Adatbányászati módszerek alkalmazása a piackutatásban

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 „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 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


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


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


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


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


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


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


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


-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


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


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.

Adatbányászati módszerek alkalmazása a piackutatásban

Documents

Transcript of Adatbányászati módszerek alkalmazása a piackutatásban