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.

Таблица 5 Методы рыночного анализа

Методы

Зависимые

переменные

Метрический

характер

результирующей

переменной

Метрический

характер

независимой

переменной

Находит

группы

Типичное

применение

Регрессионный

анализ

Да

Да

Да и нет

Нет

Прогнозирование продаж с учетом данных

экономических факторов или характеристик маркетинга-микс

Канонический

корреляционный

анализ

Да

Да

Да и нет

Нет

Прогнозирование более одной результирующей переменной

Пробит и логит анализ

Да

Нет

Да и нет

Нет

Прогнозирование индивидуального поведения покупателя — купит/не купит

Дискриминантный

анализ

Да

Нет

Да и нет

Нет

Прогнозирование членства в группах (т. е. сегментов)

AID*

Да

Нет

Да и нет

Да

Разбиение вопросов на однородные группы с различным использованием

Корреляционный

анализ

Нет

п. а.

Да

Нет

Выявление связи между

индивидуальными

переменными

Факторный анализ

Нет

п. а.

Да

Может

Индикация групп с аналогичными переменными

Кластерный анализ

Нет

п. а.

Да (почти всегда)

Да

Нахождение аналогичных групп (т. е. сегментов)

Сопряженный

анализ

Нет

п. а.

Нет

Нет

Определение воспринимаемой ценности качеств продукта

MDS**

Нет

п. а.

Да и нет

Может

Выявление того, как клиенты рассматривают предложение на рынке (т. е. позиционирование)

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.

Добавить комментарий

МАРКЕТИНГ

Почему покупать на электронной площадке — это просто?

Цифровые платформы, предназначенные для покупки и продажи коммерческой недвижимости, металлолома, земельных участков, аренды вагона, совершения прочих сделок очень удобны в процессе опять же такие купли-продажи. На таких платформах можно взять …

Сертификация систем менеджмента

Наличие у компании сертификата системы управления является для всех партнеров и потребителей ярким показателем надежности данного учреждения. При наличии такого документа компания становится конкурентоспособной на рынке и вполне гарантирует качество …

Поговорим о SMM

В мире существует около сорока тысяч разных профессий. Эта цифра показывает то, каким разнообразием может удивить рынок труда. Сфера маркетинга в этом списке вошла в десятку лидеров и прочно закрепилась …

Как с нами связаться:

Украина:
г.Александрия
тел./факс +38 05235  77193 Бухгалтерия
+38 050 512 11 94 — гл. инженер-менеджер (продажи всего оборудования)

+38 050 457 13 30 — Рашид - продажи новинок
e-mail: msd@msd.com.ua
Схема проезда к производственному офису:
Схема проезда к МСД

Партнеры МСД

Контакты для заказов шлакоблочного оборудования:

+38 096 992 9559 Инна (вайбер, вацап, телеграм)
Эл. почта: inna@msd.com.ua