Segmentointi on yksi markkinatutkimuksen käytetyimmistä työkaluista, mutta myös yksi niistä, jotka menevät yllättävän usein pieleen. Yleinen Likert–faktorointi–klusterointi -lähestymistapa tuottaa liian usein segmenttejä, jotka kuvaavat vastaustyyliä enemmän kuin todellisia valintamotiiveja.
Vanha tapa on vakiintunut, ei välttämättä hyvä
Markkinatutkimuksessa on menetelmiä, jotka elävät hämmästyttävän pitkään. Ei siksi, että ne olisivat parhaita, vaan siksi, että niihin on totuttu.
Yksi sitkeimmistä on tämä: kerätään pitkä lista asenne- tai motivaatioväittämiä Likert-asteikolla, faktoroidaan aineisto hallittavaksi kokonaisuudeksi ja segmentoidaan ihmiset faktoripisteiden perusteella.
Prosessi näyttää huolelliselta. Se näyttää tekniseltä. Se kuulostaa tieteelliseltä. Juuri siksi siihen luotetaan.
Mutta siihen pitäisi suhtautua paljon nykyistä kriittisemmin. Suoraan sanottuna tässä ei yleensä ole kyse hyvästä segmentoinnista.
Tämä ei ole pieni metodinen detalji. Jos segmentoinnin pohja on heikko, segmentit eivät kuvaa markkinaa ja ohjaavat tekemistä väärään suuntaan. Pahimmillaan ne syövät liiketoiminnalta pohjaa.
Huonosti rakennettu segmentointi on erityisen vaarallinen juuri siksi, että se näyttää niin vakuuttavalta. Ihmismieli keksii lähes kaikelle loogisen selityksen.
Likert-asteikko ei ole kovin hyvä mittari valintamotiiveihin
Markkinoinnissa meitä kiinnostaa usein lopulta yksi kysymys: mikä oikeasti ratkaisee, kun ihminen tekee valinnan?
Siihen kysymykseen Likert-asteikko vastaa huonosti.
Kun vastaajalle annetaan lista väittämiä ja pyydetään arvioimaan niiden tärkeyttä, moni asia saa korkean arvosanan. Laatu on tärkeää. Hinta on tärkeää. Helppous on tärkeää. Kotimaisuus on tärkeää. Vastuullisuus on tärkeää. Asiakaspalvelu on tärkeää.
Aivan varmasti on. Mutta mikä ratkaisee?
Todellisessa päätöksenteossa kaikki ei voi olla yhtä tärkeää. Ihminen tekee kompromisseja, vaikka kysely ei pakota niitä näkyviksi.
Likert-asteikko on tässä mielessä liian armollinen. Todellista priorisointia ei tapahdu, vaan valintalogiikka jää piiloon.
Vielä pahemmaksi tilanne menee, kun ihmiset käyttävät asteikkoja eri tavoin. Osa antaa helposti korkeita arvosanoja, osa välttelee ääripäitä, osa käyttää koko skaalaa. Tällöin segmentointi löytää helposti ryhmiä, jotka eivät kuvaa aitoja motiivieroja vaan vastaustyylejä.
Osaa ongelmista voidaan toki yrittää hallita ja korjata. Mutta kaikkia ei voida. Siksi lopputulos on liian usein se, että emme segmentoi markkinaa vaan asteikon käyttöä.
Faktorianalyysi ratkaisee eri ongelmaa kuin segmentointi
Seuraava vaihe näyttää monen silmissä erityisen vakuuttavalta. Kun väittämiä on paljon, ne faktoroidaan. Kuulostaapa hienolta.
Ja ajatushan kuulostaa järkevältä. Data tiivistyy, rakenne selkiytyy ja analyysi muuttuu hallittavammaksi.
Mutta juuri tähän sisältyy keskeinen väärinymmärrys.
Faktorianalyysin tehtävä on löytää muuttujien taustalla olevia yhteisiä ulottuvuuksia ja ryhmitellä keskenään korreloivia muuttujia yhteen. Segmentoinnin tehtävä taas on löytää vastaajaryhmiä, jotka eroavat toisistaan mahdollisimman mielekkäällä tavalla.
Nämä eivät ole sama asia.
Se, mikä auttaa tiivistämään muuttujia, ei automaattisesti auta erottamaan ihmisiä. Itse asiassa päinvastoin: juuri sellainen rakenne, joka näyttää faktorianalyysissä siistiltä, voi hävittää segmentoinnin kannalta olennaista vaihtelua.
Eli faktorianalyysi ei välttämättä auta segmentointia lainkaan. Se murentaa segmentoinnin erottelukyvyn.
Segmentointiin tarvittava informaatio katoaa
Faktorointia puolustetaan usein sillä, että se “vain tiivistää” dataa.
Aika lievä ilmaisu.
Kun aineistosta muodostetaan faktoreita, iso osa alkuperäisestä informaatiosta jää pois. Ja jos tavoitteena on löytää ihmisten välisiä eroja, juuri tuolla pois jäävällä osalla voi olla ratkaiseva merkitys.
Tämä ei ole kosmeettinen kauneusvirhe vaan peruskysymys. Jos tarkoitus on tunnistaa erilaisia valintalogiikoita, miksi aloittaisimme prosessin poistamalla osan siitä informaatiosta, jonka vuoksi kysymykset alun perin kerättiin?
Totta kai joskus muuttujia on liikaa. Mutta on muitakin ratkaisuja kuin muuttaa aineisto abstrakteiksi koosteiksi. Paras ratkaisu on hallita muuttujien määrää jo suunnitteluvaiheessa ja välttää sitä, että mukaan tulee toistensa kanssa päällekkäisiä muuttujia.
Ja faktorianalyysiähän voi käyttää olennaisten ja erottelevien muuttujien löytämiseen. Mutta se on eri asia, kuin käyttää faktoripistemääriä segmentoinnin perustana.
Lopputuloksena syntyy helposti siistejä mutta etäisiä segmenttejä
Kun segmentointi tehdään faktoripisteillä, myös tulkinta karkaa helposti pois alkuperäisestä käyttäytymisestä ja todellisista valinnoista. Syntyy segmenttejä, jotka ovat korkealla yhdellä faktorilla, matalalla toisella ja keskitasolla kolmannella. Niille annetaan nimiä, jotka kuulostavat fiksuilta ja uskottavilta.
Hetken kaikki näyttää hyvältä. Mutta mitä tämän perusteella pitäisi tehdä käytännössä?
Ja kun tähän yhdistetään vielä se, että segmenttejä tehdään usein aivan liikaa vain siksi, että niitä voidaan tehdä, ollaan erottuvuuden kanssa jo suurissa ongelmissa. On myös vaikea keksiä tilannetta, jossa suomalaiset kannattaisi jakaa esimerkiksi kymmeneen erilaiseen segmenttiin. Erottuvuus ja käytettävyys loppuvat siinä kohtaa kesken.
Eli tässä kohtaa monen segmentointiprojektin todellinen ongelma paljastuu. Analyysi näyttää älykkäältä, mutta käytännön hyöty jää ohueksi.
Markkinatutkimuksen tehtävä ei ole tuottaa hienolta näyttäviä lopputuloksia. Sen tehtävä on auttaa tekemään parempia päätöksiä.
“Näin on tehty aina” ei riitä perusteluksi
Vanhoja menetelmiä puolustetaan usein yhdellä ajatuksella: näin on tehty pitkään.
Se, että jokin tapa syntyi aikanaan järkevistä syistä, ei tarkoita, että sitä pitäisi puolustaa edelleen. Monet perinteiset ratkaisut ovat olleet kompromisseja: laskentateho oli rajallinen, otokset pienempiä, ohjelmistot kankeampia ja työkalupakki nykyistä kapeampi. Niin on tehty, koska muuta ei voitu.
Tämä tekee vanhasta tavasta ymmärrettävän. Mutta ei se siitä sen parempaa tee.
Jos haluat ymmärtää valintaa, mittaa valintaa
Kun tavoitteena on ymmärtää valintamotiiveja, pohjaksi kannattaa ottaa menetelmä, joka mittaa valintaa eikä asteikon käyttöä.
Siksi pidän valintapohjaisia menetelmiä, kuten MaxDiffia tai esimerkiksi Q-Sortia, huomattavasti parempana lähtökohtana kuin pitkiä Likert-väittämälistoja silloin, kun halutaan rakentaa käyttökelpoista segmentointia motiivien, prioriteettien ja preferenssien ympärille.
MaxDiffin vahvuus on lopulta aika yksinkertainen: vastaaja joutuu tekemään trade-offeja. Hänen on valittava vaihtoehdoista tärkein ja vähiten tärkeä. Tämä pakottaa priorisoimaan tavalla, johon perinteinen asteikkokysymys ei pysty.
Juuri tämä kiinnostaa markkinointia. Ei se, että moni asia näyttää tärkeältä, vaan se, mikä asia ratkaisee silloin, kun kaikkea ei voi valita.
MaxDiff ei ole taikatemppu, mutta se on usein parempi lähtökohta
Tämäkin on hyvä sanoa ääneen.
MaxDiff ei ratkaise kaikkea. Se ei sovi jokaiseen tutkimuskysymykseen. Se ei korvaa kaikkea asenne- tai imagotutkimusta. Ja väärin rakennettuna siitäkin saa keskinkertaista dataa. Jokainen työkalu väärin käytettynä voi olla tuhoisa.
Mutta siinä on yksi ratkaiseva etu: se pakottaa vastaajan näyttämään, mikä oikeasti painaa. Ja juuri tätä tarvitaan, jos halutaan erottaa toisistaan aidosti erilaisia valintalogiikoita.
Kun tavoitteena on segmentoida valintamotiiveja, valintapohjainen data on lähtökohtaisesti lähempänä todellista käyttäytymistä kuin väittämämatriisi, jossa vastaaja voi siunata lähes kaiken tärkeäksi.
Koko keskustelu pitäisi aloittaa eri kysymyksestä
Liian usein segmentoinnin tekninen toteutus alkaa kysymyksestä: Miten saamme pitkän väittämälistan teknisesti hallittavaan muotoon?
Se on väärä kysymys. Parempi kysymys kuuluu näin:
Miten mittaamme sellaista informaatiota, jonka varaan segmentointi ylipäänsä kannattaa rakentaa?
Näiden kahden kysymyksen ero on valtava.
Ensimmäinen johtaa helposti siihen, että huono mittaus siivotaan analyysissa siistimpään muotoon ja kadotetaan ehkä se kaikkein tärkein informaatio.
Toinen pakottaa miettimään tutkimusasetelmaa jo ennen datan keruuta.
Ja juuri tästä syystä segmentoinnin laatu ratkaistaan usein paljon aikaisemmin kuin analyysivaiheessa. Silloin on jo liian myöhäistä. Jos perusta on rakennettu mittaamaan vastaustyyliä tai epämääräistä asenneilmastoa, mikään elegantti analyysi ei tee siitä hyvää segmentointia.
Roskaa sisään, roskaa ulos. Pätee kaikkeen data-analytiikkaan.
Epämukava johtopäätös
Oma kantani on selvä. Likert + faktorointi + klusterointi kuuluu valintamotiivien segmentoinnissa pääosin historiaan.
Ja vielä epämukavampi jatko: on täysin perusteltua kysyä, oliko se historiassakaan erityisen hyvä ratkaisu, vai oliko se lähinnä aikansa tekninen kompromissi, josta tuli tapa ennen kuin siitä tuli kunnolla ongelma.
Tämä ei tarkoita, että kaikki aiemmat segmentoinnit olisivat olleet arvottomia. Ei tietenkään. Moni on voinut olla käytännössä hyödyllinen omassa ajassaan ja omassa käyttötarkoituksessaan. Vaikka kritiikki on kovaa, totuus on todennäköisesti se, että segmentit ovat usein olleet oikeansuuntaisia. Täysin oikeita ne tuskin ovat olleet, eivätkä ainakaan oikean kokoisia.
Mutta jos tänään halutaan rakentaa segmentointia, jonka pitäisi oikeasti ohjata tuotevalintoja, viestintää, positiointia tai portfolioa, riman on oltava korkeammalla.
Silloin ei enää riitä, että analyysi näyttää siistiltä, ja sen voi puheessa selittää loogiseksi. Sen pitää myös mitata oikeaa asiaa.
Lopuksi
Markkinatutkimusalalla puhutaan mielellään uusista työkaluista, automaatiosta ja tekoälystä. Paljon harvemmin uskalletaan sanoa ääneen, että osa kaikkein tavallisimmista menetelmistä on yksinkertaisesti heikompia kuin alalla annetaan ymmärtää.
Tästä pitäisi puhua enemmän.
Kyse ei lopulta ole klusteroinnista. Kyse on siitä, millaista segmentointia sen päälle rakennetaan. Haluammeko rakentaa segmenttejä, jotka näyttävät hyvältä kalvoilla, vai segmenttejä, jotka auttavat tekemään parempia päätöksiä.
Niillä on yllättävän usein eri syntytarina.
Kun tavoitteena on ymmärtää valintamotiiveja, lähtökohdan pitäisi olla valintapohjainen mittaus, ei asteikkopohjainen mukavuusratkaisu. Muuten riski on yksinkertainen: et segmentoi markkinaa, vaan mittaustapaa.
Kaikkea vanhaa ei tarvitse hylätä siksi, että se on vanhaa.
Mutta se, mikä ei enää toimi kunnolla, kannattaa jättää historiaan.
