Мы разбили совокупность потребителей на кластеры. При разбиении мы стремились объединить в каждую группу потребителей со схожими значениями переменных. Для построения групп схожих потребителей мы использовали меры близости (схожести). А для того, чтобы учесть различную роль переменных в определении схожести потребителей, мы задавали при построении мер близости важность отдельных переменных сегментирования (смотрите пункт «Взвешивание переменных сегментирования». Значения коэффициентов важности переменных сегментирования позволяют отразить влияние переменных на формируемые кластеры как группы схожих потребителей.
Когда выделение кластеров производится по одной-двум переменным, смысл схожести потребителей, входящих в один и тот же кластер, обычно легко распознается, а выделенным кластерам могут быть присвоены семантически значимые названия, отражающие понимание аналитиком свойства близости потребителей. Но когда сопоставление потребителей проводится по многим переменным, требуются значительные усилия для того, чтобы понять, в чем состоит сходство потребителей. Аналитик заинтересован в том, чтобы интерпретировать «сходство» потребителей, принадлежащих одному кластеру, в терминах более информативных, чем набор изучаемых переменных и значения мер близости.
Сходство потребителей может быть проинтерпретировано в маркетинговых терминах. Такая интерпретация дает аналитику намного больше информации для практической работы, чем объяснение причин выделения потребителей в один кластер с привлечением математических понятий. Меры близости являются абстрактными величинами и не имеют простого объяснения в терминах изучаемой предметной области.
Итак, после выделения кластеров необходимо понять, каков маркетинговый смысл схожести покупателей, объединяемых в одну группу, и чем отличаются друг от друга потребители из различных кластеров. Поняв маркетинговый смысл сходства и различия потребителей, аналитик может дать семантически значимое название выделенному кластеру, который рассматривается им как основа для построения сегмента. Это означает, что аналитик должен интерпретировать полученное кластерное решение в понятных маркетинговых терминах.
Для решения задачи интерпретации обычно используется следующий подход. Он сводится к определению интерпретирующей функции (критерия) на множестве изучаемых переменных, которыми описываются потребители. При построении этих функций используются переменные сегментирования, семантика которых хорошо понятна аналитику. Аналитик обобщает в виде интерпретирующей функции разрозненные представления о потребителях, отраженные в значениях переменных. Данные функции позволяют вычислить оценки для отдельных потребителей, и, конечно, с их помощью может быть оценен выделяемый кластер (сегмент).
На практике для построения интерпретирующих критериев широко используются три подхода:
• профили сегментов;
• главные факторы;
• функции полезности;
Профили сегментов
Данный подход наиболее прост для практического применения. В его основе лежит сопоставление статистических значений переменных, вычисленных для отдельных сегментов. Например, могут быть сопоставлены значения «средних», значения «размаха» отдельной переменной для потребителей из анализируемых сегментов. Для большей наглядности при сопоставлении изучаемые параметры переменных для различных сегментов совмещают на одной диаграмме.
Главные факторы
При данном подходе построение интерпретирующего критерия (функции) производится на основе изучения статистических взаимосвязей между значениями переменных. Этот подход рассматривает интерпретирующий критерий как фактор, выделяемый методом главных компонент (факторным анализом).
Функции полезности
Здесь для целей интерпретации используется экспертный метод, основанный на построении функции полезности. Здесь функция полезности определяется как цель, которую следует достичь при использовании выделяемых кластеров как сегментов. Семантику этой цели определяет сам аналитик через задание коэффициентов важности для отдельных переменных сегментирования. Аналитик привлекает свои предположения о том, в какой степени желаемая цель может быть достигнута в зависимости от того, какими свойствами описываются потребители (объекты кластеризации).
Заметим, что здесь в отличие от вышерассмотренной процедуры взвешивания переменных сегментирования для построения мер близости коэффициенты важности отражают мнение аналитика о том, какую роль играют переменные в достижения цели сегмента. Очевидно, что в указанных приложениях семантика коэффициентов важности различна.
Безусловно, аналитик может сформулировать несколько целей, при формальном описании которых одни и те же переменные могут играть различные роли. Это означает, что он для построения каждой цели определяет свою функцию полезности, а для каждой функции определяет вклады переменных сегментирования.
Ниже каждый из названных подходов мы рассмотрим более подробно.
Задавайте вопросы нашему консультанту, он ждет вас внизу экрана и всегда онлайн специально для Вас. Не стесняемся, мы работаем совершенно бесплатно!!!
Также оказываем консультации по телефону: 8 (800) 600-76-83, звонок по России бесплатный!
Итак, аналитик выделил кластер и проверил, что он представляет собой достаточно плотное скопление схожих потребителей. Теперь аналитик должен объяснить на языке маркетинговых понятий и терминов исследуемой прикладной области, в чем заключается смысл «схожести» потребителей, объединенных в рассматриваемый кластер.
Для выяснения семантики кластера как сегмента может быть применен метод построения профиля сегмента. Это самый простой способ анализа сегмента с точки зрения используемого математического аппарата.
В данном случае исследуются значения переменных сегментирования по всем потребителям рассматриваемого кластера. Профиль сегмента может быть построен в нескольких видах.
Профиль «одной переменной»
Среди переменных сегментирования, которыми описываются потребители, выберем одну переменную, которая, на наш взгляд, наиболее емко характеризует маркетинговые особенности потребителей. Обычно этой переменной в процедуре кластеризации присваивается наибольший коэффициент важности. Данный коэффициент позволяет показать, что по сравнению с остальными переменными именно эта переменная вносит наибольший вклад в вычисляемую меру близости.
По данной гистограмме можно определить частоту появления в сегменте потребителей, обладающих конкретным значением переменной. Для каждой гистограммы вычисляется среднее значение переменной. Для совместного визуального анализа гистограмму каждого выделенного сегмента удобно расположить на одной числовой оси, по которой откладываются значения переменной.
Когда мы наблюдаем значительное расхождения в значениях средних по каждой гистограмме, тогда можно сказать, что сегменты отличаются своими «усредненными» потребителями. Определение «среднего» потребителя проводится по значению исследуемой переменной в пределах сегмента. В том случае, когда «средние» по сегментам расположены близко друг к другу, можно утверждать, что профиль, построенный по значению данной переменной, не позволяет судить об «индивидуальных» особенностях потребителей из выделенных сегментов.
Профиль «многих переменных»
В данном случае анализу подвергается несколько переменных сегментирования. Аналитик выбирает из набора переменных те, которые, по его мнению, емко отражают индивидуальность потребителей из различных сегментов. В пределах каждого сегмента вычисляются средние значения по выбранным переменным. «Средние» представляются в виде столбчатой диаграммы. Кроме «средних» могут быть использованы и другие функции, например минимальные, максимальные значения, суммы значений. Выбор функции определяется стремлением аналитика выразить семантику изучаемых кластеров. Конечно, функция расчета показателя также учитывается при присваивании названия исследуемому профилю.
Для удобства сопоставления столбчатых диаграмм, построенных для изучаемых кластеров, полезно упорядочить имена исследуемых переменных. Обычно, задавая порядок между переменными, аналитик пытается установить приоритет анализа переменных. Иногда через установленный порядок имен переменных на диаграмме удается выразить «порядок» семантических значений, присутствующих в именах переменных. Так, в примере (пункт «Еще один пример сегментирования») переменные отражают названия ценовых групп, из которых оптовый потребитель покупает товар. В этом случае порядок переменных может передавать возрастания цены товара от минимального к максимальному значению.
Построенные профили для каждого сегмента следует сопоставить друг с другом. Следует определить, чем профили похожи и чем отличаются. А затем необходимо эти особенности диаграмм интерпретировать как индивидуальность потребителей из различных сегментов.
Итак, профиль сегмента отражает свойства «среднего» потребителя из анализируемого сегмента. Именно этот тип функции «среднее значение» чаще всего используется при определении значения изучаемого показателя. Поэтому иногда в практике сегментирования используют термин профиль потребителя. Профиль дает наглядное представление о том, что представляет собой типичный представитель каждого сегмента. Кроме того, профиль сегмента позволяет дать числовую оценку переменных, в соответствии с которой в практике маркетинговой работы потребитель может быть оперативно отнесен к тому или иному сегменту.
Факторный анализ и сегментирование
Применение факторного анализа к решению задач сегментирования обычно инициируется стремлением аналитика достигнуть двух взаимосвязанных целей:
• снизить размерность решаемой задачи кластеризации;
• определить семантику выделяемых кластеров как сегментов.
Заметим, что последняя задача очень близка к проблеме построения карт восприятия, которые применяются в технологиях позиционирования. Это приложение факторного анализа мы будем рассматривать в пункте «Карты позиционирования».
Сжатие и интерпретация
Снижение размерности задачи кластеризации с помощью факторного анализа предполагает замену большого числа (20-50 и более) исходных переменных сегментирования на значительно меньшее число искусственно созданных переменных. Обычно используют «сжатие» до двух-трех переменных.
Факторный анализ обеспечивает построение этих искусственных переменных. Эти переменные интерпретируются как факторы, объясняющие наблюдаемые и скрытые зависимости между значениями исходных переменных. Считается, что информация о зависимостях между переменными в сжатом виде содержится в выделяемых факторах. Поэтому эти факторы рекомендуется использовать как переменные сегментирования, по которым следует провести кластеризацию изучаемых потребителей.
Можно предположить, что переход к меньшему числу переменных позволит получить лучшие результаты кластеризации, т. е, выделяемые кластеры будут обладать большей плотностью и их границы будут более четкими.
Такой эффект «улучшения» визуального образа кластера объясняется тем, что факторы «вобрали» в себя информацию о связях между отдельными переменными и визуальные образы кластеров в пространстве факторов стали более четко выраженными и информативными.
Одновременно с улучшением результатов кластеризации построенные факторы позволяют аналитику объяснить семантику формируемых кластеров. При построении факторов аналитик выбирает те исходные переменные сегментирования, которые вносят наибольший вклад в создаваемый фактор. Изучая семантику этих переменных, аналитик пытается объяснить смысл создаваемого фактора. А через семантику создаваемых факторов аналитик объясняет смысл выделяемых кластеров. Применение факторов позволяет интерпретировать взаимное расположение потребителей.
Главные компоненты (факторы)
Применение факторного анализа в рамках технологии сегментирования обусловлено его возможностями как инструмента изучения и объяснения связей, существующих между исходными переменными сегментирования. Предполагается, что данные связи могут быть численно оценены с помощью коэффициентов корреляции.
Идея метода факторного анализа состоит в том, чтобы объяснить все многообразие корреляционных связей через воздействие нескольких
обобщенных гипотетических факторов. Эти факторы можно образно представить как некоторые «внешние силы», которые воздействуют на переменные сегментирования и «заставляют» их принимать значения, между которыми наблюдаются зависимости, отражаемые в коэффициентах корреляции.
Согласно формальному определению исследуемые переменные можно представить как линейные комбинации «скрытых» факторов. Сами факторы неизвестны. Но их можно выразить через значения исследуемых переменных. Факторы, выраженные через исходные переменные сегментирования, интерпретируются как существенные внутренние характеристики потребителей. Предполагается, что факторы могут быть либо независимы, либо зависимы между собой. Это предположение определяет выбор математической модели факторного анализа.
Рассмотрим одну из разновидностей факторного анализа — метод главных компонент, который основан на предположении, что исследуемые обобщенные факторы независимы между собой.
Пусть п объектов (потребителей) описываются т переменными (переменными сегментирования). Каждая переменная может быть представлена линейной комбинацией главных компонент, которые являются искомыми факторами.
Геометрически метод главных компонент можно описать следующим образом.
Рассмотрим потребителей в трехмерном пространстве исходных переменных. Каждый объект можно представить как точку в трехмерном пространстве исходных переменных. Так, совокупность потребителей в трехмерном пространстве исходных переменных может быть представлена эллипсоидом.
Покажем геометрическую интерпретацию из 3мерного пространства исходных переменных в 3мерное пространство главных факторов. Здесь количество исходных переменных и выделяемых факторов совпадает. На практике выполняется переход от большого числа m переменных к меньшему количеству факторов, к 23 факторам. В иллюстративном примере мы покажем переход от 7 исходных переменных к трем факторам.
При реализации метода главных компонент вычисляется матрица факторных нагрузок. Эта матрица показывает, какое влияние каждый фактор оказывает на ту или иную переменную. Строки матрицы соответствуют переменным сегментирования, а столбцы факторам. Матрица факторных нагрузок строится автоматически при обработке исходной матрицы наблюдений, в которой строки соответствуют потребителям, а столбцы — переменным сегментирования. Программная процедура построения матрицы факторных нагрузок и выделения главных факторов описана в пункте «Выделение факторов сжатие данных».
На основе найденной матрицы факторных нагрузок вычисляется вектор дисперсий. Значения дисперсий обусловлены воздействием отдельных факторов. Каждый элемент вектора дисперсий соответствует фактору и показывает, какое влияние фактор оказывает на рассеивание точек (потребителей) вдоль осей эллипсоида, которым представляется в модели факторного анализа скопление точек (наблюдений/ потребителей). Первый (больший по значению) элемент вектора представляет величину дисперсии, соответствующую первой главной оси, второй элемент показывает величину дисперсии, соответствующую второй главной оси, и т. д. При использовании корреляционной матрицы суммарная дисперсия факторов равна числу переменных. Поэтому делением выбранного элемента вектора дисперсий на т (в нашем примере на число 7 — количество переменных) можно получить долю дисперсии, соответствующую данному направлению или компоненте (фактору).
Аналитик сам должен принять решение, сколько факторов (главных компонент) ему необходимо оставить для работы. Главные компоненты выделяются следующим образом.
Порядок факторов в векторе дисперсий (и на графике) соответствует значениям дисперсий. Важнейший фактор имеет большую дисперсию, за ним следует менее значимый фактор с меньшей дисперсией и т. д.
Анализ этого графика позволяет визуально определить, сколько факторов целесообразно выделить. Так, первая из компонент должна учитывать максимум суммарной дисперсии переменных. Вторая компонента, в силу предположения о независимости факторов не должна коррелировать с первой и должна учитывать максимум оставшейся дисперсии. Построение остальных компонент продолжается до тех пор, пока вся дисперсия не будет учтена. Количество выделяемых компонент определяется долей суммарной дисперсии, учитываемой отобранными компонентами. Чаще всего оставляют для дальнейшего применения столько компонент, сколько требуется, чтобы учитываемая ими суммарная дисперсия составляла заранее указанное число процентов, например, 7080%. Обычно значение этого процента аналитики указывают при изложении результатов проводимого исследования.
В нашем иллюстрационном примере были выбраны три главных фактора со значениями объясняемой дисперсии 1,95 по первому фактору, 1,79 по второму фактору, 1,23 по третьему фактору, при этом суммарная дисперсия составила 70,95%.
Известны многие альтернативные подходы для определения числа важнейших факторов, с которыми читатель может ознакомиться по специальной литературе.
Потребители в пространстве факторов
Обычно в методе главных компонент оставляют 23 фактора, чтобы можно было наглядно увидеть облака точек (скопления объектов) в пространстве небольшой размерности, определенной выделенными факторами. Координаты точки в данном пространстве есть значения факторов для потребителей.
Выбор переменных для интерпретации
После определения числа главных факторов аналитик переходит к объяснению семантики выделенных факторов на основе анализа семантики переменных, которые имеют наибольшие факторные нагрузки. В нашем примере были выделены три главных фактора.
Мы видим, что наибольшие нагрузки (отрицательные по знаку) имеют переменные «Мясо и мясные полуфабрикаты», «Рыба и рыбные полуфабрикаты», «Пельмени», а переменная «Кондитерские изделия» имеет значительную положительную нагрузку.
С «отрицательными» переменными ассоциируем положительное воздействие определяемого фактора, т. е. при увеличении воздействия первого фактора его значения будут увеличиваться в отрицательном направлении. В нашем случае можно сказать, что эти величины показывают стремление клиентов перейти к торговле товарами из групп замороженных продуктов, которые представлены переменными «Мясо и мясные полуфабрикаты», «Рыба и рыбные полуфабрикаты», «Пельмени».
Переменные с большими положительными нагрузками, но меньшими по модулю, чем отрицательные нагрузки, интерпретируем как стремление клиентов не выполнять действие, описываемое отрицательным направлением фактора. Таким образом, клиенты, покупающие в основном замороженные продукты, не склонны закупать кондитерские изделия.
В целом, фактор есть стремление клиентов действовать в направлениях, описываемых переменными с большими значениями факторных нагрузок.
Аналогично первому фактору определяется второй и третий фактор.
Для второго фактора его семантика описывается через переменные «Колбаса», «Пельмени», «Кондитерские изделия». Семантика второго фактора может быть объяснена как стремление клиентов торговать товарами из данных товарных групп, но не закупать при этом товары из группы «Йогурты».
А третий фактор объясняется как стремление клиентов торговать товарами бакалеи, мясными продуктами и кондитерскими изделиями. Этот вывод подтверждается большими значениями факторных нагрузок по указанным переменным.
Таким образом, от абстрактных названий главных компонент Фактор 1, Фактор 2, Фактор 3 можно перейти к семантически значимым названиям:
• «Замороженные продукты (Мясо, рыба, пельмени)»;
• «Колбаса, пельмени, конд. изд.»;
• «Бакалея, мясо, конд. изд.».
Конечно, существуют трудности в выборе для выделяемых факторов семантически значимых названий. Например, можно предложить следующие «Замороженные продукты», «Закуски», «Для домохозяек». Надо сказать, что при подборе названия фактора следует отразить в названии семантику тех переменных, которые включены в выделяемый фактор.
Таким образом, построение факторов для анализа исходных данных сегментирования проводится в следующей последовательности:
• определение числа важнейших факторов, по проценту обобщенной дисперсии, вычисленной для факторов;
• выделение для каждого выбранного фактора переменных со значениями факторных нагрузок больше установленного уровня;
• и наконец, определение семантики выбранного фактора, присвоение фактору названия на основе анализа содержательного смысла выделенных переменных, у которых факторные нагрузки имеют большие значения.
Безусловно, что аналитик формирует свое мнение о важнейших факторах и переменных сегментирования не только на основе формальных правил и вычисленных значений параметров факторной модели. Аналитик должен учитывать семантику решаемой задачи. Однако вычисленные параметры факторной модели могут быть рассмотрены аналитиком как отправная точка для построения семантической интерпретации связей между переменными сегментирования.
Практика применения
Даже краткое изложение основ факторного анализа в его простейшем варианте (метод главных компонент) может создать у читателя впечатление об очень большой математической сложности этого подхода.
Да, действительно, глубокое понимание аппарата факторного анализ; как метода изучения многомерных наблюдений требует хорошей математической подготовки.
На практике при выделении сегментов с применением факторной анализа аналитик должен придерживаться только следующей последовательности действий, а именно:
• определение списка переменных сегментирования;
• построение на выбранных переменных матрицы факторных нагрузок;
• выделение 2-х или 3-х главных факторов;
• определение семантики выбранных факторов (интерпретация);
• автоматическое включение выделенных факторов в последующие этапы кластеризации с целью изучения семантики выделяемых кластеров (сегментов).
Выделенные главные факторы позволяют сжать информацию о существующих связях между изучаемыми переменными и заменить исходное множество значений переменных на значения выделенных факторов.
После замены исходных переменных на меньшее число главных факторов следует на них выполнить кластеризацию. Обычно в результате кластеризации можно найти плотные скопления потребителей. Далее этим выделенным кластерам следует дать интерпретации J терминах введенных главных факторов.
Как видно из расположения сегментов, бакалейные продукты в большей степени заинтересованы покупать потребители 1-го сегмента, чем потребители 2-го и 3-го сегмента. Потребители первого сегмента расположены ниже других сегментов по оси фактора «бакалея» и, следовательно, имеют большую склонность к покупке бакалеи.
Покупатели 2-го сегмента совсем не стремятся приобретать йогурты, а закупают колбасу. Все потребители этого сегмента находятся в левой полуплоскости, которая соответствует склонности к покупке колбасных изделий — фактор «колбаса».
Клиенты 1-го и 3-го сегмента закупают и колбасу, и йогурты, но йогурты покупают больше. Большинство потребителей этих сегментов находятся в правой полуплоскости, которая определяет склонность к покупке йогуртов.
Итак, на основе проведенного выше анализа можно сделать вывод о поведении покупателей из каждого сегментов, что позволяет понять семантику каждого сегмента:
1-й сегмент — предпочитает больше закупать продукты бакалеи (мясо и кондитерские изделия), йогурты, чем остальные сегменты. Колбасные изделия и замороженные продукты покупатели из этого сегмента предпочитают закупать в меньшей степени. Дадим покупателям из этого сегмента условное название «бакалейщики».
2-й сегмент — предпочитает закупать больше колбасных изделий. Йогурты потребители из этого сегмента практически не закупают. Также, хотя и существует некоторая потребность в замороженных продуктах (пельмени, мясо, рыба) и в продуктах бакалеи, но в меньшей степени, чем у других сегментов. Покупателям из этого сегмента дадим название «колбасники».
3-й сегмент — в основном предпочитает закупать замороженные продукты (пельмени, мясо, рыба). Эта товарная группа занимает больший объем в его ассортименте, чем у остальных сегментов. Также этот сегмент закупает колбасные изделия и продукты бакалеи, но в меньшей степени, чем другие сегменты. Покупателей этого сегмента назовем «морозильщиками».
Надеемся, что эти примеры показали читателю результативность применения факторного анализа к сегментированию потребителей. Читателю необходимо обратить внимание и на то, что основные вычислительные процедуры реализуются программным инструментом, а от аналитика требуется обдуманно следовать логике сегментирования.
Функции полезности
При построении сегментов всегда приходится учитывать цели, желания и нужды фирмы, которая продвигает товары и инициирует исследования по выделению сегментов. Изучение целей фирмы может быть проведено в рамках теории полезности.
Традиционно термин «полезность» имеет два различных значения. Первое значение подразумевает качественное изучение исследуемых альтернатив. При сравнении альтернатив используют утверждения: «Я ценю х больше, чем у» или: «Я предпочитаю х, а не у».
Второе значение термина «полезность» основано на привлечении количественных оценок для выражения нашего предпочтения одной альтернативы перед другой. В данном случае от качественного сопоставления объектов переходят к сравнению числовых оценок, отражающих качественные предпочтения.
С учетом сделанного замечания о двойственности термина полезность мы будем использовать термин «предпочтение» для отображения качественной характеристики альтернатив (сегментов, переменных сегментирования или свойств потребителей), а термин «полезность» — для количественного представления предпочтений.
При изучении предпочтений, которые отражают качественные характеристики объектов исследования, применяют понятие бинарного отношения. Введение понятия «бинарное отношение» позволило сформулировать строгий математический аппарат для изучения предпочтений, которые могут высказать аналитики об исследуемых альтернативах.
Применение функций полезности к исследованию сегментов делает необходимым привлечение от аналитика информации об отношении предпочтения для изучаемых свойств потребителей. Привлечение качественной информации о маркетинговых свойствах потребителей позволяет оценить отдельных потребителей и в целом весь сегмент с помощью значений функции полезности. При этом необходимо обеспечить сопоставимость значений наблюдаемых маркетинговых свойств потребителей. Сопоставимость значений изучаемых свойств на практике достигается с помощью шкалирования значений (подробнее смотрите пункт «Шкалирование данных»). Выбирая те или иные свойства, аналитик может придать функции полезности требуемую маркетинговую семантику.
Аналитик, который решил применить функции полезности для изучения выделяемых сегментов и интерпретации маркетинговых свойств сегментов, прежде всего должен учитывать, что высказываемые им предпочтения о свойствах потребителей, включаемых в создаваемую функцию полезности, отражают лишь его взгляды только в рамках конкретного аспекта изучения. Для изучения иного маркетингового свойства сегмента аналитик может построить другую функцию полезности на иных свойствах потребителей и иных отношениях предпочтения.
Например, при исследовании стратегического потенциала сегментов портфолио-методом необходимо построить две функции полезности, семантика которых отражает конкурентоспособность и привлекательность фирмы на рынке. При построении каждой из этих функций аналитик должен привлечь только те свойства потребителей, которые отражают семантику формируемой функции. Безусловно, что, ставя перед собой задачу изучения стратегического потенциала на выделяемых сегментах, аналитик должен позаботиться о том, чтобы включаемые в исследование свойства потребителей позволили бы ему описать и понятие конкурентоспособности, и понятие привлекательности.
Статью подготовил ведущий маркетолог-аналитик Воронов Валерий Иванович. 
