The Means-End Approach in Market Segmentation - Clustering of Laddering Data

• Autorzy: Anna Myrda

Warianty tytułu

Podejście środków-celów w segmentacji rynku - analiza skupień danych drabinkowych

• Języki publikacji: EN

Abstrakty

EN

The objective of this paper was to present results of research on two methodological issues related to the clustering of laddering data. The first was the methods of aggregation of information from ladders generated by one respondent and the second was the measurement of ladders' dissimilarity. Two methods of aggregation of information from ladders were proposed, three sequence dissimilarity measures were presented and all combinations of them were used in the analysis. The clustered data originate from a research on Polish adolescents' online consumer behaviour wherein the means-end approach was used. 1004 high school students participated in the research. Data were clustered from 2 to 10 groups, six modes of analysis were used, thus 54 solutions were built. Solutions with the same number of groups were compared with the adjusted Rand index. Analysis indicates the influence of sequences dissimilarity measures and methods of aggregation of information from ladders on clustering results.(original abstract)

Celem artykułu było zaprezentowanie wyników badania dotyczącego dwóch metodologicznych zagadnień związanych z grupowaniem danych drabinkowych: sposobów agregowania informacji pochodzących ze wszystkich drabinek wygenerowanych przez jednego respondenta oraz metod pomiaru niepodobieństwa drabinek. Zaproponowano dwie metody agregacji informacji z drabinek, przedstawiono trzy miary niepodobieństwa sekwencji, a następnie wszystkie ich kombinacje wykorzystano w trakcie grupowania. Analizowane dane pochodziły z badania dotyczącego zachowań konsumenckich młodzieży w Internecie. W badaniu uczestniczyło 1004 uczniów ostatnich klas publicznych szkół średnich z Małopolski. Dane były dzielone na od 2 do 10 grup. Wykorzystano sześć sposobów analizy powstałych z kombinacji dwóch metod agregacji danych z drabinek i trzech miar niepodobieństwa sekwencji; zbudowano 54 rozwiązania. Modele mające tę samą liczbę grup porównano za pomocą skorygowanego indeksu Randa. Zarówno użyte miary niepodobieństwa sekwencji, jak i metody agregacji danych znacznie wpływały na ostateczne wyniki grupowania. (abstrakt oryginalny)

Słowa kluczowe

EN

Cluster analysis; Econometrics

PL

Analiza skupień; Ekonometria

• Czasopismo: Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2016
• Numer: nr 4 (54)
• Strony: 72--81

Twórcy

autor

Anna Myrda

• Cracow University of Economics

Bibliografia

• Baker S., Thompson K., Engelken J., 2004, Mapping the values driving organic food choice: Germany vs UK, European Journal of Marketing Communication, 8(1), pp. 19-30.
• Bottschen G., Thelen E., Pieters R., 1999, Using means-end structures for benefit segmentation, European Journal of Marketing, 33(1/2), pp. 38-58.
• Domurat A., 2009, Identyfikacja wartości osobowych w badaniach psychologicznych. Wartości jako cele działań i wyborów, Wydawnictwo UW, Warszawa.
• Elzinga C.H., 2003, Sequence similarity: a nonaligning technique, Sociological Methods and Research, 32(1), pp. 3-29.
• Elzinga C.H., 2007, Sequence analysis: Metric representations of categorical time series, Technical Report, Department of Social Science Research Methods. Vrije Universiteit, Amsterdam.
• Fotopoulos C., Krystallis A., Ness M., 2003, Wine produced by organic grapes in greece: using means-end chains analysis to reveal organic buyers purchasing motives in comparison to the non-buyers, Food Quality and Preferences, 14, pp. 549-566.
• Gabadinho A., Ritschard G., Müller N.S., Studer M., 2011, Analyzing and visualizing state sequences in R with TraMineR, Journal of Statistical Software, 40(4), pp. 1-37.
• Gabadinho A., Ritschard G., Studer M., Muller N.,2011, Mining sequence data in R with the TraMineR package: A user's guide, http://mephisto.unige.ch/pub/TraMineR/doc/1.2/TraMineR-1.2-Users-Guide.pdf (23.05.2015).
• Gruber T., Szmigin I., Reppel A., Voss R., 2008, Designing and conducting online interviews to investigate interesting consumer phenomena, Qualitative Marketing Research: An International Journal, 1193, pp. 256-274.
• Grunert K., 1995, Food quality: a means-end perspective, Food Quality and Preferences, 6, pp. 171-176.
• Grunert K., Grunert S.C., 1995, Measuring subjective meaning structures by the laddering method: theoretical considerations and methodological problems, International Journal of Research in Marketing, 12(3), pp. 209-225.
• Gutman J., 1982, A means-end chain model based on consumer categorization process, Journal of Marketing, 46(2), pp. 60-72.
• Gutman J., 1984, Analyzing Consumer Orientation towards Beverages through Means-End Chain Analysis, Psychology and Marketing, 1(3/4), pp. 23-43.
• Hamming R.W., 1950, Error-detecting and error-correcting codes, Bell System Technical Journal, 26, pp. 147-160.
• Hubert L., Arabie P., 1985, Comparing partitions, Journal of Classification, 2, pp. 193-218.
• Kąciak E., 2011, Teoria środków - celów w segmentacji rynku. Studium metodologiczno-empiryczne, Oficyna a Wolters Kluwer business, Warszawa.
• Kotler P., 2005, Marketing, wydanie 11, Rebis, Poznań.
• Lesnard L., 2006, Optimal Matching and Social Sciences, Série des Documents de Travail du CREST, Institut National de la Statistique et des Etudes Economiques, Paris.
• Levenshtein V.I., 1966, Binary codes capable of correcting deletions, insertions and reversals, Soviet Physics Doklady, 10(8), pp. 707-710.
• Mentzer J., Rutner S., Matsuno K., 1997, Application of the means-end value hierarchy model of understanding logistics services quality, International Journal of Psychical Distribution and Logistics Management, 27(9/10), p. 230-243.
• Olson J., Reynolds T., 2001, The Means-End Approach to Understanding Consumer Decision Making, [in:] Reynolds T., Olson J. (eds.), Understanding Consumers Decision Making: The Means-End Approach to Marketing and Advertising Strategy, Lawrence Earlbaum Associates, Mahwah, NJ, pp. 3-20.
• Reppel A., Szmigin I., Gruber T., 2006, The iPod phenomenon: identifying a market leaders secrets through qualitative marketing research, Journal of Product and Brand Management, 15(4), pp. 239-249.
• Reynolds T., Gutman J., 2001, Laddering Theory, Method, Analysis and Interpretation, [in:] Rey- nolds T., Olson J. (eds.), Understanding Consumers Decision Making: The Means-End Approach to Marketing and Advertising Strategy, Lawrence Earlbaum Associates, Mahwah, NJ, pp. 25-62.
• Reynolds T., Rohon J., 2001, Consumer Segmentation Based on Cognitive Orientations: the Chem- -Lawn Case, [in:] Reynolds T., Olson J. (eds.), Understanding Consumers Decision Making: The Means-End Approach to Marketing and Advertising Strategy, Lawrence Earlbaum Associates, Mahwah, NJ, pp. 283-298.
• Santos J.M., Embrechts M., 2009, On the Use of the Adjusted rand Index as a Metric for Evaluating Supervised Classification, [in:] Artificial Neutral Networks - ICANN 2009, C. Alippi, M. Poly carpou, Ch. Panayiotou, G. Ellinas (eds.), Springer, pp. 175-184.
• Walesiak M., 2000, Segmentacja rynku. Kryteria i metody, [in:] Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych, A. Zaliś (ed.), Wydawnictwo AE, Kraków, pp. 191-201.
• Walesiak M., Dudek, A., 2015, Searching for Optimal Clustering Procedure for a Data Set, https://cran.r-project.org/web/packages/clusterSim/clusterSim.pdf. (20.01.2015).
• Wedel M., Kakamura W., 1998, Market Segmentation: Conceptual and Methodological Foundations, Kluwer Academic Publishing, Norwell.

Identyfikatory

DOI

10.15611/ekt.2016.4.05