Shpory_MI_1

2.      Анализ макросреды в маркетинговых исследованиях. Анализ макросреды явл-ся составной частью кабинетных маркетинговых исследований, носит глобальный характер,основан на оценке факторов, влияющих на коммерческую деятельность предприятия и на рыночную ситуацию в целом. Анализ основных компонентов и факторов макросреды:Демографическая среда - изменение численности населения, изм-ние состава семьи и структуры дом.Хоз-ва, динамика уровня образования, миграции населения.--Экономическая среда - тенденции экон-го развития страны, отраслей промыш-сти, развитость кредитной системы, размеры личных сбережений-Природная среда - загрязнение окруж. среды, удорожание энергоносителей, сокращение запасов прир. ресурсов, переработка отходов.-Технологическая среда - ускорение научно-технического прогресса, новые информационные технологии и Интернет, развитие новых маркетинговых технологий-Политико-правовая среда - динамика законодательства, регулирующего предприн. деятельность, активизация движений защиты прав потребителей.-Социокультурная среда - тенденции в изменении образа жизни, динамика базовых и вторичных культурных ценностей, влияние субкультур.которые принято подразделять на социальные, технологические, экономические, политические и культурные

3.      Вариационный ряд: характеристика распределения данных. Вариационный ряд или по другому -распределение частот значений переменной, При таком анализе рассматривается одна переменная.Целью построения вариа-ого ряда явл-ся подсчет ответов респондентов, в которых приводятся различные значения переменной. Относительную частоту различных значений переменной выражают в процентах и называют частоапями, Подсчет распределения частот значений переменной дает возможность построить таблицу, с указанием частоты, частости и накопленных частостей для всех значений этой переменной.Вар-ный ряд помогает определить долю неответивших респондентов -, а также указывает долю ошибочных ответов.

4.      Вопросы достоверности и проблемы применения совместного анализа. Совместный анализ это комплексная оценка всех характеристик, характеризующих продукт для измерения степени предпочтения данного продукта. Методики для оценивания надежности и достоверности результатов совместного анализа: 1.Если используют регрессионный анализ с фиктивными переменными, то значение R2 покажет степень соответствия подобранной модели исходным данным, 2. Можно использовать дублирующие суждения и затем сопоставить полученные повторные оценки, 3. По функции полезности вычислить теоретические значения объектов и сопоставить предсказанные значения с эмпирическими данными, полученными от респондентов. 4. Если было несколько респондентов, то можно их разделить на две случайные группы и выполнить расчеты для каждой, а затем сравнить. Проблемы применения метода: 1. Выбор атрибутов. Они должны быть важными, влияющими на выбор товара, 2. Определение количества уровней атрибутов. Их не должно быть слишком много, 3. Задание значений атрибутов. Они должны быть реальными, 4. Состоятельность ответов. Респондент может запутаться в ответах, 5. Выбор формы представления вопросов и природы суждений, 7. Добросовестность ответов. Следует решить, что делать с небрежными ответами. Обычно проверяют, как сказывается их учет или неучет на результаты исследований.

5. Дендрограмма. Метод Уорда. Под дендрограммой обычно понимается дерево - графическое средство для показа результатов кластеризации. Вертикальные линии представляют объединяемые кластеры. Положение вертикальной линии на шкале расстояния (горизонтальная ось) показывает расстояние, при которых объединяли кластеры. Дендрограмма позволяет изобразить взаимные связи между объектами из заданного множества. Для создания дендрограммы требуется матрица сходства (или различия), которая определяет уровень сходства между парами объектов. Чаще всего в МИ при построении иерархического дерева (дендрограммы) используется квадрат евклидового расстояния - это наименьшеей расстояние между двумя точками х и у. Блэшфилд предложил в качестве оптимального состояния для сегментирования восьмидесяти процентный уровень сходства, т.е. на шкале расстояний (значение 5) либо 80 %, находиться оптимальное количество кластеров (сегментов). Методы построения дендрограммы: 1. Метод одиночной связи. Также известен, как «метод ближайшего соседа». 2. Метод полной связи. Также известен, как «метод дальнего соседа». 3. Метод средней связи (Невзвешенный и Взвешенный). 4. Центроидный метод (Невзвешенный и Взвешенный (медианный). 5. Метод Уорда (Варда). В методе Уорда в качестве расстояния между кластерами берётся прирост суммы квадратов расстояний объектов до центров кластеров, получаемый в результате их объединения. В отличие от других методов кластерного анализа, для оценки расстояний между кластерами здесь используются методы дисперсионного анализа. На каждом шаге алгоритма объединяются такие два кластера, которые приводят к минимальному увеличению целевой функции, то есть внутригрупповой суммы квадратов. Этот метод направлен на объединение близко расположенных кластеров.

6.      Дискриминантные переменные. Каноническая дискриминантная функция. Дискриминантный анализ включает в себя статистические методы классификации многомерных наблюдений. Признаки, которые используются для того, чтобы отличать один класс (подмножество) от другого, называются дискриминантными переменными. Число объектов наблюдения должно превышать число дискриминантных переменных: p<n. Канонической дискриминантной функцией называется линейная функция: dkm = β0 + β1*x1km + ... + βp*xpkm , где: dkm - значение канонической дискриминантной функции для m-го объекта в группе k (m = 1, ..., n, k = 1, ..., g); xpkm - значение дискриминантной переменной Xi для m-го объекта в группе k; β0, ..., βp - коэффициенты дискриминантной функции. Коэффициенты βi первой канонической дискриминантной функции выбираются таким образом, чтобы центроиды (средние значения) различных групп как можно больше отличались друг от друга. Коэффициенты второй группы выбираются также, но при этом налагается дополнительное условие, чтобы значения второй функции были некоррелированы со значениями первой.

7.      Дискриминантный анализ как метод многомерной классификации. Дискриминантный анализ включает в себя статистические методы классификации многомерных наблюдений. Все процедуры дискриминантного анализа можно разбить на две группы и рассматривать их как совершенно самостоятельные методы. Первая группа процедур позволяет интерпретировать различия между существующими классами, вторая - производить классификацию новых объектов в тех случаях, когда неизвестно заранее, к какому из существующих классов они принадлежат. Признаки, которые используются для того, чтобы отличать один класс (подмножество) от другого, называются дискриминантными переменными.

8.      Отличия дискриминантного от кластерного анализа. Кластерный анализ, как и дискриминантный, предназначен для классификации переменных. Однако в дискрименантном анализе необходима предварительная информация о кластерной (групповой) принадлежности каждого рассматриваемого объекта или события для того, чтобы разработать правило классификации. В отличие от этого в кластерном анализе нет необходимости сбора предварительной информации о кластерной пренадлежности любого из объектов. Группы, или кластеры, определяют с помощью собранных данных, а не заранее.

9. Иерархические методы кластеризации

Методы кластеризации могут быть иерархическими и неиерархическими. Иерархическая кластеризация характеризуется построением иерархической, или древовидной, структуры.

Иерархические методы могут быть агтамератиеными (объединительными) и дивиэивны-ми. Агломеративная кластеризация начинается с каждого объекта в отдельном кластере. Кластеры объединяют, группируя объекты каждый раз во все более и более крупные кластеры. Этот процесс продолжают до тех пор, пока все объекты не станут членами одного единственного кластера.

Разделяющая, или дивнзивная, кластеризация начинается со всех объектов, сгруппированных в единственном кластере. Кластеры делят (расщепляют) до тех пор, пока каждый объект не окажется в отдельном кластере.

10. Использование коэффициента корреляции и его интерпретация

Кореляция - это один из основных терминов теории вероятности, показывающий меру зависимости между двумя и более случайными величинами. Данная зависимость выражается через коэффициент корреляции. Коэффициент корреляции принимает значения от -1 до +1. Чем выше значение коэффициента корреляции, тем больше зависимость между величинами. Корреляция бывает положительной и отрицательной.

Корреляция используется для качественного анализа: отбора (скрининга) взаимосвязанных факторов, и выделения той части выборки, на которой теснота связи максимальна. Затем для отобранных факторов и подвыборки проводится количественный анализ: строятся регрессионные функции взаимосвязи. Они могут использоваться в информационном конвейере. Информационный конвейер - образует последовательность программных блоков: качество - аналог - количество - риск - цена - спрос. Каждый блок рассчитывает соответствующую группу характеристик на основе информации, получаемой с предыдущего этапа расчета или из баз данных. Результат передается следующему блоку, или же тот подключается напрямую к базе данных.

11.  Использование многомерногошкалирования в маркетинге. Многомерное шкалирование — это класс методов для представления восприятий и предпочтений респондентов в пространстве с помощью наглядного изображения. Многомерное шкалирование используется в маркетинге для различных целей: измерение имиджа; сегментация рынка; разработки нового товара; оцеки эффективности рекламы; ценового анализа; решение о числе каналов сбыта; построаение шкал отношений.

12.  Использование факторного анализа в маркетинговых исследованиях. Факторный анализ (предварительный) используется как метод сокращения данных или как метод классификации. Основная задача факторного анализа – редукция (сокращения данных). Без какого-то другого анализа невозможно провести факторный анализ. К недостаткам факторного анализа относятся: частичная потеря информации в ходе сжатия данных. В маркетинговых исследованиях факторный анализ используется: при сегментации рынка - для группировки потребителей; разработке товрной стратегии - определение характеристик торговой марки, влияющих на выбор потребителей; планирование рекламной стратегии; составление стратегии ценообразования.

13.  Категориальная и дихотомическая кодировка данных. Категориальная кодировка предполагает несколько ответов на поставленный вопрос, т.е. метка переменной может принимать насколько значений. Она используется для альтернативных закрытых и открытых вопросов. Дихотомическая кодировка данных включает только два варианта ответа, т.е. метка переменной может принимать только два значения (ди или нет). Она применяется для кодировки многовариантных закрытых вопросов.

14.  Ковариационный анализ. Условия применения ковариационного анализа. Ковариационный анализ – это специальный метод анализа дисперсий, в котором эффекты одной или больше переменных, выраженных в метрической шкале, удаляют из зависимой переменной перед выполнением дисперсионного анализа. Например, ковариационный анализ необходим, если исследователь хочет изучить предпочтения пользователей в группах с различным уровнем потребления и уровнем лояльности, приняв во внимание отношение респондентов к составу продуктов питания и к значению завтрака, как способу приема пищи. Две последние переменные измеряются по девятибалльной шкале Лайкерта. В этом случае качественные независимые переменные (потребление продукта и лояльность к торговой марке) называются факторами, в то время как метрические независимые переменные (отношение к составу продуктов питания и значение, придаваемое завтраку) — ковариатами. Ковариационный анализ целесообразно применять, если: 1. разные сегменты рынка различаются с точки зрения объема потребления товара. 2. различается отношение розничных, оптовых торговцев и торговых агентов к политике распределения, проводимой предприятием. 3. осведомленность потребителей о магазине (высокое, среднее и низкое) влияет на предпочтение данного магазина. 4. намерение потребителей какой-то торговой марки меняется при различных уровнях цены и распределения. и др.

15.  Кодирование. Создание системы кодирования. Кодирование - это технический прием, с помощью которго данные распределяются на категории, т.е. способ представления полученной информации в виде символов, знаков, чисел с целью удобства ее использования в процессе анализа. Необходимое количество кодировщиков может определяться по формуле: объем выборки * на количество открытых вопросов в выборке / норма обработки вопроса * на количество дней на кодирование. Для того чтобы уточнить и скорректировать ответы необходимо иметь возможность корректировки пропущенных значений (неоднозначные и нечитабельные ответы): 1. Замена пропущенного значения нейтральным. В качестве нейтрального чаще всего используется среднее значение, 2. Замена пропущенного значения условна (то которое чаще всего встречается), 3. Исключение объекта целиком (анкету выбрасываем). Создание системы кодирования это первый этап кодировани. В основу кодирования поставлена иерархическая структура принцыпов классификации информации. Вначале должны быть разработаны критерии деления полученной информации на категории, классы, группы, виды, подвиды, по технологии от общего к частному. Количество уровней кодирования зависит от структуры вопросов в анкете.Правильность выбранной структуры классификации информации подтверждается попаданием ответов на каждый вопрос анкеты в ячейку структуры. Структура должна содержать соответствующую градацию и подвиды ячеек.

16.  Кодирование закрытых и открытых вопросов. Кодирование - это технический прием, с помощью которого данные распределяются на категории, т.е. способ представления полученной информации в виде символов, знаков, чисел с целью удобства ее использования в процессе анализа. Кодирование закрытых вопросов и большинства результатов шкалирования являются довольно простым. В таких случаях интервьюер кодирует их при записи реакций на задаваемые вопросы. Кодирование открытых вопросов может быть очень сложным и часто оказывается более дорогостоящим, чем работа над закрытыми вопросами. В этом случае, на основе ответов кодировщик должен определить соответствующие категории, которые он не всегда способен заранее предвидеть. Ответы респондентов на открытые вопросы часто оказываются неясными и нередко относятся к ошибочно выбранным категориям.

17.  Методы факторного анализа. Факторный анализ (предварительный) используется как метод сокращения данных или как метод классификации. Основная задача факторного анализа – редукция (сокращения данных). Без какого-то другого анализа невозможно провести факторный анализ. Методы факторного анализа: - анализ главных компонент учитывает всю дисперсию данных, диагональ корреляционной матрицы состоит из единиц, и вся дисперсия введена в матрицу факторных нагрузок. Анализ главных компонент рекомендуется выполнять, если основная задача исследователя – определение минимального числа факторов, которые вносят максимальный вклад в дисперсию данных, чтобы в послед использовать их в многомерном анализе. Эти факторы называют главными компонентами. - анализ общих факторов – определяют только на основании общей дисперсии. Общности располагаются на диагонали корреляционной матрицы. Этот метод подходит, если основной задачей является определение латентных переменных и общей дисперсии. Он также известен как разложение матрицы. Сушествуют и другие методы оценки общих факторов: метод невзвешанных наименьших квадратов, метод максимального правдоподобия, альфа-какторный метод, метод распознавания образо. Они более сложные и не рекомендуются к применению. К недостаткам факторного анализа относятся: частичная потеря информации в ходе сжатия данных.

18.  Нулевая гипотеза. Альтернативная гипотеза. Ошибки первого и второго рода. Нулевая гипотеза утверждает, что между определенными статистическими параметрами генеральной совокупности (средними и долями) нет связей или различий. Ее подтверждение не требует каких-либо действий. Альтернативная гипотеза — это гипотеза, предполагающая, что между определенными статистическими параметрами генеральной совокупности (средними или долями) есть связь или различия. Ее подтверждение означает, что следует предпринимать какие-либо действия или менять свои взгляды на положение дел. Статистическая проверка гипотез на основании выборочных данных неизбежно связана с риском принятия ложного решения. При этом возможны ошибки двух родов. Ошибка первого рода состоит в том, что будет отвергнута правильная нулевая гипотеза. Ошибка второго рода состоит в том, что будет принята нулевая гипотеза, в то время как в действительности верна альтернативная гипотеза.

19.  Однофакторный и многофакторный дисперсионный анализ. Задачей дисперсионного анализа является изучение влияния одного или нескольких факторов на рассматриваемый признак. Одноф-ный дисперс. анализ - модель дисперс. анализа, которая включает один фактор. Он используется в тех случаях, когда есть в распоряжении три или более независимые выборки, полученные из одной генеральной совокупности путем изменения какого-либо независимого фактора, для которого по каким-либо причинам нет количественных измерений. Недостаток однофакторного анализа: невозможно выделить те выборки, которые отличаются от других. Для этой цели необходимо использовать метод Шеффе или проводить парные сравнения выборок. Многоф-ный дисперс анализ - это статистический метод анализа результатов наблюдений, зависящих от различных одновременно действующих факторов, выбор наиболее важных из них и оценка их влияния. Суть анализа заключается в разложении общей дисперсии случайной величины на независимые слагаемые. Отличие многоф-ого от одноф-ого заключается в то, что в многоф-ом дисперс. анализе помимо влияния на зависимую переменную каждого из факторов по отдельности, следует оценивать и их совместное взаимодействие.

20.  Подготовительные этапы статистического анализа. Первым шагом при подготовке к проведению статистическо¬го анализа данных в маркетинговых исследованиях является подбор исходных материалов, в которых содержатся основные параметры проводимого исследования. Обычно эти материа¬лы включают в себя следующие документы. 1. Техническое задание на исследование (ТЗ) 2. Структура аналитического отчета по результатам иссле¬дования 3. Анкета для опроса На основании ТЗ и структуры аналитического отчета исследова¬тель должен еще до получения данных для анализа (заполненных анкет) составить план предстоящих манипуляций с анкетами рес¬пондентов: преобразования данных, статистических процедур и методик. Исследователь должен приступить к обработке анкеты сразу после ее получения, не дожидаясь окончания полевых ра¬бот: изучить ее структуру и составить перечень переменных, кото¬рые впоследствии войдут в базу данных Основными выходными данными на названном этапе являются:■ планируемый размер выборки;■ структура выборки (наличие и размер квот);■ вид опроса (личный, телефонный);■ информация о параметрах опроса (наличие фактов фальсификации анкет);■ схема (таблица) кодировки переменных в базе данных;■ план-схема преобразования данных;■ план-схема используемых статистических процедур.

21.  Подготовка и структурирование презентации. Подготовка презентация — последний этап маркетинговых исследований. Презентация маркетингового исследования базируется на материалах отчета. Критерии качества написания отчета: обычно удовлетворяет следующим особым критериям: 1)Полнота - Отчет считается полным, если вся информация, в которой нуждаются читатели, представлена в нем на понятном им языке. 2)Точность - логична и информационно точна ли аргументация отчета, ранее обсуждавшиеся этапы исследовательского процесса3)Ясность - точна ли фразеология отчета 4)Выразительность - насколько живо и непосредственно написан отчет. Структура презентации : 1. Титульный лист. 2. Содержание. 3. Краткий обзор:a. Введение,б. Результаты,в. Заключения,г. Рекомендации. 4. Введение. 5. Основная часть:a. Методология,б. Результаты,в. Ограничения. 6. Заключения и рекомендации. 7. Приложения: a. Копии форм сбора данных, б. Детальные расчеты в поддержку объема выборки, статистика тестов и т.д., в. Таблицы, не включенные в основную часть

22.Функция отчета о маркетинговом исследовании. Структура отчета.

Интерпретация полученных результатов и их доведение до руководства предполагают представление найденных результатов и выводов руководству с учетом специфики области деятельности и характера принимаемых решений отдельных руководителей. Возможно несколько вариантов интерпретации полученных результатов, которые целесообразно обсудить. Основная часть отчета состоит из введения, характеристики методологии исследования, обсуждения полученных результатов, констатации ограничений, а также выводов и рекомендаций. Выводы основываются на результатах проведенного исследования. Рекомендации заключаются в виде предложений относительно того, какие следует предпринять действия, исходя из полученных результатов. Осуществление рекомендаций может предполагать использование знаний, выходящих за рамки полученных результатов. В заключительной части приводятся приложения, содержащие добавочную информацию, необходимую для более глубокого осмысления полученных результатов.

24.  Структурирование презентации. Презентация – форма деловых коммуникаций, направленная на демонстрацию конечному потребителю возможностей фирмы, товара, услуги, с рекламной демонстрацией их свойств, преимуществ, особенностей и формирование положительного образа, направление действий.Основная цель презентации-облегчение процесса восприятия информации о товаре/услуге/фирме с помощью запоминающихся образов. Структура презентации, это компоненты, из которых она состоит: • привлечение внимания • вводная часть • основная часть • обзор • заключение (побуждение). Если какая-либо из перечисленных частей отсутствует, эффективность презентации снижается. Если же нарушения допущены сразу в нескольких частях, то презентация перестает действовать.

25. Показатели вариации. Показатели вариации – статистики, показывающие меру разброса значений переменной. К ним относятся размах вариации, межквартальный размах, дисперсия, стандартное отклонение и коэф-т вариации.Размах вариации – разность между max и min значениями переменной в вариационном ряду. Он равен разности между наиб.инаим. значениями в выборке. Размах вариации рассчитывается по формуле

R – размах вариации, х – наиб.инаим.знач варьирующегося признака

Межквартальный размах – это разность между 75-м и 25-м процентилями. Стандартное отклонение равно квадратному корню из дисперсии и выражается в тех же единицах, что и данные. Стандартное отклонение выборки (S) вычисляется следующим образом:

Коэффициент вариации – это отношение стандартного отклонения к ср.арифметическому, выраженное в процентах, показатель относительной изменчивости переменной. Коэффициент вариации (V) вычисляется след.образом:

26. Понятие статистической гипотезы. Параметрическая и непараметрическая гипотезы

Та часть статистических выводов, которая касается сравнения выраженности параметров, делится на параметрические( сравнение средних значений) и непараметрические критерии(сравнение рангов значений, измеренных с помощью порядковых шкал).

В основе применения параметрических критериев сравнения лежит целый набор допущений, которым должны удовлетворять исследовательские данные( например, форма распределения выборочных статистик, равенство дисперсий, метрическая шкала зависимой переменной) для того, чтобы соответствующий критерий можно было использовать.

Однако, часто характеристика, подлежащая сравнению, бывает измерена в порядковой шкале. Последнее делает проверку допущений параметрических критериев бессмысленной, по причине невозможности осуществления большинства математических операций с порядковыми шкалами.

Для таких случаев существуют непараметрические аналоги параметрических критериев, не требующие соблюдения каких-либо допущений:

Количество выборок		Две выборки					Больше двух выборок
Зависимость выборок		Независимые		Зависимые		Независимые			Зависимые
Шкала измерения	Метрическая	Параметрические методы сравнения
		t-Стьюдента для независимых выборок	t-Стьюдента для зависимых выборок		Дисперсионный анализ			Дисперсионный анализ с повторными измерениями
	Порядковая	Непараметрические методы сравнения
		U-Манна-Уитни, критерий серий	Т-Вилкоксона, критерий знаков		Н-Краскала-Уоллеса			Тест Фридмана