УМК ДИСЦИПЛИНЫ МИСО (1)

доля прибыли от коммерческой деятельности предприятия;

объем отгруженной продукции;

объем спроса на продукцию предприятия (емкость рынка);

расходы службы маркетинга;

коэффициент конкурентоспособности предприятия.

Доля прибыли предприятия от коммерческой деятельности является определяющим показателем при оценке качества организации, функционирования и управления маркетинговой системой, так как цель любого коммерческого предприятия заключается в максимизации получаемой им прибыли.

Показатели спроса на продукцию предприятия и величины ее фактической отгрузки в течение определенного периода временипозволяют определить способность предприятия полностью удовлетворить спрос потребителей, что в условиях рынка также становится одной из основных целей.

Анализ расходов службы маркетинга необходимо сопоставлять с вышеназванными показателями для оценки адекватности расходуемых средств финансовым результатам коммерческой деятельности.

Оценку прибыльности коммерческой деятельности предприятия целесообразно проводить на основе определения коэффициента конкурентоспособности. Рассмотрим критерии оценки конкурентоспособности предприятия:

1. Конкурентоспособность по продукту:

а) коэффициент рыночной доли(КРД) отражает долю предприятия на рынке:

где ОП — объем продаж продукта фирмой; ООПР — общий объем продаж продукта на рынке;

б) коэффициент предпродажной подготовки (КПП) характеризует стремление фирмы к росту конкурентоспособности за счет улучшения предпродажной подготовки. Если продукт не требовал предпродажной подготовки в отчетный период, то КПП = 1. Данный показатель рассчитывается по следующей формуле:

где ЗПП — сумма затрат на предпродажную подготовку; ЗПОП — сумма затрат на производство (приобретение) продукта и организацию его продаж;

в) коэффициент изменения объема продаж (КИОП) отражает рост или снижение конкурентоспособности фирмы за счет изменения объема продаж:

где ОПКОП — объем продаж на конец отчетного периода; ОПНОП — объем продаж на начало отчетного периода.

2. Конкурентоспособность по цене:

а) коэффициент уровня цен (КУЦ) отражает рост или снижение конкурентоспособности

где Цmax — максимальная цена товара на рынке; Цmin — минимальная цена товара на рынке; ЦУФ — цена товара, установленная фирмой.

3. Конкурентоспособность по доведению продукта до потребителя:

а) коэффициент доведения продукта до потребителя (КСБ), отражающий стремление фирмы к повышению конкурентоспособности за счет улучшения своей сбытовой

где ЗСБКОП — сумма затрат на функционирование системы сбыта на конец отчетного периода;

ЗСБНОП — сумма затрат на функционирование системы сбыта на начало отчетного периода.

4. Конкурентоспособность по критерию продвижения продукта:

а) коэффициент рекламной деятельности (Крекл.д) отражает стремление фирмы к росту конкурентоспособности за счет улучшения рекламной деятельности:

где ЗРДКОП — затраты на рекламную деятельность на конец отчетного периода; ЗРДНОП — затраты на рекламную деятельность на начало отчетного периода. Суммировав вышеперечисленные коэффициенты и найдя среднеарифметическую величину, определим промежуточное значение коэффициента конкурентоспособности маркетинговой деятельности для конкретного продукта (ККМД).

Для расчета итогового коэффициента конкурентоспособности фирмы также нужно учитывать общефинансовые коэффициенты, рассчитываемые на основе анализа баланса предприятия за отчетный период.

Таким образом, полная формула расчета коэффициента конкурентоспособности предприятия (ККП) будет выглядеть следующим образом:

КОСС — коэффициент обеспеченности собственными средствами.

В зависимости от значений ККП предприятия подразделяются на следующие группы: Рыночные лидеры — предприятия, имеющие максимальный коэффициент

конкурентоспособности. Как правило, подобные фирмы имеют максимальную рыночную долю при продажах и являются лидерами в ценовой политике, оптимизации затрат и т.д. Характерным их поведением является оборона.

Рыночные претенденты — фирмы, расчетный коэффициент конкурентоспособности которых лежит в диапазоне от 3,1 до 9. Обычно такие организации борются за увеличение рыночной доли продаж, проводят ценовой демпинг. Для них характерна стратегия атаки по всем направлениям деятельности.

Рыночные последователи — фирмы, расчетный коэффициент конкурентоспособности которых лежит в диапазоне от 1 до 3. Они проводят политику следования за отраслевым лидером, не рискуют, но и не проявляют пассивности. Такие фирмы копируют деятельность лидера, но действуют более осмотрительно и рассчитывают на меньшие ресурсы. Они, как правило, подвержены атакам со стороны рыночных претендентов.

Фирмы, действующие в рыночной нише, расчетный коэффициент конкурентоспособности которых лежит в диапазоне от 0,99 до –6,9. Фирмы этой группы обслуживают маленькие рыночные сегменты, которые другие участники конкуренции не принимают в расчет, и отличаются высоким уровнем специализации. Круг клиентов ограничен, характерен высокий уровень цен. В своей деятельности такие организации опираются на клиентов и максимально зависят от них.

Банкроты — фирмы с коэффициентом конкурентоспособности от –7 до –10. Они принимают режим внешнего управления и осуществляют мероприятия по выходу из банкротства или проводят расчеты с кредиторами и ликвидируются.

Предложенные показатели прибыльности коммерческой деятельности предприятия не полностью учитывают характер его конкурентоспособности. Конкурентоспособность как структура финансовоэкономических показателей включает в себя не только собственно эти показатели, но и взаимосвязи и взаимодействия между ними, зависящие от состояния макро- и микросреды.

РАЗДЕЛ 4 Лекция 7

Обработка информации при проведении маркетинговых исследований

(продолжение)

Кластерный анализ

Кластерный анализ предназначен для разбиения совокупности объектов на однородные группы (кластеры или классы). По сути это задача многомерной классификации данных.

Существует около 100 разных алгоритмов кластеризации, однако наиболее часто используемые: иерархический кластерный анализ и кластеризация методов k-средних.

Где применяется кластерный анализ? В маркетинге это сегментация конкурентов и потребителей. В менеджменте: разбиение персонала на различные по уровню мотивации группы, классификация поставщиков, выявление схожих производственных ситуаций, при которых возникает брак. В медицине - классификация симптомов, пациентов, препаратов. В социологии - разбиение респондентов на однородные группы. По сути кластерный анализ хорошо зарекомендовал себя во всех сферах жизнедеятельности человека.

Прелесть данного метода - он работает даже тогда, когда данных мало и невыполняются требования нормальности распределений случайных величин и другие трбования классических методов статистического анализа.

Поясним суть кластерного анализа, не прибегая к строгой терминологии:

допустим, Вы провели анкетирование сотрудников и хотите определить, каким образом можно наиболее эффективно управлять персоналом. То есть Вы хотите разделить сотрудников на группы и для каждой из них выделить наиболее эффективные рычаги управления. При этом различия между группами должны быть очевидными, а внутри группы респонденты должны быть максимально похожи.

Для решения задачи предлагается использовать иерархический кластерный анализ. В результате мы получим дерево, глядя на которое мы должны определиться на сколько классов (кластеров) мы хотим разбить персонал. Предположим, что мы решили разбить персонал на три группы, тогда для изучения респондентов, попавших в каждый кластер получим табличку примерно следующего содержания:

Поясним, как сформирована приведенная выше таблица:

В первом столбце расположен номер кластера - группы, данные по которой отражены в строке. Например, первый кластер на 80% составляют мужчины. 90% первого кластера попадают в возрастную категорию от 30 до 50 лет, а 12% респондентов считает, что льготы очень важны. И так далее.

Попытаемся составить портреты респондентов каждого кластера.

Первая группа - в основном мужчины зрелого возраста, занимающие руководящие позиции. Соцпакет (MED, LGOTI, TIME-своб время) их не интересует. Они предпочитают получать хорошую зарплату, а не помощь от работодателя.

Группа два наоборот отдает предпочтение соцпакету. Состоит она, в основном, из людей "в возрасте", занимающих невысокие посты. Зарплата для них безусловно важна, но есть и другие приоритеты.

Третья группа наиболее "молодая". В отличие от предыдущих двух, очевиден интерес к возможностям обучения и профессионального роста. У этой категории сотрудников есть хороший шанс в скором времени пополнить первую группу.

Таким образом, планируя кампанию по внедрению эффективных методов управления персоналом, очевидно, что в нашей ситуации можно увеличить соцпакет у второй группы в ущерб, к примеру, зарплате. Если говорить о том, каких специалистов следует направлять на обучение, то можно однозначно рекомендовать обратить внимание на третью группу.

Анализ деревьев

Анализ деревьев применяется в ситуациях, когда "строгие предпосылки", лежащие в основе более традиционных статистических методов не выполняются. В этом его сила, но если "работают" другие методики, рекомендуется использовать анализ деревьев только как средство проверки полученных на их основе заключений.

Если кластерный анализ решает задачу разбиения совокупности объектов на несколько однородных групп, то анализ деревьев помогает сформулировать правило, по которому объекты относяться к тому или иному классу.

Допустим, некоторое туристическое бюро решило проанализировать причины, по которым клиент принимает решение о том, купить или не купить Вашу услугу. Это означает, что мы имеем два класса клиентов 1) сделавшие покупку; 2) нет.

Вам целесообразно сформулировать правило, по которому Ваш клиент принимает решение: приобрести путевку или поискать еще. Зная поведение клиента, а именно клиентов-отказников Вы сможете принять решение о форимровании конкурентоспособной ценовой политике, политике скидок и дополнительного сервиса,

которые в комплексе обеспечат Вам наилучшие показатели прибыли, высокую репутацию и т.д. Чтобы начать подобное исследование Вам необходимо собрать некоторую статистику, в которой бы содержались сведения о клиентах и потенциальных клиентах обслуженных за определенный период. В качестве подобной статистики должны выступать все сведения об уровне сервиса, о харатере общения с клиентом, сроках и итоговом решении. Например:

-Купил ли клиент путевку;

-Цена путевки;

-длительность тура;

-Вид путевки;

-Первый контакт (по телефону или личный приход);

-Интервал времени с момента первого контакта до момента покупки;

-приход клиента по рекомендации или по рекламе;

-сколько вопросов задал клиент;

-и т.п.

Вас интересует, как принимает клиент решение, и что отличает людей, вступивших с Вашей компанией в договорные отношения от несостоявшихся клиентов.

Анализ деревьев в Вашей ситуации позволяет построить "дерево", моделирующее принятие решения Вашего клиента.

Как Вы можете корректировать свою политику, зная структуру такого вида?

Если мы аккуратно построим дерево и отследим все интересующие нас цепочки, то можно определить, на каких направлениях стоит сконцентрироваться и как с соответствующим клиентом надо работать.

Допустим, в результате анализа деревьев, Вы получили следующие результаты:

37% Ваших клиентов, сделавших покупку характеризовали следующие факты:

-путевка была "горящей"

-клиенты рассчитывали на скидку;

-до вылета менее 3 дней;

-скидка, по сравнению с рыночной ценой, превышала 30%"

Мы видим, что данный класс покупателей достаточно представителен и имеет смысл разрабатывать дальнейшие способы стимулирования таких клиентов.

Аналогично можно было рассматривать те "ветки дерева", которые объединяют несостоявшихся клиентов.

Конечно, можно строить деревья самостоятельно по здравому смыслу. Возможно, удастся даже на короткую перспективу получить удачное решение, но следует помнить о ряде проблем, которые без статистической поддержки практически непреодолимы:

-последовательность, в которой вы ведете дробление совсем не обязательно отвечает тому, как на самом деле думает клиент. Ошибаясь в последовательности, Вы рискуете придти к ложным выводам;

-выбор критических значений "20% от рынка" "три дня до вылета", производящийся по принципу "пол - палец - потолок" приведет Вас скорее всего к запутанной схеме;

-достаточно сложно учесть "вручную" важность для Вас того, к какой категории относился Ваш клиент. Если вы специализируетесь на молодежных путевках, то факт покупки путевки представителем старшего поколения будет для Вас, безусловно менее интересен, а поэтому, при принятии решения о приоритетах, должен быть учтен с меньшим весом.

-классифицировать ли всех покупателей, или остановиться на том шаге, когда в несколько цепочек укладываются 70% клиентов.

Проблемы такого рода позволяет решить профессиональный анализ с использованием анализа деревьев и других статистических методов.

Данный анализ широко используется при обработке результатов анкетирования. В этом случае анализ деревьев позволяет понять: в чем различия между респондентами, ответившими на один и тот же вопрос поразному.

При медицинских исследованиях использование анализа деревьев - этот ответ на вопрос, в какой последовательности проводить диагностику заболевания.

Впромышленности "деревья", это правила, по которым можно диагностировать состояние производственного процесса.

Всоциологии анализ деревьев используется для изучения поведения различных групп населения...

Факторный анализ

Часто в социологических, экономических, психологических исследованиях мы имеем дело с многомерной информацией. Если изучаемые объекты - люди, а ответы на вопросы анкеты соответственно принаки изучаемых объектов, то очень часто трудно сгруппировать людей в однородные группы, поскольку при анкетировании задаются несколько десятков вопросов. даже если разбиение на группы удалось, то сложно описать характеристики этих групп. В этом случае можно попробовать перейти от исходного многомерного факторного пространства к новым факторам, которые обобщали бы в себе все ответы на вопросы. Техника факторного анализа в прикладном смысле нацелена на снижение размерности поля признаков.

Покажем возможности применения факторного анализа на следующем примере:

Допустим, мы обработали 1000 анкет наших потенциальных клиентов, каждая из которых содержит порядка 50 вопросов. Задача, которая стоит перед исследователем - на основе собранных данных выделить сегменты потребителей, описать профиль клиента из каждого сегмента и разработать политику дальнейшего стимулирования сбыта для каждого сегмента отдельно.

Очевидно, что одновременно отслеживать изменение ответов по 50 пунктам достаточно сложно.

Можно предложить несколько вариантов решения проблемы:

-применить кластерный анализ и разбить клиентов на группы, работать с каждой группой "индивидуально"

-можно на основе дисперсионного, или дискриминантного анализа провести аналогичные процедуры, определить дискриминирующие и классифицирующие функции, а дальше применить процедуру, предложенную в предыдущем пункте …

Однако необходимо помнить, что:

1)не всегда эти подходы дают хорошо интерпретируемые результаты;

2)ценность выводов, подтвержденных в рамках нескольких подходов многократно возрастает;

3)чем проще интерпретируются результаты, тем выше прикладная ценность анализа.

Что даст нам факторный анализ в данной задаче? Факторный анализ позволит нам от 50 прежних вопросов в анкете перейти к нескольким новым интегральным характеристикам, достаточно хорошо описывающим рассмотренную совокупность. Если повезет, от 50 вопросов можно перейти к двум интергральным показателям. Что показывают эти интегральные факторы - это вопрос к исследователю. Именно исследователь должен наполнить новые факторы интерпретационным смыслом.

В нашем случае могла получиться следующая картина: факторный анализ предложил представить все вопросы анкеты с помощью двух факторов. Анализируя полученную картинку исследователь дал следующую интерпретацию полученным факторам:

-Фактор 1 - степень удовлетворенности человека своим положением в обществе;

-Фактор 2 - степень управляемости сознания человека средствами СМИ.

Перейдя от 50 характеристик к 2 мы теперь можем расклассифицировать всех респондентов на несколько групп по степени выраженности двух новых факторов. Это уже сделать достаточно просто.

Однако никогда нельзя точно сказать какой результат даст факторный анализ. Могут получиться хорошо интерпретируемые новые факторы, а возможно ничего и не получится.

Анализ соответствий

Главной целью анализа соответствий является представление в упрощенном виде (пространстве меньшей размерности) информации, содержащейся в больших частотных таблицах. Поясним с помощью примера суть метода.

Допустим, перед нами стоит задача на основе проведенного анкетирования (100 накет) выявить, насколько важны определенные характеристики помещения магазина нашим покупателям.

Предположим, что у нас есть три характеристики - площадь, обеспеченность консультантами и оформление витрин. Оценивание проводилось по шкале "очень важно" "важно" "не важно"

Если мы просто обобщим результаты опроса, определив долю ответов 1. и 2. по каждому пункту, объективных выводов мы не получим, поскольку, во-первых, получение распределение мнений нельзя интерпретировать однозначно.

Следует также отметить, что процедура оценки носит довольно приблизительный характер: каждый респондент имеет свои представления об "очень важной", "важной" и "не важной" характеристике, поэтому показатели, по сути дела, оцениваются по 100 различным шкалам Анализ соответствий позволяет на основе таблиц сопряженности построить некоторую

объективную с точки зрения группы в целом оценку. При этом параллельно решается вопрос о том, насколько правомерно использование шкалы "очень важно" "важно" "не важно".

Рассмотрим, к примеру последнюю стадию процесса анализа, на которой, используя, аппарат таблиц сопряженности и собственных чисел, мы получили следующие результаты:

Критерий "очень важный" приблизительно равен 1,0761; "важный" - 0,092; "не важный" - 1,4717. Расстояния между "очень важным" и "важным", "важным" и "не важным"

соответственно составляют 0,984 (или 1,0761- 0,092) и 1,379 (или 1,4717-0,092) и

различаются на 0,395, т.е. предложенная шкала неравномерна. Происходит смещение в сторону положительных оценок. Это требует дополнительного анализа как самой шкалы (возможно, она неполна и нуждается в разукрупнении), так и выборочной совокупности (может быть, опрашиваемые более склонны давать положительные оценки, что искажает объективную картину).

Далее вычисляются по (1)-(3) средние баллы показателей. Они соответственно равны: - 1,2322, 0,1227, 1,2326. Сравнение полученных показателями баллов с числовыми значениями шкалы однозначно говорит о том, что, по мнению опрошенных, 1-й преподаватель является "не важным", 2-й - "важным ", а 3-й - "очень важным".

Можно также проверить, насколько качественными получились наши оценки ( к примеру в 98% случаев наша шкала соответствует реальным предпочтениям респондентов В заключение, обратим Ваше внимание на то, что в ситуации, когда данные являются

дискретными, результаты анализа соответствий и факторного анализа будут совпадать. Используемый аппарат, безусловно различен, но мы говорим именно о результатах.

ANOVA/MANOVA - дисперсионный анализ

Прикладная цель дисперсионного анализа заключается в ответе на вопрос: оказывает ли факторы значимое влияние на зависимую величину или нет. При этом, однако, нужно иметь ввиду, что факторы должны быть представлены в номинальной или порядковой шкале.

Например, мы хотим понять влияет ли фактор "ПОЛ" на размер сумму покупки клиента. В данном случае фактор "ПОЛ" представлен в номинальной шкале и может принимать только два конкретных значения (М/Ж).

Если посмотреть на проблему с другой стороны, то дисперсионный анализ предназначен для ответа на вопрос: значимо ли различаются средние в нескольких группах. В приведенном выше примере мы по сути выясняем существенно ли в статистическом смысле средняя сумма покупки мужчины отличается от средней суммы покупки женщины. Если существенно, то мы говорим - фактор "ПОЛ" оказывает влияние на размер покупки.

Покажем суть дисперсионного анализа на простейшем примере. Допустим, в Вашем магазине два продавца работают посменно. Вы сталкиваетесь с ситуацией, когда товар то пролеживает, то в магазине пустые полки. Попробуем разобраться в сути явления: Возможно, что один продавец работает недобросовестно, а значит продажи, в среднем у него существенно ниже. Поэтому, завозя товар разным продавцам одинаковыми партиями, Вы упускаете потенциальных клиентов и Ваши деньги связаны в пролеживающем товаре. Формализуем эту ситуацию.

Пусть продажи ведут себя следующим образом

Конечно данных должно быть побольше чем четыре наблюдения, но все же...

Дисперсия продаж в целом будет 5.66, а средний объем реализации - 7,5.

Но эта цифра не будет адекватно описывать ни одного из продавцов, поэтому разумно будет вести учет по каждому отдельно. Для первого средний объем составит 5,5 , а дисперсия- 0,5, для второго - 9,5 и 0,5 - соответственно. Итак, ведя дополнительный фактор - продавец, мы снизили общую дисперсию (теперь она равна 1,0) примерно в 6 раз и значительно улучшили качество прогноза продаж.

Более сложная картина в случае, когда у нас не 2 продавца в одном магазине, а 30 торговых точек в разных районах города, разных по площади, рекламе, внешнему виду,

близости к магистралям…. И мы хотим понять какие факторы и как влияют на объемы продаж этих точек. Используя дисперсионный анализ вы сможете: во-первых, провести ранжирование факторов по степени влияния на объем продаж; вовторых, оценить на сколько процентов увеличивается объем продаж при изменении того или иного фактора; в третьих, спрогнозировать объем продаж новой торговой точки.

Стоит отметить, что если факторы представлены в количественной шкале, то дисперсионный анализ все-таки можно провести. В этом случае мы имеем дело с ковариационным анализом.

Использование дисперсионного анализа трудно переоценить. Он присутствует и в регрессионном и дискриминантном и в кластерном анализе. По сути, почти все статистические техники так или иначе используют этот подход.

А если вы занимаетесь отладкой производственного процесса и поиском оптимальных технологических параметров, то дисперсионный анализ должен стать Вашей "рабочей лошадкой"

Логит и пробит модели

Probit и logit модели применяются для оценки качественных переменных, где применение линейного оценивания затруднено рядом причин. Другими словами, если Вы хотите спрогнозировать некоторую величину, причем эта величина бинарная, т.е. может принимать только два значения, то логит и пробит модели могут оказать Вам незаменимую услугу.

Примеры:

1.Необходимо спрогнозировать, какой будет продукт на выходе (годный или бракованный) если параметры производственного процесса будут установлены в том или ином состоянии. В данном случае прогнозируемая величина - бинарная (годен/брак), поэтому могут использоваться логит/пробит модели.

2.Вы хотите знать, упадет ли объем продаж ниже критического уровня или нет, если покупательная способность населения упадет на 5%.

3.Вы изучаете поведение покупателей в Вашем магазине и хотите изучить чем поведение купивших отличается от поведения людей, не сделавших покупку. В этом случае факт покупки - зависимая бинарная величина, а поведение человека в магазине и половозрастные характеристики посетителя - факторы.

Итак, введем следующие обозначения:

Покупка - принимает значение "1",

клиент ушел без покупки - "0".

T - время проведенное в магазине;

Y - возраст клиента;

K - внешняя респектабельность клиента по 5-бальной шкале;

и.т.п.