bilgiz.org

Pazarlama Kararlarına pazarın verdiği Tepkiler nasıl ölçülür?




Tarih30.09.2017
Büyüklüğü121.79 Kb.
TipiYazı

Indir 121.79 Kb.

Pazarlama Kararlarına pazarın verdiği Tepkiler nasıl ölçülür?


Giriş


Günümüzde, pazarlama müdürlerinden çok sık duymakta olduğumuz bazı soruları sıralayarak başlarken, bu soruların ortak özelliğinin, pazarlama yatırımları ve bu yatırımların getirileri ile ilgili olduğunu da belirtmekte yarar görüyoruz. Bu yazıda tartışacağımız konular, pazarlama karar ve yatırımlarının sonuçlarının ve getirilerinin hesaplanabilmesi ile ilgili olacaktır. Pazarlama müdürleriyle sohbetlerimizde bizimle paylaştıkları bazı sorular şunlar olmuştur:

  • Geçen ay yaptığımız hediyeli ürün promosyonu sayesinde satışlarımız ne kadar arttı?

  • Fiyatımızı %12 arttıracağız, üst yönetim satışlarınız %10’dan fazla düşecekse fiyat artırımına gitmeyin dedi, fiyatımızı arttıralım mı, satış ne oranda düşecek?

  • Belli bir perakendecide ürünümüzü Insert’e sokmak için ya da bir ürünümüzü gondolda sunmak için benzer masraflarımız olacaksa, hangisini yaparsak satışımız (ya da karımız) daha çok artar?

  • Ramazan boyunca yaptığımız fiyat azaltımı ve promosyon aktivitelerinin her birinin ayrı ayrı etkileri neydi? Ramazan olmayan bir ayda aynı promosyon Aktivitesini yapsak, satışımız ne kadar artar?

  • Geçen yılki reklam kampanyamızın satışlara etkisini ölçmek mümkün mü?

  • Süpermarketlerde uyguladığımız POP (Point-of-Purchase: satın almanın yapıldığı nokta) aktivitelerinin (Poster, yere yapıştırılan çıkartma, ekstra raf, etc) hangi kombinasyonları en karlı?

Aşağıdaki tartışmamızda, yukarıdaki ve benzer sorulara cevap verebilmek için, bilimsel ve analitik bir metod olan Ekonometrik Rekabet Modelleme, Pazar Tepki Analizi ve Talep Tahmini konusunu size detaylarıyla ve örnekleriyle aktarmaya çalışacağız. Bu amaçla genel bir giriş yapmayı uygun buluyoruz.
1980’lerden günümüze teknolojinin de gelişmesiyle özellikle perakendeci operasyonlarında birçok değişiklik yaşanmıştır. Bunların en önemlisi çeşitli etiketleme teknolojileri (barkod) ile satış noktası kayıtlarını tutan (POS: Point-of-Sale: satış noktası) yazılımların kullanımının vazgeçilmez hale gelmesidir. Bu yazılımlar sayesinde, şirket içi ve şirket dışı bilgi kaynakları karar destek mekanizmaları ile birleştirilmiştir. Bu sayede firma faaliyetleri, müşteri tepkileri ve iş birliği yapılan kuruluşlarla ilgili verilerin miktarında ve kalitesinde bir artış gözlenmiştir. Günümüzde dünyanın en büyükleri arasında gösterilen şirketlere baktığımızda, müşteri memnuniyetine dayalı yönetim stratejisinin tedarik zinciri içerisinde oluşan bilginin kullanımına dayalı olduğunu görmekteyiz.

Ülkemize bakıldığında rekabet seviyesinin yakın geçmişte düşük olmasından dolayı ürün pazarlaması ile ilgili önemli kararlar bilimsellikten uzak, içgüdü ve tecrübeye dayalı olarak verilmekteydi. Fakat yukarıda bahsedilen gelişmeler ve küreselleşme sonucu artan rekabet koşulları nedeniyle bu kararları veren yöneticiler önsezilerden daha çabuk ve kesin sonuçlar veren yöntemlere ihtiyaç duymaya başladılar.

Pazarda oluşan her türlü anlamlı bilgi, karar verme aşamasında önemli rol oynayabilir. Herhangi bir pazarda faaliyet gösteren herhangi bir şirket için cevaplanması gereken en önemli konulardan biri, üretilen mal veya hizmet ile oluşacak talebi karşılamaktır. Potansiyel satış miktarını tahmin etmek üzere işe koyulan analist, ekonominin nasıl gittiği, kaç adet alıcının pazara girdiği veya çıktığı, pariteler arasındaki kur değişimleri gibi makro seviyedeki bilgilerin yanı sıra, üreticinin kontrolü altında olan ürün fiyatları, dağıtım, reklam, ve promosyon gibi değişkenleri de gözlemlemek zorundadır. Bu kadar fazla değişkenin karar verme sürecinde değerlendirilmesi gerekliliği bilimsel yaklaşımı (model bazlı) kaçınılmaz hale getirmiştir.

Ekonometrik rekabet modelleme olarak da bilinen Pazar Tepki Analizi hem şirketin seçtiği, hem de şirketin maruz kaldığı bu faktörlere pazarın nasıl tepki verdiğini inceleyen bir analiz yöntemidir. Bu yöntemi aynı müşteri topluluğuna satış yapmakta olan üç şirketin (A, B ve C) bulunduğu bir pazar için düşünelim. Bu pazarda herhangi bir ayda A şirketinin ürününden kaç tane sattığı hem bu şirketin ürünü için seçtiği fiyat, promosyon ve reklam harcamaları gibi şirket kararlarından, hem de rakiplerin benzer kararları ve genel ekonomi ve mevsimsellik gibi çevresel faktörlerden etkilenmektedir. Örneğin, ekonometrik modelleme çalışmaları kapsamında sıklıkla hesaplanan ve yorumlanan fiyat esnekliği, A şirketinin, diğer tüm değişkenlerden bağımsız olarak, fiyatını %10 azaltması durumunda satışlarının ne oranda artacağını hesaplamak için kullanabileceği temel bir ölçüdür. Bu sonuçlara ulaşabilmek için pazar dinamiklerini doğru yansıtan bir modelin kurulmasında ekonometrik modelleme açısından belirli aşamalar vardır. Bunlar veri toplanması, veriye uygun model kurulması ve daha sonra bu modele göre tahminlerin yapılmasıdır.



  1. Veri Toplanması ve Verinin Model için Hazırlanması


Pazar tepki modeli oluşturmak için, araştırmacı pazarı oluşturan rakipler, dağıtım kanalları, ve müşteriler gibi faktörler hakkında bilgi sahibi olmalıdır. Ayrıca pazarlama değişkenlerinin nasıl ölçüleceği, bütün bu verilerin nereden alınacağı gibi soruların cevapları, veri kaynakları ve verilerin ölçümleriyle ilgi bilgi gerektirmektedir.

    1. Veri


Veriler toplanış biçimlerine göre başlıca üç sınıfa ayrılabilir. Kesit verisi farklı değişkenlerin herhangi bir zaman diliminde almış oldukları değerler ile oluşturulur. Veri, farklı satış bölgeleri, farklı dağıtım kanalları, farklı müşteriler ve farklı markalar hakkında olabilir. Zaman serileri verileri ise bir değişkenin farklı zaman dilimlerinde almış olduğu değerlerin kümesidir. Genel olarak pazar araştırmalarında haftalık veriler kullanılmakla birlikte, günlük, aylık, üç aylık ve yıllık verilerde kullanılabilmektedir. Herhangi bir veri seti, kesit ve zaman serileri verilerinin karışımını içerebilir, bu tip veriler Karışık verleri olarak değerlendirilir.

    1. Veri Kaynakları (Veri Toplanması)


Pazar analizinde kullanılan veri kaynakları arasında, fabrika sevkiyatları, depo gönderimleri, detaylı perakende ölçüm verisi, medya ölçüm bilgileri, tüketici satınalma bilgisi, şirketlere özel araştırmalar ve müşterilerden veya dış kaynaklardan gelen tüm veriler sayılabilir. Veri kaynakları birincil ve ikincil olarak ikiye ayrılabilir.
Birincil Veri Kaynakları: Kendi kullanımı için veri toplayan şirketlerdir. Mesela bir şirketin kendi satış, promosyon, dağıtım ve reklam verilerini aylık olarak toplayıp saklaması buna örnek olarak gösterilebilir.

UPC (Universal Product Code) tarayıcı (barkod) verileri bu amaçla kullanılabilir. 1Bu veriler uygulayıcılara kendi pazarlarını daha iyi anlama ve pazarlama karmasını daha verimli oluşturma çabalarında faydalı bilgiler sunacaktır.

Depodan Yapılan Gönderiler, fabrika sevkiyatları gibi, son kullanıcılara yapılan satışları yansıtmamaktadır.

Fabrika sevkiyatları da bir veri kaynağı olarak kullanılabilir. Fakat bunlar incelendiğinde, son müşterinin talebini tam olarak yansıtmadığı görülmüştür. Çoğu zaman, tedarik zincirinde bulunan satıcılar kendi taleplerini oluştururken mevcut son müşteri talebinin yanı sıra ürünün gelecekteki performansı hakkında kendi beklentilerini de dikkate alırlar. Eğer ürün kısa raf ömrüne sahipse (örneğin dondurma) fabrika sevkiyatları müşteri talebini tahmin etmede kullanılabilir.



İkincil veri kaynakları: Veri çeşidine göre ikiye ayrılabilir.

Geniş çaplı pazarlama araştırmaları (Syndicated):

Parekende raf denetimi ile dağıtım kanalı üyeleri kullanılarak gözlem yöntemi ile veri toplanır.

Perakende satışları = Dönem başı stok seviyesi + Perakendecinin alımları - İade ve transferler - Dönem sonu stok seviyesi

olarak hesaplanabilir. Satışlar marka kırılımına ve paket boyutuna göre belirlenir. Satış miktarının yanı sıra, parekende raf denetimi ortalama perakende satış fiyatı, toptan satış fiyatı, ortalama mağaza stok seviyesi, ve promosyon aktiviteleri hakkında bilgi verebilir. Bunlara örnek olarak Türkiye pazarında AC Nielsen’ın ya da HTP Araştırma ve Danışmanlık Hizmetleri A.Ş.’nın topladığı veriler gösterilebilir.

AC Nielsen müşterisi talep etmese dahi, ihtiyaç olabileceğini düşünerek belirli verileri toplar ve daha sonra istek üzerine bu bilgileri bedeli karşılığı dağıtır. AC Nielsen’ın Perakende Ölçüm Hizmetleri, (Retail Measurement Services - RMS) hipermarketler, süpermarketler, bakkallar, kuruyemişçiler, büfeler, eczaneler, parfümeriler, benzin istasyonu marketleri ve fotoğraf stüdyoları gibi pek çok perakende kanalından derlenen bilgilere dayanarak, ürün satışlarının sürekli takibini sağlar. Müşteriler satış, pazar payları, dağıtım, fiyatlandırma, alan ve raf yönetimi ve promosyon aktiviteleri hakkında detaylı bilgileri edinebilirler.

HTP Araştırma ve Danışmanlık Hizmetleri A.Ş.’nın sağladığı veriler ülke çapında 6,100 hane ve yaklaşık 25,800 bireyin haftalık satın alım davranışını kapsar. Hane tüketim paneline üye olan panelistler hangi ürünü, ne kadar, nereden, ne zaman ve ne kadara, kimin için aldıkları gibi bilgileri kendileri ile panel arasındaki bağı kuran sayımcıların bırakmış oldukları anket formuna aktarırlar. Hane tüketim panelinde toplanan tüketim harcamaları verileri panelin kuruluş amacına göre değişebilir.

Özelleştirilmiş (Customized): Belirli bir istek üzerine belli verilerin toplanmasıdır. Bu aracı bir şirket tarafından yapılabilir. Örneğin, herhangi bir rakibin veya firmanın belirli marketlerdeki fiyat ve satış rakamlarını toplaması bu verilere örnek olarak gösterilebilir.
Verilerin ne şekilde toplandığını aktardıktan sonra, bir de verilerin hangi pazarlama kararlar ile ilgili toplanabileceğini incelemekte fayda görmekteyiz. Bu aşamada pazarlama karması elemanları olan fiyat, ürün, dağıtım, promosyon ve iletişimi ayrı ayrı sayabiliriz.

  1. Fiyat


Pazarlama kararlarını uygulayanlar fiyat kararının oldukça önemli olduğuna inanmaktadırlar ve UPC datası bu aşamada sıklıkla kullanılmaktadır. Fiyatın yöneticiler için önemli olmasının başlıca sebepleri şöyle listelenebilir:

  • Fiyat değişikliğinin satışlar ve karlılık üzerinde önemli ve hızlı etkiler göstermesi

  • Fiyat değişikliğinin hızlı uygulanabilmesi

  • Müşterilerin, perakendecilerin ve rakiplerin fiyat değişimlerine güçlü tepkiler verme potansiyeli.2

Yapılan araştırmalar, yöneticilerin fiyat değişimlerine verilen tepkinin tahmin edilmesinde fiyat kararını özeklikle fiyat esnekliğinin belirlenmesi ve yorumlanması olarak dahil ettiklerini göstermiştir.
Fiyat Esnekliği

Yöneticiler müşterilerinin pazarlanan markanın fiyatındaki değişikliklere ne kadar duyarlı olduğunu bilmek isterler. Makro seviyede esnekliğin yanı sıra, bölgesel veya perakendeci bazında fiyat esnekliğinin bilinmesi de fiyat kararının müşteri profiline uygun bir şekilde verilmesini sağlamaktadır.

Fiyat esnekliğinin tespitinde genel yaklaşım, zaman serileri ve kesit verilerden oluşan UPC datasının regresyon ile incelenmesidir. Oluşturulan çoklu regresyon modelinde, fiyat, promosyon, reklam, dağıtım ve mevsimsellik gibi değişkenler, satış seviyesini tespit etmek için modele dahil edilir. Böylece satışın farklı değişkenlere olan esnekliği gözlemlenir.



  1. Promosyon


Promosyon genel olarak pazarlama bütçesinin en büyük bölümünü oluşturmaktadır (yaklaşık olarak %40 - %50). Bu sebeple, uygulayıcılar promosyon harcamalarının etkilerini tespit etmeye oldukça önem verirler. Bu süreçte UPC verisi sıklıkla kullanılmaktadır. Promosyonlarla ilgi cevaplanmak istenen sorular şu şekilde sıralanabilir:

  • Taban satış hacmi (baseline sales volume, promosyon olmasaydı satışların alacağı değer) nedir?

  • Promosyon sayesinde elde edilen artış miktarı nedir?

Promosyonun etkisini modele dahil etmenin bir yolu, bu bilgiyi “hayali” (dummy) değişken olarak ifade etmektir (örneğin herhangi bir promosyonun var olduğu zaman dilimi 1 değerini alırken, promosyonun olmadığı zaman dilimleri 0 ile gösterilebilir).

  1. Reklam


Reklam bilgisi pazarlama kararlarını verenler için fazlaca önem taşımaktadır. Reklamın incelenmesini sağlayan bir yöntem, reklam değişkenini reklama maruz kalmanın ölçüsü olan GRP (Gross Rating Points) birimiyle regresyon modeline dahil etmektir. GRP herhangi bir medya aracının almış olduğu ratinglerin toplamına eşittir ve herhangi bir reklam tarafından hedef kitlenin yüzde kaçına ulaşıldığını ifade eder. Televizyon reklamından örnek verecek olursak, eğer bir televiyon reklamı 5 kere yayınlanırsa ve her seferinde hedef kitlenin %50’sine ulaşırsa, toplam GRP 250 olacaktır. Yani maruz kalmanın ölçüsü olarak GRP, ulaşılan hedef kitlenin yüzdesel büyüklüğü ile reklamın yayınlama sıklığının çarpımına eşittir.

  1. Ürün Çeşitlemesi/SKU(Stock Keeping Unit) Optimizasyonu


Ürün yelpazelerine eskileri piyasadan çekmeden yeni SKUlar ekledikçe ürün sayısında ölçüde bir artış meydana gelmiştir. Bazı araştırmalar, 80/20 kuralını varsayarak (karın %80’i piyasaya sürülen ürünlerin %20’si tarafından kazanılır), bahsi geçen çoğalmanın sisteme büyük maliyetler kattığı gibi, tüketicilerin aklını karıştırdığı sonucuna varmaktadır. Öte yandan perakendeciler, supermarket raf boşluğuna sahip olmak ve elinde tutmak için üreticilerin SKU yelpazesini rasyonelleştirmelerini talep etmektedir.

  1. Dağıtım ve Perakende Yönetimi


Genel olarak perakende yönetimiyle ilgili yöneticilerin soruları üç ana başlıkta toplanabilir: kategori yönetimi, bölgesel hatta market bazında farklılıklar ve raf boşluğunun yönetilmesi. Kategori yönetiminin en önemli getirilerinden biri müşteri odaklı olmanın yanında perakendeci odaklı strateji belirlemektir.

Kategori yönetiminin dışında diğer önemli konu da pazarı mikro seviyede yani bölgesel bazda inceleme zorunluluğudur. Sadece ulusal seviyedeki fiyat esnekliğini incelemek kimi durumlarda anlamsız olabilir.



Raf boşluğunun yönetimiyle ilgili, hem üreticiler hem de danışmanlar perakendecilerin artan ve değişen taleplerine dikkat çekmektedir. Mağaza içi teşhiri daha verimli hale getirmek için perakendeciler üreticilerden raf yönetimiyle ilgili araştırmalar yapmalarını talep etmektedir. Dağıtım bilgisini eknometrik modellere dahil ederken iki adet sınıflandırma mümkündür. Bunlar Sayısal Dağıtım ve Ağırlıklı Dağıtım olarak sıralanabilir ve genelde ACNielsen ve IRI gibi perakendeci denetim şirketleri tarafından üretilmektedir.

Sayısal Dağıtım

Basit haliyle sayısal dağıtım herhangi bir ürünün satıldığı marketlerin yüzdesidir. Eğer piyasada 10 adet perakendeci mevcutsa ve incelenen ürün bu perakendecilerden sadece üçünde mevcutsa sayısal dağıtım %30 olarak gerçekleşecektir. Sayısal dağıtım bilgisi bize ürünün ulaşılabilirliği hakkında bilgi vermektedir.

Ağırlıklı Dağıtım

Ağırlıklı dağıtım verisi ürünün satılmakta olduğu satış noktalarının kalitesini ifade etmektedir (genel olarak kategori hacmine göre). Yukarıda ifade edilen örnekten hareket edersek, piyasada mevcut olan 10 adet perakendeciden 4 tanesi süpermarket, 3 tanesi bakkal ve 3 tanesi kuruyemişçi olabilir. Eğer söz konusu ürün 4 süpermarketin 3’ünde satışa sunuluyorsa ağırlıklı dağtım %30 dan çok daha fazla olacaktır.

    1. Verinin Model İçin Hazırlanması

      1. Karşılaştırılabilirlik


Performansı değerlendirirken modele dahil edilen bağımsız değişkenler birbirleriyle karşılaştırılabilir olmalıdır. Örnek olarak, perakendeciler sürekli yeni mağazalar açmakta veya varolan mağazaları yenilemektedirler. Bu durum kendi başına satışlarda artışa sebep olmaktadır. Öncesinde varolan mağazalar yeni açılan mağazalar ile karşılaştırılamaz.

      1. Eksik Değerler


Veri seti içindeki eksik değerler araştırma sırasında bir takım sorunlara yol açabilir. Bazı zaman serileri ölçüleri eksik değerler işleme dahil edilmediği için analiz sırasında hesaplanamaz. Zaman serileri verilerinde, serinin başında veya sonunda yer alan eksik değerler sadece serinin kullanılabilir ömrünü kısaltır, analizin kalitesi bu eksik değerlerden önemli ölçüde etkilenmez.

      1. Mevsimsellik


Verinin model için hazırlanması kapsamında mevsimsellik faktörü değerlendirilmesi gereken bir başka husustur. Eğer değişkenler yıl içinde tespit edilebilir bir düzen izliyorlarsa mevsimsellikten söz edilebilir. Mevsimsellik, hava değişimlerinden, tatillerin, dini bayramların zamanlamasından ve şirket/müşteri beklentilerinden dolayı oluşabilir. Bahsi edilen sebeplerden dolayı, tüketiciler yıl içinde bazı dönemlerde alım miktarını arttırırken bazı dönemlerde tüketim ihtiyacı oluşmamakta veya ertelenmektedir.

      1. Verilerin Kümelenmesi


Pazarlamada verilerin kümelenmesi varlıklar, zaman, yer, ve değişkenler üzerinden yapılabilir. Varlıkların birleştirilmesi iki şekilde meydana gelmektedir ve bunlar alıcıların kümelenmesi ve ürün seviyelerinin kümelenmesidir. Alıcıların kümelenmesi sonucunda bireysel alıcılar toplanarak pazar segment satışlarına, toplam marka satışlarına veya ürünün endüstri satışlarına ulaşılabilir. Ürün kümelenmesinde UPC’ler (Universal Product Code) marka toplamları, ürün kategori toplamları, şirket toplamları veya endüstri toplamları elde etmek için bir araya getirilir.

Zaman kümelemesi kısa gözlem periyotlarının birleştirilerek daha uzun periyotlara dönüştürülmesini sağlamaktadır. Satış sevilerindeki değişiklik ve diğer pazarlama değişkenleri hakkında yürütülecek bir araştırma, günlük, haftalık, aylık, üç aylık ve yıllık veriler kullanılarak yapılabilir. Çoğunlukla, araştırmanın temelini oluşturan zaman periyodu, araştırmacı tarafından değil, araştırmaya uygun olan veritabanı tarafından belirlenir.

Yer kümelenmesi, küçük coğrafi alanların daha büyük alanlara toplanmasını ifade etmektedir. Bu yöntemle semtlerde gerçekleştirilen satışlar toplanarak il toplam satışlarına, illerde gerçekleştirilen satışlar toplanarak bölgesel satışlara ve bölgesel satışlar kümelenerek ulusal satışlara ulaşılabilir. Günümüzde, pazarlama uygulamalarında gittikçe önemi artan eğilimlerden birisi de, hedef müşteri kitlesini mümkün olduğu kadar küçük demografik gruplara ayırmak ve farklı olan ihityaçlara farklı pazarlama stratejileri geliştirerek cevap vermektir.

Değişken bazında birleştirme değişkenlerin aldığı değerler çok yakın hareket ettiğinde (değişkenler büyük oranda birbirine bağımlı olduğunda) ortaya çıkacak problemi çözmek için kullanılabilir. Örneğin, toplam reklam değişkeni televizyon reklamı, magazin reklamı, gazete reklamı, ve açık hava reklamlarını içerebilir. Herbir reklam aktivitesinin amacının marka farkındalığını arttırmak olduğu düşünülürse, ekonometrik model kurulumunda reklam değişkenlerini birleştirip tek bir değişken olarak ele almak hem amaca hizmet edecek hem de uygulama kolaylıkları sağlayacaktır.

  1. Modelin Kurulması


Daha önce de belirtildiği gibi her marka ve ürün için satışları yaratan bilinmeyen bir süreç vardır. Pazar tepki analizinın de hedefi bu süreci keşfetmektir. Amaç pazarın durağan ya da gelişen olmasına göre bu modellerin kurulumundaki yöntemleri belirlemektir. Geleneksel model kurma süreci dört aşamadan oluşmaktadır: Bunlar belirtim, tahmin, onaylama ve uygulama olarak sıralanmaktadır.3 Bu çalışmada temel amacımız belirtim ve tahmin üzerinde durmaktır.

    1. Belirtim


Belirtimi, gerçek hayattaki durumların matematiksel ifadeye dönüştürülmesi olarak tanımlayabiliriz.

Belirtime verilebilecek iki örnek şöyle olabilir:


Satış Miktarı = A*Reklam * Fiyat-B1 * DağıtımB2 + e
Satış Miktarı = A+ B1*Reklam + B2* Fiyat + B3* RakipFiyat + B4* Zaman3 + e
Görüldüğü gibi, belirtim, dünya gerçeklerini matematiksel olarak modelleme çabasıdır. Belirtim için çeşitli yöntemler kullanılabilir.

Yöneticilerin Yardımıyla Belirtim ile yapılacak olan araştırma, araştırmanın sonucunu kullanacak kişilerin ihtiyaçlarına göre şekillendirilir. Bu sayede tespitlerin teorik kalması önlenmiş ve pazarlama stratejisi adına verilecek kararlara bilimsel yaklaşım kolaylaşmış olacaktır. İstatiksel yöntemler kullanılarak elde edilen modeller veriyi gayet iyi açıklasa da, yönetimin vereceği kararlarda kullanılacak bilgiyi içermiyor olabilir. Mesela fiyat, dağıtım, reklam ve rakiplerin dağıtım miktarlarını içeren bir modelde promosyonun ve rakip fiyatlarının etkileri gözlemlenemez. Bu nedenle modellerde kullanılacak olan değişken altkümeleri, yönetimin de fikri alınarak istenilen değişkenleri de içerecek şekilde tekrar düzenlenebilir. Bunun dışında modelde etkisi az görünen değişkenler yönetim tarafından büyük öneme sahip olabilir. Bu durumda da bu değişkenin katsayısı istenilen düzeye getirilerek, diğer değişkenlerin modele olan etkileri yeniden gözlemlenir.

Teori Yardımıyla Belirtim ile değişkenlerin önemi hakkında daha önce yapılmış olan ekonomi ve pazarlama araştırmalarından elde edilmiş teorik bilgi birikimi ve bazı istatistiksel yöntemler kullanılır.

Modeli oluşturmada dört adet karar önem taşımaktadır:



      1. Bağımsız Değişkenlerin Seçilmesi


Modeli oluştururken belki de en fazla dikkat edilmesi gereken konu modelde olması gereken değişkenlerdir. Bağımlı değişkeni etkileyecek birden fazla bağımsız değişken olabilir, eğer açıklayıcı değişkenler göz ardı edilirse, elde edilen model tahmin edici olmayabilir.

      1. Bağımlı Değişken – Bağımsız Değişkenler İlişkisi


Herhangi bir tepki fonksiyonu bağımlı değişken (satış) ile bağımsız değişkenler (pazarlama enstrümanları) arasındaki ilişkiyi tanımlamaktadır. Bu aşamada bağımlı değişken ve bağımsız değişkenler arasındaki ikili ilişkilerin ne şekilde gerçekleşebileceği incelenmelidir.
  1. Değişkenler için ayrı ayrı tepki fonksiyonlarının şekli


Model belirlenmesinde önemli bir aşama, modelin şeklinin ve ifadesinin belirlenmesidir. Olabilecek tepki fonksiyonlarının şeklini belirlemek için çeşitli öneriler ortaya atılmıştır. Bağımsız değişken “efor”, bağımlı değişken “etki” olarak isimlendirilmiştir.
  1. Efor sıfır olduğunda etki sıfırdır

Satış Miktarı = A*Reklam * Fiyat-B1 * DağıtımB2 + e gibi bir örneği düşünürsek, bu modelin iyi ve kötü yönlerini görebiliriz. Dağıtım olmazsa satış da olmaz doğru bir öneridir ve model da bunu anlatmaktadır. Fakat reklama harcama yapmadan satış olamayacağını da bu model önermektedir ama bunun aksini ispatlayan firmalar vardır.
  1. Etki ve efor arasında doğrusal bir ilişki mevcuttur

Doğrusal modeller ekonometrik analizlerde sıklıkla kullanılır bunun nedeni kolay anlaşılabilir olmaları ve parametrelerin tahminine uygun olmalarıdır. Doğrusal regresyon değişkenler arasında doğrusal bir ilişkinin var olduğunu varsaymaktadır. Bu durumda kar, reklam sıfır olduğunda maksimum olur, bu önerme optimum reklam seviyesinin sıfır olabileceği sonucunu doğurduğu için kabul görmemektedir. Birçok işletme reklama harcama yapmamayı uygulanabilecek en iyi strateji olarak değerlendirmektedir.
  1. Eforun azalan ölçeğe göre getirileri mevcuttur

Özellikle pazarlamanın reklam bileşeni için kabul gören bir öneridir. Buna neden olarak reklam arttıkça ulaşılmayan müşterilerin sayısının azalması, dolaysıyla etkinin azalan bir hızla artması beklenir. Birçok çeşit reklam seviyesini içeren bir çalışma yapılmış ve reklam arttıkça azalan ölçeğe göre getiri sağladığı tespit edilmiştir.
  1. Doyma

Yapılan çalışmalarda reklam arttıkça ölçeğe göre getirisinin azaldığına veya doyuma ulaştığına dikkat çekilmiştir. Oldukça az modellenmesine ve ölçülmesine rağmen bir doyum noktasının var olduğu genel olarak kabul edilmektedir. Pazar payının kullanıldığı modellerde, en fazla %100 olacağı için kullanmak iyi sonuçlar verebilmektedir.
  1. Eforun artan ölçeğe göre getirileri mevcuttur

Böyle bir fonksiyonun kullanılmasının sebebi büyük ölçekte yapılan harcamalar ile sağlanan avantajlar olabilmektedir.
  1. Eforun önce artan sonra azalan ölçeğe göre getirileri mevcuttur (S-Şekli)

Bu fonksiyon önce artan daha sonra azalan bir hızla ilerleyen tepkinin örneğidir. Literatürde reklamın artan ölçeğe göre getirileri aşağıdaki sebeplere bağlanmaktadır:4

  1. Artan uzmanlaşma

  2. Yüksek harcama seviyelerinde daha ekonomik medyanın ulaşılabilir olması

  3. Tekrarın oluşturduğu ekonomi

Zayıf olmakla birlikte satış seviyesi ve dağıtım arasında S-Şekline benzer bir ilişki olduğu önermesi pazarlama literatüründe destek bulmaktadır.
  1. Herhangi bir etki olmadan önce aşılması gereken bir efor seviyesi mevcuttur (eşik)

Eşik etkisi pazarlama aktivitesinin herhangi bir tepki yaratmadan önce ulaşması gereken kritik bir seviyesi olduğu görüşünü belirtmektedir. Aynı zamanda, S-eğrisinin ilk kısmını anlatmak için de kullanılmaktadır. Deneysel veri analizleri eşik etkisinin varlığını desteklememektedir.
  1. Süper doyum

Süper doyum yoğun bir pazarlama eforunun etkisiyle satışların düşmesi olarak tanımlanabilir.5 Literatürde aşırı reklamın fikir liderleri üzerinde antipati oluşturması nedeniyle böyle bir şeklin ortaya çıkabileceği vurgulanmaktadır.
Şekil 1: Tepki Modeli Önermeleri







  1. Tüm değişkenlerin beraber göz önüne alınması

Daha önce de belirtildiği gibi pazar tepki analizinde genel yaklaşım, zaman serileri ve kesit verilerden oluşan verinin regresyon ile incelenmesidir. Oluşturulan çoklu regresyon modelinde, fiyat, promosyon, reklam, dağıtım ve mevsimsellik değişkenleri, değişik şekillerde tepki verebilecekleri göz önüne alınarak, satış seviyesini tespit etmek amacıyla modele dahil edilir. Böylece satışın farklı değişkenlere olan esneklikleri ve bu etkilerin fonksiyonel şekli gözlemlenir. Ayrıca rakip markaların fiyatları, promosyon aktiviteleri, dağıtım ve reklam seviyeleri de modele dahil edilebilir. Model, farklı stok koduna (SKU) sahip ürünlerin de dahil edilmesiyle karmaşık bir yapıya sahip olabilir. Fakat bu sayede rakip markaların farklı boyutlarda pazarladıkları ürünlerin etkileri gözlemlenirken aynı zamanda araştırılan markanın diğer SKUlarının da satışı nasıl etkilediği öğrenilir(yamyamlık etkisi).



Doğrusal Regresyon Modeli, başka bir deyişle sıradan en küçük kareler regresyon modeli, kurulacak model ile elde edilecek değerlerin gerçekleşen değerlerden sapmasını minimize etmeye çalışmaktadır. En küçük kareler regresyon modeli aşağıdaki şekilde ifade edilebilir:



Y = Bağımlı Değişken (Modelde Satış Miktarı)

Xn = Bağımsız Değişkenler (Modelde Dağıtım, Fiyat, Reklam ve Promosyon)

Doğrusal Regresyon Modeli bağımsız değişken ile bağımlı değişkenler arasında doğrusal ilişki olması esasına dayanır. Yukarıdaki formülden hareketle, X1 değişkenindeki her bir birimlik artış, Y değişkenini 1 kadar arttıracaktır. Bağımsız değişkenleri bağımlı değişkene olan etkisini görmek için iki veri kümesi “scatter” grafiğinde gösterilebilir. Burada görsel olarak iki değişken arasında doğrusal bir ilişki olup olmadığı görülebilir.





Şekil 2: Doğrusal İlişki Sorgulaması (Örnek Scatterplot)

      1. Bağımsız Değişkenlerin Öneminin Belirlenmesi


Bağımsız değişkenlerin istatistiksel öneminin belirlenmesi için tahmin hatasını (gerçek değer – tahmin edilen değer) minimize etme ilkesine dayanan sıfır hipotezi kullanılmaktadır. Bu hipoteze göre bir değişkenin katsayısının “0”a eşit olup olmadığı, başka bir deyişle bu değişkenin modelde bir değişime neden olup olmadığı test edilir. Doğrusal regresyonda, bağımsız değişkenlerin bağımlı değişkeni tahmin etmede ne derece önemli oldukları kareler toplamı ve F istatistik değeri gibi yöntemler kullanılarak belirlenebilir.
  1. Düzeltilmiş Karar Verme Katsayısı (R2) ve F İstatistik Değeri


İstatistikte karar verme katsayısı, R2 değeri modeldeki sapmaların ne oranda bağımsız değişkenler tarafından açıklandığını gösterir. Bu katsayı sıfır ile bir arasında değerler almaktadır. Sıfır değeri bağımlı değişkendeki değişimlerin bağımsız değişkenler tarafından açıklanamadığını, 1 değeri ise %100 açıklandığını göstermektedir.

R2 değeri modeldeki bağımsız değişken sayısının veri örneğinin büyüklüğüne oranından etkilenir. Bu oran ne kadar büyükse modeli olduğundan daha iyi anlatıyormuş gibi görünme olasılığı da o denli fazladır. Düzeltilmiş R2, R2 değerinin modeldeki bağımsız değişkenler sayısına göre düzeltilmiş halidir ve esas amacı modelin iyi bir şekilde açıklanıyor olmasının veri örneğinin küçüklüğünden kaynaklanma olasılığını kaldırmaktır. Düzeltilmiş R2 değeri negatif olabilir ve her zaman normal R2 değerinden daha küçük ya da bu değere eşittir.



Şekil 3: Modele uyum (R2=1) Şekil 4: Modele kötü uyum (R2=0)


Regresyon modelinin bağımlı değişkeni ne ölçüde iyi açıkladığını gösteren bir diğer istatistiksel değerde F İstatistik değeridir. Genel olarak F İstatistik değeri, açıklanan değişkenliğin, açıklanamayan değişkenliğe bölünmesi ile bulunur. R2 ve düzeltilmiş R2 değerlerinde olduğu gibi, F İstatistik değeri arttıkça modelin açıklayıcı özelliği artmaktadır.
  1. Eklenen Bir Değişkenin Öneminin Belirlenmesi


Modele bir değişkenin eklenmesi regresyon kareler toplamını arttırırken, hata kareler toplamını arttırır. Burada önemli olan eklenen değişkenin modelin tahmin etme etkinliğine katkısı olup olmayacağıdır. Çünkü önemsiz değişkenler tepkinin değişkenliğini arttırıp, modelin tahmin etme gücünü düşürebilirler. Bunu için F istatistiği kullanılabilir.
  1. Altküme Değişkenlerinin Öneminin Belirlenmesi


Yeterli sayıda değişken bulunduğu zaman hangi altkümenin veriyi en iyi açıkladığını bulmak gerekir. Fakat bir modelde 10 tane bağımsız değişken varsa, 210 tane farklı altkümeden biri modeli en iyi açıklıyor olabilir.

Eğer altküme A, k adet değişken içeriyorsa, A değişkenlerinin önemli olup olmadığını anlamak için F değerinin ortalama değerine bakılır. Diğer bir deyişle, F/k standart F değeri 4’ten büyükse A altkümesi bağımlı değişkenin açıklanmasında öneme sahiptir. Birden fazla değişken altkümesinin varolması durumunda, ortalama F değerleri karşılaştırılır. Örneğin, A ve B altküme değişkenleri sırasıyla k ve p sayıda değişkene sahiplerse:



  1. Eğer F(A)/k, F(B)/p den büyükse A altkümesinin bağımlı değişkeni tahmin etmede B altkümesinden daha önemli bir değişkenler kümesi oluşturduğu sonucuna varabiliriz.

  2. Seçilen değişkenler kümesinin ortalama F değeri standart F değeri olan 4 ten büyük olmalıdır.
  1. En İyi Değişken Altkümesinin Seçilmesi


Değişkenlere ayrı ayrı bakıldıktan sonra en önemli konu hangi değişkenlerin modele girmesi gerektiğidir. Burada genelde istatistiksel bakış açısından yola çıkılabilir. Fakat değişken sayısı çok fazla ya da istatiksel yöntem sonucunda çıkan modeldeki değişkenler istenilen konuları açıklamakta yetersiz kalıyorsa daha önce belirtildiği gibi pratisyenlerin, yani yöneticilerin tecrübelerine veya literatürde birikmiş olan teorik bilgiye başvurulabilir.

Akademisyen Bakış Açısı, İstatiksel Yöntemler:


Enter”- Giriş Yöntemi

Bu yöntemde modelde olması istenen değişkenler modele konulur ve belirli istatistiklere bakılarak modelde kalıp kalmayacaklarına karar verilir.



Adımsal Regresyon:

Bu yöntemde değişkenler belirli bir sıra içinde modele konulur ve modelde yarattıkları değişimin F istatistiği ve R2 değeri kullanılarak önemli ya da önemsiz olmasına bakılarak ilerlenir. Bu regresyon iki şekilde yapılabilir: İleriye doğru Seçim (Forward Selection) ve Geriye doğru Eleme (Backward Elimination).



      1. Bağımsız Değişkenler Arasındaki Etkileşim Ne Seviyededir?


Araştımacı değişkenlerin seçiminde açıklayıcı değişkenlerin istatistiksel olarak birbirinden bağımsız olması varsayımına dikkat etmelidir. Bağımsız değişkenler arasında karşılıklı ilişki bulunması çoklu doğrusal bağıntı (multicollinearity) olarak adlandırılmaktadır.

Eğer amaç sadece bağımlı değişkeni tahmin etmek olsaydı, çoklu bağıntı olması bir problem olmayabilirdi ama amaç bir bağımsız değişkenin bağımlı değişkeni nasıl etkilediğini öğrenmek olduğunda bu problemin çözülmesi gerekmektedir. Çözülmediği takdirde:



  • Modelin yüksek R2 ve F istatistiği değerlerine sahip olduğu ama bu değişkenlerin katsayılarının tek başına düşük öneme sahip oldukları gözlemlenir.

  • Parametre tahminleri gözlemlerin eklenmesine ya da çıkarılmasına fazla duyarlı hale gelir.

  • Regresyon katsayılarının standart hataları yüksek olur.

Bu problemi engellemenin en verimli yolu birçok istatistik analiz programı tarafından çoklu doğrusal bağıntıyı ölçen istatistiksel değerleri kullanmaktır. Sık kullanılan metodlardan biri varyans enflasyon faktörü (VIF) hesaplamasıdır. Eğer bu değer 1 civarlarında ise collinearity yoktur ama 10’dan daha fazla ise doğrusallık (colinearity) problemi görülmektedir. Modelde çoklu doğrusal bağıntıdan kurtulmak için gözlem sayısı arttırılabilir, yüksek korelasyonu olan iki değişkenden biri modelden çıkarılabilir veya veri transformasyonu yapılabilir. Veri transformasyonuna bir örnek şu şekilde verilebilir:
Satış Miktarı = Reklam * Fiyat-5 * Dağıtım3 gibi bir denklemden başlayıp:
Ln (Satış Miktarı) = Ln (Reklam ) - 5 Ln ( Fiyat ) + 3 Ln( Dağıtım)

gibi bir denkleme ulaşılabilmektedir. Doğal logaritmaları alınmış değişkenler, yeni durumda çoklu doğrusal bağıntı probleminden arındırılmış olabilir.


    1. Model Parametrelerinin Tahmini


Modelde olması gereken değişkenler belirlendikten sonraki aşama bu değişkenlerin katsayılarının belirlenmesidir. Çoklu doğrusal regresyon analizi ile bu katsayıların büyüklükleri hesaplanır.

Elde edilen model kullanılarak sonuçların neler olabileceği tahmin edilir. Değişkenler yerine sayısal değerler kullanılır ve bunların tepki fonksiyonunda yarattığı etki gözlemlenir. Bu sayede esneklik hesaplamaları da yapılabilir.



Esneklik, bir değişkende meydana gelen yüzdesel değişikliğinten dolayı diğer değişkende oluşan yüzdesel değişim oranıdır. Örneğin fiyat esnekliği talep ya da arz edilen miktarın, diğer tüm değişkenlerden bağımsız olarak fiyat değişimine olan duyarlılığıdır.

Ayrıca modeldeki değişkenlerin katsayıları etrafında hesaplanan güven aralığı sayesinde, esneklikler için de bir güven aralığı bulunmuş olur.


      1. DİNAMİK ETKİLER


Pazarlama faaliyetlerine tepki hemen gerçekleşmeyebilir. Örneğin bir reklam kampanyasının etkisi kampanya sona erdiği zaman bitmeyip, birkaç dönem daha devam edebilir. Mevcut dönemde yapılan bir pazarlama faaliyetinin gelecekteki satışları etkilemesine “aktarılan etki” denir. Gecikme olmadığı zaman etkiye göre görülen tepki aşağıdaki gibidir.



Şekil 5: Aktarılan etki
Fakat pazarlama bileşenlerine göre birçok dinamik etki bulunmaktadır. Bunların çeşitleri ve tepkide yarattıkları değişiklikler Tablo 1’da görülmektedir.
Tablo 1: Dinamik etki çeşitleri 3

Dinamik Etki

Tanımı

Tepki Şekli

Geciken Tepkiler

Pazarlama harcamasının yapılması ile alımın yapılması arasındaki süre farkıdır.



Şirketin bir reklam üzerine harcama yapması ile reklamın medyada yayınlanması arasındaki süre farkıdır.

  • Fark etme gecikmesi

Derginin basılması ile tüketicinin dergiyi görmesi arasındaki süre farkıdır.

  • Alım gecikmesi

Müşterinin reklamı görmesi ile müşterinin almaya karar vermesi arasındaki süre farkıdır.

  • Kayıt gecikmesi

Şirketin sipariş vermesi ile siparişin yerine getirilmesi arasındaki süre farkıdır.

Müşteri Ertelemeleri


Pazarlama karışımındaki bir değişiklik sayesinde yeni müşteri kazanımı ve satışta artış yaşanması sonucu alımın diğer aylara da sarkmasıdır.

Ardıl Gecikmeler (Hysterisis)

Reklamdaki artış sonucu satıştaki artışın, reklamdaki azalma sonucu satıştaki azalmadan daha fazla olması gibi bir asimetri durumudur.



Yeni denemeler ya da eskimeler

Reklamdaki artış ile ürünü yeni deneyenler satışları arttırır ama bunlardan sadece birkaçı düzenli müşteri haline geldiği için satış bir süre sonra azalır.



Stoklama Etkisi

Fiyat promosyonları yeni müşterileri çekmekle beraber sadık müşterilerin de üründen daha fazla alıp stokta tutmalarına neden olur. Bu da promosyondan sonraki dönemde satışları azaltır.


      1. MODELDE “ARTAN DEĞERLER” (Residual) VE HATALAR


Modellemede çoğunlukla karıştırılan iki terim “artan değerler” ve “hatalardır”. Artan değerler tahmin edilen değer ile gerçek değer arasındaki farklardır. Hatalar ise değişkenin gerçek değerinin beklenen değerinden olan farkıdır.



Şekil 6: Tahmin edilen değer ve gerçek değer
Hataya , artan değere denildiğinde , ya da olarak hesaplanır. Pazarın doğasındaki rastlantısallığı kapsaması açısından modele rastlantısal hata terimi de denilen konulmalıdır. Hata terimi seçildiği popülasyona bağlıdır, normal dağılım gösterdiği, ortalama değerinin “0” ve varyansının sabit olduğu kabul edilir. Artan değerler ise hatanın aksine bağımsız olmayabilir, hatta ardışık bağımlılık (otokorelasyon) gösterebilir. Bunun dışında değişken seçiminden ya da veriden kaynaklanan sorunlar da bu artan değerin içeriğinde ortaya çıkabilir. Artan değerin içeriğinde çıkabilecek hatalar aşağıdaki gibi sıralanabilir.
  1. Ölçüm Hataları


Pazar tepki analizlerinde sıklıkla karşılaşılan bir problem, verilerin istenilen süre aralığında bulunamamasıdır. Mesela fiyat ve reklam verisi haftalık bazda bulunurken, promosyon aylık bazda bulunuyor olabilir. Böyle durumlarda uzun zaman aralığındaki veriler, kısa dönemler üzerine dağıtılmaktır. Promosyon harcamaları haftalara bölünerek veriye eklenebilir. Ama burada ölçüm hatalarına dikkat edilmelidir.
  1. Eksik Veriler


Belirli bir değişkende eksik gözlemler olabilir. Bunların “0” olarak görülmesi analizde yanlışlıklara yol açabilir. Mesela veri olmadığı için fiyat ve satış miktarı olmayan bir ürünün, “0” fiyatta hiç satışa sahip olmaması market dinamiklerine ters etkiler gösterebilir. Kimi yaklaşımlar eksik performans ölçülerini diğer değişkenlerle tahmin ederek doldurma yönündedir ama bu analizin güvenilirliğini düşürebilir. Böyle bir tehlike ile karşılaşmamak için bu değerler “eksik (missing values)” olarak tanımlanmalıdır.
  1. Modelde Bulunmayan Değişkenler


Modele eklenmeyen değişkenler de modelde artan değerin bu değişkenin özelliğini göstermesi olarak ortaya çıkabilir ve artan değerler bir eğilim izleyebilir. Bu nedenle modele konulması gereken değişkenler sıklıkla gözden geçirilmelidir.
  1. Ardışık Bağımlılık (Otokorelasyon)


Zaman serisi analizi yapıldığında, artan değerlerin birbirlerinden bağımsız olduğu varsayımı yapılmıştır. Fakat kimi zaman belirli bir dönemdeki değişkenler geçmişteki kendi değerlerinden etkileniyor olabilir ve artan değerler arasında ilişki olduğu gözlemlenir ve buna “otokorelasyon” denir. Regresyonda oluşan artan değerler arasındaki otokorelasyonu tespit etmek için çeşitli testler bulunmaktadır. Bunların içinde en çok bilineni Durbin-Watson testidir. Durbin-Watson istatistiği 0 ile 4 arasında değerler alır. 2’ ye yakın olan değerler otokorrelasyon yoktur anlamına gelir, sıfıra yakın olan değerler pozitif otokorrelasyonu 4’e yakın olan değerler ise negatif otokorrelasyonu ifade eder. Eğer Durbin-Watson istatistiği 2’den çok küçükse, pozitif otokorelasyon vardır.
    1. TAHMİN FONKSİYONUNUN KULLANILMASI


Tahmin edilen fonksiyon, model kurulma aşamasında sorulan sorulara cevap vermek için gereken bilgileri taşımaktadır. Bir örnek olarak, bir ürünün, ki bu ürüne mavi bisküvileri diyelim, aylık satışı hakkında tahmin edilen bir denkleme bakılarak, fiyatın etkisi incelenebilir:

Fiyat değişkeninin katsayısına bakıldığında (-30,16), beklendiği gibi eksi değer aldığı görülmektedir. Diğer değişkenler sabit tutulduğunda, fiyattaki bir birimlik artışın, satış miktarını 30,16 birim azaltacağı görülmektedir. Tabii bu gözlemlerde birimlerin ne olduğunun gözden kaçırılmaması gerekmektedir. Fiyat biriminin lira, satış biriminin ton olduğu düşünülürse, bu sayıların anlamı şu şekilde oluşmaktadır:



  • Fiyat, bulunduğu fiyattan 1 lira aşağıya çekilirse, aylık satış miktarı 30,16 ton daha fazla olacaktır.

Ya da:

  • Fiyat, bulunduğu fiyattan 1 lira yükseltilirse, aylık satış miktarı 30,16 ton daha az olacaktır.

Metrik olarak ölçülmüş ve tahmin edilmiş tüm değişkenler için bu yorumlama metodu bu şekilde kullanılabilir. Bu sayede, örneğin, bir rakibin fiyatını 1 lira değiştirmesi durumunda satışların nasıl değişeceği de hesaplanmış olur.

Metrik olarak ölçülmemiş, yani bir ve sıfır olarak kodlanarak ölçülmüş değişkenler için analiz biraz daha farklı olacaktır. Mesela, mavi bisküvileri Ramazan değişkeni incelenirse, katsayısının -28,136 olduğu görülmektedir. Bu değişkenin sadece 0 ve 1 değerlerini aldığı düşünülürse, ramazan olmayan her ayda sıfır değerini alırken, ramazan ayında 1 değerini aldığını da hatırlanabilir. -28,136 katsayısı, ramazan ayında bu değişkenin 1 değerini alışıyla, satışların 28,136 ton azaldığını söylemektedir. Yani, ramazan ayı mavi bisküvilerinin satışlarını, diğer değişkenler sabit tutulduğunda 28,136 ton azaltarak etkilemektedir.

Bu son analiz, pazar tepki analizinin ne şekilde faydalı olabileceğine güzel bir örnek vermektedir. Pazar tepki analizi olmaksızın, ramazan ayına girerken fiyatını 1 lira düşüren bir pazarlama müdürü, satışlarının artmasını beklerken, satışlarının çok az arttığını gözlemleyerek şaşırabilir. Fakat yukarıdaki analizin gösterdiği, 1 lira fiyat azalmasının satışı 30,16 ton arttıracağı, ama ramazanın da satışları 28,136 ton azaltarak, sonuçta sadece 30,16 eksi 28,136 = 2, yani sadece iki tonluk bir artış gözlemleneceğidir. Yani, pazarlama müdürünün seçtiği ve maruz kaldığı tüm değişkenler, ancak hepsi beraber göz önüne alınırlarsa anlamlı şekilde anlaşılabilmekte ve yorumlanabilmektedir.

Tahmin edilen fonksiyon, model kurma aşamasında sorduğumuz sorulara cevap vermek için gereken bilgileri taşımaktadır. Elde edilen modeller incelendiğinde yeterli R2 değerine sahip ve bahsi geçen hataları içermeyen modeller talep tahmini için kullanılır. Bu aşamadan sonra bakılması gereken esneklikler ve bu esneklikler için güven aralıklarıdır. Bu sayede kendi fiyatımız ya da rakip ürünün fiyatı değiştiğinde satışımızın ne kadar değişeceğini görme fırsatını yakalanmış oluruz. Elde edilen bağıntıdan yola çıkılarak, şu sorulara cevap vermek için gereken ana yapıya ulaşılmış olduğu görülür.

Söz konusu üretilen ürün,


  • hangi durumlarda (fiyat seviyesi, dağıtım seviyesi, reklam, promosyon vb.)

  • hangi rekabet koşullarında (rakip ürünlerin fiyat seviyesi, dağıtım seviyesi, reklam ve promosyon aktiviteleri vb.)

  • ne zaman (mevsimsellik, özel günler vb.)

  • nereden (süpermarketler, bakkallar vb.)

  • ne kadar (satış miktarı)

satılabilir?


SONUÇ


Pazar tepki analizi, sektörlerin dinamiklerini daha iyi anlamak ve bunları daha iyi yorumlayarak doğru kararları vermek için faydalı sonuçlar içermektedir. Türkiye’de pazar tepki analizine bir başlangıç oluşturmak amacıyla analizin aşamaları bu çalışmada detaya girmeden ama bir bütün olarak incelenmiştir. Analiz yapılırken kullanılan verilerin içeriğinde hala bazı sıkıntılar yaşanabilmektedir. Belki bu çalışmalar sayesinde şirketler, faaliyetlerini daha yakından takip edip, daha sağlıklı veri tutmaya başlayacaklardır. Potansiyel analizlerde pazarlama bileşenleri arasındaki ilişkinin tepkiyi ne yönde ve ne ölçüde etkileyebildiği gözlemlenebilir. Değişken sayısı çok olduğu zamanlarda hangi değişken altkümesinin veriyi en iyi açıkladığını bilmek gerekir. Bunun için çeşitli yöntemler önerilmiştir ama temel yöntem akademisyenlerin kullandığı istatistiksel yöntemlerle, pratisyenlerin yani yöneticilerin bakış açısını birleştirerek iş hayatında da kullanılabilecek bir model elde etmektir.

Pazar tepki analizi olarak isimlendirdiğimiz model hakkında genel bilgileri sunduğumuz bu çalışma ile umudumuz, şirketlere ellerinde bulunan veri ile ne gibi analizler yapabilabileceği, bu analizlerde dikkat edilmesi gereken önemli hususlar ve sonuçların nasıl yorumlanacağı konusunda yol göstermekti. Bunun yanısıra firmalarla, pazarın dinamiklerini ve pazarlama bileşenlerinin bu dinamiklere göre alması gerektiği seviyeleri iyi bir şekilde nasıl anlayabileceklerini paylaşabilme fırsatını da yakalamış olduk. Umuyoruz bu gibi analiz kabiliyetlerinin şirketlere yayılması, şirketlerin kârlılığının artmasını sağlarken, öncelikle ulusal pazarda rekabet şanslarını arttıracak, daha sonra da küresel pazarlarda rekabet etmelerine yardımcı olacaktır.

 

Teşekkür

Çalışmamızı destekleyen TÜBİTAK-SOBAG’a ve desteklenen bu TÜBİTAK Araştırma Projesi (Proje No: 107K101) yardımcı araştırmacıları Dr. Kerem Tomak ve Dr. Selcen Ö. Aykaç’a teşekkür ederiz.



REFERENCES

1 Randolph E. Bucklin; Sunil Gupta, Commercial Use of UPC Scanner Data: Industry and Academic Perspectives, Marketing Science, Vol. 18, No. 3, Special Issue on Managerial Decision Making. (1999), pp. 247-273.

2 Davidson, Timothy A., E. Craig Stacey. 1997. 1996 Marketing analysis and modeling survey. Summary Report, Prevision Corporation, Wellesley, MA.

3 Saunders, John, The Specification of Aggregate Market Models, European Journal of Marketing, ISSN: 0309-0566, Year: 1987 Volume: 21 Issue: 2

4 Dean, J., Managerial Economics, Englewood Cliffs, New Jersey, Prentice-Hall

5 Rogers, Everett M.; Shoemaker, F. Floyd, Communication of Innovations; A Cross-Cultural Approach., Second Edition, New York, Free Press







    Ana sayfa


Pazarlama Kararlarına pazarın verdiği Tepkiler nasıl ölçülür?

Indir 121.79 Kb.