Podejście modelowe w segmentacji rynku

Pełen tekst

(1)Zeszyty Naukowe nr. 800. Uniwersytet Ekonomiczny w Krakowie. 2009. Adam Sagan Katedra Analizy Rynku i Badań Marketingowych. Podejście modelowe w segmentacji rynku 1. Wymiary analizy segmentacyjnej Segmentacja rynku jest jednym z podstawowych obszarów badań marketingowych i stanowi jedną z kluczowych koncepcji w marketingu strategicznym. Segmenty rynku są to grupy konsumentów charakteryzujących się podobieństwem reakcji w stosunku do stosowanych instrumentów marketingowego oddziaływania. Wendell R. Smith już w 1956 r. pisał, że: „segmentacja rynku jest ujęciem heterogenicznego rynku jako określonej liczby mniejszych, homogenicznych rynków ze względu na ich reakcję na preferencje produktowe”1. Jest ona jedną z podstawowych koncepcji marketingowych zarówno w sferze działań strategicznych przedsiębiorstw, jak i w obszarze teorii i zasad marketingu. Jest najczęściej umiejscawiana w układzie strategii STP (segmentation – targeting – positioning), spopularyzowanej w podręcznikach Ph. Kotlera, w którym analiza segmentacyjna jest pierwszym etapem w określeniu segmentów strategicznych rynku i sposobu plasowania zróżnicowanej oferty produktowej, w celu uzyskania przewagi różnicującej w stosunku do podobnych ofert konkurentów. W podejściach do badań segmentacyjnych uwzględnia się cztery podstawowe wymiary analizy2. Pierwszy wymiar wynika z charakteru kryteriów segmentacji (podmiotowe – cechy konsumenta, przedmiotowe – reakcje konsumenta na ofertę marketingową przedsiębiorstw), drugi dotyczy sposobu pomiaru kryteriów (obserwowalne i ukryte), trzeci wymiar związany jest z metodami identyfikacji segmentów na podstawie kryteriów (identyfikacja a priori lub post hoc), a czwarty – funkcji segmentacji (opisowa lub predykcyjna). W.R. Smith, Product Differentiation and Market Segmentation as Alternative Marketing Strategies, „Journal of Marketing” 1956, nr 21(3), s. 3–8. 2 M. Wedel, W.A. Kamakura, Market Segmentation. Conceptual and Methodological Foundation, Springer, 1999. 1.

(2) Adam Sagan. 22. Kryteria podmiotowe są to kryteria oparte na cechach konsumentów lub nabywców. Należą do nich np. płeć i wiek (kryteria demograficzne), region zamieszkania i klimat (kryteria geograficzne), dochody (kryteria ekonomiczne) i podzielane wartości osobowe i styl życia (kryteria psychograficzne). Kryteria przedmiotowe segmentacji związane są silniej z produktem (ofertą marketingową) i z reakcjami rynkowymi konsumenta. Do tego typu kryteriów należą np. cechy i własności produktu (kryterium poszukiwanych korzyści), częstość, wielkość i regularność zakupów (kryteria behawioralne)3. Do obserwowalnych i bezpośrednio mierzalnych kryteriów segmentacji zalicza się kryteria geodemograficzne (np. wyrażone w klasyfikacjach PRIZM, ACORN) i większość kryteriów behawioralnych (np. wielkość i częstość zakupów). Wśród kryteriów nieobserwowalnych bezpośrednio dominują kryteria psychograficzne (np. styl życia, wartości osobowe) i poszukiwanych korzyści lub ukrytych reakcji na produkt (np. styl zakupowy, jakość produktu, percepcja marek, postawy wobec marki i reklamy). W pierwszym rodzaju segmentacji – a priori – kryteria są określane przed badaniami segmentacyjnymi, a same badania polegają na klasyfikacji respondentów na podstawie wyodrębnionych z góry wartości zmiennych segmentacyjnych. Przykładem może być segmentacja rynku na podstawie kryterium demograficznego, jakim jest płeć, z punktu widzenia którego można wyodrębnić dwa segmenty rynkowe: segment kobiet i mężczyzn, czy segmentacja na postawie 7-kategorialnego pytania dotyczącego poszukiwanych korzyści, określającego a priori co najwyżej 7 segmentów rynku. Metody identyfikacji segmentów obejmują segmentację a priori i post hoc. W podejściu post hoc identyfikacji segmentów dokonuje się po wyodrębnieniu kryteriów na podstawie wypowiedzi badanych w sondażach. Najczęściej dotyczy to zmiennych psychograficznych i poszukiwanych korzyści (np. wartości, potrzeby, postawy, percepcja marek). Konieczność jej stosowania wynika z braku możliwości określenia wartości lub poziomów zmiennych segmentacyjnych. Dla przykładu poszukiwane korzyści związane z produktem są trudne do identyfikacji a priori, dlatego stosuje się wielorakie pytania i narzędzia pomiaru korzyści z produktu (np. Benefit Structure Analysis) w celu wyłonienia niezależnych wymiarów określających poszukiwane korzyści związane z daną kategorią produktu. Najczęściej stosowaną metodą analizy wielowymiarowej wykorzystywaną w segmentacji post hoc jest analiza głównych składowych (lub analiza czynnikowa i analiza korespondencji) i analiza conjoint. Oczywiście w następnych badaniach segmentacyjnych wyłonione w ten sposób kryteria mogą stanowić podstawę segmentacji a priori. Analiza segmentacyjna wykorzystuje tu J.H. Myers, Segmentation and Positioning for Strategic Marketing Decisions, American Marketing Association, Chicago 1996. 3.

(3) Podejście modelowe w segmentacji rynku. 23. popularne i często stosowane metody wielowymiarowe, takie jak hierarchiczna aglomeracyjna analiza skupisk, metoda k-średnich czy analiza głównych składowych (technika Q). W podejściach tych dominuje klasyfikacja „bez nauczyciela”, obserwacje bowiem są grupowane na podstawie ad hoc wybranych miar odległości lub podobieństwa, takich jak odległość euklidesowa, Manhattan, Czebyszewa, współczynniki korelacji Pearsona czy Spearmana. Trzecim aspektem w wyodrębnianiu kryteriów segmentacji jest sposób wykorzystania kryteriów segmentacji w wyjaśnianiu zachowań konsumenckich. Ze względu na to kryterium wyróżnia się segmentację predykcyjną i opisową. Określenie kryterium segmentacji. Określenie modelu segmentacyjnego. Przedmiotowe. Obserwowalne. A priori. Predykcyjne. Podmiotowe. Ukryte. Post hoc. Deskryptywne. Analiza korespondencji. Hierarchiczna. Analiza czynnikowa. Niehierarchiczna. Analiza conjoint. Analiza skupisk Analiza klas i profili ukrytych. Profilowanie segmentów. Analiza dyskryminacyjna Drzewa klasyfikacyjne Analiza regresyjnych klas ukrytych. Rys. 1. Proces analizy segmentacyjnej Źrodło: opracowanie własne.. Segmentacja predykcyjna oparta jest na kryteriach, które muszą być wyjaśniane za pomocą dodatkowych zmiennych niezależnych. Kryteria te charakteryzują najczęściej aspekty behawioralne konsumentów; należy do nich np. stopa zakupów, częstotliwość użycia produktów, satysfakcja z produktu i lojalność, wybór marek, regularność zakupów. Te przejawy zachowania powinny być wyjaśnione za pomocą odpowiednich zmiennych niezależnych, do których zalicza się najczęściej zmienne demograficzne, geograficzne, mediagraficzne czy psychograficzne, objaśniające przejawy zachowań konsumentów. W segmentacji predykcyjnej wyróżnia się więc zmienne zależne i niezależne w procesie analizy danych. W modelach predykcyjnych wykorzystywane są najczęściej takie techniki grupowania i klasyfikacji konsumentów, jak: analiza drzew klasyfikacyjnych i regresyjnych, analiza dyskryminacyjna i różne formy modeli regresji.

(4) Adam Sagan. 24. logistycznej (klasyczna regresja logistyczna, wielomianowa regresja logistyczna, porządkowa regresja logistyczna). Segmentacja deskryptywna nie wyróżnia zmiennych zależnych i niezależnych, lecz dokonuje grupowania konsumentów na podstawie powiązanych ze sobą względnie jednorodnych zbiorów zmiennych określonego typu (np. charakteryzujących poszukiwane korzyści w produktach, style życia konsumenta czy wartości osobowe). W segmentacji deskryptywnej wszystkie zmienne traktuje się jako współzależne, a w procesie segmentacji stosuje się metody analizy współzależności takie, jak analiza skupień i analiza głównych składowych. Dopiero po uzyskaniu segmentów dokonuje się ich profilowania za pomocą odpowiednich zmiennych niezależnych. Rysunek 1 przedstawia procedurę analizy segmentacyjnej w ujęciu strategii STP i wykorzystywane w niej podstawowe metody. 2. Podejście modelowe w segmentacji rynku W ostatnich dwudziestu latach klasyczne eksploracyjne podejście w opisowej i predykcyjnej segmentacji post hoc coraz częściej jest zastępowane podejściem modelowym opartym głównie na modelach mieszanych (mixture models) 4. Zakłada się w nich, że obserwacje w próbie pochodzą z heterogenicznej populacji (rynku), w której „wymieszanych” jest kilka jednorodnych wewnętrznie grup (segmentów) o określonym rozkładzie. Celem analizy jest wyodrębnienie tych segmentów i oszacowanie parametrów funkcji gęstości charakterystycznych dla każdej z tych grup5. Ogólny model mieszany jest przedstawiony w równaniu6: K. K. H. x =1. x =1. h =1. f ( yi | zi ) = ∑ P (x | zi ) f ( yi | zi ) = ∑ P (x | zi )∏ f ( yih | x, zi ) , . (1). gdzie: yi – zmienne zależne (wskaźniki klas ukrytych), zi – zmienne niezależne (predyktory lub kowarianty), x – klasy ukryte (od 1 do K).. Zob. T.F. Hofstede, M. Wedel, J.B. Steenkamp, Identifying Spatial Segments in International Markets, „Marketing Science” 2002, nr 21; T.F. Hofstede, M. Wedel, J.B. Steenkamp, International Market Segmentation based on Consumer-Product Relations, „Journal of Marketing Research” 1999, nr 36; T.H.A. Bijmolt, L.J. Paas, J.K. Vermunt, Country and Consumer Segmentation: Multilevel Latent Class Analysis of Financial Product Ownership, „International Journal of Research in Marketing” 2004, nr 21, s. 323–340. 5 Najczęściej przyjmuje się założenie, że grupy mają niezależny rozkład normalny, którego parametrami są średnia i wariancja. 6 J.K. Vermunt, J. Magidson, Technical Guide for Latent GOLD 4.0: Basic and Advanced, Statistical Innovations Inc, Belmont, Massachusetts 2005, s. 7. 4.

(5) Podejście modelowe w segmentacji rynku. 25. Funkcja gęstości dla poszczególnych klas ukrytych jest podstawą określenia warunkowego prawdopodobieństwa wystąpienia obserwowanych wartości dla ustalonej przynależności obserwacji do danej klasy. Najczęściej w oszacowaniu wektora parametrów rozkładu dla grup wykorzystywana jest metoda największej wiarygodności (maximum likelihood), która dokonuje estymacji parametrów rozkładu i proporcji grup w taki sposób, że maksymalizuje dla oszacowanego modelu prawdopodobieństwo wystąpienia takich danych obserwowanych, jak w badanej próbie7. Maksymalizacja funkcji wiarygodności jest najczęściej dokonywana za pomocą dwóch metod iteracyjnych: Newtona-Raphsona lub algorytmu maksymalizacji oczekiwanej wartości (expectation maximization – EM). Pierwsze podejście wymaga mniejszej liczby iteracji, lecz nie zawsze prowadzi do osiągnięcia zbieżności funkcji wiarygodności; drugie podejście jest prostsze, jeśli idzie o obliczenia, natomiast wymaga zazwyczaj dużej liczby iteracji w celu osiągnięcia zbieżności. Po oszacowaniu parametrów rozkładu oblicza się na tej podstawie prawdopodobieństwa a posteriori, że dana obserwacja pochodzi z danej homogenicznej grupy8. Przynależność do segmentów w tym podejściu ma charakter probabilistyczny, a prawdopodobieństwa przynależności do skupień są szacowane na podstawie modelu. Identyfikacja segmentów w oparciu o podejście modelowe ma również pewne wady. Złożone modele o wielu parametrach wymagają dużej liczby iteracji w celu osiągnięcia zbieżności. Bardzo często iteracyjne algorytmy osiągają zbieżność w obszarze maksimum lokalnego, a nie globalnego (szczególnie w przypadku niewielkiej separacji rozkładów dla poszczególnych grup i dużej liczby parametrów). Wymaga to powtarzania iteracji dla różnych punktów startowych, wykorzystywania klasycznych metod analizy skupisk do uzyskania wstępnego przypisania obserwacji do grup i stosowania sekwencyjnych procedur wyodrębniania segmentów (rozpoczynania ich od dużej liczby grup). Problemem jest niekiedy identyfikacja modelu. W przypadku modelu nieidentyfikowalnego ten sam rozkład prawdopodobieństw jest uzyskiwany za pomocą praktycznie nieskończonego zbioru parametrów, co powoduje zupełną dowolność w interpretacji wyników. W podejściu modelowym, podobnie jak w metodzie k-średnich, wymagane jest przyjęcie a priori danej liczby grup. Określenie liczby skupisk jest dokonywane na podstawie ilorazu wiarygodności (likelihood ratio) i minimalizacji licznych kryteriów informacyjnych, jak: klasycznego kryterium Akaike (AIC), spójnego kryterium informacyjnego Akaike (CAIC), bayesowskiego kryterium informacyj M. Wedel, W. Kamakura, op. cit., s. 73. Statystyczne modele mieszanek zakładają, że wylosowana próba jest prostą próbą losową. W przypadku innych, bardziej złożonych schematów losowania, jak np. doboru warstwowego czy zespołowego, wykorzystuje się ważoną funkcję wiarygodności, w której występujące wagi są odwrotnie proporcjonalne do prawdopodobieństwa wyboru jednostki do próby. Jest to metoda zwana metodą pseudo-największej wiarygodności (pseudo-maximum likelihood – PML). 7 8.

(6) Adam Sagan. 26. nego (BIC) i zmodyfikowanego kryterium informacyjnego Bozdogana (MAIC). Algorytmy te różnią się głównie sposobem korekty logarytmu ilorazu wiarygodności, „penalizując” go liczbą estymowanych parametrów (im większa liczba parametrów i tym samym bardziej złożony model, tym większa jest „kara”). Najbardziej preferowanym kryterium optymalizacji liczby segmentów jest CAIC (wybiera się model o takiej liczbie segmentów, dla której wartość CAIC jest minimalna)9. Modele skończonych mieszanek to ogólna nazwa dla licznych rodzajów modeli, wśród których w segmentacji największe znaczenie mają modele klas i profili ukrytych w podejściu deskryptywnym i modele regresyjnych klas ukrytych w podejściu predykcyjnym do segmentacji. W modelach klas ukrytych zakłada się, że jednostki charakteryzujące się binarnymi, nominalnymi lub porządkowymi cechami należą do danej liczby nieznanych klas (segmentów). Model klas ukrytych jest następujący10: K. T. x =1. t =1. f (yi | zicov ) = ∑ P (x | zicov )∏ f (yit | x ) ,. (2). gdzie: yi – zmienne zależne (wskaźniki klas ukrytych), zicov – zmienne niezależne (kowarianty), x – klasy ukryte (od 1 do K). Modele profili ukrytych różnią się tym od modeli klas ukrytych, że ukryte, nieobserwowalne segmenty są identyfikowane za pomocą ciągłych zmiennych metrycznych charakteryzujących jednostki. W modelowym podejściu do segmentacji predykcyjnej dominują regresyjne modele mieszane. Różnią się tym od poprzednich, że parametry rozkładów dla klas są wyjaśniane przez egzogeniczne zmienne niezależne, które wyjaśniają zmienność średnich i wariancji zmiennych zależnych w poszczególnych klasach ukrytych. Model regresyjnych klas ukrytych jest przedstawiony za pomocą następującego równania11: K. Ti. x =1. t =1. f (yi | zicov , zipred )= ∑ P (x | zicov )∏ f (yit | x, zitpred ) , . gdzie: yi – zmienne zależne (wskaźniki klas ukrytych), zicov – zmienne niezależne (kowarianty), zipred – zmienne niezależne (predyktory), x – klasy ukryte (od 1 do K). M. Wedel, W. Kamakura, op. cit., s. 87–92. J.K. Vermunt, J. Magidson, op. cit., s. 19. 11 Ibidem, s. 35. 9. 10. (3).

(7) Podejście modelowe w segmentacji rynku. 27. Metoda ta ma szczególne zastosowanie w przypadku predykcyjnej segmentacji post hoc, w której identyfikacja segmentów następuje na podstawie siły i kierunku reakcji konsumenta na wyróżnione instrumenty marketingu-mix. Uzyskane segmenty są wówczas jednorodne ze względu na estymowaną funkcję reakcji. Zaletą analizy klas ukrytych, w porównaniu z klasycznym, eksploracyjnym podejściem, jest: probabilistyczna klasyfikacja przypadków na podstawie prawdopodobieństwa przynależności do klas ukrytych estymowanych bezpośrednio na podstawie modelu, mieszany charakter zmiennych stanowiących kryteria segmentacji (zmienne te mogą być ciągłe, porządkowe lub nominalne) oraz możliwość równoległego włączenia do analizy opisowych zmiennych kowariancyjnych (demograficznych, społecznych, psychograficznych itp.). 3. Zastosowanie podejścia modelowego w badaniach segmentacyjnych 3.1. Analiza klas ukrytych. Przykładem zastosowania analizy klas ukrytych jest segmentacja potencjalnych nabywców samochodów osobowych kwotowej próby 422 konsumentów na rynku krakowskim12. Do segmentacji wykorzystano zmienne określające poszukiwane przez klientów cechy samochodu, takie jak: bezpieczeństwo, koszty eksploatacji, funkcjonalność, komfort i wygląd. Wszystkie zmienne mają charakter zmiennych binarnych i stanowią wskaźniki preferencji poszczególnych korzyści, tworzących kryteria wyboru samochodu. Pierwszym etapem w analizie jest określenie liczby skupisk. Jest to dokonywane poprzez porównanie trzech podstawowych charakterystyk modeli: poziomu istotności (wartości p), liczby parametrów i błędu klasyfikacji. Preferowane są modele istotne, o najmniejszej liczbie parametrów i jednocześnie najmniejszym błędzie klasyfikacji i wartości kryterium informacyjnego. Tabela 1 przedstawia wartości statystyki χ2, liczbę parametrów modelu (LP), wartości kryterium informacyjnego (CAIC) liczby stopni swobody (SS), poziomy istotności (poziom p) i błąd klasyfikacji modeli klas ukrytych o dodatnich stopniach swobody13. Z przedstawionych wskaźników dopasowania wynika, że poziom p jest większy od przyjętego poziomu istotności 0,05 dla modeli z trzema lub większą liczbą klas ukrytych i wśród nich należy poszukiwać najlepszego modelu. Model 12 Składam podziękowanie dr. Mariuszowi Łapczyńskiemu za udostępnienie danych surowych do analizy. 13 Obliczenia zostały przeprowadzone w programie Latent Gold 4.0 opracowanym przez J. Vermunta i J. Magidsona..

(8) Adam Sagan. 28. trzyklasowy charakteryzuje się najniższą liczbą parametrów, stosunkowo małym błędem klasyfikacji i najniższą wartością kryterium infomacyjnego. Stosunkowo poprawne modele 5- i 6-klasowe są już modelami o zdecydowanie większej liczbie parametrów (34 i 41). Dla rozwiązania 3-klasowego obliczone zostały również parametry modelu klas ukrytych. Tabela 1. Dopasowanie modelu klas ukrytych Wyszczególnienie. χ2. LP. AIC. SS. Poziom p. Błąd klasyfikacji. 1 klasa ukryta. 362,4682. 6. 248,4682. 57. 0,00. 0,0000. 2 klasy ukryte. 70,4749. 13. –29,5251. 50. 0,03. 0,0643. 3 klasy ukryte. 46,4958. 20. –39,5042. 43. 0,33. 0,1671. 4 klasy ukryte. 36,0711. 27. –35,9289. 36. 0,47. 0,1998. 5 klas ukrytych. 25,7402. 34. –32,2598. 29. 0,64. 0,1508. 6 klas ukrytych. 19,5925. 41. –24,4075. 22. 0,61. 0,1575. 7 klas ukrytych. 21,8493. 48. –8,1507. 15. 0,11. 0,3212. 8 klas ukrytych. 12,6288. 55. –3,3712. 8. 0,13. 0,1902. 9 klas ukrytych. 8,6145. 62. 6,6145. 1. 0,03. 0,2489. Źródło: opracowanie własne na podstawie Latent Gold.. Z tabeli 2 wynika, że wszystkie zmienne w istotny sposób wpływają na dyskrymincję ukrytych segmentów. Wskaźniki determinacji modelu (R2) wskazują, że model 3-klasowy w największym stopniu wyjaśnia zmienność cechy funkcjonalności, komfortu i wyglądu, a najsłabiej – kosztów eksploatacji. Tabela 2. Parametry modelu klas ukrytych Parametr Osiągi techniczne. 1 segment 2 segment 3 segment. Statystyka Walda. Poziom p. R2. 0,00. 0,10. –0,94. –0,24. 1,19. 28,13. Bezpieczeństwo. –1,46. –0,33. 1,80. 38,57. 0,00. 0,20. Koszty eksploatacji. –0,98. 0,06. 0,91. 24,21. 0,00. 0,08. Funkcjonalność. –4,65. 0,04. 4,60. 7,37. 0,02. 0,52. Komfort. –2,71. –0,13. 2,90. 21,45. 0,00. 0,40. Wygląd. –2,36. –0,21. 2,57. 29,70. 0,00. 0,35. Źródło: opracowanie własne na podstawie Latent Gold..

(9) Podejście modelowe w segmentacji rynku. 29. Tabela 3 prezentuje rozmiary każdej z trzech analizowanych klas ukrytych oraz warunkowego prawdopodobieństwa przynależności przedstawicieli danej kategorii do określonej klasy ukrytej14. Tabela 3. Warunkowe prawdopodobieństwa modelu 3-klasowego Wyszczególnienie. 1 segment. 2 segment. 3 segment. Rozmiar segmentu. 0,52. 0,37. 0,11. Osiągi techniczne. 0,16. 0,27. 0,61. Bezpieczeństwo. 0,12. 0,31. 0,79. Koszty eksploatacji. 0,14. 0,32. 0,53. Funkcjonalność. 0,01. 0,45. 0,98. Komfort. 0,04. 0,35. 0,92. Wygląd. 0,06. 0,37. 0,90. Źródło: opracowanie własne na podstawie Latent Gold.. Z tabeli wynika, że ponad 50% badanych należy do pierwszej klasy ukrytej. Profil tego segmentu wskazuje na względnie częstsze zwracanie uwagi na osiągi techniczne, koszty eksploatacji i bezpieczeństwo samochodu. W drugim segmencie liczącym 37% badanych najważniejszą względnie cechą jest funkcjonalność. W najmniej licznym segmencie trzecim istotną rolę odgrywa funkcjonalność, komfort i wygląd samochodu. Tabela 4. Warunkowe rozkłady prawdopodobieństw przekroju kategorii pytań Wyszczególnienie. 1 segment. 2 segment. 3 segment. Rozmiar segmentu. 0,52. 0,37. 0,11. Osiągi techniczne. 0,32. 0,40. 0,26. Bezpieczeństwo. 0,24. 0,43. 0,32. Koszty eksploatacji. 0,29. 0,47. 0,22. Funkcjonalność. 0,01. 0,60. 0,38. Komfort. 0,08. 0,51. 0,39. Wygląd. 0,12. 0,51. 0,36. Źródło: opracowanie własne na podstawie Latent Gold.. 14 Warunkowe prawdopodobieństwa sumują się w przekroju kolumn do 100%. Ze względu na przejrzystość tabeli nie zaprezentowano rozkładów odpowiedzi dotyczących braków wskazań na daną cechę. Jeżeli np. 16% badanych w segmencie 1 wybrało osiągi techniczne, to oznacza, że 84% z tego segmentu nie wybrało tej kategorii..

(10) Adam Sagan. 30. Warunkowe prawdopodobieństwa brzegowe związane z daną kategorią pytania kwestionariuszowego są podane w tabeli 4. W odróżnieniu od prawdopodobieństw w tabeli 3, ich suma wynosi 1,00 w przekroju każdej kategorii pytania (wierszy), a nie w przekroju poszczególnych klas ukrytych (kolumn). Taki rozkład prawdopodobieństw pozwala na reprezentację profili poszczególnych kategorii i podobną ich interpretację, jak to ma miejsce w analizie korespondencji15. Graficznym przedstawieniem tabeli jest tzw. triplot na rys. 2. Cluster3 1,0 0,0. 0,8. BSA_osiągi_techniczne BSA_bezpieczeństwo BSA_koszty_eksploatacji BSA_funkcjonalność BSA_komfort BSA_wygląd. 0,2. 0,6. 0,4. Komfort Wygląd Bezpieczeństwo. 0,4. 0,6 Funkcjonalność. Osiągi Koszty 0,2. 0,8. 0 0. 0,0 1,0 Cluster1. 0,8. 0 0 0 0,6. Cluster2 1,0 0,4. 0,2. 0,0. Rys. 2. Triplot Źródło: opracowanie własne na podstawie Latent Gold.. Triplot przedstawia graficzną prezentację rozkładu prawdopodobieństw w przekroju poszczególnych kategorii zmiennych. Pozycja rozkładu przeciętnego, czyli środków ciężkości dla każdej klasy ukrytej (centroidów), jest reprezento Jednowymiarowy model klas ukrytych złożony z 3 klas jest równoważny 2-wymiarowej łącznej analizie korespondencji ( joint correspondence analysis). 15.

(11) Podejście modelowe w segmentacji rynku. 31. wana przez punkt  o współrzędnych (0,11, 0,52, 0,37). Interpretacja położenia poszczególnych punktów jest dokonana w kategoriach probabilistycznych. Przykładowo, kategoria „bezpieczeństwo samochodu” jest związana z prawdopodobieństwem 0,24 z pierwszą klasą ukrytą, z prawdopodobieństwem 0,43 z ukrytym segmentem drugim, a z prawdopodobieństwem 0,32 – ze skupieniem trzecim. Końcowym efektem analizy jest klasyfikacja respondentów i prawdopodobieństw przynależności do poszczególnych segmentów. Tabela 5. Klasyfikacja profili reakcji Osiągi. Bezpieczeń- Koszt stwo. Funkcjonalność. KomWygląd fort. Czę- ModalKlasa 1 Klasa 2 Klasa 3 stość na klasa. 0. 0. 0. 0. 0. 0. 147. 1. 0,91. 0,09. 0,00. 0. 0. 0. 0. 0. 1. 17. 1. 0,55. 0,45. 0,00. 0. 0. 0. 0. 1. 1. 5. 2. 0,09. 0,90. 0,01. 0. 0. 0. 1. 1. 1. 5. 2. 0,00. 0,69. 0,31. 0. 0. 1. 0. 0. 0. 29. 1. 0,78. 0,22. 0,00. 0. 0. 1. 0. 0. 1. 5. 2. 0,30. 0,69. 0,00. 0. 0. 1. 0. 1. 0. 4. 2. 0,23. 0,76. 0,00. Źródło: opracowanie własne na podstawie Latent Gold.. Tabela 5 zawiera fragment finalnej klasyfikacji respondentów. Kolumny przedstawiają poszczególne kombinacje kategorii (kolumna 1–6), częstość występowania tych kombinacji (kolumna 7), modalną wartość klasy, do której należy dana kombinacja (kolumna 8) oraz prawdopodobieństwa przynależności respondentów do klas dla poszczególnych kombinacji cech samochodu (kolumny 9–11). 3.2. Analiza regresyjnych klas ukrytych. Analiza regresyjnych klas ukrytych jest połączeniem analizy klas ukrytych i analizy regresji. Własność ta pozwala na zastosowanie tej metody analizy w segmentacji predykcyjnej i profilowaniu segmentów. Jej celem jest predykcja zmiennej zależnej (np. kryterium behawioralnego w segmentacji) na podstawie predyktorów (np. cech psychograficznych) z uwzględnieniem zmiennych kowariancyjnych (np. demograficznych) w obrębie identyfikowanych klas ukrytych. Estymacja modeli regresyjnych właściwych dla każdej klasy i klasyfikacja jednostek odbywa się jednocześnie. Model regresyjny klas ukrytych, podobnie jak poprzedni, został zbudowany na podstawie danych empirycznych dotyczących analizy preferencji konsumen-.

(12) Adam Sagan. 32. tów na rynku samochodowym. Klasy ukryte są definiowane w oparciu o wartości parametrów regresyjnych określających wpływ poszukiwanych cech samochodu na wybór samochodu nowego (1) lub używanego (0). Poszczególne etapy analizy są podobne jak w przypadku analizy klas ukrytych. Dodatkowo wprowadzona została do analizy dodatkowa zmienna profilująca segmenty, jakimi jest faza cyklu życia rodziny, w której znajduje się respondent. Na podstawie analizy wskaźników dopasowania, liczby parametrów i błędów klasyfikacji został wybrany model 3-klasowy. Parametry tego modelu są przedstawione w tabeli 6. Tabela 6. Parametry modelu regresyjnego klas ukrytych Wyszczególnienie. Poziom p. 1 segment. 2 segment. 3 segment. R2. 0,79. 0,61. 0,90. –. Wyraz wolny. 2,91. –3,29. –4,18. 0,03. Osiągi techniczne. –1,47. –0,11. 1,31. 0,06. Bezpieczeństwo. –0,58. –1,15. 1,90. 0,11*. Koszty eksploatacji. 1,76. –1,58. –3,44. 0,02. Funkcjonalność. –0,61. 0,99. –1,71. 0,22*. Komfort. –2,68. –0,91. 2,26. 0,06. Wygląd. –0,29. 0,38. –1,84. 0,16*. Źródło: opracowanie własne na podstawie Latent Gold.. Z tabeli 6 wynika, że poszczególne klasy ukryte wyjaśniają od 64% do 85% zmienności zmiennej „wybór samochodu nowego”. Wskaźniki Walda * wskazują, że różnice w parametrach kierunkowych nie są istotne w przekroju poszczególnych klas. Ma to miejsce w przypadku funkcjonalności, wyglądu i bezpieczeństwa. Na wybór nowego samochodu (0 = używany, 1 = nowy) w pierwszej klasie ukrytej największy wpływ mają koszty eksploatacji, a na wybór samochodu używanego – komfort. W drugiej klasie ukrytej z nowym samochodem najsilniej związana jest funkcjonalność. Używane samochody są preferowane w tej klasie ze względu na koszty eksploatacji. Najsilniejszy wpływ na zakup nowego samochodu w trzeciej klasie ukrytej ma komfort, a samochody używane najsilniej są związane z kosztami eksploatacji. Pierwszy segment można więc nazwać segmentem kosztowym, drugi – funkcjonalnym, a trzeci – komfortu. Pod względem zmiennej kowariancyjnej „cykl życia rodziny” segment kosztowy jest charakterystyczny dla młodych małżeństw z dziećmi do 18. roku życia, pustych gniazd i osób starszych stanu wolnego. Segment funkcjonalny jest zdominowany przez małżeństwa z dziećmi do lat 18, a ostatni segment to młode osoby stanu wolnego i bezdzietne małżeństwa oraz tzw. puste gniazda..

(13) Podejście modelowe w segmentacji rynku. 33. Tabela 7. Zmienne kowariancyjne w przekroju klas ukrytych 1 segment koszt. Cykl życia rodziny. 2 segment funkcjonalność. 3 segment komfort. Stan wolny. –1,32. 0,22. 1,09. Młodzi bez dzieci. –0,74. –1,17. 1,92. Małżeństwa z dziećmi do 18. roku życia. 0,44. 2,16. –2,61. –0,25. 0,51. –0,25. Puste gniazda. 0,82. –2,16. 1,33. Starsi stanu wolnego. 1,05. 0,44. –1,49. Małżeństwa z dziećmi pow. 18. roku życia. Źródło: opracowanie własne na podstawie Latent Gold.. Tabela 8 zawiera rozmiary klas, profile zmiennych (procentowanie do kolumn) opisujących powstałe segmenty i prawdopodobieństwa przynależności kategorii do klas (procentowanie do wierszy). Najliczniejszy, pierwszy segment (88% zakupów nowych samochodów) jest najsilniej profilowany przez małżeństwa z dziećmi do 18. roku życia i tzw. puste gniazda. W drugim segmencie dominują małżeństwa z młodszymi dziećmi, a segment trzeci stanowią osoby stanu wolnego i małżeństwa bez dzieci. Tabela 8. Profile klas ukrytych i prawdopodobieństwa kategorii faz cyklu życia Cykl życia rodziny Rozmiary klas. 1 segment koszt. 2 segment funkcjonalność. 3 segment komfort. Suma (%). 0,44. 0,35. 0,21. –. Nowy samochód (zmienna zależna) 0,88. 0,04. 0,13. –. Stan wolny Młodzi bez dzieci. 0,24 0,27. Małżeństwa z dziećmi do 18. roku życia. 0,40. Małżeństwa z dziećmi powyżej 18. roku życia. 0,57. Puste gniazda Starsi stanu wolnego Suma (%). 0,77 0,87. 0,14 0,04 0,34 0,17 0,23 0,06. 0,30 0,03 0,59 0,33 0,01 0,12. 100. Źródło: opracowanie własne na podstawie Latent Gold.. 0,21 0,01 0,63 0,12 0,01 0,01 100. 0,46 0,70 0,01 0,10 0,22 0,01. 0,55 0,23 0,01 0,06 0,14 0,01 100. – 100 100 100 100 100 100.

(14) 34. Adam Sagan. Prawdopodobieństwa przynależności kategorii osób z poszczególnych faz cyklu życia do klas ukrytych wskazują, że segment osób z wczesnych faz cyklu życia cechuje się wysokimi prawdopodobieństwami przynależności do klasy komfortowej samochodów. Wraz z fazami cyklu życia potencjalni nabywcy przesuwają się do segmentu funkcjonalnego i kosztowego. Aż 87% przedstawicieli starszych klientów stanu wolnego należy do tego ostatniego segmentu. Literatura Bijmolt T.H.A., Paas L.J., Vermunt J.K., Country and Consumer Segmentation: Multi-level Latent Class Analysis of Financial Product Ownership, „International Journal of Research in Marketing” 2004, nr 21. Hofstede T.F., Wedel M., Steenkamp J.B., Identifying Spatial Segments in International Markets, „Marketing Science” 2002, nr 21. Hofstede T.F., Wedel M., Steenkamp J.B., International Market Segmentation based on Consumer-Product Relations, „Journal of Marketing Research” 1999, nr 36. Muthen B., Latent Variable Mixture Modeling [w:] New Developments and Techniques of Structural Equation Modeling, red. G.A. Marcoulides, R.E. Schumacker, Lawerence Erlbaum 2001. Myers J.H., Segmentation and Positioning for Strategic Marketing Decisions, American Marketing Association, Chicago 1996. Smith W.R., Product Differentiation and Market Segmentation as Alternative Marketing Strategies, „Journal of Marketing” 1956, nr 21(3). Vermunt J.K., Magidson J., Technical Guide for Latent GOLD 4.0: Basic and Advanced, Statistical Innovations Inc, Belmont, Massachusetts 2005. Wedel M., Kamakura W.A., Market Segmentation. Conceptual and Methodological Foundation, Springer, 1999. Wells D.W., Psychographics: A Critical Review, „Journal of Marketing Research” 1975, nr 12. Yankelovich D., New Criteria for Market Segmentation, „Harvard Business Review” 1964, Spring. A Model-based Approach to Market Segmentation The purpose of this article is to present a model-based approach to market segmentation. The author characterises the dimensions of segmentation analysis (objective and subjective, a-priori and post-hoc, descriptive and predictive segmentation) as well as the main estimation methods and the various model-based approaches to segmentation procedure. In the segmentation of car buyers, two main model-based approaches were applied: those based on general mixture models: latent class analysis and latent class regression.

(15) Podejście modelowe w segmentacji rynku. 35. models. The latent class analysis made it possible to determine the probability of belonging to latent market segments in a probabilistic and descriptive post-hoc approach to segmentation. The latent class regression models made it possible to isolate non-observed market segments on the basis of regression relationships in predictive post-hoc segmentation..

(16)