现代商业技术概论4市场细分

第四章市场细分方法与工具

第四章市场细分方法与工具

第一节市场细分变量方法与程序第二节基于因子分析的多元聚类

第三节基于行为的市场细分第四章市场细分方法与工具学习目标：掌握主要的市场细分变量及其适用环境。了解主要市场细分方法、标准与模型。掌握基于因子分析的市场细分方法。掌握基于行为列联表市场细分方法。4.1市场细分变量方法与程序4.1.1主要市场细分变量细分变量地理细分人口细分心理细分行为细分利益细分选什么变量：客户调查，他们看重什么变量？表4-1市场细分变量标准地理细分人口细分心理细分行为细分利益细分细分维度位置、环境各种外部特征生活方式、价值取向、个性购买行为寻求的利益细分目标了解需求总量和变化趋势等了解市场结构、其他方法的补充新产品引入策略、广告策略及其他营销策略产品定位、客户关系管理等新产品引入策略、广告策略及其他营销策略利益细分消费者碎片化、去中心化的趋势：海飞丝：去屑潘婷：营养发质飘柔：柔顺光滑沙宣：专业美发伊卡璐：草本精华、纯天然4.1.2市场细分方法类别

主要内容分层聚类自底向上的集聚的（agglomerative）层次聚类算法和自顶向下分裂的（divisive）层次聚类算法分割聚类分为3类：概率模型算法,目标函数算法,模糊目标函数算法基于密度聚类密度连接法和密度分布函数基于方格聚类综合了分割聚类算法和分层聚类算法的思想，STING算法是最早的算法对字符属性聚类特点是维数高，处理对象是稀疏矩阵，任意两个事务中相同的元素ROCK算法是常用的对字符型属性聚类的算法高维数据聚类利用因子分析方法对数据进行降维处理。然后利用因子进行聚类，然后对应原属性的相应的因子进行类的划分。神经网络聚类SOM网络常用于聚类分析，并得到相应的扩展算法如ESOM等4.1.4经典市场细分模型生活形态细分模型

图4-2生活形态细分流程生活形态变量生活形态因素生活形态群体地理变量人口统计变量消费者态度变量消费者行为变量因子分析聚类分析、方差分析描述性统计、描述性方差分析各细分市场特征、差异难点：掌握因子分析和聚类分析的差异个人—情境混合细分模型

个人（消费者）细分使用者辨别特征个人（消费者）—情境细分特定的人在特定的情境场合情境细分使用场合的辨别特征利益细分在特定情境中人的需要和目标产品感知细分特定情境中人对品牌及特征的感觉评价行为细分特定情境中产品使用率、品牌忠诚度及对营销战略的敏感度4.2基于因子分析的多元聚类4.2.1因子分析筛选数据因子分析模型：将表示为：

(4.1)或

(4.2)

为公共因子,系数称为因子载荷。因子分析步骤第一步，构造相关矩阵：可以用常规统计方法来检验是否需要进行因子分析，如Bartlett球体检验就可以用来检验变量之间是否彼此独立，即总体相关矩阵是单位矩阵的假设，不能够使用因子分析，通常要求KMO值大于0.5。第二步，确定因子分析方法：主成分分析（用尽可能少的因子解释尽可能多的方差）和公因子分析（识别公因子的主要维度）是两种主要的因子分析方法。第三步，确定因子数目：方法包括事先确定、根据特征值、碎石图、解释方差百分比、复本信度、显著检验确定等方法。第四步，因子旋转：由于因子载荷矩阵不是惟一的，所以应该对因子载荷矩阵进行旋转，三种主要的正交旋转法：四次方最大法、方差最大法和等量最大法。第五步，计算因子得分：函数公式为

（4.3）关键的一步——正交旋转4.2.2聚类细分市场聚类分析包含以下几个步骤：

第一步，选择距离指标：计算距离的方法有欧式距离、马氏距离、兰氏距离、斜交空间距离和切氏距离等。

第二步，选择聚类分析方法：分为分层聚类方法和非分层聚类方法（区分-是否选择一个中心作为参考）

第三步，确定群组数目示例因子分析：牙膏属性评价聚类分析：购物态度案例：

ABC电信公司的数据中包含了顾客的人口统计特征和服务的使用情况，其中人口统计特征包括：yearswithcurrentemployer、yearsatcurrentaddress、ageinyears、levelofeducation等；服务使用情况包括：tollfree、callerID、callingwaiting、callingforwarding、3.waycalling，equipment、wireless、voicemail、pagingservice、internet、electronicbill、longdistance和callingcard。

SPSS操作第一步：用因子分析提取变量在SPSS中打开数据telco.sav，进入数据界面。点击Analyze—DataReduction—Factor进入因子分析。选择Longdistancelastmonth到Wirelesslastmonth和Multiplelines到Electronicbilling之间的选项作为分析变量。点击Descriptives，选择InitialSolution和KMOandbartlett’stestofsphericity返回上一界面，点击Extraction，进入因子提取对话框，此过程以系统默认值为准。返回上一界面，点击Rotation，选择varimax返回上一界面，点击Scores选项，点击Saveasvariables按钮返回上一界面，点击Options选项,选择Replacewithmean,最后点击OK结果解释：KMO值为0.888，球形检验显著性水平小于0.05，说明以上变量十分适合做因子分析。有三个因子特征值大于1，解释了64.903%的变量方差最大化旋转后的因子载荷状况，载荷越高，说明该因子对变量的解释程度越好第二步：聚类分析划分细分市场点击Analyze—Classify—K-MeansCluster，选择保存的三个因子得分进入变量列表，在NumberofClusters中输入4。Method默认第一项。点击Save按钮，选择保存Clustersmembership，然后点OK，得出结果：上表显示了最终的聚类中心，可依此来描述不同组群类别的特征。第三步：判别分析打开细分数据，点击Analyze—Classify—Discriminant，选择前面聚类分析保存的分组结果进入组别变量，并点击DefineRange，在Minimum中输入1，Maximum中输入4。选择三个因子得分进入Independents中点击Statistics，选择UnivariateANOVA和Box’sM，点击Classify，Display选项中选择Summarytable，点击Save，选择Predictgroupmembership，最后点击OK，得出分析结果。方差检验的结果，表明三个因子在不用类别中均值不相等。Wilk值分别为0.053