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
zdolnoϾ 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
wyjϾ 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