МАРКЕТИНГ

Анализ рынка

Существует множество математических методов для анализа рынка. Они разли­чаются по своему происхождению и применению, но общее у них — мультивари­антность, т. е. манипулирование многими переменными одновременно. Это озна­чает, что можно анализировать много переменных и наблюдений (например, людей) в одно и то же время. В результате достигается более глубокое проникно­вение в суть вопроса, чем если бы менеджеры просто просматривали данные.

Таблица 5 показывает некоторые из этих методов. П. Гринидр. (Greenetal., 1988), Г. Хули (Hooley, 1994) дают их обзор более подробно. Методы сгруппированы в соот­ветствии с их существенными чертами; основными являются: группа методов, разде­ляющих переменные на результирующую (зависимую) и предикторы (независимые переменные), и группа методов, которые не используют этот подход.

Методы, выделяющие зависимые и независимые переменные

Предыдущее обсуждение маркетинговых моделей базировалось главным образом на регрессионном анализе. Это первый метод, который представлен также и здесь.

Примечания:

* Метод многомерной классификации. **Многомерное шкалирование.

Варианты подходов к рассмотренному регрессионному анализу типичны для каж­дого из существующих методов рыночного анализа.

В то время как регрессионный анализ выделяет единственную зависимую пе­ременную, канонический корреляционный анализ — две или более. Это может быть очень полезно в рыночном исследовании, где нужно знать влияние факторов на многих стадиях покупательского поведения, например отношение клиента, его готовность покупать и его уровень потребления марочного товара. На все эти па­раметры оказывает влияние тот же самый набор независимых переменных. Кано­нический корреляционный анализ изучает воздействие независимых переменных на каждую из результирующих переменных одновременно. Тем самым появляет­ся возможность гораздо глубже проникнуть в поведение покупателя, чем при ис­пользовании единственной зависимой переменной в регрессии.

Пробит и логит анализ[9] полезен, когда в регрессии нельзя использовать не­ограниченную результирующую переменную. В регрессионном анализе зависи­мая переменная метрическая, это значит, что она может принимать любое поло­жительное или отрицательное значение. Пробит и логит анализ полезен, когда эта черта не подходит для использования, например когда цель — дать прогноз, будет ли потребитель покупать данный продукт или нет. Ответ должен быть либо «да», либо «нет», т. е. вероятность результата должна лежать между 0 и 1. Помимо того что используемые модели более реалистичны, ограничения пробит и логит анализа означают, что эти методики дают результаты, которые выглядят лучше, чем полученные с помощью регрессионного анализа в аналогичных об­стоятельствах. Также, поскольку результирующая переменная имеет ограни­ченный набор значений, эти модели более надежны. Д. Джоббер и Дж. Сондерс (Jobber and Saunders, 1993) доказывают это на примере, моделируя уровни воз­врата, зависящие от анкеты и от плана самого опроса. Более ранние попытки использования регрессионного анализа оказались неточными и не были здравы­ми, потому что время от времени предсказывали уровни возврата выше 100%. Модель логит давала более точные прогнозы и гарантировала результаты, кото­рым было легче доверять.

Модели пробит и логит распределяют наблюдения в два класса, а дискрими­нантный анализ определяет членство в одной или более группе. В маркетинге это может быть особенно полезно для понимания членства в рыночных сегментах, например, различие между активными потребителями пива в пивных, активными потребителями пива дома, активными потребителями вина или крепких спирт­ных напитков. Для набора независимых переменных дискриминантный анализ находит, насколько хорошо они могут проводить различия между группами и по­казывать, какие независимые перемённые с какой группой ассоциируются.

Метод многомерной классификации (AID — automatic interaction detection) достаточно отличается от других методик этой группы. AID начинает с поиска за­висимой переменной, например уровень возврата анкет при почтовых рассылках, и независимых переменных, чтобы найти те, которые наиболее четко проводят группировку по заданным критериям. Если интересующий предмет — ответ на почтовые рассылки, тогда самой сильной независимой переменной может быть владение домом. Если дело обстоит так, то данные разбиваются на две группы: в первой — владельцы домов, во второй — не владеющие домами. Затем AID обра­щается к группе домовладельцев и выявляет независимую переменную, которая вызывает наибольшее различие в уровне возврата рассылаемых анкет среди домо­владельцев. Это может быть пол, поэтому AID разделила бы население на три группы: домовладельцы-мужчины, домовладельцы-женщины и недомовладель - цы. Затем методика могла бы обратиться к недомовладельцам и выяснить, какая переменная лучше всего подходит здесь. В приведенном случае это могли быть люди, имеющие постоянную зарплату и не имеющие ее. Таким образом формиру­ются четыре группы. Процесс продолжается до тех пор, пока разделение данных не приводит к образованию подгрупп, слишком мелких или не отличающихся по сути друг от друга. Хотя AID — удобный инструмент, модель имеет ограничения. Ее последовательный подход может давать некачественные решения, а много­кратное деление быстро разбивает большие массивы данных на очень маленькие группы. Каждая из этих групп идентифицируется по независимым переменным, но может быть слишком мала и потому бесполезна для менеджера.