В середине или ближе к
концу анкеты рекомендуется ставить
наиболее трудные для респондентов
вопросы. Обычно респондент, если дошел
до данной части вопросника, как
правило, отвечает и на оставшиеся вопросы.
Опытные интервьюеры при проведении
устного опроса в этом месте обычно
говорят, что интервью вступило в
завершающую стадию.
- В конце вопросника приводятся классификационные вопросы, постановка которых в его начале, вследствие их персонального характера, может вызвать у респондента желание прекратить ответы на вопросы. Сюда относятся демографические вопросы о возрасте, образовании, национальности, уровне дохода и т.п.
- Вопросы, носящие чрезмерно личностный характер («Чистите ли вы зубы каждый день?» «Часто ли вы на своем автомобиле превышаете допустимую скорость?»), обычно помещаются среди «безвинных» вопросов.
После проведения опроса полученная
информация должна быть подготовлена
к анализу. Выделяют несколько этапов
этого процесса:
1. Проверка анкет. На данном
этапе анкеты проверяются на полноту заполнения
и качество интервьюирования. Не могут
быть приняты для дальнейшей обработки
анкеты с незаполненными частями, с несоблюдением
респондентами инструкций по заполнению,
с отсутствующими страницами, с ответами,
данными респондентом, не входящим в группу,
выделенную для участия в исследовании.
2. Редактирование данных.
На данном этапе производится
обработка нечитабельных,
неполных, логически непоследовательных
или неоднозначных ответов. При получении
анкет, содержащих такие ответы, их обычно
отправляют обратно на места сбора данных
для уточнения, либо назначаются пропущенные
значения, либо такие анкеты отбраковываются
и не включаются в анализ.
3. Кодирование данных. На
данном этапе осуществляется
присвоение определенного кода
каждому возможному варианту
ответа по каждому вопросу.
Помимо этого, кодируются и
сами респонденты, а также вопросы. Если
анкета включает только закрытые вопросы
или очень незначительное количество
открытых вопросов, она кодируется заранее.
Это означает, что коды присваиваются,
прежде чем начинается непосредственная
полевая работа. Если же в анкете содержатся
в основном открытые вопросы, коды присваиваются
уже после того, как заполненные анкеты
возвращаются с места сбора данных (так
называемое посткодирование).
4. Преобразование данных. На данном
этапе осуществляется перенос
закодированных данных из анкеты
или кодировочных таблиц на
диски или магнитные ленты
либо введение их непосредственно
в компьютер через клавиатуру.
Если данные собраны с использованием
автоматизированных компьютерных
систем, их преобразование не
обязательно, поскольку они вводятся
в компьютер в процессе их
сбора.
5. Очищение данных заключается
в проверке состоятельности собранных
данных и работе с пропущенными ответами.
6. Статистическая корректировка
данных. Может осуществляться взвешивание
(каждому наблюдению или респонденту
в базе данных присваивается весовой коэффициент,
отображающий степень его значимости
по сравнению с другими наблюдениями или
респондентами.), переопределение переменной (преобразование
данных для создания новых переменных
либо изменения существующих.), преобразование шкалы измерения (манипулирование
значениями шкалы с тем, чтобы сравнивать
ее с другими шкалами либо как-то иначе
преобразовывать данные и делать их подходящими
для анализа).
Таким образом, учитывая все выше сказанное
на данном этапе исследования была
разработана анкета потребителей компьютеров
и его комплектующих. В процессе
проведения анкетирования были опрошен
персонал, студенты техникума - интерната
в количестве 70 человек. Можно сделать
вывод о том, что общий размер
выборки в нашем исследовании
составляет 70 потребителей компьютеров
и комплектующих. (см. Приложение 1)
3. Сегментирование
потребителей на основании иерархического
кластерного анализа
После преобразования данных
приступают к статистическому анализу.
Выбор того или иного метода
анализа определяется главным образом
типом шкалы, использованной при
построении вопросов анкеты.
Кластерный анализ является
одним из наиболее распространенных
методов статистического сегментирования
потребителей какого-либо товара или
услуги. Однако практика показывает, что
в нашей стране многие исследовательские
компании и отделы маркетинговых
исследований в производственных и
торговых компаниях весьма ограниченно
используют аппарат статистических
методов анализа данных (а часто
и вообще не используют, ограничиваясь
лишь аналитическими и графическими методиками).
Следует отметить, что статистика отнюдь
не является универсальным методом анализа
в маркетинговых исследованиях, в целом
ряде случаев приходится сознательно
отказываться от их использования в пользу
чисто когнитивных методик (т.е. основанных
на субъективном мнении аналитика). Вместе
с тем статистика обладает и массой положительных
сторон для исследователя: именно с помощью
статметодов можно четко и на конкретных
цифрах аргументировать свои выводы по
итогам исследования. Решение о применении
или, напротив, о не применении статистики
должно приниматься в каждом конкретном
случае отдельно, и при этом данное решение
должно быть основано на объективной информации
о возможности или не возможности их использования.
Для того чтобы принять подобное решение
необходимо хорошо ориентироваться в
наиболее распространенных статистических
методах.
Наше исследование имеет
целью, не вдаваясь в теоретические
выкладки, ознакомится с основами
практического использования одного
из методов статистики - кластерного
анализа - в маркетинговых исследованиях,
на примере покупателей компьютером
Калачёвского техникума-интерната.
Прежде чем начать описание
проведения иерархического кластерного
анализа на практике, хотелось бы выделить
еще два весьма важных момента.
Во-первых, при
проведении кластерного анализа
чрезвычайно важную роль играет
правильное разделение всех характеристик
потребителей на критерии сегментирования
(т.е. те переменные, на основании которых
будут выделяться целевые сегменты) и дескрипторы сегментов
(это те переменные, которые помогут в
дальнейшем подробно описать полученные
сегменты). В общем случае в качестве критериев
сегментирования рекомендуется выбирать
те, и только те характеристики, которые
реально могут определять поведение сегментов.
Чаще всего это могут быть: наличие потребности
в каких-либо услугах/товарах, частота
и кратность покупки продукта, наличие
конкретных ситуаций в деятельности организации
и т.д. Дескрипторные же переменные (чаще
всего это социально-демографические
параметры - на потребительском рынке
и численность/сфера деятельности/тип
собственности и т.д. - на рынке организаций)
позволяют лишь более полно описать выделенные
сегменты (например, для поиска организаций
данного типа в базе данных клиентов или
в адресных справочниках). Это правило
не является универсальным, так как в ряде
случаев, например, социально-демографические
параметры потребителей могут являться
ключевыми в определении их покупательского
поведения. Выбор критериев сегментирования
и дескрипторов сегментов - процедура,
целиком зависящая от опыта и знаний исследователя.
Причем неправильное решение в данной
области может привести к неудовлетворительным
результатам кластерного анализа (например,
когда невозможно выделить оптимальное
число групп или когда получающиеся сегменты
не поддаются практической интерпретации).
Во-вторых, следует
особо оговориться, что в исследовании
мы описываем лишь одно из возможных применений
кластерного анализа в маркетинговых
исследованиях. Вместе с тем данная методика
позволяет решать также и множество других
задач, постоянно встающих перед исследователем
(например, разделение гистограмм частотных
распределений на группы по принципу:
высшая—средняя—низшая и т.д.). К примеру,
мы имеем линейное распределение ответов
на вопрос: «Какие марки антивирусов установлены
в Вашей организации?». Для формирования
выводов по данному распределению необходимо
разделить марки антивирусов на несколько
групп (обычно 2-3). Для разделения всех
марок, предположим, на три группы (наиболее
популярные марки, средняя популярность
и непопулярные марки) лучше всего воспользоваться
именно кластерным анализом, хотя в реальной
жизни исследователи обычно разделяют
элементы частотных таблиц на глазок,
основываясь на субъективных соображениях.
В противоположность такому подходу кластерный
анализ позволяет научно обосновать сделанную
группировку. Для этого следует ввести
значения каждого параметра в SPSS (при этом
эти значения целесообразно выражать
в процентах) и затем выполнить кластерный
анализ над этими данными. Сохранив кластерное
решение для необходимого количества
групп (в нашем случае 3) в виде новой переменной,
мы получим статистически обоснованную
группировку.
4. Программные средства
обработки данных анкетирования и опросов.
Практика показывает, что
в настоящее время многие российские
компании, занимающиеся проведением
маркетинговых исследований, а также
отделы маркетинга промышленных и торговых
организаций часто используют для
анализа получаемых полевых данных
весьма ограниченный набор аналитических
инструментов, иногда даже вовсе без
применения статистики. Вместе с тем
именно статистический анализ позволяет
вскрыть такие закономерности и
внутренние связи в данных, которые
невозможно выявить другими средствами.
Подтверждение гипотез о наличии
связи между переменными, оценка
характера данных связей, оценка влияния
частных параметров продукта на общее
впечатление от него потребителей,
сегментирование потребителей, прогнозирование
изменений рыночной конъюнктуры - вот
лишь некоторые задачи, с успехом решаемые
с применением статистических методов
анализа. На новый уровень выводит статистические
методы применение специализированного
программного обеспечения для анализа.
Наиболее популярными в настоящее время
являются статистические программные
комплексы Statistica, Да-система и SPSS.
SPSS - это универсальный статистический
пакет, который может использоваться для
работы с анкетными данными. SPSS – это аббревиатура
от Statistical Package of the Social Science (статистический
пакет для социальных наук).
Разработчик: SPSS Inc., an IBM Company,
США.
Компания предлагает такие
семейства продуктов, как Statistics,
Data Collection, Modeling, Deployment.
Следует отметить, что один
из продуктов семейства Data Collection
(IBM SPSS Data Collection Data Entry) является и одним из модулей
Statistics.
Для обработки и анализа
анкет предлагаются программы семейства
Statistics, включающие:
IBM SPSS Statistics 18
IBM SPSS Statistics Professional