Исследование рынка компьютерных магазинов г. Калач-на-Дону

IBM SPSS Statistics with Collaboration (данная версия предназначена для сетевой работы)

 SPSS выводит информацию в таких окнах, как Data Editor (редактор данных, который имеет два режима: Variable View и Data View), Viewer (здесь отображаются результаты вычислений, диаграммы и т. д.), Script Editor (редактор скриптов), Diagram Editor (редактор диаграмм), и других окнах, используемых реже. В SPSS существует возможность вычислять новые переменные (меню Transform, вкладка Compute Variable) на основе имеющихся как с помощью арифметических и логических операций, так и с помощью функций, которые бывают следующих видов: арифметические, статистические, даты и времени, обработки пропущенных значений, извлечения значений наблюдений, статистических распределений, генерации случайных чисел.

Statistica - это универсальный статистический пакет, который может применяться и для анализа результатов анкетирования. Разработчик: StatSoft, Inc., Фирмой StatSoft в настоящее время предлагаются статистический пакет и корпоративные системы, а также модули к ним.

 В отличие от SPSS, в Statistica нет специального режима для просмотра свойств переменных, свойства вызываются двойным кликом по заголовку переменной в таблице данных. Кроме того, свойства переменой доступны в меню Vars на панели инструментов. Программа предлагает расширенные, по сравнению с SPSS, возможности простейшей модификации данных, а также обладает схожими с MS Excel принципами Drag and Drop. Можно также отметить отличный от SPSS способ выбора переменных (из раскрывающегося списка, а не путем перетаскивания переменной из одного окошка в другое). Переменные могут быть перекодированы посредством меню Data, вкладки Recode или одноименной вкладки меню Vars на панели инструментов. В отличие от SPSS, здесь пользователь имеет возможность сразу задать диапазон исходных значений переменной, соответствующих новому значению переменной, а не вводить все старые значения.

В результате сравнения программных  средств SPSS и Statistica были сделаны некоторые выводы. Основным выводом является то, что в целом расхождение между программами незначительно. Функциональность программного пакета SPSS выше в каких-то областях, например, преимуществом SPSS является наличие модуля интерактивных графиков, которые могут иметь множество заданных переменных и быть весьма полезными для выявления различных закономерностей в маркетинговых исследованиях. Отличительной характеристикой программного средства Statistica является возможности использования графиков поверхностей и наличие более широкого диапазона анализов данных. Однако большая часть, из которых практически не применяется в маркетинговых исследованиях при обработке анкет. Стоимость SPSS ниже программы Statistica. Большинство европейских и российских маркетологов используют программное средство SPSS при обработке данных анкет продаж, отношений потребителей. На основе этого можно сделать заключение о том, что SPSS наиболее подходит для обработки и анализа анкет предприятия розничной торговли. Таким образом, при исследования потребителей рынка компьютерных магазинов г.Калач-на-Дону будет использоваться данный пакет анализа.

 

5. Маркетинговое исследование потребителей рынка компьютерных магазинов г.Калач-на-Дону с использованием SPSS

 

Мы будем исследовать  поведение потребителей компьютеров  Калачевского техникума-интерната. В  ходе опроса респондентам в Калачёвском  техникуме-интернате задавался целый  ряд вопросов, предназначенных для  решения стоящих перед исследованием  задач.

В том числе задавались следующие вопросы: 1) частота смены  компьютера (возможные ответы: «1 раз  в год», «2-3 раза в год», «очень редко  раз в 6-7 лет», «вообще еще не менял»); 2) причина покупки компьютера (возможные  ответы: «Нужен по работе (учебе)», «Развлечение», «Повышение образованности», «Интернет», «Потому что другие купили»); 3) наличие  марочных предпочтений (возможные варианты: «Samsung», «LG», «Philips», «Epson», «Canon», «Sony»); 4)цена компьютера (возможные варианты: «15000-20000», «20000-25000», «25000-30000», «30000 и выше»); 5)насколько важно качество компьютера (комплектующего) (возможные варианты: «неважно», «средне», «важно»). Также выяснялись социально-демографические параметры респондентов: пол, возраст и уровень доходов, род занятий.

Возвращаясь к условию  задачи, отметим, что мы выделили в  качестве критериев сегментирования 5 переменных: частота покупки, причина покупки компьютера, наличие марочных предпочтений, цена, качество. В качестве дескрипторов сегментов будем использовать пол, возраст и уровень доходов, род занятий.

Иерархический кластерный анализ проводится в два этапа. Единственным результатом первого этапа должно стать число кластеров (целевых  сегментов), на которые следует разделить  исследуемую выборку респондентов. Процедура кластерного анализа как таковая не может самостоятельно определить оптимальное число кластеров, она только может подсказать это искомое число. Поэтому, а также ввиду особой важности определения релевантного целям исследования количества сегментов данная задача обычно выносится в отдельный этап анализа. На втором этапе производится собственно кластеризация респондентов по тому числу кластеров, которое было определено в ходе первого этапа анализа. Рассмотрим теперь по порядку вышеназванные шаги кластерного анализа.

Процедура кластерного анализа  в SPSS запускается с помощью меню: Analyze ® Classify ® Hierarchical Cluster (Анализ ® Классификация  ® Иерархический кластерный анализ). В открывшемся диалоговом окне следует  из левого списка всех имеющихся в  файле данных переменных выбрать  интересующие нас переменные, являющиеся критериями сегментирования (в нашем случае их пять).

Первое, на что следует  обратить внимание исследователю в описываемом диалоговом окне, - это метод формирования кластеров (т. е. объединения респондентов). Среди всех возможных вариантов статистических методик, предлагаемых SPSS, рекомендуется выбирать установленный по умолчанию метод «Between-groups linkage» (связь между группами). Этот метод используется наиболее часто ввиду его универсальности и относительной простоты статистической процедуры, на которой он основан. После выбора статистической процедуры кластеризации следует выбрать метод для вычисления расстояний между наблюдениями. Наиболее часто используемым методом определения расстояний для интервальных переменных является квадрат евклидового расстояния («Squared Euclidean Distance»), устанавливаемый по умолчанию. Именно данный метод наиболее хорошо зарекомендовал себя в маркетинговых исследованиях как наиболее точный и универсальный и поэтому выбирается и нами к повсеместному применению.

   Итак, после указания  всех требуемых параметров расчетов  все готово для выполнения  первого этапа кластерного анализа.  Процедура запускается нажатием  на кнопку «ОК». Через некоторое время в окне «SPSS Viewer» (отчет SPSS) появятся результаты. Как было сказано выше, единственным значимым для нас итогом первого этапа анализа будет таблица «Average Linkage (Between Groups)» (усредненные связи между группами), представленная на рисунке 2. По ней мы и должны определить оптимальное число кластеров. В каждом конкретном случае исследователь должен сам определить это число. Здесь мы будем использовать следующую схему данного процесса.

 

 

Рис. 2. Таблица «Average Linkage (Between Groups)

связи между группами

 

Прежде всего попробуем  применить наиболее распространенный, стандартный метод для определения  числа кластеров. Он состоит в  следующем. Сначала по таблице «Average Linkage (Between Groups)» следует определить, на каком шаге процесса формирования кластеров (колонка «Stage») происходит первый сравнительно большой скачок коэффициента агломерации (колонка  «Coefficients»). Данный скачок означает, что  до него в кластеры объединялись наблюдения, находящиеся на достаточно малых  расстояниях друг от друга (т. е. в  нашем случае респонденты со схожими значениями анализируемых критериев сегментирования), а с этого этапа начинает происходить объединение более далеких наблюдений. В нашем случае коэффициенты плавно возрастают от 0 до 0,257, т. е. разница между коэффициентами на шагах с первого по 17 включительно была весьма мала. Однако начиная с 67 шага происходит первый существенный скачок коэффициента: с 11,190 до 12,123 (на 0,933). Таким образом, мы определили шаг, на котором происходит первый скачок коэффициента: 67. Теперь, чтобы определить оптимальное количество кластеров, необходимо вычесть полученное значение из общего числа наблюдений (размера выборки). Общий размер выборки в нашем случае составляет 70 потребителей компьютеров, следовательно, расчетное оптимальное количество кластеров составляет: 70 –67= 3.

Теперь мы должны исследовать полученные кластеры и определить, какие из них являются значимыми, а какие следует попытаться сократить. Данная задача решается на втором этапе кластерного анализа.

    Вновь откроем  главное диалоговое окно процедуры  кластерного анализа (меню: Analyze ®  Classify ® Hierarchical Cluster). В поле для  анализируемых переменных у нас  уже есть необходимые нам четыре  параметра. Щелкнем на кнопку  «Save» (сохранить). Открывшееся диалоговое окно (рис. 3) позволяет нам создать в исходном файле данных новую переменную, распределяющую всех респондентов на целевые группы. Выберем параметр «Single Solution» (единственное решение) и укажем в соответствующем поле необходимое нам число кластеров: 3 (как было определено на первом этапе кластерного анализа). Теперь следует вновь запустить процедуру кластерного анализа. В результате в исходном файле данных SPSS будет создана новая переменная с названием «clu3_1»

 

Рис.3. Диалоговое окно «Hierarchical Cluster Analysis: Save New Variables»

 

  Чтобы определить, насколько верно мы определили оптимальное число кластеров, построим линейное распределение переменной clu3_1 (меню: Analyze ® Descriptive Statistics ® Frequencies (Анализ ® Описательная статистика ® Линейные распределения)).(рис. 4)

Рис.4. Линейное распределение для 3-кластерного решения

 

Итак, мы определили оптимальное  число кластеров для нашей  задачи и провели собственно сегментирование  респондентов по четырем выбранным  критериям. Теперь можно считать  основную цель нашей задачи достигнутой. Можно приступать к завершающему этапу кластерного анализа: интерпретации  полученных целевых групп (сегментов).

Описание полученных сегментов  проводится (также как и сама процедура  кластерного анализа) в два этапа: описание с точки зрения критериев  сегментирования и описание с  точки зрения дескрипторов сегментов.(рис.5, рис.6)

    Сегменты, выделенные  в результате кластерного анализа,  характеризуются однородностью  значений критериев сегментирования внутри каждого кластера и различием между кластерами. Поэтому, во-первых, следует определить, какими конкретно значениями переменных, выбранных в качестве критериев сегментирования, характеризуются полученные кластеры. Для этого чаще всего строят перекрестное распределение, в котором по столбцам располагается кластеризующая переменная (в нашем случае это «clu3_1»), а по строкам - критерии сегментирования. Таким образом, можно видеть, в какой кластер попадают респонденты с тем или иным значением критерия сегментирования.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Рис. 5. Описание с точки зрения критериев сегментирования