Меню
Главная
Авторизация/Регистрация
 
Главная arrow Маркетинг arrow Маркетинговые исследования

Сегментация по свойствам на примере образовательного продукта

Постановка задачи и переменные сегментации

Далее рассматривается сегментация студентов по субъективным свойствам (см. подразд. 14.1) и по выгодам[1] (см. подразд. 14.4), которые дает получение высшего образования при дневной форме обучения. Для сегментации применяется методика, основанная на кластерном анализе с привлечением многомерного шкалирования для дополнительного, более полного анализа.

Переменные сегментации – свойства и выгоды – должны иметь количественные балльные оценки. При решении конкретной задачи были использованы девять параметров. Для применения шкалы Лайкерта по каждому параметру сформулированы соответствующие утверждения.

  • 1. Это лучший способ получить глубокие знания.
  • 2. Это возможность полноценного общения и приобретения друзей.
  • 3. Это ценная возможность общения с преподавателем.
  • 4. Это важный шаг начала карьеры.
  • 5. Студенчество – прекрасный период в жизни.
  • 6. Материальные затраты на дневное обучение велики.
  • 7. Временны́е затраты на дневное обучение велики.
  • 8. Развивает мышление по специальности.
  • 9. Дневное обучение престижно.

Набор параметров, которые можно использовать, может быть гораздо шире. Студенты в своих анкетах часто указывают также следующие достоинства или недостатки дневного обучения в университете: возможность расширения кругозора, возможность отсрочки, возможность научиться самодисциплине и самоорганизации, затруднение совмещения учебы и работы, важный период в жизни, отсутствие практики, возможность получить большой объем информации, влияние на дальнейшее продвижение по работе, появление в будущем возможности определиться с правильностью выбора профессии, участие в жизни университета.

Сбор данных

Сбор данных осуществляется методом анкетирования. Вопросы сформулированы с применением шкалы Лайкерта (см. подразд. 8.3). Например, студентов опросили относительно степени их согласия-несогласия с утверждениями по шкале с пятью градациями. В литературе широко применяется семибалльная шкала, но часто респондент затрудняется давать ответы при большом числе градаций.

Фрагмент анкеты имеет вид, приведенный на рис. 24.2.

Фрагмент анкеты

Рис. 24.2. Фрагмент анкеты

От респондента требуется только поставить только "галочку", а оцифровку проводит анкетер. Применена пятибалльная шкала с уровнями от 1 до 5 (1 – категорически не согласен, ..., 5 – полностью согласен). На анкету ответили 19 респондентов – все студенты одной группы, чего, конечно, недостаточно.

24.7. Сегментация по свойствам на примере образовательного продукта 381

Расчеты по методу кластерного анализа

Кластерный анализ (см. подразд. 23.7) широко применяется при проведении сегментации по свойствам продукта (см. подразд. 24.3). Сегментацию по кластерному анализу иногда называют иерархической. На основании полученных оценок рассчитываются расстояния между оценками каждого студента с каждым. На основе пакета научных статистических программ Statistica. Сначала составляется матрица евклидовых расстояний (euclidean distances). Для образования кластеров применена объединяющая (агломеративнная) процедура по методу дальнего соседа (complete linkage). Результаты представлены в виде диаграммы на рис. 24.3.

Дендрограмма (ППП Statistica)

Рис. 24.3. Дендрограмма (ППП[2] Statistica)

По вертикальной оси дастся расстояние между присоединяемыми кластерами (Linkage Distance). По горизонтальной оси номерами от С_1 до С 19 перечислены студенты. Как следует из дендрограммы, на первом шаге имеется 19 кластеров. На первом и на втором шагах объединяются точки 3 с 5 и 9 с 11. На третьем шаге объединяются точки 8 и 13. Затем процесс объединения продолжается.

При выборе окончательного шага и соответственно числа кластеров используем план агломерации (рис. 24.4). За окончательный вариант принимается шаг, после которого расстояние между объединяемыми кластерами (Linkage Distance) резко возрастает.

План агломерации (ΠΙ1Ι1 Statistica)

Рис. 24.4. План агломерации (ΠΙ1Ι1 Statistica)

Выберем результат разбиения в соответствии с рекомендациями из подразд. 23.7. Как следует из плана агломерации, относительно резкий прирост расстояния между присоединяемыми кластерами происходит на 13-м и 17-м шагах (Step на рис. 24.4). Следовательно, необходимо сделать выбор между 12-м и 16-м шагами. Для однозначного выбора завершающего шага в соответствии с теми же рекомендациями из разд. 23.7 обратимся к многомерному шкалированию.

Результаты сегментации по методу многомерного шкалирования

Дополнительно для выбора окончательного варианта классификации рассматривается картина взаимного расположения точек по методу многомерного шкалирования[3] на рис. 24.5, который получен в результате работы с ППП Statistica. По осям даны два измерения – Dimension 1 и Dimension 2.

Кластеры имеют выпуклую форму только на 16-м шаге кластерного анализа, что видно по результатам проведения межгрупповых границ на основе многомерного шкалирования. Эти результаты и принимаются за окончательные. Образовано три кластера, а по сути – сегмента. Первый кластер включает в себя девять точек, второй – три, третий – семь.

Результаты многомерного шкалирования (ППП Statistica)

Рис. 24.5. Результаты многомерного шкалирования (ППП Statistica)

Характеристика сегментов

Сегменты могут быть охарактеризованы средними значениями по каждой переменной, а результаты сегментации наглядно могут быть представлены в виде профилей[4] по средним значениям по каждой переменной (рис. 24.6).

Для содержательной лаконичной характеристики сегмента ему дается имя, девиз. Полная характеристика кластера следует из его профиля. В основу имени сегмента могут быть положены переменные, по которым получены самые высокие и самые низкие оценки, что видно из рассмотрения профилей. Сравнение профилей позволяет выявить особенности каждого сегмента, "позиционировать" его на фоне остальных.

Сформулируем имя каждого полученного сегмента и дадим девиз. Первый сегмент – позитивисты: "Затраты не главное", второй – жизнелюбы. "Думай о настоящем. Мы

Профили сегментов

Рис. 24.6. Профили сегментов

здесь не для престижа и карьеры", третий – целеустремленные: "Престиж окупает затраты". Применялась следующая технология получения имени сегмента.

Действительно, в соответствии с рис. 24.6:

  • • для первого кластера характерны высокие оценки для признаков (4) "Студенчество – прекрасный период в жизни" и (8) "Развивает мышление по специальности". При этом низкие оценки получили утверждения (6) "Материальные затраты велики" и (7) "Временны́е затраты велики";
  • второго кластера – высокие оценки для утверждений (1) "Возможность полноценного общения и приобретения друзей" и (4) "Студенчество – прекрасный период в жизни". Низкие оценки получены для утверждений (3) "Важный шаг в карьере" и (9) "Дневное образование престижно";
  • третьего кластера – высокие оценки для утверждений (6) "Материальные затраты велики" и (9) "Дневное обучение престижно" при относительно низкой для (4) "Студенчество – прекрасный период в жизни".

  • [1] Под выгодами здесь удобно понимать мотивы получения такого образования.
  • [2] ППП – пакет прикладных программ.
  • [3] Теория метода изложена в подразд. 23.6.
  • [4] Для более привычного представления профиля его нужно повернуть на 90° по часовой стрелке.
 
Если Вы заметили ошибку в тексте выделите слово и нажмите Shift + Enter
< Предыдущая   СОДЕРЖАНИЕ   Следующая >
 

Популярные страницы