Часть III. Сбор, подготовка и анализ данных. ния таблиц, соответствующей последовательности появления вопросов в интервью, ч бы рекомендовать именно ее

ния таблиц, соответствующей последовательности появления вопросов в интервью, ч бы рекомендовать именно ее, а не другие способы.

• Каждую таблицу обязательно следует рассматривать с позиции ее использования г объяснении полученных результатов. Чаще всего материал таблицы отражает результг обработки ответов респондентов на конкретный вопрос. Поэтому можно легко пере дить от рассмотрения одной таблицы к другой.

• Данные, касающиеся сравнения коэффициентов и процентов, требуют аккуратного i пользования и соответствующих разъяснений.

• К классическим коэффициентам, таким как "осведомленность/проба" или "проба/Hi более используемая торговая марка" (В rand-Used-Most-Often — BUMO) необходи подходить с двух точек зрения. Во-первых, если профилируют несколько торговых i рок, то понятие осведомленности может существенно различаться для тех потребител которые осведомлены о товаре, но одни из них практически использовали товар, а д гие — нет (допустим, "Форд" по сравнению с "Роллс-Ройсом"). Поскольку восприя! респондентов, опробовавших товар, основаны на практике, а восприятия не опробов ших респондентов — на имидже торговой марки, то различия между торговыми мар ми (и межгрупповые различия) могут оказаться ошибочными. Во-вторых, следует об тить особое внимание на соответствующий размер выборки, исходя из которого и бу, рассчитаны коэффициенты. Если, например, необходимо сравнить между собой торговые марки (или все этапы наблюдения), то расчет коэффициента BUMO бу опираться на слишком шаткую базу, если выяснится, что опробование данной торго! марки равно только 10 или 15%, а общая выборка составила 300 респондентов.

• Для таких данных типичны два основных источника проблем.

1. Что касается коэффициентов, то небольшие выборки могут стать причиной злоупотреб ния результатами процентных изменений. Рассмотрим рекламное агентство, желаю! подчеркнуть, что число респондентов, вспомнивших рекламу ком пани и-заказчика, возр ло в три раза после демонстрации им рекламного ролика, разработанного агентством. Г этом подчеркивается, что этот рост наблюдался среди тех, кто вспомнил рекламное сооби ние. Тот факт, что число последних составляло менее 15% от опрошенных, делает упоми] ние процентных изменений бесполезным упражнением.

2. Вероятно, даже чуть более скользкий вопрос — это вопрос уровня, от которого начинае отсчет показателей; чем он ниже, тем, конечно же, больший потенциал для роста.

Рассмотрим следующие "данные":

Первый этап Второй этап Процентное измене!

Общее число опрошенных на этапе 200 200

Купили изделие Inferno Salsa за прошедшие 2 6 +200

три месяца, в %

Приведенный выше тип представления данных отнюдь не является беспрецедентным в четах, касающихся опросов. Исследователю необходимо учитывать возможное влияние на н "заинтересованных сторон", которые хотели бы получить возможность провозглашать фра: вроде такой: "Число наших потребителей выросло на 200%!"

Сара Эванс (Sarah Evans) — старший маркетинговый аналитик Burke, 1

3.2. АНАЛИЗ ДАННЫХ: МНОГОМЕРНЫЕ МЕТОДЫ

В маркетинговых исследованиях мне больше всего нравится выявлять восприятия и мо-вации людей, а затем на основе полученных результатов помогать в разработке маркетингоЕ стратегий. Часто, чтобы полностью понять сложность имеющейся информации, нам при

дится изучать данные, полученные от респондентов, с помощью многомерных статистических методов. Наша цель — заставить "'заговорить данные" понятным и уверенным голосом.

Начинающий маркетолог часто попадает в плен многообразия существующих методов ана­лиза и забывает о самой цели исследования. В последние пять лет акцент на технике анализа становится все более превалирующей тенденцией, поскольку имеющиеся статистические про­граммные пакеты значительно упростили применение этих методов. Далее я кратко проком­ментирую возможности использования нескольких методов многомерного анализа, среди ко­торых: дисперсионный анализ, множественная регрессия, дискриминантный анализ, фактор­ный анализ, кластерный анализ, многомерное шкалирование и совместный анализ.

Дисперсионный анализ

Дисперсионный анализ (ANOVA) чрезвычайно полезный инструмент в практике марке­тинговых исследований, поскольку именно его используют чаще всего для снижения кумуля­тивной ошибки. Она представляет собой кумулятивный эффект ошибки I рода (ошибка перво­го рода означает утверждение, что два числа различаются, когда фактически они не различают­ся между собой) во всех парных сравнениях. Однако, прежде чем вы решите использовать дисперсионный анализ, вы должны убедиться, что вы имеете соответстствующие данные. Дис­персионный анализ служит методом выявления различий между номинальными независи­мыми переменными, влияющими на значения метрической зависимой переменной. Помимо того, что вы должны иметь номинальную независимую переменную (например, торговую мар­ку, товар) и метрическую зависимую переменную (например, рейтинги эффективности, рей­тинги важности, уровни осведомленности), ваши данные должны удовлетворять следующим допущениям дисперсионного анализа: значения переменных в выборке должны подчиняться закону нормального распределения и дисперсии совокупностей должны быть равны. Если окажется, что данные в значительной степени не удовлетворяют этим допущениям, то следует использовать непараметрические методы, например критерий Краскела—Уоллеса.

Если вы установили, что для анализа ваших данных подходит дисперсионный анализ, то за­пустите программу его выполнения и вычислите значение .Г-статистики, чтобы определить зна­чимость полученного результата. Использование /"-статистики позволяет проверить нулевую ги­потезу об одинаковых значениях уровней независимых переменных с помощью сравненияЗ^гс-персии, обусловленной факторным экспериментом, с дисперсией, обусловленной ошибкой.

Чем выше отношение факторной дисперсии к дисперсии, обусловленной ошибкой, т.е., чем выше значение F, тем выше вероятность отклонения нулевой гипотезы об отсутствии различий между средними факторного эксперимента. Если вы используете компьютерную программу SAS или SPSS для выполнения дисперсионного анализа, то программа выдаст вам р-значение, соответствующее значению F. Как всегда, если вы используете 95%-ный до­верительный уровень,/7-значение, меньшее 0,05, свидетельствует о статистической значимо­сти /"-критерия.

Если нулевую гипотезу отклоняют, то необходимо дополнительно сравнить различия в изолированных группах. Существует ряд критериев для проверки парных сравнений, включая ранговый критерий Стьюдента—Ньюмана—Кеулза (Student—Newman—Keuls Range Test — SNK), альфа-критерий согласия Бонферрони (Bonferroni alpha adjustment), альфа-критерий со­гласия Шеффе (SchefTe alpha adjustment), альфа-критерий согласия Тьюкея (Tukey alpha adjust­ment). Самый легкий и самый консервативный из них— альфа-критерий согласия Бонферро­ни. Чтобы выполнить эту проверку, вы должны запустить программу выполнения парных сравнений с помощью /-критериев, как вы обычно и делаете, но вместо того, чтобы сравнивать каждое проверяемое/?-значение с вашим общим уровнем значимости (а = 0,05, если желаемый доверительный уровень составляет 95%), вы сравниваете каждое/7-значение с вновь вычислен­ным значением альфа, которое представляет собой вероятность допустить ошибку первого ро­да. Значения альфа-критерия согласия Бонферрони вычисляют по следующей формуле:

______исходное значение альфа х 2______

(число категорий) х (число категорий -1)