Hoofdstuk 4 Resultaten en analyse
4.3 Marktsegmentatie
4.3.1Resultaten clusteranalyse
In deze paragraaf wordt uitgelegd hoe de markt gesegmenteerd is en wat de resultaten daarvan zijn. Aan de hand van resultaten van het kwantitatieve onderzoek zijn er clusters gevormd via
clusteranalyse in SPSS. De tien mogelijke drivers van klantwaarde uit het kwantitatieve onderzoek zijn als clustervariabelen gebruikt.
Er is gekozen voor de Ward’s methode om de respondenten te clusteren. Dit is een hiërarchische clustermethode. Deze methode heeft volgens Malhotra (2003) het voordeel dat deze robuustere uitkomsten oplevert dan andere hiërarchische methoden. Ward’s methode clustert respondenten door de variantie in ieder cluster te minimaliseren.
In figuur 4.1 wordt de error coëfficiënt per hoeveelheid clusters weergegeven. Deze daalt niet opmerkelijk veel bij een bepaalde hoeveelheid clusters; grafisch is er dus geen optimale hoeveelheid clusters vast te stellen.
Figuur 4.1: elbow plot
Daarom is gestart met twee clusters en dit is steeds uitgebreid met een cluster en per resultaat zijn de veranderingen bestudeerd. Wanneer er een cluster bij kwam en deze bleek nog onderscheidend, is er doorgegaan met het proberen van nog een extra cluster. Bij vijf clusters bleken deze relatief klein te worden en moeilijk identificeerbaar. In dergelijke gevallen is het verstandig niet te veel clusters te gebruiken, omdat er dan weinig verschillen zichtbaar zullen zijn (Malhotra 2003). Bovendien hebben individuele clusters in dat geval geen uitgesproken identiteit en zijn ze dus moeilijk te bewerken.
Van de vijf clusters bleek één cluster te bestaan uit één respondent. Na bestudering van de data bleek de betreffende respondent antwoorden te hebben gegeven die de indruk wekken dat deze respondent de vragenlijst op een andere manier heeft geïnterpreteerd dan de andere respondenten en dat de antwoorden om die reden niet vergelijkbaar zijn met die van andere respondenten. Aangezien dit ‘segment’ absoluut niet substantieel is, wordt de respondent die dit cluster vormt voor de clustering op gedragsvariabelen niet meegenomen. Er is verder gewerkt met vier clusters. In tabel 4.3 staat de verdeling van de respondenten over de clusters.
28
Aantal respondenten per cluster Percentage respondenten per cluster (%)
Cluster 1 27 17,80% Cluster 2 60 39,50% Cluster 3 31 20,40% Cluster 4 33 21,70% Cluster 5 1 0,60% Totaal 152 100%
Tabel 4.3: Uitkomsten Ward methode
Om de betrouwbaarheid van deze methode te testen is er ook geclusterd met de complete-linkage methode, deze leverde geen grote afwijkingen op (bijlage V, tabel 1). Ook hier bestaat cluster 5 uit één respondent. Daardoor is er verder gewerkt met de uitkomsten van de Ward methode. 4.3.2 Resultaten discriminantanalyse
Om de gevonden clusters te testen of de respondenten in de juiste clusters terecht zijn gekomen en welke variabelen het sterkst de clusters onderscheiden, is een discriminantanalyse uitgevoerd. In het eerste deel van de discriminantanalyse zijn clustervariabelen gebruikt om de resultaten van de clusteranalyse te testen. In het tweede deel wordt onderzocht welke clusters welke klantwaarde bezitten.
Discriminantanalyse test de resultaten tegen de wilks’ lambda verdeling, dat wel of niet significante resultaten oplevert. Dat de discriminantanalyse significante resultaten oplevert, wil zeggen dat het lidmaatschap van een cluster op basis van variabelen te voorspellen is.
De voorspellingen van de discriminantanalyse in welke clusters de respondenten terechtkomen zijn vergeleken met de uitkomsten van de clusteranalyse. In tabel 4.4 (Classification results) staan de resultaten.
Predicted group membership discriminant analysis
1 2 3 4 Ward cluster 1 22 3 2 0 Ward cluster 2 2 55 3 0 Ward cluster 3 1 2 26 2 Ward Cluster 4 1 0 4 28 Ungrouped cases 0 1 0 0
Tabel 4.4: vergelijking uitkomsten discriminant- en clusteranalyse
Zoals te zien is, komen over het algemeen de voorspellingen van de Ward methode en de
discriminantanalyse in relatief grote mate overeen: 86,8% van de respondenten wordt door cluster- en discriminantanalyse in hetzelfde segment geplaatst. De clusters kunnen goed gediscrimineerd worden door de clustervariabelen. Dit viel te verwachten aangezien in deze stap van de
discriminantanalyse dezelfde variabelen gebruikt zijn als in de clusteranalyse. Bij cluster drie is in absolute aantallen een lichte afwijking te zien, hier komen de resultaten minder goed overeen. In de grafiek Canonical discriminant functions (bijlage V, figuur V.1) is te zien dat cluster 3 een beetje in het midden ligt van de andere drie clusters. Cluster 2 ligt dicht bij 3. Dit laat de minder onderscheidende kracht van deze clusters zien. Omdat het grootste deel van de respondenten door beide methoden aan dezelfde clusters wordt toegewezen kan aangenomen worden dat er verder gewerkt kan worden met de ontstane clusters.
29
Welke clustervariabelen hebben de grootste invloed op welke respondent in welk cluster terecht komt? De SPSS tabellen staan in bijlage V. Uit de tabel Eigenwaardes discriminantanalyse (tabel 4.5) blijkt dat de variabelen die in functie 1 het hoogst scoren, de grootste invloed hebben op de
toewijzing van respondenten aan clusters (Functie 1: 71,6%, functie 2: 19,5%, functie 3: 8,9%).
Eigenvalue % of Variance Cumulative % Canonical Correlation
Functie 1 3,095a 71,6 71,6 0,869
Functie 2 0,842a 19,5 91,1 0,676
Functie 3 0,386a 8,9 100 0,528
a: First 3 canonical discriminant functions were used in the analysis
Tabel 4.5: Eigenwaardes discriminantanalyse
Uit tabel 4.6 blijkt dat alle drie de functies significant zijn (alle drie λ = 0,000 bij α = 0,05). Dit betekent dat alle drie de functies gebruikt mogen worden.
Wilk's Lambda Chi-square df Sig. Functies 1 - 3 0,096 335,572 30 0,000 Functies 2 - 3 0,392 133,986 18 0,000 Functie 3 0,722 46,641 8 0,000
Tabel 4.6: Significatietest discriminantanalyse
In de structure matrix (tabel 4.7) is met een ‘*’ aangegeven welke drivers met welke functie de hoogste correlatie hebben. Met andere woorden: in welke functie zijn de drivers het sterkst
aanwezig. Bij de beschrijving van de functies in de volgende alinea staat tussen haakjes de canonieke correlatie. Deze geeft aan hoe sterk de driver discriminerend is (tabel 4.8). Hoe hoger deze waarde, des te groter de kans dat wanneer een respondent hoog scoort op de betreffende driver deze in een bepaald cluster terecht komt.
Structure matrix
Functie1 Functie 2 Functie 3 De mogelijkheid tot netwerken moet aanwezig zijn 0,543* 0,254 -0,198
De afstand tot de locatie mag niet te ver zijn voor deelnemers 0,512* 0,082 -0,090
Het evenement moet leerzaam zijn 0,284* -0,100 -0,199
De locatie moet flexibel met mijn wensen omgaan -0,008 0,442* 0,437
Het evenement moet ontspanning bieden -0,287 0,424* -0,071
De activiteit moet exclusief en bijzonder zijn, anders dan
anders 0,04 0,294* -0,147
Het bedrijfsevenement moet tot in de puntjes verzorgd zijn 0,085 0,187* -0,052
De mogelijkheid tot netwerken moet aanwezig zijn 0,033 0,424 -0,530*
De locatie moet passen bij de identiteit van onze organisatie 0,223 0,179 0,519*
De activiteit moet passen bij de identiteit van onze organisatie 0,263 0,263 0,419*
*Largest absolute correlation between each variable and each discriminant function
30
Standardized Canonical Discriminant Function Coefficients
Functie 1 Functie 2 Functie 3
De mogelijkheid tot netwerken moet aanwezig zijn -0,043 0,137 -0,051
De afstand tot de locatie mag niet te ver zijn voor deelnemers 0,361 0,273 0,320
Het evenement moet leerzaam zijn -0,474 0,526 -0,061
De locatie moet flexibel met mijn wensen omgaan -0,251 0,53 0,478
Het evenement moet ontspanning bieden -0,037 0,613 -0,431
De activiteit moet exclusief en bijzonder zijn, anders dan
anders 0,584 -0,085 0,075
Het bedrijfsevenement moet tot in de puntjes verzorgd zijn 0,201 0,219 -0,217
De mogelijkheid tot netwerken moet aanwezig zijn 0,630 0,195 -0,46
De locatie moet passen bij de identiteit van onze organisatie 0,381 -0,285 0,049
De activiteit moet passen bij de identiteit van onze
organisatie 0,066 0,277 0,569
Tabel 4.8: Canonieke correlaties discriminantanalyse
Functie 1: de mogelijkheid tot netwerken (0,630), de activiteit moet exclusief en bijzonder zijn (0,584) en ‘de locatie moet passen bij de identiteit van de organisatie’(0,381). Omdat het discriminerend vermogen van functie 1 relatief groot is (71,6%), zijn de eerste twee genoemde drivers dus relatief sterk discriminerend tussen de clusters.
Functie 2: de afstand tot het evenement (0,530), het evenement moet leerzaam zijn (0,526), het evenement moet tot in de puntjes verzorgd zijn (0,219) en de uitstraling van de locatie (0,137). Functie 3: het evenement moet ontspanning bieden (-0,431), de activiteit moet passen bij de identiteit van de organisatie (0,569) en de locatie moet flexibel met mijn wensen omgaan (0,320). Nu duidelijk is welke drivers hoog scoren in welke functie, moet uitgezocht worden welke clusters relatief sterk correleren met welke functie. Dit gebeurt door vergelijking van bovenstaande uitkomsten met de group centroids (tabel 4.9).
Functions at group centroids
Functie 1 Functie 2 Functie 3
Cluster 1 0,234 1,933 -0,076
Cluster 2 -1,752 -0,335 0,368
Cluster 3 0,150 -0,528 -1,150
Cluster 4 2,853 -0,477 0,473
Tabel 4.9: Functies discriminantanalyse
Hieruit blijkt dat in functie 1 cluster 4 zeer hoog scoort (2.853). Dit houdt in dat wanneer een respondent hoog scoort op de significante drivers in functie 1, hij een grote kans heeft om in cluster 4 terecht te komen. Cluster 2 heeft een grote negatieve centroid (-1,752). Dit houdt in dat wanneer een respondent laag scoort (geen waarde hecht aan die driver) op de significante drivers van functie 1, hij een grote kans heeft in cluster 2 terecht te komen. De centroids van clusters 1 en 3 zijn 0,234 en 0,150. Deze zijn niet heel groot te noemen.
Functie 2: De group centroid van cluster 1 (1,933) is zeer groot. De centroids van de clusters 2,3,4 zijn negatief en liggen dicht bij elkaar (-0,335, - 0,528 en –0,477).
Functie 3: Clusters 2 en 4 hebben een relatief hoge positieve centroid: 0,368 en 0,473. Cluster 3 wordt duidelijk onderscheiden door de drivers in functie 3. (-1,150). Cluster 1 is neutraal te noemen ten opzichte van de drivers die door deze functie onderscheiden worden (-0,076).
31
Conclusie: Hieronder wordt per cluster aangegeven wat naar alle waarschijnlijkheid de klantwaarde zal zijn. Welke aspecten zijn voor het cluster belangrijk en welke zijn onbelangrijk.
Cluster 1: hecht veel waarde aan de afstand tot het evenement welke niet te ver mag zijn en de leerzaamheid van het evenement. De exclusiviteit en de mogelijkheid tot netwerken zijn belangrijk, maar in mindere mate.
Cluster 2: hecht veel waarde aan de flexibiliteit van de aanbieder en dat de activiteit moet passen bij de identiteit van de organisator van het evenement. Men hecht weinig waarde aan de mogelijkheid tot netwerken en de exclusiviteit van het evenement.
Cluster 3 hecht veel waarde aan de eis dat het evenement ontspanning moet bieden. Hecht weinig waarde aan de flexibiliteit van de aanbieder en dat de activiteit moet passen bij hun identiteit. Cluster 4: hecht veel waarde aan de mogelijkheid tot netwerken, de exclusiviteit van het evenement en dat de locatie moet passen bij de identiteit van de organisatie. Men hecht weinig waarde aan de afstand tot het evenement en leerzaamheid.
4.3.3 Segmentidentificatie
Nu de clustervariabelen getest zijn, worden in deze paragraaf identificatievariabelen op hun onderscheidend vermogen getest. In eerste instantie zijn de interval- en ratiovariabelen uit de vragenlijst gebruikt als onafhankelijke variabelen in een tweede discriminantanalyse. De discriminantanalyse leverde geen bruikbare resultaten op. Een reden hiervoor kan zijn dat er onvoldoende interval- en ratiovariabelen in de vragenlijst zijn opgenomen. Hierdoor ontbreekt de interactie tussen de variabelen, welke multi-variate technieken zoals discriminantanalyse zijn kracht geeft.
Aangezien multi-variate methoden geen goede oplossingen gaven, is verder gegaan met uni-variate methoden. Het is geen optimale oplossing omdat deze analyses de interactie tussen variabelen niet gebruiken. Maar om een completer beeld van de clusters te krijgen moeten meer kenmerken geanalyseerd worden. In de data zijn veel identificatievariabelen aanwezig. Deze zijn allemaal nominaal geschaald en daarom is een chi-kwadraat toets uitgevoerd om te testen of de clusters op deze variabele significant van elkaar verschillen.
Voor de nominaal geschaalde variabele bedrijfstak zal nu kort ter illustratie uitgelegd worden op welke manier deze is geanalyseerd. Voor de analyse is een chi-kwadraat toets gebruikt. Uit deze analyse bleek dat de clusters significant verschillen op basis van bedrijfstak (χ² = 0,01). Er zaten wel nul-waarden in, waardoor de chi-kwadraat toets niet valide is. Het kan bijvoorbeeld zijn dat er zich in cluster 1 geen organisatie uit de bouwnijverheid bevindt. De variabelen met nulwaarden geven vermoedelijk een minder ‘harde’ onderscheidendheid bij de segmentcreatie. Alle variabelen zijn op deze manier beoordeeld.
In tabel 4.10 staan de resultaten van de chi-kwadraattoetsen op de identificatie variabelen. In de laatste kolom wordt een oordeel gegeven over in welke mate deze variabelen geschikt zijn om segmenten mee te creëren. In de bijlagen V.2 tot en met V.4 staan de verdelingen per segment van de variabelen die geschikt zijn voor segmentidentificatie. De beschrijving van de gevonden
32 χ² (bij α=0,05) Nulwaarden Significant Geschikt voor identificatie segmenten
Bedrijfstak (18) 0,010 ja ja +
Provincie (21) 0,154 nee nee -
Wie is eindbeslisser (14) 0,622 nee nee -
Optimale periode (16) 0,063* ja nee +/-
Beslissingsperiode (17) 0,000 ja ja +
Leidinggevend (19) 0,001 nee ja ++
Aantal werknemers (20) 0,542 nee nee -
Tabel 4.10: resultaten chi-kwadraat toetsen op identificatie variabelen (*= wel significant bij α=0,10, niet bij α=0,05 )
Naast bovenstaande variabelen zijn er in de vragenlijst vragen opgenomen waarop respondenten meerdere antwoorden konden geven. Deze zijn in de huidige vorm niet bruikbaar in de analyses gebruikt in deze paragraaf. Een mogelijkheid zou kunnen zijn om ze te transformeren tot meerdere dummy variabelen. Wanneer er dummy variabelen gemaakt zouden worden van deze variabelen, dan worden dit er zo veel dat een overzichtelijke verwerking zeer moeilijk wordt. Om toch een idee te krijgen wat voor soort bedrijfsevenementen in de segmenten georganiseerd worden is de vraag ‘wat organiseert men’ kwalitatief geïnterpreteerd. Het nadeel hiervan is dat de uitkomsten hiervan minder betrouwbaar zijn dan statistisch significante resultaten omdat de interpretatie afhankelijk is van de inzichten van de onderzoeker.
4.3.4 Aantrekkelijkheidbepaling
Naast de identificatievariabelen uit de vorige paragraaf zijn er in de vragenlijst ook variabelen aanwezig die gedragskenmerken van segmenten kunnen beschrijven. Deze variabelen kunnen uitsluitsel geven hoe aantrekkelijk het betreffende segment is om te gaan bewerken. In tabel 4.11 staan de resultaten van de chi-kwadraat toetsen die zijn uitgevoerd op de variabelen. Deze zijn op dezelfde wijze geanalyseerd als de identificatievariabelen in de vorige paragraaf. De variabelen in tabel 4.12 zijn interval of ratio geschaald. Om de onderscheidendheid van de segmenten op deze variabelen te testen is variantieanalyse gebruikt. In de bijlagen V.5 tot en met V.12 staan de verdelingen per segment van de variabelen die geschikt zijn voor aantrekkelijkheidbepaling. De variabele ‘gewenste manier van communiceren’ is kwalitatief geïnterpreteerd. De reden hiervoor is gelijk als voor de variabele ‘wat organiseert men’, zoals beschreven in de vorige paragraaf.
χ²
(bij α=0,05) Nulwaarden Significant
Geschikt voor aantrekkelijkheid-bepaling
Niet op de hoogte wel interesse in
DPE (10) 0,000 ja ja +
Op de hoogte worden gehouden (21) 0,015 nee ja ++
Op de hoogte mogelijkheden DPE (9) 0,663 nee nee -
Aantal deelnemers (6) 0,490 ja nee --
Gewenste reistijd (7) 0,044 ja ja +
Gewenste uitgaven (8) 0,000 nee ja ++
33
Tabel 4.12: resultaten variantieanalyse op gedragsvariabelen (* = wel significant bij α=0,10, niet bij α=0,05)
Nu duidelijk is welke variabelen geschikt zijn om te bepalen welk segment welk gedrag vertoond, kunnen de segmenten beschreven worden. De segmentatie voldoet aan de meeste
segmentatiecriteria opgesteld door Kotler (2003), zoals beschreven in het theoretisch kader
(paragraaf 2.4). Het criterium de stabiliteit van de segmenten is moeilijk in te schatten; de mate van dynamiek van de segmentatievariabele klantwaarde is niet exact duidelijk.
4.3.5 Beschrijving van de segmenten
In deze paragraaf worden aan de hand van de resultaten van de discriminantanalyse en van de uni-variate testen de vier gevonden segmenten beschreven. Zowel identificatievariabelen als
gedragsvariabelen worden gebruikt om een compleet beeld van de gevonden segmenten te geven. Segment 1
Deze groep hecht veel waarde aan de afstand tot het evenement (die niet te ver mag zijn) en de leerzaamheid van het evenement. De exclusiviteit en de mogelijkheid tot netwerken zijn belangrijk, maar in mindere mate. Deze groep is veeleisend: ze scoren gemiddeld erg hoog op de meeste drivers van klantwaarde.
Bij een keuze voor DPE is de interactie met dieren een belangrijk criterium om wel of niet een evenement te organiseren. DPE onderscheid zich voor deze organisaties dat men deze mogelijkheid biedt binnen bedrijfsevenementen. Uit de analyse van de eerste drie variabelen uit vraag 11 (in welke mate onderscheidt DPE zich door criterium x) in combinatie met de clusters blijkt dat dit segment DPE sterk onderscheidend vindt van andere aanbieders van bedrijfsevenementen. De meeste organisaties in dit segment zijn dienstverleners en industriële ondernemingen. Deze groep bevat meer personen met dan zonder leidinggevende functie. Er is weinig onderscheid te zien wie de eindbeslisser is, commercieel of algemeen management.
De groep lijkt erg open te staan voor een bedrijfsevenement in een dierenpark. De meeste organisaties zijn bereid tot €50,- per bezoeker uit te geven.
Dit segment organiseert veel bedrijfsevenementen en is sterk geneigd om meerdere malen een bedrijfsevenement op dezelfde locatie te organiseren wanneer er voldoende variatie in het aanbod is. De beslissingen over bedrijfsevenementen worden zeer vaak gemaakt in de periode oktober – december.
Dit segment organiseert veel klantendagen. Email en persoonlijk contact worden als communicatiemiddel gewaardeerd.
ANOVA
(bij α=0,05) Significant Geschikt voor aantrekkelijkheidbepaling
Meerdere malen zelfde soort evenement (3) 0,554 nee -
Meerdere malen op zelfde locatie (4) 0,097* nee +/-
Hoe vaak per jaar bedrijfsevenement (5) 0,087* nee +/-
DPE is omgevingsbewust (11.1) 0,049 ja ++
Mogelijkheid tot interactie met dieren (11.2) 0,002 ja ++
DPE heeft positieve uitstraling (11.3) 0,092* nee +/-
DPE heeft goede uitstraling (11.4) 0,248 nee -
34
Segment 2
Deze groep legt weinig nadruk op exclusiviteit. Ontspanning is ook niet zo belangrijk. Het segment hecht veel waarde aan: de flexibiliteit van de organisatie en de activiteit moet passen bij de identiteit van de organisatie. Verder lijkt deze groep zich te onderscheiden door gebrek aan interesse in de locatie. Er moet een locatie zijn voor de evenementen, maar welke dit is lijkt minder relevant. Men is niet zo zeer geneigd een bedrijfsevenement meerdere malen op dezelfde locatie te organiseren. Qua bedrijfstak is er geen duidelijke verschillen tussen de variabelen te zien. Wel is er een grote oververtegenwoordiging van overheidsinstellingen. De groep bevat relatief weinig leidinggevenden. De beslissingen over de evenementen worden vaak genomen in de periode januari – maart, maar in meerdere gevallen is de periode verschillend.
Veel respondenten in dit segment die DPE nog niet kenden als locatie voor bedrijfsevenementen zien DPE niet als geschikte locatie. Ook is er weinig interesse om op de hoogte gehouden te worden over bedrijfsevenementen in DPE. Van de segmenten vindt men DPE het minst onderscheidend ten opzichte van andere locaties. Het segment is relatief groot in omvang. Het bedrag dat men wil uitgeven per persoon aan bedrijfsevenement is sterk gespreid. Ongeveer 50% zit tot €50,- en ongeveer 50% zit boven de €50,-, waarbij opvalt dat vrijwel alle ‘koopjesjagers’ die maximaal €25,- willen besteden binnen dit segment vallen.
Dit segment lijkt mailings te waarderen. Er worden in dit segment veel workshops georganiseerd. Segment 3
Deze groep hecht veel waarde aan de eis dat het evenement ontspanning moet bieden en weinig waarde aan de flexibiliteit van de aanbieder en of de activiteit past bij hun identiteit. Het segment bevat relatief veel industriële ondernemingen. Deze groep bevat minder personen zonder dan met een leidinggevende functie.
Men organiseert niet zoveel bedrijfsevenementen en men staat niet zo positief tegenover het meerdere malen organiseren van een bedrijfsevenement op dezelfde locatie. De analyses geven geen duidelijke antwoorden opgeleverd op de vraag of DPE onderscheidend is ten opzichte van de concurrentie. De respondenten in de clusters die DPE nog niet kenden als aanbieder van
bedrijfsevenementen zijn ongeveer gelijk verdeeld tussen wel of niet geïnteresseerd in DPE als locatie voor bedrijfsevenementen. Men wil dat ze op de hoogte gehouden worden over bedrijfsevenementen in DPE. De meeste organisaties willen tot €50,- p.p. uitgeven aan een
bedrijfsevenement. Daarnaast zijn er relatief veel organisaties in dit cluster die meer dan €75,- willen uitgeven. Het beslissingsmoment over bedrijfsevenementen verschilt sterk.
Klantendagen en business-to-business bijeenkomsten worden vaak georganiseerd door deze groep. Men communiceert het liefst via email met een aanbieder van een bedrijfsevenement.
Segment 4
Deze groep hecht veel waarde aan de mogelijkheid tot netwerken, de exclusiviteit van het evenement en de locatie moet passen bij de identiteit van de organisatie. De groep hecht weinig waarde aan de afstand tot het evenement en leerzaamheid. In deze groep zitten relatief veel leidinggevenden. In dit segment bevinden zich voornamelijk dienstverleners.
Dit segment organiseert relatief veel bedrijfsevenementen en men staat positief tegenover het vaker organiseren van een bedrijfsevenement op dezelfde locatie, mits er voldoende variatie in het aanbod is. Voor dit segment is de interactie met dieren belangrijk bij een eventuele keuze voor DPE.