«Офтальмология» в банковском бизнесе: как увидеть невидимое. Технология технологии рознь.

С тех пор как Смит в 1956 г. ввел в обиход понятие рыночной сегментации, практики стратегического планирования и представители академических кругов использовали данный подход для решения различных задач. Преимущества данной технологии кажутся бесспорными: полное описание и понимание рынка и рыночной динамики, точное предсказание реакций рынка на нововведения и рост вероятности выявления и использования новых рыночных возможностей. Все это привело к тому, что сегментация считается очень важным инструментом в маркетинге и стратегическом менеджменте. Однако практически все методы, используемые для сегментации, обладают рядом ограничений, без учета которых возникают проблемы, обусловленные ошибками как в результатах сегментации, так и их неправильной интерпретации.

Так, для сегментации в матричных методах — классическом стратегическом маркетинге - применяются две переменные, причем заранее заданные. В матричном подходе, созданном Бостонской консалтинговой группой (BCG-матрица), в качестве таких переменных используется доля рынка и темп ее роста. Оставив пока в стороне вопрос о «жестком» задании только двух переменных в качестве характеристик рыночной ситуации, остановимся на ряде не менее значимых проблем. Например, как оценить долю рынка? В методе, предложенном BCG, граница задается жестко на уровне 1,0. Если рыночная доля фирмы выше 1,0, то это расценивается как высокая доля, и, соответственно, если менее 1,0, как низкая. Таким образом, любая организация, чтобы добиться на рынке хорошего положения, должна завоевать на своем рынке долю, превышающую 1,0. Это достаточно жесткое решение.

Возникает вопрос о справедливости задания именно такой границы; почему, например, не провести границу на уровне 0,75 или 0,8? Заданная жесткость в формулировке границы, которая делит каждую из осей матрицы BCG на две половины, затушевывает тот факт, что большинство продуктов на рынках локализовано именно в районе этой жесткой границы. Это приводит к погрешностям при использовании ярких определений для продуктов типа «дойные коровы», «звезды», «собаки» и «вопросительные знаки». Очень часто продукты - лидеры рынка оказываются «звездами» в смысле прибыльности, а предприятия с невысокой относительной долей «собаками» или «знаками вопроса». Кроме того, данная матрица статична и не обладает прогностическими возможностями. А связь между долей рынка и прибыльностью не такая явная, как вытекает из эффекта кривой обучения. В силу чего большая удельная доля на рынке далеко не всегда означает более низкие удельные затраты.

Возвращаясь к вопросу о количестве переменных, используемых для сегментирования, отметим, что для всестороннего рассмотрения бизнес-контекста не всегда достаточно всего двух переменных. Чтобы избежать указанных недостатков, было разработано достаточно много альтернативных подходов: матрица «привлекательность отрасли — сильные стороны предприятия» (матрица General Electric), матрица «жизненный цикл» и др. Но все приверженцы матричного направления в сегментировании все же оперируют в пространстве только двух переменных, что ограничивает, а иногда может и искажать реально существующую на рынке картину. Для устранения этого недостатка при анализе внешней среды фирмы исследователям пришлось привлечь методы многомерной статистики, такие как кластерный анализ, факторный анализ, дискриминантный анализ и т.д.

Все данные методы опираются на понятие метрики — способа оценки похожести анализируемых объектов, основанном на измерении расстояний (похожести) в пространстве параметров, которыми характеризуются анализируемые объекты. Практически все эти методы используют при расчете расстояний (похожести) между объектами эвклидову метрику. Широкое использование методов многомерной статистики породило иллюзию простоты применения; методы представляются практикам как универсальная математическая машинка, выдающая результат при задании любых данных, характеризующих рыночную ситуацию. Однако обнаружилось, что и методы многомерной статистики не избавляют нас от необходимости четко осознавать границы применимости для избежания ошибочных толкований получаемых результатов. Практически все методы данной группы требуют задания ряда промежуточных параметров. Даже один и тот же метод на одном и том же множестве данных дает различные результаты.

Д. Ордоян