Проблемы сегментирования рынка являются ключевыми при организации маркетинговой работы, которая способствует формированию устойчивой среды предприятия в процессе циклического функционирования рыночной экономики. Предприятие ищет доходный сегмент, который соответствует его ресурсам и возможностям. Успехи предприятия на доходном сегменте повышают его конкурентоспособность. Практическая полезность выделения доходных сегментов очевидна, однако при ее реализации возникают трудности.
Когда перед аналитиком возникают задачи сегментирования рынка, ему необходимо определиться с технологией и методами построения сегментов. Выбор методики сегментирования представляет сложную задачу. Трудность выбора методики для решения конкретной задачи сегментирования обусловлена разнообразием известных подходов.
В последние годы в теории сегментирования наметился переход от простых концептуальных моделей к статистическим методам. В таком ключе особое место стал занимать кластерный анализ. Термин кластерный анализ (впервые ввел Tryon, 1939) в действительности включает в себя набор различных алгоритмов классификации. Техника кластеризации применяется в самых разнообразных областях. В общем, всякий раз, когда необходимо классифицировать «горы» информации к пригодным для дальнейшей обработки группам, кластерный анализ оказывается весьма полезным и эффективным.
Среди различных методик кластерного анализа можно выделить нетрадиционное направление — самоорганизующиеся карты Кохонена. Самоорганизующиеся карты — это одна из разновидностей нейросетевых алгоритмов, основным отличием которой является то, что при обучении используется метод обучения без учителя, то есть результат обучения зависит только от структуры входных данных.
Алгоритм функционирования самообучающихся карт (Self Organizing Maps-SOM) представляет собой один из вариантов кластеризации многомерных векторов. Примером таких алгоритмов может служить алгоритм k-ближайших средних (c-means). Важным отличием алгоритма SOM является то, что в нем все нейроны (узлы, центры классов) упорядочены в некоторую структуру (обычно двумерную сетку). При этом в ходе обучения модифицируется не только нейрон-победитель, но и его соседи, но в меньшей степени. За счет этого SOM можно считать одним из методов проецирования многомерного пространства в пространство с более низкой размерностью. При использовании этого алгоритма вектора, схожие в исходном пространстве, оказываются рядом и на полученной карте.
Так как алгоритм SOM сочетает в себе два основных направления — векторное квантование и проецирование, то можно найти и основные применения этого алгоритма. Данную методику можно использовать для поиска и анализа закономерностей в исходных данных. При этом, после того, как нейроны размещены на карте, полученная карта может быть отображена.
В обычных методах визуального представления каждое измерение (компонента) многомерного набора данных влияет на некоторый аспект визуализации, и затем результаты объединяются воедино. Эти методы можно использовать для визуального представления разного рода многомерных данных. Главным недостатком большинства методов является то, что они не позволяют сократить количество данных. Если набор данных велик, то изображение, содержащее все элементы этих данных, не будут наглядными.
Функции SOM активно используются в маркетинге и бизнесе, в частности при решении задач сегментирования рынка. Так, например, с помощью SOM решается задача кластеризации клиентов и визуализации полученных групп.
Кластеризации строится на основании определенных признаков. В нашем примере такими признаками были выбраны значимость, пунктуальность, активность и стабильность клиентов.
В результате была построена самоорганизующаяся карта (см. рис. 1) и проекции компонент для данных по клиентам компании. Сеть объединила клиентов в 4 основные кластера. Представители того или иного кластера обозначены на карте.
Кроме общей карты обычно строятся карты отдельных компонент (признаков). Для отображения на картах градаций признаков вверху окна имеется шкала интенсивности цвета. Карту SOM лучше всего можно проинтерпретировать, рассматривая отдельные окна и считывая значения соответствующих масштабных шкал. Так мы можем наглядно представить взаимное влияние входных факторов друг на друга.
Проведенная кластеризация позволяет сегментировать клиентов, определить характеристики групп клиентов, оценить клиентскую базу компании, выявить основные характеристики типичного клиента и т.п.
В результате проведенного исследования были выявлены следующие кластеры.
- Кластер 1 (4%). Самые крупные клиенты компании, имеющие высокий показатель активности продаж в регионах, очень стабильные, но непунктуальные (задержка оплат больше 1 мес.).
- Кластер 2 (50%). Клиенты со средними и низкими объемами продаж, неактивные, очень стабильные, но пунктуальные (задержка оплат до 2 нед).
- Кластер 3 (34%). Клиенты с низкими объемами продаж, неактивные, среднестабильные и непунктуальные (задержка оплат почти 1,5 мес.).
- Кластер 4 (8%). Клиенты с низкими объемами продаж, неактивные, среднестабильные и непунктуальные (задержка больше 2 мес.).
На следующем этапе были обозначены основные характеристики типичного клиента компании. Оказалось, что типичные клиенты компании — это клиенты со средними и низкими объемами продаж, очень стабильные и среднестабильные, неактивные, более 50% из них оплачивают вовремя (до 2 нед.).
На основе представленной кластеризации была сформирована ценовая политика компании — дифференцированная система скидок и бонусов для клиента в зависимости от его статуса (группы). В конце каждого месяца показатели значимости, стабильности, пунктуальности и активности обновлялись, и производилась новая группировка. Такой подход позволил не только заинтересовать клиентов, но и решить проблемы с дебиторской задолженностью.
Необходимо добавить, что умение завоевать и удержать клиентов становится все более популярным оружием в конкурентной борьбе среди самых «интеллектуальных» компаний. Чтобы понять и решить проблему удержания клиентов, необходимо с самого начала понять и спрогнозировать возможное развитие событий. По сути, следует, выйдя за пределы одного круга, просчитать вперед свою стратегию на множество подобных циклов. Оценка своей клиентской базы — первый шаг на пути к разработке такой стратегии, так как прогноз развития требует определенного знания структуры и потенциала клиентской базы.
Наряду с кластеризацией отдельных клиентов компании может возникнуть необходимость в кластеризации целых регионов или каких-либо территориальных единиц. Такая задача может решаться, например, в контексте оценки потенциала регионов в отношении товаров компании или построения системы планирования для филиалов, региональных менеджеров и т.п.
В качестве признаков кластеризации регионов могут выбираться различные объективные характеристики региона (экономические, социальные, демографические), а также так называемые субъективные (с позиции отрасли или отдельной компании).
Например, для задачи оценки потенциала регионов в отношении товаров компании были выбраны 2 признака кластеризации: плотность отгрузок и объективный экономический показатель (статкоэффициент). Последний отражает отношение прожиточного минимума к среднедушевому доходу населения в регионе.
В результате была сформирована самоорганизующаяся карта и проекции компонент для данных по всем регионам. Сеть объединила все регионы в 4 основные кластера.
- Кластер 1. Москва и Московская обл. Сеть выделила этот регион в отдельный кластер. При огромном экономическом потенциале регион отмечен одним из самых низких показателей отгрузок на душу населения.
- Кластер 2. В состав кластера вошли регионы «хорошие» по своим экономическим показателям, но имеющие низкие и средние показатели отгрузок товаров компании на душу населения. Типичные представители: Самарская, Коми, Нижегородская, Свердловская обл., Карелия, Татарстан.
- Кластер 3. Кластер объединил области со средней и низкой плотностью отгрузок и плохими или совсем плохими экономическими показателями. Типичные представители: Волгоградская, Челябинская, Курская, Кировская, Пензенская обл.
- Кластер 4. В состав кластера вошли области с высокими показателями величины отгрузок на душу населения и в основном средними экономическими показателями. Типичные представители: Краснодарский, Приморский, Ставропольский края, Мурманская Смоленская, Оренбургская обл.
В результате проведенной кластеризации был выявлен самый интересный и перспективный кластер с точки зрения продвижения товаров компании (кластер 2). Результаты кластеризации были использованы при построении системы планирования для филиалов и дивизионов, региональных и территориальных менеджеров.
Рисунок 1
