Темы диссертаций по экономике » Математические и инструментальные методы экономики

Инструменты динамической сегментации рынка пивоваренной продукции с использованием аппроксимационных моделей тема диссертации по экономике, полный текст автореферата

Автореферат

Ученая степень	кандидат экономических наук
Автор	Храименков, Михаил Михайлович
Место защиты	Смоленск
Год	2010
Шифр ВАК РФ	08.00.13

Диссертация

Автореферат диссертации по теме "Инструменты динамической сегментации рынка пивоваренной продукции с использованием аппроксимационных моделей"

На правах рукописи

904610181

Храименков Михаил Михайлович

Инструменты динамической сегментации рынка пивоваренной продукции с использованием аппроксимационных моделей

Специальность:

08.00.13 - Математические и инструментальные методы экономики

Автореферат диссертации на соискание ученой степени кандидата экономических наук

и 0 КГ 20,0

Москва - 2010

004610181

Работа выпонена в филиале ГОУВПО Московский энергетический институт (техн ческий университет) в г. Смоленске на кафедре менеджмента и информационны технологий в экономике

Научный руководитель: доктор технических наук, профессор

Дли Максим Иосифович

Официальные оппоненты: доктор экономических' наук, профессор

Чч иттаяшгт Т/ТТ-ЛУг О ТТЛ тттт итж

* д.1 иладшутриоШ)

кандидат экономических наук, доцент Битюцкий Сергей Яковлевич

Ведущая организация: Московская финансово-промышленная академия

Защита состоится 2-Х " 2010 г. в /3_часов на заседании диссе

тационного совета Д 212.157.18 при ГОУВПО Московский энергетический институ (технический университет) по адресу: 111250, г. Москва, ул. Красноказарменная, 14, ауд. Ж-200.

Отзыв на автореферат (в двух экземплярах, заверенных печатью) просим присылать п адресу: 111250, г. Москва, ул. Красноказарменная, д. 14, Ученый совет МЭИ

С диссертацией можно ознакомиться в библиотеке МЭИ. Автореферат разослан " 25 " с>5 2010 г.

Ученый секретарь

диссертационного совета Д 212.157.18, к.э.н., доцент

А.Г. Зубкова

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Сегментация рынка является одной из важ-ейших составляющих маркетинговой деятельности предприятия, которая позволяет пределять характеристики потребителей, выбирать маркетинговую стратегию охвата ынка, определять стратегические ориентиры при разработке инструментов комплекса аркетинга. Особенно актуальной задача сегментации является для предприятий, корне вследствие ужесточения конкуренции реализуют стратегию сфокусированной ифференциации и осуществляют свою маркетинговую деятельность на высоко диф-еренцированных рынках. К таким предприятиям в значительной степени относятся едприятия пивоваренной промышленности, объемы производства которой в 2009 г. изились по отношению к 2008 г. на 4,8%. По некоторым номенклатурным группам аблюдася еще более выраженный негативный тренд. Например, объемы производ-ва светлого пива в России з январе 2010 г. сократилось по отношению к январю 09 г. на 44%. В таких условиях пивоваренные компании вынуждены осуществлять лее детальный анализ рынка с целью выявления и учета основных характеристик упп потребителей, которые могут рассматриваться как привлекательные сегменты тнка.

Вопросы сегментации рынка как инструмента оперативного и стратегического анирования маркетинговой деятельности предприятия рассмотрены в работах сле-ющих авторов: X. Анн, В.Ф. Анурин, Г.Л. Багиев, Р.Д. Блэкуэл, Б. Гантер, Е.В. Ев-шенко, Ф. Котлер, Д.В. Кревенс, М.Дж. Крофт, Ж.Ж. Ламбен, М. Макдонад, Т.Д. аслова, П.У. Миниард, И.И. Муромкина, A.A. Паршин, Е.В. Попов, А.Н. Романов, .А. Резниченко, В.М. Тарасевич, В.М. Терещенко, А. Фернхам, В.Е. Хруцкий, Д.Ф. нджел и др.

Учитывая, что сегмент рынка представляет собой кластер, включающий обла-ющих сходными характеристиками потребителей, при проведении сегментации несообразно использовать инструменты кластерного анализа, рассмотренные в пуб-кациях С.А. Айвазяна, М.А. Айзермана, Э.М. Бравермана, С.Я. Виленкина, Р. Гон-еса, Ф. Груна, Ю.И. Журавлева, А.Г. Ивахненко, Л.А. Растригина, С.А. Редкозубо, В.П. Мешакина, В.С Мхитаряна, Дж. Ту, К. Фуканаги, Я.З. Цыпкина, Р.Х. Эрен-тейна, X. Хейкена. и др.

В тоже время использование традиционных инструментов кластерного анализа зволяет получить только статическую картину рынка и не дает возможность разра-тать маркетинговую стратегию на длительный период. Так, с течением времени сприятие потребителями продукта и рекламы меняется, изменяются характеристики их выделяемых кластеров, при этом большой объем данных затрудняет анализ.

В таких условиях для поддержки принятия маркетинговых решений целесообраз-использовать инструменты динамического кластерного анализа, предложенные в ботах Ангстенбергер Л., Гимарова В.В., Баумана В.Е., Дорофеюка A.A., Круглова .В., Синха С., Ганеса В., Луниса П., Чернявского А.Л.

Анализ данных работ показывает, что использование инструментов динамиче-ого кластерного анализа для решения задачи сегментации динамически изменяю-

щихся рынков в условиях нерегулярности получения результатов маркетинговых и следований предполагает ряд модификаций, который позволил бы оценивать измен ние во времени емкости и устойчивость сегментов, прогнозировать появление новых тенденции изменения существующих сегментов, а применять данные инструмент для построения систем поддержки принятия решений (СШТР) по стратегическо управлению маркетинговой деятельностью предприятий, в том числе пивоваренн отрасли. Отметим также, что при применении аппроксимационных моделей анали эконометрических рядов для прогнозирования состояния кластерной структуры рын необходимо учитывать нерегулярность поступления информации и существенно н линейный характер зависимости изменения во времени центров и других характер стик кластеров от внешних факторов.

Сказанное определяет актуальность научной задачи разработки аналитических программных инструментов динамической сегментации рынка пивоваренной проду ции, позволяющих прогнозировать изменение характеристик сегментов данного ры ка, а также структуры кластерного поля в целом, имеющей существенное значен для развития математического аппарата анализа экономических систем.

Цель диссертационной работы - разработка инструментов кластеризации рын пивоваренной продукции для анализа сегментов рынка и прогнозирования их характ ристик с использованием методического аппарата динамической кластеризации и п строения аппроксимационных моделей в условиях нерегулярности поступления и формации, а также архитектуры и методики применения информационной системь реализующей разработанные аналитические инструменты.

Для достижения указанной цели были поставлены и решены следующие задач исследования:

1. Анализ основных задач маркетинговых исследований, решаемых при иссл довании потребительских рынков. Постановка задачи сегментации рынка как разн видности задачи динамической кластеризации в условиях изменения структуры кл стерного поля и нерегулярности поступления маркетинговой информации.

2. Анализ современного математического аппарата динамической кластеризаци' эконометрических данных, а также прогнозирования социально-экономических сис тем и процессов.

3. Экономический анализ и определение основных тенденций развития предпри ятий пивоваренной промышленности РФ и Смоленской области. Обоснование целесо образности применения инструментов динамической кластеризации с использовани ем аппроксимационных моделей для выбора стратегии сегментации и охвата целевы сегментов рынков пива.

4. Разработка структурной модели процедуры сегментации изменяющегося в времени рынка пивоваренной продукции, предполагающей комплексное использова ние инструментов динамической кластеризации и аппроксимационного анализа харак теристик выделенных сегментов.

5. Разработка инструментов динамической сегментации рынка пива с использо ванием агоритмов кластеризации, учитывающих возможность изменения характери

тик сегментов и кластерного поля потребительского рынка, а также специфические собенности сегмента рынка как вида кластера.

6. Модификация существующих инструментов построения аппроксимационных оделей для прогнозирования изменения характеристик целевых сегментов рынка в словиях нерегулярности поступления маркетинговой информации.

7. Разработка архитектуры и методики построения СППР по стратегическому правлению маркетинговой деятельностью пивоваренных предприятий, использую-ей предложенные инструменты динамической сегментации рынка.

8. Выработка практических рекомендаций по применению предложенных инст-ументов в ОАО Бахус (г. Смоленск).

Теоретической и методологической базой исследования являются методы тео-ии статистического анализа, моделирования и кибернетики, методы экономического напичя. эконометрики и экономико-математического моделирования, системный под-од к анализу экономических явлений и процессов, научные положения и выводы, формулированные в трудах отечественных и зарубежных ученых по математическо-1у моделированию экономических объектов и процессов.

Информационной базой исследования являются данные Росстата, законода-ельные и нормативно-правовые акты Президента и Правительства РФ, связанные с ематикой диссертации, а также отчетные данные предприятий по производству пиво-аренной продукции Смоленской области.

Наиболее существенные научные результаты, полученные лично автором;

1. Разработана структурная модель процедуры сегментации изменяющегося во ремени рынка пивоваренной продукции, предполагающей, в отличие от известных, омплексное использование инструментов динамической кластеризации и аппрокси-тционного анализа характеристик выделенных сегментов, позволяющая осуществят прогнозирование структуры рынка и основных характеристик целевых сегментов условиях неравномерного поступления маркетинговой информации.

2. Разработаны инструменты (агоритм и методика) динамической сегментации ынка пива с использованием процедур кластеризации, учитывающих возможность зменения во времени характеристик сегментов и кластерного поля потребительского ынка, а также специфические особенности характеристик сегмента рынка (емкость, табильность, доступность для предприятия и т.д.) как вида кластера, а также ис-ользующие нечеткий критерий оценки качества кластерной структуры для описания мкости сегмента, что позволяет оценить устойчивость анализируемых сегментов.

3. Предложены модифицированные агоритм и методика построения аппрокси-ационной модели для прогнозирования изменения характеристик целевых сегментов ынка в условиях нерегулярности поступления маркетинговой информации, отли-ающийся введением допонительной переменной, характеризующей размер времен-ого окна, что позволяет осуществлять прогноз при существенно нелинейном характе-е зависимости наблюдаемых показателей сегмента от факторов внешней среды.

4. Предложена архитектура информационной системы динамического анализа егментов рынка, отличающаяся возможностью осуществления кластерного анализа с

изменяющимся количеством кластеров и прогноза динамики характеристик класте ров, что позволяет расширить функциональные возможности корпоративных инфор мационных СГТПР по управлению маркетинговой деятельностью предприятий, осуще ствляющих выпуск пивоваренной продукции, инструментами оперативного и страте гического планирования.

Объектом исследования является маркетинговая деятельность предприятий пи воваренной отрасти на дифференцированных потребительских рынках.

Предметом исследования являются инструменты сегментации динамически из меняющихся рынков.

Обоснованность и достоверность научных результатов, выводов и рекоменда ций диссертации определяются корректным применением методов экономическог анализа и экономико-математического моделирования. Выводы и предложения дис ссртационкого исследования не противореча! известным теоретическим и практиче ским результатам, содержащимся в трудах отечественных и зарубежных ученых в об ласти кластерного анализа информации, теории моделирования социально экономических систем и ее приложений к решению маркетинговых задач.

Научная новизна работы состоит в разработке структурной модели процедурь сегментации изменяющегося во времени рынка пивоваренной продукции, предпола гающей комплексное использование предложенных инструментов динамической сег ментации и модифицированных инструментов построения аппроксимационной мо дели для прогнозирования изменения характеристик целевых сегментов рынка в уело виях нерегулярности поступления маркетинговой информации, а также реализующе" ее информационной СППР по управлению маркетинговой деятельностью предпри ятий.

Значение полученных результатов для теории и практики.

Предложенные в диссертации инструменты динамической сегментации рынк вносят определенный вклад в развитие математических и инструментальных методо экономики в части развития математического аппарата анализа экономических систем: математической экономики, эконометрики, прикладной статистики, а также матема тического моделирования экономической конъюнктуры, определения трендов и тен денций развития.

Разработанная архитектура информационной системы динамического анализ-сегментов рынка, реализующая предложенные инструменты, вносит вклад в теорию и практику применения систем поддержки принятия решений для оптимизации управления экономикой на уровне предприятия.

Сведения о реализации и целесообразности практического использования результатов.

Предложенные инструменты динамической сегментации рынка, а также реализующая их информационная СППР были использованы в ОАО Бахус (г. Смоленск) и ООО Арис (г. Смоленск), что позволило определить перспективные сегменты при выборе маркетинговой стратегии и повысить эффективность маркетинговой деятельности организаций.

Теоретические и методические результаты диссертации используются в учебном процессе филиала Московского энергетического института (технического университета) в г. Смоленске.

Предложенные инструменты и реализующая их СППР могут найти широкое применение на предприятиях различных отраслей промышленности, осуществляющих маркетинговую деятельность на нестабильных дифференцированных рынках.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на XXII Международной научно-практической конференции Математические методы в технике и технологиях (Псков, 2009); VII Межрегиональной научной конференции Информационные технологии, энергетика и экономика (Смоленск, 2010); Международной научно-технической конференции Управление экономическим и социальным развитием: инновационные и стратегические подходы (Гатчина, 2010); II Международной научно-практической конференции Проблемы и пути совершенствования экономического механизма предпринимательской деятельности (Днепропетровск, 2010), а также семинарах в филиале МЭИ (ТУ) в г. Смоленске.

Публикации. По теме диссертации опубликовано 11 печатных работ общим объемом 10,5п.л., в том числе лично автору принадлежит 5,2 пл.

Структура и объем работы.

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, включающего 117 наименований, и одного приложения. Диссертация содержит 162 страницы машинописного текста, 31 рисунок и 34 таблицы.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность научных исследований по выбранному направлению. Формулируется цель диссертационной работы и решаемые в ней задачи, излагается научная новизна и практическая значимость полученных результатов.

В первой главе Анализ современных подходов к сегментации рынков рассмотрена задача сегментации рынка как одна из важнейших задач стратегического маркетинга. Показано, что решение данной задачи позволяет планировать маркетинговую деятельность предприятия. Выделен класс задач динамической сегментации рынка, который характеризуется необходимостью отслеживания изменения структуры сегментов во времени и прогнозирования их характеристик. Проведен анализ известных методов кластеризации и возможность их использования для динамической сегментации нестабильных дифференцированных рынков.

В диссертации сформулированы общие требования к разрабатываемым инструментам динамической сегментации нестабильных рынков: возможность анализа изменения кластерного поля (появление новых сегментов, исчезновение некоторых сегментов и т.д.) с учетом специфики сегмента рынка как кластера и необходимость прогноза изменения показателей сегментов рынка в условиях нерегулярности поступления маркетинговой информации.

На рис. 1 приведены основные группы методов классификационного анализа данных, которые могут быть использованы для кластеризации рынков.

Рисунок 1 - Основные труппы методов кластеризации

Анализ данных методов показал, что при исследовании кластерной структуры нестабильных рынков целесообразно применять основные подходы, реализуемые в рамках группы нечетких методов - методов кластеризации с использованием нечеткой меры расстояний. Для прогнозирования изменения характеристик сегментов рынка предложено использовать аппроксимационные модели. При этом специфические особенности сегмента рынка как кластера определяют необходимость учета при проведении сегментации следующих требований: сегменты дожны быть достаточно устойчивыми и емкими; сегменты дожны быть доступны для предприятия, т.е. дожны иметься каналы сбыта и распределения продукции; предприятие дожно иметь контакт с сегментом (например, через каналы массовой коммуникации).

С учетом данных требований инструменты динамической сегментации дожны использовать критерии оценки качества кластерной структуры с точки зрения возможности отнесения выделенных кластеров к сегментам рынка.

Вторая глава Организационно-экономический анализ состояния и основных тенденций развития отечественных предприятий по производству акогольной продукции посвящена описанию результатов исследования изменения рынков акогольной продукции и пива РФ и Смоленской области. Целью данного анализа являлось обоснование целесообразности применения инструментов динамической сегментации для выбора маркетинговой стратегии охвата рынка пива.

Динамичное развитие пивоваренных предприятий в 2006-2007 гг. сменилось в 2008 г. периодом определенной стагнации. Однако в целом экономические показатели пивоваренной отрасли за 2008 г. нельзя в поной мере охарактеризовать как негативные. Как показывает анализ статистических данных, выручка производителей пива без учета НДС и акцизов при фактически неизменных натуральных показателях вы-

росла в 2008 г.на 16,6% (в 2007 г. данный показатель составил 21%), при этом себестоимость проданного пива выросла на 12,4%. В соответствии с данными Росстата в 2008 г. также был отмечен рост объема капитальных затрат (на 21% по сравнению с предыдущим периодом) в связи с завершением крупных инвестиционных проектов в отрасли: строительством предприятий Батики в Новосибирской области, БАВМШег в Ульяновской области и АВ 1пВеу в Иркутской области и ряда других.

В 2009 г. было отмечено сокращение объемов продаж пива, одной из причин которого стало переключение потребителей с более дорогих на более экономичные сорта. Отметим, что производство акогольных напитков в целом в 2009 г. сократилось более чем на 3%. При этом сокращение коснулось всех групп продуктов - от пивоваренного солода (около 20%), водки и ликероводочных изделий (7,3%), пива (5%) до виноградного вина (0,2%). Доля пива в общем объеме продажи акогольных напитков и пива в 2009 г., как и в 2008 г., составила 78%, доля водки и ликероводочных изделий -12%.

В то же время пивоварение продожает оставаться одним из самых высокорентабельных производств. Так, уровень рентабельности пивоваренного производства составляет в среднем 20-30%. В таблице 1 приведены основные показатели пивоваренной промышленности РФ.

Таблица 1 - Основные показатели деятельности пивоваренных предприятий РФ (по данным Росстата)_

Показатели 2005 2006 2007 2008 2009

Индекс производства пива, % к пред. году 108,5 110 114,6 99,3 95

Производство пива, мн. дкл 910 1001 1147 1140 1085

Использование среднегодовой мощности организаций, % 74 77 81 74 72

Продажа пива, мн. дкл 892,1 1002,8 1155,3 1138,2 1091,7

Автором в 2006-2009 г. было проведено исследованием рынка пива г. Смоленска низкой ценовой категории, результаты которого представлены на рис. 2.

В результате было выделено три основных сегмента потребителей: молодежь в возрасте 17-27 лет со средним доходом 5-7 тыс. руб. в месяц; лица среднего возраста (35-45 лет) со средним доходом 20-25 тыс. руб. в месяц; старшая возрастная группа (50-70 лет) со средним доходом 8-12 тыс. руб. в месяц;

Динамический анализ изменений рынка в 2006-2008 г.г. показал что: ]) средний возраст типичного потребителя в первой группе уменьшается, а общее количество потребителей в данном сегменте растет, что говорит о перспективности данного сегмента;

2) вторая группа несколько размывается и уменьшается, что, по всей видимости, вызвано появлением на рынке большего количества качественного и элитного пива, которое предпочитают представители этой группы. Возможно, что часть данного сегмента отойдет к первой и к третьей группам потребителей.

2006 год

2007 год

10 20 30 40 50

Возраст

2008 год

10 20 30 40 50

Возраст

2009 год

Рисунок 2 - Кластерная структура рынка пива Смоленской области

3) третья группа также несколько размывается, однако емкость сегмента остается стабильной при дрейфе центра кластера в сторону большего дохода.

Анализ показывает, что наблюдаемые изменения характеристик кластеров даже в рамках одной ценовой категории позволяют сделать вывод о целесообразности использования инструментов динамической сегментации.

В третьей главе Разработка структурной модели и инструментов динамической сегментации нестабильных рынков предложены обобщенная структурная модель процедуры сегментации изменяющегося во времени рынка пивоваренной продукции; разработанные инструменты динамической сегментации рынка пива с использованием агоритмов нечеткой кластеризации; модифицированные инструменты построения аппроксимационных моделей для прогнозирования изменения характеристик целевых сегментов рынка в условиях нерегулярности поступления маркетинговой информации.

Структурная модель процедуры сегментации изменяющегося во времени рынка пивоваренной продукции, предполагающая комплексное использование инструментов динамической кластеризации и аппроксимационного анализа характеристик выделенных сегментов, приведена на рис 3.

Статистические данные Х={х,,х2, ...,х11}в

Рисунок 3 - Структурная модель процедуры динамической сегментации рынка

Структурная модель включает в себя следующие компоненты:

1) Процедура динамической кластеризации. Осуществляет кластеризацию п ис-одных наблюдений, полученных в некоторый момент времени 7}. Для этого исполь-уется агоритм кластеризации с неизвестным числом кластеров, который осуществ-яет разбиение исходного множества наблюдений на несколько подмножеств. В ре-ультате формируется статическая кластерная модель рынка для различных времен-ых интервалов.

2) Кластерная модель рынка. Описывает полученные сегменты рынка. Кластер-ая модель рынка характеризуются набором статических показателей, которые могут ыть использованы для принятия маркетинговых решений:

Х Центр кластера (с''1) отражает портрет типового потребителя данного сегмента

Х Количество объектов в кластере {N1) - отражает емкость сегмента рынка, соот-

ветствующую данному кластеру.

Х Интервал значений а, исследуемой характеристики хк (например, возраста по-

требителей, дохода и т. д.) для кластера г.

Данные параметры характеризуют каждый конкретный кластер, что позволяет ассматривать динамику сегмента, прогнозируя ограниченный набор переменных.

3) Прогностическая аппроксимационная модель. На основании анализа парамет-ов кластерной модели рынка описывает поведение сегментов в динамике. Строится ля каждого прогнозируемого параметра сегмента рынка. Кроме того, при построении

данной модели отслеживаются изменения в структуре рынка - появление новых слияние существующих сешентов, что служит своего рода порогом для начала по строения новых моделей.

4) Процедура экстраполяции. На основании построенной аппроксимационно" модели определяются прогнозируемые значения параметров модели сегмента рынка

с(0, ы, и о-;. Результаты прогнозирования определяются точностью построенной ап проксимационной модели, которая зависит от количества и качества исходных наблю дений.

5) По результатам реализации данной процедуры осуществляется приняты маркетинговых решений по охвату рыта и по работе на голевых сегментах.

Рассмотрим подробнее описанные компоненты указанной структурной модели.

Формально задача кластеризации может быть определена следующим образом. Пусть в начале некоторого интервала времени Т наблюдается Х = {х(1),х(2),...,х(А"} множество векторов в и-мерном пространстве, описывающих объекты кластеризаци (потребителей), где п - число характеристик, по которым осуществляется сегментация; У = {уДу2,...,уД} - множество выделенных кластеров; р(а ,Ь ) - функция расстояния между векторами а и Ь (используются известные метрики). При этом вектору х, е X ставится в соответствие кластер у;, до центра которого расстояние (при использовании выбранной метрики) минимально:

][>(схт)->1шп, (1)

где вектор с0) - центр у'-го кластера в и-мерном пространстве; при этом обычно у^узн^пу^ =0.

Через некоторые интервалы Т проводится проверка стабильности структуры кластеров, и при необходимости, т.е. при наличии динамических изменений, ее коррекция. С целью исключения влияния неактуальных наблюдений, мониторинг организуется по принципу временного окна, т.е. при анализе кластерной структуры учитываются только объекты, зафиксированные в предпоследнем маркетинговом исследовании.

На практике при осуществлении кластерного анализа рынка число сегментов априори точно неизвестно, поэтому необходимо использовать критерий для оценки результативности разбиения потребителей на сегменты. С одной стороны этот критерий дожен удовлетворять условию минимума функции (1), а с другой стороны, дожен учитывать изложенные выше требования к сегментам рынка.

В качестве базового критерия оценки качества разбиения выборки потребителей, полученной в ходе маркетингового исследования, на кластеры можно использовать известный критерий Дэйвиса-Бодуина (ОВР). ОВ1 рассчитывается для каждого кластера как отношение плотности векторов внутри кластера к расстоянию между кластерами и показывает степень перекрытия кластеров:

МАЕ1 +МЛЕк

где векторы с;,с4 - центры у-го и к-то кластеров соответственно. Показатель МА/^ для у-го кластера рассчитывается как:

где N1 - количество объектов в_/-ом кластере.

Из формулы (3) очевидно, что МАЕ представляет собой некоторый радиус усред-енной гиперсферы относительно центра кластера, охватывающей кластер. Из форму-ы (2) видно, что чем больше эта гиперсфера для некоторого кластера, и чем ближе на к гиперсферам, соответствующим другим кластерам, тем выше вероятность, что тастеры сольются. Однако данное условие справедливо для кластера любого размера, что идет в разрез с требованием к емкости сегмента. Поэтому предложено добавить в формулу (3) для расчета значения МАЕ нечеткую переменную, которая характеризует мкость кластера:

или 1 + / \ (Л\

МАЕ}=-Ч-(4)

де а - весовой коэффициент, определяемый экспертом; цша{Л^) - функции принад-ежности к термам нечеткого понятия лемкость рынка.

Введение допонительного параметра приводит к увеличению значения критерия \/АЕ] для небольших кластеров, что позволяет объединять большие сегменты с малыми, находящимися от них в непосредственной близости. Такой подход позволяет ори-нтировать маркетинговую деятельности организации только на достаточно емкие укрупненные сегменты.

В результате интегральный показатель ОВ1 для М кластеров рассчитывается как:

Д8/= ЧУтахЛ,,. (5)

Данный интегральный показатель определяется для различных конфигураций, полученных при вариации значений числа кластеров М, и выбирается значение М*, оответствующее минимальному значению показателя ВЫ. Кластеризацию при опре-еленном числе кластеров М предложено осуществлять с использованием известного [горитма с-теат. На рис. 4 представлена блок-схема агоритма динамической кластеризации потребителей.

Для осуществления прогнозирования динамики сегмента рынка предложено использовать аппроксимацонные методы. Как правило, статистические данные для фор-ирования модели наблюдаются в нерегулярные моменты времени /Д что делает невозможным использование аппроксимационных моделей, основанных на построении . едиционной локальной линейной авторегрессии. В этой связи предложено допонять множество переменных для построения аппроксимационной модели значениями временных интервалов ТД через которые поступают результаты маркетинговых исследований рынка.

Рисунок 4 - Блок-схема агоритма динамической сегментации рынка

Тогда значение прогнозируемое значение сегмента рынка определяется следую щим образом:

Х*ц = С0 + С1 Тк + С2 гы + ...+ Сл+1 Тк,Д + Сп+2 Хк + Сп+3 ХкА + ...+ С2+2 Х4_Д , (6)

где с0,с,,...,с2),+2 - коэффициенты модели, которые можно найти с использованием ме тода М ближайших узлов, т.е. с использованием данных М ближайших в смысл расстояния приведенных наборов значений (число М полагается заданным), на баз стандартной процедуры метода наименьших квадратов.

Введем обозначения: с7 =(с0,с,,...,с2Д+2) - вектор коэффициентов модели (6),

1).-,7?1',,Г/0) - вектор, соответствующий одному из М ближайших узлов, /=1,2,...,М', у' = (4+рд:ы.-'дг1+'>) !

=(хк-Д>хк-<.п-п>->хк-\'хк>Тк-п>Тк-(Г,-ц'->Тк-1>Тк) - вектор, соответствующий текущему значению прогнозируемой характеристики изменяющегося сегмента.

В этом случае коэффициенты локальной авторегрессионной модели определяют ся при помощи выражения:

^(Г-Ю"1-Г'-у,, (7)

С-хГ-^.РГ'-Р'-.у, (8)

В соответствии с изложенным, была предложена методика построения аппрокси-мационной модели характеристик сегмента рынка.

В четвертой главе Результаты практической реализации предложенных математических моделей и агоритмов для динамического анализа сегментов рынка пивоваренной продукции рассмотрена архитектура информационной системы динамического анализа сегментов рынка, реализующая разработанные апггрокси-ационные модели и агоритмы кластеризации; представлена методика динамическо-о анализа кластерной структуры рынка с использованием информационной системы, также представлены результаты применения разработанной информационной системы для анализа рынка Смоленской области.

Архитектура информационной системы динамической сегментации рынка приведена на рис. 5.

Рисунок 5 - Архитектура информационной системы динамического анализа сегментов рынка

Разработанная информационная система построена по модульному принципу и реализована на языке программирования С# с использованием среды визуального программирования Visual Studio 2008 и .NET Framework 2.0.

Информационная система состоит из следующих модулей и блоков:

1) Блок ввода статистических данных, полученных в результате опроса потребителей. Данный программный блок предоставляет пользователю интерфейс ввода пер-

воначальных сведений, необходимых для формирования кластерной модели рынка по средством классификации потребителей.

2) Модуль кластерного анализа, осуществляет статистическую обработку пред ставленной выборки наблюдений, в результате которой выделяется множество кластеров. Модуль включает в себя несколько блоков:

а) Блок формирования кластерной структуры осуществляет разбиение исходной выборки наблюдений на кластеры с использованием предложенного агоритма кластеризации.

б) Блок расчета параметров кластера осуществляет расчет таких параметров, как центр кластера, емкость кластера, интервалы значений для каждой характеристики.

в) Блок анализа изменений в структуре кластеров проводит мониторинг кластерного поля и на основании сравнения текущего состояния с предыдущим делает вывод об изменении в структуре кластеров: появление новых или слиянии старых кластеров.

3) Блок отображения данных кластерного аначиза проводит графическую интерпретацию полученных в результате процедуры кластеризации данных, строит кластерное поле, отображает параметры для каждого кластера.

4) Модуль прогнозирования осуществляет построение аппроксимационной модели сегмента рынка во временных окнах переменной длины, а также получение экстраполированных значений для каждой прогнозируемой характеристики с использованием разработанных в работе агоритмов и процедур. Включает в себя блоки: построения аппроксимационной модели сегмента рынка и экстраполяции.

5) Блок отображения результатов прогнозирования выводит результаты экстраполяции, а также предыдущие значения характеристик кластеров в виде графика, что позволяет эксперту наглядно оценить результаты прогнозирования.

Для организации базы данных (БД) используется Microsoft SQL Server Express. Использование стандартных методов сериализации XML, предоставляемых каркасом приложений .NET framework, позволяет значительно упростить задачу хранения моделей в БД: модель преобразуется в XML-код и в данном виде сохраняется в базе данных.

В соответствии с приведенной на рис. 5 архитектурой информационной системы динамического анализа сегментов рынка, а также учитывая описание процесса динамического кластерного анализа, можно выделить следующие последовательные процедуры в работе с информационной системой:

Шаг 1. Сбор статистических данных по рынку за некоторый отчетный период Т;. В качестве такого периода может выступать месяц, квартал, полугодие и т.д.

Шаг 2. На основании статистических данных осуществляется разбиение п-мерного пространства характеристик потребителей на отдельные кластеры с использование разработанного агоритма динамической кластеризации с неизвестным числом кластеров.

Шаг 3. Выделяются параметры каждого кластера: центр кластера, емкость кластера, границы значений отдельных характеристик рынка.

Шаг 4. Аппроксимационная модель каждого сегмента рынка допоняется данными за период Г,. В случае, если образовася новый кластер инициируется процесс накопления данных для аппроксимационной модели нового кластера, а также перестраивается новая модель для кластера, от которого отделися новый сегмент.

Шаг 5. На основании аппроксимационной модели с использованием разработанных процедур строится прогноз на период Г,-+л Переход к шагу 1.

Предложенные инструменты динамической сегментации рынка, а также реализующая их информационная СППР были использованы в ОАО Бахус (г. Смоленск) и ООО Арис (г. Смоленск), что позволило определить перспективные сегменты реализации маркетинговой стратегии и повысить эффективность маркетинговой деятельности организаций.

ОАО Бахус является крупнейшим производителем акогольной продукции Смоленской области, производящим около 450 тыс. дал в гид, из них около 150 тыс. дал пивоваренной продукции. Начиная с 2007 г. объемы производства предприятия начали сокращаться. Так, индекс объемов производства по группе пивоваренной продукции в 2007 г. составил 0,96, в 2008 г. - 0,82, в 2009 г. - 0,95, что, помимо последствий кризисных явлений в экономике, было вызвано усилением конкурентного давления.

В 2009 г. в ОАО Бахус была внедрена СППР по управлению маркетинговой деятельностью, реализующая, в том числе, предложенные в диссертации инструменты динамической сегментации. В результате анализа кластерной структуры рынка были выявлены следующие изменения сегментов рынка:

- центр сегмента потребителей молодого возраста и низких доходов смещается по оси возраст влево, при этом емкость сегмента достаточно быстро растет. Для данного сегмента была предложена маркетинговая стратегия развития продукта - безакогольного пива с проведением соответствующих мероприятий коммуникации-микс, учитывающих сезонный фактор;

- наблюдается сокращение емкости сегмента потребителей среднего возраста с движением центра по оси доход вверх. Для данного сегмента предложно развитие ассортиментной группы сувенирной продукции;

- сегмент более старших потребителей с низким доходом практически не изменяется, что предполагает отсутствие изменений в маркетинговой политике предприятия;

- сформировася новый кластер, который, начиная с 2010 г., может рассматриваться как сегмент, - сегмент потребителей в возрасте 27-32 года с достаточно высоким доходом, потребляющих пиво в летних кафе, на пикниках и т.д. Для данного сегмента предложено начать выпуск пива в кегах.

На рис. 6 приведена кластерная структура рынка пива Смоленской области в 2010

В таблице 2 приведен прогноз влияния предложенных мероприятий на показатели деятельности предприятия.

Возраст

Рисунок 6 - Кластерная структура рынка пива Смоленской области в 2010 г.

Таблица 2 - Прогнозные показатели ОАО БАХУС с учетом изменения сегментов рынка /без учета изменения (*- прогноз)

Показатели 2009 2010* 2011* 2012*

Индекс производства 0,95/0,87 1,02/0,94 1,1/1,01 1,1/1,05

Рентабельность продаж, % 14/5 13/4 18/6 24/9

Эффективность маркетинговой деятельности 12,6/11,4 23,5/11,6 23,8/11,7 34,2/10,8

В заключении приведены основные результаты работы, выводы и предложения.

В приложении представлена справка о реализации результатов диссертации.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Сформулирована задача сегментации рынка как разновидность задачи динамической кластеризации в условиях изменения структуры кластерного поля и нерегулярности поступления маркетинговой информации. Показано, что для решения данной задачи целесообразно применять методы кластеризации с использованием нечеткой меры расстояния и аппроксимационных моделей.

2. Предложена структурная модель процедуры сегментации изменяющегося во времени рынка, предполагающей комплексное использование инструментов динамической кластеризации и аппроксимационного анализа характеристик выделенных сегментов, а также анализа структуры рынка.

3. Разработаны инструменты динамической сегментации рынка пивоваренной продукции с использованием агоритмов кластеризации, учитывающих возможность изменения характеристик сегментов и кластерного поля потребительского рынка, а также специфические особенности характеристик сегмента рынка как вида кластера. При реализации данных инструментов предложено использовать нечеткий критерий оценки качества кластерной структуры для описания емкости сегмента.

4. Предложены модифицированные агоритм и методика построения аппрок-симационной модели для прогнозирования изменения характеристик целевых сегментов рынка в условиях нерегулярности поступления маркетинговой информации, в ко-

торых в качестве переменной рассматривают интервалы времени между моментами поступления маркетинговой информации.

5. Разработана архитектура информационной системы динамического анализа сегментов рынка с возможностью осуществления кластерного анализа с изменяющимся количеством кластеров и прогноза динамики характеристик кластеров. Данная система может быть использована в составе корпоративных информационных СППР по управлению маркетинговой деятельностью предприятий, осуществляющих выпуск пивоваренной продукции, а также другой продукции, реализуемой на нестабильных рынках.

6. Предложенные инструменты динамической сегментации рынка, а также реализующая их информационная СППР были использованы в ОАО Бахус (г. Смоленск) и ООО Арис (г. Смоленск), что позволило определить целевые сегменты для стратегии дифференцированного маркетинга и повысить эффективность маркешши-вой деятельности данных организаций за счет роста продаж на перспективных сегментах рынка.

Основные работы, опубликованные по теме диссертации

В изданиях перечня ВАК

1. Храименков М.М. Динамический кластерный анализ сегментов рынка // Вестник Российской Академии естественных наук (серия экономическая) - 2010 - №3-С.34-39

2. Храименков М.М., Тютюнник A.A. Кластерные модели рынка акогольной продукции // Вестник Российской академии естественных наук (серия экономическая) - 2009 - №3- С.58-60.

3. Храименков М.М., Тютюнник A.A. Определение изменения потребительских предпочтений акогольных напитков на региональном уровне // Путеводитель предпринимателя - 2010 - №8 - С.20-25

4. Гимаров В.В., Гимаров В.А., Храименков М.М. Продукционные модели прогнозирования конъюнктуры рынка товаров и услуг // Вестник Российской академии естественных наук (серия экономическая) - 2010 - №1 Ч С.27-28.

5. Храименков М.М., Образцов A.A. Математические модели сегментации рынка // Ученые записки Российской Академии предпринимательства - 2010. - Вып. 25 - С. 54-59.

В других изданиях

6. Дли М.И., Храименков М.М. Динамическая сегментация нестационарных рынков (монография) - Смоленск: изд-во Смоленская городская типография - 2010 -146 с.

7. Храименков М.М., Тютюнник A.A. Практическое использование кластерной модели для отслеживания тенденций изменения рынка // Управление экономическим и социальным развитием: инновационные и стратегические подходы. Сб. тр. Межд. на-уч.-практ. конф. - Гатчина. - 2010. - С.23-26.

8. Храименков М.М. Использование продукционных моделей для анализа сцена риев развития рыночной ситуации // Информационные технологии, энергетика и эко номика. Сб. тр. VII Межрег. науч.-техн. конф. студентов и аспирантов. В 3 т. Т.З. Смоленск: СФМЭИ - 2010. - С. 161 -163.

9. Храименков М.М. Прогнозирование экономического процесса в условиях нере гулярности наблюдения его значений // Информационные технологии, энергетика экономика. Сб. трудов VII Межрег. науч.-техн. конф. студентов и аспирантов. В 3 т. Т.З. - Смоленск: СФ МЭИ- 2010. - С.158-160.

10. Храименков М.М., Тютюнник А.А. Практическое использование кластерной модели на примере регионального рынка акогольной продукции Смоленского региона // Проблемы и пути совершенствования экономического механизма предпринимательской деятельности: Сб. тр. II Межд. науч.-практ. конф. Днепропетровск: Науч. дад-no лCONSTANTA - 2010. С.31-41.

11. Храименков М.М., Тютюнник А.А. Кластерная модель рынка акогольной продукции // Математические методы в технике и технологиях - ММТТ-22. Сб. тр XXII Междунар. научн. конф. - Псков: ПГГТИ - 2009 - т. 7 - С.38-40.

Подписано в печать 4/. 0& Юг, Зак. М 9 Тир. / П л IX'J Полиграфический центр МЭИ(ТУ) Красноказарменная ул.,д.13

Диссертация: содержание автор диссертационного исследования: кандидат экономических наук , Храименков, Михаил Михайлович

Введение

1 Анализ современных подходов к сегментации рынков

1.1 Задача сегментации рынка и ее роль в процессе принятия 12 маркетинговых решений

1.2 Обзор математических методов многомерного кластерного анализа

1.3 Обзор математических методов прогнозирования социально- 30 экономических систем

1.4 Выводы

2 Организационно-экономический анализ состояния и основных 54 тенденций развития отечественных предприятий по производству акогольной продукции

2.1 Анализ состояния и основных тенденций развития предприятий 54 пищевой промышленности РФ

2.2 Анализ состояния и основных тенденций развития рынка 75 виноводочной продукции и пива

2.3 Анализ предприятий пищевой промышленности Смоленской 87 области

2.4 Выводы

3 Разработка структурной модели и инструментов динамической 103 сегментации нестабильных рынков

3.1 Структурная модель динамического кластерного анализа рынка

3.2 Динамическая кластеризация

3.3 Прогнозирование параметров модели сегмента рынка с 114 использованием локально-аппроксимационного подхода во временных окнах переменной длины

3.4 Выводы

4 Результаты практической реализации предложенных 125 математических моделей и агоритмов для динамического анализа сегментов рынка пивоваренной продукции

4.1 Архитектура информационной системы динамического анализа сегментов рынка

4.2 Методика динамического анализа кластерной структуры рынка

4.3 Применение результатов диссертационной работы в ОАО Бахус

4.4 Выводы

Диссертация: введение по экономике, на тему "Инструменты динамической сегментации рынка пивоваренной продукции с использованием аппроксимационных моделей"

Сегментация рынка является одной из важнейших стратегий маркетинга, которая позволяет определять характеристики потребителей, выбирать маркетинговую стратегию охвата рынка, определять стратегические ориентиры при разработке инструментов комплекса маркетинга. Особенно актуальной задача сегментации является для предприятий, которые вследствие ужесточения конкуренции реализуют конкурентную стратегию сфокусированной дифференциации и осуществляют свою маркетинговую деятельность на высоко дифференцированных рынках. К таким предприятиям в значительной степени относятся предприятия пивоваренной промышленности, объемы производства которой в 2009 г. снизились по отношению к 2008 г. на 4,8%. По некоторым номенклатурным группам наблюдася еще более выраженный негативный тренд. Например, объемы производства светлого пива в России в январе 2010 г. сократилось по отношению к январю 2009 г. на 44%. В таких условиях пивоваренные компании вынуждены осуществлять более детальный анализ рынка с целью выявления основных характеристик групп потребителей, которые могут рассматриваться как привлекательные сегменты рынка.

Вопросы сегментации рынка как инструмента оперативного и стратегического планирования рассмотрены в работах следующих авторов: X. Анн, В.Ф. Анурин, Г.Л. Багиев, Р.Д. Блэкуэл, Б. Гантер, Е.В. Евтушенко, Ф. Котлер, Д.В. Кревенс, М.Дж. Крофт, Ж.Ж. Ламбен, М. Макдонад, Т.Д. Маслова, П.У. Миниард, И.И. Муромкина, А.А. Паршин, Е.В. Попов, А.Н. Романов, Б.А. Резниченко, В.М. Тарасевич, В.М. Терещенко, А. Фернхам, В.Е. Хруцкий, Д.Ф. Энджел и др.

Учитывая, что сегмент рынка представляет собой кластер, включающий обладающих сходными характеристиками потребителей, при проведении сегментации целесообразно использовать инструменты кластерного анализа, рассмотренные в публикациях С.А. Айвазяна, М.А. Айзермана, Э.М. Бравермана, С.Я. Виленкина, Р. Гонсалеса, Ф. Груна, Ю.И. Журавлева, А.Г. Ивахненко, JI.A. Растригина, С.А. Редкозубова, В.П. Мешакинва, В.С Мхитаряна, Дж. Ту, К. Фуканаги, ЯЗ. Цыпкина, Р.Х. Эренштейна, X. Хейкена. и др.

В тоже время использование традиционных инструментов кластерного анализа позволяет получить только статическую картину рынка и не дает возможность спланировать маркетинговую стратегию на длительный период. Так, с течением времени восприятие потребителями продукта и рекламы меняется, изменяются характеристики самих выделяемых кластеров, при этом при большом объеме данных осуществление качественного анализа становится затруднительным.

В таких условиях для поддержки принятия маркетинговых решений целесообразно использовать инструменты динамического кластерного анализа, предложенные в работах Ангстенбергер JL, Гимарова В.В., Баумана В.Е., Дорофеюка А.А., Круглова В.В., Синха С., Ганеса В., Луниса П.,. Чернявского A.JI.

Анализ данных работ показывает, что использование инструментов динамического кластерного анализа для решения задачи сегментации динамически изменяющихся рынков в условиях нерегулярности получения результатов маркетинговых исследований предполагает ряд модификаций, который позволил бы оценивать изменение во времени емкости и устойчивость сегментов, прогнозировать появление новых и тенденции изменения существующих сегментов, а также допускать возможность применения данных инструментов для построения систем поддержки принятия решений (СППР) по стратегическому управлению маркетинговой деятельностью предприятий, в том числе пивоваренной отрасли. Отметим также, что при применении аппроксимационных моделей анализа эконометрических рядов для прогнозирования состояния кластерной структуры рынка необходимо учитывать нерегулярность поступления информации и существенно нелинейный характер зависимости изменения во времени центров и других характеристик кластеров от внешних факторов.

Сказанное определяет актуальность научной задачи разработки аналитических и программных инструментов динамической сегментации рынка пивоваренной продукции, позволяющих прогнозировать изменение характеристик сегментов данного рынка, а также структуры кластерного поля в целом, имеющей существенное значение для развития математического аппарата анализа экономических систем.

Цель диссертационной работы Ч разработка инструментов кластеризации рынка пивоваренной продукции для анализа сегментов рынка и прогнозирования их характеристик с использованием методического аппарата динамической кластеризации и построения аппроксимационных моделей в условиях нерегулярности поступления информации, а также архитектуры и методики применения информационной системы, реализующей разработанные аналитические инструменты.

Для достижения указанной цели были поставлены и решены следующие задачи исследования:

1. Анализ основных задач маркетинговых исследований, решаемых при анализе потребительских рынков. Постановка задачи сегментации рынка как разновидности задачи динамической кластеризации в условиях изменения структуры кластерного поля и нерегулярности поступления маркетинговой информации.

2. Анализ современного математического аппарата для динамической кластеризации эконометрических данных, а также прогнозирования социально-экономических систем и процессов.

3. Экономический анализ и определение основных тенденций развития предприятий пивоваренной промышленности РФ и Смоленской области. Обоснование целесообразности применения инструментов динамической кластеризации с использованием аппроксимационных моделей для выбора стратегии сегментации и охвата целевых рынков пива.

4. Разработка структурной модели процедуры сегментации изменяющегося во времени рынка пивоваренной продукции, предполагающей комплексное использование инструментов динамической кластеризации и аппроксимационного анализа характеристик выделенных сегментов.

5. Разработка инструментов динамической сегментации рынка пива с использованием агоритмов кластеризации, учитывающих возможность изменения характеристик сегментов и кластерного поля потребительского рынка, а также специфические особенности сегмента рынка как вида кластера.

6. Модификация существующих инструментов построения аппроксимационных моделей для прогнозирования изменения характеристик целевых сегментов рынка в условиях нерегулярности поступления маркетинговой информации.

7. Разработка архитектуры и методики построения СГТПР по стратегическому управлению маркетинговой деятельностью пивоваренных предприятий, использующей предложенные инструменты динамической сегментации рынка.

8. Выработка практических рекомендаций по применению предложенных инструментов в ОАО Бахус (г. Смоленск).

Теоретической и методологической базой исследования являются методы теории статистического анализа, моделирования и кибернетики, методы экономического анализа, эконометрики и экономико-математического моделирования, системный подход к анализу экономических явлений и процессов, научные положения и выводы, сформулированные в трудах отечественных и зарубежных ученых по математическому моделированию экономических объектов и процессов.

Информационной базой исследования являются данные Росстата, законодательные и нормативно-правовые акты Президента и Правительства РФ, связанные с тематикой диссертации, а также отчетные данные предприятий по производству пивоваренной продукции Смоленской области.

Наиболее существенные научные результаты, полученные лично автором:

1. Разработана структурная модель процедуры сегментации изменяющегося во времени рынка пивоваренной продукции, предполагающей, в отличие от известных, комплексное использование инструментов динамической кластеризации и аппроксимационного анализа характеристик выделенных сегментов, позволяющая осуществлять прогнозирование структуры рынка и основных характеристик целевых сегментов в условиях неравномерного поступления маркетинговой информации.

2. Разработаны инструменты (агоритм и методика) динамической сегментации рынка пива с использованием агоритмов кластеризации, учитывающих возможность изменения во времени характеристик сегментов и кластерного поля потребительского рынка, а также специфические особенности характеристик сегмента рынка (емкость, стабильность, доступность для предприятия и т.д.) как вида кластера, а также использующие нечеткий критерий оценки качества кластерной структуры для описания емкости сегмента, что позволяет оценить устойчивость анализируемых сегментов.

3. Предложены модифицированные агоритм и методика построения аппроксимационной модели для прогнозирования изменения характеристик целевых сегментов рынка в условиях нерегулярности поступления маркетинговой информации, отличающийся введением допонительной переменной, характеризующей размер временного окна, что позволяет осуществлять прогноз при существенно нелинейном характере зависимости наблюдаемых показателей сегмента от факторов внешней среды.

4. Предложена архитектура информационной системы динамического анализа сегментов рынка, отличающаяся возможностью осуществления кластерного анализа с изменяющимся количеством кластеров и прогноза динамики характеристик кластеров, что позволяет расширить функциональные возможности корпоративных информационных СППР по управлению маркетинговой деятельностью предприятий, осуществляющих выпуск пивоваренной продукции, инструментами оперативного и стратегического планирования.

Объектом исследования является маркетинговая деятельность предприятий пивоваренной отрасти на дифференцированных потребительских рынках.

Предметом исследования являются инструменты сегментации динамически изменяющихся рынков.

Обоснованность и достоверность научных результатов, выводов и рекомендаций диссертации определяются корректным применением методов экономического анализа и экономико-математического моделирования. Выводы и предложения диссертационного исследования не противоречат известным теоретическим и практическим результатам, содержащимся в трудах отечественных и зарубежных ученых в области кластерного анализа информации, теории моделирования социально-экономических систем и ее приложения к решению маркетинговых задач.

Научная новизна работы состоит в разработке структурной модели процедуры сегментации изменяющегося во времени рынка пивоваренной продукции, предполагающей комплексное использование предложенных инструментов динамической сегментации и модифицированных инструментов построения аппроксимационной модели для прогнозирования изменения характеристик целевых сегментов рынка в условиях нерегулярности поступления маркетинговой информации, а также реализующей ее информационной СППР по управлению маркетинговой деятельностью предприятий.

Значение полученных результатов для теории и практики.

Предложенные в диссертации инструменты динамической сегментации рынка вносят определенный вклад в развитие математических и инструментальных методов экономики в части развития математического аппарата анализа экономических систем: математической экономики, эконометрики, прикладной статистики, а также математического моделирования экономической конъюнктуры, определения трендов и тенденций развития.

Разработанная архитектура информационной системы динамического анализа сегментов рынка, реализующая предложенные инструменты, вносит вклад в теорию и практику применения систем поддержки принятия решений для оптимизации управления экономикой на уровне предприятия.

Сведения о реализации и целесообразности практического использования результатов.

Предложенные инструменты динамической сегментации рынка, а также реализующая их информационная СППР были использованы в ОАО Бахус (г. Смоленск) и ООО Арис (г. Смоленск), что позволило определить перспективные сегменты при выборе маркетинговой стратегии и повысить эффективность маркетинговой деятельности организаций.

Теоретические и методические результаты диссертации используются в учебном процессе филиала Московского энергетического института (технического университета) в г. Смоленске.

Предложенные инструменты и реализующая их СППР могут найти широкое применение на предприятиях различных отраслей промышленности, осуществляющих маркетинговую деятельность на нестабильных дифференцированных рынках.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на XXII Международной научно-практической конференции Математические методы в технике и технологиях (Псков, 2009); VII Межрегиональной научной конференции Информационные технологии, энергетика и экономика (Смоленск, 2010); Международной научно-технической конференции Управление экономическим и социальным развитием: инновационные и стратегические подходы (Гатчина, 2010); II Международной научно-практической конференции Проблемы и пути совершенствования экономического механизма предпринимательской деятельности (Днепропетровск, 2010), а также семинарах в филиале МЭИ (ТУ) в г. Смоленске.

Диссертация: заключение по теме "Математические и инструментальные методы экономики", Храименков, Михаил Михайлович

4.4 Выводы

1. Предложена архитектура информационной системы динамического анализа сегментов рынка, отличающаяся возможностью осуществления кластерного анализа с неопределенным количеством кластеров и прогноза динамики характеристик кластеров, что позволяет расширить функциональные возможности корпоративных информационных систем средствами оперативного и стратегического планирования для предприятий, осуществляющих выпуск акогольной продукции.

2. Предложена методика динамического анализа сегментов рынка с использованием разработанной информационной системы.

3. С использованием разработанной информационной системы был проведен анализ рынка пива низкой ценовой категории в Смоленской области для предприятия ОАО Бахус за 2006-2010 гг. В результате анализа были выделены перспективные сегменты для инвестиций и выработаны практические рекомендации для ведения маркетинговой политики и стратегического планирования.

Заключение

В ходе работы были получены следующие основные результаты:

1. Проанализированы основные задачи маркетинговых исследований, Выделен отдельный класс задач динамической сегментации рынка, который характеризуется необходимостью отслеживать изменение структуры сегментов во времени и давать прогнозы по их характеристикам.

2. Предложена обобщенная структурная модель динамического анализа сегментов рынка, позволяющая автоматизировать процедуры обработки и анализа статистических данных по рынку для ведения оперативного и стратегического планирования на предприятии в рамках использования интегрированной маркетинговой информационной системы.

3. Разработан агоритм кластеризации статистических данных по потребителям с неизвестным числом кластеров, который позволяет осуществлять кластеризацию с учетом требований к емкости и устойчивости его сегментов.

4. Предложен модифицированный подход к построению локально-аппроксимационных моделей сегмента рынка, который позволяет строить статистические модели сегментов во временных окнах переменной длины, а также осуществлять прогноз динамики поведения сегмента на их основе.

5. Разработана архитектура информационной системы динамического анализа сегментов рынка, которая позволяет расширить функциональные возможности корпоративных информационных, систем средствами оперативного и стратегического планирования для предприятий, осуществляющих выпуск акогольной продукции.

6. В соответствии с разработанной архитектурой информационной системы динамического анализа сегментов рынка предложена методика динамической сегментации рынка

7. С использованием разработанной информационной системы динамического анализа сегментов рынка в работе была рассмотрена задача анализа рынка пива низкой ценовой категории в Смоленской области, на основании решения которой были выработаны практические рекомендации для предприятия ОАО Бахус по стратегическому планированию сбыта продукции.

Диссертация: библиография по экономике, кандидат экономических наук , Храименков, Михаил Михайлович, Смоленск

1. Маркетинг: учебник / А.Н.Романов, Ю.Ю.Корлюгов, С.А.Красильников и др / под ред. А.Н.Романова. М.: Банки и биржи, ЮНИТИ, 1996.

2. Котлер Ф. Основы маркетинга. Краткий курс Ч М. Издательский дом Вильяме, 2007

3. Анурин В., Муромкина И., Евтушенко Е. Маркетинговые исследования потребительского рынка. СПб.: Питер, 2004.

4. Багиев Г.Л., Тарасевич В.М., Анн X. Маркетинг: учебник для вузов. -3-е изд. СПб.: Питер, 2005.

5. Ламбен Ж.-Ж. Стратегический маркетинг. Европейская перспектива. -СПб: Наука, 1996.

6. Карпов В.Н. Выбор целевого рынка /Маркетинг 1994 - № 3 - С. 6171.

7. Резниченко Б.А. Критический анализ критериев сегментирования // Маркетинг в России и за рубежом 2001 - №4.

8. Блэкуэл Р.Д., Миниард П.У., Энджел Д.Ф. Поведение потребителей / Пер. с англ. под ред. Л.А. Воковой. 9-е изд. - СПб.: Питер, 2002.

9. Гантер Б., Фернхам А. Типы потребителей: введение в психографику / Пер. с англ. под ред. И. В. Андреевой. СПб.: Питер, 2001.

10. Данченок Л.А. Основы маркетинга: Учебное пособие / Московский государственный университет экономики, статистики и информатики. М., 2003.

11. Романов А. А. Методология экономико-статистического исследования рекламной деятельности: диссертация . доктора экономических наук: 08.00.12. Москва, 2007.

12. Воронов А. А. Организационно-экономическое обеспечение конкурентоспособности продукции: диссертация . доктора экономических наук : 08.00.05. Санкт-Петербург, 2003.

13. Беляев М.С. Методы построения рейтингов для анализа потребителей, дистрибьюторов и поставщиков: диссертация . кандидата экономических наук: 08.00.13. Санкт-Петербург, 2007.

14. Габидинова Г.С. Совершенствование методики сегментации рынка товаров потребительского назначения: На примере рынка копченых кобас г. Набережные Чены: диссертация . кандидата экономических наук: 08.00.05. Набережные Чены, 2006.

15. Селяков Е.В. Формирование маркетинговой информационной поддержки животноводческих предприятий регионального мясного кластера: диссертация . кандидата экономических наук: 08.00.05 / Ростов-на-Дону, 2007.

16. Паклин Н. Агоритмы кластеризации на службе Data Mining. Электронный ресурс. URL: Ссыка на домен более не работаетlibrary/analysis/clusterization/datamining/

17. Миркип Б.Г. Анализ качественных признаков и структур. М.: Статистика, 1980.

18. Гитис JI.X. Статистическая классификация и кластерный анализ. -М.: Издательство МГГУ, 2003.

19. Манд ель И. Д. Кластерный анализ. -М.: Финансы и статистика, 1988.

20. Одендерфер М.С., Блэшфид Р.К. Кластерный анализ // Факторный, дискриминантный и кластерный анализ. М.: Финансы и статистика, 1989.

21. A.K.Jain, M.N.Murty, PJ.Flynn. Data Clustering: A Review, ACM Сотр. Surv., 1999.

22. JAIN, A. K. AND DUBES, R. C. 1988. Algorithms for Clustering Data. Prentice-Hall advanced reference series. Prentice-Hall, Inc., Upper Saddle River, NJ.

23. Жамбю М. Иерархический кластер-анализ и соответствия / Пер с франц. Б. Г. Миркина. М.: Финансы и статистика, 1988. - 342 с.

24. KING, В. 1967. Step-wise clustering procedures. J. Am. Stat. Assoc. 69, 86-101.

25. WARD, J. H. JR. 1963. Hierarchical grouping to optimize an objective function. J. Am. Stat. Assoc. 58, 236-244.

26. SNEATH, P. H. A. AND SOKAL, R. R. 1973. Numerical Taxonomy. Freeman, London, UK.

27. Hartigan, J A. and Wong, M. A. (1979). A K-means clustering algorithm. Applied Statistics 28,100-108.

28. ANDERBERG, M. R. 1973. Cluster Analysis for Applications. Academic Press, Inc., New York, NY.

29. DID AY, E. 1973. The dynamic cluster method in non-hierarchical clustering. J. Comput. Inf. Sci. 2, 61-88.

30. SYMON, M. J. 1977. Clustering criterion and multi-variate normal mixture. Biometrics 77, 35-43.

31. Kanungo, Т.; Mount, D. M.; Netanyahu, N. S.; Piatko, C. D.; Silverman, R.; Wu, A. Y. (2002). An efficient k-means clustering algorithm: Analysis and implementation. IEEE Trans. Pattern Analysis and Machine Intelligence 24: 881892.

32. Chris Ding and Xiaofeng He. "K-means Clustering via Principal Component Analysis". Proc. of Int'l Conf. Machine Learning (ICML 2004), pp 225-232. July 2004.

33. ZAHN, С. T. 1971. Graph-theoretical methods for detecting and describing gestalt clusters. IEEE Trans. Comput. C-20 (Apr.), 68-86.

34. GOWER, J. C. AND ROSS, G. J. S. 1969. Minimum spanning rees and single-linkage cluster analysis. Appl. Stat. 18, 54-64.

35. BACKER, F. В. AND HUBERT, L. J. 1976. A graph theoretic approach to goodness-of-fit in complete-link hierarchical clustering. J. Am. Stat. Assoc. 71, 870-878.

36. OZAWA, K. 1985. A stratificational overlapping cluster scheme. Pattern Recogn. 18, 279-286. 14b. A. P. Demster, N. M. Laird, D. B. Rubin. Maximum Likelihood from Incomplete Data via the EM Algorithm 1977

37. JAIN, A. K. AND DUBES, R. C. 1988. Algorithms for Clustering Data. Prentice-Hall advanced reference series. Prentice-Hall, Inc., Upper Saddle River, NJ.

38. MITCHELL,T. 1997. MachineLearning. McGraw-Hill, Inc., New York,1. NY.

39. Neal, Radford; Hinton, Geoffrey (1999). Michael I. Jordan, ed. "A view of the EM algorithm that justifies incremental, sparse, and other variants". Learning in Graphical Models (Cambridge, MA: MIT Press): 355-368.

40. Meng, Xiao-Li; Rubin, Donald B. (1993). "Maximum likelihood estimation via the ECM algorithm: A general framework". Biometrika 80 (2): 267-278.

41. Jamshidian, Mortaza; Jennrich, Robert I. (1997). "Acceleration of the EM Algorithm by using Quasi-Newton Methods". Journal of the Royal Statistical Society: Series В (Statistical Methodology) 59 (2): 569-587

42. Gath I., Geva A.B. Unsupervised optimal Fuzzy Clustering // IEEE Trans. On Pattern Analysis and Machine Intelligence. 1989. № 11. P. 773-781.

43. Setnes M., Kaymak U. Extended Fuzzy c-Means with Volume Prototypes and Cluster Merging / Proceedings of the 6th European Conference on Intelligent Techniques and Soft Computing (EUFIT'98). Aachen, Germany, 1998. P. 1360-1364.

44. Stutz C. Partially Supervised c-Means Clustering with Cluster Merg-ing / Proceedings of the 6th European Conference on Intelligent Techniques. and Soft Computing (EUFIT'98). Aachen, Germany, 1998. P. 1725-1729.

45. Bezdek, James С. (1981), Pattern Recognition with Fuzzy Objective Function Algorithms,

46. J. C. Bezdek, J. M. Keller, R. Krishnapuram and N. R. Pal (1999). Fuzzy Models and Algorithms for Pattern Recognition and Image Processing, Springer, NY.

47. F. Hoppner, F. Klawonn, R. Kruse, T. Runkler (1999). Fuzzy Cluster Analysis. Wiley, Chichester.

48. Осовский С. Нейронные сети для обработки информации. М.: финансы и статистика, 2002

49. Растригин JI.A. Современные принципы управления сложными объектами. М.: Сов. радио, 1980.

50. Гхосал А. Прикладная кибернетика и ее связь с исследованием операций. М.: Радио и связь, 1982.

51. Эйкофф П. Основы идентификации систем управления. М.: Мир, 1975.

52. Райбман Н.С., Чадеев В.М. Построение моделей производства. -М.: Энергия, 1975.

53. Ицкович Э.Л. Контроль производства с помощью вычислительных машин. М.: Энергия, 1975.

54. Гроп Д. Методы идентификации систем. М.: Мир, 1979.

55. Себер Дж. Линейный регрессионный анализ. М.: Мир, 1980.

56. Дисперсионная идентификация /Под. ред. Н.С. Райбмана. М.: Наука, 1981.

57. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1981.

58. Цыпкин Я.З. Основы информационной теории идентификации. -М.: Наука, 1984.

59. Количественные методы финансового анализа/ Под ред. С Дж. Брауна и М.П.Ураумана. М.: ИНФА-М, 1996.

60. Вощинин А.П., Сотиров Г.Р. Оптимизация в условиях неопределенности. М.: Изд-во МЭИ, 1989.

61. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987.

62. Форрестер Дж. Мировая динамика. М.: Мир, 1978.

63. Дадаян B.C. Глобальные экономические модели. М.: Наука, 1981.

64. Горский В.Г. Планирование кинетических экспериментов. М.: Наука, 1984.

65. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978.

66. Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976.

67. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.

68. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М.: ТВП, 1997.

69. Уоссермен Ф. Нейрокомпьютерная техника М.: Мир, 1992.

70. Галушкин А.О. О современных направлениях развития нейрокомпьютеров// Нейрокомпьютер 1997 - № 1,2 - С.5-22.

71. Priestly М.В. Non-linear and поп stationary time series prediction. Lon-don: Academic Press, 1988.

72. Connor J., Atlas L. Recurrent neural networks and time series prediction// Proceeding IJCNN. 1991. V.l. P.301-306.

73. Круглов B.B., Борисов B.B., Харитонов Е.В. Нейронные сети: конфигурации, обучение, применение. Смоленск: МЭИ (фил-л в г. Смоленске), 1998.

74. Логовский А.С. Зарубежные нейропакеты: современное состояние и сравнительные характеристики// Нейрокомпьютер Ч 1998 № 1,2 -С. 13-26.

75. Катковник В.Я. Непараметрическая идентификация и сглаживание данных. М.: Наука, 1985.

76. Stone CJ. Nearest neighbor estimator of a nonlinear regression function // Proc. of Computer Sciences and Statistics: 8ht Annual Symposium on the Inter-face, Health Science Computer Faculty, UCLA, 1975. P.413-418.

77. Stone C.J. Consistent nonparametric regression// The Annals of Statistics. 1977. V. 5. № 4. P.595-645.

78. Cover T.M., Hart P.E. Nearest neighbor pattern classification// IEEE Trans, on Inform. Theory. 1967. V. IT-13. P.21-27.

79. Lancaster P., Saulkauskas K. Surfaces generated by moving least squiares methods // Mathematics of Computation. 1981. Y.37. N155. P.141-158.

80. Россия в цифрах. 2010: Краткий статистический сборник/Росстат М., 2010.

81. Российская экономика в 2009 году. Тенденции и перспективы. (Выпуск 31) М.: ИЭПП, 2010.

82. Торговля в России. 2009: Стат. сб./ Росстат. М., 2009.

83. Промышленность России. 2008: Стат.сб./ Росстат М., 2008.

84. Инвестиции в России. 2009: Стат.сб./ Росстат. М., 2009.

85. Динамика развития пищевой промышленности России ( 2001-2007 гг.) Автономная некоммерческая организация Федерация электронный ресурс. URL:Ссыка на домен более не работает?p=98

86. Департамент Смоленской области по промышленности электронный ресурс. URL: Ссыка на домен более не работает~depprom/index.php?option=com content&task=view&id=17&Itemid=30

87. Промышленность. Официальный сервер администрации города-героя Смоленска электронный ресурс. URL: Ссыка на домен более не работает invest/pasport/haract/manufact.html

88. Торговля. Официальный сервер администрации города-героя Смоленска электронный ресурс. URL: Ссыка на домен более не работаетinvest/pasport/ haract/torgo vl.html

89. Регионы России. Социально-экономические показатели. 2009: Стат. сб. / Росстат. М., 2009.

90. Регионы России. Основные характеристики субъектов Российской Федерации. 2008: Стат. сб. / Росстат. М., 2009.

91. Годовой отчет за 2008 год Смоленского открытого акционерного общества производителей спирта и ликероводочных изделий Бахус, Смоленск, 2008г. Сайт СОАО Бахус электронный ресурс. URL: Ссыка на домен более не работает

92. Анализ конкурентоспособности рынка акогольной продукции в России. Кузнецов С.В. Энциклопедия маркетинга электронный ресурс. Ч URL: Ссыка на домен более не работаетread/article/a39.htm

93. Рынок импорта акогольной продукции в Россию Энциклопедия маркетинга электронный ресурс. URL: Ссыка на домен более не работает mr/food/alcoholimport.htm

94. Россия и страны мира. 2008.: Стат.сб. / Росстат. М., 2008.

95. Точиева Л.Б. Обзор пищевой промышленности России: 2009 г электронный ресурс. URL: Ссыка на домен более не работаетproduction/obzor-pischevoy-promishlennosti/

96. Современное развитие пищевой промышленности в России электронный ресурс. URL: Ссыка на домен более не работаетrus/kitchen/facts /posts44/articll042/

97. Акогольный рынок. Россия: Аналитики предрекают в 2010 г. неменее, чем 10% падение рынка пива электронный ресурс. URL: Ссыка на домен более не работаетnews/read7icb224252

98. Акогольная ситуация в России. Необходимость структурного изменения акогольного рынка электронный ресурс. Ч URL: Ссыка на домен более не работаетtatalc2/?pg=3&bl=10&md=2&iddoc=9424

99. Акогольный рынок. Акцизы раздора электронный ресурс. -URL: Ссыка на домен более не работаетnews/read?id=224364

100. Деловой портал Красноярска. В России введены минимальные розничные цены на крепкий акоголь электронный ресурс. Ч URL: Ссыка на домен более не работаетnews/2010/06/01/alcohol/

101. Резолюция Конференции Российский рынок акогольной продукции: бизнес и социальная ответственность электронный ресурс. Ч URL: Ссыка на домен более не работаетindex.php/news/news-part/354-konference

102. Ismo Karkkainen and Pasi Franti. Stepwise Clustering Algorithm for Unknown Number of Clusters // University of Joensuu, Department of Computer Science, Report A-2002-5, 2005.

103. Davies DL, Bouldin DW, A cluster separation measure // IEEE Transactions on Pattern Analysis and Machine Intelligence 1979; 1(2): 224-227.

104. B.B. Круглов, М.И. Дли, Р.Ю. Голупов. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2000.

105. Бокс Дж., Дженкинс Г. Анализ временных рядов: Прогноз и управление. Вып. 1 и 2. М.: Мир, 1974.

106. Дли М.И., Круглов В.В., Осокин М.В. Локально-аппроксимационные модели социально-экономических систем и процессов. Ч М.: Наука. Физматлит, 2000.

107. Савченко В.В. Прогнозирование социально-экономических процессов на основе адаптивных методов спектрального оценивания// Автометрия 1999 - № 3 - с.99-108.

108. Статический анализ в экономике /Под ред. Г.Л.Громыко. М.: Изд-воМГУ, 1992.

109. Статистическое моделирование экономических процессов/ Под ред. Б.Б.Розина. Новосибирск: Изд-во НГУ, 1991.

110. Броуди М.Б. О статистическом рассуждении. М.: Статистика, 1968.

Похожие диссертации

• Инструменты функционирования рынка рыбной продукции в условиях развитой конкуренции
• Развитие рынка масличной продукции
• Развитие рынка мясной продукции скотоводства в Российской Федерации
• Государственное регулирование рынка акогольной продукции
• Инструменты прогнозирования конъюнктуры рынка текстильной продукции с использованием интелектуального фильтра Камана