Logo
AZƏRBAYCAN AVTOMOBİL ALICILARININ SEQMENTLƏŞDİRİLMƏSİ FONUNDA KLASTERLƏMƏ VƏ PROFİLLƏŞDİRMƏ METODLARININ SEÇİLMƏSİ (ELMİ MƏQALƏ)
1 May 2022

AZƏRBAYCAN AVTOMOBİL ALICILARININ SEQMENTLƏŞDİRİLMƏSİ FONUNDA KLASTERLƏMƏ VƏ PROFİLLƏŞDİRMƏ METODLARININ SEÇİLMƏSİ (ELMİ MƏQALƏ)

Müəllif: Ali Badalov

XÜLASƏ

Tədqiqatın əsas məqsədi avtomobil sənaye müəssisələri üçün davranış əsaslı seqmentləşdirmənin tətbiqi, klasterləmə metodlarının seçilməsi və seqment üzrə davranış profilləşdirməsinin həyata keçirilməsidir. Alıcı ehtiyaclarının, onların dəyər    alqısının fərqliliyinə səbəb olan amillərdən biri də yaşadıqları və fəaliyyət göstərdikləri coğrafiyadır. Araşdırmamızda Azərbaycan avtomobil bazarının (alıcılarının) fayda əsaslı seqmentləşdirilməsi bizə yerli avtomobil bazarı üzrə hədəf bazarın seçilməsinə imkan yaradacaq. Hədəfləmə strategiyasından asılı olaraq bir və ya bir neçə hədəf seqment müəyyən oluna bilər. Sub-seqmentlərin müəyyən edilməsi isə bizə bir neçə hədəf bazarın seçilməsi üçün qərarqəbuletməyə zəmin yaradacaq. Tədqiqat işi seqmentləşdirmədə daha çox tətbiq edilən klasterləmə metodlarının müqayisəli təhlili əsasında python proqramı ilə yerinə yetirilmişdir. Araşdırma onlayn sorğu vasitəsilə random seçmə üsulu ilə həyata keçirilmiş və ümumilikdə 280 nəfər respondenti əhatə edib. Bakı və regionları əhatə edən sorğuda 18 yaşdan yuxarı cari və potensial kişi/xanım avtomobil alıcıları iştirak etmişdir. Sorğu anketi hazırlanarkən ilk növbədə fayda əsaslı seqmentləşdirməni həyata keçirmək üçün məhsula məxsus fərqli faydalar beş ölçülü Likert şkalası ilə nəzərə alınmışdır. Digər suallar isə faydalar üzərindən seçiləcək seqmentlərin demoqrafik, psixoqrafik və davranışın faydadan əlavə digər xüsusiyyətlərini xarakterizə etmək üçün tərtib edilmişdir. Data təmizlənməsindən sonra qalan 235 anket üzrə nəticələr Ward, K-mean və fuzzy C-mean klasterləmə metodları vasitəsilə təsvir edilmişdir. Bu metodlardan əldə edilmiş nəticələr üzrə müqayisəli təhlil aparılmış, seqmentlərin davranış və demoqrafik profilləri təsvir edilmişdir. Tədqiqat nəticəsində avtomobil sənayesi müəssisəsi üçün davranış əsaslı seqmentləşdirmənin və profilləşdirmənin tətbiqi zamanı yaranan problemlər aşkar edilmiş, onların həlli istiqamətində ilkin təkliflər verilmişdir. Azərbaycan avtomobil alıcılarının alış qərarı verərkən üstünlük verdiyi faydalar seqmentlər üzrə müəyyən edilmişdir.

Tədqiqatın praktiki əhəmiyyəti məhdud resurlar və kəskin rəqabət şəraitində multiseqment strategiyası tətbiq edə bilməyən avtomobil sənayesi müəssisələrinə hədəf bazarın seçilməsinə imkan verməklə, resurların daha səmərəli istifadəsi, məhsulun rəqabətqabiliyyətinin yüksəlməsindədir.

Açar sözlər: Seqmentləşdirmə, profilləşdirmə, Ward, K-mean, C-mean, data əsaslı qərarvermə.

Jel Classification: M31

ABSTRACT

The main object of the research is application of behavioural segmentation and behavioural profiling for automotive industry enterprises. One of the main reasons to difference of buyers’ needs and their value perception is geography that they live and work. Our research on the benefit-based segmentation of Azerbaijan Automobile buyers will enable us to select local target market. One or more target segments can be defined depending on targeting strategy. The evaluation of sub-segments makes it possible to target several markets via multicriterial decision making tools. The research was based on the comparisional analysis of famous clastering methods in segmentation with the help of python. It was conducted online via random sampling and covered 280 respondents. The people at the age of 18 years old and older from Baku and the regions took part in the survey.  Five-point Likert scale was considered for the different benefits of product to realize benefit-based segmentation while preparing survey questionnaire. The rest of questions in the questionnaire enable us to evaluate demographic, psychographic characteristics of the benefit-based segments. The data from 235 questionnaires described via Ward, K-means and fuzzy C-means clastering methods after data cleaning. The results from the clastering algoritms analysed in comparison with each other. Futhermore, the behaviral and demographic profiles of the segments were described. As a result of research, the problems related with application of behavioural segmentation and profiling was evaluated, and given initial suggestions for their solution. The favourite automobile benefits of Azerbaijani buyers were evaluated.

The practical value of the research is in enabling automotive industry enterprises which can’t apply multisegmented strategy  to use their resources more benefitally and to increase their product competitiveness via target market selection in highly competitive markets.

Key words: Segmentation, profiling, Ward, K-mean, C-mean, data based decision making.

  РЕЗЮМЕ

Основной целью исследования является внедрение поведенческой сегментации для предприятий автомобильной промышленности, выбор методов кластеризации и реализация поведенческой профилизации по сегментам. Одним из факторов, приводящих к различию потребностей покупателей, их ценностного восприятия, является география их проживания и деятельности. Сегментация азербайджанского автомобильного рынка (покупателей) на основе выгод позволит нам выбрать целевой рынок для местного автомобильного рынка. В зависимости от стратегии таргетинга может быть определен один или несколько целевых рынков. А определение субсегментов даст нам основу для выбора нескольких целевых рынков. Исследовательская работа была выполнена с помощью программного обеспечения python на основе сравнительного анализа методов кластеризации, больше применяющихся в сегментировании. Исследование проводилось методом случайной выборки посредством онлайн-опроса и охватило в общей сложности 280 респондентов. В опросе, охватывающем Баку и регионы, приняли участие нынешние и потенциальные покупатели автомобилей мужского/женского пола старше 18 лет. При разработке вопросника в первую очередь учитывались различные преимущества, присущие продукту, по пятимерной шкале Лайкерта для реализации сегментации на основе выгод. Другие вопросы были сформулированы для характеристики демографических, психографических и других характеристик поведения сегментов, которые будут выбраны в соответствии с выгодой. После очистки данных результаты по оставшимся 235 вопросникам были описаны с помощью методов кластеризации Ward, K-means и fuzzy c-means. По результатам этих методов был проведен сравнительный анализ, описаны поведенческие и демографические профили сегментов. В результате проведенного исследования выявлены проблемы, возникающие при применении поведенческой сегментации и профилирования для предприятия автомобильной промышленности, даны предварительные предложения по их решению. Были определены по сегментам преимущества, предпочитаемые азербайджанскими покупателями автомобилей при принятии решения о покупке.

Практическая значимость исследования заключается в более целесообразном использовании ресурсов, повышении конкурентоспособности продукции, позволяя предприятиям автомобильной промышленности, не способным применять мультисегментную стратегию в условиях ограниченности ресурсов и острой конкуренции, выбрать целевой рынок.

Ключевые слова: Сегментация, профилирование, Ward, K-means, C-means, принятие решение на основе даты.

 

GİRİŞ

Sənaye müəssisələrinin “Kimin üçün istehsal etmək?” yanaşmaları fərqlənə bilər. Müəssisənin bazar strategiyasından, istehsal etdiyi məhsulun spesifikliyindən, rəqabətdən və s. faktorlardan asılı olaraq hədəf bazarın seçilməsi üzrə qərarlar qəbul edilir. Hədəf bazar üzrə qərarqəbuletməni mümkün etmək üçün ilk mərhələdə cari və ya potensial alıcıların seqmentləşdirilməsini həyata keçirmək zəruridir.

“Seqmentləşdirmə homogen və heterogen faktorlara görə cari və potensial müştərilərin qruplara bölünməsidir. İstehsal edilən məhsul və göstərilən xidmət fərqli müştərilərin ehtiyaclarını eynilə qarşılıya bilməz. Hər kəs eyni filmi, eyni avtomobili, eyni restoranı bəyənməyə bilər. Alıcıların istək və ehtiyacları fərqlidir. Bu səbəbdən marketoloqlar bazarı müxtəlif seqmentlərə bölürlər. Onlar oxşar ehtiyacları bölüşən və məhsulda eyni dəyəri axtaran müştəriləri demoqrafik, psixoqrafik xüsusiyyətlərinə və davranışlarına görə müəyyən edirlər, onların profillərini qururlar. Sonra isə biznes üçün böyük fürsətlər, imkanlar vəd edən seqmentə və ya seqmentlərə fokuslanaraq hədəf bazar təyin edilir. Hər hədəf bazar üçün uyğun təkliflər yaradılır [1]. Rocer Bestə görə “Seqmentləçdirmə prosesi müştərinin probleminin həlli olan faydanın müəyyən edilməsi ilə başlamalıdır. Çünki, müxtəlif müştərilər eyni problem üçün müxtəlif həllər axtarırlar. Bizim ilk məqsədimiz məhsul seçimini şərtləndirən müxtəlif müştəri ehtiyaclarını müəyyən etmək və başa düşməkdir. Müştəriləri ehtiyac əsaslı qruplara böldükdən sonra bir qrupu digərindən fərqləndirmək üçün demoqrafik, psixoqrafik və davranış xüsusiyyətlərinə görə bölə bilərik (bəzi elmi ədəbiyyatlarda coğrafi seqmentasiya demoqrafik seqmentasiyadan ayrı göstərilir). Bir seqmenti digərindən fərqləndirən faktorları anlamaqla biz seqmentləri müəyyən edə bilirik” [2].

“Seqmentasiya yaradıcı və təkrarlanan prosesdir. Müəssisələrin çoxusu müştəri tiplərini və onların xüsusi ehtiyaclarını müəyyən etmək üçün bir neçə pilləli seqmentasiya kiteriyalarından istifadə edir. Çox mərhələli dəyər zəncirinin hər mərhələsində müxtəlif ehtiyaclara malik fərqli seqmentlər yarana bilər. Hədəfləmək məqsədilə seqmentlərin müəyyən edilməsi müəssisəyə marketinq strategiyasını inkişaf etdirməyə imkan verir. Müştəri ehtiyaclarına fokuslanaraq uyğun məhsullar istehsal edilir ki, bu da müəssənin rəqabətqabiliyyətliliyini yüksəldir və yeni bazar imkanlarına yol açır. Beləki, strateji marketinqin ümumi məqsədi də elə rəqabət üstünlüyünün müəyyən edilməsi və təmin edilməsindən ibarətdir” [3].

Seqmentləşdirmə prosesi əsas iki fazadan ibarətdir. Birinci faza seqmentin inkişaf etdirilməsi, ikinci faza isə prioritetləşdirilməsi və seqmentin seçilməsi ilə bağlıdır.  Birinci addımda müəssisə fəaliyyət göstərdiyi bazarın seqment strukturunu yaradır, seqmentləri müəyyən edir. Sonra isə hansı seqmentə/lərə yönəlirsə  onun necə seçilməsi ilə bağlı problemi həll edir [3].

Avtomobil sənayesində şirkətlər adətən bazarı demoqrafik (yaş, gəlir, cins, sosial klass, ailə ölçüsü və s.) göstəricilərə görə seqmentləşdirirlər. Məsələn, Mazda özünün parlaq rənglərlə olan MX-3 modelini 20 yaş və ətrafı üçün, 929 modelini isə orta yaşlı seqment üçün yaradıb. Onların reklamlarından bunu əyani olaraq sezmək mümkündür. Yapon şirkətləri amerika bazarında orta yaşın yüksəlməsini görüncə yaşlı seqmenti hədəfləməyə başlamışdır. Ford ilk öncə Mustang modelini aşağı qiymətə sport avtomobillərə rəğbət göstərən cavanlar üçün istehsal etsə də, sonradan bu modelin digər yaş seqmentlərində də rəğbətlə qarşılandığını müəyyən etmişdir. Türkiyədə avtomobillərdə qadın effekti asanlıqla görünür. Türkiyədə avtomat ötürücü qutulu avtomobillərin geniş istifadəsinə səbəblərdən biri də məhz qadınlardır. Həmçinin xanımlar daha kiçik tutumlu avtomobillərə üstünlük verirlər. Uşaqlar üçün nəzərdə tutulmuş təhlükəsizlik sistemləri ilə təchiz edilmiş avtomobillər də əsasən qadınların diqqətini çəkən amillərdəndir. Bunu İBS Marketinq Araşdırmaları şirkəti də öz araşdırmalarında vurğulayır [4].

Avtomobilin motor gücü, aksesuarları və şassisi onun klasını göstərir. Avtomobilin klası onun qiymətinə təsir edir. Gəliri yuxarı olan insanlar yaxşı keyfiyyətli, təhlükəsiz, yaxşı performanslı və komfortlu avtomobillərə üstünlük verirlər. Porshe, BMW, Mercedes, Jaguar, Ferrari, Bugatti E və F klass olmaqla daha bahalı avtomobillərdir. B və C klass isə orta gəlirli seqmentlər üçündür. Bu seqmentlər əsasən Toyota, Opel, Renault və s. kimi brendlərə üstünlük verirlər. Bəzi şirkətlər avtomobillərin funksiya və avadanlıqlarını modifikasiya etməklə aşağı gəlirli seqmentləri də hədəfləyə bilirlər [4].

Şirkət əsas iki faktora baxmalıdır: 1) seqmentin ümumi cəlbediciliyinə və 2) şirkətin məqsəd və resurslarına [1]. Tək seqmentə konsentrasiyaya nümunə olaraq Volkswagen-nin kiçik tutumlu avtomobil bazarına və Porche brendinin isə idman avtomobili bazarına yönəlməsini göstərmək olar. Konsentrasiyalı marketinqdə şirkət seqmentin ehtiyacları ilə bağlı dərin bilik əldə edə bilir və bazarda güclü mövqeyini təmin edir. Amma bu yanaşmada risklər də mövcuddur. Konsentrasiya edilmiş seqment cəlbediciliyini itirə bilər və ya rəqib eyni seqmentə nüfuz edə bilər. Bu səbəbdən  bir çox avtomobil şirkətləri bir seqmenti deyil bir neçə seqmenti hədəfləməyi daha üstün tuturlar. Bu yanaşmanın əsas faydalarından biri də şirkətin dəyişməz xərclərinin bir deyil bir neçə məhsullar üzrə bölüşdürülməsi hesabına mənfəətliyin təmin edilməsidir. Bununla da multiseqment hədəfləmə strategiyası şirkətə öz risklərini diversifikasiya etməyə imkan verir. Məsələn, Mercedes həm premium sedan seqmentini hədəflədiyi kimi eyni zamanda cavanları və tənha müştəriləri Smart modeli ilə əhatə edir [5]. Multiseqment strategiyasının isə əsas çatışmayan tərəflərindən biri resursların qeyri-fokuslu paylanmasıdır. Bunun üçün şirkətlərin maliyyə və digər resursları daha dayanıqlı olmalıdır ki, hər seqment üzrə rəqabətə davam gətirə bilsin. Nəzərə alsaq ki, Azərbaycan kimi bir çox inkişaf etməkdə olan ölkələrdə avtomobil sənayesi ilk addımlarını atmaqdadır və şirkət resursları hələ formalaşmaqdadır, o zaman fərz etmək olar ki, məhdud resurslar ilə konsentrasiyalı marketinq strategiyası daha məqsədə uyğun seçim hesab edilə bilər. Beləki, yerli bazara nüfuz edən və əsasən multiseqment strategiyası tətbiq edən xarici avtomobil brendləri ilə rəqabət yeni yaranmaqda olan məhdud resurslu müəssisələrin iflasına səbəb ola bilər.

PROBLEMİN QOYULUŞU/TƏSVİRİ

Bu mövzuda araşdırılan elmi ədəbiyyatlarda və məqalələrdə avtomobil bazarının  ən çox demoqrafik seqmentləşdirilməsinə və demoqrafik profillərinin hazırlanmasına rast gəlinir. Amma avtomobil bazarının ehtiyac əsaslı seqmentasiyası üçün müştərinin davranış xüsusiyyəti üzərindən və daha dəqiq desək məhsuldan əldə edəcəyi fayda üzərindən seqmentlərə bölünməsinə demək olar ki, rast gəlinmir. İlkin araşdırmalar onu deməyə əsas verir ki, avtomobil üzrə fayda siyahısının mümkün qədər tam formalaşdırılması və bu tip sorğularda tövsiyyə edilən Likert şkalası əsasında sualların tərtibi özü-özlüyündə müəyyən çətinliklər yaradır. İlk növbədə fayda üzrə dəyişənlərin sayının maksimum əhatə edilməsi qiymətləndirmənin səmimiliyinə təsir edir. Əksi isə fayda üzərindən məhdud sayda seqmentlərin müəyyən edilməsinə səbəb ola bilir. O cümlədən Likert şkalasının 5,7 və ya 10 ölçülü olması da cavablandırmaya və ondan alınacaq nəticəyə təsir göstərir. Beləki, elmi ədəbiyyatlarda və məqalələrdə səbəb göstərilmədən seqmentləşdirmədə 7 və 10 ölçülü şkaladan daha çox istifadə edilir. Həmçinin 5 ölçülü şkalanın da istifadəsinə rast gəlinir. Müqayisə üçün qeyd edim ki, bu mövzuda apardığım digər araşdırmada fayda üzrə dəyişənlərin sayı 12 olmaqla 10 ölçülü Likert şkalasından istifadə edilmişdir [6]. Nəticələr göstərir ki, şkalanın ölçüsü artdıqca seqmentə bölünmə daha səlis baş verir. Bu isə davranış tipli profilləşdirməni daha da asanlaşdırır.

Mangiameli (1996), Mingoti və Lima (2006), Kuo (2006), Hung və Tsai (2008) klasterləmə alqoritmlərinin performasını həm simulyativ həm də real data üzərindən müqayisə etmişdilər. Amma nəticələr bir-birinin əksinə olmuş və müxtəlif limitlərə mövzu olmuşdur. Saa (2015) iddia edir ki, linqvistik data yaradan Likert şkalası tipli suallar üzrə cavabları analiz edərkən müəyyən narahatçılıqlar yaranır. Çox zaman qeyri-müəyyənlik yaradan linqvistik data insan dilinin təcəssümüdür (Bandemer and Näther, 2012). Likert şkalasından əldə edilən data parametrik təhlil üçün istifadə edilə bilməz. Məsələn bu data ilə riyazi ortanın hesablanması mənasızdır. Buna baxmayaraq digər elmi ədəbiyyatda seqmentdə fayda dəyişənləri üzrə ağırlığı müəyyən etmək üçün məhz riyazi ortadan istifadə edilmişdir [7].

Elmi ədəbiyyatda McNeil (1991), Minhas və Jacobs (1996), Brunner və Siegrist (2011) and Park (2011) kimi araşdırmaçılar tərəfindən bir neçə araşdırmada fayda əsaslı seqmentasiyadan istifadə edilmişdir. Onların araşdırmalarında seqmentlərin müəyyən edilməsi üçün faktor və klaster təhlilləri tətbiq edilib. Fayda əsaslı seqmentasiya araşdırmaları əsas etibarı ilə Likert şkalasından geniş istifadə edilməsini göstərmişrir. Məsələn, Wu (2001) onlayn marketinq mövzusunu araşdırarkən fayda dəyişənlərinə K-mean alqoritmi tətbiq etməklə beş ölçülü Likert şkalası istifadə edir. Olsen et al. (2009) isə irearxik və K-mean alqoritmlərini Likert şkala datasına inteqrasiya yanaşmasını tətbiq edir. Bundan əlavə eyni yanaşmalar Hong və Koh, 2002; Park 2011 araşdırmalarında istifadə edilib [8].

Digər bir problem əsasən 2 seqmentdən daha çox bölünmə olduğu halda həmin seqmentlərin profilləşdirilməsində tətbiq edilən riyazi orta ilə əldə edilən nəticədir. Beləki, riyazi orta fayda üzrə ağırlıqları əsasən elə 2 seqment üzrə də bölür ki, bu da digər seqmentləri davranış əsaslı profilləşdirilməsini çətinləşdirir.

Nəticə olaraq aşağıdakı suallara cavab tapmaq istəyirik; 1. Fərqli klasterləmə alqoritmlərinin verdiyi nəticələr nə qədər fərqlidir? 2. Onlardan hansı seqmentləşdirmədə daha etibarlı nəticə sərgiləyir? 3. Ən azı üç seqment müəyyən edilərsə hər bir seqmenti davranış əsaslı profilləşdirmək mümkündürmü? 4. Çox seqmentli nəticəni davranış əsaslı profilləşdirmək mümkün olmazsa çıxış yolu nədir?

METODOLOGİYA

Araşdırmamızda Azərbaycan avtomobil alıcılarının fayda əsaslı seqmentləşdirməsini və davranış əsaslı və ya demoqrafik profilləşdirilməsini həyata keçiririk. Qeyd edim ki, bəzi elmi ədəbiyyatlarda fayda (benefit) ya davranış ya da psixoqrafik seqmentləşdirmənin dəyişəni kimi qeyd edilmişdir [1], [9].  Daha öncəki məqalədə seqmentləşdirmənin təhlil metodları haqqında məlumat təqdim edilmişdir (Təsvir 1).

Təsvir 1. Seqmentasiya təhlil metodları [10]. *Qruplar arasında oxşarlığı və fərqliliyi təsvir edir. **Asılı və asılı olmayan dəyişənlər arasında əlaqəni müəyyən edir.

Qeyd edim ki, ikinci dərəcəli dataya (secondary data) sahib olmadığımız üçün biz A priori üsullardan deyil Post hok üsullardan istifadə etməklə sorğu ilə əldə etdiyimiz data üzərində işləmişik. Əlavə olaraq digər təsvir metodları ilə Təsvir 2 –də tanış olmaq mümkündür.

Təsvir 2. Təsviri statistik klasterləmə metodları [11].

Məqalədə seqmentləşdirmə üçün ierarxik Ward və bölünmə metodları olan K-means, fuzzy C-means metodlarından istifadə edilir. Yuxarıda adları qeyd edilən bir neçə klasterləmə metodun istifadəsinin məqsədi əldə edilən nəticələrin Dunn, Davies Bouldinn Score və Calinski-harabasz indeksləri ilə yoxlamaqla uyğun alqoritmi seçməkdir.

İlk öncə sorğu anketi tərtib edilərkən suallar həm demoqrafik, həm psixoqrafik, həm də davranış seqmentləşdirməsinin edilməsinə hesablanmışdır. Məhsul faydalarının siyahısının tərtibi zamanı avtomobil sahəsində çalışan ekspertlərdən tövsiyyələr alınmışdır. Avtomobil alıcılarının tək demoqrafik deyil davranış əsaslı seqmentləşdirməsini həyata keçirmək üçün anketdəki sualların böyük qismi faydaların 5 ölçülü Likert şkalası ilə qiymətləndirilməsinə aid edilmişdir. Onlayn sorğuda istifadə edilən anketlə tanış olmaq üçün linkə keçid etmək mümkündür https://forms.office.com/r/kcJUCYS4PD. Sorğu 280 nəfər arasında keçirilsə də data-nın təmizlənməsi zamanı formal cavablar (bütün suallar üzrə eyni qiymət verənlər) silinmiş, eyni coğrafi ərazidə yaşayan amma fərqli formada qeyd edənlər birləşdirilmiş, təhsil bölgüsü üzrə böyük çoxluğun ali, orta təhsil seçimi səbəbindən bütün cavablar bu kateqoriyalar altında birləşdirilmişdir. Data təmizlənməsi üzrə müvafiq işlər həyata keçirildikdən sonra 235 cavab üzrə data strukturlaşdırılmışdır. İstifadə edilən klasterləmə metodlarının tətbiqi üçün Python proqramından istifadə edilib. Proqramda aşağıdakı addımlar həyata keçirilib:

  1. İstifadə edəcəyimiz kitabxana yüklənir.
  2. Sorğu cavablarının əks olunduğu excel fayl prorama yüklənir. Anket 30 sütundan və 235 sətrdən ibarətdir. İlk 5 sətr aşağıdakı kimi əks edilmişdir.
  3. Datada kateqorik və numerik dəyişənlər müəyyən edilir.
  4. Əldə etdiyimiz nəticə əsasında numerik data-nın statistik göstəricilərini nəzərdən keçiririk.

    Nəzərə alsaq ki, məqsədimiz fayda əsaslı seqmentləşdirmədir bu zaman biz modeldə yalnız Likert şkalası ilə qiymətləndirilən faydalar üzrə cavabları əsas götürürük.


    Daha yaxşı nəticələr əldə etmək üçün və data-nı klasterləməyə uyğun vəziyyətə gətirmək üçün “StandardScaler()” əmri istifadə edilmiş sonra standartlaşdırılmış data normallaşdırılmışdır.


    İlk olaraq Ward metodu tətbiq edilməklə aşağıdakı dendroqram əldə edilmişdir.


    Qruplar üzrə cavablandırmanı daha aydın görmək üçün “fancy dendrogram” funksiyasından istifadə edilmişdir.


    “Fancy dendrogram” üçün aşağıdakı koddan istifadə edirik.


    Aydınlaşmış bölünmələr aşağıdakı kimidir.


    Cophenet” qiymət üzrə nəticə.


    İerarxik klasterləmə üzrə nəticəmiz hazırdır. Max-depth 5 götürməklə 3 klaster əldə etmiş olduq.

  5. İeararxik klasterləmə üzrə siluet qiymətin (silhouette score) nəticəsi aşağıdakı kimidir.

  1. Digər klasterləmə alqoritmlər üzrə əməliyyatları icra edirik.

K-means

C-means

Modelin yoxlanılması

Klasterləmə metdolarını qiymətləndirmək üçün geniş istifadə edilən bir çox metodlar var. Bu araşdırmada mən Dunn, Davies Bouldinn və Calinski-harabasz indekslərindən istifadə edəcəm.

Dunn indeksi (1974-cü ildə J.C.Dunn tərəfindən təqdim edilib) klasterlənən dataya əsaslanan klasterləmə alqoritmini qiymətləndirən meyardır. Dunn indeksinin qiyməti nə qədər yüksək olarsa klasterləmə nəticəsi bir o qədər daha yaxşı deməkdir. Dunn indeksini maksimallaşdıram klasterlərin sayı k klasterlərinin optimal sayı kimi qəbul edilir [12].

Davies-Bouldin indeksi (DBİ) (1979-cu ildə David L. Davies və Donald W. Bouldin tərəfindən təqdim edilib) dataya uyğun olan kəmiyyətə və xüsusiyyətlərə əsaslanan klasterləmə alqoritmini qiymətləndirən meyardır. DB indeksi az olduqca klasterləmə nəticəsi yaxşı hesab edilir [12].

Calinski-Harabasz indeksi həmçinin Kriteriya Kənarlaşma əmsalı kimi də tanınır. Bu indeks klasterlər arası yayınma məcmusunu üzrə əmsaldır. Calinski-Harabasz indeksinin qiyməti nə qədər yüksək olarsa klasterləmə nəticəsi bir o qədər daha yaxşı deməkdir. Yüksək qiymət klasterlər bir-birindən daha aydın bölünməsini göstərir [13].

Dunn indeksini Python proqramında hesablamaq üçün aşağıdakı kodlarda istifadə edirik [14]. Bunun üçün ilk öncə klaster qiymətlərinin siyahısını yaradıram və sonra funksiya vasitəsilə həm siyahını qiymətləndirirəm.

Sonra Python proqramının köməyi ilə eyni addımlar K-means və C-Means klasterləmə metodları üçün də istifadə edilir.

Klasterləmə metodunu və həmin metod üzrə əldə etdiyimiz nəticəni seçdikdən sonra davranış əsaslı və demoqrafik profilləşdirmənin həyata keçirilməsini həyata keçiririk. Problemin təsvirində qeyd etdiyimiz kimi faydaların Likert şkalası üzrə əldə edilən qiymətlərinin riyazi ortasının hesablanması yanaşmalardan biridir [10]. Amma bu yanaşma ilə profilləşdirmə əsasən iki seqmentli qruplar üzrə daha məhsuldar nəticə verir. Beləki, sub-seqmentlər (nişlər) üzrə tam profilləşdirmə demək olar ki, mümkün olmur. Elmi ədəbiyyatda avtomobil müştərilərinin əsasən demoqrafik profillərdirilməsinin tətbiq edildiyi qeyd edilir. Amma davranış əsaslı profilləşdirmənin tətbiqinə demək olar ki, rast gəlinmir.

Davranış əsaslı profilləşdirmə üçün yalnız faydalar üzərindən həyata keçirilən klasterləmə zamanı əldə etdiyimiz qruplar üzrə beş ölçülü Likert şkalasının qiymətlərinin riyazi ortasını hesablayırıq [10].

Demoqrafik profilləşdirmədə isə əsasən klasterlərin demoqrafik göstəricilərinin faizlə nisbətləri müəyyən edilir. Klasterlərdə demoqrafik göstəricilərin faiz ifadəsində çəkisi müəyyən edilir. Adətən faiz göstəriciləri ilə zəngin olan cədvəlləri interpretasiya etmək çətinlik yaradır. Çıxış yolu olaraq data əsaslı seqmentasiya zamanı demoqrafik profilləşdirmədən əldə edilən nəticələr vizuallaşdırılır [9].

 

NƏTİCƏ

Azərbaycan avtomobil alıcılarının seqmentləşdirilməsi üzrə araşdırma bizə bir neçə klasterləmə və profilləşdirmə metodlarının müqayisəli təhlilinə imkan verdi. Problemin təsvirində qeyd etdiyimiz kimi araşdırmanın əsas məqsədi potensial və cari alıcıların fayda əsaslı seqmentləşdirilməsi idi. Baxmayaraq ki, avtomobil müəssisələri demoqrafik seqmentləşdirməyə üstünlük verirlər, bu araşdırmada davranış seqmentləşdirilməsini (məhsul faydaları bəzi ədəbiyyatlarda davranış, digərlərində psixoqrafik seqmentləşdirmənin tərkib hissəsi kimi göstərilir) həyata keçirməklə tək demoqrafik göstəricələrə deyil eyni zamanda məhsula münasibətdə hədəf bazarın önəmsədiyi parametrləri üzə çıxarmağa çalışdıq.

Azərbaycan avtomobil alıcılarının seqmentləşdirməsinin fonunda bizə maraqlı olan ilk sual data əsaslı seqmentləşdirmə zamanı daha çox tətbiq edilən klasterləmə metodlarının nəticələrindən hansı daha etibarlıdır və bunun yoxlanılması necə baş verir. Elmi ədəbiyyatda tövsiyyə edilən əsasən Dunn, Davies Bouldinn və Calinski-harabasz indekslərdən və siluet qiymətdən istifadə etdik. Əldə etdiyimiz nəticələrə Cədvəl 1-də müqayisəli şəkildə baxmaq mümkündür.

Cədvəl 1. Klasterləmə modellərinin Dunn, Davies Bouldinn və Calinski-harabasz indeksləri, Siluet qiyməti ilə yoxlanılması.

İndekslərWardK-meansFuzzy C-means
Dunn index0,1400,1370,137
Calinski-Harabrasz score29,16035,69035,500
Davies-bouldin index2,4902,2602,320
Silhoutte score0,0900,1300,120

Cədvəl 1-dən də göründüyü kimi K-means metodu Davies Bouldinn və Calinski-harabasz indeksləri üzrə daha uğurlu nəticə əldə etmişdir. Bu səbəbdən də klasterləmə metodu olaraq seçimimiz K-means olacaqdır.

Cədvəl 2. Ward, K-mean və fuzzy C-mean klasterləmə metodları ilə əldə edilən nəticələrin riyazi orta ilə profilləşdirilməsi.

Yuxarıda da qeyd etdiyimiz kimi, indekslərlə yoxlamaya əsasən bu araşdırmada seçimimiz K-means ilə əldə etdiyimiz nəticə olacaq.

Növbəti mərhələdə K-means ilə əldə etdiyimiz seqmentlər üzrə davranış əsaslı profilləşdirmə Cədvəl 3-də təsvir edilmişdir.

Cədvəl 3. K-means klasterləmə metodu ilə əldə edilmiş nəticənin riyazi orta ilə davranış əsaslı profilləşdirməsi.

Nəticədən də göründüyü kimi A seqmenti üzrə göstəricilərin riyazı ortası faydaların böyük qismini ağırlığa görə əhatə edir. Vizuallaşdırma onu göstərir ki, bu seqment emosional xüsusiyyətə malik faydalara daha önəm verir və zənn etmək olar ki, avtomobil seçərkən emosional qərar verə bilərlər. B seqmenti isə əksinə avtomobil ilə bağlı qərar verərkən rasional xüsusiyyətə malik faydalara önəm verir və avtomobilin qiyməti, ehtiyyat hissələrinin asan tapılması, təmir xərclərində qənaət onların qərarına təsir edir. Ümumiləşdirsək B seqmenti büdcəni, A seqmenti isə daha yüksək statusu düşünən potensial və ya cari alıcılardır.

Cədvəl 3-dən gördüyümüz kimi davranış əsaslı seqmentləşdirmədə 3-cü C seqmenti üzrə profil müəyyən etmək mümkün olmamışdır. Bu onu göstərir ki, çox seqmentli nəticə üzrə riyazi orta ilə seqmentlər üzrə ağırlığın müəyyən edilməsi bəzi seqmentlərin profillərini müəyyən etməməyə imkan verə bilər. Buna səbəb klasterlər üzrə yaxın qiymətlər verən respondentlərin bir səbətə yığılmasıdır. Belə halda aşağı qiymət verənlərin də bir və ya bir neçə səbətə düşməsi nəticədə orta qiymətin aşağı olmasına səbəb ola bilir. Bu seqmentlər ya bütün qiymətlər üzrə minimal nəticə alır ya da yüksək qiymətlər alan digər seqmentlərə nəzərən bəzi qiymətlərdə geri qalır. Bizim araşdırmamızda qeyd etdiyimiz ikinci hal baş vermişdir.

Cədvəl 3-ə nəzər yetirdikdə C seqmentinin qiymətlərinin daha çox A seqmentinə nəzərən kölgədə qalması müşahidə edilir. Zənn edirəm ki, A seqmentini istisna etməklə C seqmentini B seqmentinə nəzərən profilləşdirmək mümkündür. Nəticə olaraq Cədvəl 4-də baxa bilərik.

Cədvəl 4. C  seqmentinin davranış əsaslı profilləşdirməsi.

Nəticədən də göründüyü kimi C seqmenti A seqmentinin bir alt qrupuna daha çox bənzəyir, fərq isə ondadır ki, bu seqment daha məhdud sayda faydaya fokuslanır. Qənaəti xarakterizə edən faydalardan isə daha uzaq düşür. Belə olduğu halda əldə edilən seqmentlərin ayrılıqda yenidən seqmentləşdirilməsi maraqlı nəticələr ortaya qoya bilər və hər seqmentin tərkibində kiçik niş qrupları üzə çıxara bilər. Bizim nümunədə datanın az olması bunu təcrübədən keçirib əsaslı nəticə əldə etməyə imkan vermir.

Cədvəl 5. Seqmentlərin demoqrafik profilləşdirməsi.

Demoqrafik profilləşdirmənin vizuallaşdırılmasından asılı olaraq seqmentlərin profilləri daha aydın müəyyən edilə bilər. Cədvəl 5-in nəticələrinin ilkin interpretasiyası seqmentlər ilə bağlı qismən təsəvvür yaratmağa imkan verir. Məsələn,  müəyyən az sayda kənarlaşmaları istisna etsək A seqmenti daha yaşlı, B seqmenti orta, C seqmenti cavan yaşlı seqmentlərdir. B seqmenti daha çox qadın tutumlu seqmentdir. A seqmentinin 63,9%-inin 1000 manatdan yuxarı gəliri olduğu halda, B seqmentində bu göstərici 44,4% və C seqmentində isə 42,3% təşkil edir. A seqmentinin böyük hissəsi evli, B və C seqmentinin isə subaydır. Həmçinin A seqmentinin 36,1%-i iderəedici vəzifədə işlədiyi halda, B semqentində bu göstərici 27,2% və C seqmentində 25%-dir. Nəticə olaraq qeyd edə bilərik ki, demoqrafik profilləşdirmə A seqmentinin yuxarı, B seqmentinin orta, C seqmentinin aşağı seqment olmasını göstərir.

Demoqrafik və davranış əsaslı profilləşdirmə üsulları ilə əldə edilən məlumatları uzlaşdırsaq yuxarı, orta və aşağı seqmentlərin məhsul üzrə önəmsədiyi faydaları görə bilərik. Deməli, Azərbaycan avtomobil alıcılarının yuxarı seqmenti qeyri-qiymət amillərinə, orta seqmenti qiymət və qənaət amillərinə, aşağı seqmenti isə B seqmentinə nisbətdə avtomobilin dizayn, brend, istehsalçı ölkə, istehsal ili kimi faydalarına daha çox önəm verirlər. Belə düşünən aşağı C seqmenti mənsublarının 34,3%-i 18-25 yaşdır, 64%-inin avtomobili yoxdur, 68,60%-i işsiz və ya siravi işçi statusunda olanlardır.

ƏDƏBİYYAT SİYAHISI

  1. Marketing management / Philip Kotler, Kevin Keller.—Twelfth ed. Pearson, 2006.
  2. Market-Based Management: Strategies for growing customer value and profitability. Roger J.Best. Pearson, 2013.
  3. Malcolm McDonald and Ian Dunbar. Market segmentation: how to do it, how to profit from it. Elsevier, 2004.
  4. Otomobil Sektorunde Uygulanan Onemli Demografik Bolumlendirme Kriterleri, Yrd. Doc. Dr. Bulent Bayraktar, 2005.
  5. İnternet resurs: Segmentation, Target Market Selection and Positioning Practice in Automotive İndustry. (2018, Aug 15). https://phdessay.com/segmentation-target-market-selection-and-positioning-practice-in-automotive-industry/
  6. Seqmentasiyada qərarqəbuletmə. Təhlil metodlarının tətbiqi və qeyri-səlis məntiq nəzəriyyəsinin istifadə imkanları. Ə.V.Bədəlov, İPƏK YOLU, No.4, 2018, səh.12-19.
  7. Automotive market – from a general to a market segmentation approach. Liviana Andreea Niminet (university of Bacau, Romania). Studies and Scientific Researches. Economics edition, No 18, 2013
  8. Arunachalam, D and Kumar, N (2018) Benefit-based consumer segmentation and performance evaluation of clustering approaches: An evidence of data-driven decision-making. Expert Systems with Applications, 111. pp. 11-34.2018
  9. Market Segmentation Analysis. Understanding it, doing it and making it useful. Sara Dolnicar, Bettina Grün, Friedrich Leisch. SpringerOpen 2018.
  10. Marketing Analytics: Strategic Models and Metrics. Sorger S. Admiral Press 2013.
  11. Marketing Strategy and Competitive positioning. Graham J.Hooley, Nigel F.Piercy, Brigitte Nicoulaud, fourth ed. Pearson, 2008.
  12. İnternet resurs: https://www.geeksforgeeks.org/dunn-index-and-db-index-cluster-validity-indices-set-1/
  13. İnternet resurs: https://medium.com/@haataa/how-to-measure-clustering-performances-when-there-are-no-ground-truth-db027e9a871c
  14. İnternet resurs: https://gitlab.informatik.hs-fulda.de/ML-Projects/dcgmm/-/blob/master/metric/dunn_index.py
Subscribe
Notify of
guest
0 Comments
Inline Feedbacks
View all comments