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-
7 3 |
Центры отдыха |
Параметры (векторы) |
||
(оцениваемые стимулы) |
1 |
Большая прогулка |
|
А |
American Adventure |
2 |
Образовательный |
Т |
Alto Towers |
3 |
Игры и забавы |
В |
Belton House |
4 |
Изысканный |
с |
Chatsworth House |
5 |
Шумный/буйный |
W |
Warwick Castle |
6 |
Для детей младше |
S |
Woburn Safari Park |
подросткового возраста |
|
7 |
Тематический |
||
Сегменты (точки) |
8 |
Для всей семьи |
|
I |
Зрелые пары |
9 |
Искусственный/ |
ІІ |
Молодые семьи |
синтетический |
|
ІІІ |
Молодые одиночки |
10 Хорошая пища |
Рис. 4. Карта многомерного шкалирования, показывающая параметры, продукты и сегменты Источник: Hooley and Saunders, 1993. |
ровать продукты. Зная расположение сегментов, конкурентов и базовых параметров, которые описывают существующие позиции продуктов, менеджеры могут определить, как их позиционировать.
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.