Геодемографическая сегментация
В маркетинге геодемографическая сегментация — это метод многомерной статистической классификации, позволяющий определить, попадают ли отдельные лица в разные группы путем количественного сравнения нескольких характеристик с предположением, что различия внутри любой группы должны быть меньше, чем различия между группами.
Принципы
[ редактировать ]Геодемографическая сегментация основана на двух простых принципах:
- Люди, живущие в одном районе, с большей вероятностью будут иметь схожие характеристики, чем два человека, выбранные наугад.
- Районы можно классифицировать по характеристикам населения, которое в них проживает. Любые два квартала могут быть отнесены к одной и той же категории, т. е. в них проживают схожие типы людей, даже если они сильно разделены.
Алгоритмы кластеризации
[ редактировать ]Использование разных алгоритмов приводит к разным результатам, но не существует единого наилучшего подхода к выбору лучшего алгоритма, так же как ни один алгоритм не предлагает каких-либо теоретических доказательств своей достоверности. [1] Одним из наиболее часто используемых методов геодемографической сегментации является широко известный алгоритм кластеризации k-средних . Фактически большинство современных коммерческих геодемографических систем основаны на алгоритме k-средних. Тем не менее, методы кластеризации, основанные на искусственных нейронных сетях, генетических алгоритмах или нечеткой логике, более эффективны в больших многомерных базах данных (Brimicombe 2007).
Нейронные сети могут обрабатывать нелинейные зависимости, устойчивы к шуму и демонстрируют высокую степень автоматизации. Они не предполагают каких-либо гипотез относительно характера или распределения данных и оказывают ценную помощь в решении проблем географического характера, которые на сегодняшний день невозможно решить. Одним из наиболее известных и наиболее эффективных методов нейронных сетей для достижения неконтролируемой кластеризации является самоорганизующаяся карта (SOM). SOM был предложен как улучшение метода k-средних, поскольку он обеспечивает более гибкий подход к кластеризации данных переписи населения. Метод SOM недавно использовался Спилманом и Тиллом (2008) для разработки геодемографической кластеризации набора данных переписи населения, касающегося города Нью-Йорка.
Другой способ характеристики сходства отдельного полигона со всеми регионами основан на нечеткой логике . Основная концепция нечеткой кластеризации заключается в том, что объект может принадлежать более чем одному кластеру. В двоичной логике набор ограничен двоичным определением «да-нет», означающим, что объект либо принадлежит, либо не принадлежит кластеру. Нечеткая кластеризация позволяет пространственной единице принадлежать более чем одному кластеру с различными значениями членства. В большинстве исследований, касающихся геодемографического анализа и нечеткой логики, используются алгоритм Fuzzy C-Means и алгоритм Густавсона-Кесселя. [1] (Фэн и Флауэрдью, 1999).
Системы
[ редактировать ]Известными системами геодемографической сегментации являются Claritas Prizm (США), CanaCode Lifestyles (Канада), PSYTE HD (Канада), Tapestry (США), CAMEO (Великобритания), ACORN (Великобритания) и MOSAIC (Великобритания). Появляются также новые системы, ориентированные на подгруппы населения. Например, Сегментос исследует геодемографический образ жизни выходцев из Латинской Америки в Соединенных Штатах. И MOSAIC, и ACORN используют ономастику для определения этнической принадлежности по именам жителей. [2] [3]
Кластеры образа жизни CanaCode
[ редактировать ]Кластеры образа жизни CanaCode разработаны компанией Manifold Data Mining и классифицируют канадские почтовые индексы на 18 отдельных основных групп образа жизни и 110 нишевых стилей жизни. [4] Он использует статистику текущего года по более чем 10 000 переменных, начиная от демографии и социально-экономических факторов и заканчивая расходами и особенностями образа жизни (например, поведением потребителей), включая использование продуктов, использование средств массовой информации и психографику.
ПСАЙТ HD
[ редактировать ]PSYTE HD Канада [5] представляет собой геодемографическую систему сегментации рынка, которая классифицирует канадские почтовые индексы и территории распространения на 57 уникальных групп образа жизни и взаимоисключающих типов районов. PSYTE HD Canada построен на демографической и социально-экономической базе переписи населения Канады, а также на различных входных данных третьих сторон, объединенных в современную среду построения кластеров. Полученные кластеры представляют собой наиболее точные снимки канадских районов. PSYTE HD Canada — это эффективный инструмент для анализа данных о клиентах и потенциальных рынках, получения рыночной информации и понимания, а также интерпретации поведения потребителей на разнообразном канадском рынке.
Система КАМЕО
[ редактировать ]Классификации CAMEO представляют собой набор потребительских классификаций, которые используются организациями на международном уровне в рамках своих стратегий продаж, маркетинга и сетевого планирования.
CAMEO UK была создана на уровне почтовых индексов, домохозяйств и отдельных лиц и классифицирует более 50 миллионов британских потребителей. Он был создан для точного сегментирования британского рынка на 68 различных типов районов и 10 ключевых маркетинговых сегментов.
На международном уровне Global CAMEO — это крупнейшая в мире система сегментации потребителей, охватывающая 40 стран. Существует также единая глобальная классификация CAMEO International, которая разделяет границы.
CAMEO был разработан и поддерживается Callcredit Information Group.
Система желудей
[ редактировать ]Классификация жилых кварталов ( Желудь ) разработана CACI в Лондоне. Это единственный доступный в настоящее время геодемографический инструмент, созданный на основе данных текущего года, а не данных переписи населения 2011 года. Acorn помогает анализировать и понимать потребителей, чтобы повысить взаимодействие с клиентами и пользователями услуг для реализации стратегий по всем каналам. Acorn сегментирует все 1,9 миллиона почтовых индексов Великобритании на 6 категорий, 18 групп и 62 типа.
Система МОЗАИКА
[ редактировать ]Mosaic UK — это система классификации людей Experian. Первоначально создан профессором Ричардом Уэббером (приглашенным профессором географии Университета Кингс-Колледж в Лондоне) совместно с Experian. Последняя версия Mosaic была выпущена в 2009 году. Она классифицирует население Великобритании на 15 основных социально-экономических групп, в рамках которых 66 [6] разные типы.
Mosaic UK является частью семейства классификаций Mosaic, которое охватывает 29 стран, включая большую часть Западной Европы, США, Австралию и Дальний Восток.
Mosaic Global — это глобальный инструмент классификации потребителей Experian. Он основан на простом предположении, что города мира имеют общие модели жилищной сегрегации. Mosaic Global — это последовательная система сегментации, которая охватывает более 400 миллионов домохозяйств по всему миру с использованием местных данных из 29 стран. Он выделил 10 типов жилых кварталов, которые можно встретить в каждой из стран.
система геоСмарт
[ редактировать ]В Австралии geoSmart — это система геодемографической сегментации, основанная на том принципе, что люди со схожим демографическим профилем и образом жизни, как правило, живут рядом друг с другом. Он разработан австралийским поставщиком геодемографических решений RDA Research.
Геодемографические сегменты geoSmart создаются на основе демографических показателей и смоделированных характеристик австралийской переписи населения ( Австралийское статистическое бюро ), а система обновляется с учетом недавнего роста домохозяйств. Кластеризация создает единый сегментный код, который представлен описательным оператором или эскизом.
В Австралии geoSmart в основном используется для сегментации баз данных, привлечения клиентов, профилирования торговых зон и таргетинга на почтовые ящики, хотя его можно использовать и в широком спектре других приложений.
Классификация выходной области
[ редактировать ]Классификация выходных территорий (OAC) — это бесплатная и открытая геодемографическая сегментация Управления национальной статистики Великобритании (ONS), основанная на переписи населения Великобритании 2011 года. Она классифицирует 41 переменную переписи в трехуровневую классификацию: 7, 21 и 52. группы.
Ощущаемые преимущества OAC перед другими коммерческими классификациями проистекают из того факта, что методология открыта и документирована, а данные открыты и свободно доступны как государственным, так и коммерческим организациям при соблюдении условий лицензирования.
OAC имеет широкий спектр потенциальных применений: от географического анализа до социального маркетинга и профилирования потребителей. Государственный сектор Великобритании является одним из основных пользователей OAC.
Гобелен сообщества ESRI
[ редактировать ]Этот метод классифицирует районы США на 67 сегментов рынка на основе социально-экономических и демографических факторов, а затем объединяет эти 67 сегментов в 14 типов образов жизни с такими названиями, как «Высшее общество», «Стиль пожилых людей» и «Фабрики и фермы». [7] Наименьшая пространственная детализация данных достигается на уровне группы блоков переписи населения США.
См. также Сегментация рынка#Компании (собственные базы данных сегментации).
Ссылки
[ редактировать ]- ^ Jump up to: а б Грекусис, Джордж; Томас, Хацихристос (2012). «Сравнение двух нечетких алгоритмов в анализе геодемографической сегментации: методы нечетких C-средних и методы Густавсона – Кесселя». Прикладная география . 34 : 125–136. дои : 10.1016/j.apgeog.2011.11.004 .
- ^ «Использование интеллектуальных систем для определения этнической принадлежности по именам», Ричард Уэббер, UCL, 2006 г.
- ^ «Ономастика для бизнеса: может ли дискриминация помочь развитию? — Paris Innovation Review» . www.paristechreview.com .
- ^ «Кластеры образа жизни потребителей | Анализ многообразных данных» . Проверено 12 ноября 2020 г.
- ^ Система сегментации рынка для Канады PSYTE HD Canada
- ^ Экспериан. «Сегментация» . www.segmentationportal.com .
- ^ «Данные Esri — Демографические и бизнес-данные за текущий год — Оценки и прогнозы» . www.esri.com .
- Бримикомб, Эй Джей (2007). «Двойной подход к обнаружению кластеров в наборах данных точечных событий» . Компьютеры, окружающая среда и городские системы . 31 : 4–18. doi : 10.1016/j.compenvurbsys.2005.07.004 .
- Фэн З., Флауэрдью Р., 1999. Использование нечеткой классификации для улучшения геодемографического таргетинга . В книге Б.Гиттингса (ред.), «Инновации в ГИС 6, Лондон: Тейлор и Фрэнсис», (стр. 133–144).
- Грекусис, Г.; Хацихристос, Т. (2012). «Сравнение двух нечетких алгоритмов в анализе геодемографической сегментации: методы нечетких C-средних и методы Густавсона – Кесселя». Прикладная география . 34 : 125–136. дои : 10.1016/j.apgeog.2011.11.004 .
- Спилман, SE; Тилл, Джей Си (2008). «Анализ социальной сферы, интеллектуальный анализ данных и ГИС». Компьютеры, окружающая среда и городские системы . 32 (2): 110–122. doi : 10.1016/j.compenvurbsys.2007.11.004 .