Segmentace trhu
(angl. market segmentation)
1. Co segmentace znamená
Segmentace trhu je proces systematického rozdělení heterogenního (různorodého) trhu na menší homogenní skupiny zákazníků – segmenty – které sdílejí podobné potřeby, motivace nebo nákupní chování a na něž lze cílit rozdílné marketingové strategie.
Dobře provedená segmentace umožňuje:
- vyšší relevanci nabídky a komunikace,
- lepší alokaci zdrojů,
- vyšší ziskovost díky diferencovaným cenám a produktům.
2. Klasické segmentační kritérium – „STP model“
| Fáze | Otázka | Typické nástroje |
|---|---|---|
| Segmentation | Které podskupiny existují? | Demografie, behaviorální data, clustering |
| Targeting | Které segmenty si vybereme? | BCG matice atraktivita × schopnost |
| Positioning | Jak budeme vnímáni? | USP, hodnotová propozice, messaging |
3. Segmentační proměnné
| Kategorie | Příklady proměnných | Komentář |
|---|---|---|
| Demografické | Věk, pohlaví, příjem, vzdělání, velikost domácnosti | Snadno dostupné, ale někdy příliš hrubé |
| Geografické | Země, město vs. venkov, klima, hustota osídlení | Nutné pro lokalizaci logistiky, legislativní odlišnosti |
| Psychografické | Hodnoty, osobnost, životní styl, postoj k riziku | Odkrývá motivaci, nákladnější výzkum |
| Behaviorální | Frekvence nákupu, věrnost, využívané benefity, price sensitivity | Nejbližší k reálným nákupům (RFM analýza) |
| Technografické (B2B) | Používaný software, cloud stack, bezpečnostní maturity | SaaS a IT prodej |
| Firmografické (B2B) | Odvětví, velikost firmy, roční tržby | ICP – Ideal Customer Profile |
4. Kvantitativní metody
| Metoda | Kdy použít | Software |
|---|---|---|
| K-means clustering | Kontinuální data, potřeba pevných počtů klastrů | Python (scikit-learn), R |
| Hierarchická shoda | Menší vzorky, dendrogram | SPSS, Orange |
| Latent Class / Finite Mixture | Pravděpodobnostní při latentních segmentech | R (poLCA), Mplus |
| RFM scoring | E-commerce transakce | SQL, Power BI |
5. Hodnocení segmentu (5R / 5M)
| Kritérium | Co zkoumat | Doporučená metrika |
|---|---|---|
| Reachable – dosažitelný | Kanály, kontakty | CPM, náklady na akvizici |
| Relevant – atraktivní | Velikost, kupní síla | TAM, SAM, SOM |
| Responsive – reagující | Elasticita, konverzní poměr | CVR, ROAS |
| Realistic – proveditelný | Interní kapacity, product-fit | Tech feasibility score |
| Retention-ready – věrnost | Churn, LTV | LTV/CAC ratio |
6. Příklad (D2C healthy snacks ČR 2025)
| Segment | Popis persony | Top kanál | Value Proposition |
|---|---|---|---|
| Bio-parents | 30–45 let, rodiny, vyšší příjem | Instagram + MALL.cz | Bez chemie, pro děti, recyklovatelný obal |
| Fit millennials | 24–34, městské ženy/muži, fitness app | TikTok, Influencers | High-protein, on-the-go |
| Corporate gifting | HR manažeři firem 250+ | LinkedIn, e-mail ABM | Balíčky pro zaměstnance, ESG reporting |
7. Nejčastější chyby
| Chyba | Následek | Předejít lze |
|---|---|---|
| Segment = demografie jen „ženy 25–34“ | Nízká konverze | Přidejte psychografii a potřeby |
| Příliš mnoho mini-segmentů | Nákladná, neškálovatelná exekuce | Pravidlo 80/20, maximálně 5–7 core segmentů |
| Statická segmentace | Zastaralé poznatky, odklon zákazníků | Datová aktualizace min. jednou ročně |
| Nekonzistence mezi týmy | Zmatená komunikace, “multiple truths” | Jedna “source of truth” v CRM/CDP |
| Nevalidovaný persony | Chybná nabídka | In-depth rozhovory, MVP test |
