» »

Metódy a nástroje segmentácie spotrebiteľov. Prehľad metód klastrovej analýzy a posúdenie ich použiteľnosti pri riešení problému segmentácie spotrebiteľského trhu Výsledky segmentácie pomocou metódy viacrozmerného škálovania

Segmentačné metódy

Je možné rozlíšiť niektoré „základné“ metódy segmentácie. Najdôležitejšou z nich je zhluková analýza spotrebiteľov (taxonómia). Zhluky spotrebiteľov sa vytvárajú zoskupením tých, ktorí dávajú podobné odpovede na položené otázky. Kupujúci môžu byť zoskupení, ak majú podobný vek, príjem, zvyky atď. Podobnosť medzi kupujúcimi je založená na rôznych mierach, ale ako miera podobnosti sa často používa vážený súčet štvorcových rozdielov medzi odpoveďami kupujúcich na otázku. Výstupom klastrovacích algoritmov môžu byť hierarchické stromy alebo spojenie spotrebiteľov do skupín. Existuje pomerne veľké množstvo klastrových algoritmov.

Napríklad v Spojených štátoch je široko používaná zhluková analýza systémov nazývaná PRIZM. , ktorá začína klastrovanie znížením množiny 1000 možných sociodemografických ukazovateľov. Tento systém tvorí sociodemografické segmenty pre celé územie USA. Takto bol vyčlenený klaster 28 - medzi rodiny, ktoré do tohto klastra spadali, patria osoby s najúspešnejšou profesionálnou alebo manažérskou kariérou. Tento zhluk odráža aj vysoký príjem, vzdelanie, majetok a približne priemerný vek. Hoci tento klaster predstavuje iba 7 % populácie USA, je rozhodujúci pre podnikateľov predávajúcich špičkové produkty.


Existujú aj ďalšie príklady segmentácie spotrebiteľov na základe zhlukovej analýzy. Napríklad medzi „psychologickými“ sektormi má veľmi dôležité miesto „postoj spotrebiteľa k novosti produktu“ (obr. 3).

Obrázok 3

Ako je zrejmé z vyššie uvedených údajov, najväčší počet spotrebiteľov sa týka počtu bežných kupujúcich.

Segmentácia spotrebiteľov založená na zhlukovej analýze je „klasická“ metóda. Zároveň existujú techniky segmentácie trhu na základe takzvanej „segmentácie produktov“ alebo segmentácie trhu podľa parametrov produktu. Je to dôležité najmä pri výrobe a marketingu nových produktov. Osobitný význam má segmentácia podľa produktov na základe štúdia dlhodobých trendov na trhu. Proces vývoja a výroby nového produktu, dokončenie veľkých investičných programov si vyžaduje pomerne dlhé obdobie a tu je dôležitá najmä správnosť výsledkov analýzy trhu a hodnotenia jeho kapacity. V podmienkach práce na tradičnom trhu štandardných produktov je možné výpočet jeho kapacity vykonať pomocou metódy sčítania trhov. V moderných podmienkach na zvýšenie svojej konkurencieschopnosti a správne určenie trhovej kapacity už nestačí, aby podnik segmentoval trh iba jedným smerom - definovaním skupín spotrebiteľov podľa určitých kritérií. V rámci integrovaného marketingu je potrebné segmentovať aj samotný produkt podľa najdôležitejších parametrov pre jeho presadenie sa na trhu. Na tento účel sa používa spôsob zostavovania funkčné karty- vykonávanie akejsi dvojitej segmentácie podľa produktu a spotrebiteľa.

Funkčné mapy“ môžu byť jednofaktorové (segmentácia sa vykonáva podľa jedného faktora a pre homogénnu skupinu produktov) a viacfaktorové (analýza, pre ktoré skupiny spotrebiteľov je konkrétny model produktu určený a ktoré parametre sú najdôležitejšie pre propagáciu produkty na trhu) Zostavením funkčných kariet môžete určiť, pre aký segment trhu je daný produkt určený, ktoré jeho funkčné parametre zodpovedajú určitým potrebám spotrebiteľa.

Pri vývoji nového produktu táto technika predpokladá, že by sa mali brať do úvahy všetky faktory odrážajúce systém spotrebiteľských preferencií a zároveň technické parametre nového produktu, s ktorými môžete uspokojiť potreby spotrebiteľa; sú definované skupiny spotrebiteľov, z ktorých každá má svoj vlastný súbor požiadaviek a preferencií; všetky vybrané faktory sú zoradené podľa stupňa významnosti pre každú zo skupín spotrebiteľov.

Tento prístup vám umožňuje vidieť vo fáze vývoja, aké parametre produktu si vyžadujú konštrukčné zlepšenie, alebo určiť, či pre tento model existuje dostatočne veľký trh.

Uveďme príklad takejto analýzy trhu v súvislosti s projektom počítačov vo vývoji „Apple“ (tabuľka 1) (pozri nasledujúcu stranu)

Stôl 1." Segmentácia trhu s osobnými počítačmi a faktory, ktoré sa berú do úvahy pri vývoji produktov preň (1982) "

Faktory Trhové segmenty podľa skupín spotrebiteľov Model
Domy V škole Na univerzite Do domu. kancelária V malom podnikaní V korporácii A V
Technické špecifikácie * * *** ** ** ** *** **
cena *** *** ** *** *** ** 0 **
Špeciálne vlastnosti * * ** * * * ** *
Spoľahlivosť ** * * ** ** * 0 **
Jednoduchosť použitia ** ** * ** * 0 *** ***
Kompatibilita 0 0 0 0 0 *** 0 0
Periférne zariadenia 0 0 0 0 0 *** 0 0
softvér * * ** ** ** *** * **

*** je veľmi dôležitý faktor

** - dôležitý faktor

* - nepodstatný faktor

0 - zanedbateľný faktor

Táto jednoduchá analýza ukazuje, že model A je počítač bez trhu a model B je najvhodnejší produkt pre univerzity a malé podniky.

Spoločnosť raz vsadila na počítač A a prehrala.

Vo všeobecnosti sa vo svetovej praxi používajú 2 základné prístupy k segmentácii marketingu - (pozri: všeobecná schéma segmentovej analýzy (obr. 4)) (nasledujúca strana)

V rámci prvej metódy. označované ako "a priori", znaky segmentácie, počet segmentov, ich počet, charakteristika, mapa záujmov sú už predtým známe. To znamená, že sa predpokladá, že skupiny segmentov v tejto metóde už boli vytvorené. Metóda „a priori“ sa používa v prípadoch, keď segmentácia nie je súčasťou aktuálneho štúdia, ale slúži ako pomocný základ pre riešenie iných marketingových problémov. Niekedy sa táto metóda používa, keď sú segmenty trhu veľmi jasne definované, keď rozptyl segmentov trhu nie je vysoký. "Apriorstvo" je prijateľné aj pri vytváraní nového produktu zameraného na známy segment trhu.

V rámci druhej metódy nazvanej „post hoc (cluster based)“ je implikovaná neistota znakov segmentácie a podstaty samotných segmentov Výskumník predbežne vyberá množstvo premenných, ktoré sú interaktívne vzhľadom na respondent (metóda zahŕňa uskutočnenie prieskumu) a následne v závislosti od vyjadreného postoja k určitej skupine premenných patria respondenti do relevantného segmentu, pričom mapa záujmov identifikovaná v následnej analýze sa považuje za sekundárnu. Táto metóda sa používa vtedy, keď segmentácia spotrebiteľských trhov, ktorých segmentová štruktúra nie je definovaná vo vzťahu k predávanému produktu.

Segmentácia podľa metódy " a priori "

Pri výbere počtu segmentov, na ktoré sa má trh rozdeliť, sa zvyčajne riadia objektívnou funkciou – určením najperspektívnejšieho segmentu. Je zrejmé, že pri vytváraní vzorky je zbytočné zaraďovať do nej segmenty, ktorých nákupný potenciál je v porovnaní so skúmaným produktom dosť malý. Počet segmentov, ako ukazujú štúdie, by nemal presiahnuť 10, prebytok je zvyčajne spojený s nadmerným detailovaním prvkov segmentácie a vedie k zbytočnému „rozmazaniu“ prvkov.

Napríklad pri segmentácii podľa úrovne príjmu sa odporúča rozdeliť všetkých potenciálnych kupujúcich na segmenty s rovnakým objemom, pričom treba brať do úvahy, že objem každého zo segmentov nie je aspoň menší ako odhadovaný objem predaja služieb na základe znalosti o výrobnej kapacite podniku. Najúspešnejším príkladom vysvetľujúcim vyššie uvedené a demonštrujúcim možnosť rozdelenia potenciálnych spotrebiteľov do stabilných segmentových skupín môže byť segmentácia populácie na základe príjmu, kedy je celá populácia rozdelená do piatich 20 % skupín. Prezentované rozdelenie príjmov pre päť 20 % skupín obyvateľstva je pravidelne uvádzané v štatistických zbierkach a správach, podobne ako v tabuľke. 2

tabuľka 2 ."Rozdelenie príjmov podľa skupín obyvateľstva. %"

Pohodlie práce s takýmito skupinami segmentov je zrejmé, najmä z hľadiska sledovania ich kapacity.

10. marca 2015

Vstup na akýkoľvek trh s produktom – spotrebným, priemyselným – musí výrobca pochopiť, že ani pri dostatočnej výrobnej kapacite nemôže obslúžiť všetkých svojich zákazníkov. Koniec koncov, kupujúci používajú tento produkt rôznymi spôsobmi, a čo je najdôležitejšie, kupujú ho podľa rôznych motívov. Preto je obvyklé rozčleniť kupujúcich (segmentáciu) podľa týchto motívov a iných charakteristík a až potom - ponuku tovaru vyrábaného s maximálnym zohľadnením týchto vlastností. Bez preháňania možno povedať, že za ideálny prístup k plánovaniu marketingových aktivít z pohľadu uspokojovania potrieb spotrebiteľov možno považovať prispôsobenie produktov a služieb požiadavkám každého jednotlivého spotrebiteľa.

V teórii a praxi podnikania do roku 1960 dominovala orientácia na agregovaný, masový trh. Vysvetľovalo to skutočnosť, že výrobca so zameraním na spoločný, nedistribuovaný trh dokázal vyrobiť veľké množstvo tovaru a dosiahnuť úspory z rozsahu. Ale od 60-tych rokov. Začal naberať na sile trend k potrebe rozlišovania špecifík spotrebiteľského dopytu, ktorý sa prejavuje v segmentácii odbytového trhu.

V moderných podmienkach zvýšenej konkurencie na odbytových trhoch sa aktualizuje problém potreby zvýšenia konkurencieschopnosti domácich priemyselných výrobkov na domácom a zahraničnom trhu. Za týchto podmienok je kľúčovým problémom hľadanie rezerv na znižovanie nákladov, teda ekonomickým základom ceny a zisku. Výsledkom je, že značný počet priemyselných podnikov presadzuje nízkonákladovú stratégiu so zameraním na rôzne spôsoby jej implementácie: odmietanie drahých súvisiacich služieb; úspora nákladov vytváraním modelov produktov, ktoré sú lacnejšie na výrobu a podobne. Priame náklady sú však do značnej miery determinované výrobnou technológiou, úrovňou zaťaženia výrobcu podniku-komodít a možnosti znižovania nákladov na riadenie zlepšením efektívnosti riadenia funkčných oblastí podnikov zostávajú nevyužité.

Jedným z moderných nástrojov je znižovanie nákladov na riadenie a zabezpečenie zvyšovania kvality riadenia, čo možno interpretovať ako presnosť prognózovania ziskovosti, rentability pre každý klaster (skupina priemyselných podnikov rovnakého druhu ekonomickej činnosti) v porovnaní k východiskovej situácii, alebo k presnosti prognózy ziskovosti funkčných oblastí týchto činností.podnikov je zhluková analýza.

Dôležitosť segmentácie ako efektívneho marketingového nástroja je vysvetlená nasledujúcimi vlastnosťami:

ü segmentácia je vysoko účinným prostriedkom hospodárskej súťaže, pretože sa zameriava na identifikáciu a uspokojovanie špecifických potrieb spotrebiteľov;
ü zameriava aktivity spoločnosti na konkrétnu medzeru na trhu, to platí najmä pre firmy, ktoré začínajú svoje trhové aktivity;
ü segmentácia trhu pomáha rozumnejšie určiť marketingové smery spoločnosti;
ü pomocou segmentácie je možné stanoviť realistické marketingové ciele;
ü úspešná segmentácia trhu ovplyvňuje efektivitu marketingu ako celku, od prieskumu trhu a spotrebiteľov až po vytvorenie vhodného systému predaja a propagácie.

V marketingovej teórii pojem S TP - marketing . Tvorí sa zo skratky prvých písmen anglických slovsegmentácia(segmentácia),cielenie(výber cieľového trhu) apolohovanie(polohovanie). S TP - marketing je jadrom moderného strategického marketingu.

Segmentácia trhu - ide o rozdelenie spotrebiteľov do skupín na základe rozdielov v potrebách, vlastnostiach alebo správaní a vývoj pre každú zo skupín samostatného marketingového mixu.

Segment trhu spočíva v tom, že spotrebitelia reagujú rovnakým spôsobom na rovnaký súbor marketingových stimulov.

1. Segmentácia trhu- etapa alokácie jednotlivých skupín spotrebiteľov v rámci spoločného trhu.
2. Výber cieľových trhov- medzi vybranými segmentmi trhu sa vyberajú cieľové segmenty, teda tie, na ktoré podnik zameriava svoju činnosť.
3. Polohovanie- identifikácia produktu firmy medzi analógovými produktmi.

Konečným cieľom segmentácie cieľového trhu je výber segmentu (alebo segmentov) spotrebiteľov, na uspokojovanie ktorých potrieb sa bude činnosť podniku orientovať.
Marketéri veria, že správne rozdelenie trhového segmentu je polovicou komerčného úspechu a neustále pripomínajú modifikáciu známeho Paretov zákon (zákon 80:20).

Metódy segmentácie trhu:

apriórna metóda;

· Klastrová metóda;

· Metóda flexibilnej segmentácie;

· Metóda segmentácie komponentov.

o apriórne metódy najprv sa predloží hypotéza segmentácie trhu a potom sa testuje v priebehu marketingového výskumu. Preto sa táto metóda nazýva a priori, t.j. neskúsený. Táto metóda segmentácie trhu je zďaleka najbežnejšie používaná pre svoju relatívnu jednoduchosť, dostupnosť metód dovedených do praxe a nízke náklady na implementáciu.

Klastrové metódy znamená, že štruktúra trhu nie je známa. Nedefinujú závislú premennú, ale hľadajú prirodzené zhluky nachádzajúce sa v databáze spotrebiteľov získanej prostredníctvom prieskumu trhu. Respondenti sú v tomto prípade najskôr zoskupení spomedzi potenciálnych spotrebiteľov pomocou špeciálneho analytického postupu do prirodzených zhlukov – trhových segmentov. Potom sa definujú premenné, pomocou ktorých by bolo možné formálne definovať trhový segment.

V porovnaní s apriórnou segmentáciou, keď sú segmenty určené odhadovanými premennými na začiatku štúdie, a so segmentáciou zhlukov, keď sa vybrané segmenty tvoria z výsledkov zhlukovej analýzy, modely flexibilná segmentácia ponúka dynamický prístup k problému. Pomocou tohto prístupu možno vyvinúť a otestovať veľké množstvo rôznych segmentov, z ktorých každý zahŕňa spotrebiteľov alebo organizácie s podobným vnímaním nových „skúšobných“ produktov (identifikovaných konfiguráciou špecifických vlastností produktu). Flexibilná segmentácia kombinuje výsledky spojenej analýzy a počítačového modelovania spotrebiteľského správania pri výbere produktu.

Segmentácia komponentov presúva ťažisko segmentácie trhu na osobnostné charakteristiky (popísané súborom demografických a psychografických charakteristík), ktoré by lepšie zodpovedali vlastnostiam produktu. Pri segmentácii komponentov po komponentoch má výskumník záujem o porovnanie parametrov hodnoty produktu a rôznych charakteristík respondenta. Po definovaní týchto dvoch súborov parametrov môže výskumník navrhnúť vývoj akýchkoľvek možných vlastností produktu pre akýkoľvek typ spotrebiteľa.

Proces segmentácie trhu

Proces segmentácie prebieha v ôsmich krokoch.

Stratégia pokrytia trhu
Prvým krokom je výber metódy segmentácie.

Druhou etapou je kontrola homogenity segmentu, t.j. kontrolujeme, či je reakcia spotrebiteľa na produkt tohto segmentu rovnaká.

Treťou etapou je kontrola úrovne diferenciácie segmentu, t.j. kontrolujeme, na koľko segmentov je produkt kalkulovaný a akú rozmanitosť tovarov organizácia ponúka.

Štvrtou etapou je posúdenie úrovne dostupnosti segmentu, t.j. je potrebné posúdiť, či má podnik dostatočný počet kanálov na predaj svojich výrobkov, aká je priepustnosť týchto kanálov, či podnik dokáže zabezpečiť predaj celého objemu výrobkov, či systém dodávania výrobkov do je dostatočne spoľahlivý.

Piatou etapou je kontrola úrovne ziskovosti segmentu, t.j. určuje sa možná cena produktu pri práci v tomto segmente a jeho náklady s prihliadnutím na prispôsobenie produktu pre tento segment. (Ziskovosť ≈ Ziskovosť)

Šiestou etapou je posúdenie stability segmentu.

Siedmym stupňom je výber cieľového segmentu.

Ôsmym stupňom je stratégia pokrytia trhu.

Posúdenie atraktivity segmentov a koncepcie cieľového trhu

Atraktivita trhového segmentu sa určuje podľa kritérií, ktoré si každá spoločnosť určuje samostatne.

Nie všetky kritériá sú rovnako dôležité, a preto je potrebné každé z nich posudzovať samostatne. Účelom analýzy atraktivity je vypočítať váženú významnosť kritéria, ktoré charakterizuje „atraktívnosť“ konkrétneho produktu.

Cieľový trh je pre podnik najvhodnejšia a najziskovejšia skupina trhových segmentov (resp. jeden segment), do ktorej smeruje jeho činnosť.

Spoločnosť by mala propagovať tie rozdiely svojho produktu, ktoré sú pre cieľový trh najatraktívnejšie.

Pri hodnotení trhových segmentov sa berú do úvahy dva faktory: (1) ich celková atraktívnosť a (2) ciele a zdroje spoločnosti, ktorá ho rozvíja.


Kritériá hodnotenia atraktívnosti cieľového trhu

1. Veľkosť (kapacita) trhu - Pod kapacitou komoditného trhu sa rozumie možný objem predaja tovaru (konkrétnych produktov podniku) pri danej úrovni a pomere rôznych cien. Kapacita trhu je charakterizovaná veľkosťou dopytu obyvateľstva a veľkosťou ponuky komodít.

2. Geografická poloha

3. Skutočný a potenciálny predaj
Skutočný objem predaja - množstvo tovarov a služieb, ktoré môže organizácia reálne predať za existujúcich podmienok prevádzky, odhadované náklady na reklamu a cenovú hladinu, ktorú má v úmysle stanoviť.

Potenciálny objem predaja (ponuka) - podiel na potenciálnom trhu, ktorý chce organizácia obsadiť, a teda maximálny počet tovarov, s ktorými môže počítať pri predaji so svojimi schopnosťami.

4. Aktuálna a potenciálna úroveň a intenzita konkurencie

reálnu a potenciálnu schopnosť firiem navrhovať, vyrábať a uvádzať na trh produkty, ktoré sú z hľadiska ceny a necenových parametrov atraktívnejšie ako produkty konkurencie.

intenzita konkurencie a následne aj úroveň konkurencieschopnosti podniku sú určené potenciálom trhu; jednoduchosť vstupu do nej; druh tovaru; homogenita trhu; štruktúra odvetvia alebo konkurenčné postavenie firiem; príležitosti na technologické inovácie atď.

5. Možnosť pokrytia trhu

Počet potenciálnych predajní a stredísk, cez ktoré bude produkt distribuovaný.

6. Skutočné a potenciálne náklady na propagáciu

7. Štádium životného cyklu trhu – t.j. vývoj produktu, štádium implementácie, štádium vývoja (rastu), štádium zrelosti alebo štádium poklesu

8. Trendy na trhu, t.j. smer vývoja, perspektívy

9. Dodatočné požiadavky spotrebiteľa na produkt

10. Reálna a potenciálna cenová hladina

11. Očakávania spotrebiteľov a skutočná reakcia na marketingové úsilie produktu

MSP by mali identifikovať a vybrať dva až tri kľúčové faktory úspechu ako výsledok analýzy atraktívnosti každého segmentu trhu. Kritické faktory úspechu budú „mottom“ spoločnosti a treba ich neustále pripomínať. Sú to najdôležitejšie okolnosti, ktoré musia alebo nesmú nastať, aby bola spoločnosť úspešná na konkrétnom produktovom trhu.

Stratégie pokrytia trhu

Po dokončení segmentácie musí spoločnosť určiť, na ktorý segment zacieli svoje aktivity. Podľa stupňa pokrytia trhu sú možné tri typy stratégií:

1. Jediný segment (koncentrovaný marketing)

firma sa zameriava na veľký podiel jedného alebo viacerých čiastkových trhov. Napríklad Volkswagen zameral svoje úsilie na trh malých áut. Prostredníctvom koncentrovaného marketingu si firma zabezpečuje silnú trhovú pozíciu v segmentoch, ktorým obsluhuje, pretože pozná potreby týchto segmentov lepšie ako ktokoľvek iný a má určitú reputáciu. Okrem toho v dôsledku špecializácie výrobných, distribučných a propagačných opatrení firma dosahuje úspory v mnohých oblastiach svojej činnosti. Táto stratégia je však spojená so zvýšenou mierou rizika: vybraný segment nemusí spĺňať očakávania. V tomto ohľade sa mnohé firmy rozhodnú diverzifikovať svoje aktivity a pokryť niekoľko rôznych segmentov trhu.

Tento prístup sa niekedy označuje ako „stratégia pre medzeru“, pretože Často sa to robí s obmedzenými zdrojmi.

2. Viaceré segmenty (diferenciálny marketing)

Túto stratégiu si osvojuje čoraz viac firiem.

Ponúkaním rôznych produktov spoločnosť dúfa, že dosiahne rast predaja a hlbšie preniknutie do každého zo svojich trhových segmentov. Očakáva, že posilnením svojej pozície vo viacerých segmentoch trhu bude schopná identifikovať v mysli spotrebiteľa firmu s touto produktovou kategóriou. Navyše očakáva nárast opakovaných nákupov, keďže ide o produkt spoločnosti, ktorý zodpovedá želaniam spotrebiteľov, a nie naopak.

3. Úplné pokrytie trhu (nediferencovaný marketing)

Väčšina marketingových profesionálov sa domnieva, že rozsah tejto stratégie je obmedzený.

V tomto prípade sa firma nezameriava na to, ako sa potreby zákazníkov navzájom líšia, ale na to, čo majú tieto potreby spoločné. Vyvíja produktový a marketingový program, ktorý osloví čo najviac zákazníkov. Opiera sa o metódy masovej distribúcie a masovej reklamy. Snaží sa dať produktu obraz nadradenosti v mysliach ľudí. Ako príklad nediferencovaného marketingu môžeme uviesť počínanie firmy Krasny Oktyabr, ktorá pred niekoľkými rokmi ponúkala značku čokolády pre každého.

Nediferencovaný marketing je ekonomický. Náklady na výrobu produktu, udržiavanie jeho zásob a jeho prepravu sú nízke. Náklady na reklamu s nediferencovaným marketingom sú tiež udržiavané na nízkej úrovni. Absencia potreby marketingového prieskumu trhových segmentov a plánovania v členení podľa týchto segmentov pomáha znižovať náklady na marketingový prieskum a produktový manažment.

Koncept polohovania

Polohovanie je proces hľadania trhovej pozície pre firmu, produkt alebo službu, ktorá ju (ho) priaznivo odlíši od pozície konkurentov. Positioning je realizovaný s prihliadnutím na špecifickú cieľovú skupinu spotrebiteľov, pre ktorú sa vytvárajú a ponúkajú výhody a jedinečnosť. Bez jasnej predstavy o tom, na čo je pozícia zameraná, je veľmi ťažké, ba takmer nemožné zosúladiť marketingové rozhodnutia. Definícia konkurenčného postavenia často diktuje najefektívnejšie kombinácie marketingových nástrojov.
Keď to zhrnieme, môžeme to povedať positioning je marketingová stratégia vytvoriť silné spojenie vašej značky (produktu alebo spoločnosti) s určitými asociáciami, alebo lepšie s výhodami.

Polohovanie teda zahŕňa:
- vytvorenie stabilného spojenia produktu alebo spoločnosti s určitým miestom na trhu v hlave spotrebiteľa,
- udržanie asociácie (zvolenej pozície) v dlhodobom horizonte.

Postavenie produktu na trhu miesto, ktoré daný produkt zaujíma v mysliach spotrebiteľov v porovnaní s podobnými konkurenčnými produktmi z pohľadu spotrebiteľa.
Stratégia určovania polohy je súbor opatrení zameraných na sprostredkovanie konceptu positioningu spotrebiteľom. Polohovanie existuje iba v mysli spotrebiteľa.
- Stratégia ponúkania tovaru (služieb)
- Cenová stratégia
- Stratégia distribúcie produktov
- Stratégia propagácie tovaru (služieb)
Obmedzenie polohy
- Cieľový trh
- Skutoční a potenciálni konkurenti
- Stratégia spoločnosti

Premiestnenie- zmeny postavenia produktu alebo služby v marketingu a reklame, keď dostanú nový imidž, určí sa iná cieľová skupina, zmenia sa argumenty pre predajné a reklamné informácie, obal a pod.
Dôvody na zmenu polohy:
- sporné umiestnenie
- Nedostatočná poloha
- Nevýrazné umiestnenie
- Zbytočné polohovanie
- Premiestnenie

Miesto bydliska atď Z toho by malo byť zrejmé, že segment trhu je

Existuje skupina spotrebiteľov, ktorí sa v niektorých ohľadoch správajú na trhu rovnako.

Segmentácia trhu sa zase rozkladá do niekoľkých etáp.

  • 2. Voľba segmentu trhu spočíva v tom, že každý zo segmentov sa hodnotí z hľadiska jeho atraktivity (schopnosť priniesť podniku želaný výsledok). Na základe týchto odhadov sa vyberie najatraktívnejší segment (alebo segmenty).
  • 3. Napokon, treťou fázou je umiestnenie produktu. Po výbere trhového segmentu je potrebné sa zamyslieť nad tým, ako sa bude na trhu prezentovať produkt, ktorý firma na trhu ponúka. Okrem toho musí byť vypracovaný aj podrobný marketingový mix. Práve tieto úlohy sa riešia v tejto fáze.

V marketingu bolo identifikovaných niekoľko funkcií, ktoré môžu zlepšiť efektivitu segmentácie. Tieto označenia sa netýkajú spotrebiteľov, ale samotných segmentov.

  • 1. Segment musí byť zmysluplný. To znamená, že atribút, ktorý je základom segmentácie, sa musí aspoň do určitej miery prispôsobiť spotrebiteľskému správaniu. Na nadváhe teda záleží, koľko chleba človek skonzumuje, alebo či má problém s nákupom oblečenia. Toto znamenie však pravdepodobne nebude významné v súvislosti s tým, akú kozmetiku používa.
  • 2. Trhový segment musí byť dostatočne veľký, aby bol schopný generovať zisk, ktorý je nevyhnutný pre úspech firmy. Ak je segment z tohto pohľadu príliš malý, vývoj a realizácia marketingového programu naň zameraného jednoducho nemá zmysel.
  • 3. Segment musí byť merateľný. To znamená, že vlastnosť, ktorá je základom segmentácie, musí poskytovať možnosť jasného a jednoznačného oddelenia skupiny spotrebiteľov od ich ostatných skupín. Vek je príkladom merateľnej vlastnosti. Vždy môžeme jednoducho rozdeliť všetkých spotrebiteľov do skupín v závislosti od hodnoty, ktorú táto premenná naberá.

Príkladom vlastnosti, ktorá nie je úplne merateľná, môže byť, napodiv, aj frekvencia spotreby produktu, preferencie spotrebiteľov môžu byť v niektorých prípadoch mimoriadne premenlivé. Oveľa spoľahlivejším znakom z tohto hľadiska je vernosť značke: aj keď spotrebiteľ kupuje produkt zriedkavo, vždy si vyberie iba jednu značku a všetky ostatné odmietne.

Tu treba zvážiť aj to, či bude opýtaný pri odpovedi na výskumníkovu otázku úprimný. Z tohto hľadiska sú znaky typu sexuálnej orientácie zle merateľné. Hoci miera tolerancie našej spoločnosti voči sexuálnym menšinám neustále rastie (a to je znakom každej dostatočne vyspelej spoločnosti), nie každý predstaviteľ týchto menšín si dovolí otvorene deklarovať svoju sexuálnu orientáciu.

3. Segment musí byť prístupný. Táto kvalita znamená nielen dostupnosť pre výskum, ale aj dostupnosť dodatočných informácií. Ak sa dá očakávať, že podnik bude schopný ovplyvniť segment hulváta prostriedkami, ktoré má k dispozícii, a následne vyhodnotiť jeho vplyv porovnaním počiatočného stavu so stavom po dopade, segment možno považovať za prístupný. Je jasné, že je to možné len vtedy, ak existuje prístup k informáciám.

V marketingovej praxi sa najčastejšie používajú tri segmentačné metódy: zoskupovanie, viacrozmerná sekvenčná segmentácia so závislou premennou a zhluková analýza. Tento zoznam nevyčerpáva všetky možné metódy segmentácie, ale úplne stačí na získanie všeobecnej predstavy o tomto postupe a zložitostiach s ním spojených.

1. Najjednoduchším spôsobom segmentácie je rozdelenie trhu do skupín tradične identifikovaných v marketingu a sociológii na základe vyššie uvedených znakov. V tomto prípade sa jednoducho predpokladá, že skupiny spotrebiteľov, identifikované na základe takých charakteristík, ako je pohlavie, vek alebo povolanie, sa vyznačujú pomerne štandardným súborom potrieb a správania.

Tento spôsob je najvhodnejší v prípade výberu nového odboru činnosti, napríklad v prípade, keď spoločnosť len začína pôsobiť na trhu alebo sa rozhoduje vstúpiť na nový trh.

Nevýhodou tejto segmentačnej metódy je, že je založená na predpokladoch, hypotézach. Rozdelenie spotrebiteľov podľa veku, pohlavia, profesie, úrovne príjmu či sociálneho postavenia je pre marketingový výskum tradičné, no vôbec nie je zrejmé, že tieto premenné sú spojené s procesom „dorábania“ spotrebiteľov. Inými slovami, nie vždy je možné tvrdiť, že aktivita spotrebiteľov priamo závisí napríklad od ich veku. Preto marketingový špecialista pri takejto segmentácii vyberá svojvoľné a nedostatočne závažné dôvody na výber segmentov.

Pri segmentácii trhu treba mať na pamäti, že vlastnosti, ktoré sú základom rozdelenia určitých skupín, majú rôznu dôležitosť. Na jednej strane môžeme hovoriť o znakoch, ktoré priamo súvisia s cieľmi podniku. Takýmto znakom by bola napríklad ochota kúpiť si nový výrobok, ktorý má súbor určitých vlastností: na základe toho môžeme rozlíšiť skupinu spotrebiteľov, ktorí sú na to pripravení, a skupinu spotrebiteľov, ktorí nie sú pripravený na toto.

Keďže podnik má záujem o predaj tovaru, tento parameter priamo súvisí s jeho cieľmi. Na druhej strane sú menej významné parametre, ktoré nie sú v rovnakom úzkom spojení s cieľmi podniku. Príkladom takejto vlastnosti môže byť vek. Takže ten či onen produkt môže byť určený pre vekovú kategóriu ľudí po 30 rokoch. To však neznamená, že tento produkt si kúpi každý človek, ktorý má viac ako tridsať rokov. V dôsledku toho vek ako segmentačný parameter menej súvisí s bezprostrednými cieľmi podniku.

Ak je počet skutočne významných faktorov veľmi veľký, možno ich znížiť pomocou takzvanej faktorovej analýzy. Ide o výber skupín súvisiacich vlastností (parametrov), ktoré sú spojené do jedného prvku. Takže napríklad výška príjmu úzko súvisí s veľkosťou domu, prítomnosťou auta, počtom turistických výletov, návštevami prevádzok, ako sú reštaurácie a kluby, a preto možno tieto označenia spojiť do jedného.

Je vhodné pomenovať túto funkciu. V našom prípade by sme novinku mohli nazvať „výška príjmu“, no interpretovať ju široko, nielen ako množstvo peňazí, ktoré človek dostane za mesiac či rok. Podobne je možné prepojiť úroveň príjmu, povolanie a vzdelanie, úroveň príjmu a politické preferencie atď.

2. Viacrozmerná sekvenčná segmentácia so závislou premennou je najvhodnejšia vtedy, keď už má firma skúsenosti na trhu. V tomto prípade je segmentácia zameraná na identifikáciu najviac preferovaného segmentu trhu z hľadiska už dostupných výsledkov.

Keďže hlavným výsledkom, o ktorý sa firma snaží, je vyťaženie maximálneho zisku, v tomto prípade možno ako závislú premennú zvoliť napríklad príjem firmy. Predbežná segmentácia je zameraná na tento aspekt: ​​je potrebné identifikovať skupiny spotrebiteľov, ktoré mu z pohľadu podniku prinášajú najväčší príjem.

Je zrejmé, že spodná hranica príjmu je vo všeobecnosti určená subjektívne a predstavuje kompromis medzi skutočným a želaným stavom. Podmienečne je možné rozlíšiť napríklad tri skupiny: spotrebiteľov, ktorí prinášajú vysoký príjem, spotrebiteľov, ktorí prinášajú priemerný (uspokojivý) príjem, a spotrebiteľov, ktorí prinášajú príliš malý príjem.

Druhým stupňom segmentácie je identifikácia druhej premennej, ktorá najužšie súvisí s prvou premennou. Táto premenná je zvyčajne:

  • a) frekvenciu používania produktu alebo služby predávanej firmou;
  • b) úroveň príjmu, ktorý spotrebiteľ prináša spoločnosti;
  • c) vernosť spotrebiteľa značke. Napríklad v marketingových prieskumoch sa ukazuje, že najväčší príjem do firmy prinášajú ľudia od 25 do 33 rokov. Všetci spotrebitelia by sa preto mali rozdeliť aspoň do troch skupín: 1) do 25 rokov; 2) od 25 do 33 rokov a 3) nad 33 rokov.

Pri použití tejto metódy sa ďalšej segmentácii podrobuje len najziskovejší segment trhu. V našom prípade ide o kategóriu spotrebiteľov vo veku 25 až 33 rokov. V ďalších fázach sa opäť nachádzajú základy pre segmentáciu, ktoré najviac súvisia s úrovňou ziskovosti.

Limit delenia je v tomto prípade segment, ktorý musí mať tieto vlastnosti:

  • 1) spotrebitelia, ktorí k nej patria, prinášajú spoločnosti najväčší príjem (napríklad príjem spoločnosti v tomto segmente, ktorý predstavuje len 20 % trhu, predstavuje 70 % celkových príjmov);
  • 2) segment nesmie byť úplne zvládnutý;
  • 3) musí byť dostatočne veľký, aby sa oplatilo investovať do jeho ďalšieho rozvoja;
  • 4) ďalšie rozdelenie segmentu by nemalo byť možné (toto je preferovaná funkcia).

Výhodou tejto metódy segmentácie je, že je založená na najvýznamnejších premenných. Táto metóda má aj nevýhody. V prvom rade neberie do úvahy interakciu medzi rôznymi premennými. Okrem toho sa segmenty, ktoré sú s jeho pomocou rýchlo prideľované, ukážu ako príliš malé. Zároveň je táto metóda vo všeobecnosti dosť produktívna.

Pri jeho používaní môžete vidieť, ktoré segmenty sú skutočne najvýhodnejšie, ktoré môžu byť a ktoré by ste mali úplne opustiť. Najmä použitie tejto metódy umožňuje formulovať veľmi realistické úlohy, napríklad zvýšiť príjem od jednej alebo druhej skupiny spotrebiteľov. Nakoniec umožňuje identifikovať slabé miesta v činnosti firmy.

3. Na rozdiel od dvoch predchádzajúcich metód segmentácie, pri ktorých marketér začína analýzu trhu s celou populáciou spotrebiteľov a postupne ich rozdeľuje do skupín, pri zhlukovej analýze je smer opačný: analýza začína u jednotlivých spotrebiteľov. Z tohto dôvodu klastrová analýza vyžaduje, aby obchodník mal údaje o dostatočne veľkom počte skutočných spotrebiteľov, spravidla by ich počet mal byť aspoň 200 ľudí.

Klastrová analýza zahŕňa niekoľko krokov.

  • 1) Najprv si marketér náhodne vyberie jedného spotrebiteľa a začne hľadať ďalšieho, ktorý mu bude známymi parametrami čo najviac podobný. Keď sa nájdu dvaja takíto spotrebitelia, spoja sa do zhluku. Ostatné klastre sú identifikované podobným spôsobom.
  • 2) Ďalším krokom je zjednotenie jednotlivých spotrebiteľov a ich skupín do širších komunít. Malo by sa pamätať na to, že jednotliví spotrebitelia alebo už pridelené klastre, ako aj spotrebiteľ a klaster, môžu byť kombinované do klastrov. Fúzia sa uskutočňuje dovtedy, kým sa nezíska viac-menej uspokojivý počet klastrov, teda segmentov, ktoré svojim objemom zodpovedajú záujmom podniku.
  • 3) Kontrola správnosti výberu klastrov spočíva v tom, že marketér vykoná segmentáciu druhýkrát a skontroluje, či možno rovnakú segmentáciu získať pomocou iných mier podobnosti. Výsledky hlavnej a kontrolnej segmentácie na základe zhlukovej analýzy sa porovnajú, po čom sa vykonajú úpravy hlavnej segmentácie.

Nepochybnou výhodou tejto metódy je, že vám umožňuje vychádzať z konkrétnych údajov o spotrebiteľoch. Obchodník, ktorý používa túto metódu, si s menšou pravdepodobnosťou vyberie parameter segmentácie, ktorý má v skutočnosti malú hodnotu.

Nevýhodou tejto metódy je, že pri jej použití možno vybrať zhluky, ktoré v skutočnosti neexistujú. To znamená, že výsledné skupiny spotrebiteľov sa v skutočnosti nebudú vyznačovať rovnakým správaním. Povinnou súčasťou klastrovej analýzy by preto mali byť rôzne kontrolné postupy.

Umiestňovanie produktov na trhu je smer marketingovej činnosti pre výber cieľových trhov, ktorý zahŕňa analýzu prvkov marketingového mixu a pozície produktov vo vybraných segmentoch trhu s cieľom identifikovať tie parametre, ktoré prispievajú k získaniu konkurenčných výhod.

Ak všetky podniky vyrábajú rovnaké produkty s rovnakými vlastnosťami, používajú rovnaké metódy propagácie a dodávania produktu a poskytujú podobné služby, potom budú pre spotrebiteľov všetky rovnaké.

Zároveň je dôležité vziať do úvahy pozíciu, ktorú produkt v súčasnosti na trhu zaujíma. Pozícia produktu je názor spotrebiteľov na najdôležitejšie parametre produktu. Charakterizuje miesto, ktoré zaujíma konkrétny produkt v mysliach spotrebiteľov vo vzťahu k produktu konkurentov. Na rozdiel od imidžu produktu, ktorý je skôr emocionálnou charakteristikou, sa pozícia produktu formuje spravidla na základe kvantitatívne meraných parametrov (podiel na trhu, charakteristika produktu, cena a pod.).

  • Výber segmentu trhu zahŕňa určitý postup, ktorý pozostáva z troch etáp.
  • Segmentácia trhu vo svojom vlastnom úzkom zmysle slova - rozdelenie skupín spotrebiteľov, ktoré sa líšia svojimi potrebami, finančnými možnosťami, zvykmi,

Pracujem v odvetví e-mailového marketingu pre stránku s názvom MailChimp.com. Pomáhame klientom vytvárať newslettery pre ich reklamné publikum. Zakaždým, keď niekto nazve našu prácu „vypchávaním pošty“, cítim nepríjemné mrazenie pri srdci.

prečo? Áno, pretože e-mailové adresy už nie sú čierne skrinky, ktoré bombardujete správami ako granáty. Nie, v e-mailovom marketingu (ako aj v iných formách online kontaktu vrátane tweetov, príspevkov na Facebooku a kampaní na Pintereste) podniky získavajú prehľad o tom, ako publikum nadväzuje kontakt na individuálnej úrovni prostredníctvom sledovania kliknutí, online objednávok, distribúcie statusov v sociálne siete atď. Tieto údaje nie sú len rušením. Charakterizujú vaše publikum. Ale pre nezasvätených sú tieto operácie podobné múdrosti gréckeho jazyka. Alebo esperanto.

Ako zhromažďujete údaje o transakciách od svojich zákazníkov (používateľov, predplatiteľov atď.) a používate ich údaje na lepšie pochopenie vášho publika? Keď máte do činenia s množstvom ľudí, je ťažké študovať každého klienta individuálne, najmä ak vás všetci kontaktujú rôznymi spôsobmi. Aj keby ste teoreticky mohli osloviť každého osobne, v praxi je to ťažko realizovateľné.

Musíte si vziať zákaznícku základňu a nájsť strednú cestu medzi náhodným bombardovaním a personalizovaným marketingom pre každého jednotlivého zákazníka. Jedným zo spôsobov, ako dosiahnuť túto rovnováhu, je použiť klastrovanie na segmentáciu vášho zákazníckeho trhu, aby ste mohli osloviť rôzne segmenty vašej zákazníckej základne s rôznym cieleným obsahom, ponukami atď.

Zhluková analýza je zhromažďovanie rôznych predmetov a ich rozdelenie do skupín vlastného druhu. Spoluprácou s týmito skupinami – určením toho, čo majú ich členovia spoločné a čím sa líšia – sa môžete dozvedieť veľa o chaotickom súbore údajov, ktorý máte. Tieto znalosti vám pomôžu robiť lepšie rozhodnutia a na podrobnejšej úrovni ako predtým.

V tomto kontexte sa klastrovanie nazýva prieskumné dolovanie údajov, pretože tieto techniky vám pomáhajú „vytiahnuť“ informácie o vzťahoch v obrovských množinách údajov, ktoré nemôžete vizuálne zachytiť. A objavovanie súvislostí v sociálnych skupinách je užitočné v každom odvetví – odporúčať filmy na základe zvykov cieľového publika, identifikovať kriminálne centrá v meste či zdôvodňovať finančné investície.

Jedným z mojich obľúbených použití klastrovania je zhlukovanie obrázkov: hromadenie súborov obrázkov, ktoré „vyzerajú rovnako“ v počítači. Napríklad v službách hostenia obrázkov, ako je Flickr, používatelia produkujú veľa obsahu a jednoduchá navigácia je nemožná kvôli veľkému počtu fotografií. Ale pomocou techník zhlukovania môžete kombinovať podobné obrázky, čo umožňuje používateľovi prechádzať medzi týmito skupinami ešte pred podrobným triedením.

Strojové učenie pod dohľadom alebo bez dozoru?

Pri prieskumnom dolovaní údajov podľa definície dopredu neviete, aký druh údajov hľadáte. Ste výskumník. Dokážete jasne vysvetliť, kedy dvaja zákazníci vyzerajú podobne a kedy inak, no neviete, ako najlepšie segmentovať zákaznícku základňu. Takže požiadať počítač, aby za vás segmentoval zákaznícku základňu, sa nazýva strojové učenie bez dozoru, pretože nič neovládate – nediktujete počítaču, ako má robiť svoju prácu.

Na rozdiel od tohto procesu je riadené strojové učenie, ktoré sa zvyčajne objaví, keď sa umelá inteligencia dostane na titulnú stránku. Ak viem, že chcem rozdeliť zákazníkov na dve skupiny – povedzme „s najväčšou pravdepodobnosťou kúpia“ a „nepravdepodobné, že si kúpia“ – a nakŕmiť počítač historickými príkladmi takýchto kupujúcich, pričom všetky inovácie aplikujem na jednu z týchto skupín, potom toto je kontrola.

Ak namiesto toho poviem: „Tu je to, čo viem o svojich klientoch, a tu je návod, ako zistiť, či sú iní alebo rovnakí. Povedz mi niečo zaujímavé, “je nedostatok kontroly.

Táto kapitola pojednáva o najjednoduchšej metóde zhlukovania nazývanej k-means, ktorá sa datuje do 50. rokov 20. storočia a odvtedy sa stala štandardom v zisťovaní znalostí databáz (KDR) v odvetviach a vládach.

Metóda k-means nie je matematicky najpresnejšia zo všetkých metód. Vznikla predovšetkým z dôvodov praktickosti a zdravého rozumu – ako afroamerická kuchyňa. Nemá taký šik rodokmeň ako francúzska, no často vychádza v ústrety našim gastronomickým výstrelkom. Zoskupovanie s k-means, ako čoskoro uvidíte, je čiastočne matematické a čiastočne historické (o minulosti spoločnosti, ak je porovnanie v manažérskom vzdelávaní). Jeho nespornou výhodou je intuitívna jednoduchosť.

Pozrime sa, ako táto metóda funguje na jednoduchom príklade.

Dievčatá tancujú s dievčatami, chlapi sa škrabú na hlave

Cieľom zoskupovania k-means je vybrať niekoľko bodov v priestore a premeniť ich na k skupín (kde k je ľubovoľné číslo, ktoré si vyberiete). Každá skupina je definovaná bodkou v strede, ako je vlajka zapustená do mesiaca, ktorá signalizuje: „Hej, tu je stred mojej skupiny! Pridajte sa, ak ste bližšie k tejto vlajke ako k ostatným!“ Toto skupinové centrum (oficiálne nazývané ťažisko klastra) je priemerom názvu k-means.

Zoberme si napríklad školské tance. Ak sa vám podarilo vymazať hrôzu z tejto "zábavky" z pamäti, je mi veľmi ľúto, že sa vám vraciam tak bolestné spomienky.

Hrdinovia nášho príkladu – študenti strednej školy Makakne, ktorí prišli na tanečný večer pod romantickým názvom „Ples na dne mora“, sú roztrúsení po aule, ako je znázornené na obr. 1. Na parkety som dokonca maľoval vo Photoshope, aby som si situáciu ľahšie predstavil.

Ryža. jeden.Študenti gymnázia Makakne sa zoradili v aule

A tu je niekoľko príkladov skladieb, na ktoré budú títo mladí lídri slobodného sveta nemotorne tancovať (v prípade, že chcete hudobný sprievod, napríklad na Spotify):

  • Styx: Poď odplávať
  • Všetko okrem dievčaťa: Chýba
  • Ace of Base: Všetko, čo chce
  • Soft Cell: Tainted Love
  • Montell Jordan
  • Eiffel 65: modrá

Teraz zhlukovanie podľa k-means závisí od počtu zhlukov, do ktorých chcete prítomných rozdeliť. Začnime tromi klastrami (neskôr v tejto kapitole zvážime výber k). Algoritmus umiestni tri vlajky na podlahu montážnej haly nejakým platným spôsobom, ako je znázornené na obr. 2, kde vidíte 3 počiatočné vlajky rozdelené podľa pohlavia a označené čiernymi krúžkami.

Ryža. 2. Umiestnenie počiatočných stredov zhlukov

Pri zoskupovaní k-means sú tanečníci pripútaní k svojmu najbližšiemu stredu zoskupenia, takže je možné nakresliť demarkačnú líniu medzi akýmikoľvek dvoma stredmi na podlahe. Ak je teda tanečník na jednej strane línie, patrí do jednej skupiny, ak na druhej strane, tak do druhej (ako na obr. 3).

Ryža. 3.Čiary označujú hranice zhlukov

Pomocou týchto demarkačných čiar rozdelíme tanečníkov do skupín a podľa toho ich vyfarbíme, ako na obr. 4. Tento diagram, ktorý rozdeľuje priestor na polygóny definované blízkosťou jedného alebo druhého stredu klastra, sa nazýva Voronoiov diagram.

Ryža. 4. Zoskupenie podľa zhlukov označených rôznymi vzormi pozadia na Voronoiho diagrame

Pozrime sa na naše počiatočné rozdelenie. Niečo nie je v poriadku, však? Priestor je rozdelený dosť zvláštnym spôsobom: ľavá spodná skupina zostáva prázdna a na hranici pravej hornej skupiny je naopak veľa ľudí.

Algoritmus zhlukovania k-means presúva stredy klastrov po podlahe, kým nedosiahne najlepší výsledok.

Ako určiť „najlepší výsledok“? Každá prítomná osoba je v určitej vzdialenosti od svojho stredu klastra. Čím kratšia je priemerná vzdialenosť od účastníkov do stredu ich skupiny, tým lepší je výsledok.

Teraz si predstavíme slovo „minimalizácia“ – bude sa vám veľmi hodiť pri optimalizácii modelu pre lepšie umiestnenie klastrových centier. V tejto kapitole prinútite Riešiteľa presúvať centrá klastrov nespočetnekrát. Spôsob, ktorý Riešiteľ používa na nájdenie najlepšieho miesta pre centrá klastrov, je pomaly ich opakovane presúvať po povrchu, opravovať najlepšie nájdené výsledky a spájať ich (doslova sa páriť ako dostihové kone), aby sa našla najlepšia poloha.

Ak teda schéma na obr. 4 vyzerá dosť bledo, "Hľadať riešenie" môže zrazu usporiadať stredy ako na obr. 5. Priemerná vzdialenosť medzi každým tanečníkom a jeho stredom sa teda mierne zníži.

Ryža. 5. Mierne posunutie stredov

Je zrejmé, že skôr či neskôr si Hľadanie riešenia uvedomí, že stredy by mali byť umiestnené v strede každej skupiny tanečníkov, ako je znázornené na obr. 6.

Ryža. 6. Optimálne zhlukovanie pri školských tancoch

Dobre! Takto vyzerá ideálne zhlukovanie. Clusterové centrá sú umiestnené v strede každej skupiny tanečníkov, čím sa minimalizuje priemerná vzdialenosť medzi tanečníkom a najbližším centrom. Teraz, keď je zhlukovanie hotové, je čas prejsť k zábavnej časti, ktorá sa snaží zistiť, čo tieto zhluky znamenajú.

Ak poznáte farbu vlasov tanečníkov, ich politické preferencie alebo čas, za ktorý prešli sto metrov, tak zhlukovanie nemá veľký zmysel.

Ale akonáhle sa rozhodnete určiť vek a pohlavie prítomných, začnete vidieť niektoré všeobecné trendy. Malú skupinu dole tvoria starší ľudia, s najväčšou pravdepodobnosťou sprevádzajúci. Skupina vľavo sú všetci chlapci a skupina vpravo sú všetky dievčatá. A všetci sa veľmi bojí tancovať medzi sebou.

Metóda k-means vám teda umožnila rozdeliť veľa účastníkov tanca do skupín a dať do súladu charakteristiky každého účastníka s príslušnosťou ku konkrétnemu zoskupeniu, aby ste pochopili dôvod oddelenia.

Teraz si asi hovoríte: „No tak, aký nezmysel. Odpoveď som poznal už pred štartom. Máš pravdu. V tomto príklade áno. Zámerne som uviedol taký príklad "hračky", aby som si bol istý, že to vyriešite iba pohľadom na bodky. Dej sa odohráva v dvojrozmernom priestore, v ktorom sa zhlukovanie uskutočňuje elementárne pomocou očí.

Čo ak však prevádzkujete obchod, ktorý predáva tisíce produktov? Niektorí kupujúci uskutočnili jeden alebo dva nákupy za posledné dva roky. Iné sú desiatky. A každý si kúpil niečo iné.

Ako ich zoskupíte na takomto „tanečnom parkete“? Začnime tým, že tento tanečný parket nie je dvojrozmerný a už vôbec nie trojrozmerný. Ide o tisícrozmerný priestor predaja tovaru, v ktorom kupujúci v jednotlivých dimenziách produkt zakúpil alebo nekúpil. Pozrite sa, ako rýchlo problém zhlukovania presahuje možnosti „oka prvej kategórie“, ako radi hovoria moji vojenskí priatelia.

Skutočný život: K-Means Clustering v e-mailovom marketingu

Prejdime ku konkrétnemu prípadu. Venujem sa email marketingu, tak uvediem príklad zo života Mailchimp.com, kde pôsobím. Rovnaký príklad bude fungovať pre maloobchodné údaje, údaje o konverzii reklamy, sociálne médiá atď. Interaguje s takmer akýmkoľvek typom údajov súvisiacich s doručovaním reklamných materiálov zákazníkom, po ktorých si vás bezpodmienečne vyberú.

Veľkoobchodný predaj Wine Empire Joey Bag O'Donuts

Predstavte si na chvíľu, že žijete v New Jersey, kde prevádzkujete veľkoobchodný obchod s vínom Joey Bag O'Donuts. Ide o import-export, ktorého účelom je dovážať obrovské množstvá vína zo zahraničia a predávať ho do určitých obchodov s alkoholom v okolí. Obchod funguje tak, že Joey cestuje po celom svete a hľadá neuveriteľné ponuky s množstvom vína, posiela mu ho do Jersey a je len na vás, či ho vložíte do obchodov a zarobíte.

Kupcov nájdete mnohými spôsobmi: stránka na Facebooku, účet na Twitteri, niekedy dokonca aj direct mail – napokon, e-maily „propagujú“ väčšinu typov podnikania. Minulý rok ste posielali jeden list mesačne. Zvyčajne každé písmeno popisuje dve alebo tri ponuky, povedzme jednu so šampanským a druhú s malbecom. Niektoré ponuky sú úžasné - 80% alebo viac. Výsledkom bolo, že ste za rok urobili asi 32 obchodov a všetky prebehli viac-menej hladko.

Ale to, že veci idú dobre, neznamená, že sa nemôžu zlepšiť. Bolo by užitočné pochopiť pohnútky ich zákazníkov trochu hlbšie. Samozrejme, keď sa pozriete na konkrétnu objednávku, uvidíte, že jeden Adams si v júli kúpil nejaké perlivé s 50% zľavou, ale nemôžete určiť, čo ho prinútilo kúpiť. Páčilo sa mu minimálne objednávacie množstvo jedného kartónu so šiestimi fľašami alebo cena, ktorá ešte nedosiahla maximum?

Bolo by fajn, keby sme zoznam klientov mohli rozdeliť do záujmových skupín. Potom by ste mohli upravovať listy pre každú skupinu samostatne a možno by ste tým podporili podnikanie ešte viac. Akákoľvek ponuka vhodná pre túto skupinu sa môže stať predmetom listu a môže byť uvedená v prvom odseku textu. Tento typ cielenej pošty môže spôsobiť masívnu explóziu predaja!

Je možné nechať počítač robiť prácu za vás. Pomocou zoskupovania k-means môžete nájsť najlepšie zoskupenie a potom sa pokúsiť zistiť, prečo je najlepšie.

Počiatočný súbor údajov

Excelový dokument, ktorý budeme analyzovať v tejto kapitole, sa nachádza na webovej stránke knihy. Obsahuje všetky pôvodné údaje pre prípad, že by ste s nimi chceli pracovať. Alebo môžete jednoducho sledovať text tak, že sa pozriete na zvyšok hárkov v dokumente.

Na začiatok máte dva zaujímavé zdroje údajov:

  • metadáta pre každú objednávku sú uložené v tabuľke vrátane odrody, minimálneho množstva vína na objednávku, maloobchodnej zľavy, či bol prekročený cenový limit a krajiny pôvodu. Tieto údaje sú umiestnené na karte s názvom OfferInformation, ako je znázornené na obr. 7;
  • Ak viete, ktorí zákazníci si čo objednávajú, môžete tieto informácie vytriasť z MailChimpu a vložiť ich do tabuľky s metadátami ponuky na karte Transakcie. Ide o premenlivé údaje prezentované tak, ako je znázornené na obr. 8, veľmi jednoduché: kupujúci a jeho objednávka.

Ryža. 7. Podrobnosti o posledných 32 objednávkach

Ryža. osem. Zoznam objednávok podľa zákazníkov

Určujeme predmet meraní

A tu je úloha. V probléme školských tancov nebolo meranie vzdialenosti medzi prítomnými a určenie stredov klastrov ťažké, však? Musíte len nájsť tú správnu ruletu! Ale čo teraz robiť?

Viete, že minulý rok bolo 32 ponúk akcií a v samostatnej záložke máte zoznam 324 objednávok rozdelených podľa kupujúcich. Ak však chcete zmerať vzdialenosť od každého zákazníka k stredu klastra, musíte ho umiestniť do tohto priestoru s 32 obchodmi. Inými slovami, musíte zistiť, aké obchody neuzavreli, a vytvoriť maticu obchodov podľa zákazníka, kde každý zákazník dostane svoj vlastný stĺpec s 32 bunkami obchodov, vyplnenými jednotkami, ak boli obchody uzavreté, a nulami, ak sa tak nestalo. .

Inými slovami, musíte vziať túto riadkovú tabuľku obchodov a premeniť ju na maticu so zákazníkmi na vertikále a ponukami na horizontále. Najlepším spôsobom, ako ho vytvoriť, sú kontingenčné tabuľky.

Algoritmus akcie: na pracovnom hárku s variabilnými údajmi vyberte stĺpce A a B a potom vložte kontingenčnú tabuľku. Pomocou Sprievodcu kontingenčnou tabuľkou jednoducho vyberte ponuky ako hlavičku riadka a kupujúcich ako hlavičku stĺpca a vyplňte tabuľku. Bunka bude mať 1, ak pár klient-dohoda existuje, a 0, ak neexistuje (v tomto prípade sa 0 zobrazí ako prázdna bunka). Výsledkom je tabuľka znázornená na obr. 9.

Ryža. 9. Kontingenčná tabuľka "klient-deal"

Teraz, keď máte informácie o objednávke v maticovom formáte, skopírujte hárok OfferInformation a pomenujte ho Matrix. Do tohto nového hárka prilepte hodnoty z kontingenčnej tabuľky (nie je potrebné kopírovať a prilepovať číslo obchodu, pretože už je v informáciách o objednávke), počnúc stĺpcom H. Mali by ste skončiť s rozšírenou verziou matice , doplnené o informácie o objednávke, ako na obr. 10.

Ryža. 10. Popis obchodu a údaje objednávky zlúčené do jednej matice

Štandardizácia údajov

V tejto kapitole je každá dimenzia vašich údajov reprezentovaná rovnakým spôsobom ako binárne informácie o objednávkach. Ale v mnohých situáciách zhlukovania to nemôžeme urobiť. Predstavte si scenár, v ktorom sú ľudia zoskupení podľa výšky, hmotnosti a platu. Všetky tieto tri typy údajov majú rôzne rozmery. Výška sa môže pohybovať od 1,5 do 2 metrov, zatiaľ čo hmotnosť - od 50 do 150 kg.

V tomto kontexte sa meranie vzdialenosti medzi zákazníkmi (ako medzi tanečníkmi v tanečnej sále) stáva mätúcou záležitosťou. Preto je bežné štandardizovať každý stĺpec údajov odčítaním priemeru a následným delením podľa miery variácie nazývanej štandardná odchýlka. Všetky stĺpce sú teda zredukované na jednu hodnotu, ktorá sa kvantitatívne mení okolo 0.

Začnime so štyrmi klastrami

Teraz sú všetky vaše údaje zredukované do jediného vhodného formátu. Ak chcete začať klastrovanie, musíte zvoliť k - počet klastrov v algoritme k-means. Často sa k-stredy používajú takto: vezmite súbor rôznych k a otestujte ich jeden po druhom (ako ich vybrať, vysvetlím neskôr), ale len začíname - takže vyberieme len jeden.

Budete potrebovať niekoľko klastrov, ktoré sú vhodné pre to, čo chcete robiť. Zjavne nemáte v úmysle vytvoriť 50 zhlukov a poslať 50 cielených propagačných e-mailov niekoľkým chlapom z každej skupiny. To okamžite zbavuje naše cvičenie zmyslu. V našom prípade potrebujeme niečo malé. Začnite tento príklad so 4 – v ideálnom svete by ste pravdepodobne rozdelili svoj zoznam klientov na 4 zrozumiteľné skupiny po 25 ľudí (čo je v skutočnosti nepravdepodobné).

Ak teda máte rozdeliť kupujúcich do 4 skupín, aký je najlepší spôsob ich výberu?

Namiesto pokazenia pekného hárku Matrix skopírujte údaje do nového hárku a pomenujte ho 4MC. Teraz môžete vložiť 4 pruhy za vysokú cenu v pruhoch H až K, ktoré budú stredmi klastra. (Ak chcete vložiť stĺpec, kliknite pravým tlačidlom myši na stĺpec H a vyberte možnosť Prilepiť. Stĺpec sa zobrazí vľavo.) Pomenujte tieto klastre Klaster 1 až Klaster 4. Môžete na ne použiť aj podmienené formátovanie a kedykoľvek ich nastavíte, môžete vidieť, akí sú rozdielni.

Hárok 4MC sa zobrazí ako na obr. jedenásť.

Ryža. jedenásť. Prázdne stredy klastra umiestnené na hárku 4MC

V tomto prípade sú všetky stredy klastrov nuly. Technicky však môžu byť čokoľvek a čo sa vám bude obzvlášť páčiť – podobne ako na školských tancoch sú rozmiestnené tak, aby minimalizovali vzdialenosť medzi každým zákazníkom a jeho centrom klastra.

Je zrejmé, že tieto centrá budú mať hodnoty od 0 do 1 pre každú transakciu, pretože všetky klientske vektory sú binárne.

Čo však znamená „merať vzdialenosť medzi centrom klastra a kupujúcim“?

Euklidovská vzdialenosť: meranie vzdialeností priamo vpred

Pre každého zákazníka máte samostatný stĺpec. Ako merať vzdialenosť medzi nimi? V geometrii sa tomu hovorí „najkratšia cesta“ a výsledná vzdialenosť je euklidovská vzdialenosť.

Vráťme sa na chvíľu do montážnej haly a skúsme prísť na to, ako tam vyriešiť náš problém.

Umiestnime súradnicové osi na podlahu a na obr. 12 uvidíme, že v bode (8,2) máme tanečníka a v bode (4,4) máme stred klastra. Na výpočet euklidovskej vzdialenosti medzi nimi si budete musieť zapamätať Pytagorovu vetu, ktorú poznáte už zo školy.

Ryža. 12. Tanečnica na (8,2) a klastrové centrum na (4,4)

Tieto dva body sú od seba vzdialené 8 - 4 = 4 metre vertikálne a 4 - 2 = 2 metre horizontálne. Podľa Pytagorovej vety je štvorec vzdialenosti medzi dvoma bodmi 4L2 + 2L2 = 20 metrov. Odtiaľto vypočítame samotnú vzdialenosť, ktorá sa bude rovnať druhej odmocnine z 20, čo je približne 4,47 m (ako na obr. 13).

Ryža. trinásť. Euklidovská vzdialenosť sa rovná druhej odmocnine súčtu vzdialeností v každom smere

V kontexte odberateľov newslettra máte viac ako dva rozmery, no platí rovnaký koncept. Vzdialenosť medzi kupujúcim a centrom klastra sa vypočíta tak, že sa vezme rozdiel medzi dvoma bodmi pre každý obchod, umocní sa, pripočítajú sa a odmocnina. Napríklad na hárku 4MC chcete poznať euklidovskú vzdialenosť medzi stredom klastra 1 v stĺpci H a objednávkami zákazníka Adamsa v stĺpci L.

V bunke L34 v rámci Adamsových príkazov môžete vypočítať rozdiel medzi Adamsovým vektorom a stredom klastra, odmocniť ho, sčítať a potom odmocniť pomocou nasledujúceho vzorca poľa (skontrolujte absolútne referencie, čo vám umožní pretiahnuť tento vzorec vpravo alebo dole bez zmeny odkazu na stred klastra):


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

Mal by sa použiť vzorec poľa (napíšte vzorec a stlačte Ctrl+Shift+Enter alebo Cmd+Return v systéme MacOS, ako je vysvetlené v kapitole 1), pretože časť (L2:L33-H2:H33)^2 potrebuje vedieť, kde sa výpočet rozdielov a ich umocnenie, krok za krokom. Konečným výsledkom je však jediné číslo, v našom prípade 1,732 (ako na obrázku 14). Má nasledujúci význam: Adams uskutočnil tri obchody, ale keďže počiatočné stredy klastra sú nuly, odpoveď sa bude rovnať druhej odmocnine z 3, konkrétne 1,732.

Ryža. 14. Vzdialenosť medzi stredom klastra 1 a Adamsom

V tabuľke na obr. Na obrázku 2-14 som ukotvil horný riadok (pozri kapitolu 1) medzi stĺpce G a H a pomenoval som riadok 34 v bunke G34 „Vzdialenosť ku klastri 1“, len aby som videl, čo je kde, keď posúvam stránku nadol.

Vzdialenosti a príslušnosť do klastra pre každého!

Teraz viete, ako vypočítať vzdialenosť medzi vektorom objednávky a stredom klastra.

Je čas pridať Adamsovi výpočet vzdialeností k zostávajúcim stredom klastra potiahnutím bunky L34 nadol na L37 a potom manuálne zmeniť odkaz na stred klastra zo stĺpca H do stĺpca I, J a K v bunkách nižšie. Výsledkom by mali byť nasledujúce 4 vzorce v 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(SUM((L$2:L$33-$K$2:$K$33)A2)))

Keďže ste použili absolútne prepojenia pre stredy klastrov (čo znamená znak $ vo vzorcoch, ako je uvedené v kapitole 1), môžete pretiahnuť L34:L37 do DG34:DG37 a vypočítať vzdialenosť od každého zákazníka ku všetkým štyrom klastrom. stredísk. Označte riadky v stĺpci G v bunkách 35 až 37 „Vzdialenosť do klastra 2“ atď. Novo vypočítané vzdialenosti sú znázornené na obrázku 2. 15.

Ryža. 15. Výpočet vzdialeností od každého zákazníka do všetkých centier klastra

Teraz poznáte vzdialenosť každého klienta od všetkých štyroch centier klastra. Ich rozdelenie medzi zhluky sa uskutočnilo podľa najkratšej vzdialenosti v dvoch krokoch nasledovne.

Najprv sa vráťme k Adamsovi v stĺpci L a vypočítajme minimálnu vzdialenosť od stredu klastra v bunke L38. Je to jednoduché:

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

Na výpočet používame vzorec match/searchpos (podrobnejšie v kapitole 1). Po vložení do L39 môžete vidieť číslo bunky z intervalu L34:L37 (počítajúc každú v poradí od 1), ktorý je v minimálnej vzdialenosti:

Zhoda(L38,L34:L37,0) =searchpos(L38,L34:L37,0)

V tomto prípade je vzdialenosť rovnaká pre všetky štyri zhluky, takže vzorec vyberie prvý (L34) a vráti 1 (obrázok 16).

Ryža. šestnásť. Pridanie klastrových väzieb do hárka

Tieto dva vzorce môžete tiež presunúť na DG38: DG39. Pre lepšiu organizáciu pridajte názvy riadkov 38 a 39 do buniek 38 a 39 stĺpca G „Minimálna vzdialenosť klastra“ a „Priradený klaster“.

Hľadanie riešení pre klastrové centrá

Vaša tabuľka bola aktualizovaná s výpočtom vzdialenosti a klastrovou väzbou. Teraz, aby ste určili najlepšiu polohu centier klastra, musíte nájsť také hodnoty v stĺpcoch od H do K, ktoré minimalizujú celkovú vzdialenosť medzi zákazníkmi a centrami klastra, ku ktorým sú pridružené, uvedené v riadku 39 pre každý zákazníka.

Keď počujete slovo „minimalizovať“, začína sa fáza optimalizácie a optimalizácia sa vykonáva pomocou „Hľadať riešenie“.

Ak chcete použiť vyhľadávanie riešenia, budete potrebovať bunku pre výsledky, takže v A36 zhrnieme všetky vzdialenosti medzi kupujúcimi a ich centrami klastra:

SUM(L38:DG38)
=CMMA(L3 8:DG3 8)

Tento súčet vzdialeností od klientov k ich najbližším klastrovým centrám je presne tou objektívnou funkciou, s ktorou sme sa stretli skôr pri klastrovaní posluchárne McAcne High School. Ale euklidovská vzdialenosť so svojimi mocninami a odmocninami je obludne nelineárna funkcia, takže namiesto simplexnej metódy musíte použiť algoritmus evolučného riešenia.

Túto metódu ste už použili v kapitole 1. Simplexný algoritmus, ak je možné ho použiť, funguje rýchlejšie ako ostatné, ale nedá sa použiť na výpočet koreňov, štvorcov a iných nelineárnych funkcií. Rovnako zbytočný je OpenSolver, ktorý používa simplexný algoritmus, aj keď sa zdá, že bral steroidy.

V našom prípade evolučný algoritmus zabudovaný do Hľadanie riešenia využíva kombináciu náhodného vyhľadávania a vynikajúceho „prekríženého“ riešenia na nájdenie efektívnych riešení, podobne ako evolúcia v biologickom kontexte.

Máte všetko, čo potrebujete na nastavenie úlohy pred „Hľadať riešenie“:

  • cieľ: minimalizovať celkové vzdialenosti od kupujúcich k ich centrám klastrov (A36);
  • premenné: vektor každej transakcie vo vzťahu k stredu klastra (Н2:К33);
  • podmienky: stredy klastrov musia mať hodnoty medzi 0 a 1.

Odporúča sa prítomnosť "Hľadaj riešenie" a kladivo. Nastavili sme úlohu "Hľadanie riešenia": minimalizovať A36 zmenou hodnôt H2:K33 s podmienkou H2:K33<=1, как и все векторы сделок. Убедитесь, что переменные отмечены как положительные и выбран эволюционный алгоритм (рис. 17).

Ryža. 17. Nastavenia riešiteľa pre 4-centrové klastrovanie

Stanovenie cieľa však nie je všetko. Budete sa musieť trochu zapotiť pri výbere potrebných možností pre evolučný algoritmus kliknutím na tlačidlo "Parametre" v okne "Vyhľadať riešenie" a prejdením do okna nastavení. Odporúčam vám nastaviť maximálny čas na ďalších 30 sekúnd, v závislosti od toho, ako dlho ste ochotní čakať, kým „Hľadanie riešení“ zvládne svoju úlohu. Na obr. 18 Moju som nastavil na 600 sekúnd (10 minút). Takto môžem spustiť „Hľadať riešenie“ a ísť na obed. A ak máte chuť to predčasne prerušiť, stačí kliknúť na Escape a skončiť s najlepším riešením, aké dokáže nájsť.

Ryža. osemnásť. Parametre evolučného algoritmu

Kliknite na Spustiť a sledujte, ako Excel robí svoju prácu, kým sa evolučný algoritmus nezblíži.

Význam výsledkov

Hneď ako vám „Hľadať riešenie“ poskytne optimálne centrá klastrov, zábava sa začína. Poďme na skupiny! Na obr. Na obrázku 19 môžeme vidieť, že Solver našiel optimálnu celkovú vzdialenosť 140,7 a všetky štyri stredy klastrov – vďaka podmienenému formátovaniu! - vyzerať úplne inak.

Ryža. devätnásť.Štyri optimálne centrá klastra

Majte na pamäti, že vaše centrá klastrov sa môžu líšiť od tých, ktoré sú uvedené v knihe, pretože evolučný algoritmus používa náhodné čísla a odpoveď je zakaždým iná. Klastre môžu byť úplne odlišné alebo, čo je pravdepodobnejšie, v inom poradí (napríklad môj klaster 1 môže byť veľmi blízko vášmu zhluku 4 atď.).

Keďže ste pri vytváraní hárku vložili obchodné popisy do stĺpcov B až G, teraz si môžete prečítať podrobnosti na obr. 19, čo je dôležité pre pochopenie myšlienky klastrových centier.

Pre klaster 1 v stĺpci H sa pri podmienenom formátovaní vyberú ponuky 24, 26, 17 a v menšom rozsahu aj 2. Keď si prečítate popisy týchto obchodov, môžete vidieť, čo majú všetky spoločné: všetky boli vykonané na Pinot Noir.

Pri pohľade na stĺpec I môžete vidieť, že všetky zelené bunky majú nízky minimálny počet. Ide o kupujúcich, ktorí nie sú ochotní počas transakcie nakupovať veľké množstvá.

Ale ďalšie dve klastrové centrá, úprimne povedané, je ťažké interpretovať. Čo keby ste sa namiesto výkladu klastrových centier pozreli na samotných kupujúcich v klastri a určili, aké ponuky sa im páčia? To by mohlo vniesť do problematiky jasnosť.

Hodnotenie obchodov klastrovou metódou

Namiesto toho, aby sme zisťovali, ktoré vzdialenosti ku ktorému stredu klastra sú bližšie k 1, skontrolujme, kto je viazaný na ktorý klaster a aké ponuky preferuje.

Ak to chcete urobiť, začnime skopírovaním hárku OfferInformation. Kópiu nazvime 4MS - TopDealsByCluster. Očíslujte stĺpce od H po K na tomto novom hárku od 1 do 4 (ako na obrázku 20).

Ryža. dvadsať. Vytvorenie tabuľky na výpočet popularity obchodov pomocou zhlukov

Na hárku 4MC ste mali klastrové kotvy od 1 do 4 na riadku 39. Všetko, čo musíte urobiť, aby ste spočítali ponuky podľa klastra, je pozrieť sa na názvy stĺpcov od H po K na hárku 4MC - TopDealsByCluster, pozrite sa, ktorý pracovný hárok bol 4MS viazané na tento klaster v riadku 39 a potom sčítali počet svojich transakcií v každom riadku. Takto získame celkový počet kupujúcich v tomto klastri, ktorí uskutočnili transakcie.

Začnime bunkou H2, ktorá obsahuje počet kupujúcich klastra 1, ktorí prijali ponuku č. 1, konkrétne januárový malbec. Musíte pridať hodnoty buniek v rozsahu L2: DG2 na hárku 4MC, ale iba zákazníkov z 1 klastra, čo je klasický príklad použitia vzorca sumif / sumif. Vyzerá to takto:

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)

Tento vzorec funguje takto: dodáte mu nejaké podmienené hodnoty, ktoré skontroluje v prvej časti „4MC“!$L$39:$DG$39,“4MC, potom ho porovná s 1 v hlavičke stĺpca („4MC – TopDealsByCluster"! H$1 ) a potom pre každú zhodu pridá túto hodnotu do riadku 2 v tretej časti vzorca "4MC"!$L2:$DG2.

Všimnite si, že ste použili absolútne referencie ($ vo vzorci) pred čímkoľvek súvisiacim s väzbou klastra, číslom riadku v hlavičkách stĺpcov a písmenom stĺpca pre dokončené obchody. Ak nastavíte tieto prepojenia na absolútne, môžete pretiahnuť vzorec kdekoľvek z H2:K33 a vypočítať počet obchodov pre iné centrá klastra a kombinácie obchodov, ako na obrázku 2. 21. Aby boli tieto stĺpce čitateľnejšie, môžete na ne použiť aj podmienené formátovanie.

Ryža. 21. Celkový počet ponúk na ponuku rozdelených podľa skupín

Výberom stĺpcov A až K a použitím automatického filtrovania môžete tieto údaje zoradiť. Zoradením stĺpca H od najmenšieho po najväčší uvidíte, ktoré transakcie sú najobľúbenejšie v zhluku 1 (obr. 22).

Ryža. 22. Klastrové triedenie 1. Pinot, Pinot, Pinot!

Ako som už spomenul, štyri najväčšie obchody pre tento klaster sú pinos. Títo chlapi zjavne zneužívajú film Sideways. Ak zoradíte zhluk 2, potom vám bude celkom jasné, že ide o malých veľkoodberateľov (obr. 23).

Ale keď triedite klaster 3, nie je také ľahké nič pochopiť. Veľké ponuky sa dajú spočítať na prstoch a rozdiel medzi nimi a zvyškom nie je taký zrejmý. Najpopulárnejšie ponuky však stále majú niečo spoločné - celkom dobré zľavy, 5 zo 6 najväčších ponúk je na šumivé víno a Francúzsko je výrobcom 3 zo 4 z nich. Tieto predpoklady sú však nejednoznačné.

Čo sa týka klastra 4, týmto chlapcom sa augustová ponuka na šampanské z nejakého dôvodu očividne páčila. Taktiež 5 zo 6 najväčších transakcií sa týka francúzskeho vína a 9 z 10 najväčších obchodov sa týka veľkého objemu tovaru. Možno je to veľký veľkoobchodný klaster smerujúci k francúzskym vínam? Priesečník zhlukov 3 a 4 je tiež znepokojujúci.