Формализованный опрос может включать в себя разные методы сбора. Для увеличения скорости сбора данных было задействовано сразу три канала: личный опрос, телефонный опрос, интернет - опрос.
До начала сбора данных основным каналом для сбора считался личный опрос в офисах. Для этого готовая анкета была отправлена на электронную почту каждому менеджеру, а сами менеджеры проинструктированы. Инструкция содержала информацию о том, что: опрашивать, только посетителей, пришедших в офис первый раз за продуктом - окно; опрашивать только с согласия посетителя; опрашивать перед консультацией о продукте.
При этом для большего влияния на менеджеров, инструктаж, по просьбам отдела маркетинга, провела коммерческий директор бренда «СтеклоДом» в Перми. В ходе сбора данных стало понятно, что большинство менеджеров проигнорировало письмо, так как никакой мотивации опрашивать клиентов не оказалось, а по мнению менеджеров по продажам, опрос только мешал процессу продаж. В итоге за два месяца сбора данных с офисов было собранно всего 31 анкета.
Одновременно с запуском опроса в офисе был запущен интернет - опрос на сайте «СтеклоДом» Пермь - https://steklodom.com. Поп - ап с опросом -рисунок 5, выходил пользователям, которые впервые посетили сайт, через 10 секунд после захода на сайт.
Рис. 5. Анкета на сайте
Для того чтобы в выборку попало как можно меньше нецелевых респондентов, в начале анкеты вставлен фильтрующий вопрос - «Вы планируете приобрести окно?». Далее для части респондентов опрос заканчивалась, а целевые респонденты могли пройти опрос до конца и получить скидку в размере 5%, что должно было замотивировать пройти опрос до конца.
Последним каналом сбора стал телефонный опрос. В первоначальном плане исследования, телефонный опрос рассматривался исключительно как канал для сбора данных в пилотном исследовании. Однако, так как был план сбора с нормативными показателями в офисах и на сайте по неделям, отклонение в офисах стало заметно через две недели. После чего принято решение собирать информацию также через телефонный опрос. Телефонный опрос проводили сотрудники кол - центра «СтеклоДом» и телемаркетологи компании.
Перед запуском масштабного исследования стартовал запуск пилотного исследования. Для повышения скорости получения информации была использована выборка клиентов, недавно сделавших заказ в копании. Численность выборки составила 50 респондентов. Методом сбора стал телефонный опрос. По результатам пилотного исследования была модифицирована анкета, а также отработаны методы обработки и анализа данных.
Сбор данных продлился порядка двух месяцев. В итоге было получено три массива данных:
· Анкеты от менеджеров в офисе - 31 анкета;
· Анкеты, полученные путем телефонных звонков клиентам - 129 анкет;
· Анкеты с сайта - 115 анкет.
Анкеты от менеджеров в офисе были исключены из анализа, так как есть вероятность, что выборки отличатся между собой. А проверка статистическим критерием при размере выборки 31 будет не корректна. Также часть анкет были заполнены не полностью или содержали логические ошибки. Такие анкеты составили 6%, они были исключены из анализа.
Первым шагом в анализе данных стало решение вопроса о возможности соединить две выборки в одну. Для проверки гипотезы о наличии различий между оценками респондентов, ответы которых были собраны разными способами необходимо выбрать верный статистический критерий. Так как в исследовании две независимые выборки, признаки в которых имеют не нормальное распределение, воспользуемся критерием Манна - Уитни. [26].
Для расчета критерия воспользуемся программным обеспечением «RStudio». Результаты проверки представлены в таблице 1 - проверка гипотезы о различии выборок.
Таблица 1. Проверка гипотезы о различии выборок
Единственный атрибут с p - value выше 0,1 - скидка. При этом, согласно традиционной интерпретации уровней значимости при вероятности ошибки первого рода 0,05, возникает неопределенность в принятии альтернативной гипотезы [6]. Таким образом, при отсутствии четко выраженных различий в признаках между двумя выборками, считаю возможным объединить их в одну без ущерба результатам исследования.
Объединив две выборки в одну получаем массив 224 наблюдения, что превосходит запланированные 200. Перейдем к описанию распределения частот выборки с помощью графиков и диаграмм.
Рис. 6. Распределение респондентов по полу
Распределение респондентов по полу между мужчинами и женщинами практически равное.
Рис. 7. Распределение респондентов по возрасту
По рисунку 2 видно, что по возрасту распределение между разными группами практически одинаковое, исключение составляют люди 18 - 24 лет, их представительство в общей совокупности составляет 7%. Интересно, что большая часть 17% - респонденты пожилого возраста.
Рис. 8. Распределение респондентов по цели покупки окна
На диаграмме представлено распределение ответов респондентов на вопрос - «в какое помещение вы ищете окно». 72% всех ответов составляет квартира, что предсказуемо. 23% нуждаются в окне в коттедж. 5% респондентов в процессе поиска окна для офиса или подъезда.
Рис. 9. Популярность каналов коммуникаций
Для выявления точек контакта с потребителями выяснялось, чем они пользуются регулярно - каждую неделю. С отрывом более, чем на 10% от второго канала, наиболее популярным стал телевизор, 70% указали, что пользуются им регулярно. Также в тройку попали «Вконтакте» и «Viber». В компании по всем трем направлениям есть маркетинговая активность. По телевизору ежемесячно показывают рекламу «СтеклоДом». В социальной сети «Вконтакте» настроена таргетированная реклама, а также есть сообщество «СтеклоДом Пермь». «Viber» используется не для привлечения клиентов, а для поддержания коммуникаций менеджера и клиента в процессе консультирования и продажи, если это удобно клиенту. Так, «Viber» можно использовать для рассылок клиентам СтеклоДома. Среди каналов, которые компания не использует, но ими пользуется более четверти опрошенных, можно выделить «YouTube» - 33% пользователей.
Рассмотрев описательные статистики, перейдем к кластерному анализу. Кластерный анализ был выбран для определения предпочтений разных сегментов. Благодаря кластерному анализу можно понять какую часть рынка привлекает определенный атрибут.
Для проведения кластерного анализа было использовано программное обеспечение «RStudio». Перед началом анализа необходимо убедиться, что данные пригодны для проведения кластерного анализа. Несмотря на то, что оценки атрибутов имеют ненормальное распределение, что рекомендовано при кластерном анализе, все данные расположены в интервале от 1 до 5 включая границы. В следствии чего, мы получаем отсутствие выбросов (выбросы были удалены на предварительной обработке данных). Также каждый признак выражен в одинаковой шкале, следовательно, стандартизация данных не требуется. Данные готовы к анализу.
Качество кластеризации определяется устойчивостью результатов при использовании разных методов кластеризации или разных выборок из одной генеральной совокупности, а также содержательностью интерпретации результатов. Для проверки устойчивости проведем агломеративный иерархический анализ методом Уорда, затем проведем кластерный анализ методом k - средних и сопоставим результаты. После чего раздели базу на две равные части случайным образом, и проведем на каждой кластерный анализ, методом k - средних. Результаты сопоставим и определим на сколько они воспроизводимы в разных условиях.
На первом этапе для иерархической кластеризации необходимо построить матрицу расстояний. Эта матрица содержит в себе информацию о различиях между объектами. При это ключевым шагом является выбор меры расстояния [33]. Среди мер можно выделить:
· Евклидово расстояния;
· Квадрат евклидового расстояния;
· Расстояние Манхэттена;
· Расстояние Чебышева;
· Степенное расстояние.
Для того чтобы выбрать подходящую меру расстояния важно ясно понимать цель и смысл данных. В данном исследовании все 12 атрибутов одинаково важны, поэтому расстояние Чебышева не подходит. Все выбросы уже удалены, соответственно использование степенного или манхэттенского расстояния не целесообразно. Методом исключения остались евклидово расстояние и квадрат евклидового расстояния. Возьмем классическое евклидово расстояния, так как в придании большего веса более отдаленным друг от друга объектам нет необходимости.
Построив матрицу расстояний, переходим к выбору метода объединения объектов в кластеры [15]. Наиболее популярными методами иерархической кластеризации являются:
· Одиночная кластеризация связей;
· Полная кластеризация связей;
· Средняя кластеризация связей;
· Центроидный метод;
· Метод Уорда.
В данной работе был выбран метод Уорда, так как метод подходит для решения задач с близкорасположенными кластерами, а также широко распространен в исследованиях с сегментацией рынка. Результатом иерархического кластерного анализа методом Уорда стала дендрограмма.
Рис. 10. Дендрограмма
По внешнему виду дендрограммы проглядывается решение из четырех или пяти кластеров. Для обоснования количества кластеров в решении, воспользуемся критерием Калински - Карабас (CH), где максимальное значение укажет на наиболее вероятное число кластеров [11].
Для расчета критерия определим среднее расстояние внутри кластера и между кластерами. Далее рассчитаем критерий для решений с разным количеством кластеров, от двух до десяти. Расчеты представим в таблице.
Таблица 2. Выбор количества кластеров
Как видно из таблицы значение критерия наибольшее для решения из шести кластеров - 1,79. Критерий Калински - Карабас для решения из четырех кластеров - 1,50, что значительно меньше, чем для шести. При этом, размер кластеров нормальный, отсутствуют кластеры, в которые входят до 5 объектов (справедливо для данной генеральной совокупности). Таки образом, остановимся на решении из шести кластеров. Изобразим решение графически.
Рис. 11. Дендрограмма
Определив количество кластеров, перейдем к кластеризации методом k - средних. Данный метод позволит нам найти центры кластеров. Задав разбиение совокупности на 6 кластеров, остановку алгоритма через 20 итераций, получаем центры шести кластеров.
Перед анализом кластеров, опишем качество кластеризации методом k - средних и в общем. Методом k - средних стремится к такому разделению на кластеры, при котором, сумма квадратов между кластерами разделенная на общую сумму квадратов стремится к единице. Иными словами, алгоритм стремится к компактности внутри кластеров и большом расстоянии между ними [27]. В данном исследовании, показатель составил 47, 6 %. Это говорит о том, что кластеры получились не однородными.
Проверка на устойчивость результатов была проведена в два этапа. На первом этапе сравнивались результаты иерархического анализа и анализа методом k - средних с помощь индекса Ранда [42]. Индекс составил 0,88, что говорит о высокой устойчивости результатов.
На втором этапе проверки данные были разделены на две равные части случайным образом. На каждой из частей проводился кластерный анализ методом k - средних. Далее с помощью индекса Ранда результаты сопоставлялись. Всего было сделано 6 итераций, средний результат по обеим выборкам составил 86%.
Подводя итог качества кластерного анализа отметим ключевые пункты:
· Кластеры размыты. Не имеют четких очертаний;
· Высокая устойчивость результатов анализа.
Данные выводы помогут при интерпретации данных и при заключении выводов. Возвращаясь к центрам кластеров, построим таблицу.
Таблица 3. Центры кластеров
На основе данных из таблицы опишем каждый кластер. Но прежде обозначим корректировку оценки важности атрибутов. Так как оценки атрибутов потребителей носили не нормальное распределение, а ответы сильно склонялись к оценке 5 (атрибут очень важен), определим, что:
1. 4,6 - 5 балов - высокая важность атрибута (зеленого цвета);
2. 3,6 - 4,5 балов - средняя важность атрибута (желтого цвета);
3. <3,5 - низкая важность атрибута (красного цвета).
Для потребителей первого кластера важны все характеристики, кроме возможности экономии, защиты от ультрафиолетовых лучей и приватности.
Для второго сегмента атрибуты средней важности: приватность, дизайн, защита от ультрафиолетовых лучей, возможность экономии и защита от конденсата. Низку важность имеет пожаростойкость. Для третьего кластера защита от ультрафиолетовых лучей и дизайн - атрибуты средней важности, а приватность имеет низкую важность. Для сегмента четыре, который является самым большим по размеру и составляет 29% важны все характеристики. Сегменты 5 и 6 самые маленькие по размеру кластеры, однако средняя оценка всех атрибутов в них гораздо ниже, чем в общей совокупности. Для пятого сегмента важным атрибутом является безопасность для детей, к атрибутам низкой важности относятся: экономия на электроэнергии, защита от ультрафиолетового излучения, дизайн, пожаростойкость и приватность. Для шестого кластера важные атрибуты: теплозащита, защита от конденсата, шумоизоляция, размер скидки, наименее важные: экономия на электроэнергии, защита от ультрафиолетового излучения, безопасность для детей, пожаростойкость и приватность.