4798

11

отбор, стратифицированный отбор. Простой случайный отбор предполагает, что вероятность быть избранным в выборку известна и является одинаковой для всех единиц совокупности. Он осуществляется путем формирования выборки вслепую или с помощью таблицы случайных чисел. Для метода систематического отбора используется показатель «интервал скачка», рассчитанный как отношение размера совокупности к объему выборки. Кластерный отбор основан на делении совокупности на подгруппы (кластеры), каждая из которых представляет совокупность в целом. Далее одна подгруппа (кластер) выбирается случайным образом, в ней проводится соответствующее исследование, а выводы обобщаются на всю совокупность.

В случае несимметричного распределения совокупности последняя разделяется на различные подгруппы (страты), например по уровню доходов, и выборка формируется из этих подгрупп, по сути, являющихся сегментами рынка. Такой метод носит название стратифицированного отбора.

Невероятностные методы формирования выборки: отбор на основе принципа удобства, отбор на основе суждений, формирование выборки в процессе обследования, формирование выборки на основе квот. Смысл метода отбора на основе принципа удобства заключается в том, что формирование выборки осуществляется самым удобным с позиции исследователя образом, например, с позиции минимальных затрат времени и усилий, с позиции доступности респондентов. Данный метод используется для поиска респондентов с заранее заданными характеристиками. Формирование выборки на основе суждений основано на использовании мнения квалифицированных специалистов, экспертов относительно состава выборки. На основе такого подхода часто формируется состав фокус-групп. Формирование выборки в процессе опроса основано на расширении числа опрашиваемых на основе предложений респондентов, которые уже приняли участие в обследовании.

Формирование выборки на основе квот (квотный отбор) предполагает предварительное исходя из целей исследования определение численности групп респондентов, отвечающих определенным требованиям (признакам).

12

Такой метод обычно применяется в случае, когда имеется четкое суждение о характеристиках респондентов, мнение которых целесообразно изучить в проводимом исследовании.

От процедуры формирования выборки зависит репрезентативность полученных результатов.

Объем выборки определяется на основе статистического анализа. Этот подход основан на определении минимального объема выборки исходя из определенных требований к надежности и достоверности получаемых результатов. Объем выборки на основе расчета доверительного интервала определяется по формуле

n z2 pq , (1) e2

где n – объем выборки;

z – нормированное отклонение, определяемое исходя из выбранного уровня доверительности;

p– найденная вариация для выборки;

q= (100 – p);

e – допустимая ошибка.

Возможно определение объема выборки на основе использования средних значений по формуле

где s среднее квадратическое отклонение.

На практике, если выборка формируется впервые и схожие опросы не проводились, то s неизвестно. В этом случае целесообразно задавать погрешность e в долях от среднеквадратического отклонения. Расчетная формула преобразуется и приобретает следующий вид.

Обычно, если выборка составляет менее пяти процентов от совокупности, то совокупность считается большой и расчеты проводятся по вышеприведенным формулам. Если же объем выборки превышает пять процентов от совокупности, то последняя считается малой и в

13

вышеприведенные формулы вводится поправочный коэффициент. Объем выборки в данном случае определяется следующим образом:

где n` объем выборки для малой совокупности;

n объем выборки (или для процентных мер, или для средних), рассчитанный по приведенным выше формулам;

N – объем генеральной совокупности.

После определения размера выборки начинается непосредственно сбор данных. Если в соответствии с разработанным проектом исследований информация должна собираться путем анкетирования или наблюдения, сбор данных должен производиться в «полевых условиях».

После завершения процесса сбора первичной информации массив полученных данных необходимо подготовить к обработке. Процесс подготовки данных, содержащихся в первичных рабочих документах (опросных листах, листах наблюдений), к анализу включает редактирование, кодирование, преобразование и статистическое корректирование собранной информации.

Редактирование представляет собой проверку и корректирование данных с целью выявления и устранения нечитабельной, неполной, логически непоследовательной, недостоверной или неоднозначной информации. Данные, фиксируемые в первичных рабочих документах, подвергают двухступенчатому редактированию: во-первых, полевому редактированию в процессе сбора информации и, во-вторых, централизованному кабинетному редактированию уже собранной информации.

Кодирование предполагает присвоение цифрового, буквенного или комбинированного кода каждому варианту ответа на каждый вопрос формы сбора данных. Варианты, предусмотренные структурированными опросными листами и листами наблюдения, кодируются до проведения полевых работ на этапе планирования и разработки первичных рабочих

14

документов. Неструктурированные ответы подвергают кодированию в процессе обработки информации.

Преобразование заключается в переносе закодированных данных на магнитные, оптические (лазерные), фотографические или другие носители.

Статистическое корректирование включает присвоение весовых коэффициентов, респецификацию (переопределение) переменной и трансформацию (преобразование) шкалы измерения. Статистическое корректирование собранной информации можно автоматизировать с помощью ЭВМ.

Данные, прошедшие процедуру подготовки, подвергают анализу. Методы анализа информации определяются, по возможности, до начала сбора данных для обеспечения адекватности процедуры исследования его методологии.

Анализ подготовленных данных осуществляется посредством пакетов прикладных программ Deductor, GenStat, MATLAB, Microsoft Excel, MINITAB, SAS, SPSS, STATISTICA, SYSTAT, QM, ДА-система и др.

Программы предоставляют возможности для расчёта дескриптивных статистик распределения частот (показателей центра распределения, показателей вариации, показателей формы распределения); построения таблиц сопряжённости признаков (перекрёстной табуляции) и вычисления их статистик; корреляционного, факторного, регрессионного, дисперсионного, дискриминантного, кластерного, совместного анализа, многомерного шкалирования.

Применение указанных и ряда других программных продуктов существенно упрощает и повышает как эффективность обработки и анализа собранных данных, так и результативность маркетингового исследования в целом. Поэтому при написании курсовой работы по данной дисциплине рекомендуется использовать специальное программное обеспечение.

Полученные в процессе анализа результаты и выводы оформляются во втором разделе курсовой работы.

По форме и содержанию курсовая работа представляет собой отчёт о проведённом маркетинговом исследовании. Излагаемый в ней материал

16

После окончания полевого этапа маркетингового исследования (проведения опросов) собранные первичные данные заносят в компьютер посредством удобной экранной формы программы. Анкетёр автоматически кодирует введённую информацию и позволяет экспортировать её для обработки и анализа в программы статистических пакетов, Microsoft Excel или «КонСи-Сегментирование рынка и позиционирование новых продуктов».

Если тема курсовой работы предполагает проведение сегментации рынка, то для обоснованного разделения рынка на статистически достоверные сегменты рекомендуется воспользоваться распространённым статистическим программным обеспечением (MINITAB, SAS, SPSS, STATISTICA, SYSTAT и др.) или специальными маркетинговыми компьютерными программами (программным комплексом Marketing Analytic, программой «КонСи-Сегментирование рынка и позиционирование новых продуктов»).

Названные программные продукты позволяют применять различные методы классификационного анализа. К методам классификационного анализа относят прежде всего методы кластерного и факторного анализа, которые по необходимости дополняют корреляционным, регрессионным, дискриминантным и дисперсионным анализом.

Чаще всего наиболее подходящими для осуществления сегментирования являются методы кластерного анализа. Однако если в маркетинговом исследовании респонденты оцениваются по большому числу параметров, проведение кластерного анализа может стать крайне затруднительным или даже практически невозможным. В этом случае для сокращения числа переменных сегментирования перед кластерным анализом целесообразно произвести так называемую редукцию данных методами факторного анализа. Это позволит сгруппировать те параметры респондентов, которые тесно между собой коррелируют.

Для проведения факторного анализа лучше подходит стандартное статистическое программное обеспечение.

18

В приведённом примере (рисунок 4) респонденты оценивались по 20 параметрам (q1-q20), что значительно усложняло процедуру кластерного анализа для разделения исследуемого рынка на сегменты.

В результате проведения факторного анализа 19 из 20 переменных сегментирования были однозначно классифицированы по 5 факторам. Так, 6 параметров (q2, q3, q14, q10, q1, q5) наиболее тесно коррелируют с фактором 1. Ещё 6 переменных сегментирования (q12, q11, q6, q8, q7, q4) можно объединить во вторую группу, 3 переменные (q17, q20, q18) – в третью группу, 1 переменную (q9) – отнести к четвёртой группе, 3 переменные (q19, q13, q15) – к пятой группе (см. рисунок 4).

Не удалось классифицировать только параметр q16, по которому анализировались респонденты (рисунок 4). Принадлежность таких неклассифицированных параметров (q16 в примере) к тому или иному фактору определяется аналитиком самостоятельно с помощью коэффициентов корреляции между переменной и факторами.

Далее классификацию потребителей по выделенным 5 переменным проводят методами кластерного анализа.

Диалоговое окно кластерного анализа в программе SPSS вызывается через меню Analyze ► Classify. Важно отметить, что рассматриваемый пакет статистических прикладных программ предоставляет возможности, как для иерархической, так и для неиерархической кластеризации.

Неиерархическая кластеризация методом k-средних (K-Means Cluster Analysis) требует, чтобы аналитик самостоятельно определил и точное число выделяемых кластеров, и зёрна (центры) кластеризации, и некоторые другие статистики, поэтому она имеет существенные ограничения в практическом применении.

Автоматизированная статистическая процедура иерархической кластеризации (Hierarchical Cluster Analysis) как таковая не способна самостоятельно определить оптимальное количество кластеров. Однако искомое число кластеров можно найти с помощью плана (программы) агломерации (рисунок 5), рассчитав разность между объёмом выборки и шагом, на котором происходит первый существенный скачок коэффициента агломерации.

19

Agglomeration Schedule

Рисунок 5 План агломерации в программе SPSS

Впримере, изображённом на рисунке 5, коэффициент агломерации (расстояние между двумя объединяемыми кластерами) плавно возрастает от 0 до 7,452 (см. колонку Coefficients). На шаге 729 (см. колонку Stage) впервые происходит значительный скачок коэффициента: с 7,425 до 10,364 (см. колонку Coefficients). Вычитая 729 из общего количества респондентов (в примере 745 человек), находят, что оптимальное число кластеров 745−729=16. Так как полученное количество кластеров неприемлемо велико, производится проверка их статистической и практической значимости, в том числе с помощью дескриптивных статистик распределения частот (Analyze ► Descriptive Statistics ► Frequencies...).

Для интерпретации выделенных в SPSS кластеров целесообразно воспользоваться процедурой сравнения кластерных центроидов, то есть средних значений переменных для всех объектов в каждом из кластеров

(Analyze ► Compare Means ► Means...).

Вспециальной маркетинговой компьютерной программе «КонСиСегментирование рынка и позиционирование новых продуктов» реализована неиерархическая кластеризация методом k-средних (рисунок 6). При этом центры кластеров можно задавать как априорно, так и производить их автоматический поиск.

20

Рисунок 6 Кластеризация потребителей в программе «КонСи-Сегментирование рынка и позиционирование новых продуктов»

Для редукции переменных сегментирования в рассматриваемом специальном программном продукте, так же как и при использовании стандартного статистического программного обеспечения, применяют методы факторного анализа.

Кроме того, программа «КонСи-Сегментирование рынка и позиционирование новых продуктов» позволяет: оценивать влияние каждой отдельной переменной сегментирования на конечные результаты кластеризации методом однофакторного дисперсионного анализа; изучать параметры потребителей в сегментах; сопоставлять профили сегментов; анализировать их стратегический потенциал средствами портфельного анализа (рисунок 7).

Программой предусмотрены и возможности для построения карт восприятия (рисунок 7), которые успешно применяются для целей сегментирования, позиционирования, в маркетинговых исследованиях потребителей и конкурентов.