Marktcontext en marktonderzoek
EBB055A05
2018-2019
Stampsamenvatting
Marleen Rijpkema
,1. Segmenteren
STP model
• Segmenting: verdeel de markt in kleinere segmenten met verschillende behoeften,
karakteristieken of gedrag dat mogelijk vraagt om verschillende marketingstrategieën of
mixen.
1. Identificeer eigenschappen voor het segmenteren van de markt.
2. Ontwikkel segment profielen.
• Targeting: het evalueren van de aantrekkelijkheid van elk marktsegment en het selecteren van
één of meer segmenten om te betreden.
3. Ontwikkel metingen van de aantrekkelijkheid van de segmenten.
4. Selecteer de doelsegmenten.
• Positioning: het regelen van een marketing aanbod om een duidelijke en wenselijke plaats in
te nemen in het hoofd van ‘target consumers’ relatief ten opzichte van concurrerende
producten.
5. Ontwikkel een positionering voor elk doelsegment.
6. Ontwikkel een marketingmix voor elk doelsegment.
Markt definitie
Definieert de strekking (scope) van de externe analyse: identificeert concurrenten en (potentiële)
klanten.
SMART
Probleemstelling moet zijn: specifiek, meetbaar, acceptabel, realistisch, tijdsgebonden.
Segmentatie: definitie, variabelen en criteria
• Segmentatie is het verdelen van een heterogene markt in groepen klanten, zodanig dat de
behoeften binnen groepen zoveel mogelijk homogeen zin en de behoeften tussen de groepen
zoveel mogelijk heterogeen zijn.
• Segmentatievariabelen: de consumenten segmenteren op basis van variabelen zoals
geografie, demografie, psychografie en gedrag. Dit zijn bases, die vertellen waarom
segmenten verschillen (actieve clustervariabelen). Vaak multi-tiered approach: combinatie van
meerdere segmentatievariabelen/ segmentatie-bases. (Descriptors zijn kenmerken die ons
helpen om een segment te vinden en te bereiken = passieve variabelen.)
• Segmentatiecriteria: marksegment moet voldoen aan de volgende criteria (MASDA):
o Measurable
o Accessible
o Substantial
o Differentiable
o Actionable
Vormen van marketing
Massamarketing, segmentatie (target marketing, niche-marketing, micro marketing), one-to-one
marketing.
Latente klasse analyse
Een methode om segmenten te selecteren op basis van de marketing respons. Dit is goed in te zetten in
situaties waarin prijsgevoeligheid een grote rol speelt.
Customer relationship groups (vlnr vbnb)
• Butterflies: hoge klantwaarde, lage retentiekans
• True friends: hoge klantwaarde, hoge retentiekans
• Strangers: lage klantwaarde, lage retentiekans
• Barnacles: lage klantwaarde, hoge retentiekans
2
,Clusteranalyse
Hiervoor gebruik je Ward’s method: je bekijkt eerst alle objecten apart en voegt vervolgens objecten
in clusters samen. Hiervoor bestudeer je onder andere een dendogram: deze geeft weer welke
objecten zijn samengevoegd, en hierbij stop je met samenvoegen van clusters als de afstand te groot is.
In de tabel Agglomeration Schedule vind je een overzicht van wanneer welke objecten zijn
samengevoegd. Deze output gebruik je voor het maken van een scree plot, waarbij je aan de hand van
de laatste tien Coefficients een scree plot in excel maakt. Waar je vervolgens (vanaf rechts) de
elleboog ziet, bepaal je de hoeveelheid clusters. Je kijkt dus naar het punt waarop de Coefficients
opeens een hele grote sprong maakt. Als het aantal clusters bekend is, deze combinatie opslaan en
toetsen. Je bekijk met een Indepent Samples T-Test of de verschillen tussen de gekozen clusters
(groepen) op de actieve clustervariabelen significant zijn (significant als de p-waarde kleiner is dan
0,05, dus sig. <0,05). Tot slot bekijk je ook met de methode One Way ANOVA of de verschillen tussen
de groepen significant zijn op de actieve clustervariabelen. Als je Post-Hoc toetsen zoals Least Square
Differences (LSD) toepast kan je zien welke groepen precies significant van elkaar verschillen.
3
,2. Targeting
Targeting
Het evalueren van de aantrekkelijkheid van elk marktsegment en het selecteren van één of meer
segmenten om te betreden. Aantrekkelijkheid wordt gebaseerd op de SWOT: externe factoren
(marktspecifiek: opportunities & threats) en de interne factoren (bedrijfsspecifiek: strengths &
weaknesses). SWOT kent veel nadelen (kritiek), en is vooral ‘listmaking’ i.p.v. een analyse.
Verschillende analyses en doelen:
• Macro-omgevingsanalyse
o Doel: identificeer kansen en bedreigingen.
o Methode: DESTEP.
• Marktanalyse/ bedrijfstakanalyse
o Doel: identificeer aantrekkelijkheid van de industrie, begrijp de marktdynamieken en
identificeer kritische succes factoren.
o Methode: vijfkrachtenmodel Porter.
• Concurrentenanalyse
o Doel: identificeer sterke en zwakke punten, voorspel toekomstig gedrag.
o Methode: eventueel werken met strategische groep: een groep concurrenten met
dezelfde marketingstrategieën, karakteristieken en/of competenties. Voordeel is betere
uitvoerbaarheid van concurrentenanalyse, nadeel is toenemende abstractie.
• Distributie-analyse
• Interne analyse
o Doel: evalueer de huidige strategie, identificeer sterke en zwakke punten.
Churn
Het weglopen van klanten zonder dat dit duidelijk is voor het bedrijf. Dit is erg nadelig voor bedrijven,
en daarom goed om in kaart te brengen. Kan met logistische regressie en tree models
(boomdiagram). Uitwerking van SPSS opdracht:
In de boomdiagram zie je welke variabelen van invloed zijn op churn (Analyzeà Classifyà Treeà
Growing Method=CRT). In de figuur zie je dat zonder segmenteren op een variabele 85,5% blijft en
14,5% wegloopt (churn). In totaal zit hier 100% van de mensen in. Vervolgens wordt de vraag ‘total
day minutes’ gebruikt. Hierbij wordt gekeken naar mensen die <= 264,50 minuten bellen en >264,450
minuten bellen. Als hierop wordt gesegmenteerd zie je dat in de categorie <= 264,50 minuten bellen
88,6% van de mensen blijft en 11,4% van de mensen vertrekt. In totaal zitten 93,7% van de mensen in
deze groep. Improvement is de verbetering door de variabele, dus de verklaarde variantie door de
variabele. Zo gaat de gehele analyse verder, waardoor je uiteindelijk de onafhankelijke variabelen met
een significante invloed op churn vindt, in afnemende mate van belangrijkheid.
4
, Logistische regressie geeft output in twee blocks. Block 0 geeft in de Classification table informatie
over de beginsituatie, waarin iedereen wordt geclassificeerd als blijver (stay). 85,5% wordt dan goed
voorspeld. Bij Variables in the Equation zie je dat enkel de constante wordt gebruikt voor het
voorspellen van Churn, en dat de gemiddelde kans op churn die voor iedereen hetzelfde is. Bij
Variables not in the equation wordt informatie gegeven over de variabelen die nog niet opgenomen
zijn in het model.
Block 1 gebruikt onafhankelijke variabelen om Churn te voorspellen. In dit geval zijn dat Total day
charge en Voicemail plan. De tabel Omnibus Tests of Model Coefficients toont het resultaat van de
logistische regressie: is het model met de variabelen significant beter dan het lege model? In dit geval
wel (p<0,0001).
Logistische regressie analyse geeft geen proportie verklaarde variantie (R2), zoals in een lineair model.
Wel bestaan er verschillende pseudo R2-maten, die vergelijkbaar zijn met de R2 uit lineaire regressie
analyse. De SPSS output geeft in de tabel Model Summary twee van zulke maten. De Cox & Snell R2
(hier gelijk aan 0,053) wordt niet zo vaak gebruikt, omdat deze maat nooit de waarde één kan
bereiken. De R2 van Nagelkerke (hier gelijk aan 0,095) kan dit wel. Dus circa 9,5% van de variantie in
Churn kan worden verklaard door het model met Total day Charge en Voicemail plan.
In de laatste tabel Classification Table staat de invloed van de variabelen. Om te toetsen of de
variabelen een significante invloed hebben wordt de Wald-statistic gebruikt, waarbij je in de kolom
sig. kan zien of de gevonden effecten significant zijn. Bij de positieve hellingen (B) neemt de kans op
Churn toe bij een hogere score van Total day charge dan wel Voicemail Plan. De cijfers in de Wald
kolom geven daarnaast ook aan hoe groot de invloed is van de variabele. Wald is namelijk de
gestandaardiseerde Beta, en geeft het belang van de onafhankelijke variabelen in het verklaren van
variantie in Churn. De variabele met de grootste invloed heeft de hoogste score op de Wald-statistic.
Door de variabelen mee te nemen in de voorspelling wordt 85,7% goed voorspeld, en zonder
variabelen 85,5%. Deze verbetering lijkt minimaal, maar aangezien het gaat om miljoenen klanten is
de verbetering alsnog significant én relevant voor het bedrijf in kwestie.
5
