ژئومارکتینگ:رویکرد احتمالی در GIS

رویکرد احتمالی در GISعنوان پستی است که قرار است با شما به اشتراک بگذارم. امیدوارم که این پست مورد پسند شما قرار گیرد.مدلسازی رفتار فضایی مصرف کنندگان مستلزم در نظر گرفتن عناصر فضایی و غیر مکانی از طریق استفاده از یک تابع مفید است. سپس از مدلهای انتخاب مکانی صحبت می کنیم که فرمول کلی آن به شرح زیر است:

جایی که

– Uijکاربرد یک فروشگاه j برای مصرف کننده i است ؛

– ا جمع یاری برای جذابیت یک فروشگاه است j؛

– دیج فاصله بین فروشگاه j و مصرف کننده i را اندازه گیری می کند.

– aو bپارامترهایی هستند که به ترتیب منعکس کننده حساسیت مصرف کننده به جذابیت فروشگاه و فاصله هستند.

مهم است که آگاه باشیم که مطالعات جذابیت همیشه در سطح محصول انجام می شود. در مورد ماهیت محصولات، لنکستر (1966) اشاره کرد که:

– این محصول هیچ گونه کاربردی را برای مصرف کننده ارائه نمی دهد، اما دارای ویژگی هایی است که مطلوبیت را ایجاد می کند.

– یک محصول دارای چندین ویژگی است که در سایر محصولات نیز وجود دارد.

– محصولاتی که با یکدیگر ترکیب می شوند ممکن است دارای ویژگی ها و در نتیجه کاربردی متفاوت از ویژگی های محصولات جداگانه باشند.

در نتیجه، مطالعه جاذبه یک محصول خاص همیشه آسان نخواهد بود، بنابراین تمرکز بر نقاط فروش اهمیت دارد.

بر خلاف مدلهای قطعی، مدلهای انتخاب فضایی احتمالی بر اساس نظریه ترجیح آشکار در سطح فردی تعریف می شوند (ساموئلسون،1938). علاوه بر این، ترجیحاتی که رفتار فضایی مصرف کننده را مشروط می کند، مربوط به مکان ها، در این مورد، نقاط فروش است و از نظر تخصیص ارزیابی نمی شوند (Golledge و همکاران،1997).

2.2.1.2.1. مدل هاف

بر اساس مدل گرانش اساسی (Reilly،1931)، جذابیت فروشگاه با سطح فروش آن مشخص شد (Huff،1964). بر اساس این نظریه، یک فروشگاه با سطح فروش بزرگ که مجموعه ای عمیق تر و گسترده تر را ارائه می دهد، برای مشتری جذاب تر خواهد بود، زیرا او می خواهد با موافقت با مسافت بیشتر برای برآوردن نیازها و خواسته های خود، شعاع فعالیت خود را گسترش دهد. مصرف کننده در موقعیتی است که بین یک فاصله کمتر و اندازه فروشگاه و بنابراین یک مجموعه باریک تر، و از سوی دیگر، فاصله بیشتر و اندازه فروشگاه و در نتیجه مجموعه جذاب تری را انتخاب کند. در مدل هاف، فاصله با زمان دسترسی اندازه گیری می شود (از هزینه حمل و نقل نیز می توان استفاده کرد). علاوه بر این، ما احتمال بازدید مشتری از یک فروشگاه را در نظر می گیریم، این بدان معناست که این فرد برخلاف مدل قطعی به احتمال زیاد به چندین نقطه مختلف فروش می رود: او با توجه به سطح فروش این فروشگاه و مسافت در زمان سفر انتخاب می کند. بنابراین احتمال اینکه او مشتری یک نقطه فروش باشد، برابر است با نسبت مطلوبیت این فروشگاه و مجموع امکانات دیگر نقاط فروش. این انتخاب را می توان با فرمول زیر بیان کرد که احتمال و مطلوبیت را پیوند می دهد:

بسیاری از مطالعات تجربی بر اساس مدل هاف بوده و هستند. نرم افزار Geomarketing نباید بیش از حد باشد و با افزودن متغیرهایی غیر از جرم (سطح فروش) و فاصله زمانی، برنامه ای ساده یا گاهی کاملتر ارائه می دهد. جزئیات در فصل 4 ارائه شده است.

تعداد زیادی از مطالعات از مدل هاف با دو متغیر آن (سطح فروش و فاصله) برای تأیید جذابیت فروشگاه ها در منطقه بازار استفاده می کنند. اما در حقیقت، اغلب متغیرهای بیشتری وجود دارد که می تواند رفتار فضایی مصرف کنندگان را توضیح دهد. برخی از این متغیرها مربوط به فروشگاه هستند و می توانند در یک مدل جاذبه ادغام شوند (بخش 2.2.1.2.2، مدل MCI را ببینید) و برخی دیگر موقعیتی، محیطی و فردی هستند (Granbois،1984) و احتمالاً می توان آنها را از نظر جغرافیایی در نظر گرفت. تقسیم منطقه بازار می توان با ساختن گونه شناسی این سلول ها با توجه به متغیرهای این نوع، تقسیم این سلول ها را ساده کرد (Cliquet،1990، 1995).

برخی از نرم افزارهای بازاریابی جغرافیایی مدلهای Huff را با افزودن متغیرهای دیگر ادغام کرده اند. در این مورد، آیا شرایط نسبتاً شدید استفاده از این مدل همیشه رعایت می شود؟ به طور خاص برای مدل هاف، از آنجا که این مدل خطی نیست، برآورد ضرایب مربوط به اندازه و فاصله ذخیره با تکنیک های اقتصادسنجی متداول امکان پذیر نیست (هاف و باتسل،1975 ؛ فصل 4 را ببینید).

2.2.1.2.2. مدل MCI

مدل MCI (تعامل رقابتی چندگانه) (Nakanishi و Cooper،1974 ؛ Cliquet،1990) متغیرهای دیگری به غیر از فاصله و سطح فروش فروشگاه را ادغام می کند. این نه تنها بر اساس مدل هاف در طراحی آن، بلکه بر اساس سایر کارهای قبلی (Hlavac Jr. and Little 1966 ؛ Urban،1969 ؛ Kotler،1991) است. مدل MCI می تواند یک مدل فضایی یا “فضایی” باشد. جدول 2.1 لیستی از متغیرهایی را که محققان قبلاً در مدلهای نوع MCI برای چهار نوع خروجی مختلف ادغام کرده اند، ارائه می دهد.

جدول 2.1. متغیرهای مورد استفاده برای اعتبارسنجی مدلهای نوع MCI (منبع: Cliquet،1997b)

جدول 2.1 نشان می دهد که بسیاری از متغیرها در مدلهای MCI فضایی وارد شده اند، زیرا این مدل همچنین می تواند به صورت “فضایی” به عنوان یک مدل جاذبه برای تبلیغات (Nakanishi،1972) یا در علوم سیاسی (Nakanishi و همکاران،1974) استفاده شود. یکی از این متغیرها برای درک جذابیت خروجی بسیار مهم بود: تصویر فروشگاه (استنلی و سیوال 1976 ؛ جین و ماهاهان،1979 ؛ نوین و هوستون،1980)، زیرا مصرف کنندگان را در فواصل دورتر از آنچه انتظار می رود جذب می کند. مدلهای قطعی این تصویر می تواند هم به کیفیت و هم به قیمتها، خدمات ارائه شده، روشهای پرداخت، تعداد صندوقهای نقدی یا تعداد کارکنان مربوط باشد (جین و ماههاجان،1979). و مانند مدل هاف، مدل MCI یک مدل به اصطلاح تفکیک است زیرا احتمال ارائه آن فقط به یک مصرف کننده مربوط می شود. اما به آسانی می توان نتایج تجمعی را برای تعداد زیادی از افراد به سادگی با ضرب آنها بر اساس تعداد مصرف کنندگان در هر سلول همگن و همچنین با در نظر گرفتن ویژگی های اجتماعی و جمعیتی آنها (Cliquet،1990، 1995) به دست آورد تا بخشی از آنها پاسخ داده شود. برای اظهار نظر در مورد نیاز به معرفی متغیرهای خارجی در فروشگاه ها (Granbois،1984). سپس سهم بازار را با مزیت یک سازگاری منطقی واقعی به دست می آوریم، زیرا مجموع آنها برابر 1 (یا 100٪) است (Naert و Bultez،1973) که همیشه در مورد سایر مدلها صادق نبود (Weiss،1968؛ Lambin،1970؛ Wildt،1974) ) مدل MCI همچنین بر اهمیت تعاملات رقابتی تأکید می کند، زیرا “اثربخشی بازاریابی به آنچه رقبا انجام می دهند بستگی دارد” (کاتلر و دوبویس،1981).

سایر مدلهای تفکیک، مانند مدلهای انتخابی مجزا، به عنوان مثال، مدل MultiNomial Logit (MNL)، که از نظر ساختاری مشابه MCI است (کوپر و ناکانیشی، 1988)، برای نشان دادن رفتارهای انتخابی سوپر مارکت در طول زمان استفاده شده است ( بیش از 4 سال) و بیش از فضا (کانادا، ایالات متحده و نروژ) (Severin وهمکاران، 2001).

برگرفته از کتاب:

ژئومارکتینگ (بازاریابی مکان‌محور)

چطور با فاکتور مکان، سودآوری کسب و کارمان را افزایش دهیم؟

مترجم:دکتر سعید جوی زاده،مهندس زینب زرگری