Segmentering, targeting og posisjonering (STP)

STP-prosessen er kjernen i strategisk markedsføring og handler om å identifisere kundegrupper, velge hvilke som er mest attraktive, og utvikle en tydelig posisjon i kundenes bevissthet. Marketing analytics gir oss kvantitative verktøy for å gjennomføre hver fase mer presist enn tradisjonell intuisjonsbasert tilnærming.

Segmentering: Dele markedet i meningsfulle grupper

Segmenteringsvariabler

Demografisk: Alder, kjønn, inntekt, utdanning, familiestørrelse. Enklest å måle, men ofte utilstrekkelig alene.
Geografisk: Land, region, by, klima, by/land. Relevant for lokalisert markedsføring.
Psykografisk: Livsstil, verdier, personlighet, holdninger. Dypere innsikt men vanskeligere å måle.
Atferdsbasert: Kjøpsmønstre, bruksrate, lojalitetsstatus, anledning. Mest direkte kobling til handling.
Behovsbasert: Hvilke underliggende behov kunden forsøker å dekke. Gir sterkest strategisk grunnlag.

Effektive segmenter er: Målbare, tilgjengelige, substansielle (store nok), differensierbare og handlingsrettede.

Klyngeanalyse (Cluster Analysis)

K-means klyngeanalyse

K-means er den mest brukte klyngealgoritmen i marketing analytics. Den grupperer observasjoner i k klynger basert på likhet.

Algoritmen steg for steg:

Velg antall klynger k (f.eks. k = 4)
Plasser k tilfeldige sentroider i datarommet
Tilordne hver observasjon til nærmeste sentroid (euklidsk avstand)
Beregn nytt senterpunkt for hver klynge basert på tilordnede observasjoner
Gjenta steg 3-4 til sentroidene stabiliserer seg (konvergens)

Valg av k: Elbow-metoden

Plot total within-cluster sum of squares (WSS) mot antall klynger. Der kurven «knekker» (elbuen) er optimalt antall klynger.

For få klynger: Mister viktige forskjeller mellom segmenter
For mange klynger: Vanskelig å utvikle differensierte strategier, overfitting
Tommelfingerregel: 3-6 segmenter er typisk håndterbart i praksis

Silhuettkoeffisient: Alternativ til elbow-metoden. Måler hvor godt hver observasjon passer i sin klynge vs. nabolklyngen. Verdi mellom -1 og +1, der høyere er bedre. Over 0,5 er god klyngestruktur.

Viktig: Standardisering av variabler

Før du kjører klyngeanalyse, må variablene standardiseres (z-score). Uten standardisering vil variabler med stor skala (f.eks. inntekt i kroner) dominere over variabler med liten skala (f.eks. antall kjøp per måned).

$z = (x - \bar{x}) / s$

Eksempel: Klyngeanalyse av bankkunder

En bank kjører k-means med k=4 på variabler som alder, inntekt, antall produkter og digital aktivitet:

Klynge 1 «Unge digitale»: 18-30 år, lav-middels inntekt, høy appbruk, få bankprodukter
Klynge 2 «Etablerte familier»: 30-45 år, høy inntekt, boliglån, middels digital aktivitet
Klynge 3 «Passive sparere»: 50-65 år, middels inntekt, spareprodukter, lav digital aktivitet
Klynge 4 «Premium-kunder»: 40-60 år, svært høy inntekt, mange produkter, personlig rådgiver

Hver klynge får en tilpasset markedsstrategi: Klynge 1 bearbeides med app-push og studenttilbud, Klynge 4 med personlig oppfølging og eksklusive produkter.

Conjoint-analyse

Hva er conjoint?

Conjoint-analyse måler kundenes avveininger mellom produktegenskaper ved å la dem velge mellom hypotetiske produktprofiler. Resultatet er part-worth utilities — tallverdier som viser den relative viktigheten av hver egenskap og hvert nivå.

Egenskaper (attributter): De produktdimensjonene du tester (f.eks. pris, merke, størrelse, farge)
Nivåer: De mulige verdiene for hver egenskap (f.eks. pris: 99kr, 149kr, 199kr)
Part-worth utility: Tallverdi som viser preferanse for hvert nivå. Høyere = foretrukket.
Attributtviktighet: $\text{Viktighet}_j = \frac{\text{Range}_j}{\sum \text{Range}_j} \times 100\%$ der Range = maks utility - min utility for attributt j.

Eksempel: Conjoint for smarttelefon

Conjoint-analyse av tre attributter:

Merke: Samsung (+0,8), Apple (+1,2), Xiaomi (-0,4). Range = 1,6.
Pris: 4999 kr (+1,0), 7999 kr (+0,2), 10999 kr (-0,9). Range = 1,9.
Batteri: 3000 mAh (-0,3), 5000 mAh (+0,6). Range = 0,9.

Attributtviktighet: Pris = 1,9/4,4 = 43 %, Merke = 1,6/4,4 = 36 %, Batteri = 0,9/4,4 = 21 %.

Optimal profil: Apple + 4999 kr + 5000 mAh gir total utility = 1,2 + 1,0 + 0,6 = 2,8.

Strategisk innsikt: Pris er viktigst — selv Apple-preferanse kan overvinnes av et godt nok pristilbud.

Verktøy: Enginius Conjoint

I Enginius definerer du attributter og nivåer, genererer profiler, samler inn data og analyserer. Output inkluderer part-worth utilities, attributtviktigheter og markedsandelsestimater for ulike produktkonfigurasjoner.

Perceptual maps (posisjoneringskart)

Hva viser et perceptual map?

Et 2D-kart som visualiserer hvordan kunder oppfatter ulike merkevarer relativt til hverandre. Aksene representerer de viktigste dimensjonene kundene vurderer langs (f.eks. pris–kvalitet, tradisjonell–innovativ).

Lages med: Multidimensional scaling (MDS) eller faktoranalyse i Enginius/SPSS
Input: Kundevurderinger av merkevarer på ulike attributter (f.eks. 1-7 skala)
Tolkning: Merkevarer nær hverandre oppfattes som like → direkte konkurrenter. Tomme områder = potensielle posisjoner.
Idealpunkter: Noen kart inkluderer kundens «idealpunkt» — merkevarer nær dette punktet foretrekkes.

Eksempel: Perceptual map for kaffekjeder

Akse 1: Pris (billig → dyrt). Akse 2: Atmosfære (rask/praktisk → koselig/premium).

Starbucks: Høy pris + premium atmosfære (øvre høyre)
Narvesen: Lav pris + rask (nedre venstre)
Espresso House: Middels–høy pris + god atmosfære (midten-høyre)
Tomt felt: Lav pris + god atmosfære → mulighet for ny aktør

Targeting: Velge segmenter

Targeting-strategier

Udifferensiert: Samme tilbud til hele markedet. Lavest kostnad men ignorerer segmentforskjeller.
Differensiert: Tilpassede tilbud til flere segmenter. Høyere kostnader men bedre treffprosent.
Konsentrert (nisje): Fokus på ett segment. Dyp ekspertise men høyere risiko.
Mikro/1:1: Individuelt tilpassede tilbud. Muliggjort av data og automatisering.

Segmentattraktivitet vurderes etter: Størrelse og vekst, lønnsomhet (CLV), tilgjengelighet, konkurranseintensitet, og strategisk fit.

Vanlige feil i STP

For mange segmenter: Splitting av markedet i 10+ segmenter gir ikke handlingsrettet innsikt
Ignorer standardisering: Klyngeanalyse uten standardisering gir meningsløse resultater
Statisk segmentering: Kundesegmenter endrer seg over tid — oppdater regelmessig
Posisjonering uten data: Perceptual maps basert på antakelser fremfor kundedata er verdiløse

Studieguide: Segmentering, targeting og posisjonering

Studieguide: Segmentering, targeting og posisjonering