Содержание к диссертации
Введение
Глава 1. Теоретические подходы и методы оценки влияния маркетинговых практик на финансовые результаты компании 16
1.1 Характеристика маркетинговой среды в России 17
1.2 Понятие «маркетинговые практики» и типологизация МП 22
1.3 Существующие подходы к изучению и систематизации МП 29
1.4 Взаимосвязь маркетинговой деятельности и финансовых показателей компании и подходы к оценке 33 Выводы по главе 1 37
Глава 2. Методология исследования, выявляющего взаимосвязь МП и финансовых результатов компании 39
2.1 Направление адаптации и подтверждение возможности использования СМР методологии для исследований в России .45
2.1.1 Основные направления адаптации методологии СМР для российского исследования .45
2.1.2 Подтверждение применимости методологии СМР с помощью факторного анализа: разведывательного и подтверждающего 48
2.2 Последовательность типологизации МП в России с помощью кластерного анализа 51
2.3 Методы исследования взаимосвязи МП и финансовых результатов компании .56
2.3.1 Попарное сравнение кластеров по финансовым показателям: выручка, чистая прибыль, ROS, ROI 56
2.3.2 Возможность установления взаимосвязи между темпом прироста чистой прибыли и МП с помощью метода машинного обучения 57
Выводы по главе 2 66
Глава 3. Результаты эмпирического исследования взаимосвязи МП и финансовых результатов компании 69
3.1 Результаты применения и проверки возможности использования методологии СМР на российском рынке 69
3.2 Критические замечания по методу кластерного анализа в методологии СМР .77
3.2.1 Типологизация МП на российском рынке .77
3.2.2 Проверка устойчивости кластеров МП компаний в России 87
3.3 Выявление взаимосвязи МП и финансовых результатов деятельности компаний в России .95
3.3.1 Результаты попарного сравнения кластеров по финансовым показателям: выручка, чистая прибыль, ROS, ROI .95
3.3.2 Анализ взаимосвязи типов МП и темпа прироста чистой прибыли компаний методом машинного обучения 98
3.3.3 Практические рекомендации менеджерам по итогам исследования .108
Выводы по главе 3 110
Заключение 113
Список литературы .116
Приложение А. Сравнительная характеристика исследований взаимосвязи элементов маркетинговой деятельности и финансовых результатов компании .131
Приложение Б. Характеристика выборки исследования 137
Приложение В. Анкета проекта «Современные маркетинговые практики» 140
Приложение Г. Результаты попарного сравнения кластеров по финансовым показателям: значимые отличия между кластерами 147
Приложение Д. Сравнительное графическое представление групп компаний в зависимости от финансового показателя 151
- Понятие «маркетинговые практики» и типологизация МП
- Последовательность типологизации МП в России с помощью кластерного анализа
- Типологизация МП на российском рынке
- Анализ взаимосвязи типов МП и темпа прироста чистой прибыли компаний методом машинного обучения
Понятие «маркетинговые практики» и типологизация МП
«Неустойчивость внешней среды и необходимость быстрого реагирования на изменения рынка вынуждают компании инвестировать в различные виды маркетинговой деятельности. Интерес исследователей к маркетинговым практикам (МП) и к оптимизации маркетинговых бюджетов подтверждается значительным ростом публикаций по этой тематике за последние десять лет [напр. Albadvi, Koosha, 2011; Fischer et al., 2011] и увеличением бюджетов компаний, выделяемых на маркетинговую деятельность» [Лагутаева, Третьяк, Григорьев, 2016]. Понятия «маркетинг», «маркетинговая деятельность» и «маркетинговая практика» тесно связаны друг с другом. Согласно последнему определению маркетинга на сайте Американской ассоциации маркетинга 4 , «маркетинг – это деятельность, набор институтов и процессов по созданию, коммуникации, доставке и обмена предложениями, которые имеют ценность для покупателей, клиентов, и общества в ц елом». Часто в научных статьях упоминается термин «маркетинговые практики» без определения данного понятия. В таких статьях изучают бизнес-практику маркетинговой деятельности компании, зоны ответственности которой указаны в определении понятия «маркетинг» выше. В литературе существуют разные подходы изучения и определения МП (Таблица 1).
Одни исследователи придерживались описательного характера касательно самой деятельности МП [Dibb, Simoes, Wensley, 2014; Третьяк, 2002], другие исследователи классифицировали наиболее влиятельные области МП с точки зрения бизнеса их компаний [Roberts, Ujwal, Stremersch, 2014]. Нет общепринятого определения термина «маркетинговые практики». (Таблица 1) Широкий обзор понятий термина «маркетинговые практики» представлен в работе В.Ребязины и А.Давий [Ребязина, Давий, 2014]. Авторы выделяют неоднозначность в понимании данного термина для академического сообщества и представителей бизнеса. Если для первых, это «набор маркетинговых инструментов, способ организации маркетинговой деятельности и адаптация к внешней среде», то для представителей бизнеса – это та деятельность, которую они реализуют в компании в рамках маркетинговой деятельности, используя инструментарий маркетинга. В большинстве случаев, представители бизнеса рассматривают МП как набор отдельных, не всегда связанных друг с другом видов маркетинговой деятельности. В научной литературе МП, как правило, изучаются системно. Под термином «маркетинговая практика» чаще всего подразумевается совокупная и системная деятельность, которая ведется в отделах маркетинга и за его пределами, для реагирования на изменения рынка и наиболее полного удовлетворения потребностей покупателей. В результате подходы к пониманию МП в теории и на практике отличаются [Dibb, Simoes, Wensley, 2014]. В данной работе за основу определения понятия «маркетинговые практики» берется определение, представленное Dibb, Simoes, Wensley:
Маркетинговые практики – совокупная и системная деятельность, которая ведется в отделах маркетинга и за его пределами, для реагирования на изменения рынка и наиболее полного удовлетворения потребностей покупателей.
Россия вызывала большой интерес с точки зрения изучения маркетинга в переходной экономике [Fallon, Jones, 2004; Molz, 2011]. Американской маркетинговой ассоциацией 5 (AMA) опубликованы исследования практик в России, касающиеся изменений маркетинга при переходе к рыночной экономике [Golden, Doney, Johnson, Smith, 1995; Czinkota, 1997]. В рамках этой тематики одни исследовали институциональную среду [Salmi, 2004; Jansson, 2007; Puffer, McCarthy, 2011], её влияние на SME [Molz, Farashahi, 2011], воздействие внешней среды, в том числе экономический кризис [Komissarova, 2012]. Другие – динамику ориентации на рынок [Golden, Doney, Johnson, Smith, 1995], власть и развитие партнерских отношений [Belaya, Hanf, 2011], проникновение и влияние [Ashnai, Smirnova, Kouchtch, Yu, Barnes, Naude, 2008] на рынок глобальных компаний [Johansson, Leigh, 2011; Ghauri, Tarnovskaya, Elg, 2008], влияние отношений на межличностном уровне [Halinen et al., 2001], а также сопоставляли действия российских и западных менеджеров. Многие отмечали высокую скорость изменения внешней среды на российском рынке, основной акцент в исследованиях сделан на процесс адаптации к внешним изменениям, изменения
Поиск в базе АМА по запросу «Russian Marketing Practices». инструментария и появление новых тенденций. Популярны исследования выхода на российские рынки глобальных компаний, а также повлекшие за этим изменения. Например, Йоханссон и Лэй [Johansson, Leigh, 2011] исследовали проникновение глобальных компаний (по трем продуктовым направлениям: пиво, уход за волосами и газированные безалкогольные напитки) на развивающиеся рынки, к которым относятся страны БРИКС. Так, преобладающее большинство успешных брендов на этих рынках принадлежат европейским мультинациональным компаниям [Johansson, Leigh, 2011]. После 2000-х годов, когда на российские рынки стали выходить компании развитых стран, такие как Unilever, Nestl, Metro AG, IKEA, Heineken, Samsung Electronics, Nokia и Ford Motor Corporation, произошла ассимиляция МП [Komissarova, Grein, 2011], которая повлекла за собой изменения развития российского маркетинга и комбинации его направлений. Кооперация с зарубежными компаниями развивала российские рынки, повышала производственные стандарты и уровень обслуживания. Другие исследователи [Ghauri, Tarnovskaya, Elg, 2008] использовали сравнительный подход при изучении последствий выхода компании Ikea в России и в Польше. В то время как российским фабрикам Ikea помогла выжить в пост-переходный период, польские фабрики негативно воспринимали кооперацию с таким гигантом [Ghauri, Tarnovskaya, Elg, 2008]. Внешняя среда, нехватка знаний и неуверенность предпринимателей [Czinkota, 1997], – все это способствовало копированию практик развитых рынков [Wagner, 2005]. Ашнай, Смирнова и др. [Ashnai, Smirnova, Kouchtch, Yu, Barnes, Naude, 2008] исследовали основу отношений, какие факторы являются первопричинами для начала бизнес-отношений в Иране, России, Китае и Великобритании. Список исследуемых факторов: доверие, потребности, интеграция, власть и прибыль. По результатам исследования, Россия оказалась единственной страной, где доминировал фактор «прибыль» среди остальных факторов. В целом исследования не носили характер изучения МП, большинство из них изучают элемент(ы) маркетинга на российском рынке или изучение ситуации (кризисный период, переход к рыночной экономике, выход иностранных компаний на российский рынок и др.). У российского рынка есть своя специфика, выражающаяся в непрозрачности, нестабильности отношений на рынке и высокой склонностью к оппортунизму, построение отношений на связях, особенно ценятся связи с государством, «бизнес не между компаниями, а между людьми», обход, высоко ценятся партнерства и сети [Lehtinen, 1996; Halinen, Salmi, 2001; Jansson et al., 2007; Smirnova et al., 2011; Molz, Farashahi, 2011; Tsybina, Rebiazina, 2013]. Деятельность институтов в России неэффективна, причинами являются произвол, бюрократизация и коррупция [Molz, Farashahi, 2011]. Не создается институциональной среды для эффективной работы, хотя наблюдается позитивная тенденция изменений применения инструментария маркетинга в компаниях. В свою очередь, Вагнер [Wagner, 2005] выделяет следующие причины слабости маркетинга российских компаний: (1) нет экономической необходимости измерения маркетинга; (2) нет понимания необходимости измерения маркетинга; (3) неудача в проведении маркетинговых мероприятий. Именно по этим причинам российские компании во время кризиса 2008 года инвестировали в маркетинг в последнюю очередь, ошибочно предполагая, что перераспределив средства с отдела маркетинга на другие, по их мнению, более важные отделы, они смогут укрепить позиции на рынке [Komissarova, Grein 2011]. Однако улучшить свои позиции на рынке, или хотя бы сохранить свои позиции и не уйти из бизнеса, смогли компании, инвестировавшие в интернет-маркетинг, новые технологии маркетинга, креативную рекламу [Komissarova, Grein 2011]. Специфика рынка может объяснить причины использования одних типов МП и не использования других. В России проявляется отношенческий маркетинг при выстраивании отношений не между компаниями, а между людьми, иными словами, проявляется интерактивный тип МП.
Последовательность типологизации МП в России с помощью кластерного анализа
Методология СМР использует кластерный анализ для описания существующих комбинаций типов МП в стране методом К-средних. В данном анализе методика усовершенствована:
1) Добавлен факторный анализ. Теперь количество индикаторов в каждом типе МП зависит от результатов подтверждающего факторного анализа.
2) Кластерный анализ базируется на сформированных факторах, по результатам CFA.
3) Кластерный анализ проводится в два этапа: иерархический кластерный анализ (для определения оптимального количества кластеров) и кластерный анализ методом K-means.
4) Добавлена проверка устойчивости решения кластерного анализа.
Для каждой компании в выборке рассчитывается интенсивность использования типа МП, которая измеряется в интервале от 0.2 до 1. Интенсивность МП принимает минимальное значение 0.2 в случае если, респондент опровергал все утверждения (или индикаторы), определяющие конкретный тип МП (соответствует значению 1 по шкале Лайкерта). Напротив, максимальное значение 1 достигается, если компания всегда осуществляет деятельность, описанную в подпункте к вопросу анкеты (соответствует значению 5 по шкале Лайкерта). В результате, проводится нормирование пятибалльной шкалы Лайкерта, путем отношения суммы ответов индикаторов, образующих фактор (тип МП) к максимальной сумме баллов (максимальное количество вычисляется умножением количества индикаторов, образующих фактор, на пять). Одним из параметров проверки результатов кластерного анализа является устойчивость полученного решения. Устойчивость проверяется по следующим показателям: 1) на предмет устойчивости конечных центров кластеров, количества компаний в кластерах, а также доля компаний классифицированных корректно (таблица 4).
Для проверки устойчивости случайным образом формируются подвыборки общей базы данных, где вероятность попадания компании в подвыборку составляет 90%. В исследовании созданы пять подвыборок, количество компаний которых составляет примерно 90% общей базы данных. Компании в подвыборки отобраны случайным образом, а распределение данных аналогично распределению в общей базе данных.
Для каждой подвыборки осуществляется процедура кластерного анализа: иерархический кластерный анализ и кластерный анализ K-means. Результатом кластерного анализа являются конечные центры сформированных кластеров в каждой подвыборке, набор и количество компаний в кластерах.
Устойчивость конечных центров кластеров в исследовании проверяется графически с помощью диаграммы Вороного. «Диаграмма Вороного для конечного множества точек S на плоскости представляет такое разбиение плоскости, при котором каждая область этого разбиения образует множество точек, более близких к одному из элементов множества S, чем к любому другому элементу множества» [Препарата, Шеймос, 1989]. То есть пространство разделяется на области, каждая область обладает своим центром, все наблюдения распределяются таким образом, что расстояние до центра выбранной области является минимальным в сравнении с расстояниями до центров других областей.
Координаты конечных центров кластеров являются основой для построения диаграмм Вороного (центры выделенных областей). Интенсивность использования типов МП служит координатами компаний выборки в пятимерном пространстве (за счет пяти типов МП). Простым перебором комбинаций типов МП в качестве осей двухмерного пространства строятся диаграммы Вороного. Наглядно устойчивость кластерного решения получается путем наслоения графиков одного массива данных на результаты другого массива данных при условии одинаковых осей координат. То есть тип МП оси абсцисс массива 1 совпадает с типом МП оси абсцисс массива 2, аналогично с осью ординат.
Результатом являются 100 графиков диаграмм Вороного – 10 комбинаций типов МП в двумерном пространстве, 10 комбинаций массивов данных для графического изображения конечных центров кластеров, для наглядности на графике будет представлено сопоставление двух массивов данных (рисунок 4).
В случае если результаты кластерного анализа устойчивые, то при небольшом изменении выборки (10%) графики будут практически идентичны друг другу.
Устойчивость результатов кластерного анализа в работе проверяется также с помощью количества компаний в сопоставимых кластерах и корректно классифицированных компаний в подвыборках. Для оценки двух других параметров устойчивости после проведения процедуры K-means для каждой из 1000 подвыборок необходимо определить, какие кластеры сопоставимы с кластерами в других подвыборках. Сопоставимость кластеров подвыборок достигнута с помощью решения следующей задачи (формула 1)
Типологизация МП на российском рынке
В работе автор исследует взаимосвязь МП и финансовых показателей компаний с помощью результатов кластерного анализа компаний по типам МП, а также с помощью алгоритма KNN, классифицирующий компании в зависимости от значения финансового показателя. Уделим внимание процедуре подготовки базы для проведения кластерного анализа, который является одним из этапов исследования взаимосвязи МП и финансовых показателей компании. Основа кластерного анализа – результаты последовательно проведенных сначала разведывательного факторного анализа, а затем подтверждающего факторного анализа. В качестве факторов выступают типы МП, которые раскрываются посредством переменных (вопросов анкеты). Используя нормированную шкалу Лайкерта14, получены следующие факторы:
TM = (Х21 + Х22 + Х19) / 15 (3)
DM = (X12 + X13 + X44) / 15 (4)
IM = (X19 + X24 + X29 + X39 + X44 + X49) / 30 (5)
IT = (X3 + X18 + X38 + X48) / 20 (6)
NW = (X15 + X20 + X25 + X30 + X45 + X50) / 30 (7), где Xi – это порядковый номер i ответа анкеты (Приложение В).
Для наглядности распределение данных представлено графически в двумерном пространстве (рисунок 9).
На рисунке 9 наглядно наблюдается корреляция данных, даже без применения специальных методов. Существует корреляция между следующими типами МП: TM и DM, DM и IT, DM и NM, IT и NM. В остальных парах, и в целом, при системном изучении МП, взаимосвязи становятся менее очевидными.
Для определения оптимального числа кластеров проведен иерархический кластерный анализ, результатом которого на основе разностей коэффициентов шагов агломерации стали пять кластеров, где доминируют один или несколько типов маркетинговых практик. На графике видно (рисунок 10), что до 34 шага не было резких скачков, следовательно, пять кластеров – оптимальное количество для данной выборки.
Таблица 8 описывает полученные кластеры с точки зрения интенсивности использования МП. Значения соответствуют координатам центров кластеров. Выделенные значения в ячейках означают, что они больше или равны среднему значению по выборке.
Полученные значения от TM до IT-маркетинга для кластера 1 выше среднего, сетевой маркетинг почти на уровне среднего значения, и именно в этом кластере сетевой маркетинг значительно превышает значения остальных кластерных групп, соответственно, данный кластер характеризуется использованием широкого спектра всех существующих маркетинговых практик и называется, в соответствии с результатами, «гибрид высокоактивный». Кластер 2 характеризуется преимущественным использованием маркетинга баз данных и взаимодействием с потребителями посредством интернет-технологий, он условно получил название «технологический». Кластер 3 представлен сочетанием традиционного маркетинга (использованием классического инструментария – 4Р) и в большей степени интерактивного, поэтому название этого кластера – «интерактивный». У кластера 4 показатели всех направлений маркетинговых практик ниже среднего, следовательно, компании характеризуются низкой маркетинговой активностью. Компании кластера 5 используют комбинацию трансакционного маркетинга и элементов отношенческого маркетинга (маркетинга баз данных и интерактивного). Поскольку отношенческий маркетинг здесь проявляется не в полной мере, то данный комбинированный кластер получил название «гибрид низкоактивный».
С помощью кластерного анализа методом К-средних было проверено утверждение о разделении выборки на пять значимо различающихся кластеров. Кластерный анализ проводился при условии попарного исключения пропущенных данных. На 5%-ном уровне значимости утверждаем, что разбиение для всех факторов не случайно. Кластеры «гибрид высокоактивный» и «гибрид низкоактивный» преобладают (28% компаний в каждом), далее по величине следует «интерактивный» кластер (21%), кластер «технологический» составляет 15% компаний и самый малочисленный кластер «низкой маркетинговой активности» (8%). Следовательно, кластеры, полученные в результате исследования, совпадают с результатами предыдущих исследований не только по количеству, но и по содержанию маркетинговых практик: «низкий уровень маркетинга» и «интерактивный» (характерные для формирующихся стран); «гибрид высокоактивный» – характерен почти для всех стран, участвовавших в проекте СМР. Новым, в отличие от упомянутых в предыдущих исследованиях, стал кластер, основанный на межличностных взаимоотношениях, с использованием трансакционного маркетинга и маркетинга баз данных (кластер 3), в котором проявляется особенность маркетинговых практик, используемых на российском рынке.
Профили компаний кластеров. Полученные кластеры охарактеризованы с помощью следующих критериев:
1) регион фактического адреса компании;
2) отраслевая принадлежность;
3) виды товаров или услуг, которые производит или оказывает компания;
4) возраст компании;
5) происхождение капитала;
6) количество сотрудников в компании / отделе продаж / отделе маркетинга;
7) рынок компании: потребительский / промышленный / оба варианта;
8) рыночное предложение: товары / услуги / оба варианта;
9) Интернет и социальные медиа (не)ключевая деятельность организации
10) показатели оценки маркетинговой деятельности.
Далее речь пойдет о критериях, которые существенно отличаются между кластерами, именно на основе этих критериев будет строиться специфический профиль кластера. С помощью статистики хи-квадрат были определены следующие критерии как значимо отличающие друг от друга сформировавшиеся кластеры: отраслевая принадлежность; виды товаров или услуг, которые производит или оказывает компания; происхождение капитала; тип рынка (В2В, В2С или оба варианта); а также ответ на вопрос, являются ли Интернет и социальные медиа ключевой деятельностью компании. Среди показателей, которые измеряют компании, значимые отличия среди кластеров продемонстрировали уровень удержания клиентов, оценка удовлетворенности клиентов и отслеживание показателей в социальных сетях, например, количество друзей, последователей, «лайков». Значимыми оказались именно перечисленные показатели, остальные измеряются компаниями в равной степени независимо от выбранного кластера.
Ниже последует описание профилей пяти кластеров, полученных в результате кластерного анализа, на основе значимо отличительных критериев, выделенных в абзаце выше. «Гибрид высокоактивный»
«Кластер является самым разнообразным в разрезе отраслей. Проявляется в отраслях IT и телекоммуникации – максимальная доля внутри кластера (20%), наиболее развитых с точки зрения МП, а также в сфере оптовой торговли (15%), в производстве/промышленности (12%), в издательством бизнесе (12%), по 7% от общего количества компаний в кластере занимаются строительством и консалтингом. По рыночному предложению компании распределились следующим образом: 26% компаний оказывают услуги для бизнеса, 14% компаний производят потребительские упакованные товары, 12% компаний производят товары длительного пользования, еще 12% – промышленные товары, остальные оказывают услуги для населения (7%). Такое распределение по рыночному предложению соответствует отраслевой принадлежности компаний.
Почти половина представителей данного кластера ориентирована на В2В рынки (48%). Треть компаний кластера работают как с В2В, так и с В2С клиентами (33%). Клиенты остальных компаний в данном кластере являются конечными потребителями (19%). В этом кластере максимальный процент компаний среди полученных кластерных групп, для которых интернет и социальные медиа являются ключевой деятельностью (38%), а также максимальное количество компаний с иностранным капиталом (24%) и комбинированным происхождением капитала (12%).
Компании данного кластера наиболее активно отслеживают исследуемые показатели деятельности, – все они анализируют количество новых клиентов и рост продаж, практически все (94%) оценивают удовлетворенность клиентов, а также прибыльность. Удержание клиентов и долю рынка оценивают 86% компаний кластера, а основные метрики социальных сетей анализирует 51% компаний – гораздо больше, чем в остальных кластерах» [Третьяк, Лагутаева, 2015, с. 418]. «Технологический» кластер
Анализ взаимосвязи типов МП и темпа прироста чистой прибыли компаний методом машинного обучения
Метод, который автор использует для выявления взаимосвязи, является методом машинного обучения и относится к алгоритмам классификации – метод k ближайших соседей (KNN). Автор предполагает, что компании одного финансового уровня как успешные компании, так и неуспешные, склонны использовать одинаковые наборы типов МП в своей деятельности.
Графический анализ данных позволяет сделать первые выводы о корреляции типов МП, а также наглядно демонстрирует распределения использования типов МП финансово неуспешными (рисунок 14) и финансово успешными (рисунок 15) компаниями (сравнительное представление всех четырех групп компаний одновременно на графике представлено в Приложении Д). В двумерном пространстве графически видны различия распределения интенсивности использования между типами МП.
Финансово неуспешные компании группируются в правом верхнем углу плоскости координат, что свидетельствует о высоком значении интенсивности использования типов МП. Такое высокое значение использования демонстрируют следующие пары типов МП: TM и NM, DM и IM, DM и NM, IT и IM, IT и NM, IM и NM. Таким образом, финансово неуспешные компании демонстрируют достаточно высокий уровень использования большинства типов МП.
В противовес финансово неуспешным компаниям успешные компании концентрируются по центру плоскостей, либо в левом нижнем углу, за исключением IM и NM типов МП (рисунок 15).
Выборка представляет характеристику компаний по 6 критериям: пять типов МП по интенсивности использования и значение темпа прироста чистой прибыли. Результаты исследования будут представлены с двух сторон: точность метода KNN на базе СМР-СПАРК и описание МП, характерных для областей с коэффициентом соответствия более 50%.
Для каждого способа разбиения компаний базы СМР-СПАРК на финансовые группы вычислен показатель точности. Точность классификации – отношение количества корректно классифицированных объектов к общему количеству наблюдений. Основой для классификации компаний на группы с последующим применением KNN метода в исследовании являются финансовые показатели компаний. Алгоритм KNN также, как и любой другой алгоритм 101 машинного обучения, разделяет базу данных на выборку для обучения (выборка «оптимизация») и выборку для тестирования (выборка «тест»). Цель алгоритма вычислить оптимальное количество k (параметр ближайших соседей), при котором достигается максимальное значение точности. На выборке «оптимизации» алгоритм выбирает оптимальное k, на выборке «тест» алгоритм проверяет точность предлагаемого метода. Пропорция компаний для обеих выборок может меняться. В данном исследовании имеется дело с базой данных небольшого размера, поэтому автор предполагает, что метод перекрестной проверки окажется точнее, чем обучение на половине базы и проверка рекомендуемых значений для второй половины выборки. Для небольших выборок KNN данные рекомендуется анализировать с учетом перекрестной проверки большего числа подвыборок, то есть база данных случайным образом делится на 10 равных частей, затем девять случайно выбранных частей служат для обучения и одна десятая для тестирования. Исследуются значения k от 1 до 11 соседей, где для каждого k вычисляется коэффициент точности, результаты отражены в таблице 10 (50% базы данных отобраны случайным образом для выборки «оптимизация и 50% базы данных отобраны случайным образом для выборки «тест») .
Во втором способе применения KNN данные анализируются с учетом перекрестной проверки большего числа подвыборок: база данных случайным образом делится на 10 равных частей, затем девять случайно выбранных частей служат для оптимизации и одна десятая для тестирования. В результате было выбрано k, при котором коэффициент соответствия был максимален (таблица 11).
Невысокое значение коэффициента соответствия на выборке «тест» свидетельствует о том, что в целом нет общих закономерностей в использовании определенных стратегий в выборе МП компаниями для достижения определенного финансового уровня (вхождения в определённую группу). Однако взаимосвязь между МП и индексом в малых окрестностях МП-пространства однозначно существует, поскольку для сфер, включающих до семи компаний, коэффициент соответствия на всех выборках наблюдался выше 25%, что свидетельствует о неслучайном процессе классификации. Возможно, на первый взгляд точность 25% и 33% не сильно отличаются друг от друга, поэтому принято решение сопоставить вероятность точности метода, соответствующую значению 33% и выше. Для этого построены 10 000 баз данных аналогичного количества наблюдений (129 наблюдений), где значение 1 принималось с вероятностью 25%, значение 0 с вероятностью 75%. Точность метода вычислялась с помощью отношения количества компаний, значение которых соответствовало единице к общему количеству компаний (129). Рисунок 16 демонстрирует распределение точности метода при условии, что финансовая группа присваивалась компании случайным образом. Наиболее часто встречающаяся точность метода соответствует значению 25%, именно то, с которым происходило сравнение.
Вероятность получения точности 33% и более принимает значение 1.9%. Такой результат подтверждает наличие взаимосвязи между типами МП и темпом прироста чистой прибыли.