市场分析方法课件5－8丁睿

第五章 市场细分的基本方法 第一节 市场细分的含义与作用一、市场细分的概念是根据消费者之间需求的明显差异性，把整个市场划分为两个以上不同类型的消费者群，每一个消费者群就是一个细分市场。二、市场细分的意义市场由购买者组成，他们在各自的需求、资源、地理位置、购买态度以及购买实践方面都可能不同，企业意识到在通常情况下，不可能为这一市场的全体顾客服务。顾客人数众多，游动性大，购买要求又截然不同，因此，公司应该分辨出它能有效为之服务的最具吸引力的细分市场，扬长避短，而不是四面出击。 三、市场细分的变量细分消费者市场常用的变量主要有两大类型：一种是根据消费者特征细分市场，经常使用的变量是地理、人口文化统计、心理特征等；另一种是通过顾客对产品的使用既反应进行市场细分。地理细分要求把城市场划分为不同的地理区域和单位，如国家、省、城市、地区、县、城镇、街道等。企业可以在一个或多个地理区域开展业务，甚至面向国际化的市场，在进入地理区域之前，首先对地区之间的需求和偏好以及差异进行很好的调查和研究。人文统计因素是将市场按照人文统计变量如年龄、性别、收入、职业、教育、家庭人口数、家庭生命周期、宗教、种族、代沟、国籍、社会阶层和社会阶层为基础划分为不同的群体。人文统计变量是区分消费者群体最常用的基础变量，其中一个理由是消费者的欲望、偏好和使用情况经常与这些人文统计变量有非常密切的关系；另一个理由是人文统计变量比其他类型的变量更容易衡量。心理细分中，根据购买者的生活方式或个性的特点，将消费者划分成不同的总体。企业对于消费者的生活方式和性格方面的差异越来越关注，主要原因就是在同一人文统计变量群体中的消费者可能表现出反差极大的心理特性，而这些心理特征可能导致差异极大的消费状态。消费者的人口特征和关于产品的使用情况等方面的数据，因大多偏向于事实行为，在测量时相对容易收集，而心理特征方面的数据在测量时，通常有一定的难度。 四、市场细分的模式地理位置 、行为、心理变量等都能用来细分一个市场。 这里以购买者回答他们对产品两种属性的需要程度如何（如冰淇淋中的甜份和奶油两种属性），分别描述三种不同市场细分偏好模式。 （ 1）同质偏好图 18-3（ a）显示了一个所有消费者有大致相同偏好的市场。这个市场显示出并不存在惯常的细分市场。可以预言：现存的品牌将会是类同的，并且都处在甜份和奶油两者偏好的中心。（ 2）扩散偏好在另外一个极端，消费者偏好可能在空间四处散布，如：图 18-3（ b），这表示消费者对于产品的要求存在差异。假如有一个品牌位于该市场中，它很可能定位在市场的中心，以迎合最多的购买者。一个位于中心的品牌可使所有消费者总的不满为最小。新进入市场的竞争者， 可能把他的品牌设置在原先的品牌附近，从而引发一场争夺市场份额的战斗，或者把他的品牌设置在一个 角落里，以赢得对位于市场中心品牌不满的消费者群体。如果这个市场上有好几个品牌，则它们很可能定位于整个空间的各处，各显示其实质差异，来迎合消费者偏好的差异。（ 3）集群偏好市场可能出现有独特偏好的密集群，这些密集群可称为惯常的细分市场，如：图 18-3 （ c）。第一个进入此市场的公司有三种选择。它可以将产品定位于中心，以迎合所有的群体；它也可以将产品定位在最大的细分市场内；它可以推出好几种品牌，分别定位于不同的细分市场内。显而易见，如果公司只发展一种品牌，那么竞争者就会进入其他的细分市场，并在那里引进许多品牌。 五、市场细分的程序我们已经知道，运用一系列的细分变量可以把一个市场划分为多个细分市场。营销人员如何知道使用哪些细分市场的变量呢？一个方法是访问一些典型的消费者，从中发现对这些消费者做出购买决定起影响作用的变量等级。确定主要细分市场是否有正规程序可循？这里介绍一个营销机构使用的共同方法，这个方法包括 3个步骤：第一步，是调查阶段，调查人员与消费者进行非正式的访谈，并将消费者分成若干个专题小组，以便了解他们的动机、态度和行为，并收集有关产品属性极其重要性的等级、品牌知名度和品牌等级、产品的使用方式、对产品类别的态度、被调查对象的人口变量 、 心理变量和宣传媒体 变量等内容。 第二步，是分析阶段，研究人员用因子分析的方法分析获得的资料，剔除相关性很大的变量，然后使用聚类分析的方法划分出差异最大的细分市场。第三步，细分阶段，根据消费者不同的态度、行为、人口变量、心理变量和一般消费习惯等变量划分出每个群体，并根据不同的特征给每个细分市场命名。 第二节 聚类分析1.聚类分析的概念聚类（ Clustering）就是将数据分组成为多个类。在同一个类内对象之间具有较高的相似度，不同类之间的对象差别较大。 早在孩提时代，人就通过不断改进下意识中的聚类模式来学会如何区分猫和狗，动物和植物。2.聚类分析的基本思想首先，我们所研究的样本或指标（变量）之间存在着程度不同的相似性。于是根据一批样品的多个观测指标，具体找出一些能够度量样品或指标（变量）之间相似程度的统计量，以这些统计量为划分类型的依据，把一些相似程度较大的样品（或指标）聚合为一类，把另外一些彼此之间相似程度较大的样品（或指标）聚合为另一类。聚类分析无处不在 谁经常光顾商店，谁买什么东西，买多少？ 按忠诚卡记录的光临次数、光临时间、性别、年龄、职业、购物种类、金额等变量分类 识别顾客购买模式（如喜欢一大早来买酸奶和鲜肉，习惯周末时一次性大采购） 刻画不同的客户群的特征（用变量来刻画，就象刻画猫和狗的特征一样）为什么需要聚类 ？因为每一个类别里面的人消费方式都不一样，需要针对不同的人群，制定不同的关系管理方式，以提高客户对公司商业活动的相应率。聚类的应用领域 经济领域 ： 帮助市场分析人员从客户数据库中发现不同的客户群，并且用购买模式来刻画不同的客户群的特征。 谁喜欢打国际长途，在什么时间，打到那里？ 对住宅区进行聚类，确定自动提款机 ATM的安放位置 股票市场板块分析，找出最具活力的板块龙头股 企业信用等级分类 生物学领域 推导植物和动物的分类； 对基因分类，获得对种群的认识 数据挖掘领域 作为其他数学算法的预处理步骤，获得数据分布状况，集中对特定的类做进一步的研究聚类分析原理说明我们看看以下的例子： 有 16张牌如何将他们分为一组一组的牌呢？AKQJ聚类分析原理说明 分成四组 每组里 花色相同 组与组之间花色相异 AKQJ花色相同的牌为一副Individual suits聚类分析原理说明 分成四组 符号相同 的牌为一组AKQJ符号相同的的牌Like face cards聚类分析原理介绍 分成两组 颜色相同 的牌为一组AKQJ颜色相同的配对Black and red suits聚类分析原理说明 分成两组 大小程度相近 的牌分到一组 AKQJ大配对和小配对Major and minor suits聚类分析原理说明 这个例子告诉我们，分组的意义在于我们怎么定义并度量 “ 相似性” Similar 因此衍生出一系列度量相似性的算法AKQJ大配对和小配对Major and minor suits聚类分析介绍距离 Q型聚类 主要用于对样本分类 常用的距离有（只适用于具有间隔尺度变量的聚类）： 明考夫斯基距离 （包括：绝对距离、 欧式距离 、切比雪夫距离） 兰氏距离 马氏距离相似系数 R型聚类 用于对变量分类，可以用变量之间的相似系数的变形如 1rij定义距离 相关系数 相似系数系统聚类法（ hierarchical method） 分类： 凝聚的（ agglomerative）方法（自底向上）思想：一开始将每个对象作为单独的一组，然后根据同类相近，异类相异的原则，合并对象，直到所有的组合并成一个，或达到一个终止条件为止。 分裂的方法（ divisive）（自顶向下）思想：一开始将所有的对象置于一类，在迭代的每一步中，一个类不断地分为更小的类，直到每个对象在单独的一个类中，或达到一个终止条件。 特点： 类的个数不需事先定好 需确定距离矩阵 运算量要大，适用于处理小样本数据 系统聚类方法缺陷一旦一个步骤（合并或分裂）完成，就不能被撤销或修正，因此产生了改进一些聚类方法。如快速聚类法（ K均值法）广泛采用的类间距离 最小距离法（ single linkage method） 最大距离法（ complete linkage method） 类平均距离法（ average linkage method）类间所有样本点的平均距离该法利用了所有样本的信息，被认为是较好的系统聚类法 . 重心法（ centroid hierarchical method） 类的重心之间的距离 ,对异常值不敏感，结果更稳定 离差平方和法（ ward method） 对异常值很敏感；对较大的类倾向产生较大的距离，从而不易合并，较符合实际需要。 Cluster KCluster LCluster M快速聚类法简介 思想： 随机选择 k个对象，每个对象初始地代表一个类的平均值或中心，对剩余每个对象，根据其到类中心的距离，被划分到最近的类；然后重新计算每个类的平均值。不断重复这个过程，直到所有的样本都不能再分配为止。 特点： k事先定好 创建一个初始划分，再采用迭代的重定位技术 不必确定距离矩阵 比系统聚类法运算量要小，适用于处理庞大的样本数据 流程图 计算每个点的密度 (半径 =d)最终分类选凝聚点 初始分类 分类是否合理修改分类 确定初始凝聚点，初始分类 重新确定聚类中心（凝聚点），重复上诉步骤。 缺陷： 不同的初始值，结果可能不同 用爬山式技术（ hill-climbing）来寻找最优解，容易陷入局部极小值 受所选择变量的影响如果去掉或者增加一些变量 ,结果会很不同 .因此，聚类之前一定要明确目标，选择有意义的变量。变量之间的相关性也会影响聚类结果，因此可以先用主成分或因子分析法把众多变量压缩为若干个相互独立的并包含大部分信息的指标，然后再进行聚类。聚类方法的不稳定性 输入参数凭主观导致难以控制聚类的质量 很多聚类算法要求输入一定的参数，如希望产生的类的数目，使得聚类的质量难以控制，尤其是对于高维的，没有先验信息的庞大数据。 首先要明确聚类的目