Classification and Marketing Research

• Autorzy: Daniel Baier

Warianty tytułu

Klasyfikacja i badania marketingowe

• Języki publikacji: EN

Abstrakty

EN

Marketing research is one of most popular areas in which classification methods can be applied. Those methods are used to understand better customer behaviour, to recognize the capacity of a new product, to test new markets and to specify market segmentation. The paper constitutes a review of classification methods used in marketing research and several selected methodological improvements that have been triggered by this particular field of application. (JW)

Badania marketingowe są jednym z najbardziej popularnych obszarów zastosowań metod klasyfikacji, które są często wykorzystywane do rozmaitych kategorii zadań, jak na przykład segmentacji rynku, zrozumienia zachowań nabywców, rozpoznania możliwości nowego produktu, testowania nowych rynków lub ograniczania danych. Z drugiej strony właściwości tego obszaru zastosowań pobudziły badania nad dalszym rozwojem stosowanych metod. A zatem na przykład potrzeba lepszego podejścia do strukturyzacji i segmentacji rynku spowodowała postęp w rozwoju metody analizy skupień, analizy ukrytych kategorii i w regresji skupień, a ostatnio w klasyfikacji bayesowskiej. Artykuł stanowi przegląd stosowanych metod klasyfikacyjnych w badaniach marketingowych i niektórych wybranych udoskonaleń metodologicznych, które zostały pobudzone przez ten obszar zastosowań. (abstrakt oryginalny)

Słowa kluczowe

EN

Marketing research; Taxonomic methods; Literature review; Conference materials

PL

Badania marketingowe; Metody taksonomiczne; Przegląd literatury; Materiały konferencyjne

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia
• Rocznik: 2003
• Tom: 10
• Numer: nr 988 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 21--31

Twórcy

autor

Daniel Baier

Bibliografia

• Arabie P., Hubert L. (1996): Advances in Cluster Analysis Relevant to Marketing Research. [w:] Gaul W., Pfeifer D. (Eds.), From Data to Knowledge. Springer, Berlin, 3-19.
• Aust E., Gaul W. (1995): A Unifying Approach to Benefit Segmentation and Product Line Design Based on Rank Order Conjoint Data. [w:] Gaul W., Pfeifer D., (Eds.), From Data to Knowledge, Springer, Berlin, 289-297.
• Baier D. (1997): A Constrained Clusterwise Regression Procedure for Benefit Segmentation. [w:] Hayashi C. et al. (Eds.), Data Science, Classification and Related Methods, Springer, Heidelberg, 676-683.
• Baier D. (1999): Methoden der Conjointanalyse in der Marktforschungs- und Marketingpraxis. [w:] Gaul W., Schader M. (Eds.), Mathematische Methoden der Wirtschaftswissenschaften, Physica, Heidelberg, 197-206.
• Baier D., Gaul W. (1995): Classification and Representation Using Conjoint Data. [w:] Gaul W., Pfeifer D. (Eds.), From Data to Knowledge, Springer, Berlin, 298-307.
• Baier D., Gaul W. (2002): Market Simulation Using a Probabilistic Ideal Vector Model for Conjoint Data. [w:] Gustafsson A. et al. (Eds.), Conjoint Measurement: Methods and Applications, Springer, Berlin, 97-120.
• Baier D., Gaul W., Schader M. (1997): Two Mode Overlapping Clustering with Applications to Simultaneous Benefit Segmentation and Market Structuring. [w:] Klar R., Opitz O. (Eds.), Classification and Knowledge Organization, Springer, Berlin, 557-566.
• Bock H.H. (1969): The Equivalence of two Extremal Problems and its Application to the Iterative Classification of Multivariate Data. [w:] Conference Proceedings "Medizinische Statistik", Forschungsinstitut Oberwolfach, 23.2.- 1.3.1969.
• Castillo W., Trejos J. (2002): Two-mode Partitioning: Review of Methods and Application of Tabu Search. [w:] Jajuga K., Sokołowski A., Bock H.H. (Eds.), Classification, Clustering, and Analysis. Springer, Berlin, 43-51.
• DeSarbo W.S., Wedel M., Vriens M., Ramaswamy V. (1992): Latent Class Metric Conjoint Analysis, Marketing Letters 3, 273-288.
• Gaul W., Baier, D. (1994) : Marktforschung und Marketing Management, Oldenbourg, München.
• Gaul W., Schader M. (1996): A new Algorithm for Two-mode Clustering. [w:] Bock H.H., Polasek W. (Eds.), Data Analysis and Information Systems, Springer, Heidelberg, 15-23.
• Kamakura W. (1988): A Least Squares Procedure for Benefit Segmentation with Conjoint Experiments, Journal of Marketing Research, 25, 157-167.
• Otter T., Tüchler R., Frühwirth-Schnatter S. (2001): Bayesian Latent Class Metric Conjoint Analysis. [w:] Schwaiger M., Opitz O. (Eds.), Exploratory Data Analysis in Empirical Research, Spinger, Berlin, 157-169.
• Punj G., Stewart D. (1983): Cluster Analysis and Marketing Research, "Journal of Marketing Research", 20, 134-148.
• Sawtooth Software (1994): ACA System Version 4.0, Sawtooth Software Inc., Evanston, IL.
• Smith W. (1956): Product Differentiation and Market Segmentation as Alternative Marketing Strategies, "Journal of Marketing", 21, 3-8.
• Vriens M., Wedel M., Wilms T. (1996): Metric Conjoint Segmentation Methods: A Monte Carlo Comparison, "Journal of Marketing Research" 33, 73-85.
• Wedel M., Kamakura W.A. (1999): Market Segmentation: Conceptual and Methodological Foundations. Kluwer, Dordrecht.
• Wedel M., Kistemaker C. (1989): Consumer Benefit Segmentation Using Clusterwise Linear Regression, International "Journal of Research in Marketing", 6, 45- 59.
• Wedel M., Steenkamp J.-B. (1989): A Fuzzy Clusterwise Regression Approach to Benefit Segmentation, International "Journal of Research in Marketing", 6, 241-258.