Диссертация (1138018), страница 15
Текст из файла (страница 15)
Восновном компании кластера ориентированы на В2В сектор (63%); в немприсутствуют компании, которые взаимодействуют и с В2В клиентами, и сконечнымипотребителямиодновременно(25%).Кластерпредставленотносительно высокой долей региональных компаний (34%), московскиекомпании составляют 47%.
Компании, как правило, взаимодействуют склиентами лично и не используют для этого ни интернет-технологии, нисоциальные медиа (94%)» [Третьяк, Лагутаева, 2015, с. 419].Компании с низкой маркетинговой активностью«Компании с низкой маркетинговой активностью наиболее однородны поотраслевому составу; в кластер вошли компании из таких отраслей, как розничнаяторговля и ритейл (преимущественно FMCG) – 42%, оптовая торговля (17%) ипищевая промышленность (17%). В данном кластере 75% компаний реализуютпотребительские упакованные товары, а также товары длительного пользования8% и оказывают услуги для бизнеса (8%) и населения (8%).
Клиентами такихкомпаний являются конечные потребители (100% компаний ориентируются наB2С сектор). Если посмотреть на происхождение капитала, то в данном кластеревысокий процент компаний с иностранным капиталом (33%), доля компаний сроссийским происхождением инвестиций составляет 50%, оставшиеся компаниисодержат как российский, так и иностранный капитал (17%). Несмотря на то чтоключевой деятельностью социальные медиа не являются для всех компаний вкластере, 17% отслеживают такие показатели в социальных сетях, как количестводрузей, количество ''лайков''» [Третьяк, Лагутаева, 2015, с. 419].86«Гибрид низкоактивный»«Кластер компаний, использующих традиционный маркетинг-микс всовокупности с маркетингом баз данных и интерактивным маркетингом, состоитиз фирм, работающих в сфере консалтинга и бизнес-услуг (23%), оптовойторговли (14%), ритейла и розничной торговли (12%).
Отличительной чертойданного кластера является то, что в него попали все сельскохозяйственныекомпании выборки. 45% компаний (максимальная доля среди пяти кластеров –здесь говорится обо всей выборке) относятся к сфере пищевой промышленности изанимают 10% (здесь доля компаний в конкретном кластере) долю в кластере«гибрид низкоактивный».
33% компаний кластера оказывают услуги для бизнесалибо производят потребительские упакованные товары (30%), рыночнымпредложением 14% компаний являются промышленные товары.В основном к данному кластеру относятся московские компании (54%),однако,долярегиональныхфирмтакжевысокаисоставляет30%.Преимущественно в них инвестирован российский капитал (79%). Большинствокомпаний кластера работают как на B2B, так и на B2C рынках (54%), 28% –только на B2B. Примечательно, что количество новых клиентов среди компанийкластера отслеживают лишь 84%, несмотря на то, что «низкоактивный гибрид»состоит из комбинации трех МП, среди которых – маркетинг баз данных (таблица9)» [Третьяк, Лагутаева, 2015, с. 420].Подводя итог проведенного анализа профилей кластеров, можно сделатьвывод об уникальности полученных кластеров в соответствии с методологиейСМР.
Выделяется специфика формирующихся рынков и российская специфика.Специфика формирующихся рынков проявляется в «интерактивном» кластере(такой кластер характерен только для формирующихся рынков, например, встранах: Аргентине, Бразилии, России), где маркетинг строится на основеперсонифицированных отношений с клиентами, а компания у клиентовассоциируется с конкретным лицом. Отличительной чертой исследования вРоссии среди других исследований с помощью СМР методологии являетсякластер «гибрид низкоактивный», состоящий из максимального количества87российских компаний, представляющих отрасли консалтинга, промышленности ивсе сельскохозяйственные компании выборки.
Можно сделать вывод, чтороссийская специфика заключается не только в личностном построениимаркетинга, когда компания у клиентов ассоциируется с конкретным человеком,выстраивающим отношения с ними и курирующим всё взаимодействие склиентом. Сегодня компании стремятся развивать интернет-технологии. Спомощью интернет-технологий и информации, полученной от ответственноголица, контактирующего лично с клиентом, компания собирает информацию оклиенте для клиентской базы и обрабатывает её. В данном случае, деятельность собработкой клиентской базы, а также переход на взаимодействие с клиентамипосредствоминтернет-технологий,скореесвидетельствуеторасширениигеографии российских компании, поскольку не всегда менеджер, ответственныйза клиента может лично (face-to-face) контактировать с клиентом.В следующей части работы проверяется устойчивость полученныхкластеров относительно изменения массивов данных.3.2.2 Проверка устойчивости кластеров МП компаний в РоссииОдним из параметров проверки результатов кластерного анализа в теорииявляется устойчивость полученного решения.
Стоит отметить, что ранее проверкаустойчивости кластерного решения с помощью диаграмм Вороного в рамкахисследований не осуществлялась. Также анализ устойчивости не проводился врамкахисследованийСМР,поэтомуневозможносудитьонадежностиполученных результатов.Авториспользуетнесколькометодовдляпроверкиустойчивостикластерного анализа: 1) графический метод и 2) при небольших изменениях базыданных, вычисляется процент корректно классифицированных компаний.С помощью диаграмм Вороного графически проверяется устойчивостьграниц кластеров и конечных центров кластеров. Координаты конечных центров88кластеров являются основой для построения диаграмм Вороного.
Путем простогоперебора комбинаций типов МП в качестве осей двухмерного пространствастроятся диаграммы Вороного. Наглядно устойчивость кластерного решенияполучается путем наслоения графиков одного массива данных на результатыдругого массива данных при условии одинаковых осей координат.Из всех полученных графиков отобраны восемь для демонстрацииграфического построения диаграмм Вороного. Четыре графика (рисунок 11)представляют диаграммы, которые очевидны для интерпретации, в какой кластеротносятся компании двух сравниваемых подвыборок.
И четыре графика рисунка12 представляют диаграммы, где неизвестно, в какие кластеры соотносятсякомпании двух разных подвыборок, сгенерированных на одной и той же базеданных.TMTM89NMTMTMINNMNMРисунок 11 – Диаграммы Вороного, где очевидна классификация компаний в подвыборкахИсточник: составлено автором.TMTM90ITTMTMDMITNMРисунок 12 – Диаграммы Вороного, где не очевидна классификация компаний в подвыборкахИсточник: составлено автором.В случае если результаты кластерного анализа устойчивые, то принебольшом изменении выборки (10%) графики остаются практически идентичныдруг другу (как на графиках рисунка 11).
Если проанализировать диаграммыВороного, то возникают сложности при определении границ кластеров упреобладающего большинства диаграмм (рисунок 12), сравнивающих результатыкластерного анализа 10% изменения количества компаний в выборке. Есть91вероятность, что распределение данных компаний по использованию типов МП,однородное.Однородноераспределениеприводиткневозможностииспользования кластерного анализа и интерпретации результатов. Наличие такихрезультатов, как на рисунке 12, свидетельствует о возможности неустойчивостирезультатов кластерного анализа. Для точного ответа на вопрос, рассмотреныразмер сопоставимых кластеров и процент компаний, который попал ваналогичный кластер в разных подвыборках, в результате выявим проценткорректно классифицированных компаний.Здесь на 1000 сгенерированных подвыборках, проведена процедура Kmeans, и сформированы кластеры.
Полностью матрицу дистанций размерностью1000 на 1000 невозможно, поэтому в таблице 10 показан фрагмент матрицымежкластерных дистанций для четырех сгенерированных подвыборках (таблица9).Таблица 9 – Фрагмент матрицы дистанций между кластерами сгенерированныхподвыборокИсточник: составлено автором.Подвыборка 450.560.480.250.480.060.590.350.480.290.0610.090.230.410.780.650.100.440.790.320.630.110.410.770.250.6120.250.050.300.560.490.180.410.560.180.480.190.350.530.110.4430.740.580.510.030.500.690.640.030.520.520.700.580.030.570.4640.310.340.070.590.340.390.110.600.150.330.400.050.580.230.3050.580.490.270.470.050.610.380.470.310.070.630.330.450.390.0392Подвыборка 2Подвыборка 3№№ Кластера1234512341 0.15 0.36 0.76 0.27 0.58 0.16 0.33 0.74 0.222 0.15 0.44 0.60 0.21 0.51 0.17 0.38 0.57 0.133 0.40 0.15 0.53 0.14 0.28 0.42 0.08 0.51 0.224 0.71 0.65 0.01 0.54 0.54 0.72 0.59 0.04 0.5915 0.63 0.38 0.52 0.33 0.03 0.65 0.34 0.50 0.4110.03 0.42 0.69 0.2220.48 0.08 0.64 0.3330.72 0.60 0.04 0.5940.32 0.19 0.52 0.09250.64 0.33 0.52 0.40123435Примечание: в таблице выделены ячейки сопоставимых кластеров93Сопоставимые кластеры выявлены с помощью задачи оптимизации (глава 2,формула 1).
Размер сопоставимых кластеров незначительно отличался, поэтомуможно сделать вывод, что кластерный анализ данных устойчив по параметруразмера кластеров.Выявлено, что в среднем 76% компаний находятся в сопоставимыхкластерахмеждуподвыборками,попарноесравнениеподвыборокпораспределению компаний между кластерами продемонстрировано на рисунке 13.Компании, которые были исключены из подвыборки (с вероятностью 10%некоторые компании случайным образом исключены из подвыборок, основагенерации подвыборок), также исключены из попарного сравнения подвыборок.То есть состав сопоставимых кластеров проверялся на предмет наличия компаниив кластере, если она присутствовала в двух попарно сравниваемых подвыборках.Рисунок 13 – Частотное распределение долей идентичных компаний в сопоставимых кластерахИсточник: составлено автором.Наоснованииклассифицированныхустойчивостикомпанийразмераможнокластеровсделатьвыводиобдоливерноустойчивостикластерного анализа компаний по использованию типов МП на выборке СМРСПАРК (гипотеза 2 подтверждена).
Устойчивость результатов кластерного94анализа свидетельствует о неоднородности распределения данных и позволяетиспользовать полученные кластеры для следующих этапов исследования. Следуяразработанной схеме любая компания, пройдя опрос СМР, может оценить своеположение относительно других компаний, может определить кластер, ккоторому она принадлежит. Сопоставив данные компании, и данные финансовоуспешного кластера, возможно спланировать маркетинговую деятельностикомпании, которая приведет к ее перемещению в целевой кластер.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
