация – вот решение нашей проблемы.

Нормализация данных

Существует много подходов для нормализации данных. Например, нормализация минимума-максимума. Для данной нормализации используется следующая формула

в данном случае X* - это нормализованное значение, min и max – минимальная и максимальная координата по всему множеству X
(Примечание, данная формула располагает все координаты на отрезке )
Рассмотрим наш пример, пусть максимальный доход $130000, а минимальный - $45000. Нормализованное значение дохода для потребителя A равно

Мы сделаем это упражнение для всех точек для каждых переменных (координат). Доход для второго потребителя (62000) станет 0.2 после процедуры нормализации. Дополнительно, пусть минимальный и максимальный возрасты 23 и 58 соответственно. После нормализации возрасты двух наших потребителей составит 0.4 и 0.6.

Легко увидеть, что теперь все наши данные расположены между значениями 0 и 1. Следовательно, у нас теперь есть нормализованные наборы данных в сравнимых шкалах.

Запомните, перед процедурой кластерного анализа необходимо произвести нормализацию.

Далее рассматривается сегментация студентов по субъективным свойствам (см. подразд. 14.1) и по выгодам (см. подразд. 14.4), которые дает получение высшего образования при дневной форме обучения. Для сегментации применяется методика, основанная на кластерном анализе с привлечением многомерного шкалирования для дополнительного, более полного анализа.

Переменные сегментации – свойства и выгоды – должны иметь количественные балльные оценки. При решении конкретной задачи были использованы девять параметров. Для применения шкалы Лайкерта по каждому параметру сформулированы соответствующие утверждения.

• 1. Это лучший способ получить глубокие знания.
• 2. Это возможность полноценного общения и приобретения друзей.
• 3. Это ценная возможность общения с преподавателем.
• 4. Это важный шаг начала карьеры.
• 5. Студенчество – прекрасный период в жизни.
• 6. Материальные затраты на дневное обучение велики.
• 7. Временны́е затраты на дневное обучение велики.
• 8. Развивает мышление по специальности.
• 9. Дневное обучение престижно.

Набор параметров, которые можно использовать, может быть гораздо шире. Студенты в своих анкетах часто указывают также следующие достоинства или недостатки дневного обучения в университете: возможность расширения кругозора, возможность отсрочки, возможность научиться самодисциплине и самоорганизации, затруднение совмещения учебы и работы, важный период в жизни, отсутствие практики, возможность получить большой объем информации, влияние на дальнейшее продвижение по работе, появление в будущем возможности определиться с правильностью выбора профессии, участие в жизни университета.

Сбор данных

Сбор данных осуществляется методом анкетирования. Вопросы сформулированы с применением шкалы Лайкерта (см. подразд. 8.3). Например, студентов опросили относительно степени их согласия-несогласия с утверждениями по шкале с пятью градациями. В литературе широко применяется семибалльная шкала, но часто респондент затрудняется давать ответы при большом числе градаций.

Фрагмент анкеты имеет вид, приведенный на рис. 24.2.

Рис. 24.2.

От респондента требуется только поставить только "галочку", а оцифровку проводит анкетер. Применена пятибалльная шкала с уровнями от 1 до 5 (1 – категорически не согласен, ..., 5 – полностью согласен). На анкету ответили 19 респондентов – все студенты одной группы, чего, конечно, недостаточно.

24.7. Сегментация по свойствам на примере образовательного продукта 381

Расчеты по методу кластерного анализа

Кластерный анализ (см. подразд. 23.7) широко применяется при проведении сегментации по свойствам продукта (см. подразд. 24.3). Сегментацию по кластерному анализу иногда называют иерархической. На основании полученных оценок рассчитываются расстояния между оценками каждого студента с каждым. На основе пакета научных статистических программ Statistica. Сначала составляется матрица евклидовых расстояний (euclidean distances). Для образования кластеров применена объединяющая (агломеративнная) процедура по методу дальнего соседа (complete linkage). Результаты представлены в виде диаграммы на рис. 24.3.

Рис. 24.3. Дендрограмма (ППП Statistica)

По вертикальной оси дастся расстояние между присоединяемыми кластерами (Linkage Distance). По горизонтальной оси номерами от С_1 до С 19 перечислены студенты. Как следует из дендрограммы, на первом шаге имеется 19 кластеров. На первом и на втором шагах объединяются точки 3 с 5 и 9 с 11. На третьем шаге объединяются точки 8 и 13. Затем процесс объединения продолжается.

При выборе окончательного шага и соответственно числа кластеров используем план агломерации (рис. 24.4). За окончательный вариант принимается шаг, после которого расстояние между объединяемыми кластерами (Linkage Distance) резко возрастает.

Рис. 24.4.

Выберем результат разбиения в соответствии с рекомендациями из подразд. 23.7. Как следует из плана агломерации, относительно резкий прирост расстояния между присоединяемыми кластерами происходит на 13-м и 17-м шагах (Step на рис. 24.4). Следовательно, необходимо сделать выбор между 12-м и 16-м шагами. Для однозначного выбора завершающего шага в соответствии с теми же рекомендациями из разд. 23.7 обратимся к многомерному шкалированию.

Результаты сегментации по методу многомерного шкалирования

Дополнительно для выбора окончательного варианта классификации рассматривается картина взаимного расположения точек по методу многомерного шкалирования на рис. 24.5, который получен в результате работы с ППП Statistica. По осям даны два измерения – Dimension 1 и Dimension 2.

Кластеры имеют выпуклую форму только на 16-м шаге кластерного анализа, что видно по результатам проведения межгрупповых границ на основе многомерного шкалирования. Эти результаты и принимаются за окончательные. Образовано три кластера, а по сути – сегмента. Первый кластер включает в себя девять точек, второй – три, третий – семь.

Рис. 24.5.

Характеристика сегментов

Сегменты могут быть охарактеризованы средними значениями по каждой переменной, а результаты сегментации наглядно могут быть представлены в виде профилей по средним значениям по каждой переменной (рис. 24.6).

Для содержательной лаконичной характеристики сегмента ему дается имя, девиз. Полная характеристика кластера следует из его профиля. В основу имени сегмента могут быть положены переменные, по которым получены самые высокие и самые низкие оценки, что видно из рассмотрения профилей. Сравнение профилей позволяет выявить особенности каждого сегмента, "позиционировать" его на фоне остальных.

Сформулируем имя каждого полученного сегмента и дадим девиз. Первый сегмент – позитивисты: "Затраты не главное", второй – жизнелюбы. "Думай о настоящем. Мы

Рис. 24.6.

здесь не для престижа и карьеры", третий – целеустремленные: "Престиж окупает затраты". Применялась следующая технология получения имени сегмента.

Действительно, в соответствии с рис. 24.6:

• для первого кластера характерны высокие оценки для признаков (4) "Студенчество – прекрасный период в жизни" и (8) "Развивает мышление по специальности". При этом низкие оценки получили утверждения (6) "Материальные затраты велики" и (7) "Временны́е затраты велики";
• второго кластера – высокие оценки для утверждений (1) "Возможность полноценного общения и приобретения друзей" и (4) "Студенчество – прекрасный период в жизни". Низкие оценки получены для утверждений (3) "Важный шаг в карьере" и (9) "Дневное образование престижно";
• третьего кластера – высокие оценки для утверждений (6) "Материальные затраты велики" и (9) "Дневное обучение престижно" при относительно низкой для (4) "Студенчество – прекрасный период в жизни".

• Под выгодами здесь удобно понимать мотивы получения такого образования.
• ППП – пакет прикладных программ.
• Теория метода изложена в подразд. 23.6.
• Для более привычного представления профиля его нужно повернуть на 90° по часовой стрелке.

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.

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.