Table Of ContentМОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ ИНСТИТУТ МЕЖДУНАРОДНЫХ
ОТНОШЕНИЙ МИД РФ (УНИВЕРСИТЕТ)
Гречков В.Ю.
Информационные технологии в практике маркетинга
(с использованием SPSS)
Учебно-методический комплекс
Москва, 2008
1. Основы рыночного сегментирования. ......................................................................................................................... 3
2. Кейс № 1. Проведение сегментирования пользователей программы SPSS на основе кластерного анализа. ....... 4
2.1. Данные для сегментирования – описательные статистики ................................................................................ 5
2.2. Практические рекомендации по применению кластерного анализа ................................................................. 8
2.3. Проведение кластерного анализа с использованием иерархических методов ............................................... 13
2.4. Связывание кластеров с другими переменными ............................................................................................... 35
2.5. Кластеризация при помощи метода Варда ........................................................................................................ 37
2.6. Кластеризация с использованием метода k-средних ........................................................................................ 42
2.7. Задания для самостоятельной работы ................................................................................................................ 51
3. Кейс № 2. Обработка результатов опроса посетителей супермаркетов. Сжатие данных с использованием
программы SPSS (факторного анализа). ....................................................................................................................... 53
3.1. Общая оценка данных для проведения факторного анализа ........................................................................... 53
3.2. Практические рекомендации по применению факторного анализа ................................................................ 56
3.3. Выполнение анализа главных компонент для редукции данных Кейса№2.................................................... 61
3.4. Задания для самостоятельной работы ................................................................................................................ 73
Кейс № 3. Сегментирование потребителей, основанное на откликах. Дискриминантный анализ. ....................... 74
3.1. Методы сегментирования на основании откликов. .......................................................................................... 74
3.2. Формирование данных для проведения дискриминантного анализа. ............................................................. 77
3.3. Практические рекомендации по проведению дикриминантного анализа. ..................................................... 80
3.5. Задание для самостоятельной работы по проведению дискриминантного .................................................... 96
анализа ......................................................................................................................................................................... 96
Кейс№ 4. Разделение потребителей по откликам, принимающим только два значения. Процедура
логистической регрессии .............................................................................................................................................. 104
4.1. Данные для процедуры логистической регрессии. ......................................................................................... 104
4.2. Практические рекомендации по выполнению процедуры логистической регрессии и анализу
результатов. ............................................................................................................................................................... 109
4.3. Выполнение процедуры "логистическая регрессия" и оценка результатов ................................................. 113
4.4. Задание для самостоятельной работы. ............................................................................................................. 123
С п и с о к л и т е р а т у р ы ..................................................................................................................................... 126
ПРИЛОЖЕНИЕ ............................................................................................................................................................. 127
2
1. Основы рыночного сегментирования.
Сегментирование рынка является одним из важнейших, основополагающих элемен-
тов концепции маркетинга. Существует множество определений, в том числе и в авторитет-
ных словарях по маркетингу, как например:
"Сегментация рынка (market segmentation) – разделение рынка на четкие группы по-
купателей, которые могут предъявлять требования на разные продукты и специальные мар-
кетинговые подходы. В результате сегментации определяются сегменты рынка. В зависи-
мости от используемых критериев выделяют географическую, демографическую, психогра-
фическую и поведенческую сегментации. Указанные критерии используются при с.р. как
потребительских товаров и услуг, так и продукции производственного назначения. Так, кри-
териями сегментации (сегментирования) рынка потребительских товаров являются уровень
доходов, место проживания, семейное положение, половозрастные и национальные характе-
ристики. В производственной сфере в качестве критериев сегментации используются отрас-
левая принадлежность предприятия, его размеры, тип производства и характер энергопо-
требления. С.р. может осуществляться на основе только одного критерия, а также на после-
довательном применении нескольких критериев. Важно, чтобы в последнем случае сегмен-
ты не оказались слишком малочисленными, невыгодными для коммерческого освоения. С.р.
может осуществляться на основе только одного критерия, а также на последовательном при-
менении нескольких критериев.1"
В основе сегментирования лежит идея о том, что невозможно удовлетворить все по-
требности всех участников рынка, которые могут быть достаточно разнородными. Покупа-
тели могут отличаться друг от друга по различным параметрам, поэтому можно предполо-
жить, что в соответствии с какими-либо из этих параметров они могут быть разбиты на
группы. Соответственно, для каждой группы требуется разработка отдельной маркетинговой
стратегии, своего комплекса маркетинга, известного как "4Р", или же модификация хотя бы
одного из его элементов.
К тому же продавец, как правило ограничен в ресурсах и стремится получить мак-
симальную прибыль при минимальных издержках. Это стремление породило концепцию
массового маркетинга, когда продавец ставит задачу массового производства товара и
охвата всего рынка с целью экономии на издержках. Но в современных условиях рынка по-
купателя, когда покупательский спрос становится все более дифференцированным, эта кон-
цепция часто оказывается практически неприемлемой. К тому же, появление сети Интернет
1 Цит. по: Голубков Е.П. Маркетинг. Словарь-справочник. М.: Дело, 2001, с. 195.
3
предоставляет маркетологам новые возможности по сегментированию и дальнейшей работе
с отобранными сегментами, когда в качестве отдельного сегмента можно даже рассматри-
вать каждого отдельного потребителя2.
Итак, с одной стороны, разнородные потребности покупателей, а с другой стороны,
ограниченность ресурсов продавцов не позволяет, как правило, модифицировать товар (а уж
тем более весь комплекс маркетинга) для каждого покупателя в отдельности. Сегментирова-
ние рынка позволяет разрешить это противоречие, поскольку покупатели со схожими харак-
теристиками могут быть объединены в единую группу, называемую сегмент рынка.
Количество сегментов на рынке может быть различным, и не все компании имеют
возможность одновременно работать на всех сегментах. Поэтому маркетологи выбирают не-
сколько наиболее привлекательных или наиболее прибыльных сегментов, концентрируют
свою работу и работу все компании только на этих сегментах и рассматривают их в качестве
целевых.
Проведение сегментирования основано на анализе всей имеющейся информации,
собираемой в процессе проведения маркетинговых исследований. К такой информации,
например, может относиться анализ существующих клиентов, анализ финансовой деятельно-
сти компании, анализ рыночных тенденций, конкуренции, позиционирования торговых ма-
рок, сильных и слабых сторон компании и т.п. Необходимо глубокое изучение потребностей
своих клиентов и потенциальных покупателей.
2. Кейс № 1. Проведение сегментирования пользователей програм-
мы SPSS на основе кластерного анализа.
Для решения данного и всех последующих кейсов предлагается использовать одну
из наиболее известных и популярных компьютерных программ, которые применяются мар-
кетологами-практиками – программу SPSS3 . Поэтому данный кейс, помимо вопросов марке-
тингового сегментирования позволяет также продемонстрировать некоторые возможности
этого программного комплекса. Он основан на данных опроса пользователей по использова-
нию ими тех или иных возможностей программы статистического анализа. В данном случае
задачей маркетолога является разделение пользователей на сегменты с тем, чтобы получить
возможность в дальнейшем сформировать для каждого сегмента особое предложение по
приобретению дополнительных программных модулей.
2 см., например, Ф.Котлер, Д.К.Джайн, С.Мэйсинси. Маневры маркетинга. современные подходы к прибыли,
росту и обновлению. М.: ЗАО "Олимп-Бизнес", 2003.
3 Здесь и далее используется SPSS v.13.
4
2.1. Данные для сегментирования – описательные статистики
В ходе опроса покупателям были заданы вопросы, какие из дополнительных моду-
лей программы они используют (в специальном опросном листе необходимо было отметить
используемые модули). Затем, в качестве предварительного этапа исследований, было про-
ведено кодирование данных (здесь этот этап опускается вследствие его простоты). Каждому
модулю была поставлена в соответствие отдельная переменная со значением "1", если мо-
дуль был отмечен покупателем в опросном листе, и "0" в противном случае. В опросном ли-
сте были представлены следующие модули4: Basics (основной модуль ), Professional Statistics
(профессиональная статистика), Advanced Statistics (передовые методы статистики), Time Se-
ries (анализ временных рядов), Presentation Tables (таблицы для презентаций), Perceptual
Maps (карты восприятия или позиционирования), CHAID (Автоматизированное распознава-
ние взаимосвязей при помощи критерия хи-квадрат), Mapping (картирование), Neural Nets
(нейронные сети).
Хотя в ходе исследования пользователям предлагалось много других вопросов, в
данный кейс, использующийся исключительно в учебных целях, включена дополнительно
только одна переменная – "Деятельность", т.е. область работы респондента. С примером
данных для анализа можно познакомиться на рис. 1.
Рис. 1. Пример данных к кейсу №1 , данные показаны в окне Редактора Данных программы SPSS
4 Здесь перечислены лишь некоторые модули программы SPSS. Познакомиться со всеми возможностями про-
граммы можно на сайте www.spss.ru (или www.spss.com)
5
Выборка состоит из 310 наблюдений, файл данных записан в формате программы
SPSS5. Перед тем, как проводить анализ данных и, в частности сегментирование с использо-
ванием кластерного анализа, необходимо тщательно изучить используемые данные. Это
можно сделать при помощи различных процедур SPSS, среди которых есть специальные
процедуры, помогающие пользователю создать удобные таблицы и диаграммы. Поскольку
получение таких данных не является задачей данного кейса, можно ограничиться процеду-
рами описательной статистики и столбиковыми диаграммами.
В меню выбираются опции:
Analyze – Descriptive Statistics – Frequencies
Для предварительного анализа выбираются переменные от "база" до "нейросет", см. рис. 2.
Рис. 2. Данные для получения описательных статистик (пример диалогового окна)
Процедура описательных статистик позволит пользователю получить сводные ха-
рактеристики (средние значения и т.п.) для каждой из переменных, описывающих использо-
вание программных модулей (они имеют значения "0" или "1"). В данном случае средние
значения будут выражать долю покупателей, использующих соответствующие модули. Ре-
зультат представлен на рис. 3.
Можно заметить, что лишь менее половины опрошенных покупателей пользуются
модулем Нейронные сети, в то время как имеется весьма высокая доля, применяющих
модули Базовая программа и Профессиональная статистика. По всем 310 наблюдениям,
имеющиеся данные для переменных использования, являются полными (см. строку N валид-
ных (целиком)— число комплектных наблюдений (построчное)). Для более наглядного
отображения этих долей построим простую столбиковую диаграмму.
5 Файл прилагается к электронной версии комплекса, имя файла Кейс 1
6
Statistics
N
Valid Missing Mean Std. Deviation Minimum Maximum
Базовая
программа 310 0 ,79 ,408 0 1
Профессиона
льная 310 0 ,84 ,371 0 1
статистика
Продвинутая
статистика 310 0 ,74 ,438 0 1
Временные
ряды 310 0 ,55 ,498 0 1
Таблицы для
отчетов 310 0 ,73 ,443 0 1
Карты
восприятия 310 0 ,67 ,472 0 1
Chaid 310 0 ,68 ,467 0 1
Картография 310 0 ,56 ,497 0 1
Нейронные
сети 310 0 ,47 ,500 0 1
Рис. 3. Статистика использования различных программных модулей
Для построения диаграммы выбираем в меню: Graphs – Bar. Необходимо использо-
вать переключатель Summaries for separate variables (итоги для разделенных переменных),
т.е. считать сводные характеристики в диаграмме отдельными переменными, поскольку на
график выводится набор переменных. После выбора опции Define задаются (выбираются)
переменные, связанные с используемыми модулями (в данном случае – все переменные,
кроме Сфера деятельности, см. рис. 4).
Рис. 4. Выбор переменных для построения столбиковой диаграммы
7
К диаграмме можно также добавить заголовки и т.п. Результатом будет являться простая
столбиковая диаграмма (Bar) средних значений набора переменных, соответствующих прак-
тике использования того или иного модуля (рис. 5).
1
0,8
0,6
n
a
e
M
0,4
0,2
0
Базовая Профессиона Продвинутая Временные Таблицы для Карты Chaid Картография Нейронные
программа льная статистика ряды отчетов восприятия сети
статистика
Рис. 5. Столбиковая диаграмма средних значений для данных по использованию модулей программы
На диаграмме четко видно относительно большое использование модулей база и
профстат и менее частое - времряды и нейросет. При необходимости эту диаграмму можно
улучшить, используя возможности Редактора Диаграмм программы SPSS, но поскольку это
не является основной целью данного кейса, необходимо перейти к выполнению процедур
кластерного анализа.
2.2. Практические рекомендации по применению кластерного анализа
Кластерный анализ является одним из наиболее известных, "классических" методов
математической статистики, использующихся для сегментирования потребителей. Он пред-
ставляет собой метод разведочного анализа, созданный для выявления областей концентра-
ций в данных по какому-либо признаку.
В основе кластерного анализа лежит концепция распределения наблюдаемых дан-
ных по однородным группам в зависимости от их сходства ("близости") друг с другом. В за-
висимости от разного понимания этой "близости", созданы различные методы кластерного
анализа, наиболее распространенные из которых будут рассмотрены ниже. Здесь также при-
водится обзор типов данных, которые используются для кластеризации, и ряд практических
аспектов сегментирования, которые необходимы при решении данного кейса.
8
Итак, кластерный анализ является одним из методов разведочного анализа данных,
созданных для выявления каких-либо возможных группировок во всей совокупности дан-
ных. Основным критерием для объединения данных в группы является расстояние: объек-
ты, расположенные "близко" друг к другу должны попадать в один и тот же кластер, тогда
как "достаточно далекие" объекты должны быть в разных кластерных группах. В идеальном
случае, все объекты внутри кластера должны быть достаточно однородными, но значительно
отличаться от объектов из других кластеров. Поскольку кластерный анализ основан на рас-
стояниях, измеренных в той же шкале, что и сами наблюдения, показатели близости можно
рассматривать, как правило, как интервальные или порядковые. Результатом успешно прове-
денной кластеризации является выделение ряда сегментов внутри общего набора данных.
При использовании кластерного анализа для сегментирования потребителей необхо-
димо помнить о том, что данный метод является разведочным. Соответственно, при его ис-
пользовании нельзя ожидать получения единственного и определенного решения. На прак-
тике приходится иметь дело с несколькими решениями и задача исследователя – выбрать
среди них наиболее подходящее. Различные методы кластеризации (и нормировки) предла-
гают несколько различающиеся решения, и здесь уже от исследователя требуется глубже по-
нять структуру данных. Именно для этого, в частности, при решении данного кейса сначала
было проведено небольшое предварительное исследование данных
При проведении кластеризации необходимо обращать внимание на следующие важ-
ные моменты:
• разделение между группами – насколько значимым является различие между
группами, разделены ли одни группы более, чем другие;
• каково число наблюдений в каждой из групп (поскольку наличие выбросов в
наблюдениях может привести к формированию кластеров, содержащих одно-два наблю-
дения);
• средние значения кластерных групп, вычисленных по кластерным перемен-
ным. Наиболее наглядно эти средние значения можно наблюдать на графиках, которые
помогут также при интерпретации и именовании кластеров.
• верификация, т.е. определение, имеют ли полученные кластеры какой-либо со-
держательный смысл, воспроизводятся ли они для разных выборок и при использовании
различных методов кластеризации.
Как было указано выше, основной целью при проведении кластерного анализа явля-
ется выделение естественно возникающих групп на основе их схожести. Но при практиче-
ском применении конкретных методов возникают отличия, связанные с различными спосо-
9
бами вычисления расстояния между двумя наблюдениями (или кластерами) и с правилами,
используемыми для формирования кластеров. Поэтому исследователь может использовать
разнообразные методы кластерного анализа, наиболее популярные из них будут рассмотре-
ны в данном параграфе. Каждый метод, разумеется, не идеален и имеет свои достоинства и
недостатки, которые необходимо учитывать при проведении кластеризации.
Одним из основных различий является различие между иерархическими и неиерар-
хическими методами. Для решения кейса исследователь должен будет принять решения о
выборе той или иной группы методов.
При иерархической кластеризации объекты (отдельные наблюдения или кластеры),
попавшие в кластер, остаются объединенными на всех последующих этапах кластеризации.
Методы различаются по способам оценки расстояния между кластерами.
Рисунок 6 иллюстрирует простое решение методом иерархической кластеризации.
Объекты В и Е являются наиболее близкими друг к другу и формируют кластер. При слия-
нии этого кластера с объектом А в новый кластер будут включены оба объекта: как В, так и
Е. Это свойство, т.е. сохранение в одном кластере уже однажды присоединенных объектов,
является определяющим для иерархической кластеризации.
Y
A
E
B
С
D
X
Рис. 6. Иерархическая кластеризация
10
