Геодемографическая сегментация - Geodemographic segmentation

В маркетинг, геодемографическая сегментация это многомерный статистический метод классификации для определения того, попадают ли особи популяции в разные группы, путем количественный сравнение множественных характеристик с предположением, что различия внутри любой группы должны быть меньше, чем различия между группами.

Принципы

Геодемографическая сегментация основана на двух простых принципах:

  • Люди, живущие в одном районе, с большей вероятностью будут иметь схожие характеристики, чем два человека, выбранных наугад.
  • Окрестности можно разделить на категории с точки зрения характеристик населения, которое они содержат. Любые два квартала можно отнести к одной и той же категории, т. Е. В них проживают люди одного типа, даже если они сильно разнесены.

Алгоритмы кластеризации

Использование разных алгоритмов приводит к разным результатам, но не существует единого наилучшего подхода для выбора наилучшего алгоритма, так же как ни один алгоритм не предлагает никаких теоретических доказательств своей достоверности.[1] Одним из наиболее часто используемых методов геодемографической сегментации является широко известный k-означает кластеризацию алгоритм. Фактически, большинство современных коммерческих геодемографических систем основаны на алгоритме k-средних. Тем не менее, методы кластеризации, исходящие от искусственных нейронных сетей, генетических алгоритмов или нечеткой логики, более эффективны в больших многомерных базах данных (Brimicombe 2007).

Нейронные сети могут обрабатывать нелинейные отношения, устойчивы к шуму и обладают высокой степенью автоматизации. Они не предполагают никаких гипотез относительно природы или распределения данных и оказывают ценную помощь в решении проблем географического характера, которые до сих пор было невозможно решить. Одним из наиболее известных и эффективных методов нейронной сети для достижения неконтролируемой кластеризации является Самоорганизующаяся карта (SOM). SOM был предложен в качестве усовершенствования метода k-средних, поскольку он обеспечивает более гибкий подход к кластеризации данных переписи. Метод SOM недавно был использован Спилманом и Тиллом (2008) для разработки геодемографической кластеризации набора данных переписи, касающегося Нью-Йорка. Город.

Другой способ охарактеризовать подобие отдельного многоугольника всем регионам 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, что означает, что объект либо принадлежит, либо не принадлежит кластеру. Нечеткая кластеризация позволяет пространственной единице принадлежать более чем к одному кластеру с различными значениями принадлежности. Большинство исследований, касающихся геодемографического анализа и нечеткой логики, используют алгоритм нечетких C-средних и алгоритм Густафсона-Кесселя,[1] (Фэн и Флауэрдью, 1999).

Системы

Известные системы геодемографической сегментации: Кларитас Призм (НАС), Образ жизни CanaCode (Канада), PSYTE HD (Канада), Tapestry (США), CAMEO (Великобритания), ACORN (Великобритания) и система MOSAIC (Великобритания). Также появляются новые системы, ориентированные на подгруппы населения. Например, Segmentos исследует геодемографический образ жизни латиноамериканцев в Соединенных Штатах. И МОЗАИКА, и ЖЕЛудь используют Ономастика вывести этническую принадлежность по именам жителей.[2][3]

Кластеры стиля жизни CanaCode

Кластеры стиля жизни CanaCode разработан Многообразный интеллектуальный анализ данных и классифицирует канадские почтовые индексы на 18 основных групп образа жизни и 110 нишевых стилей жизни.[4] Он использует статистику за текущий год по более чем 10 000 переменных, начиная от демографических и социально-экономических факторов и заканчивая расходами и характеристиками образа жизни (например, поведение потребителей), включая использование продуктов, использование средств массовой информации и психографические данные.

PSYTE HD

PSYTE HD Канада[5] это система геодемографической сегментации рынка, которая классифицирует канадские почтовые индексы и районы распространения на 57 уникальных групп образа жизни и взаимоисключающих типов районов. PSYTE HD Canada построен на Канадская перепись демографическая и социально-экономическая база в дополнение к различным входным данным третьих сторон, объединенных в современной среде построения кластера. Полученные кластеры представляют собой наиболее точные доступные снимки районов Канады. 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

Классификации CAMEO представляют собой набор классификаций потребителей, которые используются организациями на международном уровне как часть их стратегий продаж, маркетинга и сетевого планирования.

КАМЕО Великобритания был создан на уровне почтовых индексов, домохозяйств и отдельных лиц и классифицирует более 50 миллионов британских потребителей. Он был построен для точного сегментирования британского рынка на 68 различных типов районов и 10 ключевых маркетинговых сегментов.

На международном уровне Global CAMEO - крупнейшая в мире система сегментации потребителей, охватывающая 40 стран. Также существует единая глобальная классификация CAMEO International который сегментирует границы.

CAMEO был разработан и поддерживается Информационная группа Callcredit.

Система желудей

Классификация жилых микрорайонов (Желудь ) разработан CACI в Лондоне. Это единственный доступный в настоящее время геодемографический инструмент, созданный с использованием данных текущего года, а не данных переписи 2011 года. Acorn помогает анализировать и понимать потребителей, чтобы повысить взаимодействие с клиентами и пользователями услуг для реализации стратегий по всем каналам. Acorn делит все 1,9 миллиона почтовых индексов Великобритании на 6 категорий, 18 групп и 62 типа.

Система MOSAIC

Мозаика Великобритания система классификации людей Experian. Первоначально созданный профессором Ричардом Уэббером (приглашенным профессором географии Университета Кингс-Колледж в Лондоне) в сотрудничестве с Experian. Последняя версия Mosaic была выпущена в 2009 году. В ней население Великобритании классифицируется на 15 основных социально-экономических групп, в том числе на 66.[6] различные виды.

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 разделяют общие модели жилищной сегрегации. Mosaic Global - это последовательная система сегментации, которая охватывает более 400 миллионов домашних хозяйств в мире с использованием местных данных из 29 стран. Он определил 10 типов жилых кварталов, которые можно найти в каждой из стран.

система geoSmart

В Австралия, geoSmart - это система геодемографической сегментации, основанная на том принципе, что люди со схожими демографическими профилями и стилем жизни, как правило, живут рядом друг с другом. Он разработан австралийским поставщиком геодемографических решений RDA Research.

Геодемографические сегменты geoSmart создаются из Австралийская перепись (Австралийское статистическое бюро ) демографические показатели и смоделированные характеристики, и система обновляется с учетом недавнего роста домохозяйств. Кластеризация создает единый код сегмента, который представлен описательным оператором или эскизом.

В Австралии geoSmart в основном используется для сегментации базы данных, привлечения клиентов, профилирования торговых площадей и таргетинга на почтовые ящики, хотя его можно использовать в широком спектре других приложений.

Классификация области вывода

Смотрите также: Система кодирования ONS

Классификация областей вывода (OAC) - это бесплатная и открытая геодемографическая сегментация Управления национальной статистики Великобритании (ONS) на основе переписи населения Великобритании 2011 года. Она классифицирует 41 переменную переписи на трехуровневую классификацию: 7, 21 и 52. группы.

Предполагаемые преимущества OAC перед другими коммерческими классификациями проистекают из того факта, что методология открыта и задокументирована, а данные открыты и свободно доступны как для государственных, так и для коммерческих организаций в соответствии с условиями лицензирования.

OAC имеет широкий спектр потенциальных приложений, от географического анализа до социального маркетинга и профилирования потребителей. Государственный сектор Великобритании является одним из основных пользователей OAC.

Гобелен сообщества ESRI

Этот метод классифицирует районы США на 65 сегментов рынка на основе социально-экономических и демографических факторов, а затем объединяет эти 67 сегментов в 14 типов режимов жизни с такими названиями, как «Высшее общество», «Стиль для пожилых людей» и «Фабрики и фермы».[7] Наименьшая пространственная детализация данных производится на уровне Блочной группы переписи населения США.

Смотрите также Market_segmentation # Companies_ (proprietary_segmentation_databases)

Рекомендации

  1. ^ а б Грекусис, Джордж; Томас, Хацихристос (2012). «Сравнение двух нечетких алгоритмов анализа геодемографической сегментации: нечетких C-средних и методов Густафсона – Кесселя». Прикладная география. 34: 125–136. Дои:10.1016 / j.apgeog.2011.11.004.
  2. ^ «Использование интеллектуальных систем для определения этнической принадлежности по именам, Ричард Уэббер, UCL 2006».
  3. ^ «Ономастика для бизнеса: может ли дискриминация помочь развитию? - Paris Innovation Review». www.paristechreview.com.
  4. ^ «Кластеры образа жизни потребителей | Разнообразный интеллектуальный анализ данных». Получено 2020-11-12.
  5. ^ Система сегментации рынка для Канады PSYTE HD Canada
  6. ^ Experian. «Сегментация». www.segmentationportal.com.
  7. ^ «Данные Esri - Демографические и коммерческие данные за текущий год - Оценки и прогнозы». www.esri.com.
  • Бримикомб, А. Дж. (2007). «Двойной подход к обнаружению кластеров в наборах данных точечных событий». Компьютеры, окружающая среда и городские системы. 31: 4–18. Дои:10.1016 / j.compenvurbsys.2005.07.004.
  • Фэн З., Флауэрдью Р., 1999. Использование нечеткой классификации для улучшения геодемографического таргетинга. В Б. Гиттингсе (ред.), Инновации в ГИС 6 Лондон: Тейлор и Фрэнсис, (стр. 133–144).
  • Grekousis, G .; Хацихристос, Т. (2012). «Сравнение двух нечетких алгоритмов анализа геодемографической сегментации: нечетких C-средних и методов Густафсона – Кесселя». Прикладная география. 34: 125–136. Дои:10.1016 / j.apgeog.2011.11.004.
  • Spielman, S.E .; Тилль, Дж. К. (2008). «Анализ социальной сферы, интеллектуальный анализ данных и ГИС». Компьютеры, окружающая среда и городские системы. 32 (2): 110–122. Дои:10.1016 / j.compenvurbsys.2007.11.004.

внешняя ссылка