segmentacjabezpoœrednim w marketingu
Transkrypt
segmentacjabezpoœrednim w marketingu
segmentacja w marketingu bezpoœrednim W latach dziewiêædziesi¹tych byliœmy œwiadkami rewolucyjnych zmian w sposobie funkcjonowania przedsiêbiorstw na polskim rynku. W strategii firm stopniowo uzyskiwa³ nale¿ne mu miejsce – marketing. W przyspieszonym tempie przejmowano z zachodu dobrze ju¿ znane techniki marketingowe. Jednoczeœnie dotar³a do nas fala zmian w marketingu zwi¹zana z nowymi trendami w gospodarce œwiatowej. G³ówne trendy tej ewolucji marketingu to przejœcie od marketingu zorientowanego na produkt do marketingu zorientowanego na klienta, uczynienie preferencji konsumenta punktem wyjœcia w budowaniu strategii rynkowych, po³o¿enie nacisku na ró¿nicowanie w miejsce bezpoœredniej konkurencji, wzrost roli promocji i przejœcie od marketingu masowego do marketingu zindywidualizowanego. Konsekwencj¹ tych nowych trendów jest wzrost roli marketingu bezpoœredniego i budowania stosunków z klientem opartych na identyfikacji jego indywidualnych cech i preferencji. Rozwój nowoczesnych technologii informatycznych zwiêkszy³ zw³aszcza rolê marketingu opartego o bazy danych o klientach. Nowoczesne systemy baz danych pozwalaj¹ na operowanie bardziej z³o¿on¹ informacj¹ o klientach, lepsze dostosowanie ofert i zwiêkszenie trafnoœci ich adresowania, co zwiêksza stopê zwrotu z inwestycji. Wraz z nowymi mo¿liwoœciami pojawi³y siê te¿ nowe wyzwania: koniecznoœæ gromadzenia, organizacji i przetwarzania danych o aktualnych i potencjalnych klientach oraz zdolnoœæ identyfikowania kluczowych danych i przetwarzania ich w informacje usprawniaj¹ce proces podejmowania decyzji marketingowych, zw³aszcza w zakresie trafnego dostosowywania oferty do profilu klientów. Marketing bezpoœredni czêsto zwi¹zany jest z wysokimi kosztami przesy³anych próbek, katalogów i prezentów. Dlatego optymalizacja prowadzonych kampanii jest jednym z podstawowych zadañ mened¿erów. Bez takiej optymalizacji kampanie marketingu bezpoœredniego ³atwo mog¹ siê okazaæ zbyt kosztowne w stosunku do korzyœci, które przynosz¹. A oto typowe przyk³ady podejœcia do marketingu bezpoœredniego, których celem jest ograniczenie kosztów kampanii: A. Producent samochodów chce, w ramach promocji, zaoferowaæ klientom mo¿liwoœæ odbycia jazd próbnych nowym modelem. Nabywa bazê danych 100 000 adresów. Chc¹c unikn¹æ zbêdnych kosztów wysy³a ofertê do próby 5 000 osób, a po uzyskaniu reakcji buduje model, który pozwala wybraæ z bazy danych te osoby, które z wiêkszym prawdopodobieñstwem odpowiedz¹ na ofertê. W efekcie, wysy³aj¹c ofertê do po³owy osób z bazy danych spodziewa siê uzyskaæ liczbê pozytywnych reakcji stanowi¹c¹ 80% tej, której mo¿na siê spodziewaæ z ca³ej bazy. Bior¹c pod uwagê koszty operacji (katalogi, inne materia³y, porto) uzyskuje powa¿n¹ redukcjê kosztów ca³ej operacji. B. Producent programu komputerowego sprawdza przed rozpoczêciem wysy³ki oferty swego nowego produktu, czy przes³anie dyskietki z wersj¹ demonstracyjn¹ programu zwiêksza szansê, ¿e adresat kupi program. W tym celu wysy³a dwa rodzaje oferty, z dyskietk¹ i bez dyskietki, do kilku tysiêcy osób losowo podzielonych na dwie grupy. Na podstawie wyników tego eksperymentu podejmuje ostateczn¹ decyzjê dostosowuj¹c typ oferty do wyodrêbnionych segmentów klientów. Takie podejœcie zak³ada pos³ugiwanie siê metodami statystycznej analizy danych, które s³u¿¹ modelowaniu i prognozowaniu reakcji klientów. W marketingu bezpoœrednim i marketingu baz danych najczêœciej wykorzystuje siê takie techniki, jak: + drzewa klasyfikacyjne i regresyjne, + regresja logistyczna, + regresja liniowa, + analiza dyskryminacji, + sieci neuronowe. Drzewa decyzyjne s¹ bardzo efektywn¹ – i dlatego popularn¹ – technik¹ modelowania stosowan¹ w marketingu bezpoœrednim. Program SPSS AnswerTree, zawieraj¹cy cztery algorytmy drzew decyzyjnych, jest œwietnym narzêdziem zarówno w rêkach osób k³ad¹cych nacisk na automatyzacjê procesu budowy modeli, jak i osób przywi¹zuj¹cych du¿¹ wagê do przejrzystoœci procesu tworzenia modeli i mo¿liwoœci wp³ywania nañ przez analityka. Drzewa decyzyjne to technika analizy danych polegaj¹ca na segmentacji zbioru danych na klasy obiektów podobnych ze wzglêdu na wartoœci wybranej zmiennej zale¿nej. Tak¹ zmienn¹ zale¿n¹ mo¿e byæ np. reakcja na ofertê w marketingu bezpoœrednim: + nie odpowiedzia³, + odpowiedzia³ i nie kupi³, + odpowiedzia³ i kupi³. Ponadto, czêsto wykorzystywane s¹ tradycyjne techniki analizy, jak: tabele czêstoœci, tabele krzy¿owe, statystyki opisowe, wykresy analityczne i grafiki prezentacyjne. Wszystkie te techniki oferowane s¹ w programach firmy SPSS, która k³adzie du¿y nacisk na wszechstronnoœæ, elastycznoœæ w dostêpie do baz danych, ³atwoœæ i wygodê obs³ugi oraz wspomaganie procesu przygotowania raportów dla potrzeb kierownictwa. W procesie segmentacji program wyszukuje cechy pozwalaj¹ce najlepiej przewidzieæ reakcjê klientów i tworzy kombinacje tych cech, które to kombinacje ostatecznie definiuj¹ segmenty ró¿ni¹ce siê reakcj¹ na zmienn¹ zale¿n¹. OdpowiedŸ na promocjê Cat. % n Odp. zap³aci³ Odp. nie zap³aci³ Nie odpowiedzia³ 0,59 0,56 98,85 478 453 80109 Total (100,00) 81040 Liczba osób w gosp. domowym P-value=0,0000; Chi-square=74,4750; df=4 Jedna Dwie; Trzy; Cztery; Piêæ lub wiêcej Brak danych Cat. % n Cat. % n Cat. % n Odp. zap³aci³ Odp. nie zap³aci³ Nie odpowiedzia³ 0,61 0,48 98,91 155 121 25108 Odp. zap³aci³ Odp. nie zap³aci³ Nie odpowiedzia³ 0,84 0,79 98,37 188 177 21965 Odp. zap³aci³ Odp. nie zap³aci³ Nie odpowiedzia³ 0,41 0,47 99,13 135 155 33036 Total (31,32) 25384 Total (27,55) 22330 Total (41,12) 33326 Karty bankowe w gosp. domowym P-value=0,0001; Chi-square=18,4021; df=2 Tak Nie Cat. % n Cat. % n Odp. zap³aci³ Odp. nie zap³aci³ Nie odpowiedzia³ 1,45 0,65 97,91 49 22 3320 Odp. zap³aci³ Odp. nie zap³aci³ Nie odpowiedzia³ 0,73 0,82 98,45 139 155 18645 Total (4,18) 3391 Total (23,37) 18939 Zawód g³owy gosp. domowego P-value=0,0038; Chi-square=11,1194; df=2 Umys³owy Rysunek 1. Drzewo decyzyjne Exhaustive CHAID reakcji na promocjê prenumeraty Fizyczny; Inny; Brak danych Cat. % n Cat. % n Odp. zap³aci³ Odp. nie zap³aci³ Nie odpowiedzia³ 1,23 1,06 97,71 29 25 2303 Odp. zap³aci³ Odp. nie zap³aci³ Nie odpowiedzia³ 0,66 0,78 98,55 110 130 16342 Total (2,91) 2357 Total (20,46) 16582 PrzeœledŸmy dzia³anie drzew decyzyjnych na przyk³adzie1. Jedno z wydawnictw amerykañskich rozes³a³o listy promocyjne zachêcaj¹ce do prenumeraty popularnego czasopisma. Spoœród 81040 adresatów 478 (0,59%) odpowiedzia³o i zamówi³o prenumeratê; 453 (0,56%) odpowiedzia³o, ale po otrzymaniu egzemplarza bezp³atnego nie zaprenumerowa³o pisma, natomiast 98,85% adresatów nie odpowiedzia³o wcale na promocjê. Oczekiwany zysk zwi¹zany z ka¿dym rodzajem reakcji zosta³ oceniony nastêpuj¹co: w pierwszym przypadku +35$ (wp³yw z prenumeraty minus koszt promocji), w drugim przypadku 7$ (koszt powiêkszony o egzemplarz bezp³atny), w trzecim zaœ na 0,20$ (koszt dostarczenia pierwszej informacji). W bazie danych dysponowano nastêpuj¹cymi danymi o adresatach: + Wiek g³owy gospodarstwa domowego, + P³eæ g³owy g.d., + Dzieci w g.d., + Dochód g.d., + Karta bankowa w g.d., + Liczba osób w g.d., + Zawód g³owy g.d. W programie AnswerTree wybrano algorytm Exhaustive CHAID i po kilku klikniêciach myszk¹ uzyskano podzia³ na segmenty, który prezentuje Rysunek 1. Najwiêkszy odsetek po¿¹danych reakcji uzyskano w segmencie gospodarstw domowych co najmniej dwuosobowych, w których dysponowano kart¹ bankow¹ (u³atwienie p³atnoœci za prenumeratê). Tam te¿ korzystna by³a relacja pomiêdzy odsetkiem osób, które zamówi³y prenumeratê, a tymi, które nie uczyni³y tego po okazaniu wstêpnego zainteresowania. Najmniejszy odsetek prenumeratorów – i w ogóle reakcji – by³ w obejmuj¹cym 41% adresatów segmencie, w którym gospodarstwa domowe nie udostêpni³y danych na temat liczby osób. Target variable: OdpowiedŸ na promocjê Target category: Odpowiedzia³ i zap³aci³ Node-by-Node Node Node: n Node: Resp: % n Cumulative Resp: % Gain (%) Index (%) Node: n Node: % Resp: n Resp: % Gain (%) Index (%) 4 3391 4,18 49 10,25 1,44500 244,98519 3391 4,18 49 10,25 1,44500 244,98519 6 2357 2,91 29 6,07 1,23038 208,59791 5748 7,09 78 16,32 1,35699 230,06438 7 16582 20,46 110 23,01 0,66337 112,46757 22330 27,55 188 39,33 0,84192 142,73835 1 25384 31,32 155 32,43 0,61062 103,52451 47714 58,88 343 71,76 0,71887 121,87646 3 33326 41,12 135 28,24 0,40509 68,67871 81040 100,00 478 100,00 0,58983 100,00000 Tabela 1. Podsumowanie wyników (Gain Summary) Wyniki analizy s¹ zestawione w tablicach podsumowuj¹cych spodziewane korzyœci. Z Tabeli 1 wynika, ¿e wykluczaj¹c wspomniany wy¿ej, najgorszy segment (oznaczony numerem 3), a wiêc wysy³aj¹c ofertê do 59% respondentów, mo¿emy pozyskaæ 72% potencjalnych prenumeratorów (analiza skumulowanych korzyœci). 1 Przyk³ad oparty jest na zbiorze danych subs.sav do³¹czonym do programu AnswerTree Przyjmuj¹c przedstawione wczeœniej kalkulacje spodziewanych, jednostkowych zysków i kosztów mo¿emy ³atwo uzyskaæ ocenê zyskownoœci segmentów, któr¹ prezentuje Tabela 2. Wynika z niej, ¿e adresuj¹c ofertê do segmentu 3 mo¿emy siê spodziewaæ przeciêtnej straty wynosz¹cej 9 centów na jednego adresata. Segment 4 (najlepszy: gospodarstwa domowe, co najmniej dwuosobowe, dysponuj¹ce kart¹ bankow¹) obiecuje przeciêtny zysk równy 26 centów, zaœ drugi w kolejnoœci (nie posiadaj¹ce karty, co najmniej dwuosobowe gospodarstwa domowe, których g³ow¹ jest pracownik umys³owy) obiecuje przeciêtny zysk 16 centów. Wysy³aj¹c ofertê do wszystkich mo¿emy siê spodziewaæ przeciêtnej straty w wysokoœci 3 centów na gospodarstwo domowe. Wykluczaj¹c tylko ostatni segment zapewniamy minimalny pozytywny wynik przeciêtny w wysokoœci 1 centa na adres. Natomiast zawê¿aj¹c operacjê do 7,1% gospodarstw domowych (co najmniej dwuosobowe, posiadaj¹ce kartê bankow¹ lub takie, w których g³ow¹ s¹ pracownicy umys³owi) mo¿emy oczekiwaæ przeciêtnego zysku w wysokoœci 22 centów. W oparciu o takie informacje mo¿na podj¹æ decyzjê o zawê¿eniu akcji promocyjnej do tych segmentów, które zapewni¹ zysk. Jeœli promocja ma realizowaæ tak¿e inne cele (np. œwiadomoœæ marki), mo¿na wyjœæ poza segmenty rentowne, ale tak, by operacja nie przynios³a strat. W ka¿dym wypadku dysponujemy lepsz¹ informacj¹, która pozwoli odpowiednio ukierunkowaæ planowan¹ akcjê rozsy³ania kolejnych ofert. Target variable: OdpowiedŸ na promocjê Node-by-Node Node Node: n Cumulative Node: % Gain Index (%) Node: n Node: % Gain Index (%) 4 3391 4,18 0,26 0,00000 3391 4,18 0,26 0,00000 6 2357 2,91 0,16 0,00000 5748 7,09 0,22 0,00000 1 25384 31,32 -0,02 0,00000 31132 38,42 0,03 0,00000 7 16582 20,46 -0,02 0,00000 47714 58,88 0,01 0,00000 3 33326 41,12 -0,09 0,00000 81040 100,00 -0,03 0,00000 Tabela 2. Podsumowanie wyników z ocen¹ oczekiwanych zysków W tym przyk³adzie nie wnikamy w wiele technicznych aspektów pracy z AnswerTree, które: pozwalaj¹ wybraæ najlepszy model (cztery algorytmy, mo¿liwoœæ decydowania o sposobie traktowania zmiennych, mo¿liwoœæ modyfikacji statystycznych parametrów analizy, itd.), sprawdziæ jego efektywnoœæ w klasyfikacji nowych przypadków czy komunikowaæ siê z baz¹ danych. Dodajmy, ¿e przygotowany model mo¿na udostêpniæ w intranecie pracownikom nie posiadaj¹cym doœwiadczenia analitycznego w postaci, która pozwoli im ³atwo wykorzystaæ zawart¹ w nim wiedzê. S³u¿y temu dodatkowy program Smart Score. Praca z AnswerTree to jedna z wielu dostêpnych w SPSS mo¿liwoœci budowania modeli usprawniaj¹cych proces podejmowania decyzji. Analitycy powinni siêgaæ do ró¿nych technik analitycznych szukaj¹c takiej, która w oparciu o dostêpne dane pozwoli zbudowaæ model najskuteczniej klasyfikuj¹cy adresatów naszych ofert. dr hab. Jaros³aw Górniak, SPSS Polska Artyku³ w wersji skróconej ukaza³ siê w miesiêczniku „Marketing Serwis” nr 3/2000, str. 49 SPSS Polska Sp. z o.o. + ul. Królewska 57 + 30–081 Kraków tel./faks 012.636.96.80 + tel./faks 012.636.07.91 + tel./faks: 012.636.45.35 e–mail : [email protected] + www.spss.pl + www.webmining.pl BSMB–0107