Учет коммерческой привлекательности при сегментации целевой группы

Закускин С.В.
The commercial appeal for the segmentation of the target group - View in English

 Скачать PDF

Аннотация:
Рассмотрены принципы и алгоритмы сегментации целевой группы с учётом коммерческой привлекательности сегментов. Исследуются случаи одномерных и многомерных основания сегментации и целевой функции, обсуждаются различные критерии привлекательности и способы её оценки. Приведены примеры учёта коммерческой привлекательности сегментов в практических задачах выбора целевых сегментов

JEL-классификация:

Цитировать публикацию:
Закускин С.В. Учет коммерческой привлекательности при сегментации целевой группы // Креативная экономика. – 2021. – Том 15. – № 2. – С. 605-624. – doi: 10.18334/ce.15.2.111569

Zakuskin, S.V. (2021) The commercial appeal for the segmentation of the target group. Kreativnaya ekonomika, 15(2), 605-624. doi: 10.18334/ce.15.2.111569 (in Russian)

Приглашаем к сотрудничеству авторов научных статей

Публикация научных статей по экономике в журналах РИНЦ, ВАК (высокий импакт-фактор). Срок публикации - от 1 месяца.

creativeconomy.ru Москва + 7 495 648 6241




Введение

В практике сегментации целевых групп на различных рынках важную роль играют показатели коммерческой привлекательности – насколько построенные сегменты будут полезны для бизнеса с точки зрения объема покупок, сумм выручки и прибыли. Информация об эффекте от привлечения отдельных категорий целевой группы у компаний нередко имеется, однако при сегментации учитывается далеко не всегда, несмотря на то, что в литературе встречается описание подходов и способов ее учета.

Сложность состоит в том, что в большинстве работ под привлекательностью сегментов понимается привлекательность секторов рынка или даже рынков, так как сравниваются рыночные предложения и возможности, а не сегменты целевой группы и их параметры. При этом решение задачи оценки привлекательности является промежуточным звеном стратегических бизнес-решений. Например, автор [3] (Volovikov, 2011) через показатели маркетинговой привлекательности, построенные с учетом объема секторов рынка и темпов их роста, выходит на обоснованный выбор стратегии диверсификации производства. В анализе привлекательности сегментов представленные результаты неприменимы, так как опираются на показатели рынка, а не целевой группы.

Обсуждение сегментации целевой группы в контексте коммерческой привлекательности ведется в [2] (Aleksandrovskiy, Butryumova, 2016). Авторы, опираясь на сегментацию североамериканского рынка облачных сервисов, выделяют самый привлекательный сегмент (характеризуя его как «наиболее продвинутый сегмент, отличающийся самыми высокими расходами на облачные сервисы»). Автор [13] (Tsimbaev, 2019) на примере с ограниченным числом факторов и абстрактными сегментами описывает способ оценки их привлекательности в целях формирования имиджа торгового центра.

Во многих работах приводится описание различных способов учета коммерческой привлекательности, однако во внимание принимается очень ограниченный круг показателей (к тому же трудноизмеримых на практике), рассмотрение ведется в пространствах малой размерности, что приводит к сильному упрощению практических задач и игнорированию важной информации. Возможная многомерность целевой функции обсуждается почти всегда лишь на качественном уровне.

Многомерные целевые функции (ситуации, когда есть несколько показателей привлекательности) сводятся к одномерным путем линейного преобразования показателей с помощью весов, установленных с привлечением экспертов; в простейшем случае – вычислением средних рангов или балльных оценок (без учета их порядкового характера). Общий вид интегрального показателя привлекательности, построенного на базе линейного преобразования отдельных показателей, приводится в [12, с. 20] (Smirnova, Tsyganova, 2014, р. 20) применительно к сегментам бизнеса (стратегическим бизнес-единицам). В [11] (Lyubetskiy, 2015) интегральная привлекательность рынков мясной продукции стран ЕАЭС определяется по сумме рангов, приписанных каждой стране по нескольким показателям. В [10] (Ivanova, 2017) показатель привлекательности строится на основе балльных оценок позиций компаний на рынке транспортно-экспедиторских услуг контейнерных грузов в Новороссийском транспортном узле.

В настоящей работе речь идет о привлекательности сегментов целевой группы, обусловленной различиями их характеристик. Случаи нескольких показателей привлекательности исследуются с привлечением методов многомерного статистического анализа.

Постановка и обсуждение задачи. Решение

Согласно одному из вариантов классификации, математико-статистические методы подразделяются на два класса: анализ структуры данных и анализ связей в данных. Исходя из этого, задача сегментации целевой группы может ставиться в двух вариантах: исследование внутренней структуры целевой группы или выявление сегментов, отличающихся значениями извне заданной целевой функции. Если целевая функция – это какой-либо показатель коммерческой привлекательности, то задача анализа связей на практике соответствует задаче сегментации применительно к выбору целевых сегментов. Именно в такой постановке она рассматривается в настоящей статье.

Исходные данные и методы обработки

В данных практических исследованиях выделяются одна или несколько переменных, составляющих основание сегментации, и переменная (в общем случае их тоже может быть несколько), представляющая целевую функцию. Последняя, как правило, отражает покупательскую активность представителей целевой группы (число или сумму покупок в единицу времени, объем потребления и т.п.) и обычно имеет порядковый характер.

Так как число категорий целевой функции нередко оказывается слишком большим, то необходимо укрупнить их, иначе полученное решение будет неустойчиво к небольшим случайным отклонениям в данных. В реальных ситуациях укрупнение производят на базе какой-либо сторонней информации либо интуитивно. Есть, однако, способ укрупнения, позволяющий привязать его результаты к решаемой задаче – это оцифровка (квантификация) переменной, оптимальная с точки зрения (в данном случае) ее связи с основанием сегментации [1, с. 464–471] (Ayvazyan, Bukhshtaber, Enyukov, Meshalkin, 1989, р. 464–471).

Пример 1. Укрупнение категорий активности покупателей DVD

В ходе подготовки к развертыванию в Москве сети автоматов по продаже DVD было проведено исследование целевой группы, в рамках которого замерялась покупательская активность по порядковой шкале с восемью категориями. Так как сегментацию предполагалось провести по социально-демографическим характеристикам, то к ним же привязывалось и укрупнение категорий покупательской активности, которое было выполнено по итогам нелинейного канонического корреляционного анализа (использовалась процедура Overals пакета программ SPSS). Данные оцифровки и результаты укрупнения категорий приведены в таблице 1. Сегментация с учетом укрупненных категорий обсуждается ниже.

Таблица 1

Укрупнение категорий активности покупателей DVD

Исходная категория, частота покупок
Объем исходной категории, % от выборки
Квантифи-кация
Укрупненная категория
Объем укрупненной категории, % от выборки
Чаще 1 диска в неделю
1,2
-1,66
высокоактивные покупатели
15,8
2–3 диска в месяц
14,7
-1,66
1 диск в месяц
19,7
-0,65
покупатели среднего уровня активности
31,2
1 диск в 2 месяца
11,5
-0,65
1 диск в 3 месяца
6,0
0,42
малоактивные покупатели
6,0
1 диск в полгода
3,0
0,83
«не-покупатели»
47,0
Реже 1 раза в полгода
4,5
0,95
Не покупают
39,5
0,95
Источник: подготовлено автором.

Типовые решения

Типичный подход к сегментации целевой группы с помощью кластер-анализа должен в задаче сегментации для выбора целевых сегментов использоваться с оговорками, обусловленными отсутствием в нем целевой функции. После построения сегментов требуется отдельно оценить их привлекательность (нередко это делается исходя из их объема либо на основании каких-то интуитивных соображений).

В то же время методы, предусматривающие целевую функцию, дают возможность сразу получать решение поставленной задачи. Если переменные в основании сегментации носят интервальный характер, то используется дискриминантный анализ, для других типов переменных – нелинейный канонический корреляционный анализ (НККА).

Дискриминантный анализ в данном случае разбивает выборку по основанию сегментации на группы, максимально соответствующие категориям коммерческой привлекательности (некоторым техническим недостатком здесь является то, что число групп всегда равно числу категорий).

НККА строит функцию (возможно, многомерную), в максимальной степени коррелирующую как с основанием сегментации, так и с коммерческой привлекательностью. Так как эта функция непрерывна, то получить на ее основании сегменты можно либо последующим кластер-анализом (предпочтительно в многомерном случае), либо с помощью оптимальной категоризации по коммерческой привлекательности. Последнее в многомерном случае тоже допустимо, однако тогда категоризованных переменных будет несколько (по числу измерений), надо будет рассматривать все возможные сочетания категорий и каким-либо способом объединять или исключать их для получения приемлемого числа сегментов.

Отдельное замечание об основаниях сегментации. Учет коммерческой привлекательности часто высвечивает проблему сегментации по социально-демографическим характеристикам – слабую дифференцированность сегментов по ней, что порождает трудности при выборе целевых сегментов. В этой ситуации можно рассмотреть нетрадиционные основания сегментации: потребительские предпочтения ( [9] (Zakuskin, 2021)), психографические характеристики представителей целевой группы, ситуации покупок/ потребления, стиль жизни, восприятие товаров / торговых марок / фирм и т.п. Выбор из них наиболее подходящего в конкретной ситуации можно выполнить на базе результатов НККА, выполненного по всем исследуемым основаниям в отдельности.

Влияние коммерческой привлекательности на эффективность сегментации

Учет коммерческой привлекательности сегментов в общем случае повышает эффективность сегментации в том смысле, что улучшается дифференциация сегментов по привлекательности, и снижает в том смысле, что ухудшается дифференциация сегментов по переменным основания. Для оценки степени ухудшения производится сравнение с показателями сегментации, выполненной без учета привлекательности, исходя только из внутренней структуры основания сегментации. Если ухудшение критично, то можно пробовать сегментацию по другим основаниям, перечисленным выше. Если и они не дают приемлемого результата, то лучше вернуться к сегментации без учета привлекательности, хотя выбрать целевые сегменты на ее базе будет, скорее всего, затруднительно.

Пример 2. Сегментация целевой группы пользователей сотовой связи

В ходе исследования рынка сотовой связи в Поволжье в интересах местного оператора связи ставилась задача сегментации целевой группы и выбора целевых сегментов. Традиционные основания сегментации не дали удовлетворительного результата, и было принято решение использовать в качестве основания эмоциональные предпочтения целевой группы. Они замерялись в рамках исследования по абстрактным шкалам эмоционального плана. Шкалы имели биполярный порядковый тип со значениями от 1 до 3 в каждую сторону; нейтральный уровень отмечался значением 0. Непосредственное разбиение выборки (без учета коммерческой привлекательности) с помощью кластер-анализа (использовалась процедура TwoStep Cluster пакета программ SPSS) выделило три сегмента, отличающихся эмоциональными предпочтениями. В частности, предпочтения (представления об идеальном операторе связи) по измерительной шкале «старый – новый» распределились, как показано на рисунке 1.

Рисунок 1. Эмоциональные оценки идеального оператора сотовой связи по шкале «старый – новый» (сегменты по предпочтениям)

Показано распределение эмоциональных оценок идеального оператора сотовой связи по измерительной шкале «старый – новый» в целом по выборке и отдельно по сегментам, обозначенным буквами А–В. По оси ординат отложена доля респондентов с указанными оценками в процентах относительно численности сегмента (или всей выборки). Масштаб по оси ординат для всей выборки (правая ось) отличается от масштаба для сегментов (левая ось). Сглаженные кривые распределений приведены лишь для улучшения визуального восприятия, практического смысла они не имеют; смысл имеют только маркеры.

Источник: подготовлено автором.

На рисунке видно, что сформированность предпочтений сегментов А и В достаточно высока (коэффициент компактности по [7, формула (3)] (Zakuskin, 2020) равен 0,77 и 0,58 соответственно); предпочтения сегмента Б неоднородны, но основная его часть придерживается нейтральной оценки (компактность находится на среднем уровне, ). Дифференциация предпочтений сегмента А с остальными также высока (коэффициент дифференциации по [8, формула (1)] (Zakuskin, 2020) положителен), сегменты Б и В имеют небольшое наложение предпочтений.

Выбор целевых сегментов производился на базе их коммерческой привлекательности с применением подхода [6] (Zakuskin, 2020). В качестве целевой функции использовалась замеренная в исследовании доля клиентов местного оператора в каждом сегменте. Результаты вычислений по [6, формула (3)] (Zakuskin, 2020) приведены в таблице 2. Веса категорий потребительской активности установлены в соотношении 1:10 (конкретные значения весов в данном случае неважны, так как в формуле присутствует нормирующий множитель).

Таблица 2

Оценка привлекательности сегментов, выделенных по предпочтениям

Сегмент
Объем сегмента, % от выборки
Объем категорий
по потребительской активности,
% от объема сегмента
Интегральная оценка привлекательности сегмента, %
«не-клиенты»
клиенты
А
29,1
66,1
33,9
30,3
Б
32,6
70,1
29,9
33,0
В
38,3
76,8
23,2
36,7
Всего
100


100
Источник: подготовлено автором.

Ненулевой вес для категории «не-клиентов» (т.е. клиентов других операторов) был установлен ввиду того, что всегда есть вероятность некоторого перетока клиентов от одного оператора к другому ( [5, с. 2709–2710] (Zakuskin, 2018, р. 2709–2710)). Тем не менее он относительно низок с учетом прогнозируемых трудностей привлечения «чужих» клиентов – исследование показало, что они (особенно клиенты Билайна и Мегафона) имеют в своем сознании негативный эмоциональный образ местного оператора ( [5, с. 2707–2708] (Zakuskin, 2018, р. 2707–2708)).

Из таблицы видно, что оценка привлекательности примерно одинакова и выбрать на ее основании целевые сегменты затруднительно. Поэтому было принято решение провести сегментацию заново с учетом разбиения выборки на клиентов местного оператора и «не-клиентов». Результаты, полученные с использованием нелинейного канонического корреляционного анализа (процедура Overals пакета программ SPSS), приведены в таблице 3.

Таблица 3

Оценка привлекательности сегментов, выделенных по предпочтениям с учетом потребительской активности

Сегмент
Объем сегмента, % от выборки
Объем категорий
по потребительской активности,
% от объема сегмента
Интегральная оценка привлекательности сегмента, %
«не-клиенты»
клиенты
А
31,3
99,5
0,5
8,8
Б
54,8
70,7
29,3
56,0
В
13,9
10,7
89,3
35,2
Всего
100


100
Источник: подготовлено автором.

Из таблицы видно, что сегмент Б является наиболее привлекательным как по объему, так и по интегральной оценке, а сегмент А, несмотря на значительный объем, имеет низкую привлекательность. Исходя из этого, было рекомендовано выбрать сегмент Б в качестве целевого, сегмент В – в качестве дополнительного.

По сравнению с предыдущим вариантом сегментации компактность образов идеального оператора снизилась незначительно – средний по сегментам коэффициент компактности уменьшился с 0,59 до 0,54 (см. рис. 2). Дифференциация сегментов по предпочтениям несколько ухудшилась (средний по парам сегментов коэффициент дифференциации упал с 0,45 до 0,03), хотя и некритично – сегмент В дифференцирован с остальными, сегменты А и Б пересекаются примерно на половину своих идеальных областей. Таким образом, построенная с учетом коммерческой привлекательности сегментация вполне может быть использована на практике.

Рисунок 2. Эмоциональные оценки идеального оператора сотовой связи по шкале «старый – новый» (сегменты по предпочтениям с учетом коммерческой привлекательности)

Показано распределение эмоциональных оценок идеального оператора сотовой связи по измерительной шкале «старый – новый» в целом по выборке и отдельно по сегментам, обозначенным буквами А–В. По оси ординат отложена доля респондентов с указанными оценками в процентах относительно численности сегмента (или всей выборки). Кривые распределений сглажены, масштаб по оси ординат для всей выборки (правая ось) отличается от масштаба для сегментов (левая ось).

Источник: подготовлено автором.

Практика учета коммерческой привлекательности при сегментации целевой группы

В Примере 2 рассматривалась ситуация одномерной целевой функции, которая к тому же имела всего два значения; иллюстрации приводились также для одномерного основания сегментации. В практических задачах последнее почти всегда является многомерным; показателей коммерческой привлекательности тоже иногда бывает несколько. Такие случаи необходимо анализировать в свернутом пространстве имиджеобразующих факторов [4] (Zakuskin, 2018), построенном на базе основания сегментации с учетом целевой функции.

Учет привлекательности для многомерного основания сегментации

Пример 3. Сегментация целевой группы покупателей кондитерских изделий

Исследование рынка кондитерских изделий (пряники, вафли, печенье) премиум-класса в целях разработки стратегии продвижения в российских регионах показало целесообразность сегментации на основании эмоциональных предпочтений, которые были замерены по 13 шкалам аналогично Примеру 2. В качестве одномерной целевой функции выступила заявленная респондентами частота покупок, по которой они были с использованием процедуры укрупнения, описанной выше, разбиты на четыре категории: малоактивные покупатели (light users), покупатели с активностью ниже среднего (low-middle users), покупатели с активностью выше среднего (high-middle users), высокоактивные покупатели (heavy users). Для оценки коммерческой привлекательности веса категорий были, исходя из частоты покупок, установлены в соотношении 1:2:3:10.

Сегментация с помощью кластер-анализа (использовалась процедура TwoStep Cluster пакета программ SPSS) выделила шесть сегментов, отличающихся эмоциональными предпочтениями. Анализ предпочтений (представлений об идеальном кондитерском продукте премиум-класса) проводился в свернутом факторном пространстве, построенном на базе шкал эмоциональных предпочтений (основания сегментации) и целевой функции (использовалась процедура Overals пакета программ SPSS). Идеальные области сегментов в плоскости двух первых факторов показаны на рисунке 3 (интерпретация факторов приведена в названиях осей).

Рисунок 3. Эмоциональные предпочтения кондитерских изделий премиум-класса (плоскость факторов 1 и 2)

В пространстве имиджеобразующих факторов 1 и 2 отображены представления целевой группы об идеальных кондитерских изделиях премиум-класса отдельно для каждого сегмента (обозначены буквами А–Е).

Центру каждого идеального образа соответствует розовая окружность. Ее размер пропорционален численности сегмента. Ее положение отражает средние значения факторов для сегмента (за исключением сегмента Д, который расположен на значительном удалении в направлении, указанном стрелкой).

Горизонтальные и вертикальные линии с засечками показывают разброс предпочтений. Полупрозрачные эллипсы очерчивают области, в которые попадают предпочтения 70% представителей каждого сегмента по каждому фактору.

Источник: подготовлено автором.

На рисунке видно, что предпочтения основной части целевой группы носят умеренный характер, но есть небольшие сегменты, чувствительные к отдельным характеристикам продукта: сегменты Г и Е привлекает свежесть, мягкость и распространенность продукта, сегмент Д – простота, традиционность и мягкость; однако к «вкусности» продукта они нечувствительны. Последнее выглядит парадоксальным – вряд ли кто-то будет покупать невкусные кондитерские изделия. Объяснение может быть таковым: представители сегмента считают, что представленные в торговле продукты «по умолчанию» являются вкусными, и делают выбор на основании иных показателей.

Оценка коммерческой привлекательности сегментов дана в таблице 4.

Таблица 4

Оценка привлекательности сегментов целевой группы покупателей кондитерских изделий премиум-класса

Сегмент
Объем сегмента, % от выборки
Объем категорий
по потребительской активности,
% от объема сегмента
Интегральная оценка привлекательности сегмента, %
малоактивные
ниже среднего
выше среднего
высокоактивные
А
46,6
0
3,0
32,5
64,5
57,4
Б
24,6
0
28,9
65,6
5,5
12,5
В
14,1
0
9,3
20,2
70,5
18,2
Г
5,4
0
0,6
23,8
75,6
7,4
Д
1,7
0
0
0
100
2,8
Е
7,6
96,1
0,1
0
3,8
1,7
Всего
100




100
Источник: подготовлено автором.

Из таблицы видно, что по привлекательности уверенно лидирует наиболее многочисленный сегмент А. В то же время второй по численности сегмент Б относительно менее привлекателен и логично предпочесть ему сегмент В. Из мелких сегментов вряд ли следует обращать внимание на малоактивный сегмент Е. Активные сегменты Г и Д имеет смысл изучить отдельно – не исключено, что их абсолютный размер обеспечит достаточный объем прибыли для того, чтобы разработать отдельное предложение, рассчитанное на их специфические предпочтения.

Учет привлекательности для многомерной целевой функции

Пример 4. Сегментация целевой группы посетителей развлекательных центров

В ходе подготовки к сооружению в одном из областных центров Центрального федерального округа развлекательного центра формата «би-ба-бо» (бильярд – бар – боулинг) была проведена сегментация целевой группы. В качестве основания выбраны рациональные предпочтения, которые замерялись с помощью техники ранжирования характеристик развлекательных центров по степени важности для потребительского выбора. Для построения целевой функции использовались заявленные респондентами частота посещения и разовые траты (отдельно по каждому виду развлечений); таким образом, целевая функция была шестимерной.

Типичная для рассматриваемой ситуации обработка методом многомерного развертывания не дала приемлемого результата – предпочтения получившихся сегментов в построенных факторах оказались слабо дифференцированы. Это объяснимо, так как развертывание обрабатывает ранжировки, т.е. только основание сегментации без обращения к целевой функции.

Обработка с использованием нелинейного канонического корреляционного анализа (процедура Overals пакета программ SPSS), включавшая как основание сегментации, так и целевую функцию, позволила получить приемлемый результат. Области выбора сегментов, построенных методами кластер-анализа (процедура TwoStep Cluster пакета программ SPSS), в плоскости двух первых факторов пространства рационального выбора показаны на рисунке 4.

Рисунок 4. Области выбора сегментов в пространстве рационального выбора развлекательных центров (плоскость факторов 1 и 2)

Показаны имиджеобразующие факторы (оси графиков), определяющие рациональный выбор развлекательных центров представителями целевой группы. Цветные точки отражают связи исходных характеристик с факторами (факторные нагрузки, только для характеристик со значимыми нагрузками на факторы 1 и 2).

Центры областей выбора сегментов (обозначенных буквами А–Е) показаны черно-белыми кругами, их координаты равны средним значениям факторов для сегментов, их размер пропорционален численности сегментов. Горизонтальные и вертикальные линии с засечками ограничивают по каждому фактору интервал, в который попадают идеальные точки 70% представителей сегмента. Пунктирные эллипсы и фигуры сложной формы очерчивают области выбора сегментов.

Источник: подготовлено автором.

На рисунке видно, что:

– основные различия в рациональных предпочтениях сегментов целевой группы наблюдаются по линиям с участием характеристик «близость к дому/учебе/работе», «просторное помещение», «уровень обслуживания», «уровень цен»;

– первоочередной выбор сегментов (позиция по фактору 1):

– сегмент А – просторное помещение;

– сегменты Б, Д и Е – (в порядке убывания значимости) наличие свободных мест, удобное местоположение, советы друзей/знакомых, популярность заведения, хорошая кухня;

– сегменты В и Г – уровень обслуживания, широкий ассортимент развлечений, просторное помещение, широкая реклама, приятный интерьер;

– сегмент Ж – близость к дому/учебе/работе; следует отметить, что эта характеристика для представителей сегмента особо важна, так как входит в область выбора и по первому, и по второму фактору; то же самое верно для широты ассортимента в отношении сегментов В и Г;

– сегменты хорошо дифференцированы по рациональному выбору; пересечение в плоскости факторов 1–2 предпочтений некоторых сегментов разрешается по фактору 3 (на рисунке не показан):

– сегмент Б скорее будет следовать советам друзей/знакомых, в то время как для сегмента Д важнее близость к дому/учебе/работе;

– для сегмента В более предпочтительны просторность помещения и наличие свободных мест, в то время как сегмент Г обращает внимание на рекламу.

Для оценки коммерческой привлекательности сегментов необходимо на базе многомерной целевой функции сконструировать одномерный критерий привлекательности. Общий подход – провести категориальный анализ главных компонент или (если среди целевых переменных есть различающиеся группы) нелинейный канонический корреляционный анализ, задав на выходе одномерное решение. Однако в рассматриваемом примере можно показатель привлекательности вычислить в явном виде: умножить заявленные частоту посещений и разовые траты по каждому виду развлечений и произведения сложить. Тем самым будет получена общая выручка от посещения указанных развлечений в заданный период времени; в представляемом исследовании она была определена как суммарная выручка от всех респондентов выборки в рублях за год. Оцененная таким способом привлекательность сегментов приведена в таблице 5.

Таблица 5

Оценка привлекательности сегментов целевой группы посетителей развлекательных центров

Сегмент
Объем сегмента, % от выборки
Средние траты на одного человека, тыс. руб./год
Суммарные траты сегмента, тыс. руб./год
Интегральная оценка привлекательности сегмента, %
А
13,9
22,8
981,7
19,0
Б
12,3
10,7
396,5
7,7
В
18,1
0,2
12,1
0,2
Г
8,4
26,0
676,9
13,1
Д
19,0
36,3
2140,7
41,5
Е
10,3
9,5
285,1
5,5
Ж
18,1
12,4
669,2
13,0
Всего
100


100
Источник: подготовлено автором.

Из таблицы видно, что несмотря на некоторую равномерность распределения респондентов по сегментам, в смысле привлекательности выделяется сегмент Д, который способен обеспечить более 40% потенциальной выручки от привлечения всех сегментов. В то же время достаточно крупный сегмент В коммерческой ценности не имеет.

Если обратиться к рисунку 4, то можно сделать вывод, что для привлечения сегмента Д необходимо принять принципиальные решения до начала сооружения развлекательного центра, так как представители сегмента чувствительны к удобству местоположения и наличию свободных мест. Далее, в кампании продвижения требуется сделать акцент на максимальном распространении положительных мнений о развлекательном центре, что позволит реализовать важность таких характеристик выбора, как советы друзей/знакомых и популярность заведения. И наконец, необходимо контролировать уровень цен как характеристику выбора второй очереди.

Обратим внимание, что в ходе такой кампании будут привлечены также сегменты Б и Е, специально заниматься которыми не имеет особого смысла ввиду их невысокой привлекательности.

Выработка рекомендаций на основе сегментации с учетом коммерческой привлекательности

На основе анализа расположения, компактности и дифференциации идеальных областей сегментов могут быть сделаны следующие выводы и выработаны следующие рекомендации:

– о коммерческой привлекательности сегментов, что дает возможность выбрать целевые сегменты (основные, дополнительные и попутно привлекаемые);

– для каждого сегмента – о предпочитаемых значениях важных характеристик, их стабильности, направлениях изменения и возможностях разработки/корректировки воздействия на представителей сегмента;

– об эволюции предпочтений сегментов с течением времени под воздействием идущих процессов и активности игроков рынка.

Последнее возможно, если проводятся повторные замеры предпочтений по сопоставимой методике.

Применительно к рассмотренным примерам можно выделить следующие моменты. Ухудшение дифференциации по основанию сегментации плохо поддается контролю, так что за ним необходимо следить и при превышении критического значения от этого варианта сегментации отказываться; критическими можно считать случаи, когда наложение предпочтений сегментов уже не позволяет построить внятную политику продвижения. Сегментация с учетом привлекательности нередко выдвигает на первый план неочевидные сегменты, которые, исходя из их объема, не стали бы рассматриваться в качестве целевых. Причем это относится как к сравнительно объемным сегментам, так и к малочисленным; в последнем случае необходимо обращаться к абсолютным размерам сегментов – если они достаточно велики, то имеет смысл эти сегменты осваивать.

Заключение

Практика сегментации целевой группы применительно к задаче выбора целевых сегментов требует учета их коммерческой привлекательности, что снижает полезность кластер-анализа и заставляет использовать методы анализа связей в данных; в частности, для категориальных данных – нелинейный канонический корреляционный анализ. На его основе могут быть получены решения, в которых учтены как основание сегментации, так и целевая функция.

1. Сегментация, построенная по основанию и целевой функции, несколько проигрывает по дифференциации сегментов в пространстве предпочтений, однако существенно выигрывает в дифференциации по целевой функции, что позволяет выделить наиболее привлекательные сегменты.

2. Анализ конфигурации идеальных областей сегментов в многомерном пространстве (исходном или свернутом) дает возможность найти различия между ними, даже если по большинству параметров сегменты схожи.

3. Одномерная целевая функция с чрезмерно большим количеством значений может быть преобразована в функцию с укрупненными категориями по результатам квантификации по основанию сегментации.

4. Многомерная целевая функция может быть использована в анализе привлекательности сегментов после ее сведения к одномерному критерию с помощью методов факторного или дискриминантного анализа либо на основе соображений содержательного характера.

5. Повторные замеры показателей привлекательности по сопоставимой методике позволяют контролировать изменение привлекательности сегментов, выявлять новые возможности и вносить необходимые изменения в стратегию продвижения товара / торговой марки / фирмы.

Сегментация целевой группы, проведенная с учетом представленного подхода, дает результат, позволяющий обоснованно выбрать целевые сегменты. С учетом их различия по основанию сегментации возникает возможность строить отдельную политику продвижения товаров/торговых марок /фирм в расчете на них, концентрировать усилия в ключевых точках и в конечном счете добиваться роста продаж/прибыли за счет меньших затрат.



Издание научных монографий от 15 т.р.!

Издайте свою монографию в хорошем качестве всего за 15 т.р.!
В базовую стоимость входит корректура текста, ISBN, DOI, УДК, ББК, обязательные экземпляры, загрузка в РИНЦ, 10 авторских экземпляров с доставкой по России.

creativeconomy.ru Москва + 7 495 648 6241



Источники:
1. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности// М.: Финансы и статистика, 1989. – 607 с.
2. Александровский С.В., Бутрюмова Н.Н. Исследование рынка облачных сервисов в Нижегородском регионе // Региональная экономика: теория и практика. – 2016. – № 5 (428). – С. 161-176.
3. Воловиков Б.П. Обоснование выбора стратегии концентрической диверсификации на основе оценки маркетинговой привлекательности целевого сегмента // Вестник Омского университета. Серия: Экономика. – 2011. – № 3. – С. 124-129.
4. Закускин С.В. Интеграция маркетинговых коммуникаций на основе анализа потребительских предпочтений // Российское предпринимательство. — 2018. — Том 19. — № 6. — С.1913-1938.
5. Закускин С.В. Определение целевой группы с использованием рыночных факторов // Российское предпринимательство. — 2018. — Том 19. — № 9. — С.2691-2712.
6. Закускин С.В. Оценка относительной и абсолютной привлекательности сегментов целевой группы // Маркетинг и маркетинговые исследования. — 2020. — № 2. — С.92-102.
7. Закускин С.В. Анализ сформированности рыночных образов // Креативная экономика. – 2020. – Том 14. – № 6. – С. 1115-1136.
8. Закускин С.В. Анализ дифференциации рыночных образов // Креативная экономика. – 2020. – Том 14. – № 7. – С. 1447-1466.
9. Закускин С.В. Сегментация целевой группы на основании потребительских предпочтений // Креативная экономика. – 2021. – Том 15. – № 1.
10. Иванова М.Б. Формирование интегрального показателя привлекательности рынка транспортных услуг // Вестник Ростовского государственного экономического университета (РИНХ). – 2017. – № 1 (57). – С. 39-47.
11. Любецкий П.Б. Оценка привлекательности сегментов мясного рынка ЕАЭС // Практический маркетинг. – 2015. – № 3 (217). – С. 3-11.
12. Смирнова Е.В., Цыганова И.Ю. Анализ сегментов бизнеса как инструмент стратегического управления организацией // Экономический анализ: теория и практика. – 2014. – № 37 (388). – С. 16-24.
13. Цимбаев В.В. Формирование имиджа ТЦ в рамках двухконтурной системы маркетингового управления // Практический маркетинг. – 2019. – № 12 (274). – С. 12-21