Dom » Poslovni planovi » Metode i alati za segmentaciju potrošača. Pregled metoda klaster analize i procjena njihove primjenjivosti za rješavanje problema segmentacije potrošačkog tržišta Rezultati segmentacije primjenom metode višedimenzionalnog skaliranja

Metode i alati za segmentaciju potrošača. Pregled metoda klaster analize i procjena njihove primjenjivosti za rješavanje problema segmentacije potrošačkog tržišta Rezultati segmentacije primjenom metode višedimenzionalnog skaliranja

Metode segmentiranja

Postoje neke "osnovne" metode segmentacije. Najvažnija od njih je analiza klastera potrošača (taksonomija). Klasteri potrošača nastaju udruživanjem u grupu onih koji daju slične odgovore na postavljena pitanja. Kupci se mogu grupirati ako su slični po godinama, prihodima, navikama itd. Sličnost među kupcima zasniva se na različitim mjerama, ali se često kao mjera sličnosti koristi ponderirani zbir kvadrata razlike između odgovora kupaca na pitanje. Izlaz algoritama za grupisanje može biti hijerarhijska stabla ili udruživanje potrošača u grupe. Postoji veliki broj klaster algoritama.

Na primjer, u Sjedinjenim Državama postoji široko rasprostranjena klaster analiza sistema pod nazivom PRIZM. , koji počinje klasterizirati smanjenjem skupa od 1000 mogućih socio-demografskih pokazatelja. Ovaj sistem formira socio-demografske segmente za čitavu teritoriju Sjedinjenih Država. Tako je istaknut klaster 28 - porodice koje spadaju u ovaj klaster uključuju ljude sa najuspješnijim profesionalnim ili menadžerskim karijerama. Ovaj klaster također odražava visoke prihode, obrazovanje, imovinu, približno srednje životne dobi. Iako ovaj klaster predstavlja samo 7% američke populacije, on je kritičan za poduzetnike koji prodaju skupu robu.

Postoje i drugi primjeri segmentacije kupaca na osnovu klaster analize. Na primjer, među "psihološkim" sektorima, veoma važno mjesto zauzima "stav potrošača prema novosti proizvoda" (Sl. 3)

Slika 3

Kao što se vidi iz navedenih podataka, najveći broj potrošača su obični kupci.

Segmentacija kupaca zasnovana na klaster analizi je "klasična" metoda. Istovremeno, postoje tehnike segmentacije tržišta na osnovu tzv. „segmentacije proizvoda“ ili segmentacije tržišta po parametrima proizvoda. Posebno je važan u proizvodnji i distribuciji novih proizvoda. Od posebnog značaja je segmentacija po proizvodima, zasnovana na proučavanju dugoročnih trendova na tržištu. Proces razvoja i proizvodnje novog proizvoda, završetak velikih investicionih programa zahtijevaju prilično dug period, a tu je posebno važna ispravnost rezultata analize tržišta, procjena njegovog kapaciteta. U uslovima rada na tradicionalnom tržištu standardnih proizvoda, proračun njegovog kapaciteta može se izvršiti metodom sumiranja tržišta. U savremenim uslovima, da bi povećalo svoju konkurentnost i pravilno odredilo kapacitet tržišta, više nije dovoljno da preduzeće segmentira tržište samo u jednom pravcu – definisanju grupa potrošača prema nekim kriterijumima. U okviru integrisanog marketinga potrebno je i sam proizvod segmentirati prema parametrima najvažnijim za njegovu promociju na tržištu. U tu svrhu, metod kompajliranja funkcionalne kartice- provođenje svojevrsne dvostruke segmentacije, prema proizvodu i potrošaču.

Funkcionalne mape mogu biti jednofaktorske (segmentacija se vrši prema jednom faktoru i za homogenu grupu proizvoda) i višefaktorska (analiza kojim grupama potrošača je određeni model proizvoda namijenjen i koji od njegovih parametara su najvažniji). važne za promociju proizvoda na tržištu).funkcionalne kartice, možete odrediti za koji tržišni segment je dati proizvod dizajniran, koji njegovi funkcionalni parametri odgovaraju jednom ili drugom zahtjevu potrošača.

Prilikom razvoja novih proizvoda, ova metodologija pretpostavlja da treba uzeti u obzir sve faktore koji odražavaju sistem preferencija potrošača, a istovremeno i tehničke parametre novog proizvoda uz pomoć kojih je moguće zadovoljiti potrebe potrošača. potrošač; definirane su grupe potrošača, svaka sa svojim skupom zahtjeva i preferencija; svi odabrani faktori su rangirani prema stepenu važnosti za svaku od grupa potrošača.

Ovaj pristup omogućava već u fazi razvoja da se vidi koje parametre proizvoda treba redizajnirati, odnosno utvrditi postoji li dovoljno prostrano tržište za ovaj model.

Navedimo primjer takve analize tržišta u odnosu na razvijeni projekat računara "Apple" (tabela 1) (vidi sljedeću stranicu)

Tabela 1." Segmentacija tržišta personalnih računara i faktori uzeti u obzir pri razvoju proizvoda za njega (1982.) "

Faktori	Tržišni segmenti po grupama potrošača						Model
Faktori	Kuće	U školi	Na univerzitetu	U kuću. kabinet	U malom biznisu	U korporaciji	A	V
Tehničke specifikacije	*	*	***	**	**	**	***	**
Cijena	***	***	**	***	***	**	0	**
Posebne kvalitete	*	*	**	*	*	*	**	*
Pouzdanost	**	*	*	**	**	*	0	**
Pogodnost u upotrebi	**	**	*	**	*	0	***	***
Kompatibilnost	0	0	0	0	0	***	0	0
Periferna oprema	0	0	0	0	0	***	0	0
Prog-e odredba	*	*	**	**	**	***	*	**

*** - veoma važan faktor

** - važan faktor

* - nebitan faktor

0 - zanemarljiv faktor

Ova jednostavna analiza pokazuje da je model A kompjuter bez tržišta, a model B najpogodniji proizvod za univerzitete i mala preduzeća.

Kompanija ga je stavila na kompjuter A i izgubila.

Općenito, u svjetskoj praksi se koriste 2 temeljna pristupa segmentaciji marketinga - (vidi: opća šema analize segmenta (slika 4)) (sljedeća stranica)

U okviru prve metode. se nazivaju "a priori" ranije poznati znaci segmentacije, broj segmenata, njihov broj, karakteristike, mapa interesovanja. Odnosno, pretpostavlja se da su grupe segmenata u ovoj metodi već formirane. Metoda „ariori“ se koristi u slučajevima kada segmentacija nije dio trenutnog istraživanja, već služi kao pomoćna osnova za rješavanje drugih marketinških problema. Ponekad se ova metoda koristi kada postoji vrlo jasna definicija tržišnih segmenata, kada varijansa tržišnih segmenata nije velika. „Apriorit“ je također dopušten kada se formira novi proizvod orijentiran na poznati tržišni segment.

U okviru druge metode, nazvane „post hoc (bazirano na klasteru), podrazumijeva se nesigurnost karakteristika segmentacije i suštine samih segmenata. Istraživač unaprijed bira niz varijabli koje su interaktivne u odnosu na ispitanika ( metod podrazumeva anketu), a zatim, u zavisnosti od izraženog stava prema određenoj grupi varijabli, ispitanici pripadaju relevantnom segmentu, dok se mapa interesovanja identifikovana naknadnom analizom smatra sekundarnom. Ova metoda se koristi pri segmentiranju potrošačkih tržišta. , čija segmentna struktura nije definisana u odnosu na proizvod koji se prodaje.

Segmentacija po metodi " priorat "

Prilikom odabira broja segmenata na koje tržište treba podijeliti, obično se rukovode ciljnom funkcijom – određivanjem segmenta koji najviše obećava. Očigledno je da je prilikom formiranja uzorka nepotrebno u njega uključivati segmente čiji je kupovni potencijal prilično mali u odnosu na proizvod koji se proučava. Broj segmenata, kako pokazuju studije, ne bi trebao biti veći od 10, višak je obično povezan s pretjeranim detaljima obilježja segmentacije i dovodi do nepotrebnog "zamućenja" karakteristika.

Na primjer, kada se vrši segmentacija po visini prihoda, preporučuje se da se svi potencijalni kupci razdvoje na jednake segmente, vodeći računa da obim svakog od segmenata bude barem ne manji od procijenjenog obima prodaje usluga na osnovu poznavanja proizvodni kapacitet preduzeća. Najuspješniji primjer koji objašnjava navedeno i pokazuje mogućnost razbijanja potencijalnih potrošača u stabilne segmentne grupe je segmentacija stanovništva prema prihodima, kada se cjelokupna populacija podijeli u pet grupa od 20%. Prikazana raspodjela dohotka za pet 20% grupa stanovništva redovno se daje u statističkim kompilacijama i sažetcima, slično kao u tabeli. 2

tabela 2 ."Distribucija dohotka po grupama stanovništva. %"

Pogodnost rada sa ovakvim segmentnim grupama je očigledna, posebno u smislu praćenja njihovih kapaciteta.

10. marta 2015

Prilikom ulaska na bilo koje tržište – potrošačko, industrijsko – sa proizvodom, proizvođač mora shvatiti da ne može opsluživati sve svoje kupce, čak i ako postoji dovoljan proizvodni kapacitet. Uostalom, kupci koriste ovaj proizvod na različite načine, i što je najvažnije, kupuju ga iz različitih razloga. Stoga je uobičajena stvar da se kupci razdvoje (segmentacija) prema ovim motivima i drugim karakteristikama, pa tek onda ponudi roba proizvedena uz maksimalno uvažavanje ovih karakteristika. Idealnim pristupom planiranju marketinških aktivnosti sa stanovišta zadovoljavanja potreba potrošača, bez pretjerivanja, može se smatrati prilagođavanje proizvoda i usluga zahtjevima svakog pojedinog potrošača.

Do 1960. godine, prema teoriji i praksi poslovanja, preovladavala je orijentacija na agregirano, masovno tržište. To je bilo zbog činjenice da je, fokusirajući se na zajedničko, neraspoređeno tržište, proizvodna firma bila u mogućnosti da proizvede veliki broj roba i postigne efekat ekonomije obima. Ali od 60-ih godina. Trend prema potrebi razlikovanja specifičnosti potrošačke potražnje, koji se ogleda u segmentaciji prodajnog tržišta, počeo je da se primjenjuje.

U savremenim uslovima povećane konkurencije na prodajnim tržištima, sve je aktuelniji problem potrebe povećanja konkurentnosti domaćih industrijskih proizvoda na domaćem i inostranom tržištu. U ovim uslovima ključno pitanje je traženje rezervi za smanjenje troškova, što je ekonomska osnova cena i profita. Kao rezultat toga, značajan broj industrijskih preduzeća sprovodi strategiju niskih troškova, fokusirajući se na različite načine njene implementacije: odbijanje skupih povezanih usluga; uštede troškova zbog stvaranja jeftinijih modela za proizvodnju proizvoda i sl. Ali direktni troškovi su u velikoj meri determinisani tehnologijom proizvodnje, stepenom iskorišćenosti proizvodnog preduzeća, a mogućnosti za smanjenje troškova upravljanja na osnovu poboljšanja efikasnosti upravljanja funkcionalnim oblastima delatnosti preduzeća ostaju nedovoljno iskorišćene.

Jedan od savremenih alata je smanjenje troškova upravljanja i poboljšanje kvaliteta upravljanja, što se može tumačiti kao tačnost predviđanja profita, profitabilnost za svaki klaster (grupu industrijskih preduzeća iste vrste privredne delatnosti) u poređenju sa početno stanje, odnosno tačnost prognoze profitabilnosti funkcionalnih oblasti delatnosti ovih preduzeća je klaster analiza.

Vrijednost segmentacije kao efikasnog alata za marketinške aktivnosti objašnjava se sljedećim karakteristikama:

ü segmentacija je veoma efikasno sredstvo konkurencije, jer se fokusira na identifikaciju i zadovoljavanje specifičnih potreba potrošača;
ü usmjerava aktivnosti firme na određenu tržišnu nišu, posebno za firme koje započinju svoje tržišne aktivnosti;
ü segmentacija tržišta pomaže da se bolje definiše marketinški pravac firme;
ü uz pomoć segmentacije postaje moguće postaviti realne marketinške ciljeve;
ü uspješna segmentacija tržišta utiče na efektivnost marketinga u cjelini, od istraživanja tržišta i potrošača do formiranja odgovarajućeg sistema prodaje i promocije.

U teoriji marketinga, koncept je nastao S TP -marketing ... Nastaje od skraćenica prvih slova engleskih riječisegmentiranje(segmentacija),ciljanje(izbor ciljnog tržišta) ipozicioniranje(pozicioniranje). S TP -marketing je srce modernog strateškog marketinga.

Segmentacija tržišta - Ovo je podjela potrošača u grupe na osnovu razlike u potrebama, karakteristikama ili ponašanju i razvoju za svaku od grupa zasebnog marketinškog miksa.

Tržišni segment sastoji se od potrošača koji na isti način reagiraju na isti skup marketinških poticaja.

1. Segmentacija tržišta- faza identifikacije pojedinačnih grupa potrošača u okviru zajedničkog tržišta.
2. Odabir ciljnih tržišta- među odabranim tržišnim segmentima biraju se ciljni segmenti, odnosno oni na koje preduzeće treba da usmeri svoje aktivnosti.
3. Pozicioniranje- određivanje proizvoda firme među proizvodima njegovih analoga.

Krajnji cilj segmentiranja ciljnog tržišta je odabir segmenta (ili segmenata) potrošača na čije će se potrebe usmjeriti aktivnosti firme.
Marketinški stručnjaci smatraju da je ispravan odabir tržišnog segmenta polovica komercijalnog uspjeha i stalno se prisjećaju modifikacija dobro poznatih Pareto zakon (zakon 80:20).

Metode segmentacije tržišta:

· A priori metod;

· Klaster metoda;

· Metoda fleksibilne segmentacije;

· Metoda segmentacije komponenti.

At a priori metode hipoteza segmentacije tržišta se prvo postavlja, a zatim testira u toku marketinškog istraživanja. Stoga se ova metoda naziva a priori, tj. prethodno iskusan. Ovaj metod segmentacije tržišta danas se najčešće koristi, što je zbog njegove relativne jednostavnosti, prisustva tehnika dovedenih do praktičnog sprovođenja i niske cene implementacije.

Cluster Methods impliciraju da je struktura tržišta nepoznata. Oni ne definiraju zavisnu varijablu, već traže prirodne klastere koji se nalaze u bazi podataka istraživanja potrošačkog tržišta. U ovom slučaju, prvo se ispitanici grupišu od potencijalnih potrošača posebnim analitičkim postupkom u prirodne klastere – tržišne segmente. Nakon toga definišete varijable pomoću kojih biste formalno mogli definirati tržišni segment.

U poređenju sa apriornom segmentacijom, kada se segmenti određuju pretpostavljenim varijablama na početku studije, i sa segmentacijom klastera, kada se odabrani segmenti formiraju iz rezultata klaster analize, modeli fleksibilna segmentacija ponuditi dinamičan pristup problemu. Koristeći ovaj pristup, može se dizajnirati i testirati veliki broj različitih segmenata, od kojih svaki uključuje kupce ili organizacije sa sličnom percepcijom novih „probnih“ proizvoda (definiranih konfiguracijom specifičnih karakteristika proizvoda). Fleksibilna segmentacija objedinjuje rezultate konjugirane analize i kompjuterskog modeliranja ponašanja potrošača pri odabiru proizvoda.

Segmentacija komponenti prebacuje naglasak u segmentaciji tržišta na lične karakteristike (opisane skupom demografskih i psihografskih karakteristika), koje će bolje odgovarati karakteristikama proizvoda. U segmentaciji po komponentama, istraživač je zainteresovan za upoređivanje parametara vrijednosti proizvoda i različitih karakteristika ispitanika. Nakon što je identificirao ova dva skupa parametara, istraživač može dati prijedloge za razvoj svih mogućih svojstava proizvoda za bilo koju vrstu potrošača.

Proces segmentacije tržišta

Proces segmentacije odvija se u osam faza.

Strategija dosega tržišta

Prvi korak je odabir metode segmentacije.

Druga faza je provjera homogenosti segmenta, tj. provjeravamo da li je reakcija potrošača na proizvod ovog segmenta ista.

Treća faza je provjera nivoa diferencijacije segmenta, tj. provjeravamo za koliko je segmenata proizvod dizajniran i koju raznolikost proizvoda organizacija nudi.

Četvrta faza je procjena nivoa dostupnosti segmenta, tj. potrebno je proceniti da li preduzeće ima dovoljan broj kanala prodaje za svoje proizvode, kolika je propusnost tih kanala, da li preduzeće može da obezbedi prodaju celokupnog obima proizvoda, da li je sistem isporuke proizvoda potrošačima dovoljno pouzdan.

Peta faza je provjera nivoa profitabilnosti segmenta, tj. određuju se moguća cijena proizvoda pri poslovanju u ovom segmentu i njegova cijena, uzimajući u obzir prilagodbu proizvoda za ovaj segment. (Profitabilnost ≈ Profitabilnost)

Šesta faza je procjena stabilnosti segmenta.

Sedma faza je odabir ciljnog segmenta.

Osma faza je strategija pokrivanja tržišta.

Procjena atraktivnosti segmenata i koncepta ciljnog tržišta

Atraktivnost tržišnog segmenta utvrđuje se u skladu sa kriterijumima koje svaka kompanija određuje samostalno.

Nisu svi kriterijumi jednako važni i stoga se svaki mora razmatrati zasebno. Svrha analize atraktivnosti je da se izračuna težinska vrijednost kriterija koji karakterizira „privlačnost“ određenog proizvoda.

Ciljno tržište je najpogodnija i najprofitabilnija grupa tržišnih segmenata (ili jedan segment) za preduzeće na koje su njegove aktivnosti usmjerene.

Kompanija mora promovirati one karakteristike svog proizvoda koje su najatraktivnije ciljnom tržištu.

Pri ocjeni tržišnih segmenata uzimaju se u obzir dva faktora: (1) njihova ukupna atraktivnost, kao i (2) ciljevi i resursi kompanije koja njime ovladava.

Kriterijumi za ocjenu atraktivnosti ciljnog tržišta

1. Veličina (kapacitet) tržišta - Kapacitet tržišta roba podrazumeva se kao mogući obim prodaje robe (konkretnih proizvoda preduzeća) na datom nivou i odnosu različitih cena. Kapacitet tržišta karakteriše veličina potražnje stanovništva i veličina ponude robe.

2. Geografska lokacija

3. Stvarna i potencijalna prodaja
Realna prodaja - broj roba i usluga koje organizacija može stvarno prodati pod trenutnim uslovima poslovanja, procijenjeni troškovi oglašavanja i nivo cijena koji namjerava uspostaviti.

Potencijalni obim prodaje (ponuda) - udio potencijalnog tržišta koji se organizacija nada da će zauzeti i, shodno tome, maksimalan broj robe na koju može računati da će prodati, s obzirom na svoje mogućnosti.

4. Realni i potencijalni nivo i intenzitet konkurencije

stvarna i potencijalna sposobnost kompanija da dizajniraju, proizvode i plasiraju na tržište proizvode koji su po svojim cjenovnim i necjenovnim parametrima atraktivniji od proizvoda konkurenata.

intenzitet konkurencije, a samim tim i nivo konkurentnosti preduzeća determinisan je potencijalom tržišta; lakoća ulaska u njega; vrsta robe; homogenost tržišta; struktura industrije ili konkurentska pozicija firmi; mogućnosti za tehnološke inovacije itd.

5. Mogućnost pokrića tržišta

Broj potencijalnih maloprodajnih objekata i centara preko kojih će se proizvod distribuirati.

6. Stvarni i potencijalni troškovi promocije

7. Faza životnog ciklusa tržišta - odnosno razvoj proizvoda, faza implementacije, faza razvoja (rasta), faza zrelosti ili faza opadanja

8. Trendovi u razvoju tržišta, tj. pravac razvoja, perspektive

9. Dodatni zahtjevi potrošača prema proizvodu

10. Realni i potencijalni nivo cijena

11. Očekivanje i stvarna reakcija potrošača na marketinške napore za promociju proizvoda

Mala i srednja preduzeća moraju identifikovati i odabrati dva do tri ključna faktora uspeha analizom atraktivnosti svakog segmenta tržišta. Kritični faktori uspeha će biti „reč parametra“ kompanije i moraju se imati na umu u svakom trenutku. One su najvažnije okolnosti koje bi se trebale ili ne bi trebale dogoditi da bi kompanija uspjela na tržištu za određeni proizvod.

Strategije tržišnog dosega

Nakon završetka segmentacije, kompanija mora odrediti na koji segment će ciljati svoje aktivnosti. Prema stepenu pokrivenosti tržišta, moguće su tri vrste strategije:

1. Pojedinačni segment (koncentrirani marketing)

firma se fokusira na veliki udio jednog ili više podtržišta. Na primjer, Volkswagen je fokusiran na tržište malih automobila. Koncentriranim marketingom poduzeće stiče jaku tržišnu poziciju u segmentima koje opslužuje jer poznaje potrebe tih segmenata bolje od drugih i uživa određenu reputaciju. Štaviše, kao rezultat specijalizacije u proizvodnji, distribuciji i mjerama promocije prodaje, firma ostvaruje uštede u mnogim oblastima svoje djelatnosti. Međutim, ova strategija je povezana sa povećanim nivoom rizika: odabrani segment možda neće ispuniti očekivanja. U tom smislu, mnoge firme radije diverzificiraju svoje aktivnosti, pokrivajući nekoliko različitih tržišnih segmenata.

Ovaj pristup se ponekad naziva "strategijom niše" jer Ovo se često radi sa ograničenim resursima.

2. Nekoliko segmenata (diferencirani marketing)

Sve veći broj firmi usvaja ovu strategiju.

Ponudom raznovrsnih proizvoda, firma se nada da će postići rast prodaje i dublji prodor u svaki od tržišnih segmenata koje istražuje. Očekuje da će jačanjem svoje pozicije u nekoliko tržišnih segmenata moći u svijesti potrošača identificirati kompaniju sa ovom kategorijom proizvoda. Štaviše, ona očekuje povećanje ponovljenih kupovina, jer je proizvod firme taj koji zadovoljava želje potrošača, a ne obrnuto.

3. Potpuna pokrivenost tržišta (nediferencirani marketing)

Većina marketinških stručnjaka vjeruje da su mogućnosti za korištenje ove strategije ograničene.

U ovom slučaju, firma fokusira svoje napore ne na to kako se potrebe klijenata međusobno razlikuju, već na ono što je tim potrebama zajedničko. Ona razvija proizvod i marketinški program koji će se svidjeti što većem broju kupaca. Oslanja se na masovnu distribuciju i tehnike masovnog oglašavanja. Ona nastoji dati proizvodu sliku superiornosti u glavama ljudi. Primjer nediferenciranog marketinga je akcija kompanije Crveni oktobar, koja je prije nekoliko godina ponudila brend čokolade za sve.

Nediferencirani marketing je ekonomičan. Troškovi proizvodnje robe, održavanja zaliha i transporta su niski. Troškovi oglašavanja za nediferencirani marketing također su niski. Odsustvo potrebe za marketinškim istraživanjem tržišnih segmenata i planiranjem po tim segmentima doprinosi smanjenju troškova marketing istraživanja i upravljanja proizvodnjom proizvoda.

Koncept pozicioniranja

Pozicioniranje je proces pronalaženja takve tržišne pozicije za kompaniju, proizvod ili uslugu, koja će ga (ga) povoljno razlikovati od pozicije konkurenata. Pozicioniranje se vrši uzimajući u obzir specifičnu ciljnu grupu potrošača za koju se kreiraju i nude prednosti i jedinstvenost. Bez jasnog razumijevanja čemu je pozicija usmjerena, vrlo je teško, čak gotovo nemoguće, dogovoriti se oko marketinških odluka. Definicija konkurentskog pozicioniranja često diktira najefikasnije kombinacije marketinških alata.
Sumirajući, možemo to reći pozicioniranje je marketinška strategija stvoriti snažnu vezu između vašeg brenda (proizvoda ili kompanije) sa određenim asocijacijama, i još bolje - pogodnostima.

Dakle, pozicioniranje podrazumijeva:
- stvaranje u svijesti potrošača stabilne povezanosti proizvoda ili kompanije sa određenim mjestom na tržištu,
- održavanje udruženja (odabrane pozicije) na duži rok.

Pozicija proizvoda na tržištu - mjesto koje ovaj proizvod zauzima u svijesti potrošača u poređenju sa sličnim konkurentskim proizvodima sa stanovišta potrošača.
Strategija pozicioniranja Je skup aktivnosti usmjerenih na prenošenje koncepta pozicioniranja do potrošača. Pozicioniranje postoji samo u umu potrošača.
- Strategija ponude robe (usluga)
- Strategija određivanja cijena
- Strategija distribucije proizvoda
- Strategija promocije robe (usluga)
Ograničenje pozicioniranja
- Ciljno tržište
- Pravi i potencijalni konkurenti
- Strategija kompanije

Repozicioniranje- promjene pozicije proizvoda ili usluge u marketingu i oglašavanju, kada im se da novi imidž, odredi se druga ciljna publika, mijenjaju se prodajne i reklamne informacije, ambalaža i sl.
Razlozi za premještanje:
- Upitno pozicioniranje
- Podpozicioniranje
- Nejasno pozicioniranje
- Beskorisno pozicioniranje
- Preterano pozicioniranje

Mjesto stanovanja itd. Iz ovoga bi trebalo biti jasno da je tržišni segment

Postoji grupa potrošača koji se, u nekim aspektima, ponašaju na isti način na tržištu.

Segmentacija tržišta se, zauzvrat, dijeli na nekoliko faza.

2. Izbor tržišnog segmenta znači da se svaki od segmenata ocjenjuje u smislu njegove atraktivnosti (sposobnosti da se kompaniji donese željeni rezultat). Na osnovu ovih procjena odabire se najatraktivniji segment (ili segmenti).
3. Konačno, treća faza je pozicioniranje proizvoda. Nakon odabira tržišnog segmenta, potrebno je razmisliti o tome kako će proizvod koji kompanija nudi na tržištu biti predstavljen na tržištu. Osim toga, mora se razviti i detaljan marketinški miks. To su zadaci koji se rješavaju u ovoj fazi.

U marketingu je identifikovano nekoliko karakteristika koje mogu poboljšati efikasnost segmentacije. Ovi znakovi se ne odnose na potrošače, već na same segmente.

1. Segment mora biti smislen. To znači da osobinu koja leži u osnovi segmentacije treba barem donekle ispraviti ponašanjem potrošača. Dakle, višak kilograma je bitan u smislu koliko osoba konzumira hljeba, odnosno ima li problema s kupovinom odjeće. Međutim, malo je vjerovatno da će ova karakteristika biti značajna zbog vrste kozmetike koju koristi.
2. Tržišni segment mora biti dovoljno velik da može generirati profit potreban za uspješno poslovanje firme. Ako je segment premali sa ove tačke gledišta, osmišljavanje i implementacija marketinškog programa fokusiranog na njega jednostavno nema smisla.
3. Segment mora biti mjerljiv. To znači da karakteristika koja leži u osnovi segmentacije treba da obezbedi mogućnost jasnog i nedvosmislenog odvajanja grupe potrošača od njihovih drugih grupa. Starost je primjer mjerljivog atributa. Uvijek možemo lako podijeliti sve potrošače u grupe ovisno o vrijednosti koju uzima data varijabla.

Primjer nepotpuno mjerljive karakteristike također može poslužiti, začudo, učestalosti potrošnje proizvoda, preferencije potrošača u nekim slučajevima mogu biti izuzetno promjenjive. Mnogo pouzdaniji znak sa ove tačke gledišta je lojalnost brendu: čak i ako potrošač ne kupuje često proizvod, uvek će izabrati samo jednu marku, odbijajući sve ostale.

Takođe treba uzeti u obzir da li će ispitanik biti iskren u odgovoru na pitanje istraživača. Sa ove tačke gledišta, karakteristike tipa seksualne orijentacije su slabo mjerljive. Iako stepen tolerancije našeg društva prema seksualnim manjinama stalno raste (a to je znak svakog dovoljno razvijenog društva), neće se svaki predstavnik ovih manjina usuditi da se otvoreno izjasni o svojoj seksualnoj orijentaciji.

3. Segment mora biti dostupan. Ovaj kvalitet podrazumijeva ne samo dostupnost za istraživanje, već i dostupnost dodatnih informacija. Ako se od entiteta može očekivati da će moći djelovati na probojni segment sa sredstvima koja mu stoje na raspolaganju, a zatim procijeniti njegov uticaj upoređujući njegovu početnu liniju sa stanjem nakon izlaganja, segment se može smatrati dostupnim. Jasno je da je to moguće samo ako su informacije dostupne.

U marketinškoj praksi najčešće se koriste tri metode segmentacije: grupisanje, multivarijantna sekvencijalna segmentacija sa zavisnom varijablom i klaster analiza. Ova lista nije potpuna lista svih mogućih metoda shardinga, ali je dovoljna da dobijete opću predstavu o ovoj proceduri i povezanim složenostima.

1. Najjednostavniji način segmentiranja je podjela tržišta na grupe koje se tradicionalno razlikuju u marketingu i sociologiji na osnovu gore navedenih karakteristika. U ovom slučaju, jednostavno se pretpostavlja da grupe potrošača, koje se razlikuju na osnovu karakteristika kao što su spol, dob ili profesija, karakterizira prilično standardan skup potreba i obrazaca ponašanja.

Ova metoda je najprikladnija u slučaju odabira novog područja djelatnosti, na primjer, u slučaju kada kompanija tek počinje poslovati na tržištu ili odlučuje da uđe na novo tržište.

Nedostatak ove metode segmentacije je što se zasniva na pretpostavkama, hipotezama. Podjela potrošača na osnovu godina, spola, profesije, nivoa prihoda ili društvenog statusa je tradicionalna za marketinška istraživanja, ali uopće nije očito da su ove varijable povezane s procesom „dovođenja“ potrošača. Drugim riječima, daleko je od uvijek moguće tvrditi da aktivnost potrošača direktno ovisi, na primjer, o njihovoj dobi. Shodno tome, pribjegavajući takvoj segmentaciji, marketer bira proizvoljne i nedovoljno uvjerljive razloge za identifikaciju segmenata.

Prilikom segmentiranja tržišta potrebno je imati na umu da karakteristike na kojima se zasniva odabir pojedinih grupa imaju različit značaj. S jedne strane, možemo govoriti o karakteristikama koje su direktno povezane sa ciljevima preduzeća. Takav znak će biti, na primjer, spremnost na kupovinu novog proizvoda koji ima skup određenih kvaliteta: na osnovu toga možemo razlikovati grupu potrošača koji su spremni na to i grupu potrošača koji nisu spreman za ovo.

Pošto je kompanija zainteresovana za prodaju robe, ovaj parametar je direktno povezan sa njenim ciljevima. S druge strane, postoje manje značajni parametri koji nisu u tako bliskoj vezi sa ciljevima preduzeća. Primjer takvog znaka bi bile godine. Dakle, ovaj ili onaj proizvod može biti namijenjen dobnoj kategoriji ljudi nakon 30 godina. Ali to ne znači da će svaka osoba starija od trideset godina kupiti ovaj proizvod. Shodno tome, starost kao parametar segmentacije je manje povezana sa neposrednim ciljevima preduzeća.

Ako je broj zaista značajnih faktora vrlo velik, oni se mogu smanjiti korištenjem tzv. faktorske analize. Uključuje izbor grupa povezanih karakteristika (parametara) koje se kombinuju u jednu karakteristiku. Na primjer, nivo prihoda je usko povezan s veličinom kuće, prisustvom automobila, brojem turističkih putovanja, posjeta objektima kao što su restorani i klubovi, pa se ovi znakovi mogu kombinirati u jedan.

Preporučljivo je ovoj osobini dati neko ime. U našem slučaju, novi znak bismo mogli nazvati „iznos prihoda“, ali ga tumačiti široko, ne samo kao iznos novca koji osoba dobije za mjesec ili godinu dana. Slično, možete samo povezati nivo prihoda, zanimanje i obrazovanje, nivo prihoda i političke preferencije, itd.

2. Multivarijantna sekvencijalna segmentacija zasnovana na zavisnoj varijabli je najprikladnija kada kompanija već ima iskustvo na tržištu. U ovom slučaju, segmentacija je usmjerena na identifikaciju najpoželjnijeg tržišnog segmenta u smislu već dostupnih rezultata.

Budući da je glavni rezultat kojem firma teži izvlačenje maksimalnog profita, u ovom slučaju, na primjer, prihod kompanije se može izabrati kao zavisna varijabla. Upravo na ovaj aspekt je usmjerena preliminarna segmentacija: potrebno je izdvojiti grupe potrošača koje mu sa stanovišta preduzeća donose najveći prihod.

Jasno je da je donja granica prihoda uglavnom određena subjektivno i predstavlja kompromis između realne i željene pozicije. Konvencionalno možemo razlikovati, na primjer, tri grupe: potrošače koji donose velike prihode, potrošače koji donose prosječan (zadovoljavajući) prihod i potrošače koji donose premalo prihoda.

Drugi korak u dijeljenju je identificiranje druge varijable koja je najbliže povezana s prvom varijablom. Takva varijabla je obično:

a) učestalost upotrebe proizvoda ili usluge koju firma prodaje;
b) nivo prihoda koji potrošač donosi preduzeću;
c) posvećenost potrošača brendu. Recimo, u marketinškim istraživanjima se ispostavi da ljudi od 25 do 33 godine donose najveći prihod kompaniji. Shodno tome, sve potrošače treba podeliti u najmanje tri grupe: 1) do 25 godina; 2) od 25 do 33 godine i 3) preko 33 godine.

Samo najprofitabilniji segment tržišta je podvrgnut daljoj segmentaciji ovom metodom. U našem slučaju radi se o kategoriji potrošača od 25 do 33 godine. U narednim fazama ponovo se pronalaze osnove za segmentaciju, koje su u najvećoj vezi sa nivoom profitabilnosti.

Granica podjele u ovom slučaju je segment koji mora imati sljedeće kvalitete:

1) potrošači koji mu pripadaju donose kompaniji najveći prihod (npr. prihod koji kompanija dobije u ovom segmentu, koji čini samo 20% tržišta, iznosi 70% ukupnog prihoda);
2) segment ne smije biti u potpunosti savladan;
3) mora biti dovoljno velika da ima smisla ulagati u njen dodatni razvoj;
4) dalja podjela segmenta mora biti nemoguća (ovo je poželjna karakteristika).

Prednost ove metode segmentacije je što se zasniva na najznačajnijim varijablama. Ova metoda također ima nedostatke. Prije svega, ne dozvoljava uzimanje u obzir interakcije između različitih varijabli. Osim toga, dovoljno brzo odabrani segmenti uz njegovu pomoć ispadaju premali. U isto vrijeme, općenito, ova metoda je prilično produktivna.

Kada ga koristite, možete vidjeti koji segmenti su zaista najpoželjniji, koji to može biti, a od kojih se u potpunosti treba napustiti. Konkretno, korištenje ove metode omogućava formuliranje vrlo stvarnih zadataka, na primjer, povećanje prihoda od određene grupe potrošača. Konačno, omogućava vam da identifikujete slabosti u aktivnostima firme.

3. Za razliku od dvije prethodne metode segmentacije, u kojima marketer počinje analizirati tržište od cjelokupne populacije potrošača i postepeno ih dijeli u grupe, kod klaster analize smjer je suprotan: analiza počinje od pojedinačnih potrošača. Iz tog razloga, klaster analiza zahtijeva od trgovca da ima podatke o dovoljno velikom broju stvarnih potrošača, u pravilu njihov broj treba biti najmanje 200 ljudi.

Klaster analiza uključuje nekoliko koraka.

1) Prvo, marketer nasumično bira jednog potrošača i počinje tražiti drugog koji će mu po poznatim parametrima biti što sličniji. Kada se pronađu dva takva potrošača, oni se spajaju u klaster. Drugi klasteri se razlikuju na sličan način.
2) Sljedeći korak je udruživanje pojedinačnih potrošača i njihovih grupa u šire zajednice. Treba imati na umu da se u klastere mogu kombinovati i pojedinačni potrošači ili već dodijeljeni klasteri, kao i potrošač i klaster. Spajanje se vrši sve dok se ne dobije više ili manje zadovoljavajući broj klastera, odnosno segmenata koji po svom obimu odgovaraju interesima preduzeća.
3) Kontrola ispravnosti alokacije klastera sastoji se u tome da marketer izvrši segmentaciju po drugi put i provjerava da li je moguće dobiti isto segmentiranje korištenjem drugih mjera sličnosti. Upoređuju se rezultati glavne i kontrolne segmentacije na osnovu klaster analize, nakon čega se vrše prilagođavanja glavne segmentacije.

Nesumnjiva prednost ove metode je u tome što vam omogućava da polazite od specifičnih podataka o potrošačima. Manje je vjerovatno da će marketinški stručnjak koji koristi ovu metodu odabrati parametar segmentiranja koji će u stvarnosti imati malu vrijednost.

Nedostatak ove metode je što se pri njenoj upotrebi mogu identifikovati klasteri koji zapravo ne postoje. To znači da rezultirajuće grupe potrošača zapravo neće pokazivati isto ponašanje. Zato bi različite kontrolne procedure trebale biti obavezan dio klaster analize.

Pozicioniranje proizvoda na tržištu je pravac marketinških aktivnosti za odabir ciljnih tržišta, koji podrazumijeva analizu elemenata marketinškog miksa i pozicija proizvoda u odabranim tržišnim segmentima kako bi se identifikovali oni parametri koji doprinose osvajanju. konkurentskih prednosti.

Ako sva preduzeća proizvode iste proizvode sa istim karakteristikama, koriste iste metode promocije i isporuke proizvoda i pružaju slične usluge, tada će svi biti isti za potrošače.

Važno je uzeti u obzir trenutnu poziciju proizvoda na tržištu. Pozicija proizvoda - mišljenje potrošača o najvažnijim parametrima proizvoda. Karakterizira mjesto koje zauzima određeni proizvod u svijesti potrošača u odnosu na proizvod konkurenata. Za razliku od imidža proizvoda, koji je više emocionalna karakteristika, pozicija proizvoda se po pravilu formira na osnovu kvantitativno mjerenih parametara (udio na tržištu, karakteristike proizvoda, cijena itd.).

Odabir tržišnog segmenta podrazumijeva određenu proceduru koja se sastoji od tri faze.
Segmentacija tržišta u pravom, užem smislu ovog teologa je odabir grupa potrošača koji se razlikuju po svojim potrebama, finansijskim mogućnostima, navikama,

Radim u industriji e-mail marketinga za stranicu pod nazivom MailChimp.com. Pomažemo klijentima da kreiraju biltene za svoju reklamnu publiku. Svaki put kada neko naš posao nazove "poštansko punjenje", osetim neprijatnu jezu u srcu.

Zašto? Zato što adrese e-pošte više nisu crne kutije koje bombardujete porukama poput granata. Ne, u marketingu putem e-pošte (kao i kod drugih oblika internetskog kontakta, uključujući tvitove, objave na Facebooku i Pinterest kampanje), posao stječe uvid u to kako publika ostvaruje kontakt na individualnom nivou putem praćenja klikova, online naručivanja, širenja statusa na društvenim mrežama itd. Ovi podaci nisu samo smetnja. Oni karakteriziraju vašu publiku. Ali za neupućene, ove operacije su slične mudrosti grčkog jezika. Ili esperanto.

Kako prikupljate podatke o transakcijama sa svojim klijentima (korisnicima, pretplatnicima, itd.) i koristite li te podatke za bolje razumijevanje publike? Kada imate posla s mnogo ljudi, može biti teško proučiti svakog klijenta pojedinačno, pogotovo ako svi komuniciraju s vama drugačije. Čak i ako se u teoriji možete obratiti svima lično, u praksi je to teško izvodljivo.

Morate uzeti svoju korisničku bazu i pronaći sredinu između nasumičnih napada i personaliziranog marketinga za svakog pojedinačnog kupca. Jedan od načina da postignete ovu ravnotežu je korištenje klasteriranja za segmentiranje tržišta vaših kupaca tako da možete ciljati različite segmente vaše baze korisnika s različitim ciljanim sadržajem, ponudama i još mnogo toga.

Klaster analiza je prikupljanje različitih objekata i njihovo dijeljenje u grupe svoje vrste. Radeći sa ovim grupama - identifikujući šta njihovi članovi imaju zajedničko i šta ih čini različitim - možete naučiti mnogo o neurednim podacima koje imate. Ovo znanje će vam pomoći da donesete najbolje odluke, i to na detaljnijem nivou nego prije.

U ovom kontekstu, grupisanje se naziva istraživačkim rudarenjem podataka, jer ove tehnike pomažu da se "izvuku" informacije o odnosima u ogromnim skupovima podataka koji se ne mogu vizualno uhvatiti. A pronalaženje veza u društvenim grupama korisno je u svakoj industriji - za preporuku filmova na osnovu navika ciljne publike, za prepoznavanje kriminalnih centara grada ili opravdanje finansijskih ulaganja.

Jedna od mojih omiljenih upotreba za grupisanje je grupisanje slika: gomilanje slikovnih datoteka koje "izgledaju isto" na računaru. Na primjer, u uslugama za hosting slika kao što je Flickr, korisnici proizvode mnogo sadržaja i jednostavna navigacija postaje nemoguća zbog velikog broja fotografija. Ali koristeći tehnike grupiranja, možete kombinirati slične slike, omogućavajući korisniku da se kreće između ovih grupa prije nego što ih detaljno sortira.

Mašinsko učenje pod nadzorom ili bez nadzora?

U istraživačkom rudarenju podataka, po definiciji, ne znate unaprijed kakvu vrstu podataka tražite. Vi ste istraživač. Možete jasno objasniti kada dva klijenta izgledaju slično, a kada različito, ali ne znate najbolji način da segmentirate svoju bazu kupaca. Stoga se „tražiti“ od kompjutera da segmentira bazu klijenata umjesto vas naziva se mašinsko učenje bez nadzora, jer nemate kontrolu ni nad čim – ne diktirate računaru kako da radi svoj posao.

Za razliku od ovog procesa, postoji nadgledano mašinsko učenje, koje se obično pojavljuje kada se veštačka inteligencija pojavi na naslovnoj strani. Ako znam da želim podijeliti kupce u dvije grupe - recimo, "najvjerovatnije će kupiti" i "malo vjerovatno da će kupiti" - i opskrbiti računar istorijskim primjerima takvih kupaca, primjenjujući sve inovacije na jednu od ovih grupa, onda to je kontrola.

Ako umjesto toga kažem: „Ovo je ono što znam o svojim klijentima i ovo je kako mogu reći da li su različiti ili isti. Reci mi nešto zanimljivo, ”- ovo je nedostatak kontrole.

Ovo poglavlje govori o najjednostavnijoj metodi grupiranja, nazvanoj k-means metoda, koja datira iz 50-ih godina i od tada je postala obaveza u otkrivanju znanja iz baza podataka (DBK) u svim industrijama i vladinim strukturama.

Metoda k-means nije matematički najtačnija od svih metoda. Nastao je prvenstveno iz razloga praktičnosti i zdravog razuma - poput afroameričke kuhinje. Ona nema tako šik pedigre kao Francuzi, ali često udovoljava našim gastronomskim hirovima. K-Means Cluster Analysis, kao što ćete uskoro vidjeti, je dijelom matematika, a dijelom historija (o prošlosti kompanije, ako se poređenje odnosi na metode učenja menadžmenta). Njegova nesumnjiva prednost je njegova intuitivna jednostavnost.

Pogledajmo kako ova metoda funkcionira na jednostavnom primjeru.

Devojke plešu sa devojkama, dečaci se češu po glavi

Cilj grupiranja k-meansa je odabrati više tačaka u prostoru i pretvoriti ih u k grupa (gdje je k bilo koji broj koji odaberete). Svaka grupa je identifikovana tačkom u centru, poput zastave zabodene u mesec i signalizira: „Hej, ovo je centar moje grupe! Pridružite se ako ste bliži ovoj zastavi nego ostalima!" Ovo središte grupe (sa službenim nazivom centroid klastera) je sredina naziva k-means metode.

Sjetimo se, na primjer, školskih plesova. Ako ste uspeli da izbrišete užas ove "zabave" iz svog sećanja, jako mi je žao što vam vraćam ovako bolna sećanja.

Junaci našeg primjera - učenici srednje škole Macacne, koji su došli na plesno veče pod romantičnim nazivom "Bal na dnu mora" - raštrkani su po zbornici, kao što je prikazano na sl. 1. Čak sam i slikao po parketu u Photoshopu da lakše zamislim situaciju.

Rice. jedan. Učenici srednje škole Macacne smjestili su se u zbornicu

Evo nekoliko primjera pjesama uz koje će ovi mladi lideri slobodnog svijeta nespretno zaplesati (u slučaju da odjednom poželite muziku, na primjer, na Spotifyju):

Styx: Dođi, otplovi
Sve osim devojke: Nestala
Ace of Base: Sve što ona želi
Soft Cell: Tainted Love
Montell Jordan: Ovako to radimo
Eiffel 65: Plava

Sada grupiranje prema k-srednjacima ovisi o broju klastera prema kojima želite podijeliti publiku. Počnimo sa tri klastera (kasnije ćemo u ovom poglavlju pogledati izbor k). Algoritam postavlja tri zastavice na pod skupštinske sale na neki valjan način, kao što je prikazano na sl. 2, gdje vidite 3 startne zastavice raspoređene po podu i označene crnim krugovima.

Rice. 2. Postavljanje početnih centara klastera

U grupiranju k-means, plesači su vezani za njihov najbliži centar klastera tako da se linija razgraničenja može povući između bilo koja dva centra na podu. Dakle, ako je plesač na jednoj strani linije, on pripada jednoj grupi, ako je na drugoj strani, onda na drugoj (kao na slici 3).

Rice. 3. Linije označavaju granice klastera

Koristeći ove linije razgraničenja, podijelite plesače u grupe i obojite ih u skladu s tim, kao na sl. 4. Ovaj dijagram, koji dijeli prostor na poligone određene blizinom određenog centra klastera, naziva se Voronoi dijagram.

Rice. 4. Grupiranje po klasterima označenim različitim uzorcima pozadine u Voronoi dijagramu

Pogledajmo našu početnu podjelu. Nešto nije u redu, zar ne? Prostor je podijeljen na prilično čudan način: donja lijeva grupa ostaje prazna, dok je na granici gornje desne grupe, naprotiv, mnogo ljudi.

Algoritam za grupisanje k-means pomiče centre klastera po podu dok ne postigne najbolji rezultat.

Kako odrediti "najbolji rezultat"? Svaka prisutna osoba je na određenoj udaljenosti od svog centra klastera. Što je kraća prosječna udaljenost od učesnika do centra njihove grupe, to je bolji rezultat.

Sada uvodimo riječ "minimizacija" - bit će vam vrlo korisna u optimizaciji modela za bolju lokaciju klaster centara. U ovom poglavlju ćete natjerati Solvera da pomjeri centre klastera bezbroj puta. Način na koji Solution Seeker koristi da pronađe najbolju lokaciju centara klastera je da polako iterira po površini, fiksirajući najbolje pronađene rezultate i kombinujući ih (doslovno se pare poput trkaćih konja) kako bi pronašli najbolju poziciju.

Dakle, ako dijagram na sl. 4 izgleda prilično blijedo, "Pronalaženje rješenja" može odjednom urediti centre kao na sl. 5. Dakle, prosječna udaljenost između svakog plesača i njegovog centra će se neznatno smanjiti.

Rice. 5. Lagano pomjeranje centara

Očigledno, prije ili kasnije, "Pronalaženje rješenja" će shvatiti da centre treba postaviti u sredinu svake grupe plesača, kao što je prikazano na sl. 6.

Rice. 6. Optimalno grupisanje na školskim plesovima

Fino! Ovako izgleda idealno grupisanje. Centri klastera nalaze se u centru svake grupe plesača, minimizirajući prosječnu udaljenost između plesača i najbližeg centra. Sada kada je grupisanje završeno, vrijeme je da pređemo na zabavni dio, koji pokušava razumjeti šta ovi klasteri znače.

Ako znate boju kose plesača, njihove političke preferencije ili vrijeme kada su prešli 100 metara udaljenosti, onda grupiranje nema previše smisla.

Ali kada odlučite da odredite starost i pol prisutnih, počet ćete uočavati neke opšte trendove. Mala grupa ispod su starije osobe, najvjerovatnije osobe u pratnji. Grupa lijevo su svi dječaci, a grupa desno su sve djevojčice. I svi se jako plaše da plešu jedni s drugima.

Dakle, k-means metoda vam je omogućila da podijelite mnoštvo učesnika plesa u grupe i povežete karakteristike svakog učesnika s pripadanjem određenom klasteru kako biste razumjeli razlog podjele.

Sad vjerovatno kažete sebi: „Ma daj, kakve gluposti. Već sam znao odgovor prije početka." Upravu si. U ovom primjeru, da. Namjerno sam dao takav primjer "igračke" jer sam siguran da ga možete riješiti samo gledanjem u tačke. Radnja se odvija u dvodimenzionalnom prostoru, u kojem se grupiranje vrši elementarno uz pomoć očiju.

Ali šta ako vodite trgovinu koja prodaje hiljade proizvoda? Neki kupci su obavili jednu ili dvije kupovine u posljednje dvije godine. Drugi su na desetine. I svako je kupio nešto svoje.

Kako ih grupirati na takvom "plesnom podiju"? Za početak, ovaj plesni podij nije dvodimenzionalan, pa čak ni trodimenzionalan. Ovo je hiljadudimenzionalni prostor za prodaju robe, u kojem je kupac kupio ili nije kupio robu u svakoj dimenziji. Vidite kako brzo problem grupisanja počinje da prevazilazi mogućnosti "očne jabučice prvog razreda", kako moji vojni prijatelji vole da kažu.

Stvarni život: grupisanje K-sredstava u marketingu e-pošte

Pređimo na sadržajniji slučaj. Radim u email marketingu, pa evo primjera iz života Mailchimp.com gdje radim. Isti primjer će raditi za maloprodajne podatke, konverzije oglasa, društvene mreže itd. U interakciji je s gotovo bilo kojom vrstom podataka za razmjenu oglasa, nakon čega vas bezuvjetno biraju.

Joey Bag O "Donuts' Wholesale Wine Empire

Zamislite na trenutak da živite u New Jerseyu, gdje vodite Joey Bag O "Donuts' Wholesale Wine Empire. To je uvozni i izvozni posao koji ima za cilj otpremu ogromnih količina vina iz inozemstva i prodaju ga određenim trgovinama alkoholnih pića širom zemlja.Ovaj posao funkcionira tako da Joey putuje po cijelom svijetu u potrazi za nevjerovatnim poslovima sa velikim kolicinama vina.Salje ga u svoj Jersey,a tvoja je briga da poslato prikacis u radnje i zaradis .

Kupce pronalazite na razne načine: Facebook stranica, Twitter nalog, ponekad čak i direktna pošta - na kraju krajeva, mejlovi "promovišu" većinu vrsta poslovanja. Prošle godine ste slali jedan e-mail mjesečno. Obično svako slovo opisuje dvije ili tri transakcije, recimo, jednu sa šampanjcem, a drugu s Malbec-om. Neke od ponuda su jednostavno fantastične - popust je 80% ili više. Kao rezultat toga, zaključili ste oko 32 posla u godini, i svi su prošli manje-više glatko.

Ali samo zato što stvari teku dobro ne znači da ne mogu ići bolje. Bilo bi korisno razumjeti motive vaših kupaca malo dublje. Naravno, gledajući konkretnu narudžbu, vidite da je određeni Adams u julu kupio pjenušac sa 50% popusta, ali ne možete utvrditi šta ga je navelo na kupovinu. Da li mu se svidjela minimalna količina narudžbe od jedne kutije od šest boca ili cijena koja se još nije popela na maksimum?

Bilo bi lijepo da možete podijeliti svoju listu klijenata u interesne grupe. Tada biste mogli uređivati pisma svakoj grupi posebno i, možda, još više promovirati posao. Bilo koji dogovor pogodan za ovu grupu mogao bi postati predmet pisma i ući u prvi pasus teksta. Ova vrsta ciljane pošte može stvoriti ogromnu eksploziju prodaje!

Moguće je pustiti kompjuter da radi posao umjesto vas. Koristeći k-means grupiranje, možete pronaći najbolje grupisanje i onda pokušati razumjeti zašto je ono najbolje.

Originalni skup podataka

Excel dokument koji ćemo analizirati u ovom poglavlju nalazi se na web stranici radne sveske. Sadrži sve sirove podatke u slučaju da želite raditi s njim. Ili možete jednostavno pratiti tekst tako što ćete zaviriti u ostatak dokumenta.

Prvo, imate dva zanimljiva izvora podataka:

metapodaci za svaku narudžbu se pohranjuju u tabelu, uključujući sortu, minimalnu količinu narudžbe, maloprodajni popust, ograničenje cijene i zemlju porijekla. Ovi podaci se nalaze na kartici pod nazivom Informacije o ponudi, kao što je prikazano na slici 4. 7;
znajući koji kupac šta naručuje, možete izbaciti te informacije iz MailChimp-a i dodati tabelu metapodataka ponude na kartici Transakcije. Ovo su varijabilni podaci predstavljeni kao što je prikazano na Sl. 8, vrlo jednostavno: kupac i njegova narudžba.

Rice. 7. Detalji o posljednje 32 narudžbe

Rice. osam. Lista količina narudžbe po kupcu

Odredite predmet mjerenja

I evo izazova. U problemu školskog plesa, mjerenje udaljenosti između prisutnih i identificiranje centara klastera nije bilo teško, zar ne? Dovoljno je pronaći pravu mjernu traku! Ali šta sada učiniti?

Znate da su prošle godine bile 32 ponude poslova i imate listu od 324 narudžbe u posebnoj kartici, raščlanjeno po kupcu. Ali da biste izmjerili udaljenost od svakog kupca do centra klastera, morate ih smjestiti u ovaj 32-trgovinski prostor. Drugim riječima, morate razumjeti koje transakcije nisu izvršili i kreirati matricu transakcija po kupcu, u kojoj svaki klijent dobija svoj stupac sa 32 ćelije transakcija, popunjenih jedinicama ako su transakcije izvršene i nulama ako su transakcije izvršene. ne.

Drugim riječima, trebate uzeti ovu tabelu ponuda orijentiranu na redove i pretvoriti je u matricu u kojoj su kupci raspoređeni vertikalno, a ponude horizontalno. Najbolji način da ga kreirate je pomoću zaokretnih tabela.

Algoritam radnje: na listu sa varijabilnim podacima odaberite kolone A i B, a zatim umetnite stožernu tabelu. Koristeći čarobnjak za zaokretnu tabelu, jednostavno odaberite Deals kao zaglavlje reda i Kupci kao zaglavlje kolone i popunite tabelu. Ćelija će sadržavati 1 ako par klijent-posao postoji, i 0 ako ne (u ovom slučaju, 0 se prikazuje kao prazna ćelija). Rezultat je tabela prikazana na sl. 9.

Rice. 9. Pivot tabela "klijent-posao"

Sada kada imate informacije o narudžbi u matričnom formatu, kopirajte list sa informacijama o ponudi i nazovite ga Matrix. U ovaj novi list zalijepite vrijednosti iz pivot tablice (nema potrebe da kopirate i zalijepite broj posla, jer je već sadržan u informacijama o narudžbi), počevši od stupca H. Kao rezultat, trebali biste imati prošireni verzija matrice, dopunjena informacijama o narudžbi, kao na sl. 10.

Rice. 10. Opis transakcija i podataka o nalogu spojeni u jednu matricu

Standardizacija podataka

U ovom poglavlju, svaka dimenzija vaših podataka je predstavljena na isti način kao i informacije o binarnom poretku. Ali u mnogim situacijama vezanim za grupisanje, to ne možemo učiniti. Zamislite scenario u kojem su ljudi grupirani po visini, težini i plati. Sve tri vrste podataka imaju različite dimenzije. Visina može varirati od 1,5 do 2 metra, a težina od 50 do 150 kg.

U ovom kontekstu, mjerenje udaljenosti između kupaca (kao između plesača u gledalištu) postaje zbunjujuća stvar. Stoga je uobičajeno standardizirati svaki stupac podataka oduzimanjem srednje vrijednosti, a zatim dijeljenjem jednog po jednog mjerom varijacije koja se naziva standardna devijacija. Dakle, svi stupci su svedeni na jednu vrijednost, kvantitativno varirajući oko 0.

Počnimo sa četiri klastera

Pa, sada su svi vaši podaci sažeti u jedan pogodan format. Da biste započeli grupisanje, morate odabrati k - broj klastera u k-means algoritmu. Često se metoda k-means koristi ovako: uzmite skup različitih k i testirajte ih jedan po jedan (kasnije ću objasniti kako ih odabrati), ali tek počinjemo - pa ćemo izabrati samo jedan .

Trebat će vam određeni broj klastera koji su otprilike prikladni za ono što želite da radite. Jasno je da nemate namjeru da kreirate 50 klastera i pošaljete 50 ciljanih promotivnih e-mailova par momaka u svakoj grupi. Ovo trenutno čini našu vježbu besmislenom. U našem slučaju treba nam nešto malo. Započnite ovaj primjer sa 4 – u idealnom svijetu, vjerovatno biste svoju listu klijenata podijelili u 4 razumljive grupe od po 25 ljudi (što je u stvarnosti malo vjerovatno).

Dakle, ako svoje kupce morate podijeliti u 4 grupe, koji je najbolji način da ih uparite?

Umjesto da zabrljate lijepi Matrix list, kopirajte podatke u novi list i nazovite ga 4MC. Sada možete umetnuti 4 kolone nakon visokog stupca od H do K, koji će biti centri klastera. (Da biste umetnuli kolonu, kliknite desnim tasterom miša na kolonu H i odaberite “Zalijepi”. Kolona će se pojaviti s lijeve strane.) Imenujte ove klastere od Klastera 1 do Klastera 4. Također možete primijeniti uvjetno oblikovanje na njih i kad god ih postavite , moći ćete vidjeti koliko se razlikuju.

List 4MC će se pojaviti kao što je prikazano na sl. jedanaest.

Rice. jedanaest. Prazni centri klastera postavljeni na 4MC list

U ovom slučaju, svi centri klastera su nuli. Ali tehnički, oni mogu biti šta god želite i, što će vam se posebno svidjeti - kao i na školskim plesovima, raspoređeni su na način da minimiziraju udaljenost između svakog kupca i njegovog centra klastera.

Očigledno, tada će ovi centri imati vrijednosti od 0 do 1 za svaku trgovinu, jer su svi klijentski vektori binarni.

Ali šta znači “izmjeriti udaljenost između centra klastera i kupca”?

Euklidska udaljenost: mjerenje udaljenosti van puta

Za svakog kupca imate zasebnu kolonu. Kako izmjeriti udaljenost između njih? U geometriji se to naziva "najkraći put", a rezultujuća udaljenost naziva se Euklidska udaljenost.

Vratimo se malo u skupštinsku salu i pokušamo da smislimo kako da rešimo naš problem tamo.

Postavite koordinatne ose na pod i na sl. 12 ćemo vidjeti da u tački (8.2) imamo plesač, au (4.4) imamo centar klastera. Da biste izračunali euklidsku udaljenost između njih, morat ćete se prisjetiti Pitagorine teoreme, s kojom ste upoznati iz škole.

Rice. 12. Plesačica u tački (8.2) i centar klastera na (4.4)

Ove dvije tačke su međusobno udaljene 8 - 4 = 4 metra vertikalno i 4 - 2 = 2 metra horizontalno. Prema Pitagorinoj teoremi, kvadrat udaljenosti između dvije tačke je 4L2 + 2L2 = 20 metara. Odavde izračunavamo samu udaljenost, koja će biti jednaka kvadratnom korijenu od 20, što je otprilike 4,47 m (kao na slici 13).

Rice. trinaest. Euklidska udaljenost jednaka je kvadratnom korijenu zbira udaljenosti u svakom smjeru

U kontekstu pretplatnika na bilten, imate više od dvije dimenzije, ali se primjenjuje isti koncept. Udaljenost između kupca i centra klastera izračunava se određivanjem razlike između dvije točke za svaku trgovinu, kvadriranjem, sabiranjem i uzimanjem kvadratnog korijena. Na primjer, na listu 4MC, želite znati euklidsku udaljenost između centra klastera 1 u koloni H i narudžbi kupca Adamsa u koloni L.

U ćeliji L34, prema Adamsovim naredbama, možete izračunati razliku između Adamsovog vektora i centra klastera, kvadrirati ga, dodati i zatim ga ukorijeniti koristeći sljedeću formulu za nizove (provjerite apsolutne reference koje vam omogućavaju da prevučete ovu formulu desno ili dolje bez promjene reference na centar klastera):

(= KORIJEN (SUM (L $ 2: L $ 33- $ H $ 2: $ H $ 33) A2)))

Formula za nizove (unesite formulu i pritisnite Ctrl + Shift + Enter ili Cmd + Return na MacOS-u, kao što je opisano u poglavlju 1) se mora koristiti jer (L2: L33-H2: H33) ^ 2 dio mora "znati " gdje okrenite da izračunate razlike i kvadrirate ih, korak po korak. Međutim, konačni rezultat je jedan broj, u našem slučaju 1,732 (kao na slici 14). Ima sljedeće značenje: Adams je napravio tri trgovine, ali pošto su početni centri klastera nula, odgovor će biti jednak kvadratnom korijenu od 3, odnosno 1,732.

Rice. 14. Udaljenost između centra 1 klastera i Adamsa

U tabeli na sl. 2-14, usidrio sam gornji red (pogledajte Poglavlje 1) između kolona G i H i nazvao red 34 u ćeliji G34 Udaljenost do klastera 1, samo da vidim gdje se nalazi dok skrolujem niz stranicu.

Udaljenosti i članstvo u klasteru za sve!

Sada znate kako izračunati udaljenost između vektora reda i centra klastera.

Vrijeme je da dodate Adamsov proračun udaljenosti ostatku centara klastera tako što ćete povući ćeliju L34 nadolje do L37, a zatim ručno promijeniti referencu centra klastera iz kolone H u kolonu I, J i K u ćelijama ispod. Rezultat bi trebao biti sljedeće 4 formule u 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)))
(= ROOT (SUM ((L $ 2: L $ 33- $ H $ 2: $ H $ 33) A2)))
(= ROOT (SUM ((L $ 2: L $ 33- $ I $ 2: $ I $ 33) A2)))
(= ROOT (SUM ((L $ 2: L $ 33- $ J $ 2: $ J $ 33) A2)))
(= ROOT (ZBIR ((L $ 2: L $ 33- $ K $ 2: $ K $ 33) A2)))

Pošto ste koristili apsolutne reference za centre klastera (što je ono što označava $ u formulama, kao što je objašnjeno u poglavlju 1), možete prevući L34: L37 do DG34: DG37 da izračunate udaljenost od svakog korisnika do sva četiri centra klastera . Zaglavite redove u koloni G u ćelijama od 35 do 37 „Udaljenost do klastera 2” i tako dalje. Novoizračunate udaljenosti su prikazane na Sl. 15.

Rice. 15. Proračun udaljenosti od svakog kupca do svih centara klastera

Sada znate udaljenost svakog klijenta do sva četiri centra klastera. Njihova raspodjela u klastere vrši se prema najkraćoj udaljenosti u dva koraka na sljedeći način.

Prvo se vratite na Adamsa u koloni L i izračunajte minimalnu udaljenost do centra klastera u ćeliji L38. jednostavno je:

Min (L34: L37)
= min (L34: L37)

Za proračun koristimo formulu match / searchposes (više u poglavlju 1). Ako ga postavite u L39, možete vidjeti broj ćelije iz intervala L34: L37 (brojim svaku po redu od 1), što je na minimalnoj udaljenosti:

Podudaranje (L38, L34: L37.0) = pozicija traženja (L38, L34: L37.0)

U ovom slučaju, udaljenost je ista za sva četiri klastera, tako da formula bira prvi (L34) i vraća 1 (slika 16).

Rice. šesnaest. Dodavanje povezivanja klastera na list

Također možete prevući i ispustiti ove dvije formule na DG38: DG39. Da bi stvari bile organizirane, dodajte nazive linija 38 i 39 ćelijama 38 i 39 u koloni G „Minimalna udaljenost klastera“ i „Dodijeljena grupa“.

Pronalaženje rješenja za klaster centre

Vaša tabela je ažurirana proračunima udaljenosti i grupiranjem. Sada, da biste odredili najbolju poziciju centara klastera, morate pronaći one vrijednosti u kolonama od H do K koje minimiziraju ukupnu udaljenost između kupaca i centara klastera na koje su povezani, naznačene u redu 39 za svaki kupac.

Kada čujete riječ “minimizirati”: faza optimizacije počinje, a optimizacija se izvodi pomoću “Traži rješenje”.

Da biste koristili Solution Finder, potrebna vam je ćelija za rezultate, tako da u A36 sumiramo sve udaljenosti između kupaca i njihovih centara klastera:

ZBIR (L38: DG38)
= CUMMA (L3 8: DG3 8)

Ovaj zbir udaljenosti od klijenata do njima najbližih klaster centara je upravo ciljna funkcija sa kojom smo se ranije susreli prilikom grupisanja zbornice srednje škole Macacne. Ali Euklidska udaljenost, sa svojim moćima i kvadratnim korijenima, je monstruozno nelinearna funkcija, tako da morate koristiti evolucijsko rješenje umjesto simpleks metode.

Ovu metodu ste već koristili u prvom poglavlju. Simpleks algoritam, ako se može primijeniti, radi brže od drugih, ali se ne može koristiti za izračunavanje korijena, kvadrata i drugih nelinearnih funkcija. Isto tako, OpenSolver je beskoristan, koji koristi simpleks algoritam, čak i ako se čini da je uzimao steroide.

U našem slučaju, evolucijski algoritam ugrađen u Potragu za rješenjem koristi kombinaciju slučajnog pretraživanja i odličnog crossover rješenja da, poput evolucije u biološkom kontekstu, pronađe učinkovita rješenja.

Imate sve što vam je potrebno da postavite problem prije "Traži rješenje":

cilj: minimizirati ukupnu udaljenost od kupaca do njihovih centara klastera (A36);
varijable: vektor svake transakcije u odnosu na centar klastera (N2: K33);
uslovi: centri klastera moraju imati vrijednosti između 0 i 1.

Preporučljivo je imati “Traženje rješenja” i čekić. Postavili smo zadatak "Traži rješenje": minimizirati A36 promjenom vrijednosti H2: K33 uz uvjet H2: K33<=1, как и все векторы сделок. Убедитесь, что переменные отмечены как положительные и выбран эволюционный алгоритм (рис. 17).

Rice. 17. Postavke pronalaženja rješenja za grupiranje od 4 centra

Ali izjava o problemu nije sve. Morat ćete se malo oznojiti, odabirom potrebnih opcija za evolutivni algoritam, klikom na dugme "Opcije" u prozoru "Traži rješenje" i odlaskom na prozor postavki. Savjetujem vam da maksimalno vrijeme postavite za 30 sekundi više, ovisno o tome koliko ste voljni čekati da se "Traganje rješenja" nosi sa svojim zadatkom. Na sl. Na 18 sam stavio svoj na 600 sekundi (10 minuta). Na taj način mogu krenuti u potragu za rješenjem i otići na ručak. A ako ga želite rano prekinuti, samo pritisnite Escape i izađite s najboljim rješenjem koje je pronašao.

Rice. osamnaest. Parametri evolucionog algoritma

Kliknite na Pokreni i gledajte kako Excel radi svoj posao dok se evolucijski algoritam ne konvergira.

Značenje rezultata

Jednom kada vam Solvement pronađe najbolje centre za klastere, zabava počinje. Pređimo na grupe za učenje! Na sl. 19 možemo vidjeti da je Solver pronašao optimalnu ukupnu udaljenost od 140,7 i sva četiri centra klastera - zahvaljujući uslovnom formatiranju! - izgledaju potpuno drugačije.

Rice. devetnaest.Četiri optimalna klaster centra

Imajte na umu da se vaši centri klastera mogu razlikovati od onih predstavljenih u knjizi, jer evolucijski algoritam koristi slučajne brojeve i odgovor je svaki put drugačiji. Klasteri mogu biti potpuno različiti, ili vjerojatnije u drugom redoslijedu (na primjer, moj klaster 1 može biti vrlo blizu vašem klasteru 4, itd.).

Pošto ste prilikom kreiranja lista umetnuli opise transakcija u kolone od B do G, sada možete pročitati detalje na Sl. 19, što je važno za razumijevanje ideje klaster centara.

Za klaster 1 u koloni H, uslovno formatiranje bira poslove 24, 26, 17 i, u manjoj meri, 2. Nakon čitanja opisa ovih poslova, možete shvatiti šta im je zajedničko: svi su zaključeni u pinotu crnom.

Gledajući kolonu I, možete vidjeti da sve zelene ćelije imaju nizak minimalni broj. To su kupci koji ne žele da kupe velike količine u toku transakcije.

Ali druga dva klaster centra, iskreno, teško je protumačiti. Umjesto tumačenja klaster centara, kako bi bilo da ispitate kupce u klasteru i odredite koje ponude vole? Ovo bi moglo razjasniti problem.

Klaster rejting poslova

Umjesto da otkrivamo koje su udaljenosti do kojeg centra klastera bliže 1, hajde da provjerimo ko je vezan za koji klaster i koje ponude preferira.

Da biste to učinili, započnite kopiranjem lista sa informacijama o ponudi. Nazovimo kopiju 4MC - TopDealsByCluster. Broj kolone od H do K na ovom novom listu od 1 do 4 (kao na slici 20).

Rice. dvadeset. Kreiranje radnog lista za izračunavanje popularnosti poslova pomoću klastera

Na listu 4MC imali ste sidra po klasterima od 1 do 4 na liniji 39. Sve što treba da uradite da biste prebrojali transakcije po klasterima je da pogledate nazive kolona od H do K na listu 4MC - TopDealsByCluster, vidite koji od lista 4MC je vezan za ovaj klaster na liniji 39, a zatim dodajte broj njihovih transakcija u svaki red. Tako ćemo dobiti ukupan broj kupaca u ovom klasteru koji su sklopili poslove.

Počnimo sa ćelijom H2, koja sadrži broj kupaca u klasteru 1 koji su prihvatili ponudu #1, odnosno januarski malbec. Na listu 4MC potrebno je dodati vrijednosti ćelija raspona L2:DG2, ali samo kupce iz klastera 1, što je klasičan primjer korištenja formule sumif/summesif. izgleda ovako:

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)

Ova formula funkcionira ovako: dajete joj neke kondicionale, koje on provjerava u prvom dijelu "4MC"! $ L $ 39: $ DG $ 39, "4MC, zatim se upoređuje sa 1 u zaglavlju kolone (" 4MC - TopDealsByCluster "! H $ 1 ), a zatim, za svako podudaranje, dodaje tu vrijednost u red 2 u trećem dijelu formule "4MC"! $ L2: $ DG2.

Primijetite da ste koristili apsolutne reference ($ u formuli) prije svega što se tiče povezivanja klastera, broja reda u naslovima kolona i slova kolone za trgovine. Nakon što ove veze učinite apsolutnim, možete prevući formulu bilo gdje od H2: K33 da biste izračunali broj ponuda za druge centre klastera i kombinacije poslova, kao na sl. 21. Da biste ove kolone učinili čitljivijim, možete primijeniti i uvjetno oblikovanje na njih.

Rice. 21. Ukupan broj ponuda za svaku ponudu, raščlanjen po klasterima

Isticanjem kolona od A do K i primjenom automatskog filtriranja, možete sortirati te podatke. Sortiranjem kolone H od najmanjeg do najvećeg, vidjet ćete koje trgovine su najpopularnije u klasteru 1 (Slika 22).

Rice. 22. Grupa za sortiranje 1. Pinot, pinot, pinot!

Kao što sam ranije spomenuo, četiri najveće trgovine za ovaj klaster su Pinos. Ovi momci očigledno zloupotrebljavaju film Sideways. Ako izdvojite klaster 2, postaje sasvim jasno da se radi o malim veletrgovcima (Slika 23).

Ali kada sortirate klaster 3, to nije tako lako razumjeti. Veliki poslovi se mogu računati na jednu ruku, a razlika između njih i ostalih nije toliko očigledna. Ipak, najpopularnije ponude imaju nešto zajedničko - prilično dobre popuste, 5 od 6 najvećih ponuda su za pjenušava vina, a Francuska je proizvođač proizvoda za 3 od 4 od njih. Međutim, ove pretpostavke su kontroverzne.

Što se tiče klastera 4, ovim momcima se iz nekog razloga očito svidjela avgustovska ponuda za šampanjac. Takođe, 5 od 6 najvećih ponuda bilo je za francusko vino, a 9 od 10 najvećih ponuda za velike količine. Možda je ovo veliki veleprodajni klaster koji se bavi francuskim vinima? Ukrštanje klastera 3 i 4 je takođe zabrinjavajuće.