MDS를 활용한 시장 세분화
- 콜라, 사이다, 물, 주스 등 음료수를 객관적인 특성으로 분류할 수 있음
- 탄산: 콜라, 사이다
- 투명: 사이다, 물
- 그러나 소비자들에게 제품들은 객관적인 특성에 의해서만 분류되지 않음
- 학교에서는 콜라, 사이다보다는 건강에 해를 끼치지 않는 물, 주스를 제공할 것 같음
- 물과 주스는 객관적인 특성만 보면 다른 제품이지만 소비자들이 비슷하다라고 느낀다면 마케팅을 할 때 물의 경쟁 상대는 주스가 될 수도 있음
- 따라서 마케팅을 할 때는 객관적인 특성도 중요하지만 심리적인 특성도 고려해야 함
실습1
음료수 간의 주관적인 거리 행렬 만들기(1~5점)
| 콜라 | 사이다 | 물 | 주스 | |
|---|---|---|---|---|
| 콜라 | 0 | 2 | 5 | 3 |
| 사이다 | 2 | 0 | 3 | 2 |
| 물 | 5 | 3 | 0 | 1 |
| 주스 | 3 | 2 | 1 | 0 |
| - 숫자가 크면 거리가 멀고 유사성이 떨어진다는 뜻 | ||||
| - 숫자가 작으면 거리가 가깝고 유사성이 높다는 뜻 |
-> 엑셀로 만들어 csv 파일로 저장해 R로 불러오면 됨
cmdscale을 통해 메트릭 MDS 시행
cmdscale(d)
[,1] [,2] [1,] -2.5378165 -0.33255314 [2,] -0.6607996 0.86464887 [3,] 2.4480556 0.07468104 [4,] 0.7505604 -0.60677677
- d: 불러온 데이터
- 숫자들이 주관적인 거리이기 때문에 메트릭보다 넌메트릭이 더 적당함
isoMDS을 통해 넌메트릭 MDS 시행
library(MASS)
mds = isoMDS(d)
mds$points
initial value 1.928240 final value 0.000000 converged
[,1] [,2] [1,] -2.4521328 -0.29996730 [2,] -0.7948391 0.88577426 [3,] 2.4822099 0.06673524 [4,] 0.7647620 -0.65254220
plot(mds$points, type = 'n')
text(mds$points, c('C', 'Y', 'W', 'J'))
- 가운데가 비어있으니까 중간에 위치할 만한 신제품을 새로 만드는 전략을 짤 수 있음
- 콜라는 잘 팔리는데 사이다가 잘 팔리지 않는다면 사이다의 특성을 콜라쪽으로 옮겨서 마케팅을 해볼 수도 있음
- 건강에 많은 사람들이 관심이 있다면 콜라와 사이다의 특성을 물과 주스 방향으로 옮겨 마케팅을 해볼 수도 있음
- 제품이 훨씬 많으면 더 많은 전략을 구상하기 쉬움
실습2
- 단점: 제품이 많아지면 거리를 구하기 어려워짐
- 제품 간 거리를 측정하지 말고 각 음료에 대한 선호도를 구하면 됨
| A | B | C | |
|---|---|---|---|
| 콜라 | 5 | 1 | 1 |
| 사이다 | 1 | 3 | 1 |
| 물 | 2 | 5 | 4 |
| 주스 | 3 | 4 | 5 |
-> 엑셀로 만들어 csv 파일로 저장해 R로 불러오면 됨
거리 구하기
d = dist(pref)
d
1 2 3 2 4.472136 3 5.830952 3.741657 4 5.385165 4.582576 1.732051
- 물과 주스의 거리가 가까움
- 물에 점수를 낮게 주는 사람은 주스에도 점수를 낮게 준다는 뜻
- 콜라와 물의 거리가 멂
- 콜라와 물은 선호가 갈리는 제품임
isoMDS을 통해 넌메트릭 MDS 시행
mds = isoMDS(d)
plot(mds$points, type = 'n')
text(mds$points, c('C', 'Y', 'W', 'J'))
initial value 0.000000 final value 0.000000 converged
- 콜라와 사이다는 탄산 음료지만 마케팅을 다르게 해야 함