Статистические методы

Построение карт позиционирования брендов (Анализ соответствий)

Анализ соответствий это методика, которая позволяет стоки и столбцы матрицы данных, например, среднюю оценку удовлетворенности для нескольких продуктов, отображаться в виде точек в двумерном пространстве или на карте. Это уменьшает сложный набор данных для графического отображения, которое интерпретируется быстро и легко. Метод построения карт позиционирования брендов (Brand Mapping) основан на анализе соответствий.

Карты позиционирования брендов часто используются для иллюстрации представления клиентов путем размещения продуктов и атрибутов вместе на карте. Это позволяет точно интерпретировать восприятие компании множества продуктов и атрибутов сервиса одновременно.

Бренды сильнее всего связаны с теми атрибутами, которые ближе всего находятся к ним на карте. Если продукты расположены близко друг к другу, значит, они имеют аналогичный имидж или профиль на рынке.

Относительное объединение брендов с атрибутами можно представить на рисунке в виде перпендикулярной линии к вектору атрибутов (= линия от начала координат до точки свойств) для каждого из брендов. Расстояние между брендом и атрибутом равно расстоянию между местом расположения атрибута и точкой, в которой перпендикулярная линия пересекает вектор атрибутов.

Центр карты (крест на карте), представляет собой общее среднее значение каждого атрибута, и является центром, вокруг которого рассредоточены бренды. Чем больше бренд имеет тенденцию расположения в том же направлении по отношении к центру, что и атрибут, тем больше бренд, связанный с этим атрибутом. Это также означает, что бренды и атрибуты, расположенные рядом с центром карты не дифференцируются. Длина вектор атрибута отображает степень отличия брендов по данному атрибуту.

Углы между векторами представляют корреляцию между атрибутами. Чем меньше угол, тем больше корреляция атрибута.

Анализ CHAID

CHAID (Chi Squared Automatic Interaction Detection) используется для построения прогностической модели, основанной на системе классификации. Анализ подразделяет выборку на ряд подгрупп, которые:

1. имеют сходные характеристики по отношению к конкретной переменной отклика и
2. максимизируют наши способности прогнозировать значения переменной отклика.

Категория первого предиктора (в которой образец будет разделен) – это предиктор, связанный больше всего с переменной отклика. т.е. он дает наибольшую дифференциацию групп респондентов. Каждая группа будет дополнительно разбита, пока анализ не найдет еще более значительной дифференциации предиктора.

Предикторы могут быть как масштабируемыми (например, по шкале от 1 до 10), так и вопросами категорий (например, демография компании).

В результате получаем дерево, у которого ветви являются переменными предикторами, которые выделяют выборку в различные группы.

CHAID очень часто используется, для определения характеристики наиболее и наименее удовлетворенных или заинтересованных клиентов или сотрудников. Это позволяет перевести клиента в разряд потенциального эффективно и успешно. CHAID анализ обычно используется в индустрии прямого маркетинга для определения типа людей, отреагировавших на ту или иную кампанию.

Кластерный анализ

Кластерный анализ является инструментом исследования, предназначенным для выявления естественных классификаций в рамках большой группы наблюдения. Кластерный анализ сегментирует выборочное исследование, то есть респондентов или компании, в небольшом количестве групп.

Респонденты, чьи ответы очень похожи, попадают в одинаковые кластеры, в то время как респонденты, у которых разные ответы, находятся разных кластерах. В идеале кейсы в каждой группе должны иметь очень похожий профиль конкретных характеристик (например, установочные и поведенческие вопросы), в то время как профили респондентов, принадлежащих к различным кластерам должны быть очень разными.

Главное преимущество этого метода в том, что он может предложить, на основе комплексных входных данных, классификации, которые иначе не могли бы быть очевидными, то есть потребности конкретных групп или сегментов на рынке.

Кластерный анализ широко используется в маркетинговых исследованиях, чтобы описать и количественно определить сегменты клиентов. Это позволяет маркетологам определить целевых клиентов с учетом их потребностей, вместо того, чтобы применять общий маркетинговый подход (см. сегментации рынка)

Совместный анализ

Исследователи рынка часто обеспокоены обнаружением того, какие аспекты продукта или услуги являются наиболее важными для компании. Идеальный продукт или услуга, конечно же, должны были бы обладать наилучшими характеристиками, но в реальности, необходимо достижение некоторых компромиссов. Например, продукт с самыми дорогостоящими функциями не может иметь самую низкую цену.

Совместный анализ - это методика оценки предпочтений респондентов касательно атрибутов продукта или услуги. Это идеальный инструмент для новых / улучшенных разработок продукта. Задача совместного анализа предложить респондентам сделать выбор таким же образом, как это обычно делают потребители, находя компромиссы между функциями, путем ранжирования или же выбрав оду из нескольких комбинаций продуктов. Например, задача может быть: вы предпочитаете "перелет, в тесноте с одной остановкой за $250" или "прямой перелет в просторной обстановке за $500"?

Используя совместный анализ, можно определить как относительную важность каждого атрибута (например, вместительность, цену, количество остановок), так и, какой уровень каждого атрибута является наиболее предпочтительным (например, насколько цена в $250 более предпочтительна, чем цена в $ 500).

Пример: Значениефункций принтера, Плюс Симулятора

	общий	Европа	США	Китай
объем выборки	438	166	93	78
Бренд	50%	45%	52%	55%
Стоимость принтера	24%	20%	17%	27%
Функция печати	12%	15%	20%	8%
Одно-или 2-сторонняя печать	10%	14%	7%	6%
Стоимость картриджа	4%	6%	4%	4%
	100%	100%	100%	100%

	Товар 1	Товар 2	Товар 3
Бренд	Canon	Canon	Canon
Одно-или 2-сторонняя печать	Только односторонняя	Односторонняя + 2 сторонняя	Только односторонняя
Стоимость принтера	499	599	599
Стоимость картриджа	35	35	35
Дополнительные функции	Только печать	Только печать	Все в одном
Доля преимуществ	32%	48%	20%

Совместный анализ обычно используется в качестве руководства для разработчиков новых видов продукта, путем указания, какие аспекты продукта являются наиболее важными для различных компаний. Это также полезно, для оценки реакции рынка, при смене продукта (атрибута), например для определения того, что произойдет с долей рынка бренда, если его цена увеличивается на 10%?

Корреляционный анализ

Корреляционный анализ, представленный коэффициентом корреляции, измеряет степень линейной зависимости между двумя переменными.

Если в регрессии акцент делается на прогнозировании одной переменной от другой, то в корреляции акцент ставится на степень, в которой линейная модель может описать взаимосвязь между двумя переменными.

Коэффициент корреляции может принимать любые значения между + и - 1.Знак коэффициента корреляции (+, -) определяет направления отношения – положительное, или отрицательное. Положительный коэффициент корреляции означает, что, так как значения одной переменной увеличивается, то увеличивается значение и другой переменной, и наоборот. Отрицательный коэффициент корреляции показывает, что одна переменная увеличивается - другая уменьшается, и наоборот.

Абсолютное значение коэффициента корреляции измеряет силу отношения. Коэффициент корреляции r = 0,50 указывает более высокую степень линейной зависимости, чем коэффициент r = 0,40. Таким образом, коэффициент корреляции равный нулю (r = 0,0) указывает на отсутствие линейной зависимости, и коэффициенты корреляции r = 1,0, r =- 1,0 указывают на идеальную линейную зависимость.

Точечная диаграмма, приведенная ниже, пожалуй, лучше всего иллюстрирует, как коэффициент корреляции изменяется в линейной зависимости между двумя переменными. При r = 0,0 точки широко разнесены на диаграмме, большинство точек примерно расположены в форме круга. Чем больше увеличивается линейное отношение, тем более круг приобретает эллиптическую форму, до тех пор, пока не будет достигнуто предельное положение (r = 1,00, либо r =- 1,00) и все точки лягут на прямую линию.
Точечные диаграммы и связанные с ними коэффициенты корреляции представлены ниже:

Корреляционный анализ обычно используется для определения уровня удовлетворенности потребностей клиентов и исследования удовлетворенности сотрудников, чтобы ответить на такие вопросы, как «какие элементы вносят наибольший вклад в общую удовлетворенность или лояльность?" Это может привести к появлению карты "определению важности по сравнению с удовлетворенностью". См. ниже.

Он также идеально подходит в случаях, когда выборка слишком мала (например, менее 100) для проведения регрессионного анализа.

Дискриминантный анализ (логистическая регрессия)

Дискриминантный и логистический регрессионные анализы - это статистические методы, которые указывают на различия между двумя или более группами, основаных на нескольких характеристиках (чаще всего для дискриминантного анализа – это рейтинговые шкалы , логистическая регрессия может работать с любым типом переменной).

Это объясняет, почему респонденты принадлежат к определенной группе, плюс он классифицирует новых респондентов на основе их рейтингов. Например, почему люди очень довольны (т.е. дает оценку 9 или 10 по шкале от 1 до 10) этим продуктом по сравнению с остальными товарами, представленными на рынке?

Часто используется для:

• определения клиентов, которые могут купить продукт компании
• решения, будет ли банк должен предложить кредит для новой компанию или
• выявления пациентов, с высоким риском развития проблем со здоровьем

Факторный анализ

Факторный анализ применяется для описания большого числа переменных или вопросов с помощью ограниченного набора базовых переменных, называемых факторами. Это объясняет сходство между наблюдаемыми переменными. Вопросы, которые принадлежат к одному из факторов, тесно связаны друг с другом. В отличие от кластерного анализа, который классифицирует респондентов, факторный анализа группирует переменные.

Существует два типа факторного анализа: разведочный и подтверждающий. Разведочный факторный анализ приводится в действие данными, т.е. данные определяют факторы. Подтверждающий факторный анализ используется в моделировании структурными уравнениями, тестах и подтверждении гипотез.

Факторный анализ часто используется в исследованиях удовлетворенности клиентов для определения основных параметров сервиса, и в профилировании исследований с целью определения основных отношений. Например, в рамках национального исследования политических взглядов, респонденты могут ответить на три отдельных вопросы, касающиеся экологической политики, отражающие вопросы на местном, региональном и национальном уровне. Факторный анализ может быть использован, чтобы установить, будут ли по сути эти три критерия, измерять один показатель.

Он также может оказаться полезным, когда необходимо сократить длительные анкеты, но при этом сохранить ключевые вопросы. Факторный анализ покажет, какие вопросы могут быть опущены, так чтобы при этом не потерять слишком много информации.

Многомерное шкалирование

Многомерное шкалирование (MDS), может считаться альтернативой факторного анализа. В общем, целью этого анализа является выявление основных значимых величин, которые позволяют исследователю объяснить наблюдаемые сходства или различия между исследуемыми объектами. В факторном анализе, сходство между объектами (например, переменными) выражаются в корреляционной матрице. С MDS можно анализировать любые матрицы сходств или различий, в дополнение к корреляционным матрицам.

Результат представляется в виде 2 -х объемной карты, которая дает возможность исследователю сразу же понять, каким образом дифференцируются вопросы. Вопросы, сгруппированы вместе действительно были очень сходно оценены всеми опрошенными. Это быть очень полезным при оптимизации вопросника или дифференциации потребителей на основе самых различных вопросов.

Даже если есть сходство в типе вопросов исследования, к которым MDS и факторный анализы могут быть применены, они все же являются принципиально разными методами. Факторный анализ требует, чтобы базовые данные распределились как многомерная нормаль, и чтобы отношения были линейными. MDS не выдвигает таких ограничений. MDS может быть использован до тех пор, пока ранжирование сходств в матрице имеет смысл.

С точки зрения результирующей различий, факторный анализ стремится извлечь больше факторов (величин), чем MDS. В итоге, MDS часто дает результат быстрее, интерпретирую решения. Самое главное, что MDS может быть применен к любому виду сходств, в то время как факторный анализ требует сначала построить корреляционную матрицу. MDS может быть основан на прямой оценке сходств субъектов между стимулирующими воздействиями, в то время как факторный анализ требует субъектов для ранжирования этих воздействий на некий список атрибутов (для которых выполняется факторный анализ).

Таким образом, MDS методы применимы для широкого спектра планов исследований.

Регрессионный анализ

Регрессионный анализ измеряет силу связи между переменными, которые вы пытаетесь объяснить (например, общий уровень удовлетворенности клиентов) и одного или нескольких объяснений переменных (например, удовлетворенность качеством продукции и ценой).

Хотя корреляция обеспечивает один числовой вывод отношений (так называемый коэффициент корреляции), результаты регрессионного анализа - в "предсказании" уравнения. Уравнение описывает связь между переменными. Если отношение сильное (выраженное значение площади R ), оно может быть использовано для прогнозирования значения одной переменной, когда другие переменные имеют известные значения. Например, каким будет общее изменение оценки удовлетворенности, если удовлетворенность качеством продукции повышается с 6 до 7?

Регрессионный анализ, обычно, используется:

1. Для изучения удовлетворенности потребностей клиентов и исследования удовлетворенности сотрудников, чтобы ответить на такие вопросы, как: «какие характеристики продукта делают наибольший вклад в общую удовлетворенность человека или лояльности к бренду?». Это часто называют анализом ключевых драйверов (Key Drivers Analysis).
2. Чтобы смоделировать результат, после принятия мер. Например, что будет с уровнем удовлетворенности, когда улучшиться доступность продукта?

SIMALTO

Понимание того, что люди ценят - ключ к успешному исследованию ценообразования. И все же определение цены, по которой целевой рынок позиционирует ваши продукты и услуги, является одной из самых сложных задач, с которыми сталкивается маркетолог b2b. Фиксирование слишком высоких цен, несомненно, открывает дорогу конкурентам, но слишком низкая цена - риск остаться без прибыли. Оба варианта, в равной степени, мало привлекательны.

Маркетологам b2b часто не удается найти оптимальную цену. Чаще всего они занижают цену, недооценивая истинное значение того что предлагают. Так что не удивительно узнать, что инструмент, который поможет нам измерять стоимость может быть на вес золота.

В рамках исследования рынка, три основные инструменты могут быть использованы для измерения стоимости. Каждый имеет свои достоинства и подходит для различных ситуаций:

Точки затрат

Это очень простой подход, при котором покупатель получает список преимуществ товаров / услуг. Затем их просят указать относительную важность каждого преимущества, «потратив» соответствующее количество очков.

В результате точки затрат дают приблизительную оценку того, как покупатели видят ценность продукта / услуги, которую они покупают.

Данный подход к ценообразованию весьма приблизительный и простой.

Совместный анализ

Это давняя техника, которую исследователи рынка используют для оценки эффективности различных элементов общего предложения.

Даже при относительно простых совместных понятиях, необходимо опросить не менее 200 респондентов для обеспечения точного результата. Многие статистики будут настаивать на увеличении этой цифры в два раза.

Совместный анализ, ввиду выше перечисленных причин, имеет некоторые ограничения для b2b исследователей.

SIMALTO

SIMALTO - мощный и весьма рекомендуемый инструмент.

Он поможет вам понять, как будет оценено ваше предложение, и может иметь решающее значение при определении стоимости на рынке b2b.

Моделирование структурными уравнениями

Моделирование структурными уравнениями (SEM) является очень общей и мощной техникой многомерного анализа, который включает в себя ряд других традиционных методов анализа и частные случаи. Этот метод эффективно содержит весь спектр стандартных многомерных методов анализа, таких, как регрессия, факторный анализ и анализ отклонений. Модель структурного уравнения может существовать с несколькими моделями регрессии и факторного анализа, которые оцениваются одновременно.

Это статистическая методология, которая содержит подход проверки гипотез (например, подтверждающего) многофакторного анализа. SEM тестирует теорию, используя данные исследования, в то время как традиционное моделирование использует данные для построения модели (например, исследовательский подход).

Обычно используется для оценки моделей с помощью опроса, например, CRM-модели.

см. также:

1. Инструменты и статистические методы, наиболее часто используемые в процессе совершенствования:

• методология разрешения проблем, такая, как DRIVE - является подходом к решению и анализу проблем , который может быть использован в как часть процесса совершенствования.
• картирование процессов - Собирая информацию, мы можем построить "динамическую" модель - картину деятельности в процессе. Процессные карты являются полезным средством коммуникации, способствующим улучшению.
• блок-схемы процессов - мощный метод для предоставления в виде изображений, того, что происходит в процессе.
• анализ силового поля - является методикой для определения сил, которые могут способствовать или препятствовать достижению изменения или улучшения.
• причинно-следственная диаграмма - известная также как рыбья кость или диаграмма Исикавы.
• CEDAC - причинно-следственные диаграммы с использованием карт – дополнительным средством является количественное описание проблемы, а причинной стороной диаграммы –использование двух различных цветных карт для описания фактов и идей.
• метод мозгового штурма - групповой метод, используемый для быстрого создания большого количества идей.
• анализ Парето - использован для анализа идей , полученных в результате мозгового штурма.
• Статистический контроль процессов (SPC) - набор инструментов для управления процессами.
• контрольные диаграммы (карты) - используется для наблюдения за контролируемыми процессами с использованием значений и диапазонов.
• листы сбора данных - способ организованного и структурированного сбора данных с целью сбора фактов наиболее эффективным способом.
• столбиковая диаграмма - отображаю данные, в которых высота столбика соответствует размеру измеряемой величины.
• диаграмма рассеяния - графическое отображение того, как одна изменяемая величина изменяется в соответствии с другой.
• матричный анализ - способ представления данных в прямоугольной сетке.
• точечная диаграмма или пунктирная диаграмма - показывает, как часто (частота) имеет место определенное значение.
• гистограмма - отображает картину изменения или распространения.
• Экспертный метод - метод определения показателей качества основан на учете мнений .... методы с использованием объективных способов измерения.
• Форма сбора данных.- для получения четкой картины фактов.
• План действий - проведение предупреждающих действий. Обеспечение организационного их осуществления.
• Диаграмма сродства/метод KJ. - когда собрано большое количество идей, мнений, вопросов и других проблем, эта диаграмма позволяет группировать информацию по категориям на основе естественных взаимосвязей, существующих между ними.
• Установление конкурентоспособности для улучшения качества. - идентифицируйте возможности улучшения качества. Установление конкурентоспособности позволяет сравнить ваши процессы с процессами признанных лидеров. Это помогает установить приоритеты и цели, которые приведут к повышению конкурентоспособности на рынке.
• Структурная схема для измерения процессов. - помогает повысить общий уровень понимания того как в данное время действует процесс и как основные рабочие группы взаимодействуют в рамках процесса и с внешними организациями.
• Карта технологического процесса. - полезна для изучения возможностей улучшения качества, так как позволяет понять, как фактически действует процесс.
• Диаграмма в виде дерева.- показывает логические и последовательные связи между объектом и составляющими элементами.
• Контрольные карты - позволяют контролировать текущие рабочие характеристики процесса.
• Гистограмма распределения количественных данных.- наглядно показывает распределение количественных данных. Она полезна для получения визуальной информации о процессе и помогает принять решение, на чем сосредоточить усилия по улучшению.
• Диаграмма ПАРЕТО- простой графический метод классификации причин от наиболее до наименее важных.
• Диаграмма РАЗБРОСА - обеспечивает простой графический метод изучена зависимости между двумя видами связанных данных
• Матричная диаграмма.- при использовании метода матричных диаграмм характеристики проблемы и меры по ее решению располагаются в колонках и рядах матрицы.
• QFD - развертывание функции качества, также известный как подход «дом качества».
• "Шесть Сигма" - 6σ, сочетающий такие методы, как статистический контроль процесса, постановка эксперимента и FMEA в общих чертах.

2. Применение вероятностно-статистических методов - методические указания для практических занятий в области применения вероятностно-статистических методов.
3. Измерение качества - основные понятия метрологии
4. Процессное управление - понимание и улучшение