Fakulta podnikohospodářská
Hlavní specializace: Podniková ekonomika a management
Název diplomové práce:
METODY SEGMENTACE NA
PŘÍKLADECH AUTOMOBILOVÉHO PRŮMYSLU
Vypracovala: Dagmar Dušková
Vedoucí diplomové práce: doc. Ing. Jan Koudelka, CSc.
Prohlašuji, že diplomovou práci na téma
„Metody segmentace na příkladech automobilového průmyslu“
jsem vypracovala samostatně.
Použitou literaturu a podkladové materiály uvádím v přiloženém seznamu literatury.
V Praze dne 15.1.2007 Podpis
Poděkování
Ráda bych poděkovala doc. Ing. Janu Koudelkovi, CSc. za vedení mé diplomové práce, za jeho konzultace, četné připomínky, trpělivost a ochotu.
Dále bych tímto chtěla vyjádřit svoje poděkování Mgr. Jiřímu Vítkovi, řediteli mediálního plánování agentury MindShare a Ing. Jiřímu Udatnému, manažeru výzkumného oddělení mediální agentury MindShare za jejich náměty, praktické poznatky, cenné připomínky a čas, který mi ochotně věnovali. Patří jim oběma můj dík.
Úvod ...3
1 Segmentace trhu...3
1.1 Proč segmentovat trhy?...3
1.1.1 Pravidla segmentace trhu ...3
1.1.2 Výhody segmentace trhu ...3
1.2 Proces segmentace trhu...3
1.3 Příklad marketingového přístupu k segmentaci...3
1.3.1 Fáze 1: Vytváření segmentů...3
1.3.2 Fáze 2: Hierarchizace a výběr segmentů...3
2 Market & Media & Lifestyle – TGI ...3
2.1 Historie Market & Media & Lifestyle - TGI ...3
2.2 Projekt Market & Media & Lifestyle – TGI ...3
2.3 Formy výzkumu a zpracování MML – TGI dat ...3
3 Kategorizace proměnných ...3
3.1.1 Kategorizované proměnné ...3
3.1.1.1 Nominální stupnice (škála) ...3
3.1.1.2 Ordinální stupnice (škála)...3
3.1.1.3 Kardinální stupnice (škála) ...3
3.1.2 Spojité proměnné ...3
4 Kategorizace statistických metod ...3
5 Metody pro postižení významných kritérií ...3
5.1.1 Statistické třídění n-tého stupně a poziční mapa ...3
5.1.1.1 Třídění prvního stupně...3
5.1.1.2 Třídění druhého stupně...3
5.1.1.3 Třídění třetího stupně, případně vyšších stupňů...3
5.1.1.4 Poziční mapa...3
5.1.2 Statistická závislost proměnných...3
5.1.2.1 Kontingenční tabulka...3
5.1.2.1.1 Znaménková konvence ...3
5.1.2.2 Korespondenční analýza ...3
5.1.3 Faktorová analýza a analýza rozptylu (ANOVA)...3
6 Metody odkrytí segmentů...3
6.1.1 Popisná segmentační kritéria ...3
6.1.2 CHAID (chí-kvadrát AID) – rozhodovací stromy...3
6.1.2.1 První kriteriálně založené přístupy: Regrese a AID ...3
6.1.2.2 Alternativní algoritmus CHAID ...3
6.1.2.3 CHAID Modeling ...3
6.1.2.4 Analýza kvality modelu ...3
6.1.3 Shluková analýza (Cluster analysis) ...3
6.1.4 Vícerozměrné škálování (MDS = MultiDimensional Scaling)...3
7 Návrhy a doporučení v rozhodování agentury...3
Závěr ...3
Seznam obrázků...3
Seznam tabulek ...3
Seznam příloh...3
Příloha 1 Statistická závislost proměnných: Kontingenční tabulka ...3
Příloha 2 Statistická závislost proměnných: Pozorované a očekávané četnosti a příspěvky do chí –kvadrát...3
Příloha 3 Korespondenční analýza: Subjektivní mapa ...3
Příloha 4 Analýza rozptylu (ANOVA): Seznam 55 skrytých faktorů...3
Analýza rozptylu (ANOVA): Další statistická kritéria u 55 skrytých faktorů...3
Příloha 5 Popisná segmentační kritéria: ABCDE socioekonomická klasifikace ...3
Příloha 6 Rozhodovací stromy: Příklad – rozhodovací strom...3
Příloha 7 Shluková analýza: Seznam všech značek automobilů z MML dat...3
Příloha 8 Shluková analýza: Kategorizace značek automobilů dle modelů a kategorie „ostatní“...3
Literatura ...3
Motto:
„Data mining je analýza (často rozsáhlých) observačních dat s cílem nalézt netušené vztahy a sumarizovat data novými způsoby tak, že jsou
srozumitelná a užitečná pro jejich majitele.”1
Úvod
Cíl práce
Tato diplomová práce probíhala za spolupráce s mediální agenturou MindShare s.r.o.2 s využitím dat projektu Market & Media & Lifestyle (MML-TGI) agentury MEDIAN, která jsou k dispozici studentům na Vysoké škole ekonomické v Praze. Cílem této práce je vytvořit pro firmu MindShare kategorizaci metod nejčastěji používaných touto agenturou k vymezení cílových skupin, ukázat jak jednotlivé metody fungují na příkladech automobilového průmyslu a zhodnotit, do jaké míry tyto metody splňují úlohu v marketingovém procesu segmentace. Předmětem snažení je spojení teoretických poznatků o vícerozměrných statistických metodách používaných k marketingové segmentaci s praktickými poznatky marketingového uživatele. Jedná se tedy o úkol interdisciplinární, kde jsou spojovány zdánlivě mezi sebou nesouvisející odvětví, od statistiky přes sociometrii, psychometrii a ekonometrii až po marketing. Výsledkem práce je kategorizace jednotlivých segmentačních metod používaných agenturou MindShare z hlediska postižení významných kritérií a z hlediska odkrytí segmentů, rozdělení jednotlivých metod podle vhodnosti použití statistických proměnných a obecné zhodnocení jejich výhod, případně nedostatků pro praktické použití těchto segmentačních metod agenturou MindShare.
Obr. č. 1: Spojení poznatků statistické a marketingové segmentace
M S
Úvod do problematiky
Je obtížné najít v marketingu téma, které by bylo všudypřítomnější než tržní segmentace. Na širokém trhu, jako je například trh automobilů, nemůže firma obsluhovat všechny zákazníky. Zákazníků je příliš mnoho, jsou rozptýleni a odlišují se svými kupními požadavky. Firma tedy potřebuje identifikovat specifické tržní segmenty, které jsou z marketingové perspektivy firmy “nejlepší” a které již může firma obsluhovat mnohem efektivněji. K nalezení těchto tržních segmentů slouží právě proces segmentace. Cílem segmentace je tedy rozdělení zákazníků do homogenních skupin (nazývaných segmenty), které se mezi sebou navzájem co nejvíce odlišují (jsou heterogenní) s ohledem na dané kritérium.
Ačkoliv základní problém segmentace – klasifikace zákazníků do skupin – se může jevit jako úkol poněkud jednoduchý, výzkum tržní segmentace je jednou z nejbohatších oblastí v marketingové vědě z hlediska rozvoje segmentační metodologie3. Od té doby, co se tento koncept na konci 50.tých let objevil, segmentace se stala jedním z nejzkoumanějších témat v marketingové literatuře. V poslední době se tato literatura rozvinula kolem technologií, které pomocí analýzy rozsáhlých marketingových dat pomáhají identifikovat tržní segmenty. Mnohé z těchto technologií využívají již existujících statistických metod, ale i přesto některé podstatné problémy v oblasti tržní segmentace motivovaly vědce a výzkumníky k vývoji metod nových. Tyto nové metody se postupně rozšířily i do psychometrie, sociometrie a ekonometrie.
Jak jsem již naznačila, v rámci procesu segmentace trhu se využívá řady různých metod a technik. V odlišné literatuře se však setkáme s různým dělením těchto metod. Podle Koudelky4 rozdělujeme segmentační metody na metody deduktivní a metody induktivní segmentace. Mezi metody deduktivní segmentace řadíme například marketingové zpravodajství nebo obsahovou analýzu. Při obsahové analýze sledujeme například výskyt určitých prvků ve vybraných sděleních například v tištěné inzerci. Druhou skupinou metod procesu segmentace trhu jsou metody induktivní5 segmentace. A právě metody induktivní segmentace používané firmou MindShare jsou předmětem této práce.
Metody a techniky induktivní segmentace, které slouží k analýze dat, můžeme rozdělit jednak na metody pro postižení významných kritérií a jednak na metody odkrytí segmentů6.
3 Wedel, M. a Kamakura, W.: Market Segmentation, Conceptual and Methodological Foundations, 2nd ed., Kluwer Academic Publishers, 2000.
4 Koudelka, J., Segmentujeme spotřební trhy, Praha: Professional Publishing, 2005.
5 Indukce = metoda zkoumání, kdy se z jedinečných výroků usuzuje na obecný závěr, postup od zvláštního k obecnému.
Jednotlivé metody budou ilustrovány na příkladech, přičemž bude použito výše zmíněných MML dat z oblasti automobilového průmyslu. Z metod pro postižení významných kritérií bude zkoumáno například třídění n-tého stupně, kontingenční tabulka, znaménková konvence, korespondenční analýza, ze simultánních vícevariantních technik pak faktorová analýza pro přípravu dat s následnou aplikací jednokriteriální analýzy rozptylu (ANOVA). Z metod používaných k odkrytí segmentů bude ilustrován například postup CHAID (neboli chí-kvadrát AID) rozkládající data pomocí stromové techniky. K jeho ilustraci na konkrétním příkladě bude použit agenturou využívaný program AnswerTree, který je však pouze jedním z několika možných použitelných statistických programů. Následně bude zkoumána shluková analýza a nakonec se neméně zajímavá skupina explorativních statistických metod nazvaných vícerozměrné škálování, rovněž používaná v marketingové praxi pro odkrytí segmentů.
Většina metod bude aplikována z hlediska analýzy respondentů, neboť při tržní segmentaci vycházíme z přesvědčení, že zákazníci se ve svém spotřebním chování liší. Pokud firma „pozná“ lépe své zákazníky, může pak lépe přizpůsobovat své výrobky popř. služby potřebám a přáním svých cílových zákazníků. Navíc firma bude schopna na tyto zákazníky lépe zacílit, a tudíž i volba komunikačních a distribučních cest bude mnohem snadnější a finančně efektivnější. Dá se také předpokládat, že konkurence v tržním segmentu bude menší než konkurence na celkovém trhu. Některé metody pro odkrytí segmentů např.
shluková analýza a vícerozměrné škálování bude provedeno z hlediska analýzy značek (výrobců a modelů) automobilů. Jedná se o metody, pomocí kterých budou odkryty jednotlivé tržní segmenty.
1 Segmentace trhu
1.1 Proč segmentovat trhy?
Na úvod si řekněme, co to vlastně „segmentace trhu“ je a proč se jí v marketingové praxi věnuje taková pozornost. V širším slova smyslu může být segmentace trhu chápána z odlišných pohledů, a to buď jako stav, strategie nebo proces7. Segmentace trhu jako stav je chápána jako členitost trhu z hlediska tržních segmentů. Pokud na trhu existuje řada segmentů, hovoříme o vysoké segmentaci trhu. Z jiného pohledu můžeme segmentaci trhu chápat jako strategii, založenou na segmentaci trhu, tedy cílený marketing. Nejčastěji je však v marketingovém prostředí segmentace trhu chápána jako proces, ve kterém se snažíme odkrýt tržní segmenty, které odrážejí podstatné diference mezi spotřebiteli. Segmentace trhu jako proces probíhá v několika fázích a využívá se přitom různých segmentačních metod. Pro účely této práce bude segmentace trhu chápána jako proces, přičemž budou zkoumány jednotlivé metody segmentace trhu.
Proces segmentace trhu vychází z poznatku, že zákazníci se od sebe odlišují a to ve svých potřebách a přáních, v kupní síle, geografickém umístění, ale i v kupních postojích a zvycích. Uveďme si příklad výrobce v oblasti automobilového průmyslu. Výrobce automobilů může například identifikovat následující širší tržní segmenty: zákazníky, kteří si kupují automobil pro základní přepravu; zákazníky, kteří si kupují automobil pro jeho vysokou výkonnost; zákazníky, kteří vyhledávají luxus; a ty, kteří při koupi automobilu vyhledávají především bezpečnost. Tato různorodost zákazníků vede marketingové výzkumníky a specialisty k tomu, aby se zabývali jednotlivými odlišnostmi s cílem seskupit zákazníky resp. spotřebitele do homogenních skupin tzv. tržních segmentů. Philip Kotler (2001) definuje tržní segment jako „skupinu jednotlivců, skupin nebo organizací, kteří sdílí jednu nebo více podobných vlastností, díky nimž mají podobné potřeby, co se týče výrobků nebo služeb.“8
Jelikož zákazník stojí v centru marketingového přístupu trhu,9 musíme ho nejdříve nalézt, abychom ho mohli uspokojit. Abychom našli vhodného zákazníka pro náš produkt, musíme nejdříve identifikovat jeho odlišnosti ve spotřebním chování oproti ostatním
7Koudelka, J.: Segmentujeme spotřební trhy, Praha, Professional Publishing, 2005, str.15.
8 In Malý, V.: Marketingový výzkum, Teorie a praxe, Nakladatelství Oeconomica, 2004, str.142.
zákazníkům. A právě k tomu slouží proces segmentace trhu, který představuje úsilí firmy dosáhnout dokonalého zacílení.10
1.1.1 Pravidla segmentace trhu
Dříve, než se budeme blíže zabývat procesem segmentace trhu, seznamme se s pravidly resp. podmínkami, které přímo souvisí s procesem segmentace trhu. Ve své knize Marketing uvádí Boučková (2003) dvě základní podmínky segmentace trhu:
každý segment by měl být homogenní; jedná se o nalézání takových skupin zákazníků a spotřebitelů, kteří si jsou uvnitř daného segmentu co nejvíce podobni svými tržními projevy na daném trhu,
segmenty navzájem mezi sebou by měly být naopak svými tržními projevy na daném trhu co nejvíce odlišné, tj. heterogenní11 a to tak, že každý segment má vyhraněné požadavky a můžeme na něj aplikovat stejně vyhraněnou marketingovou strategii.
1.1.2 Výhody segmentace trhu
Položme si nyní otázku, proč je pro nás jako pro firmu hledání a odkrytí tržních segmentů výhodné. Existuje celá řada výhod, pokusme se však shrnout ty nejdůležitější.
V první řadě, rozeznání odlišností zákazníků je klíčem k úspěšnému marketingu, jelikož firma může lépe přizpůsobit své výrobky a služby potřebám zákazníka. Tam, kde je to vhodné, může vést segmentace také k tzv. niche marketingu. Jedná se o specializovaný trh, kde může firma uspokojit potřeby zákazníků právě v tomto výklenkovém segmentu, což vede k dominanci tohoto segmentu, čehož není často možné dosáhnout na celém trhu. Další výhodou segmentace je možnost soustředění firemních zdrojů na trhy, kde má firma největší konkurenční výhodu a nejvyšší výnosy. Segmentace může být použita také ke získání konkurenční výhody tím, že umožňuje, abychom uvažovali o trhu jinými způsoby než to dělá naše konkurence. Díky prostředkům segmentace můžeme také naši firmu zviditelnit jako specialistu ve vybraném segmentu, s lepším porozuměním zákaznických potřeb, a tím získávání výhod pro naše výrobky a služby před výrobky a službami našich konkurentů.
V této souvislosti je nutno poznamenat, že v marketingu nemusíme vždy využít zaměření na tržní segmenty. Existují i situace, kdy diference mezi zákazníky se víceméně neprojevují, nebo nejsou podstatné z hlediska marketingové orientace, nebo mohou být
významné, ale díky převaze poptávky nad nabídkou je zákazníci nepromítají do svého tržního rozhodování.12 V tomto případě je účelné využít tzv. tržně nediferencovaného marketingu (konvergentní strategie). Setkáváme se s ním často pod pojmem hromadný neboli masový marketing.
Předmětem našeho dalšího zkoumání však bude cílený marketing (divergentní strategie), který využívá právě strategie tržní segmentace.
1.2 Proces segmentace trhu
Podívejme se nyní na rozdělení procesu segmentace trhu do jednotlivých fází. Některá literatura uvádí základní, jiná podrobnější dělení procesu segmentace trhu. Pro pochopení procesu segmentace trhu je velmi názorné a výstižné členění dle Koudelky13 do čtyř hlavních rovin, které znázorňuje obrázek č.2.
Obr. č. 2: Roviny procesu segmentace trhu
I. Vymezení daného trhu
II. Postižení významných kritérií
III. Odkrytí segmentů
IV. Rozvoj profilu segmentů
První fází procesu segmentace trhu je vymezení daného trhu. Jedná se o zodpovězení otázky „Co se chystáme segmentovat?“ Jinými slovy kde, tedy v jakém tržním prostředí a na jaké úrovni se chystáme segmentovat. Tato rovina nebude předmětem zkoumání naší práce.
12 Koudelka, J.: Segmentujeme spotřební trhy, Praha, Professional Publishing, 2005, str.9.
13
Naše bádání bude zaměřeno na druhou a třetí rovinu, čili na postižení významných segmentačních kritérií a odkrytí tržních segmentů. Budeme prověřovat, do jaké míry jsou jednotlivá kritéria účinná při nalézání významných odlišností mezi jednotlivými segmenty.
Až pokud nalezneme takovou proměnnou, můžeme ji využít v procesu poznávání a zkoumání tržních segmentů pomocí různých statistikcých metod a postupů. Jedním z hlavních úkolů naší práce bude nalezení využití těchto metod v procesu poznávání a odkrývání tržních segmentů, ale i jejich kategorizace dle vhodnosti použitých proměnných. Fáze odkrytí segmentů by nám měla přinést jasnou představu o tom, kteří spotřebitelé patří do kterého konkrétního segmentu. Tímto však proces tržní segmentace nekončí. Je zapotřebí ještě rozhodnout, na které segmenty se pomocí cíleného marketingu zaměříme a jak jednotlivé segmenty „oslovíme.“ Proto je důležitá i poslední fáze, rozvoj profilu segmentů, která nám poskytne další důležité informace o jednotlivých segmentech.
1.3 Příklad marketingového přístupu k segmentaci
Podívejme se nyní na konkrétní příklad toho, jak můžeme z marketingového hlediska přistupovat k tržní segmentaci. Tento přístup rozděluje proces segmentace trhu do dvou základních fází, které se dále dělí na jednotlivé etapy a kroky14:
Fáze 1 Vytváření segmentů
Fáze 2 Hierarchizace a výběr segmentů
První fáze procesu zahrnuje důležité kroky pro vytvoření segmentů pro náš trh. Tato fáze by měla být aplikována na celý trh, ve kterém naše firma operuje, ne pouze na tu část trhu, ve které je naše firma úspěšná. Proto sem spadají nejenom naši zákazníci, ale i zákazníci naší konkurence, spolu s výrobky nebo službami, které jsou koupeny těmito zákazníky.
Druhá fáze procesu se potom zabývá výběrem těch segmentů, ve kterých by měla naše firma operovat.
Jednotlivé fáze, etapy a kroky procesu segmentace trhu dle McDonalda a Dunbara jsou zachyceny na následujícím obrázku15.
Obr. č. 3: Proces segmentace trhu
Krok 1 – Vymezení daného trhu Rozsah projektu
Krok 2 – Mapování trhu Struktura a rozhodovatelé
Krok 3 – Kdo stanovuje co Rozhodovatelé a jejich nákupy Etapa 1 – Trh a jeho fungování
Etapa 2 – Rozhodovatelé a obchodní transakce
Etapa 3 – Segmentování trhu
Krok 4 – Proč Potřeby rozhodovatelů
Krok 5 – Utváření segmentů Spojování stejně smýšlejících
rozhodovatelů
Fáze 1: Vytváření segmentů
1.3.1 Fáze 1: Vytváření segmentů
Krok 1 - Vymezení daného trhu
Prvním krokem segmentačního procesu je vymezení daného trhu, čili určení rozsahu segmentačního projektu pomocí specifikace geografických oblastí spadajících do projektu
a dále jasné porozumění zákazníkových úmyslů vstoupit na trh z hlediska užití nebo záměru koupit náš výrobek nebo službu nebo výrobek či službu našeho konkurenta.
Krok 2 – Mapování trhu
Druhým krokem je mapování trhu, které spočívá v prezentaci vymezeného trhu formou diagramu. Jedná se o vývojový diagram, který znázorňuje tok peněz od konečných uživatelů do naší firmy, ke konkurentům, dodavatelům, a výrobky a služby od dodavatelů proudí ke konečným uživatelům. Na mnoha trzích je však použití vývojového diagramu znázorňujícího jednoduše fyzické etapy distribučního řetězce nedostačující a to ve zobrazení role, kterou hrají „ovlivňitelé“ nákupního rozhodnutí nebo zaběhlé postupy při nákupním rozhodování, se kterými se firmy na trhu setkávají. Z pohledu dodavatelů představuje mapa trhu spíše překážkovou dráhu, kterou musí překonat, aby se dostali ke konečnému uživateli.
Jakmile je mapa trhu hotova, je nutno rozhodnout, ve kterých momentech jsou dělána rozhodnutí o koupi konkurenčních výrobků nebo služeb, protože se jedná právě o tyto momenty, ve kterých by se měla segmentace uskutečnit.
Mapování trhu nám také umožňuje zavést do procesu jakoukoli současnou segmentační strukturu, kterou máme pro daný trh, který hodláme segmentovat a otestovat jeho validitu.
Krok 3 – Kdo stanovuje co
Třetí krok nám umožňuje podívat se na jakékoli z rozhodujících momentů na mapě trhu a vytvořit takový model trhu, který je založen na odlišných zákaznících a jejich obchodních transakcích. Tento proces vyžaduje zaznamenání klíčových aspektů vyhledávaných trhem při rozhodování mezi konkurenčními nabídkami. Klíčové aspekty jsou vybrány ze skutečně nabízených výrobků a služeb (co je koupeno) a z možností prezentovaných tím, kde tyto výrobky a služby mohou být koupeny, kdy mohou být koupeny a jak.
Právě během tohoto kroku jsou zaznamenávány informace o rozhodovatelích, které mohou být použity k jejich identifikaci na trhu.
Krok 4 – Proč
Ve třetím kroku jsme se zabývali pohledem na trh pomocí obchodních transakcí. Ve čtvrtém kroku již odhlížíme od tohoto pohledu na trh a zkoumáme nyní, proč jsou vyhledávané aspekty důležité pro rozhodovatele při rozhodování mezi alternativními nabídkami. Poté, co porozumíme skutečným potřebám rozhodovatelů a také užitku, který jim výrobky či služby přináší, můžeme posoudit relativní hodnotu každé „kolonky“ našeho modelu, který jsme vytvořili ve třetím kroku. Dále je zaznamenáno, jak důležitou roli hraje cena při každém nákupu.
Krok 5 – Utváření segmentů
V pátém kroku jsou potom popisovány techniky pro seskupování těchto kolonek dohromady tak, abychom dosáhli nejlepšího vhodného seskupení. Kolonky, které jsou si navzájem podobné vzhledem k relativní důležitosti potřeb rozhodovatelů jsou pak sloučeny tak, aby vytvořili segmenty. Počet závěrečných segmentů se na většině trzích pohybuje mezi pěti až deseti.
Každý segment je potom nutno podrobit konfrontaci s realitou, založené na velikosti každého segmentu, diferenciaci mezi nabídkami, které požadují, naší schopnosti identifikovat a zasáhnout odlišné zákazníky nalezené v každém segmentu, a slučitelnosti těchto segmentů s naší firmou.
1.3.2 Fáze 2: Hierarchizace a výběr segmentů
Druhá fáze procesu segmentace trhu se zabývá výběrem těch segmentů, ve kterých bude naše firma operovat a pro které bude vyvíjet marketingové strategie.
Krok 6 - Stanovení hledisek hodnotících atraktivitu segmentu (ATA)
V šestém kroku celkového procesu segmentace trhu nejdříve stanovíme hlediska, podle kterých by naše firma hodnotila atraktivitu jakéhokoli segmentu vzhledem k naší firmě.
Poté je stanovena relativní důležitost těchto hledisek navzájem, která je následně kvantifikována u každého z nich. Potom je kalkulován celkově dosažený počet bodů atraktivnosti pro každý konečný segment, který je založen na tom, jak dobře každý z nich splňuje požadavky naší firmy.
V této souvislosti se někdy hovoří o tzv. všeobecných hlediscích pro hodnocení segmentů – absolutní tržní atraktivitě segmentu (ATA)16. Jedná se o taková hlediska, která jsou v některých směrech všeobecně lepší, a to víceméně bez ohledu na to, která firma hodnocení provádí. Můžeme sem zařadit ekonomickou výhodnost segmentu jako např.
velikost segmentu, kupní sílu segmentu a dále pohled na stav marketingového prostředí jako např. míru konkurence nebo výskyt substitutů.
Krok 7 - Stanovení konkurenceschopnosti firmy v rámci jednotlivých segmentů (RTA) Posledním krokem segmentačního procesu je z hlediska segmentu stanovení schopnosti naší firmy splnit požadavky každého konečného segmentu v porovnání se schopností konkurence splnit tyto požadavky.
Opět se v tomto smyslu hovoří o relativní tržní atraktivitě segmentu (RTA)17, která vyjadřuje postavení či možnosti firmy vůči danému segmentu.
Sloučením atraktivity segmentů (ATA) a relativní konkurenceschopnosti firmy v rámci jednotlivých segmentů (RTA) můžeme sestavit strategický obraz našeho trhu, který může být použit k výběru těch segmentů, které umožní naší firmě dosažení podnikových cílů.
Na základě výše uvedeného příkladu marketingového přístupu firmy k segmentaci můžeme rozšířit dvě základní podmínky segmentace trhu týkající se vnitřní homogenity segmentů a heterogenity mezi dvěma odlišnými segmenty ještě o několik následujících doplňujících pravidel18:
každý segment by měli tvořit takoví zákazníci, kterých se nákup bezprostředně týká a to tak, že buď provádějí samotné nákupní rozhodování nebo mohou nákupní chování ovlivnit,
každý segment by měl být dostatečně potencionálně velký, aby ospravedlnil čas a úsilí, které musí být vynaloženo na plánování dané podnikové příležitosti,
každý segment by měl být dosažitelný pro odbyt a stávající či potenciální distribuční cesty,
každý segment by měl být identifikovatelný souborem charakteristik tak , aby zákazníci v tomto segmentě mohli být zasaženi vyhraněnou a cenově efektivní komunikační strategií,
firma by měla být schopna provádět potřebné změny v její struktuře, informačních a rozhodovacích systémech tak, aby se tyto soustředily na nové segmenty.
2 Market & Media & Lifestyle – TGI
Jednotlivé statistické metody a jejich využití v procesu segmentace trhu budou prezentovány na příkladech z oblasti automobilového průmyslu s použitím MML dat z roku 2004. Důvodem je jednak dostupnost těchto dat pro studenta na VŠE v Praze a dále široká použitelnost těchto dat v mediálních agenturách. V této kapitole se tedy blíže seznámíme s projektem MML, jeho historií, formami výzkumu a zpracování těchto dat.
2.1 Historie Market & Media & Lifestyle - TGI
Projekt Market & Media & Lifestyle – TGI je v České republice realizován od roku 1997 agenturou pro výzkum trhu, médií a veřejného mínění MEDIAN s.r.o. Obdobný typ výzkumu se provádí v dalších 49 zemích světa (např. USA, Francie, SRN, Ruská federace, Polsko, Maďarsko) v licenční spolupráci s britskou společností BMRB International, kde tento projekt běží pod značkou TGI (Target Group Index) od roku 1969. Od té doby je v Británii oslovováno ročně 25 000 občanů starších patnácti let za účelem účasti na tomto výzkumu.
2.2 Projekt Market & Media & Lifestyle – TGI
Projekt Market & Media & Lifestyle – TGI je výzkumem prováděným kontinuálně po celý rok, s výstupem dat čtyři krát ročně, vždy za uplynulý klouzavý půlrok. Od roku 2000 je garantován minimální výběrový vzorek 15000 respondentů. Data jednotlivých vln výzkumu jsou tedy sbírána na polovině ročního garantovaného počtu respondentů, tj. minimálně 7500 lidí. Výzkum však umožňuje i spojení dat za celý rok, čehož využijeme i pro účely této práce.
Při ilustraci využití jednotlivých metod analýzy dat budeme pracovat s výstupem MML dat z roku 2004, který proběhl ve čtyřech vlnách (I.- IV. kvartál) na 16133 respondentech.
Cílem projektu MML-TGI je ve spolupráci se stávajícími i potenciálními klienty pružně reagovat na nové situace na trhu tak, aby mohl poskytovat marketingovým manažerům aktuální a komplexní informace o trhu a tím zvyšovat pravděpodobnost jejich správného rozhodování v oblasti cíleného marketingu, mediálního plánování a reklamních aktivit. Mezi uživatele dat patří zejména reklamní agentury, mediální agentury, média, marketingoví specialisté, výrobci, podnikatelé, poradci, distributoři, prodejci nebo obchodníci. Pomocí
2.3 Formy výzkumu a zpracování MML – TGI dat
Agentura MEDIAN disponuje svou vlastní tazatelskou sítí, jejímž prostřednictvím realizátoři tohoto projektu sbírají data v terénu. Data jsou získávána z jednoho zdroje (single source), což v praxi znamená, že informace o 200 kategoriích výrobků (3000 značek) a služeb (včetně informací o finančnictví a bankovních službách), o 400 médiích (tisk, rozhlas, televize), životním stylu (700 výroků) i sociodemografii, pocházejí od stejného respondenta.
Výběrový soubor tvoří obyvatelé České republiky ve věku 12-79 let. Výběr respondentů byl uskutečněn metodou náhodného výběru tak, aby svým složením odpovídal struktuře populace České republiky podle věku, pohlaví, vzdělání, místa bydliště a velikosti sídla. Minimální velikost výběrového vzorku, jak již bylo zmíněno, je 7500 respondentů.
Vlastní sběr dat realizuje agentura MEDIAN jednak metodou osobních rozhovorů tazatele s respondentem (face to face) a jednak samostatným vyplněním dotazníku respondentem. Vyplněné dotazníky jsou následně osobně vyzvednuty tazatelem a odeslány na adresu realizátora projektu.
Poté, co realizátoři výzkumu shromáždí data získaná z aplikace výše popsaných metod marketingového výzkumu, musí být tato data nejdříve zpracována a upravena. Vedle prověřování validity získaných údajů zjišťuje MEDIAN i možné zdroje chyb, které je nutné podchytit a upravit již v této fázi, aby nedocházelo ke zkreslení výsledků výzkumu. Mezi nejčastější chyby patří jednak chyby způsobené tazatelem, kdy tazatel klade respondentům otázky nesprávným způsobem, a jednak neadekvátní, nekonzistentní či irelevantní odpovědi v dotazníku. Data musí být proto zkontrolována z hlediska jejich úplnosti, jednoznačnosti a logičnosti a následně dočištěna.
Nasbíraná a upravená data realizátoři nejdříve přepíší z dotazníků do datové matice a následně je kódují. Procesem kódování se rozumí převedení slovních výrazů do symbolů (numerických nebo písemných znaků), neboli převedení dat do elektronické podoby, což umožňuje jejich analýzu pomocí výpočetní techniky. Po úspěšném kódování dat je pak provedena jejich analýza, která slouží k vyhodnocení výsledků. K analýze zpracovaných dat se používají matematicko-statistické metody, z nichž aplikace a využití některých z nich bude předmětem našeho zkoumání.
3 Kategorizace proměnných
Dříve, než se budeme zabývat jednotlivými statistickými metodami využívanými pro analýzu marketingových dat, je důležité, abychom se seznámili s kategorizací statistických proměnných, neboť stupnice (škála), ve které jsou data měřena, rozhoduje o možnosti použít příslušnou statistickou metodu. Ze statistického hlediska jsou rozlišovány následující typy proměnných.
3.1.1 Kategorizované proměnné
3.1.1.1 Nominální stupnice (škála)
Nominální neboli jmenná stupnice představuje nejjednodušší typ stupnice měření proměnných. Ze statistického hlediska jde o kvalitativní proměnné, které mohou být buď binární nebo vícestavové. Binární proměnné jsou takové proměnné, které definují přítomnost 1 nebo nepřítomnost 0 nějakého znaku. Příkladem binární proměnné může být například pohlaví (1 muž, 0 žena). Vícestavové proměnné jsou potom proměnné, které jsou kódované obvykle čísly 0, 1, 2, … . Příkladem vícestavové proměnné mohou být například regiony (1 Praha, 2 Středočeský kraj, 3 Jihočeský kraj, 4 Plzeňský kraj, 5 Karlovarský kraj atd.).
Vícestavové kvalitativní proměnné se obyčejně převádějí na umělé binární proměnné19.
3.1.1.2 Ordinální stupnice (škála)
Vyšším typem stupnice je stupnice ordinální neboli pořadová, která umožňuje uspořádání znaků subjektivně a lze provést logické uspořádání proměnných do stupnice od nejvýhodnějšího po nejméně výhodné. Příkladem může být například vzdělání (1 ZŠ, 2 SŠ, 3 VŠ, atd). Ze statistického hlediska jde o semikvantitativní znaky, kde jsou sice kategorie mezi sebou uspořádány, ale nemají mezi sebou měřitelné rozdíly. To znamená, že o žádné dvojici kategorií nemůžeme poskytnout informaci ve smyslu o kolik, resp. kolikrát je jedna kategorie lepší nebo horší než druhá.
3.1.1.3 Kardinální stupnice (škála)
Nejvyšším typem stupnice je stupnice kardinální. Jedná se o takovou stupnici, v níž je zavedena metrika (vzdálenost), takže lze provádět matematické operace jako je sčítání, odčítání, násobení a dělení. Je důležité si uvědomit, že tento nejvyšší typ stupnice dovoluje všechny operace jako stupnice předchozí a některé operace navíc, a že tedy přechod od vyšší stupnice k nižší není příliš žádoucí (přesto však při ztrátě informací možný). Z hlediska volby analytických postupů jsou nejvýhodnější datové soubory, které obsahují pouze nebo alespoň převážně proměnné kvantitativní.
Příkladem kardinální proměnné je například příjem, který je rozdělen do kategorií (bez příjmu, 0-4000, 4001-8000, 8001-12000, 12001-16000, atd.) Kardinální stupnice může mít podobu stupnice intervalové nebo poměrové. V intervalové stupnici (škále) je možné provádět také sčítání a odčítání. Není zde však zaveden přirozený nulový bod. V poměrové škále je možné vyjádřit i poměr mezi objekty (dělení), to znamená, že je zaveden přirozený počátek.
3.1.2 Spojité proměnné
Postupy při práci s proměnnými jsou dány také oborem jejich hodnot. Na základě tohoto kritéria rozlišujeme ze statistického hlediska také nespojité (diskrétní) kvantitativní proměnné nebo kvantitativní proměnné spojité. Nespojité statistické proměnné nabývají pouze některých číselných hodnot (přirozených čísel nebo celých nezáporných čísel) jako např. počet členů v domácnosti. Spojité statistické proměnné mohou nabývat v rámci určitého intervalu libovolných hodnot například čistý měsíční příjem respondenta.
Pro analýzu je výhodnější, jsou-li proměnné spojité nebo nabývají-li velkého počtu hodnot20.
Na základě uvedeného základního třídění statistických proměnných bylo v rámci diplomové práce vytvořeno schéma, které na obrázku č.4 graficky znázorňuje kategorizaci jednotlivých proměnných. Růžovou barvou byly označeny slovní (kvalitativní) proměnné, modrou barvou pak číselné (kvantitativní) proměnné.
Obr. č. 4: Schéma kategorizace proměnných
Proměnné (statistické znaky)
Kategorizované Spojité
Nominální Ordinální Kardinální
Binární Vícestavové
slovní neboli kvalitativní proměnné
číselné neboli kvantitativní proměnné
4 Kategorizace statistických metod
V této kapitole se budeme zabývat kategorizací statistických metod používaných agenturou MindShare a jejich praktickým využitím.
Z technického hlediska může analýza dat probíhat poměrně mnoha způsoby. Do jisté míry lze pohled na analytické postupy uspořádat podle jejich zapojení do určité fáze procesu segmentace trhu21. Podle tohoto zapojení rozlišujeme jednak metody pro postižení významných kritérií a jednak metody odkrytí segmentů. Statistická literatura22 uvádí poměrně velké množství obou skupin těchto metod, avšak v rámci této práce se zaměříme pouze na statistické metody používané společností MindShare.
S ohledem na posloupnost jednotlivých fází procesu segmentace trhu se budeme zabývat nejdříve metodami pro postižení významných kritérií. Z metod pro postižení významných kritérií používá agentura MindShare například korespondenční analýzu, faktorovou analýzu a analýzu rozptylu. Pro doplnění, statistická literatura uvádí kromě těchto metod ještě metody další, například analýzu hlavních komponent nebo diskriminační analýzu.
Z metod odkrytí tržních segmentů používá MindShare shlukovou analýzu, vícerozměrné škálování, ale i rozhodovací stromy.
Použití výše uvedených metod bude ilustrováno na příkladech automobilového průmyslu. U jednotlivých příkladů budou uváděny pouze výstupy použitelné pro marketingovou praxi, které budou následně interpretovány. Ostatní statistická kritéria nebudou uváděna.
V rámci diplomové práce byla pro agenturu MindShare vytvořena kategorizace metod z hlediska vhodnosti typu použité proměnné (viz. Tab.č.1). Tato tabulka představuje splnění jednoho z dílčích cílů této diplomové práce.
21Koudelka, J., Segmentujeme spotřební trhy, Praha: Professional Publishing, 2005, str.126.
Tab. č. 1: Metody analýzy dat z hlediska typu používaných proměnných
TYP METODY TYP PROMĚNNÉ
1. Metody pro postižení významných kritérií
Třídění n-tého stupně Kategorizované
Poziční mapa Číselné
Kontingenční tabulka Kategorizované
Korespondenční analýza Kategorizované
Faktorová analýza Číselné
Analýza rozptylu (ANOVA) Kategorizované a spojité 2. Metody odkrytí segmentů
Popisná segmentační kritéria Jakákoli proměnná
a) Cílové proměnné – Kategorizované CHAID (chí-kvadrát) AID – rozhodovací
stromy b) Prediktory – Kategorizované nebo Spojité
Shluková analýza Číselné
Vícerozměrné škálování Spojité
5 Metody pro postižení významných kritérií
5.1.1 Statistické třídění n-tého stupně a poziční mapa
Výsledkem statistického šetření bývá zpravidla velké množství číselných údajů, které jsou však dosti nepřehledné. Aby se údaje staly přehlednými a aby vynikly charakteristické rysy a zákonitosti analyzovaného souboru, je zapotřebí je setřídit. Tříděním tedy rozumíme rozdělení jednotek souboru do takových skupin, aby co nejlépe vynikly charakteristické vlastnosti zkoumaných jevů. Nejenže tříděním je dosaženo uspořádání údajů do přehledné formy, ale dojde také k jejich zhuštění.
Získané údaje jsou uváděny v četnostech, tj. kolikrát se daný jev ve výběrovém souboru vyskytuje a vzniklou tabulku nazýváme tabulkou rozdělení četností23 (viz. Tab.č.2).
Rozlišujeme jednak četnosti absolutní (n), které se vyjadřují v absolutních číslech, a jednak četnosti relativní (p), které se uvádí v procentech. Pokud chceme mezi sebou porovnávat různá rozdělení četností lišící se svým rozsahem, je vhodné převést absolutní četnosti na četnosti relativní. Relativní četnosti jsou získány jako podíl jednotlivých absolutních četností k celkovému souboru. Relativní četnosti jsou pro srovnání a interpretaci výsledků praktičtější.
Kromě rozdělení absolutních a relativních četností je někdy používáno také rozdělení kumulativních absolutních a kumulativních relativních četností, které říkají, kolik jednotek souboru, resp. jaká poměrná část souboru má variantu znaku menší nebo rovnou určité dané obměně.
Tab. č. 2: Tabulka rozdělení četností
Četnost Kumulativní četnost
Varianta
znaku xi absolutní ni relativní pi absolutní relativní
x1 n1 p1 n1 p1
x2 n2 p2 n1+n2 p1 + p2
…. …. …. ….
xn nk pk
∑
= k =
i
i n
n
1
∑
= k =
i
pi 1
1
Celkem
∑
= k =
i
i n
n
1
∑
= k =
i
pi 1
1 x x
V souvislosti s používáním statistických metod je důležité zmínit tzv. výběrovou chybu (statistickou odchylku). Při volbě počtu dotazovaných respondentů vycházíme z toho, jak velká je tato výběrová chyba přijatelná. Zjednodušeně řečeno, výběrová chyba říká, jak se získané výsledky liší od skutečnosti. Čím menší bude výběrový soubor, tím větší bude výběrová chyba a tím se budou získané údaje více lišit od skutečnosti.
Statistické třídění patří k nejjednodušším metodám analýzy dat, přičemž je rozlišováno několik stupňů třídění dat. Je-li prováděno třídění pouze podle obměn jedné proměnné (jednoho statistického znaku), jedná se o jednostupňové třídění. Je-li prováděno třídění podle více proměnných najednou, jde o vícestupňové třídění.
Popis ukazatelů MML - TGI dat
K tomu, abychom byli schopni v následujících příkladech statisticky interpretovat výsledky MML dat z programu Data Analyzer, je nutné, abychom se seznámili s několika nejpoužívanějšími ukazateli sloužících k interpretaci těchto dat. Prvním důležitým ukazatelem je ukazatel 000 (projekce v tisících). Tato hodnota vyjadřuje, kolik osob resp. domácností v populaci splňuje podmínku v řádku a zároveň ve sloupci. Druhým důležitým ukazatelem je tzv. řádkové procento (ř.%). Řádkové procento vyjadřuje procento z položky umístěné v řádku. Třetím důležitým ukazatelem je pak tzv. sloupcové procento (s.%), které vyjadřuje procento z položky umístěné ve sloupci. Procento z celé populace vyjadřuje tzv. bazické procento (b.%).
Kromě těchto ukazatelů je možno v Data Analyzeru pracovat s odvozenými ukazateli, mezi které patří například Index. Index říká, zda je procentuelní zastoupení skupiny osob v řádku ve skupině ve sloupci vyšší nebo nižší, než v celé populaci. Jinými slovy, index ukazuje, o kolik je více obyvatel ve vybrané cílové skupině oproti tomu, jak je zastoupena cílová skupina v celkové populaci. Počítá se jako % sloupcové v daném políčku dělené % sloupcovým, které se nachází v průniku sloupce Celkem a příslušného řádku. Vzhledem k tomu, že na smyslu získává index až při proložení jednoho jevu druhým, již do značné míry překonává rámec třídění prvního stupně.
5.1.1.1 Třídění prvního stupně Statistický popis metody
Třídění prvního stupně je nejjednodušší statistickou analýzou, při které jsou zkoumány četnosti jednotlivých kategorií u jedné proměnné. To znamená, že je porovnáván počet zastoupení každého druhu odpovědi u jednotlivých otázek.
Třídění prvního stupně udává výsledky za celý výběrový soubor, to znamená jak odpovídali všichni respondenti bez dalšího členění.
Příklad
Tab. č. 3: Transformace do marketingového problému
Statistika Marketing
VSTUP Jedna proměnná Máte ve Vaší domácnosti automobil?
VÝSTUP Četnost jednotlivých kategorií u jedné proměnné
Skupiny lidí dle počtu automobilů v domácnosti
Tab. č. 4: Třídění prvního stupně
Máte ve Vaší domácnosti automobil (vlast./fir. pro soukr. úč./na leas.)?
Celkem
CS: CS Všichni Prj 000 ř.% s.% b.% Index
ano - 1 auto 4 684 100,0 53,7 53,7 100,0
ano - 2 auta 414 100,0 4,7 4,7 100,0
ano - 3 auta a více 44 100,0 0,5 0,5 100,0
ne/žádné 3 582 100,0 41,1 41,1 100,0
Popis příkladu
V tabulce č.4 je uveden příklad třídění prvního stupně. Respondenti odpovídali na otázku, zda mají ve své domácnosti automobil, a to ať už vlastní, firemní pro soukromé účely nebo na leasing. Názvy jednotlivých kategorií tvoří jedno auto, dvě auta, tři a více aut nebo žádné auto. V tabulce jsou uvedena jak procenta (řádková, sloupcová, bazická) tak absolutní čísla (počet nevážených respondentů), čehož se využívá obzvláště, jedná-li se o menší četnosti.
Z tabulky je zřejmé, že ze všech respondentů má 53,7% dotazovaných jeden automobil, 4,7% dotazovaných má v domácnosti dva automobily, 0,5% dotazovaných má tři a více automobilů a 41,1% nemá ve své domácnosti automobil žádný.
Vyhodnocení metody
Výhody Nevýhody
• Nejjednodušší statistická analýza • Nepostihuje žádné vztahy mezi jednotlivými otázkami
• Značná přehlednost • Udává odpovědi všech respondentů bez dalšího podrobnějšího členění
5.1.1.2 Třídění druhého stupně Statistický popis metody
Pokud je k dispozici větší objem dat, kde jednotlivé kategorie jsou více zastoupeny, pak třídění prvního stupně již nestačí a provádí se tzv. třídění druhého stupně. V praxi bývá někdy označováno jako profilování. Třídění druhého stupně udává, jak odpovídali jednotlivé skupiny respondentů. Ve skutečnosti se porovnávají dvě proměnné mezi sebou, jinými slovy jde o dvourozměrné rozdělení četností. Třídění druhého stupně již umožňuje sledovat závislosti mezi proměnnými. Může nás například zajímat, zda si respondenti pořídili nový nebo ojetý automobil v závislosti na jejich čistém měsíčním příjmu.
Příklad
Tab. č. 5: Transformace do marketingového problému
Statistika Marketing
VSTUP Dvě proměnné
Pořídili jste si nové nebo ojeté auto?
Jaký je čistý měsíční příjem respondenta?
VÝSTUP Dvourozměrné rozdělení četností Počet lidí s novými nebo ojetými auty v závislosti na příjmu
Tab. č. 6: Třídění druhého stupně
Pořídili jste si toto auto nové nebo již ojeté?
bez příjmu 0 Kč - 8.000 Kč 8 001 - 12.500 Kč CS: CS
Všichni Prj
000 ř.% s.% b.% Index Prj
000 ř.% s.% b.% Index Prj
000 ř.% s.% b.% Index nové auto 291 14,4 30,8 3,3 133,0 381 18,9 16,7 4,4 72,1 366 18,1 19,4 4,2 83,8 ojeté auto 326 10,7 34,5 3,7 99,2 643 21,2 28,2 7,4 81,1 676 22,3 35,9 7,7 103,3 neuvedeno 12 13,5 1,2 0,1 125,0 14 16,2 0,6 0,2 62,0 13 15,3 0,7 0,2 70,7
Pořídili jste si toto auto nové nebo již ojeté?
12.501 - 17.500 Kč 17.501 - 25.000 Kč
CS: CS Všichni Prj 000 ř.% s.% b.% Index Prj 000 ř.% s.% b.% Index nové auto 301 14,9 24,9 3,5 107,3 156 7,7 31,2 1,8 134,7 ojeté auto 495 16,3 40,9 5,7 117,6 198 6,5 39,6 2,3 113,8
neuvedeno 18 20,6 1,5 0,2 148,4 10 11,2 1,9 0,1 195,4
Pořídili jste si toto auto nové nebo již ojeté?
25.001 - 40.000 Kč 40.001 a více Kč
CS: CS Všichni Prj 000 ř.% s.% b.% Index Prj 000 ř.% s.% b.% Index nové auto 65 3,2 41,9 0,8 180,7 15 0,7 41,6 0,2 179,3 ojeté auto 62 2,0 39,7 0,7 114,3 11 0,3 29,5 0,1 84,7 neuvedeno 2 2,3 1,3 0 128,2 1 0,8 2,0 0 205,8
Popis příkladu
Tabulka č.6 představuje názorný příklad třídění druhého stupně. Jsou zde porovnávány dvě proměnné, a to čistý měsíční příjem respondenta a zda si dotazovaný pořídil nový nebo již ojetý automobil. Čistý měsíční příjem respondenta je rozdělen do několika kategorií a to jednak kategorie bez příjmu, a dále je příjem rozdělen do několika kategorií od nuly do 40.001Kč a více. Ze sloupcového procenta je vidět, že čím se čistý měsíční příjem respondenta zvyšuje, tím se také zvyšuje procento těch, kteří si pořídili auto nové. Zajímavé však je, že zaznamenáváme nárůst ojetých automobilů pro respondenty s čistým měsíčním příjmem až do 17.500Kč. Až pro respondenty s čistým měsíčním příjmem nad 17.500Kč je zaznamenán pokles pořízení ojetých automobilů. Dalším důležitým ukazatelem je index.
Respondenti s čistým měsíčním příjmem 25.000Kč a více, kteří si pořídili nový automobil,
mají nejvyšší hodnoty indexu. To znamená, že v porovnání s celkovou skupinou respondentů si pořídilo nový automobil největší podíl respondentů s čistým měsíčním příjmem nad 25.000Kč.
Vyhodnocení metody
Výhody Nevýhody
• Umožňuje zkoumat souvislost mezi dvěma proměnnými
• Provázanost jednotlivých kritérií vede k celé řadě možných linií segmentace
• Možno již provádět podrobnější analýzy dat a sledovat závislosti mezi proměnnými
• Výsledek je často nepřehledný
5.1.1.3 Třídění třetího stupně, případně vyšších stupňů Statistický popis metody
Podobně jako třídění druhého stupně, je třídění třetího stupně, případně vyšších stupňů prováděno, máme-li k dispozici větší objem dat. Ke dvoum zkoumaným proměnným se přidává ještě třetí proměnná. Tou může být vybraná cílová skupina například muži, ženy, nebo všichni respondenti vybraného regionu. Příkladem třídění třetího stupně mohou být tedy respondenti Středočeského kraje, kteří si pořídili nový nebo ojetý automobil v závislosti na jejich čistém měsíčním příjmu. Pro vyhodnocení jsou používány dva ukazatele například čistý měsíční příjem a nové nebo ojeté auto.
V praxi je nejvíce používáno třídění prvního a druhého stupně. Třídění třetího stupně se kvůli nepřehlednosti provádí málo.
Výhody Nevýhody
• Umožňuje hledání vnitřní závislosti mezi jednotlivými proměnnými
• Nepřehledné
• Velice obtížné na interpretaci
5.1.1.4 Poziční mapa Statistický popis metody
K zobrazení analýzy dat existuje několik způsobů. Jedním způsobem je tzv. poziční mapa, která slouží k vyhodnocení odlišných pozic různých cílových skupin k dvěma zadaným proměnným (otázkám). Na rozdíl od ostatních analýz je výstupem graf, obsahující body umístěné v osovém kříži z přerušovaných čar (viz. Obr.č.5 Poziční mapa). Střed tohoto osového kříže reprezentuje umístění průměrné hodnoty daných proměnných pro celou populaci, případně pro vybranou cílovou skupinu, která byla zadána jako omezující pro celou mapu. Tento kříž z přerušovaných čar je možné zaměnit za bod reprezentující jeho střed.
Poziční mapu je však možné vytvořit jen u určitých otázek. Vhodné proměnné pro použití do os grafu jsou pouze takové, jejichž odpovědi jsou buď pouze dvě např. ženy a muži, ano a ne (binární proměnné) nebo ještě lépe odpovědi, které se plynule mění např.
příjem, velikost bydliště, věk apod. (spojité proměnné). Nevhodné proměnné jsou např.
značky automobilů, protože počítat průměrnou hodnotu u těchto proměnných by nemělo smysl.
Příklad
Tab. č. 7: Transformace do marketingového problému
Statistika Marketing
VSTUP Tři proměnné
Věk respondenta?
Čistý měsíční příjem domácnosti?
Když jste se rozhodovali o nákupu automobilu, který z následujících faktorů jste považovali za nejdůl. faktor?
VÝSTUP Graf – poziční mapa
Vyhodnocení odlišných pozic různých cílových skupin k dvěma zadaným otázkám
Když jste se rozhodovali o nákupu automobilu, který z následujících faktorů jste považovali za nejdůležitější faktor?
Obr. č. 5: Poziční mapa
Popis příkladu
Uvedený příklad je grafickou ukázkou toho, jak se liší důležitost jednotlivých faktorů při nákupu automobilu v závislosti na věku respondenta a na čistém měsíčním příjmu domácnosti. Průměrný věk respondentů vyjadřuje svislá čárkovaná čára. Čím více se některý bod nachází vlevo, tím je průměrný věk respondenta nižší, čím více se nachází vpravo, tím je průměrný věk respondenta vyšší. Jelikož rozmezí mezi kategoriemi věku jsou stejná, můžeme hovořit i o jisté přesnosti interpretace grafického výstupu z hlediska věku na ose vodorovné.
To však neplatí pro proměnnou čistého měsíčního příjmu na ose svislé, protože velikosti rozmezí mezi jednotlivými kategoriemi této proměnné nejsou stejná. V této souvislosti narážíme na problém týkající se právě kategorizovaných proměnných, kdy vzdálenosti mezi kódy (průměry) neodpovídají stejnému rozmezí mezi jednotlivými kategoriemi příjmu.
Můžeme tedy pouze obecně konstatovat, že čím více nahoře se některý bod nachází, tím je čistý měsíční příjem domácnosti v průměru vyšší, čím je více dole, tím je čistý měsíční příjem domácnosti v průměru nižší, ale nevíme přesně o kolik. Interpretace pozic jednotlivých bodů
Z uvedeného příkladu poziční mapy je vidět, že pro mladší respondenty s vyšším měsíčním příjmem domácnosti je důležitá výbava, vzhled, ale i bezpečnost automobilu.
O něco málo starší respondenti dávají významnost pohodlí. Pro domácnosti s nižším čistým měsíčním příjmem je přirozeně nejdůležitější nízká cena, ale i pojištění. Respondenti starší 40 let kladou důraz na nízkou spotřebu, spolehlivost automobilu a při jeho výběru dají i na doporučení přátel. O něco starší a zkušenější respondenti s průměrným věkem 43 let spoléhají při nákupu na vlastní zkušenost.
Vyhodnocení metody
Výhody Nevýhody
• Názorná a přehledná
• Pracuje se všemi číselnými proměnnými
• U některých proměnných (např. příjmu) může dojít ke zkreslení výsledků z důvodu nestejných vzdáleností mezi kategoriemi, čímž se zkresluje interpretace pozic bodů v osovém kříži
5.1.2 Statistická závislost proměnných
K metodám analýzy dat, které zkoumají statistickou závislost proměnných a jsou používány agenturou patří kontingenční tabulka, znaménková konvence a korespondenční analýza.
5.1.2.1 Kontingenční tabulka Statistický popis metody
K dvourozměrné statistické analýze kategoriálních dat slouží tzv. kontingenční tabulka. Jedná se ve své podstatě o třídění druhého stupně, jelikož jsou zkoumány závislosti dvou proměnných. I v případě dvou proměnných je prvním krokem zobrazení rozdělení četností (v tabulce nebo v grafu). V případě kategoriálních proměnných jsou četnosti zjišťovány pro všechny takové dvojice kategorií, kdy jedna kategorie z dvojice přísluší první proměnné a druhá kategorie druhé proměnné. Výsledkem je dvourozměrná tabulka četností (kontingenční tabulku), z jejichž hodnot je usuzováno na závislost či nezávislost mezi dvěma kategoriálními proměnnými. V políčkách jsou uváděny buď absolutní nebo relativní četnosti,
které mohou být počítány buď jako řádková procenta (dostáváme 100 % v jednotlivých řádcích), sloupcová procenta (100 % ve sloupcích) a nebo procenta vypočítaná na základě rozsahu souboru (100 % v celé tabulce). Kontingenční tabulka slouží jako základ testování závislostí a pro výpočet měr intenzity závislostí.
U dvou proměnných se obvykle zkoumá, zda mezi nimi existuje závislost. Test statistické hypotézy je pravidlo, které na základě výsledků zjištěných z náhodného výběru objektivně předepisuje rozhodnutí, má-li být ověřovaná hypotéza zamítnuta či nikoliv24. Při testování statistické hypotézy se rozlišuje testovaná nulová hypotéza Hο a alternativní hypotéza HA. O nulové hypotéze má test rozhodnout, zda se zamítne či nikoliv. Alternativní hypotéza je ta, která je přijata, zamítne-li se nulová hypotéza. Celý postup testování je vlastně zamítání alternativních hypotéz.
Základním testem, který testuje závislosti kategoriálních proměnných je chí-kvadrát test o vzájemné nezávislosti v kontingenční tabulce, který testuje shodu pozorovaných a očekávaných četností. Přesněji řečeno, zda náš výběr je z takového základního souboru, kde jsou určité očekávané četnosti.
Příklad
Tab. č. 8: Transformace do marketingového problému
Statistika Marketing
VSTUP Dvě proměnné Stáří nejčastěji používaného automobilu?
Čistý měsíční příjem domácnosti?
VÝSTUP Hodnota χ2
statistiky Potvrzení nebo vyvrácení závislosti mezi otázkami
Tab. č. 9: Kontingenční tabulka25 (výsek, celá tabulka viz Příloha 1)
Jak je staré Vaše nejčastěji používané auto?
1 rok 2 roky
Čistý měsíční příjem
domácnosti 000 Prj ř.% s.% b.% Index Prj
000 ř.% s.% b.% Index
bez příjmu 0 0 0 0 0 0 0 0 0 0
do 4.000 Kč 0 0 0 0 0 1 2,0 0,2 0 41,9 4 001 - 6.000 Kč 1 0,9 0,7 0 58,4 1 0,8 0,2 0 17,3 6 001 - 8.000 Kč 0 0 0,1 0 2,1 1 0,1 0,1 0 2,9 8 001 - 10.000 Kč 1 0,2 0,4 0 10,8 8 2,1 1,9 0,1 45,6 10 001 - 12.500 Kč 2 0,4 1,4 0 29,1 7 1,6 1,7 0,1 34,8 12.501 - 15.000 Kč 5 0,7 3,8 0,1 42,3 16 2,0 3,8 0,2 42,4 15.001 - 17.500 Kč 9 1,3 6,7 0,1 86,3 15 2,2 3,7 0,2 47,5 17.501 - 20.000 Kč 10 1,2 7,7 0,1 80,4 28 3,3 6,8 0,3 71,5 20.001 - 25.000 Kč 17 1,6 12,8 0,2 101,7 54 4,9 13,3 0,6 105,7 25.001 - 30.000 Kč 26 2,9 19,3 0,3 184,9 54 5,9 13,2 0,6 126,6 30.001 - 40.000 Kč 15 2,5 11,3 0,2 159,5 60 9,8 14,9 0,7 210,1 40.001 - 50.000 Kč 9 3,3 6,4 0,1 215,6 31 12,0 7,6 0,4 258,2 50.001 - 75.000 Kč 2 2,3 1,5 0 147,9 11 12,2 2,7 0,1 262,5 75.001 - 100.000 Kč 0 2,5 0,2 0 162,4 2 17,6 0,5 0 377,0 100.001 a více Kč 1 15,1 0,9 0 980,8 0 2,2 0 0 46,4 neuvedeno 36 1,7 26,7 0,4 110,3 119 5,6 29,3 1,4 120,8
Celkem 135 1,5 100,0 1,5 100,0 406 4,7 100,0 4,7 100,0
Jak je staré Vaše nejčastěji používané auto?
3 roky 4 roky
Čistý měsíční příjem domácnosti
Prj
000 ř.% s.% b.% Index Prj
000 ř.% s.% b.% Index
bez příjmu 0 0 0 0 0 0 0 0 0 0
do 4.000 Kč 1 3,2 0,2 0 64,4 5 14,1 0,8 0,1 217,2 4 001 - 6.000 Kč 2 1,6 0,4 0 31,8 1 1,0 0,2 0 16,0 6 001 - 8.000 Kč 3 0,8 0,8 0 17,0 1 0,4 0,3 0 5,9 8 001 - 10.000 Kč 4 1,3 1,0 0,1 25,4 6 1,6 1,0 0,1 24,9 10 001 - 12.500 Kč 5 1,2 1,2 0,1 24,2 16 3,7 2,8 0,2 56,3 12.501 - 15.000 Kč 26 3,3 6,1 0,3 67,7 22 2,7 3,8 0,2 42,1 15.001 - 17.500 Kč 21 3,0 4,8 0,2 61,6 38 5,7 6,8 0,4 87,2 17.501 - 20.000 Kč 29 3,4 6,6 0,3 69,1 40 4,8 7,0 0,5 73,6 20.001 - 25.000 Kč 50 4,5 11,6 0,6 91,6 72 6,6 12,8 0,8 101,4 25.001 - 30.000 Kč 70 7,7 16,2 0,8 155,0 84 9,3 14,9 1,0 142,6 30.001 - 40.000 Kč 47 7,6 10,9 0,5 153,6 62 10,0 10,9 0,7 154,6 40.001 - 50.000 Kč 32 12,3 7,3 0,4 249,0 38 14,6 6,7 0,4 225,6 50.001 - 75.000 Kč 7 7,5 1,5 0,1 150,8 12 13,3 2,1 0,1 205,5 75.001 - 100.000 Kč 2 19,0 0,5 0 384,2 1 8,6 0,2 0 133,4 100.001 a více Kč 0 0 0 0 0 1 10,8 0,1 0 166,3 neuvedeno 133 6,3 30,8 1,5 127,3 167 7,9 29,6 1,9 122,2
Celkem 431 4,9 100,0 4,9 100,0 566 6,5 100,0 6,5 100,0
Popis příkladu
Na výše uvedeném příkladu budeme ilustrovat analýzu závislosti kategoriálních dat v kontingenční tabulce. Pro tento příklad vybereme dvě segmentační proměnné, a to stáří nejčastěji používaného automobilu dotazovaných respondentů a čistý měsíční příjem domácnosti.
Tabulka č.9 je kontingenční tabulkou, ve které budeme zkoumat závislost stáří nejčastěji používaného automobilu na výši čistého měsíčního příjmu domácnosti. Červená čísla v tabulce jsou zatížena statistickou chybou, kde statistická chyba je větší než výsledný údaj. Z důvodu zajištění validity výsledků tedy nebudeme při našich analýzách brát tato červená čísla v úvahu.
Při prvím pohledu na tabulku si všimneme zajímavého trendu. Vidíme, že čím je u respondentů vyšší stáří nejpoužívanějšího automobilu, tím nižší je čistý měsíční příjem domácnosti a naopak. Čím u respondentů převládá nižší stáří nejpoužívanějšího automobilu, tím vyšší je čistý měsíční příjem domácnosti. Vezměme například respondenty, jejichž nejčastěji používané auto má stáří 2 let. Z tabulky je zřejmé, že 12 % (ř.%) domácností s čistým měsíčním příjmem 40.001 až 50.000 Kč a zároveň 12 % (ř.%) domácností s čistým měsíčním příjmem 50.000 až 75.000 Kč má nejčastěji používané auto staré dvou let. O něco méně, 10 % domácností s nižším čistým měsíčním příjmem 30.001 až 40.000Kč vlastní dva roky starý automobil. 14,9 % (s.%) respondentů, jejichž nejčastěji používaný automobil má stáří dvou let, má čistý měsíční příjem domácnosti 30.001 až 40.000 Kč. O něco méně respondentů (13,3 s.%), jejichž nejčastěji používané auto je staré dva roky, má čistý měsíční příjem domácnosti 20.001 až 25.000 Kč. Bazické procento nám říká, že 0,7 % (b.%) domácností s čistým měsíčním příjmem 30.001 až 40.000 Kč vlastní dva roky staré nejčastěji používané auto.
Nyní se podívejme na respondenty, jejichž nejčastěji používané auto je 11 a více let staré. Z pouhého pohledu na tabulku vidíme, že se u těchto respondentů snížil čistý měsíční příjem domácnosti a že těchto respondentů také značně přibylo oproti respondentům s nejpoužívanějším automobilem, jehož stáří je dva roky. Nejvíce domácností (21,5 ř.%) s čistým měsíčním příjmem 12.001 až 15.000 Kč vlastní automobil starý 11 a více let. Také poměrně vysoké procento domácností s čistým měsíčním příjmem pod 25.000 Kč používají nejčastěji 11 a více let starý automobil. Vysoká procenta se dále vyskytují u respondentů, jejichž nejčastěji používaný automobil je starší 11 a více let, a to u domácností s čistým
