Adatbányászati módszerek alkalmazása a piackutatásban

Az előadások a következő témára: "Adatbányászati módszerek alkalmazása a piackutatásban"— Előadás másolata:

1 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) helyett
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 felépítése Exit interjúk Kiválasztott, szerződéses üzletek A mért jellemzők Üzletek 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.
Lineáris összefüggés a kor és a költés között. Második legfontosabb tényező a hűségkártya Költés 3396 Ft n=1095 Kor 30 év alatt 30-40 év 41-44 év 2680 Ft 3926 Ft 5088 Ft n=610 n=330 n=155 Hűségkártya Hűségkártya Igen Nem Igen Nem 3429 Ft 2129 Ft 4650 Ft 3188 Ft n=258 n=352 n=167 n=164 Nem Jövedelem Férfi Nő közepes magas alacsony 3428 Ft 3433 Ft 2006 Ft 3224 Ft 1784 Ft n=197 n=62 n=210 n=52 n=90

13 Első példa – az ígéretes szegmensek 3.
Az adott kategóriára költött pénz A Ft jövedelemmel rendelkezők 60%-al többet költenek, ha van hűségkártyájuk. 1104 Ft n=848 Jövedelem < Ft > Ft Nincs/NV 1022 Ft 1384 Ft 1214 Ft n=620 (73%) n=149 (18%) n=79 9% Hűségkártya -3- -4- Igen Nem 1298 Ft 796 Ft n=279 (33%) n=340 (40%) -1- -2-

14 Második példa – a célcsoport előfordulását meghatározó tényezők

15 Második példa – célcsoport behatárolás 1.
A kutatás felépítése Exit interjúk 202 üzletnél Országos reprezentatív adatfelvétel az ügyfél adatbázisa szerint Nagyon rövid kérdőív Bizonyos 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.
A legnagyobb elkülönítő ereje a kívánt szegmens elérésében az üzlet közelében fellelhető gyorsétteremnek van. Keresett szegmens Node 0 Mean ,14 Std. Dev. ,04 n 202 % 100 ,00 Predicted ,14 Környezet: gyorsétterem Adj. P-value=0,0002, F=14,8616, df=1,200 =no =yes Node 13 Node 14 Mean ,13 Mean ,19 Std. Dev. ,03 Std. Dev. ,05 n 157 n 45 % 77 ,72 % 22 ,28 Predicted ,13 Predicted ,19 -1- -2-

18 Második példa – célcsoport behatárolás 4.
Az egész célcsoport Node 0 Mean Std. Dev. n % Predicted 202 100 ,1443 ,0863 ,00 Node 2 45 22 ,1866 ,1026 ,28 Node 6 12 5 ,2494 ,1216 ,94 Node 5 33 16 ,1637 ,0860 ,34 Node 1 157 77 ,1322 ,0772 ,72 Node 4 31 15 ,1630 ,0864 ,35 Node 3 126 62 ,1246 ,0732 ,38 Node 8 90 44 ,1161 ,0678 ,55 Node 12 69 34 ,1259 ,0714 ,16 Node 11 21 10 ,0841 ,0418 ,40 Node 7 36 17 ,1457 ,0823 ,82 Node 10 gyorsétterem Interviewer: fast food restaurant Adj. P-value=0,0002, F=14,8616, df=1,200 <=no >no oktatási intézmény Interviewer: other institution for various courses for people above 18 Interviewer: cinema mozi Adj. P-value=0,0126, F=6,3730, df=1,155 Adj. P-value=0,0116, F=6,9584, df=1,43 <=no >no <=no >no Group 4 Group 3 Group 1 családi házak suburb (area of family house) Adj. P-value=0,0402, F=4,3003, df=1,124 <=no >no A szegmens A szeg. részes. vegyesbolt Group 1 25% 6% ch/gr Az adott termék hozzáférhető-e Adj. P-value=0,0309, F=5,0726, df=1,34 Adj. P-value=0,0126, F=6,4892, df=1,88 Group 2 18% 8% Group 3 16% 16% <=No >No <=no >no Group 4 16% 15% Node 9 Mean ,1180 ,1766 Group 5 13% 34% Std. Dev. ,0646 ,0905 n 19 17 Group 6 12% 9% % 9 ,41 8 ,42 Predicted ,1180 Predicted ,1766 Group 6 Group 2 Group 7 Group 5 Group 7 8% 10%

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 Belső adatok - adatillesztés
Az információk átvitele egy mintáról az adatbázisra Ügyfél- adatbázis Szegmensek / tipológia becslése (indikátorok) az adatbázisban A modell alkalmaz. Adatbázis- gazdagítás Mintavétel Adatilleszt. modell Adatfelvétel

25 Negyedik példa – ügyfélmegtartás
Az ügyfélmegtartás mutatóit visszamodellezük a belső adatbázisra. Elégedettség B) Tipológia Az ügyfélkapcsolat minősége A) Index Az ügyfélmegtartás erőssége Marketingtevékenység célja 100 25 75 50 Haszon- lesők (9%) Elkötelezettek (52%) Lojalitás Rombolók (18%) Túszok (21%) Zavarják az üzletmenetet

26 Adatillesztés: „valószínűleg homogén szegmensek” modellezése
A „szabály alkalmazása” érvényes a vizsgált populáción következtetés Analógiás A feltárt „szabály” érvényes a reprezentatív mintán Ügyféladatbázis Master Data Kor, jövedelem … Termékhasználat Tranzakciók Címek Tipológia t. (p=x) Piackutatás (Ügyfélmegtart.) Kapcsolóváltozók Adat-illesztés Kor, jövedelem … Termékhasználat Elégedettség Újravásárlás Hasznosság Ajánlás Ügyf. típusok

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

29

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 Mihály Cognative Kft.