Методы обработки маркетинговой информации

1.2 Методы обработки маркетинговой информации

После того как маркетолог собрал информацию, наступает этап оценки и анализа данных. Прежде чем задействовать сложные методы наподобие факторного анализа, используют описательные статистики, чтобы получить общее представление об исследуемых переменных.

Описательные статистики -

Для этого оценивают

1)показатели центра распределения

■  средняя (mean)

■  мода (mode) - значение переменной, которая чаще всего встречается в ряду распределения.

■  медиана (median) - значение переменной, которая приходится на середину частот, слева и справа от нее лежит 50% всех значений.

■  сумма (sum)

2)показатели вариации, которые служат для оценки разброса случайной величины вокруг центра распределения.

■  дисперсия (variance)= σ²

■  стандартное отклонение

■  размах –

R=x_max - x_min

■  максимум и минимум

■  межквартильный размах

Q=

■  стандартная ошибка средней (S.E. mean) - выборочная средняя, являясь случайной величиной, колеблется вокруг истинного значения средней (если выборка репрезентативна), со стандартным отклонением, равным .

В интервал, равный удвоенной ошибке попадает с вероятностью 67% истинное значение средней совокупности.

3) показатели формы распределения

•ассиметрия (kurtosis):

A=

мера отклонения формы распределения.

от симметричного нормального распределения. В случае наличия ассиметрии распределение скошено влево или вправо. Коэффициент равен 0 , если распределение является симметричным.

•эксцесс (skewness): указывает, является ли распределение пологим или крутым. Коэффициент равен 0 , если распределение является нормальным.

Е=

4). Другие характеристики

•Квартиль (quartile) уровня q - такое значение x_q случайной величины, при которой функция ее распределения принимает значение, равное q, т.е.

P(X < x_q) = q

Медиана является частным случаем квантиля при q=0,5.

• Процентная точка (percentile) - квантиль уровня

1-q, т.е. P(X > x_l-q) = q

Среди аналитических методов в маркетинге часто применяются:

Дисперсионный анализ - С помощью дисперсионного анализа исследуют влияние одной или несколько независимых переменных на одну зависимую переменную или на несколько зависимых переменных. Метод статистического анализа, позволяющий определить достоверность гипотезы о различиях в средних значениях на основании сравнения дисперсий (отклонений) распределений (например, можно проверить гипотезу о различиях двух групп потребителей, выделенных при помощи кластеризации). В отличие от корреляционного анализа дисперсионный анализ не дает возможности оценить тесноту связи между переменными.

По сути, дисперсионный анализ применяют как проверку статистической значимости различий выборочных средних для двух или больше совокупностей. Обычно нулевая гипотеза утверждает, что все выборочные средние равны.

Примеры использования дисперсионного анализа в практике маркетологов:

•  Различаются ли разные сегменты рынка с точки зрения объема потребления товара;

•  Действительно ли различаются оценки торговой марки группами респондентов, которые посмотрели разные рекламные ролики;

•  Различается ли отношение розничных, оптовых торговцев и торговых агентов к политике распределения, проводимой фирмой;

•  Зависит ли намерение потребителей приобрести товар данной торговой марки от разницы в уровнях цен;

•  Влияет ли осведомленность потребителей о магазине (высокая, средняя и низкая) на предпочтение данного магазина.

Однофакторная модель имеет вид –

x_ij= μ + F_i+έ_ij

Двухфакторная модель имеет вид –

ч_{шо =} μ + А_ш + П_о + Шшо + ε_шоло

Где F_i - эффект, обусловленный влиянием i-го уровня фактора А.

G_j- эффект, обусловленный влиянием i-го уровня фактора B.

Iij – эффект, обусловленный взаимодействием двух факторов, т.е. отклонение от средней по ячейке x_ijот суммы слагаемых μ + F_i + G_j.

Идея дисперсионного анализа состоит в следующем. Вспомним правило сложений дисперсий: общая дисперсия равна сумме межгрупповой и средней из внутригрупповых дисперсий.

σ^{2 =} + δ

Разновидности дисперсионного анализа:

По числу факторов (независимых переменных):

-  один фактор (однофакторный анализ);

-  несколько (многофакторный анализ)

По виду факторов:

-  метрическая, интервальная;

-  порядковая

По виду зависимой переменной:

-категориальная (обычный дисперсионный анализ);

-  интервальная или метрическая (ковариационный анализ)

По числу зависимых переменных:

-  одна;

-несколько (многомерный дисперсионный).

По виду проверяемой гипотезы:

-общее различие средних;

-  различия конкретных средних (множественные контрасты).

По виду проверяемых групп:

-  различные группы;

-  одна и та же группа (повторными измерениями).

Кластерный анализ - это совокупность методов, позволяющих классифицировать многомерные наблюдения, каждое из которых описывается неким набором переменных. Кластерный анализ - способ классификация объектов на относительно гомогенные (однородные) группы, исходя из рассматриваемого набора переменных. Объекты в группе относительно схожи с точки зрения этих переменных и отличаются от объектов в других группах.

Решаемые задачи:

Кластерный анализ используют в маркетинге для различных целей.

•Сегментация рынка. Например, потребителей можно разбить на кластеры на основе выгод, которые они ожидают получить от покупки данного товара. Каждый кластер может состоять из потребителей, которые ищут схожие выгоды. Этот метод называют сегментаций преимуществ . Мы проиллюстрируем его на следующем примере.

В исследовании, посвященном моделям принятия решений людьми, проводящими свой отпуск за рубежом, маркетологи получили от 260 респондентов информацию, касающуюся шести психографических направлений: психологического, образовательного, социального, релаксационного, физиологического и эстетического. Для разбивки респондентов на психографические сегменты использовали кластерный анализ. Первый сегмент (53%) состоял из людей с высоким (или близким к нему) уровнем жизни. Эту группу назвали "требовательными". Во вторую группу (20%) входили лица с высоким образовательным уровнем, ее назвали "интеллектуалы". Лица, входящие в последнюю группу (26%), оказались большими любителями релаксации (развлечений). Они получили низкую оценку по социальной шкале, и были названы "беглецами" (от действительности). Чтобы привлечь отпускников в каждый из сегментов, разработали специальные маркетинговые стратегии.

• Понимание поведения покупателей. Кластерный анализ используется для идентификации однородных групп покупателей. Затем поведение каждой группы при покупке товара изучается отдельно, как, например, в проекте "Выбор универмага". В этом случае респондентов разбили на группы, исходя из оценок важности, которую они присвоили каждому критерию, используемому для выбора универмага. Кластерный анализ также использовали, чтобы определить виды стратегий, применяемых покупателями автомобилей для получения внешней информации.

•  Определение возможностей нового товара. Кластеризацией торговых марок и товаров можно определить конкурентоспособные наборы в пределах данного рынка. Торговые марки в одном и том же кластере конкурируют более жестко между собой, чем с марками других кластеров. Фирма может изучить свои текущие предложения в сравнении с предложениями своих конкурентов, чтобы определить потенциальные возможности новых товаров.

•  Выбор тестовых рынков. Группировкой городов в однородные кластеры можно подобрать сравнимые города для проверки различных маркетинговых стратегий.

•  Сокращение размерности данных. Кластерный анализ можно использовать как основной инструмент сокращения размерности данных при создании кластеров или подгрупп данных, более удобных для анализа, чем отдельные наблюдения. Последующий многомерный анализ выполняют над кластерами, а не над отдельными наблюдениями. Например, чтобы описать отличия в поведении потребителей по отношению к товарам, их вначале разбивают на группы. Затем различия между группами проверяют с помощью множественного дискриминантного анализа

Важно отметить еще одну особенность применения кластерного анализа в сегментировании. Кластерный метод призван выделять группы из исходного множества объектов. Результатом его применения всегда является некоторый набор групп объектов. Однако получаемое разбиение может и не соответствовать гипотезе аналитика о существовании «реальной» сегментной структуры. Поэтому при применении кластерного анализа аналитик вынужден проводить многочисленные эксперименты, позволяющие совместить его представление о реальной структуре рынка с конкретными вычисляемыми результатами. Выделяемые реальные группы объектов позволяют аналитику убедиться в правильности своих представлений о сегментной структуре рынка.

Теория Выбор переменных

Возможно, самая важная часть формулирования проблемы кластеризации - это выбор переменных, на основе которых проводят кластеризацию. Включение даже одной или двух посторонних (не имеющих отношение к группированию) переменных может исказить результаты кластеризации. Задача состоит в том, чтобы выбранный набор переменных смог описать сходство между объектами с точки зрения признаков, имеющих отношение к данной проблеме маркетингового исследования. Переменные следует выбирать, исходя из опыта прошлых исследований, теории или тестируемой гипотезы. Экспериментатор должен обладать интуицией и уметь делать выводы.

Нормирование значений переменных

Смысл нормирования состоит в приведении численных значений выбранных переменных к одному масштабу. Методика нормирования была рассмотрена выше.

Измерение расстояний или меры близости между объектами

Цель кластеризация - группирование схожих объектов. Поэтому для того чтобы оценить, насколько они похожи или непохожи, необходимо использовать некую единицу измерения. Наиболее распространенный метод заключается в том, чтобы в качестве такой меры использовать расстояния между двумя объектами. Объекты с меньшими расстояниями между собой больше похожи, чем объекты с большими расстояниями.

Выбор метрики зависит от главных целей исследования, физической и статистической природы изучаемых явлений. Существует несколько способов вычисления расстояния между двумя объектами, из них наиболее распространенные на пример:

·  Евклидова – расстояние

(x,y) = {_i (x_i - y_i)² }^1/2

·  Квадрат евклидова расстояния – расстояние

(x,y) = _i |x_i - y_i|

·  Расстояние Чебышева –

расстояние(x,y) = Максимум |x_i - y_i|

Регрессионный анализ - Регрессионный анализ - статистический метод, предназначенный для оценки влияния различных факторов на результат эксперимента, прогноза неизвестных значений зависимой переменной.

Примеры использования дисперсионного анализа в практике маркетологов:

■  Можно ли вариацию в объеме продаж объяснить расходами на рекламу"

■  Какова форма этой зависимости и можно ли ее выразить в виде уравнения, описывающего прямую линию"

■  Какую долю вариации объема продаж можно объяснить расходами на рекламу, ценами и дистрибуцией?

■  Чему равен вклад расходов на рекламу в объяснении вариации объема продаж при контролируемых переменных - уровнях цен и распределения?

■  Какие объемы продаж можно ожидать, исходя из данных уровней расходов на рекламу, цен и уровня распределения?

Регрессионная модель имеет вид –

y_i = ƒ (x) + ε = θ₀ +θ₁x_i+ ε_i

где

y_i - зависимая переменная;

x_i - независимая переменная (фактор);

θ₀, θ₁ - параметры функции регрессии;

ε_i - случайная переменная, характеризующая отклонение от функции регрессии. Таким образом, переменная y_i есть линейная функция от переменной x_i с точностью до случайного возмущения ε_i.

Свойства коэффициентов регрессии существенным образом зависят от свойств случайной составляющей. Чтобы регрессионный анализ, основанный на обычном методе наименьших квадратов, давал наилучшие результаты, случайный член должен удовлетворять определенным условиям. Именно понимание важности этих условий отличает компетентного исследователя, использующего регрессионный анализ, от некомпетентного. Если эти условия не выполнены, исследователь должен это осознавать. Если корректирующие действия возможны, то аналитик должен быть в состоянии их выполнить. Если ситуацию исправить невозможно, исследователь должен быть способен оценить, насколько серьезно это может повлиять на результаты.

Факторный анализ - Факторный анализ (factor analysis) - это общее название для класса методов, используемых, главным образом, для сокращения числа переменных и их обобщения.

Идея метода состоит в сжатии матрицы признаков в матрицу с меньшим числом переменных, сохраняющую почти ту же самую информацию, что и исходная матрица. В основе моделей факторного анализа лежит гипотеза, что наблюдаемые переменные являются косвенными проявлениями небольшого числа скрытых (латентных) факторов. Обычно под моделью факторного анализа понимают представление исходных переменных в виде линейной комбинации факторов.

X_i =

Сами факторы неизвестны. Но их можно выразить через значения исследуемых переменных. Факторы, выраженные через исходные переменные сегментирования, интерпретируются как существенные внутренние характеристики потребителей.

Факторы F построены так, чтобы наилучшим способом (с минимальной погрешностью) представить X. В этой модели "скрытые" переменные F_k называются общими факторами, а переменные U_i специфическими факторами. Обычно (хотя и не всегда) предполагается, что X_i стандартизованы (=1, Xi=0), а факторы ,F₂,...,F_m независимы и не связаны со специфическими факторами U_i (хотя существуют модели, выполненные в других предположениях). Предполагается также, что факторы F_i стандартизованы.

В этих условиях факторные нагрузки a_ik совпадают с коэффициентами корреляции между общими факторами и переменными X_i

Факторный анализ используют в следующих ситуациях:

-  Для определения основных факторов, которые объясняют связи в наборе переменных. Например, можно использовать набор высказываний об образе жизни для измерения психографических профилей потребителей. Затем эти высказывания подвергают факторному анализу, чтобы определить основные психографические факторы.

-  Для определения нового, меньшего по размеру, набора некоррелирующих переменных, заменяющих исходный набор коррелирующих переменных, на основании которого дальше выполняется многомерный анализ (регрессионный или дискриминантный). Например, выявленные психографические факторы можно использовать как независимые переменные при объяснении различий между лояльными и нелояльными потребителями.

Факторный анализ широко используется в маркетинговых исследованиях.

■  При сегментации рынка для определения латентных переменных с целью группировки потребителей. Например, покупателей новых автомобилей можно сгруппировать в зависимости от того, на что они обращают внимание при покупке автомобиля: экономию, удобства, рабочие характеристики автомобиля, комфорт и респектабельность

■  При разработке товарной стратегии факторный анализ используется для определения характеристик торговой марки, влияющих на выбор потребителей. Конкретные торговые марки зубных паст оценивают с точки зрения защиты от кариеса, отбеливания зубов, вкуса, приятного запаха и цены.

■  При разработке рекламной стратегии маркетологи с помощью факторного анализа пытаются понять, каким передачам отдают предпочтение потребители целевого рынка. Покупатели замороженных продуктов, например, могут смотреть кабельное телевидение, любить фильмы определенного жанра и музыку в стиле "кантри".

■ При разработке стратегии ценообразования факторный анализ определяет характеристики потребителей, чувствительных к цене. Например, может оказаться, что они стремятся к экономии и ориентированы на домашний отдых.

Один из наиболее распространенных методов поиска факторов, метод главных компонент, состоит в последовательном поиске факторов. Существуют и другие методы оценки общих факторов. Они включают: метод невзвешенных наименьших квадратов, обобщенный метод наименьших квадратов, метод максимального правдоподобия, альфа-факторный метод, распознавания образов. Эти методы сложнее, и их не рекомендуется использовать неопытным аналитикам. Следует отметить, что метод главных компонент хорошо работает при числе признаков порядка 10-15. Если число признаков больше 20, то следует использовать другие методы факторного анализа.

Дискриминантный метод - Дискриминантами анализ включает в себя статистические методы классификации многомерных наблюдений в ситуации, когда наблюдатель обладает так называемыми обучающими выборками ("классификация с учителем").

Решаемые задачи:

Дискриминантный анализ используется:

-  для принятия решения о том, какие переменные наилучшем образом различают (дискриминируют) две или более возникающие совокупности (группы).

-  классификация новых объектов на основе выявленных зависимостей.

-  составление карты восприятия

В маркетинговых исследованиях можно привести массу примеров применения дискриминантного анализа. Так, с помощью этого метода можно получить ответы на следующие вопросы:

•Чем, с точки зрения демографических характеристик, отличаются приверженцы данного магазина от тех, у кого эта приверженность отсутствует"

•Какие психографические характеристики помогают провести различия между восприимчивыми и невосприимчивыми к цене покупателями бакалейных товаров"

•Различаются ли между собой различные сегменты рынка по своим предпочтениям к средствам массовой информации"

•  Какие существуют различия между постоянными покупателями местных универсальных магазинов и постоянными покупателями общенациональных сетей универмагов с точки зрения стиля жизни"

•  Какими отличительными характеристиками обладают потребители, реагирующие на прямую почтовую рекламу"

В общем случае задача различения формулируется следующем образом: В результате наблюдения над объектом мы определили значения его k признаков

х = (,х₂,...,х_к)

Требуется установить правило, согласно которому по наблюденному значению вектора х объект относят к одной из возможных совокупностей , i=1,2..,l. Для построения правила дискриминации все выборочное пространство R вектора х разбивается на области R i=1,2..,l, так что при попадании х в  объект относят к совокупности .

Правило дискриминации выбирается в соответствии с определенным принципом оптимальности на основе априорной информации о вероятностях p извлечения объекта из K_t .Очевидно, что рекомендации будут тем точнее, чем полнее исходная информация.

Виды дискриминантного анализа: