Upload
sophie
View
48
Download
0
Embed Size (px)
DESCRIPTION
Adatbányászati módszerek alkalmazása a piackutatásban. Takács Mihály kutatási igazgató PMSZ – SPSS Konferencia 2006. A piackutatás és az adatbányászat (1). - PowerPoint PPT Presentation
Citation preview
Adatbányászati módszerek alkalmazása a piackutatásban
Takács Mihály
kutatási igazgató
PMSZ – SPSS Konferencia 2006.
2
A piackutatás és az adatbányászat (1)
Az előrejelző modellezés során múltbeli információkat használunk az olyan jövőbeli viselkedések előrejelzésére, melyek hatással lehetnek olyan területekre, mint például a jövedelmezőség vagy a lojalitás.
Számos technikát használunk annak kiderítésére, miért jövedelmezőek a fogyasztók, illetve miért nem; miért lojálisak a vállalat termékeihez, márkáihoz, illetve miért váltanának. Akár primer piackutatás akár pedig már létező adatbázisok segítségével azonosítjuk a lehetőségeket, úgy mint, mely vásárlók rendelkeznek leginkább profittermelő képességgel, vagy kik az igazán lojális vásárlók. Az így kapott információ aztán beépíthető a vállalat által alkalmazott marketing stratégiába.
Ezek az eszközök fejlett statisztikai és adatbányászati módszereket igényelnek. Segítségükkel könnyebben kiválaszthatjuk a legmegfelelőbb célcsoportot, könnyebben meghatározhatjuk a leghatékonyabb reklám és promóciós módszereket.
3
A piackutatás és az adatbányászat (2)
A piackutatás „biztosításként” működik a vállalat számára. Megbízható előrejelzések segítségével könnyebb jó döntéseket hozni. Segít meghatározni a potenciális vásárlók közül azokat, akik nagy valószínűséggel válaszolni fognak egy bizonyos akcióra és nyereséget termelő vásárlók lesznek a jövőben. Ily módon ez a célcsoport célzottan megközelíthető, ami költségcsökkentő és nyereségesség növelő hatású. A döntéseket a kibányászott piacismeret, nem pedig intuíciók alapján hozzák meg, s ez hosszú távú versenyelőnyt biztosíthat a versenytársakkal szemben.
Jellemzően, a piackutatás annak feltárásával foglalkozik, hogy a vásárlók miért viselkednek úgy, ahogy viselkednek: tehát lehetővé teszi vásárlói motivációinak, érzéseinek, viselkedésének mélyebb megértését; míg az adatbányászat a a vásárlók tényleges viselkedését, jellemzőit tárja fel.
4
A piackutatás és az adatbányászat (3)
A siker egyik kulcsa a piackutatásból származó információk és a belső, ügyfelekre vonatkozó adatok összekapcsolása. Ezen adatillesztés által feltárhatók az ügyfelekről, azok magatartásáról és viselkedéséről korábban nem ismert információk (például fontos lehet piackutatás segítségével meghatározni, hogy melyik tesztelt koncepció a legvonzóbb, de még fontosabb lehet annak megállapítása, hogy a legnyereségesebb vagy legnagyobb volument generáló ügyfelek/vásárlók melyike koncepciót preferálják). Ideális esetben tehát a piackutatásból szerzett egyéni vásárlói visszajelzéseket illesztjük össze az adatbányászatból kapott tényleges vásárlói viselkedéssel.
Adatillesztés – piackutatásból származó információk összekapcsolása a cég belső adataival
Adatbányászat – a legújabb algoritmusok és bevált többváltozós elemzési eljárások alkalmazása
Adatbázis marketing és analitikus ügyfélkapcsolat-menedzsment (CRM) alkalmazása
5
CRM és piackutatás (1)
Az adatbányászat egyik legfontosabb felhasználási területe a customer relationship management azaz ügyfélkapcsolat-menedzsment. A CRM a nyereségesség optimalizálását jelenti az ügyfél elégedettsége növelésének segítségével. A CRM radikális szemléletváltást jelent az egyes cégek ügyfélkapcsolati rendszerében, idővel pedig marketingstratégiájukban is, mely a korábbi egyszerű, csupán tranzakciókat bonyolító termékközpontúság helyébe a vásárlót helyezi előtérbe. Ez az ún. ügyfélkapcsolat marketing, mely:
az egyszeri eladás
az alkalmankénti kapcsolat
a termékjellemzők
rövid távú gondolkodás
a vásárló megtartása
folyamatos kapcsolattartás
a termékelőnyök
hosszú távú gondolkodás, jobb vevőszolgálat
helyett
6
CRM és piackutatás (2)
Az elmúlt évek során egyre nagyobb figyelem kezdi övezni a CRM-et, ugyanakkor kevés figyelem fordul a fogyasztók CRM-re adott válasza felé. A piackutatás azért fog igen fontos szerepet játszani az egész ügyfélkapcsolat menedzsment folyamatban, mert segítségével kideríthető, hogy a modern fogyasztó ennek a kapcsolatnak a formálója vagy csak passzív szemlélője, a CRM manipulációjának tárgya.
Fontos lehet a CRM márkákra és márkaépítésre gyakorolt hatása is. Ha a márkákat a gyártók és a fogyasztók közötti viszony valamiféle eredményének tekintjük, akkor ebből világosan látszik, hogy a márkák építése a jövőben nem kizárólagosan csak a hagyományos eszközökkel történik majd, hanem a CRM segítségével is. A piackutatás ebben is fontos szerepet kaphat: segítségével mérhetővé válik a CRM márkákra gyakorolt hatása.
Mivel az ügyfélkapcsolat-menedzsment alapja az egyén, illetve az egyén igényei, a piackutatás feladata annak meghatározása, hogy a fogyasztó valójában mit tekint értéknek. A sikeres CRM rendszerek előfeltétele a piacok átfogó ismerete és az egyes fogyasztói szegmensek igényeinek pontos meghatározása. Ezen paraméterek mérésére a piackutatás a legalkalmasabb.
7
CRM és piackutatás (3)
Az ügyfélkapcsolat menedzsment rendszer kialakítása során a piackutató az alábbi kutatási módszereket alkalmazhatja:
adatbányászat
az egyéni fogyasztói igények mérését, becslését
a fogyasztónak a márkához fűződő viszonyának feltérképezését
a CRM folyamatnak a márkákra gyakorolt hatását, a márkaérték időben történő nyomon követését és a CRM márkaértékre gyakorolt hatása relatív súlyának mérését
a különböző szegmensek számára eltérő kommunikációs stratégia kialakítását és tesztelését.
8
CRM és piackutatás (4)
E módszerek hosszú távon mind a piackutatás eszközeinek frissítését, mind pedig szerepének átértékelődését is előrevetíti.
Könnyen belátható, hogy a hagyományos értelemben vett piackutatás továbbra is megőrzi szerepét és jelentőségét. Az adatbányászatban, CRM-ben használt adattárházak ugyanis rendkívül merev eszközök, hiszen az előzetesen begyűjtött adatok jellemzőin nem áll módunkban változtatni, sőt van, amikor technológiai, vagy adatvédelmi okok miatt erre később sem nyílik lehetőség. Ezért kell a hipotézisvizsgálatra lehetőséget adó módszerhez nyúlnunk, mert ha fel is ismerünk, illetve azonosítani tudunk egy jelenséget, a fogyasztói viselkedés mögött levő indokokat nem tudjuk mással megvizsgálni, mint a miértekre, hogyanokra választ adó piackutatással.
9
Első példa – az ígéretes szegmensek
10
Első példa – az ígéretes szegmensek 1.
A kutatás felépítéseExit interjúk
Kiválasztott, szerződéses üzletek
A mért jellemzőkÜzletek keresztlátogatottsága
Vásárlási gyakoriság - termékkategóriánként
Vásárolt mennyiség és elköltött pénz
Vásárlás döntési menete
A CRM-lojalitás programokban való részvétel
Márkahasználat
Márka- és üzletismereti jellemzők
11
Első példa – az ígéretes szegmensek 2.
A megrendelő kérése: azonosítani szeretné a többet költő vásárlókat, illetve meghatározni az ezt befolyásoló faktorokat
Választott módszer a már kész adatbázis faggatására:CHAID analízis az SPSS AnswerTree segítségével
Döntési fa – eredménye fa-diagramm
12
Első példa – az ígéretes szegmensek 3.
Költés
3396 Ft
n=1095
2680 Ft
n=610
Igen
3429 Ft
n=258
Férfi
3428 Ft
n=197
Nem
Nő
3433 Ft
n=62
Nem
2129 Ft
n=352
közepes
2006 Ft
n=210
magas
3224 Ft
n=52
Jövedelem
alacsony
1784 Ft
n=90
30-40 év
3926 Ft
n=330
4650 Ft
n=167
3188 Ft
n=164
Kor
5088 Ft
n=155
30 év alatt 41-44 év
Hűségkártya Hűségkártya
Lineáris összefüggés a kor és a költés között. Második legfontosabb tényező a hűségkártya
Igen Nem
13
Első példa – az ígéretes szegmensek 3.
Az adott kategóriára költött pénz
1104 Ft
n=848
1022 Ft
n=620(73%)
Igen
1298 Ft
n=279(33%)
-1-
Hűségkártya
Nem
796 Ft
n=340(40%)
-2-
>160 000 Ft
1384 Ft
n=149(18%)
-3-
Jövedelem
Nincs/NV
1214 Ft
n=799%
-4-
<160 000 Ft
A 160 000 Ft jövedelemmel rendelkezők 60%-al többet költenek, ha van hűségkártyájuk.
14
Második példa – a célcsoport előfordulását
meghatározó tényezők
15
Második példa – célcsoport behatárolás 1.
A kutatás felépítéseExit interjúk 202 üzletnél
Országos reprezentatív adatfelvétel az ügyfél adatbázisa szerint
Nagyon rövid kérdőívBizonyos FMCG termékek elérhetősége
Milyen az intézményi környezet (mozi, gyorsétterem, oktatási intézmény, egészségügyi intézmény, stb.)
Milyen a lakókörnyezet (ipari terület, lakópark, lakótelep, családi házak körzete stb.)
16
Második példa – célcsoport behatárolás 2.
A megrendelő kérése: a saját adatbázisa szerint nyilvántartott üzletek besorolását ellenőrizni szeretné (kereskedelmi képviselők osztályozták), a célcsoport-modellezés módszerével, hogy pontosíthassák az osztályozást
A feladat piackutatás és adatbányászat segítségével oldható meg
Választott módszer a rendelkezésre álló adatbázis elemzésére:CHAID analízis az SPSS AnswerTree segítségével
Döntési fa – eredménye fa-diagramm
17
Második példa – célcsoport behatárolás 3.
-1- -2-
Node 0
MeanStd. Dev.n%
Predicted
00
202100
0
,14,04
,00,14
Node 14
MeanStd. Dev.n%
Predicted
00
4522
0
,19,05
,28,19
Node 13
MeanStd. Dev.n%
Predicted
00
15777
0
,13,03
,72,13
Keresett szegmens
Környezet: gyorsétteremAdj. P-value=0,0002, F=14,8616, df=1,200
=yes=no
A legnagyobb elkülönítő ereje a kívánt szegmens elérésében az üzlet közelében fellelhető gyorsétteremnek van.
18
Második példa – célcsoport behatárolás 4.
Node 0
MeanStd. Dev.n%
Predicted
00
202100
0
,1443,0863
,00,1443
Node 2
MeanStd. Dev.n%
Predicted
00
4522
0
,1866,1026
,28,1866
Node 6
MeanStd. Dev.n%
Predicted
00
1250
,2494,1216
,94,2494
Node 5
MeanStd. Dev.n%
Predicted
00
3316
0
,1637,0860
,34,1637
Node 1
MeanStd. Dev.n%
Predicted
00
15777
0
,1322,0772
,72,1322
Node 4
MeanStd. Dev.n%
Predicted
00
3115
0
,1630,0864
,35,1630
Node 3
MeanStd. Dev.n%
Predicted
00
12662
0
,1246,0732
,38,1246
Node 8
MeanStd. Dev.n%
Predicted
00
9044
0
,1161,0678
,55,1161
Node 12
MeanStd. Dev.n%
Predicted
00
6934
0
,1259,0714
,16,1259
Node 11
MeanStd. Dev.n%
Predicted
00
2110
0
,0841,0418
,40,0841
Node 7
MeanStd. Dev.n%
Predicted
00
3617
0
,1457,0823
,82,1457
Node 10
MeanStd. Dev.n%
Predicted
00
1780
,1766,0905
,42,1766
Node 9
MeanStd. Dev.n%
Predicted
00
1990
,1180,0646
,41,1180
Az egész célcsoport
Interviewer: fast food restaurantAdj. P-value=0,0002, F=14,8616, df=1,200
>no
Interviewer: cinemaAdj. P-value=0,0116, F=6,9584, df=1,43
>no<=no
<=no
Interviewer: other institution for various courses for people above 18Adj. P-value=0,0126, F=6,3730, df=1,155
>no<=no
suburb (area of family house)Adj. P-value=0,0402, F=4,3003, df=1,124
>no
Az adott termék hozzáférhető-eAdj. P-value=0,0126, F=6,4892, df=1,88
>no<=no
<=no
ch/grAdj. P-value=0,0309, F=5,0726, df=1,34
>No<=No
Group 1
Group 2
Group 3Group 4
Group 5Group 6 Group 7
A szegmens A szeg. részes.Group 1 25% 6%Group 2 18% 8%Group 3 16% 16%Group 4 16% 15%Group 5 13% 34%Group 6 12% 9%Group 7 8% 10%
gyorsétterem
mozioktatási intézmény
családi házak
vegyesbolt
19
Második példa – célcsoport behatárolás 5.
A döntési fa eredményei alapján szabályokat generáltunk. Nagyobb valószínűséggel találunk a boltban célcsoportot, ha:
1. szabály: a bolt közelében található gyorsétterem és a bolt közelében található mozi
2. szabály: a bolt közelében nem található gyorsétterem és a bolt közelében nem található felnőtt oktatási intézmény és a bolt családi házak körzetében található és a bolt vegyesbolt
A két generált szabály segítségével 14%-nyi boltban megtaláltuk célcsoportunk 43%-át.
POIX (Point of Interest Exchange) kategóriák alkalmazása révén ily módon lehetővé vált az adatbázisban található egységek kategorizálása és esetükben a vásárlói célcsoport arányának becslése.
20
Harmadik példa– kampányértékelés
21
Harmadik példa – kampányértékelés
A kampány célja egy termék újrapozícionálása után az imázs-elemek kis mértékben történő megváltoztatása volt.
Felhasznált módszer: piackutatás és adatbányászat
A cég adatbázisából mintát válogatva kvantitatív piackutatás segítségével mértük:
A termékhez tartozó imázs elemeket
A kommunikációs anyagok vonzerejét
A promóció hatékonyságát befolyásoló eszközöket
Az eredményeket kivetítettük a teljes ügyfél-adatbázisra, majd adatbányászati módszerek segítségével megállapítottuk, hogy melyik kommunikációs csatorna milyen célcsoport esetében működik és milyen befolyásoló eszközökkel érdemes az egyes csoportokat megcélozni (célzott kampány).
22
Negyedik példa– ügyféladatbázisok és a piackutatás kapcsolata
23
Negyedik példa – ügyfélmegtartó képesség
A mai kompetitív környezetben az ügyfélmegtartó képesség és a vásárlói elégedettség a siker kulcsa. A piackutatás ötvözése az ügyfél jellemzésével, besorolásával a vevőelégedettség mérésének hatékony módszere.
Mivel az adatbányászati módszerek elég merev eszközök (hiszen az előzetesen begyűjtött adatok jellemzőin nem áll módunkban változtatni), ezért sok esetben a piackutatási minta eredményeit illesztjük az adatbázisokra (az attitűd változók beillesztése ugyanis általában növeli a modell megbízhatóságát)
24
Szegmensek /
tipológia
becslése
(indikátorok) az
adatbázisban
Ügyfél-adatbázis
Mintavétel
Adatfelvétel
A modellalkalmaz.
Adatbázis-gazdagítás
Adatilleszt.modell
Belső adatok - adatillesztés
Az információk átvitele egy mintáról az adatbázisra
25
Zavarják az üzletmenetet
Marketingtevékenység célja
A) IndexAz ügyfélmegtartás erőssége
B) TipológiaAz ügyfélkapcsolat minősége
Negyedik példa – ügyfélmegtartás
71
100
2575
50
Elégedettség
Lojalitás
Haszon-lesők(9%)
Elkötelezettek(52%)
Rombolók(18%)
Túszok(21%)
Az ügyfélmegtartás mutatóit visszamodellezük a belső adatbázisra.
26
Adat-illesztés
Ügyféladatbázis
Master DataK
or,
jöv e
del
em …
Te r
mék
ha s
znál
a t
Tra
nza
kció
k
Cím
ek
. .. .
. . . .
.
Ti p
ol ó
gi a
t. (
p=
x)
Piackutatás(Ügyfélmegtart.)
Te r
mék
ha s
znál
a t
Ko
r, jö
v ed
elem
…
Újr
avás
árl á
s
El é
ged
etts
ég
Has
zno
ssá g
Ajá
nlá
s
Ügyf.típusok
Kapcsolóváltozók
A „szabály alkalmazása” érvényes a vizsgált populáción
A feltárt „szabály” érvényes a reprezentatív mintán
Adatillesztés: „valószínűleg homogén szegmensek” modellezése
An
alóg
iáskö
vetkeztetés
27
Ötödik példa – promóciós eszközök értékelése virtuális
vásárlási térben majd az optimális promóciós eszköz adatbányászati
eszközökkel történő meghatározása a teljes bolti
univerzumra
28
Cognative - BasKit
30
Ötödik példa – promóciós eszközök értékelése
A kutatás célja promóciós eszközök értékelése virtuális vásárlási térben majd adatbányászati eszközökkel az ideális promóciós eszközök meghatározása a teljes bolti univerzumra.
Felhasznált módszer: virtuális vásárlás és adatbányászat
Virtuális vásárlás segítségével megmérjük a promóciós eszköz tényleges vásárlásra gyakorolt hatását (és ezt közvetlenül tudjuk mérni, mivel mérőszámunk a viselkedés maga, nem pedig a visszaidézés, vagy a cselekedet magyarázata lesz) az összes tesztelt promóció esetében.
Ennek alapján egyrészt becsüljük a befektetés megtérülési rátáját (ROI), másrészt az eredményeket kivetítjük a teljes bolti alapsokaságra majd adatbányászati módszerek segítségével meghatározzuk, hogy a bolt fontos paraméterei (kategória, bolttípus, alapterület, régió, termékportfolió disztribúciója, termék-mix stb.) alapján milyen promóciós eszközök használata javallott, melyik kampány valószínűsíthető a leghatékonyabbnak az adott bolt esetében.
31
Köszönöm a figyelmet!
Takács MihályCognative Kft.