МАРКЕТИНГ

Методы, не выделяющие зависимые и независимые переменные

Оставшиеся методики рыночного анализа не разбивают переменные на зависимые и независимые. Вместо этого они рассматривают все переменные вместе и смотрят на связь между ними. Самый простой подход — корреляционный анализ, который изучает взаимоотношения между метрическими переменными. Если коэффициент корреляции 0, переменные не связаны; если 1, они имеют строгую функциональ­ную зависимость. Корреляционный анализ редко применяется в качестве единствен­ного средства анализа. Однако он полезен, если используется перед построением уравнения регрессии и другими методиками, чтобы убрать избыточные переменные, которые отнимают время и делают анализ неубедительным.

Факторный анализ, как корреляционный анализ, сам по себе часто является промежуточной методикой, однако у него есть много прямых и ценных примене­ний. Этот метод не рассматривает взаимоотношения между отдельными перемен­ными, а находит группы аналогичных переменных. У этого метода есть очень цен­ные точки приложения. Там, где исследователь рынка раньше измерял большое количество переменных, они сокращаются до меньшего набора объединенных пе­ременных. Каждая из этих объединенных переменных имеет то преимущество, что она независима от других и тем самым идеально подходит для применения в регрессии или кластерном анализе. В течение последних 10 лет факторный ана­лиз стал фундаментом для обоснования серии тестов в рыночном исследовании (Churchill and Peter, 1984). Он применяется либо в качестве своего рода разведки для выяснения того, какие переменные можно скомбинировать, либо в качестве подтверждения предположения связи между переменными.

Кластерный анализ имеет одно основное приложение в маркетинге — иденти­фикацию рыночных сегментов. Традиционное априорное сегментирование делит рынок, используя критерий, такой как возраст или отрасль промышленности, выбранный заранее. В процессе сегментирования, основанном на кластерах, для определения одинаковых групп используются данные по демографическим, пси­хографическим характеристикам потребителей или их стилю жизни. AID — дру­гой способ нахождения кластеров. В то время как AID последовательно делит ин­формацию пополам, затем на четыре части, затем на восемь, кластерный анализ смотрит на все переменные одновременно и, как правило, использует иерархиче­скую прогрессию, которая начинается с рассмотрения всех потребителей как ин­дивидов. Затем кластерный анализ стремится найти пару потребителей, в наи­большей степени похожих друг на друга, и объединяет их, формируя группу, или кластер, до тех пор, пока не появится легко управляемое количество класте­ров. В отличие от методов, рассмотренных ранее, кластерный анализ — своего рода упаковочная коробка для целого ряда техник, которые делают различные до­пущения относительно того, как измерять расстояние, разделяющее группы, как объединять в группы похожие или простые индивидуальные данные, простота ко­торых делает их похожими. Разнообразие методик в пределах кластерного анали­за может причинять хлопоты, поскольку оно означает, что ответ зависит от приме­ненной технологии. К счастью, к настоящему времени существует достаточно обширная история этого метода, показывающая наилучшие практики его приме­нения (Saunders, 1994), которые дают надежные и имеющие смысл результаты. Тем не менее открытость кластерного анализа такова, что обоснование результа­тов имеет важнейшее значение. Это обычно означает использование дискрими­нантного анализа для проверки достоверности результатов.

Метод многомерного шкалирования (MDS — multi-dimensional scaling) имеет очень специфическое, но мощное применение на рынках. MDS изучает ощущения и дает способ интегрировать собранные данные в карты восприятия. В этом слу­чае обычно значимой характеристикой является ценность товара, например важ­ность цвета для выбора hi-fi системы по сравнению с альтернативными. MDS-ана­лиз изучает концепции, чтобы найти «ценную часть» каждого элемента. Сила MDS состоит в способности выяснять эту информацию без обращения к исчерпы­вающему набору перестановок и комбинаций характеристик продукта. MDS дает результаты по каждому опрошенному лицу, которые анализируются в рамках выборки с помощью кластерного анализа, чтобы сформировать сегменты. Резуль­тат может показать, что один сегмент покупателей машин не готов платить за дополнительную мощность, но будет вполне рад заплатить за качества, облегча­ющие использование продукта. Напротив, другой сегмент может не пожелать платить за внешний вид, но с готовностью заплатит за улучшенные характеристи­ки и мощность.

Многомерное шкалирование похоже на кластерный анализ, поскольку тоже включает ряд методик, направленных на одну проблему, в данном случае на со­ставление карт восприятия клиентами предложений на рынке. Рисунок 4 пока­зывает типичную карту, изготовленную с помощью этого метода на основе ин­формации по тематическим паркам отдыха. На этом рисунке пространство — не географическое расстояние между парками, а психологическое пространство. Кар­та показывает, насколько близко клиент видит центры отдыха в своем сознании, и параметры, которые он применяет. Помимо визуализации рынка карты, про­изведенные с помощью многомерного шкалирования, могут помочь позициони-

ровать продукты. Зная расположение сегментов, конкурентов и базовых пара­метров, которые описывают существующие позиции продуктов, менеджеры мо­гут определить, как их позиционировать.

Анализ рынка - резюме

Многовариантные методы, описанные здесь, получили название многовариант­ных джунглей (Hooley, 1980). Действительно, разнообразие и сложность методов таковы, что они могут показаться темным, пугающим и загадочным лесом для людей, не сталкивавшихся с ними. Так же как и джунгли, многовариантные мето­ды — богатый источник идей и вдохновения. Они могут помочь менеджерам по­нять сложные ситуации и навести порядок в больших объемах информации. Не­многие менеджеры, похоже, в состоянии применять эти методы без посторонней помощи, но они в состоянии понять, что именно могут сделать различные подхо­ды и каковы их ограничения. После того как вы смогли представить рынки мето­дом многомерного шкалирования, видеть их традиционным способом — все равно что ограничиваться черным и белым цветами, когда доступны все «живые» цвета. Было время, когда требования, выдвигаемые этими методами к расчетам, делали их недоступными для большинства пользователей, но теперь все они доступны в простой и удобной для работы форме. Главное требование они предъявляют к сбо­ру и пониманию данных, а не к расчетам.