Библиотека маркетолога

Вероятностная модель когнитивного подхода к сегментации рынка

Метревели Д.Г. Профессор, доцент кафедры корпоративного управления и электронного бизнеса, факультет экономики, ФГОУ ВПО РГУТиС, г. Москва
Научное издание ФГОУ ВПО РГУТиС, журнал «Сервис plus», №3 за 2008 год

Суть когнитивного подхода к сегментации рынка состоит в представлении когнитивных переменных сегментации иерархической (сетевой) структуры. На низших уровнях таких иерархий расположены одни и те же наборы элементов. Наборы элементов низших уровней иерархии определяют совокупность существенных характеристик потребителей, различные значения которых идентифицируют профили.

Для построения алгоритма, позволяющего определить, в какой степени данный профиль потребителя склонен к приобретению конкретного продукта, необходимо уметь вычислять вероятности значений данного элемента иерархии в зависимости от вероятностей значений элементов нижестоящих уровней, имеющих связь с этим элементом. В работе предлагается алгоритм поэтапного вычисления вероятностей значений элементов, начиная с третьего уровня вплоть до элементов высшего уровня, представляющего когнитивную переменную сегментации.

Процесс выявления потребительских профилей состоит в построении представляющей иерархической (сетевой) структуры каждой из двух когнитивных переменных, моделирующих соответственно два основополагающих фактора, влияющих на процесс принятия решения о приобретении продукта, — желание приобретения и возможность приобретения.

Искомые потребительские профили формируются из элементов низших уровней представляющих иерархий обеих когнитивных переменных в процессе придания этим элементам как переменным сегментирования своих конкретных значений.

Эти представляющие иерархии обеих когнитивных переменных имеют вид перевернутого дерева (рис. 1, 2), элементы низших уровней которых суть переменные сегментирования, описывающие основные характеристики потребителя, оказывающие влияние на процесс принятия решений и поддающиеся измерению.

Рис. 1. Представляющая иерархия когнитивной переменной «желание потребителя»

Таким образом, задав конкретные значения переменным сегментирования, описывающим основные характеристики потребителя, двигаясь вверх по представляющей иерархии, реализующей исчерпывающую модель когнитивной переменной, можно на высшем уровне получить ответ, является ли профиль потребителя, сформированный на низшем уровне иерархии, потенциальным потребителем данного продукта.

Основной задачей при таком подходе к проблеме сегментирования является построение исчерпывающей модели когнитивной переменной.

Исчерпывающая модель когнитивной переменной представляет собой иерархическую, или сетевую, структуру, позволяющую разложить когнитивную переменную на все более мелкие составляющие части вплоть до элементов низшего уровня, воплощающие различные характеристики потребителя. При этом возможно, одной из наиболее сложных задач построения такой модели является задача выявления квазизависимостей между значениями, которые может принимать элемент данного уровня от значений элементов непосредственно нижеследующего уровня, имеющих прямую связь с первым элементом. Мы называем такие каузальные связи квазизависимостями, поскольку в большинстве случаев, в силу самой природы тех понятий и дефиниций, которые представлены соответствующими элементами иерархии, невозможно установить детерминированные зависимости между этими элементами. Проблема построения квазизависимостей на множествах состояний соответствующих элементов иерархии, очевидно, является одной из составляющих более общей задачи обработки и представления информации в условиях существенной неопределенности. Известны два подхода, реализующие формальные методы обработки и оперирования информацией в условиях наличия в этой информации существенной неопределенности.

Первый подход основывается на моделировании неопределенностей вероятностными представлениями. В этом случае вероятностные представления идентифицируются либо в виде частотной интерпретации вероятностей, либо логической или субъективной интерпретациями.

Второй подход реализует субъективные и/или эпистемологические представления об исследуемой неопределенности в форме концепции размытости или нечеткости. Основная неформальная составляющая данного подхода заключается в моделировании каждого автономного неопределенного процесса соответствующим нечетким множеством или нечетким отношением, которые в свою очередь задаются путем построения определяющих их функций принадлежности. Коль скоро процесс формализации всех автономных составляющих неопределенности завершен, путем построения соответствующих нечетких аналогов, все дальнейшие действия, осуществляемые в рамках этой неопределенности, заменяются релевантными теоретико-множественными и логическими операциями хорошо разработанного аппарата нечеткой логики.

На наш взгляд, оба представленных подхода могут быть успешно применены для моделирования всех тех неопределенностей, которые встречаются в процессе построения каждой из исчерпывающих моделей соответствующих когнитивных перемен.

Вопрос о целесообразности применения того или иного подхода, очевидно, должен решаться в каждом конкретном случае отдельно. Однако можно дать общие, вполне объективные рекомендации в пользу каждого из подходов. Вероятностная парадигма моделирования неопределенности, как нам представляется, позволяет более точно и объективно воспроизвести неопределенность формальными методами, а ее формальный аппарат в части оперирования вероятностями, функциями распределения, плотностями и различными числовыми параметрами функций распределения более строг и обоснован. Эта строгость, особенно в случае частотной интерпретации вероятности, достигается в результате сбора и накопления статистической информации об исследуемых неопределенных процессах.

Другой подход, опирающийся на парадигму формализации неопределенности посредством некоторого числа, представляющих ее нечетких параметров и нечетких зависимостей между этими параметрами, носит в большей мере субъективный характер, так как апеллирует к представлениям экспертов об этих параметрах и их взаимосвязях. Этот подход в отличие от вероятностного не требует объективной статистической информации о частотах появления значений нечетких параметров, моделирующих неопределенность, то есть он не основывается на сборе эмпирических данных. В его основе лежит предположение эпистемологического характера о том, что существующие к настоящему времени обширные базы знаний, богатый опыт и интуиция экспертов, а также валидные рассуждения по аналогии и ассоциативные представления во многих случаях позволяют строить адекватные формальные модели неопределенных процессов.

При выборе одной из двух возможных парадигм формализации неопределенности целесообразно пользоваться следующим простым критерием. Если существует возможность получения объективной статистической выборки относительно нескольких основных параметров, представляющих исследуемую неопределенность, следует воспользоваться вероятностным подходом, в противном случае более приемлемой будет нечеткая концепция. Таким образом, если представляющая иерархия когнитивной переменной имеет относительно сложную структуру, то для построения ее исчерпывающей модели, наиболее эффективным будет симбиоз вероятностной и нечеткой концепций, это позволит добиться наилучшего компромисса между строгостью и точностью формализации элементов неопределенности с одной стороны и затратами на эту формализацию с другой стороны.

Как было отмечено ранее, одной из основных проблем построения исчерпывающей модели когнитивной переменной является проблема выявления квазизависимостей между группами элементов иерархии, имеющих непосредственные связи.

Рассмотрим фрагмент представляющей иерархии когнитивной переменной (рис. 2).

Рис. 2. Возможный фрагмент представляющей иерархии

Задача состоит в вычислении вероятности (частоты) P(Э) появления j-го значения элемента Э, расположенного в k-ом уровне на -ом месте слева, при условии, что для данного фрагмента, представляющей иерархии все элементарные вероятности, получаемые как частоты непосредственным измерением, заранее известны. Под элементарными вероятностями здесь понимается дискретная многомерная плотность распределения, описывающая вероятностную зависимость значений элемента k-го уровня от всевозможных наборов значений элементов (k+1)-го уровня, имеющих непосредственную связь с первым элементом. Таким образом, элементарные вероятности описывают вероятностную связь между элементом k-го уровня и элементами (k+1)-го уровня, образующими элементарный фрагмент представляющей иерархии (рис. 3).

Э

Э Э Э Э

Рис. 3. Элементарный фрагмент представляющей иерархии

Для того чтобы воспроизвести алгоритм вычисления искомой вероятности P(Э) приведенного фрагмента представляющей иерархии, введем необходимые обозначения.

Э — элемент, находящийся на k-ом уровне и -ом месте этого уровня слева.

Эj-ое возможное значение этого элемента.

, Э,…, Э) — совокупность элементов (k+1)-го уровня, имеющих непосредственную связь с элементом Э.

P(Э, Э,…, Э) — вероятность того, что вектор элементов (Э, …, Э) примет значение (Э, Э,…, Э)

P(Э/( Э, Э,…, Э)) — условная вероятность того, что элемент Э примет свое j-ое значение при условии, что совокупность элементов (Э, Э,…, Э), имеющих непосредственную связь с элементом Э, примет, как вектор, конкретное значение (Э, Э,…, Э).

Вероятность того, что элемент расположенный на (k+1) уровне и стоящий на -ом месте слева этого уровня Э примет свое j-ое значение Э подсчитывается по формуле

Р(Э) =P(Э/( Э, Э,…, Э))

Вероятность того, что все элементы (k+1) уровня, непосредственно связанные с -ым элементом k-го уровня, записанные в виде вектора (Э, Э, …, Э), получат свои некоторые возможные значения (Э, Э,…, Э), при условии независимости друг от друга этих элементов как случайных величин, определяется в виде произведения

P(Э, Э,…, Э) = Р(Э) · Р(Э) · … · Р(Э)

Теперь можно подсчитать искомую вероятность Р(Э) появления j-го значения элемента Э, для данного фрагмента представляющей иерархии

P(Э) =P(Э/( Э, Э,…, Э)) · Р(Э, Э,…, Э).

Приведенный алгоритм расчета вероятности того, что для представленного фрагмента иерархии элемент Э, расположенный в k-ом уровне на -ом месте представляющей иерархии, примет свое j-ое значение Эjk, , является основой для подсчета вероятности того или иного значения когнитивной переменной в зависимости от исследуемого профиля потребителя. Начиная с нижнего уровня профилей, его следует применять ко всем элементам вышестоящих уровней, двигаясь вверх по иерархии вплоть до уровня когнитивной переменной.

Подробное изложение алгоритма расчета вероятностей возможных значений когнитивной переменной будет приведено в следующих работах. Здесь же отметим некоторые достоинства предложенной парадигмы сегментации потребительского рынка. К основным достоинствам мы относим возможность представить слабоструктурированную проблему сегментации рынка в виде хорошо формализованной, интерактивной, компьютерной модели, позволяющей экспериментировать основными ее составляющими, меняя как структуру, так и числовые параметры, заложенные в модель. Появляется возможность широко использовать методы адаптации и обучения для исследования и совершенствования как самой модели, так и реализованного в ней алгоритма сегментации.

Литература

1. Дж. Р. Эванс, Б. Берман. Маркетинг. М.: Экономика, 1990.