Markkinatutkimus, Menetelmät, Tutkimus, Yleinen

Kuluttajasegmentointi – ei pelkkä tilastollinen harjoitus, mutta ehdottomasti myös sitä!

Teemu Putto
31.5.2022

Segmentointi kyselytutkimuksissa

Markkina- tai muissa kyselytutkimuksissa tuloksia halutaan usein tarkastella erilaisissa ryhmissä. Yksinkertaisimmillaan tämä tarkoittaa erilaisten taustamuuttujien käyttöä (esim. ikä ja sukupuoli), mutta näissä ongelmana on usein se, että perusdemografiat saattavat olla todella huonoja selittäviä tekijöitä kuluttajien käyttäytymiselle.

Joten usein vastaajadatalle tehdään myös tilastollista segmentointia. Siinä datasta pyritään löytämään vastaajaryhmiä, joihin kuuluvat ovat ryhmän sisällä keskenään mahdollisimman samankaltaisia (ja ryhmien välillä mahdollisimman erilaisia) valittujen ulottuvuuksien mukaan.

Toimivan segmentointiratkaisun edellytykset

Toimivan segmentointiratkaisun aikaansaaminen vaatii kolmeen askelmerkkiin osumista:

  1. Segmentoinnin lähtökohta ja käyttötarkoitus on ennalta tarkkaan määritelty
  2. Segmentointiin käytettävä data on mahdollisimman laadukasta ja erottelukykyistä
  3. Segmentoinnin tilastollinen toteutus tehdään siten, että lopputulos on mahdollisimman edustava

Ensimmäinen kohta on äärimmäisen tärkeä. Toki segmentointi voidaan toteuttaa siten, että tungetaan ohjelmistoon mahdollisimman paljon täysin erilaisia asioita mittaavia muuttujia ja muodostetaan sen perusteella vastaajaryhmiä. Varmaa on, että näinkin segmenttejä syntyy, mutta niiden hyödynnettävyys on todennäköisesti lähellä nollaa.

Usein toistuva lähtökohta markkinatutkimuksissa tehtävälle segmentoinnille on se, että pyritään muodostamaan sellaisia kuluttajaryhmiä, jotka ovat käyttäytymismotiiveiltaan mahdollisimman samankaltaisia. Tällöin myös segmentointiin käytettävien muuttujien on keskityttävä juuri tähän ulottuvuuteen, ja muiden tehtävänä on vain toimia segmenttejä mahdollisesti kuvailevina muuttujina.

Toista kohtaa ei pidä myöskään aliarvioida. Toimivan segmentoinnin aikaansaaminen vaatii datalta vahvaa erottelukykyä. Esimerkiksi skaalalliset asteikot usein epäonnistuvat tässä, sillä ne toimivat erityisesti yksilötasolla erittäin karkeana pohjatietona, eivätkä pysty tuottamaan selkeää vastaajakohtaista etäisyysasteikkoa tai edes tärkeysjärjestystä mitatuille muuttujille. Siksi erityisesti motiivipohjaisia segmentointeja tehtäessä on tärkeää käyttää pohjana trade-off -menetelmiä, kuten MaxDiff tai Conjoint.

Mutta vaikka nämä kaksi ensimmäistä askelta olisivat osuneet täydellisesti kohdalleen, voidaan homma helposti munata vielä viimeisessä kohdassa. Toki, kun dataa syötetään tilasto-ohjelmistoon ja painetaan muutamaa nappia, saadaan varmasti segmentointiratkaisu ulos. Mutta ohjelmisto ei ota kantaa siihen, miten hyvä ratkaisu on. Näppärä ihmismieli keksii toki kaikille ratkaisuille loogisen perustelun, oli niissä ratkaisussa järkeä tai ei.

Avain: segmentointien segmentointi

Joten miten voimme varmistaa sen, että tilastollisen analyysin tuloksena saatu segmentointimalli on sellainen, johon voimme luottaa todellisena markkinan kuvaajana?

Avain tähän ovat niin sanotut Cluster Ensemble -tekniikat. Ensemble sananahan tarkoittaa kokonaisuutta, ja siitä tässä juuri on kyse – unohdetaan yksittäinen segmentointi ja tarkastellaan sen sijaan erilaisten segmentointien tuottamaa kokonaisuutta.

Perinteisesti segmentointia tehtäessä on valittu tietty menetelmä, jota soveltaen segmentointiratkaisu tuotetaan. Cluster Ensemble -tekniikoissa sen sijaan lähtökohtana on se, että segmentointiratkaisuja tuotetaan suuri määrä erilaisilla menetelmillä (esim. K-means, hierarkinen, neuroverkot… mitä vain halutaankin käyttää), erilaisilla lähtöarvoilla, erilaisilla segmenttimäärillä – ja jopa erilaisilla muuttujakombinaatioilla.

Sen jälkeen näitä ratkaisuja yhdistelemällä ja analysoimalla etsitään se kaikkein edustavin lopputulos – tulos, joka on mahdollisimman vakaa ja toistettava. Tämä lopputulos ei välttämättä ole mikään niistä yksittäisistä ratkaisuista, joita analyysin pohjana käytettiin, mutta se edustaa kokonaisuutta mahdollisimman tehokkaasti.

Onnistuminen vaatii sattuman minimointia

Näin olemme tehokkaasti eliminoineet sattuman vaikutuksen segmentointiratkaisun syntyyn – sattuman, joka voi muuten viedä meidät täysin väärille urille.

On siis paljon valintoja ja päätöksiä, jotka on tehtävä oikein ennen kuin kuluttajasegmentointia lähdetään tekemään. Mutta varmistu aina siitä, että homma saadaan vietyä kunnialla loppuun saakka, eikä homma kaadu loppuvaiheen puolivillaiseen tilastolliseen toteutukseen.