Rozhodování při nákupu nákladních vozidel je komplexní proces, který je ovlivněn zhruba padesáti parametry. Z tohoto počtu přibližně polovina parametrů přímo souvisí s rozhodovacím procesem, zatímco mírně větší část jsou atributy spojené s vnímáním značky.
Přesné přiřazení váhy těmto faktorům a detailní popis uvažování odpovědné osoby při nákupu nového nákladního vozu pro společnost je z principu obtížný úkol. Trh s nákladními automobily po loňském krátkodobém oživení letos zaznamenal mírný propad. Podle souhrnných výsledků za první čtvrtletí došlo ke snížení o 4,8 %, což představuje 68 neprodaných vozidel. Tato situace v České republice přibližně kopíruje stav v zemích Evropské unie, kde meziroční pokles ve stejné kategorii činil 3,4 %.
Klíčové faktory ovlivňující rozhodování
Studie potvrdila předpoklad, že kromě značky hraje velmi podstatnou roli také osobní zkušenost a prožitek. To platí i pro tak racionální proces, jakým je nákup nákladních vozů do firmy.
Výzkum využíval kombinaci kvalitativního a kvantitativního výzkumu. „Kvalitativní část nám jednak pomohla porozumět uvažování cílové skupiny při rozhodování o nákupu nového nákladního vozu pro společnost a současně nám pomohla definovat všechny významné parametry, které mohou hrát v uvažování zákazníků ve firmách roli,“ vysvětluje Jan Šrámek, Consultant Business & Technology GfK Czech.
„Je jasné, že na výběr nového vozu má podstatný vliv i značka a její image. Standardní otázky spojené s vnímáním předních značek na českém trhu, s jejich charakteristikami, silnými stránkami i slabinami, či se standardní prezentací značek prostřednictvím inzerce, sice patří k těm „povinným,“ ale samy o sobě při mapování zákaznické zkušenosti nestačí,“ dodává.
Jako podstatnější se ukazují témata kolem asociací se značkami, osobních preferencí decision makerů nebo například typů informací, které zákazník při zvažování koupě porovnává. Zajímavé výsledky rovněž přinesla vyjádření respondentů ohledně osobní zkušenosti s přístupem dealerů.
Role osobní zkušenosti a opakovaných nákupů
Z podstaty obchodování s nákladními vozidly je zřejmé, že naprostá většina nákupčích již má se značkami dostupnými na trhu přímou zkušenost. Nákladní auta se kupují opakovaně a jejich odběrateli jsou největším dílem přepravní, distribuční a stavební firmy.
„Váha značky se liší až v detailech. Přesněji řečeno, liší se, pokud se podrobněji podíváme na poměry nákupčích, kteří se nejprve rozhodli pro určitou značku a pak si ji také koupili, a těch, u kterých byl rozhodovací proces méně přímočarý,“ vysvětluje Jan Šrámek. „Přičemž ani podíl zákazníků, kteří se rozhodli k nákupu, aniž by se předem rozhodli pro některou ze značek, není z obchodního hlediska nevýznamný.“
Rozhodovací strom jako nástroj prodejců
Pokud má z výzkumu vyplynout srozumitelné zadání pro marketing i pro obchodníky, kteří mají reálnou možnost rozhodovací proces zákazníků přímo ovlivnit, je jednoznačně nutné jít s výzkumem do hloubky. Jakou roli hraje u této skupiny cena, jakou technické parametry, jakou kvalita a spolehlivost?
Rozhodovací strom, který je jedním z výstupů studie, na všechny tyto otázky dává jednoznačnou odpověď a umožňuje vyškolit dealery tak, aby na základě dobře položených otázek dokázali najít efektivní cestu k dobře připravené nabídce s nadějí na úspěch.
„Není bez zajímavosti, že u nejsilnějších značek v tomto segmentu stále hraje kvalita, šíře nabídky a řada ostatních parametrů o něco podstatnější roli než cena, a to i přes rostoucí ekonomický tlak, který firmy zažívají,“ podotýká Jan Šrámek.
Svou významnou roli zde sehrává i tolik omílaná loajalita. V tomto případě se však nejedná o prázdný pojem, pozitivní zkušenost se značkou jednoznačně koresponduje s opakovanou koupí.
Analýza trhu a konkurenční prostředí
Z tržních podílů je zřejmé, že rozdíly mezi objemy prodejů jednotlivých značek nejsou nijak dramatické. Z tohoto pohledu se jedná o vysoce konkurenční trh, na kterém o úspěchu té které značky rozhoduje každý detail.
Proto byla nedílnou součástí výstupů i korespondenční analýza, která vyjadřuje vnímání značky ve vztahu k jednotlivým charakteristikám v konkurenčním prostředí nákladních vozů, jakými jsou například bezpečnost, technické parametry, servisní a provozní náklady, subjektivně vnímaná hodnota ve vztahu k ceně atd.
Investici do značky pro tentokrát ponechme stranou, i když by si podrobnější pohled zasloužila. Neméně zajímavá jsou totiž doporučení pro podlinkové aktivity, která ze studie vyplývají.
Ačkoli je vliv dealera na rozhodnutí ke koupi klíčový, sám o sobě není dostatečný. Zvláště u značek, které nejsou tak silné v parametrech týkajících se kvality, „value for money“, servisních služeb či předchozí osobní zkušenosti, je síla podlinky neoddiskutovatelná.
Statistiky registrací nákladních vozidel
Meziroční pokles registrací nákladních vozů, který ve státech Evropské unie dosáhl v březnu 3,4 %, kopírovala i tržní situace v České republice, kde se za první čtvrtletí propadly první registrace o 4,18 %, což představuje snížení o 68 vozidel. Celkem tak bylo od ledna do března v České republice letos registrováno 1558 nových nákladních automobilů kategorie N2 a N3.
| Značka | Počet registrací (leden-březen) |
|---|---|
| Mercedes-Benz | 303 |
| DAF | 294 |
| Volvo | 257 |
| Man | 212 |
| Iveco | 176 |
| Avia | 31 |
| Tatra | 20 |
Na prvním místě je Mercedes-Benz s 303 registracemi, následují značky DAF s 294 registrovanými vozidly, Volvo s 257 vozidly, Man s 212 vozidly a Iveco se 176 vozidly. Tuzemské značky si drží značný odstup, Avia má registrovaných 31 vozidel a Tatra 20 vozidel.
Rozhodovací stromy v kontextu umělé inteligence a predikce
Rozhodovací strom je typ grafu, který lze využít k zachycení procesů rozhodování. Jeho vnitřní uzly obsahují podmínky a listy (koncové uzly) obsahují predikce. První podmínka je v kořenovém uzlu a postupuje se po hranách (šipkách) do podstromu podle toho, zda podmínka platí, nebo neplatí.
Cestu z kořene do listu lze interpretovat jako složenou podmínku spojenou s jedním klasifikačním pravidlem. Rozhodovací stromy lze využít na řešení klasifikačních i regresních úloh. V případě klasifikačních úloh hledáme strom, který maximalizuje správnost (počet správně klasifikovaných případů) na zadané trénovací množině příkladů.
Strom se tvoří postupným přidáváním uzlů s podmínkami. Začíná se s celým datasetem příkladů a hledá se podmínka, která rozdělí příklady na dvě co nejhomogenější skupiny. Vybraná nejlepší podmínka se stává kořenem stromu. Stejný proces se opakuje pro každý podstrom.
Vlastnosti a omezení rozhodovacích stromů
Rozhodovací stromy jsou jednoduché a velmi dobře interpretovatelné. Lze je přirozeně vizualizovat a pro jednotlivé predikce lze generovat jasná vysvětlení - složené podmínky dané cestou z kořene do listu. Tyto podmínky jsou navíc nad původními atributy, neboť rozhodovací stromy nevyžadují normalizaci atributů.
Jsou však náchylné k přeučení, čemuž lze předejít omezením hloubky a prořezáváním větví, které příliš nepřispívají k celkové správnosti predikcí. I při těchto opatřeních jsou však stromy nestabilní - malá změna dat může výrazně ovlivnit výsledný strom.
Složitější modely kombinují více rozhodovacích stromů do jednoho modelu, aby zvýšily kvalitu predikcí. Příkladem je náhodný les (random forest), což je agregace velkého množství rozhodovacích stromů naučených na náhodných podmnožinách trénovacích dat, jejichž predikce se průměrují. To zvyšuje stabilitu predikcí a snižuje náchylnost k přeučení.
Jako jedna z data miningových technik mají rozhodovací stromy za cíl identifikovat objekty, popsané různými atributy, do tříd. Každý uzel stromu představuje rozhodování podle jedné vybrané vlastnosti objektu. Vlastnosti je nutné nejdříve diskretizovat (např. z reálných čísel do konečného počtu intervalů).
Pro kořenový uzel se vybírá atribut, který objekty od sebe maximálně odliší. Využívá se proto entropie (míra informační hodnoty atributu).
Aplikace v autonomních systémech a predikci chování
Lidské rozhodovací procesy mají hierarchickou architekturu. Tvoří ji několik úrovní uvažování a strategických plánování, které probíhají s paralelním zřetelem k dosažení krátkodobých i dlouhodobých cílů.
V posledních letech se vědci pokoušeli vyvinout výpočetní nástroje a techniky, které by lidské rozhodovací procesy dokázaly co nejvěrněji napodobit. To by výrazně zkvalitnilo rozhodování autonomních robotů a vozidel.
Příkladem je datová sada LOKI (LOng Term and Key Intentions), která slouží k trénování umělé inteligence umožňující předpovídání trajektorií chodců a vozidel v dopravním provozu. Základem tohoto datasetu jsou pečlivě označené obrázky různých dopravních situací.
„Snažili jsme se co nejpřesněji popsat, resp. zdůvodnit jak dlouhodobé cíle jednotlivých agentů, tak i jejich krátkodobé záměry a na jejich základě předpovídat jejich budoucí trajektorie v rámci konkrétních dopravních situací,“ popsal základní myšlenku projektu Chiho Choi, jeden členů výzkumného týmu.
Tým Hondy a vědců z Kalifornské univerzity okódoval historii pohybu každého agenta a na tomto základě navrhl rozdělení dlouhodobých cílů. Tyto cíle byly poté předány do modulu společné interakce a predikce, kde vznikl scénický graf umožňující agentům vzájemně sdílet informace o svých trajektoriích, záměrech a dlouhodobých cílech.
Datová sada LOKI obsahuje tři specifické třídy štítků:
- Štítky záměrů: Predikují, jakým způsobem se agent rozhodne dosáhnout daného cíle.
- Environmentální značky: Poskytují informace o okolním prostředí, které často ovlivňuje záměry agentů (např. „vjezd/výjezd na silnici“, „semafor“, „dopravní značka“, „informace o jízdním pruhu“ atd.).
Datový soubor LOKI je prvním, který lze s vysokou mírou efektivity použít k porozumění záměrům heterogenních dopravních agentů, tedy jak osobních a nákladních vozidel, tak i jízdních kol nebo chodců. Vědci prověřili svůj predikční model sérií testů a zjistili, že svou přesností překonává jiné aktuálně používané metody predikce trajektorií až o 27 %.
Rýsuje se tak naděje, že v dohledné době by tento model mohl přispět ke zvýšení bezpečnosti autonomních vozidel.
tags: #rozhodovaci #strom #nakladni #automobil