Тема 4. Методы анализа маркетинговой информации

Анализ данных маркетингового исследования. Виды анализов: дескриптивный анализ, выводной анализ, анализ различий, анализ связей, предсказательный анализ.

Маркетинговый анализ (marketing analysis) – анализ данных в маркетинге, собранных в результате проведения маркетинговых исследований, в рамках выполнения задач комплексного маркетинга («4Р»), их преобразование, систематизация, интерпретация и моделирование.

Маркетинговый анализ в классическом понимании — совокупность специальных видов анализа, получивших распространение именно в маркетинге и особым образом решающих специфические маркетинговые задачи (например, портфельный анализ, в т.ч. с помощью матрицы БКГ или матрицы Мак-Кинси).

Цель маркетингового анализа – содействие подготовке принятия обоснованных управленческих решений в условиях неопределённости рыночной ситуации.

Задачи маркетингового анализа:

· изучение рынка и обоснование рыночных тенденций;

· анализ основных факторов, влияющих на спрос;

· анализ и обоснование стратегии ценообразования;

· выявление реальных и потенциальных конкурентов предприятия;

· оценка слабых и сильных сторон деятельности, преимуществ и недостатков;

· оценка конкурентоспособности в целом, выявление способов повышения конкурентоспособности;

· анализ методов стимулирования сбыта и обоснование выбора наиболее эффективных.

В маркетинге выделяют два основных направления анализа: оперативный анализ и стратегический анализ:

Оперативный анализ в маркетинге – выявляет комплекс взаимосвязей фирмы с окружающей средой, оценка реакции рынка на маркетинговые мероприятия, анализ и моделирование покупательского поведения на рынке, как реакция на маркетинговую деятельность, изучение мнений и предпочтений потребителей, анализ потенциала собственной фирмы, конкурентный анализ;

Стратегический анализ в маркетинге – оценка состояния рынка (сбалансированность, масштаб, емкость, пропорциональность развития, тенденции развития, устойчивость развития, цикличность развития), анализ и прогноз покупательского спроса. Стратегический анализ выявляет комплекс взаимосвязей фирмы с окружающей средой.

Маркетинговый анализ проводится с применением статистических, эконометрических и других методов анализа.

Методы маркетингового анализа, существующие и применяемые на практике:

· статистические методы анализа;

· математическое моделирование;

· моделирование процессов и рисков;

· эвристические методы (методы экспертных оценок);

· многомерные (матричные) методы анализа;

· гибридные методы анализа в маркетинге.

Выделяют пять основных видов статистического анализа, исполь­зуемых при проведении маркетинговых исследований: дескриптивный анализ, выводной анализ, анализ различий, анализ связей и предсказательный анализ. Иногда эти виды анализа используются по отдельности, иногда — совместно.

Дескриптивный анализ

В основе дескриптивного анализа лежит использование таких статистических мер, как средняя величина (средняя), мода, среднее квадратическое отклонение, размах или амплитуда вариации.

ля описания информации, полученной на основе выборочных измерений, широко используется две группы мер. Первая включает меры «центральной тенденции», или меры, которые описывают типичного респондента или типичный ответ. Вторая включает меры вариации, или ме­ры, описывающие степень схожести или несхожести респондентов или ответов с «типичными» респондентами или ответами.

Существуют и другие описательные меры, например, меры асимметрии (насколько найденные кривые распределения отличаются от нормальных кривых распределения). Однако они используются не столь часто, как вышеупомянутые, и не представляют особого интереса для заказчика.

К числу мер центральной тенденции относятся мода, медиана и средняя.

Мода характеризует величину признака, появляющуюся наиболее часто по сравнению с другими величинами данного признака. Мода но­сит относительный характер, и необязательно, чтобы большинство рес­пондентов указало именно эту величину признака.

Медиана характеризует значение признака, занимающее срединное место в упорядоченном ряду значений данного признака.

Третьей мерой центральной тенденции является средняя величина, которая чаще всего рассчитывается как средняя арифметическая величина. При ее вычислении общий объем признака поровну распределяется между всеми единицами совокупности.

Видно, что степень информативности средней величины больше, чем медианы, а медианы — моды.

Среднеарифметическое (или выборочное среднее) значение представляет собой среднюю оценку изучаемого в эксперименте психологического качества. Эта оценка характеризует степень его развития в целом у той группы испытуемых, которая была подвергнута исследованию (выборка испытуемых). Сравнивая среднее значение двух или нескольких групп, мы можем судить об относительной степени развития у людей, составляющих эти группы, оцениваемого качества.

Среднеарифметическое определяется по следующей формуле:

М =

где М - среднеарифметическое значение

n - количество испытуемых

Пример: В исследовании объема вербальной механической памяти, тест ``10 слов'' в группе из 12 испытуемых (n = 12), получены следующие результаты (количество запомненных слов): 5, 4, 5, 6, 7, 3, 6, 2, 8, 6, 9, 7

Среднеарифметическое значение (М)

Для данной выборки среднеарифметическое значение (М) = 5,6

Другой мерой центральной тенденции является мода (Мо) - наиболее часто встречающийся результат. В интервальном частотном распределении мода определяется как середина интервала, для которого частота максимальна.

Пример: В ряду значений 2, 3, 4, 5, 5, 6, 6, 6, 7, 7, 8, 9 модой является 6, потому, что 6 встречается чаще любого другого числа.

Обратите внимание, что мода представляет собой наиболее часто встречающееся значение (в данном примере это 6), а не частоту встречаемости этого значения (в данном примере равную 3).

Когда два соседних значения имеют одинаковую частоту и их частота больше частот любых других значений, мода вычисляется как среднее арифметическое этих двух значений.

Пример: в выборке 1, 2, 2, 2, 5, 5, 5, 6 частоты рядом расположенных значений 2 и 5 совпадают и равняются 3. Эта частота больше, чем частота других значений 1 и 6 (у которых она равна 1). Следовательно, модой этого ряда будет величина

Третья мера центральной тенденции - медиана (Ме), - результат, находящийся в середине последовательности показателей, если их расположить в порядке возрастания или убывания. Справа и слева от медианы (Ме) в упорядоченном ряду остается по одинаковому количеству данных (50% и 50%). Если ряд включает в себя четное количество признаков, то медианой (Ме) будет среднее, взятое как полусумма двух центральных значений ряда.

Пример: Найдем медиану выборки: 5, 4, 5, 6, 7, 3, 6, 2, 8, 6, 9, 7.

Упорядочим выборку: 2, 3, 4, 5, 5, 6, / 6, 6, 7, 7, 8, 9. Поскольку здесь имеется четное число элементов, то существует две ``середины'' - 6 и 6. В этом случае медиана определяется как среднее арифметическое этих значений.

Ме

Пример: Найдем медиану выборки с нечетным количеством значений: 9, 3, 5, 8, 4, 11, 13.

Сначала упорядочим выборку по величинам входящих в нее значений. Получим: 3, 4, 5, 8, 9, 11, 13. Поскольку в выборке семь элементов, четвертый по порядку элемент будет серединой ряда. Таким образом, медианой будет четвертый элемент - 8

Значения Ме и Мо полезны для того, чтобы установить является ли распределение частных значений изучаемого признака симметричным и приближающимся к нормальному распределению. Среднее арифметическое (М), медиана (Ме) и мода (Мо) для нормального распределения обычно совпадают или очень мало отличаются друг от друга. При нормальном распределении результатов график распределения имеет форму колокола (рис. 2).

Рисунок - График нормального распределения результатов исследования

 

Однако рассмотренные меры не характеризуют вариацию ответов на какой-то вопрос или, говоря другими словами, несходство, различие респондентов или измеренных характеристик. Очевидно, что помимо знания величин мер центральной тенденции важно установить, насколько близко к этим величинам расположены остальные полученные оцен­ки. Обычно используют три меры вариации: распределение частот, размах вариации и среднее квадратическое отклонение.

Распределение частот представляет в табличной или графической форме число случаев появления каждого значения измеренной характеристики (признака) в каждом выбранном диапазоне ее значений. Распределение частот позволяет быстро сделать выводы о степени подробности результатов измерений.

Размах вариации определяет абсолютную разность между максимальным и минимальным значениями измеренного признака. Говоря другими словами, это разница между конечными точками в распределении упорядоченных величин измеренного признака. Данная мера определяет интервал распределения значений признака.

Дисперсия характеризует насколько частные значения отклоняются от средней величины в данной выборке. Чем больше дисперсия, тем больше отклонение или разброс данных. Дисперсия определяется по следующей формуле:

где - дисперсия

- выражение, означающее, что для всех значений x от первого до последнего в данной выборке вычисляется разность между частными и средними значениями, эти разности возводятся в квадрат и суммируются

n - объем выборки

Вычислим дисперсию (для следующего ряда: 2, 4, 6, 8, 10. Прежде всего, найдем среднее (М) для данного ряда, оно равно 6.

Из каждого элемента ряда вычтем величину среднего этого ряда. Полученные величины характеризуют то, насколько каждый элемент отклоняется от средней величины в данном ряду. Экспериментальные данные этой задаче, необходимые для расчета дисперсии, представим в виде (таблицы)

Таблица

Первичный результат
2	- 4	16
4	- 2	4
6	0	0
8	2	4
10	4	16
М = 6

Далее разности возводят в квадрат суммируются. Полученную сумму квадратов разностей делим на объем данной выборки. В нашем примере получится следующее:

Общий алгоритм вычисления дисперсии следующий:

1. Вычисляется среднее по выборке

2. Для каждого элемента выборки вычисляется его отклонение от среднего.

3. Каждый элемент множества возводят в квадрат.

4. Находится сумма этих квадратов.

5. Эта сумма делится на общее количество членов используемой выборки.

Среднее квадратическое отклонение является обобщающей статистической характеристикой вариации значений признака. Если эта мера мала, то кривая распределения имеет узкую, сжатую форму (результаты измерений обладают высокой степенью схожести); если мера велика, то кривая распределения имеет широкий, растянутый вид (велика степень различия оценок).

Очень часто вместо дисперсии для выявления разброса частных данных относительно средней используют производную от дисперсии величину, называемую стандартным отклонением. Стандартное отклонение равно квадратному корню, извлекаемому из дисперсии, и обозначается тем же знаком, только без квадрата Эта величина в ряде случаев оказывается более удобной характеристикой варьирования, чем, дисперсия, так как выражается в тех же единицах, что и средняя арифметическая величина.

В нашем примере

 

Выводной анализ

Анализ, в основе которого лежит использование статистических процедур (например, проверка гипотез) с целью обобщения полученных результатов на всю совокупность, называется выводным анализом.

Вывод является видом логического анализа, направленного на получение общих заключений о всей совокупности на основе наблюдений за малой группой единиц данной совокупности.

Выводы делаются на основе анализа малого числа фактов. Например, если два ваших товарища, имеющих одну и ту же марку автомобиля, жалуются на его качество, то вы можете сделать вывод о низком качестве данной марки автомобиля в целом.

Статистический же вывод основан на статистическом анализе ре­зультатов выборочных исследований и направлен на оценку параметров совокупности в целом. В данном случае результаты выборочных исследований являются только отправной точкой для получения общих выводов.

Например, автомобилестроительная компания провела два незави­симых исследования с целью определения степени удовлетворенности потребителей своими автомобилями. Первая выборка включала 100 потребителей, купивших данную модель в течение последних шести месяцев. Вторая выборка включала 1000 потребителей. В ходе телефонного интервьюирования респонденты отвечали на вопрос: «Удовлетворены вы или не удовлетворены купленной вами моделью автомобиля?» Первый опрос выявил 30% неудовлетворенных, второй — 35%.

Поскольку существуют ошибки выборки и в первом и во втором случаях, то можно сделать следующий вывод. Для первого случая: около 30% опрошенных выразили неудовлетворенность купленной моделью автомобиля. Для второго случая около 35% опрошенных выразили неудовлетворенность купленной моделью автомобиля. Какой же общий вывод можно сделать в данном случае? Как избавиться от термина «около»? Для этого введем показатель ошибки: 30% ± х% и 35% ± у% и сравним х и у. Используя логический анализ, можно сделать вывод, что большая выборка содержит меньшую ошибку и что на ее основе можно сделать более правильные выводы о мнении всей совокупности потребителей. Видно, что решающим фактором для получения правильных выводов является размер выборки. Данный показатель присутствует во всех формулах, определяющих содержание различных методов статистического вывода.

При проведении маркетинговых исследований чаще всего используются следующие методы статистического вывода: оценка параметров и проверка гипотез.

Оценка параметров генеральной совокупности представляет из себя процесс определения, исходя из данных о выборке, интервала, в котором находится один из параметров генеральной совокупности, например среднее значение. Для этого используют следующие статистические показатели: средние величины, среднюю квадратическую ошибку и желаемый уровень доверительности (обычно 95% или 99%).

Ниже пойдет разговор об их роли при проведении оценки параметров.

Средняя квадратическая ошибка является, как отмечалось выше, мерой вариации выборочного распределения при теоретическом предположении, что исследовалось множество независимых выборок одной и той же генеральной совокупности.

Она определяется по следующей формуле:

где s_x — средняя квадратическая ошибка выборочной средней;

s — среднее квадратическое отклонение от средней величины в выборке;

n — объем выборки.

Если используются процентные меры, выражающие альтернативную изменчивость качественных признаков, то

где s — средняя квадратическая ошибка выборочной средней при использовании процентных мер;

р — процент респондентов в выборке, поддержавших первую альтернативу;

q = (100 — q) — процент респондентов в выборке, поддержавших

вторую альтернативу;

n — объем выборки.

Видно, что средняя ошибка выборки тем больше, чем больше вариация, и тем меньше, чем больше объем выборки.

Поскольку всегда существует выборочная ошибка, то необходимо оценить разброс значений изучаемого параметра генеральной совокупности. Предположим, исследователь выбрал уровень доверительности, равный 99%. Из свойств нормальной кривой распределения вытекает, что ему соответствует параметр Z = ± 2,58. Средняя для генеральной сово­купности в целом вычисляется по формуле

Если используются процентные меры, то

Это означает, что если вы хотите, чтобы при 99%-ном уровне до­верительности диапазон оценок включал истинную для генеральной со­вокупности оценку, то необходимо умножить среднюю квадратическую ошибку на 2,58 и добавить полученный результат к процентному значе­нию р (верхняя предельная оценка). Если же произвести вычитание дан­ного произведения, то найдем нижнюю предельную оценку.

Как эти формулы связаны со статистическим выводом?

Поскольку производится оценка параметра генеральной совокупности, то здесь указывается диапазон, в который попадает истинное значение параметра генеральной совокупности. С этой целью для выборки берутся статистическая мера центральной тенденции, величина дисперсии и объем выборки. Далее делается предположение об уровне доверительности и рассчитывается диапазон разброса параметра для генеральной совокупности.

Например, для членов выборки (100 читателей какой-то газеты) было установлено, что среднее время чтения газеты составляет 45 минут при средней квадратической ошибке в 20 минут. При уровне доверитель­ности, равном 95%-ном, получим

 

 

При 99%-ном уровне доверительности получим

 

 

Видно, что доверительный интервал шире для 99% по сравнению с 95%-ным уровнем доверительности.

Если используются проценты и оказалось, что из выборки в 100 человек 50% опрошенных по утрам пьет кофе, то при уровне доверительности в 99% получим следующий диапазон оценок:

 

Таким образом, логика статистического вывода направлена на получение конечных заключений об изучаемом параметре генеральной совокупности на основе выборочного исследования, осуществленного по законам математической статистики. Если используется простое заключение, не основанное на статистических измерениях, то конечные выводы носят субъективный характер и на основе одних и тех же фактов разные специалисты могут сделать разные выводы.

При использовании статистического вывода используются формулы, носящие объективный характер, в основе которых лежат общепризнанные статистические концепции. В результате конечные выводы носят намного более объективный характер.

В ряде случаев делаются суждения относительно какого-то параметра генеральной совокупности (величине средней, дисперсии, характере распределения, форме и тесноте связи между переменными) исходя только из некоторых предположений, размышлений, интуиции, неполных знаний. Такие суждения называются гипотезами.

Статистической гипотезой называется предположение о свойстве генеральной совокупности, которое можно проверить, опираясь на данные выборки.

Под проверкой гипотезы понимается статистическая процедура, применяемая для подтверждения или отклонения гипотезы, основанной на результатах выборочных исследований. Проверка гипотезы осуществляется на основе выявления согласованности эмпирических данных с гипотетическими. Если расхождение между сравниваемыми величинами не выходит за пределы случайных ошибок, гипотезу принимают. При этом не делается никаких заключений о правильности самой гипотезы, речь идет лишь о согласованности сравниваемых данных.

Проверка гипотезы проводится в пять этапов:

1. Делается некоторое предположение относительно какой-то характеристики генеральной совокупности, например о средней величине определенного параметра.

2. Формируется случайная выборка, проводится выборочное исследование и определяются статистические показатели выборки.

3. Сравниваются гипотетическое и статистическое значения исследуемой характеристики.

4. Определяется, соответствуют или нет результаты выборочного исследования принятой гипотезе.

5. Если результаты выборочного исследования не подтверждают гипотезу, последняя пересматривается — она должна соответствовать данным выборочного исследования.

Вследствие вариации результатов выборочных исследований невозможно сделать абсолютно точный вывод о достоверности гипотезы, проводя простое арифметическое сравнение величин характеристик. Поэтому статистическая проверка гипотезы включает использование: выборочного значения характеристики, среднего квадратического отклонения, желательного уровня доверительности и гипотетитеского значения харак­теристики для генеральной совокупности в целом.

Для проверки гипотез о средних величинах применяется следующая формула:

 

 

Например, готовя рекламу учебной программы по подготовке торговых агентов в колледже, руководитель программы считал, что выпускники программы получают в среднем 1750 долларов в месяц. Таким образом, гипотетическая средняя для генеральной совокупности равна 1750 долларам. Для проверки данной гипотезы было проведено телефонное обследование торговых агентов разных фирм.

Выборка составила 100 человек, средняя для выборки равнялась 1800 долларам и среднее квадратическое отклонение составляло 350 долларов. Возникает вопрос, является ли большой разница (50 долларов) между гипотетической зарплатой и ее средним значением для выборки. Проводим расчеты по формуле (4.2):

 

 

Видно, что средняя квадратическая ошибка средней величины была равна 35 долларам, а частное от деления 50 на 45 составляет 1,43 (нормированное отклонение), что меньше ±1,96 — величины, характеризую­щей уровень доверительности 95%. В данном случае выдвинутую гипотезу можно признать достоверной.

При использовании процентной меры испытание гипотезы осуще­ствляется следующим образом. Предположим, что, исходя из собствен­ного опыта, один из автолюбителей выдвинул гипотезу, согласно которой только 10% автолюбителей используют ремни безопасности. Однако национальные выборочные исследования 1000 автолюбителей показали, что 80% из них используют ремни безопасности. Расчеты в данном случае проводятся следующим образом:

 

 

где р — процент из выборочных исследований;

π_H — процент из гипотезы;

s_p — средняя квадратическая ошибка при расчетах в процентах.

Видно, что первоначальная гипотеза отличалась от найденных 80% на величину 55,3, умноженную на среднеквадратическую ошибку, т.е. не может быть признана достоверной.

В ряде случаев целесообразно использовать направленные гипотезы. Направленные гипотезы определяет направления возможных значений какого-то параметра генеральной совокупности. Например, заработная плата составляет больше 1750 долларов. В данном случае используется только одна сторона кривой распределения, что находит отражение в применении знаков «+» и «-» в расчетных формулах.

Здесь, правда, возникает вопрос. Если можно провести выборочные исследования, то зачем выдвигать гипотезы? Обработка результатов выборочных исследований дает возможность получить средние величины и их статистические характеристики, не выдвигая никаких гипотез. Поэтому проверка гипотез скорее применяется в случаях, когда невозможно или чрезвычайно трудоемко проводить полномасштабные исследования и когда требуется сравнивать результаты нескольких исследований (для разных групп респондентов или проведенных в разное время). Такого рода задачи, как правило, возникают в социальной статистике. Трудоемкость статистико-социологических исследований приводит к тому, что почти все они строятся на несплошном учете. Поэтому проблема доказательности выводов в социальной статистике стоит особенно остро.

Применяя процедуру проверки гипотез, следует помнить, что она может гарантировать результаты с определенной вероятностью лишь по «беспристрастным» выборкам, на основе объективных данных

Анализ различий

Анализ различий используется для сравнения результатов исследования двух групп (двух рыночных сегментов) для определения степени реального отличия в их поведении, в реакции на одну и ту же рекламу и т.п.

Проверка существенности различий заключается в сопоставлении ответов на один и тот же вопрос, полученных для двух или более независимых групп респондентов. Кроме того, в ряде случаев представляет интерес сравнение ответов на два или более независимых вопросов для одной и той же выборки.

Примером первого случая может служить изучение вопроса: что предпочитают пить по утрам жители определенного региона: кофе или чай. Первоначально было опрошено на основе формирования случайной выборки 100 респондентов, 60% которых отдают предпочтение кофе; через год исследование было повторено, и только 40% из 300 опрошенных человек высказалось за кофе. Как можно сопоставить результаты этих двух исследований? Прямым арифметическим путем сравнивать 40% и 60% нельзя из-за разных ошибок выборок. Хотя в случае больших различий в цифрах, скажем, 20 и 80%, легче сделать вывод об изменении вкусов в пользу кофе. Однако если есть уверенность, что эта большая разница обусловлена прежде всего тем, что в первом случае использовалась очень малая выборка, то такой вывод может оказаться сомнительным. Таким образом, при проведении подобного сравнения в расчет необходимо принять два критических фактора: степень существенности различий между величинами параметра для двух выборок и средние квадратические ошибки двух выборок, определяемые их объемами.

Для проверки, является ли существенной разница измеренных средних, используется нулевая гипотеза. Нулевая гипотеза предполагает, что две совокупности, сравниваемые по одному или нескольким признакам, не отличаются друг от друга. При этом предполагается, что действительное различие сравниваемых величин равно нулю, а выявленное по данным отличие от нуля носит случайный характер.

Для проверки существенности разницы между двумя измеренными средними (процентами) вначале проводится их сравнение, а затем полученная разница переводится в значение среднеквадратических ошибок, и определяется, насколько далеко они отклоняются от гипотетического нулевого значения.

Как только определены среднеквадратические ошибки, становится известной площадь под нормальной кривой распределения и появляется возможность сделать заключение о вероятности выполнения нулевой гипотезы.

Рассмотрим следующий пример. Попытаемся ответить на вопрос: «Есть ли разница в потреблении прохладительных напитков между девушками и юношами?». При опросе был задан вопрос относительно числа банок прохладительных напитков, потребляемых в течение недели. Описательная статистика показала, что в среднем юноши потребляют 9, а девушки 7,5 банок прохладительных напитков. Средние квадратические отклонения, соответственно, составили 2 и 1,2. Объем выборок в обоих случаях составлял 100 человек. Проверка статистически значимой разни­цы в оценках осуществлялась следующим образом:

 

 

где x₁ и x₂ — средние для двух выборок;

s₁ и s₂ — средние квадратические отклонения для двух выборок;

n₁ и n₂ — объем соответственно первой и второй выборки.

 

Числитель данной формулы характеризует разницу средних. Кроме того, необходимо учесть различие формы двух кривых распределения. Это осуществляется в знаменателе формулы. Выборочное распределение теперь рассматривается как выборочное распределение разницы между средними (процентными мерами). Если нулевая гипотеза справедлива, то распределение разницы является нормальной кривой со средней, равной нулю, и средней квадратической ошибкой, равной 1.

Видно, что величина 6,43 существенно превышает значение ±1,96 (95%-ный уровень доверительности) и ±2,58 (99%-ный уровень довери­тельности). Это означает, что нулевая гипотеза не является истинной.

На рис. 4.6 приводятся кривые распределения для этих двух сравниваемых выборок и средняя квадратическая ошибка кривой разницы. Средняя квадратическая ошибка средней кривой разницы равна 0. Вследствие большого значения среднеквадратических ошибок вероятность справедливости нулевой гипотезы об отсутствии разницы между двумя средними меньше 0,001.

 

Анализ связей

Анализ связей направлен на определение систематических связей (их направленности и силы) переменных. Например, определение, как увеличение затрат на рекламу влияет на увеличение сбыта.

Предсказательный анализ

Предсказательный анализ используется в целях прогнозирования развития событий в будущем, например, путем анализа временных рядов.