Глава 21. Многомерное шкалирование и совместный анализ 5 страница

Parameter Estimation Methods in Decompositional Multiattribute Preference Models", Journal of

Marketing Research, August 1979, p. 313—322.

29. H. Oppewal, H.J. Timmermans, JJ. Louviere, "Modeling the Effect of Shopping Center Size and

Store Variety in Consumer Choice Behavior", Environment and Planning, June 1997, p. 1073—1090.

30. Markus Christen, Sachin Gupta, John C. Porter, Richard Staelin, Dick R. Wittink, "Using Market-

Level Data to Understand Promotion Effects in a Nonlinear Model", Journal of Marketing Research,

August 1997, p. 322—334; William L. Moore, "Levels of Aggregation in Conjoint Analysis: An

Empirical Comparison", Journal of Marketing Research, November 1980, p. 516—523. См. также

работу Roger Brice, "Conjoint Analysis: A Review of Conjoint Paradigms and Discussion of the

Outstanding Design Issues", Marketing & Research Today, November 1997, p. 260-266.

31. J, Douglass Carroll, Paul E. Green, "Psychometric Methods in Marketing Research: Part I, Conjoint

Analysis", Journal of Marketing Research, November 1995, p. 385—391; Frank J. Carmone, Paul E.

Green, "Model Misspecification in Multiattribute Parameter Estimation", Journal of Marketing

Research, February 1981, p. 87-93.

32. О применении совместного анализа с использованием регрессионного анализа на основа-

нии метода наименьших квадратов см. в работах Amy Ostrom, Dawn lacobucci, "Consumer

Trade-Ofs and the Evaluation of Services", Journal of Marketing, January 1995, p. 17—28; Peter J.

Danaher, "Using Conjoint Analysis to Determine the Relative Importance of Service Attributes

Measured in Customer Satisfaction Surveys", Journal of Retailing, Summer 1997, p. 235—260.

33. J. Douglass Carroll, Paul E. Green, "Psychometric Methods in Marketing Research: Part 1. Conjoint

Analysis", Journal of Marketing Research, November 1995, p. 385—391; Naresh K. Malhotra,

"Structural Reliability and Stability of Nonmetric Conjoint Analysis", Journal of Marketing Research,

May 1982, p. 199-207; Tomas W. Leigh, David B. MacKay, John O. Summers, "Reliability and

Validity of Conjoint Analysis and Self-Explicated Weights: A Comparison", Journal of Marketing

Research, November 1984, p. 456—462; MadhavN. Segal, "Reliability of Conjoint Analysis: Contrasting

Data Collection Procedures", Journal of Marketing Research, February 1982, p, 139—143.

34. Del I. Hawkins, Roger J. Best, Kenneth A. Coney, Consumer Behavior Implications for Marketing

Strategy, 7th ed. (Boston, MA: McGraw Hill, 1988).

35. Clark Hu, Stephen J. Hiemstra, "Hybrid Conjoint Analysis as a Research Technique to Measure

Meeting Planners Preferences in Hotel Selection", Journal of Travel Research, Fall 1996, p. 62—69;

Paul E. Green, Abba M. Kxieger, "Individualised Hybrid Models for Conjoint Analysis*',

Management Science, June 1996, p, 850—867; Paul E. Green, "Hybrid Models for Conjoint Analysis:

An Expository Review', Journal of Marketing Research, May 1984, p. 155—169.

36. S. Pfeifer, B. Gain, K. Walsh, "Managing Specialties: How to Grow When Prices Stall", Chemical

Week, December 10, 1997, p. 30—34; Diane Schneidman, "Research Methods Designed to

Determine Price for New Products, Line Extensions", Marketing News, October 23, 1987, p, 11.

37. "Luxury Car Makers Assemble World View"1, Corporate Location, January—February 1997, p. 4.

38. Linda Grant, "Outmarketing P & G", Fortune, January 12, 1998, p. 150-152; David Batler, "Thai

Superconcentrates Foam", Advertising Age, January IS, 1993, p. 111.

814 Часть III. Сбор, подготовка и анализ данных

Взгляд профессионала 3

Боб Макдональд (Bob McDonald), вице-президент Burke, Inc..

3.1. КРОСС-ТАБУЛЯЦИЯ

Введение

Несмотря на наличие сложных статистических методов, анализ фактически всех опросов и

тестовых продаж первоначально, а часто и исключительно, опирается на результаты, выявляе-

мые с помощью кросс-табуляиии (построения таблиц сопряженности признаков). Например,

имея данные пробного маркетинга, представленные в табл. 1, руководство фирмы может легко

интерпретировать результаты сравнения двух телевизионных рекламных роликов с точки зре-

ния того, какой из них лучше побуждает зрителей к совершению покупки.

Таблица 1

Рекламные ролики

"Warren's Tavern" "New Boston"

Телезрители, к-во чел. 200 200

Гелезригели, намеревающиеся совершить покупку (в % ог общего числа) 46 67

Точно купят 18 31

Вероятно купят 28 36

При построении таблиц мы имеем дело с заголовками граф (шапка) и заголовками рядков

(боковиками).

Терминология достаточно проста, но оформление данных кросс-табуляции не всегда так

проста, как в предложенном выше примере. Рассмотрим следующие положения.

Оформление заголовков граф

В зависимости от плана исследования, которого придерживается маркетолог, следует

решать вопрос о наличии итоговой графы в таблице. Так, если мы имеем дело с планом

пробного маркетинга, предусматривающего использование выборок, которые не отра-

жают пропорции генеральной совокупности, то вводить суммарную общую колонку

(если она не основана на взвешенных колонках), явно неприемлемо.

В шапке таблицы следует избегать представления взаимно коррелированных перемен-

ных, что (и это не удивительно) дает завышенный результат. Например, маркетологов

интересовали результаты пробных продаж детских продуктов питания матерям, имею-

щих маленьких детей и/или подростков. Если взглянуть на таблицы сопряженности

признаков, то мы увидим повышенный уровень заинтересованности в приобретении

этих продуктов у молодых матерей, многодетных матерей, работающих матерей и мате-

рей-одиночек. Дело в том, что фактически одна и та же подгруппа "прочитана" четыре

раза, что приводит к наложению данных четырех отдельных сегментов один на другой.

И хотя с технической точки зрения ошибки в этом нет, но выводы могут быть неверны-

ми. В качестве подтверждения рассмотрим простой пример.

Взгляд профессионала 3 815

Количество детей

1 2 3

Намерение совершить покупку, % 90 80 60

Всего, чел. 120 100 80

Из таблицы видно, что намерение совершить покупку снижается с ростом количества детей

в семье.

Возраст матери

До 25 25 и выше

Намерение совершить покупку, % 83% 74%

Всего, чел. 160 140

Из этих данных также ясно, что чем моложе мать, тем выше намерение совершить покупку.

Возраст матери

До 25 лет 25 лети выше

Количество детей Количество детей

1 2 3 + 1 2 3 +

Намерение совершить покупку, %. 90 80 60 90 80 60

Всего, чел. 85 55 20 35 45 60

Теперь, когда мы имеем результаты кросс-табуляции с тремя переменными, картина совсем

иная. Совершенно очевидно, что возраст матери не связан с желанием совершить покупку, а

вот распределение матерей по количеству детей сильно различается для молодых матерей и ма-

терей старшего возраста.

Категории ответов

Часто при опросах число категорий, по которым проводится замер, определяет сам исследо-

ватель, не обосновывая заключение о числе избранных категорий. Например, респондентов по

возрасту можно сначала разделить на три, четыре, пять или больше подгрупп. В качестве эмпи-

рического правила стоит запомнить, что использовать следует по возможности наибольшее

число категорий. Дальнейший анализ всегда дает возможность уменьшить число групп. Вы

можете изучить взаимосвязь категорий с другими показателями, не заботясь, что выбранные

вами категории искусственно скрывают взаимосвязи, поскольку они слишком широкие.

• Необходимо четко уяснить природу выборочных подгрупп, подлежащих проверке ста-

тистической значимости различий, установив, что они или полностью независимы

(взаимно исключающие), или полностью совпадающие (одни и те же респонденты) или

частично перекрывающиеся.

• Необходимо различать статистическую значимость и "управленческую". Строгое и пол-

ное доверие к наличию или отсутствию статистически значимых различий не всегда же-

лательно. Менеджеры компании не склонны учитывать статистические расчеты, если

они не обеспечивают поддержку варианта решения проблемы, к которому они склоня-

ются. И наоборот, менеджеры с повышенной благосклонностью относятся к показате-

лям, которые "укладываются" в их вариант видения решения проблемы, хотя они могут

не укладываться в 95%-ный доверительный интервал.

Оформление боковиков

Поскольку нельзя рассказать о всех возможных вариантах оформления боковиков, остано-

вимся на некоторых фундаментальных вопросах.

• Как бы элементарно это не казалось, порядок представления таблиц не является чем-то

раз и навсегда заданным. Не существует какой-либо уникальной практики упорядоче-

316 Часть III. Сбор, подготовка и анализ данных

ния таблиц, соответствующей последовательности появления вопросов в интервью, что-

бы рекомендовать именно ее, а не другие способы.

• Каждую таблицу обязательно следует рассматривать с позиции ее использования при

объяснении полученных результатов. Чаще всего материал таблицы отражает результаты

обработки ответов респондентов на конкретный вопрос. Поэтому можно легко перехо-

дить от рассмотрения одной таблицы к другой.

• Данные, касающиеся сравнения коэффициентов и процентов, требуют аккуратного ис-

пользования и соответствующих разъяснений.

• К классическим коэффициентам, таким как "осведомленность/проба" или "проба/наи-

более используемая торговая марка" (Brand-Used-Most-Often — BUMO) необходимо

подходить с двух точек зрения. Во-первых, если профилируют несколько торговых ма-

рок, то понятие осведомленности может существенно различаться для тех потребителей,

которые осведомлены о товаре, но одни из них практически использовали товар, а дру-

гие — нет (допустим, "Форд:' по сравнению с "Роллс-Ройсом''). Поскольку восприятия

респондентов, опробовавших товар, основаны на практике, а восприятия не опробовав-

ших респондентов — на имидже торговой марки, то различия между торговыми марка-

ми (и межгрупповые различия) могут оказаться ошибочными. Во-вторых, следует обра-

тить особое внимание на соответствующий размер выборки, исходя из которого и будут

рассчитаны коэффициенты. Если, например, необходимо сравнить между собой все

торговые марки (или все этапы наблюдения), то расчет коэффициента BUMO будет

опираться на слишком шаткую базу, если выяснится, что опробование данной торговой

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 злоупотребле-

ния результатами процентных изменений, Рассмотрим рекламное агентство, желающее

подчеркнуть, что число респондентов, вспомнивших рекламу компании-заказчика, возрос-

ло в три раза после демонстрации им рекламного ролика, разработанного агентством. При

этом подчеркивается, что этот рост наблюдался среди тех, кто вспомнил рекламное сообще-

ние. Тот факт, что число последних составляло менее 15% от опрошенных, делает упомина-

ние процентных изменений бесполезным упражнением.

2. Вероятно, даже чуть более скользкий вопрос — это вопрос уровня, от которого начинается

отсчет показателей; чем он ниже, тем, конечно же, больший потенциал для роста.

Рассмотрим следующие "данные":

Первый этап Второй этап Процентное изменению

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 от-

четах, касающихся опросов. Исследователю необходимо учитывать возможное влияние на него

"заинтересованных сторон", которые хотели бы получить возможность провозглашать фразы,

вроде такой: "Число наших потребителей выросло на 200%!"

Сара Эванс (Sarah Evans) — старший маркетинговый аналитик Bur/се, Inc.

3.2. АНАЛИЗ ДАННЫХ: МНОГОМЕРНЫЕ МЕТОДЫ

В маркетинговых исследованиях мне больше всего нравится выявлять восприятия и моти-

вации людей, а затем на основе полученных результатов помогать в разработке маркетинговых

стратегий. Часто, чтобы полностью понять сложность имеющейся информации, нам прихо-

Взгляд профессионала 3 817

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 ана-

лиза и забывает о самой цели исследования. В последние пять лет акцент на технике анализа

становится все более превалирующей тенденцией, поскольку имеющиеся статистические про-

граммные пакеты значительно упростили применение этих методов. Далее я кратко проком-

ментирую возможности использования нескольких методов многомерного анализа, среди ко-

торых: дисперсионный анализ, множественная регрессия, дискриминантный анализ, фактор-

ный анализ, кластерный анализ, многомерное шкалирование и совместный анализ.

Дисперсионный анализ

Дисперсионный анализ (ANOVA) чрезвычайно полезный инструмент в практике марке-

тинговых исследований, поскольку именно его используют чаще всего для снижения кумуля-

тивной ошибки. Она представляет собой кумулятивный эффект ошибки I рода (ошибка перво-

го рода означает утверждение, что два числа различаются, когда фактически они не различают-

ся между собой) во всех парных сравнениях, Однако, прежде чем вы решите использовать

дисперсионный анализ, вы должны убедиться, что вы имеете соответствующие данные, Дис-

персионный анализ служит методом выявления различий между номинальными независи-

мыми переменными, влияющими на значения метрической зависимой переменной. Помимо

того, что вы должны иметь номинальную независимую переменную (например, торговую мар-

ку, товар) и метрическую зависимую переменную (например, рейтинги эффективности, рей-

тинги 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 за-

пустите программу его выполнения и вычислите значение ^-статистики, чтобы определить зна-

чимость полученного результата. Использование /'-статистики позволяет проверить нулевую ги-

потезу об одинаковых значениях уровней независимых переменных с помощью сравнения дис-

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 до-

верительный уровень, /j-значение, меньшее 0,05, свидетельствует о статистической значимо-

сти /"-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 со-

гласия Шеффе (Scheffe alpha adjustment), альфа-критерий согласия Тькжея (Tukey alpha adjustment).

Самый легкий и самый консервативный из них — альфа-критерий согласия Бонферро-

ни. 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 р-значение с вашим общим уровнем значимости (а = 0,05, если желаемый

доверительный уровень составляет 95%), вы сравниваете каждое />-значение с вновь вычислен-

ным значением альфа, которое представляет собой вероятность допустить ошибку первого ро-

да, Значения альфа-критерия согласия Бонферрони вычисляют по следующей формуле:

исходное значение альфах2

(число категорий) х (число категорий -1)

818 Часть III. Сбор, подготовка и анализ данных

Множественная регрессия

Множественная регрессия — испытанный и надежный метод маркетинговых исследований,

применяемый, главным образом, для прогнозирования и объяснения относительного вклада

предикторов в изменение определенной зависимой переменной. Чаще всего мы задаем такой во-

прос: "Насколько тесной должна быть зависимость между переменными, чтобы ее принимать во

внимание?" Ответ зависит от того, с какой целью вы проводите анализ и зачем вам нужны резуль-

таты. Если вы хотите узнать, какие из предикторов наиболее сильно влияют на зависимую пере-

менную, то лучше всего это покажет изучение нормированных коэффициентов регрессии (Р-

коэффициенты). Если вы хотите делать прогнозы с помощью полученной вами модели, то стоит

посмотреть на стандартную ошибку модели. Менеджер не оценит вашу работу, если вы получите

высокое значение коэффициента корреляции R2, но диапазон ошибки прогнозирования составит

50% от предсказываемого значения. Существует процедура строгой проверки полученных резуль-

татов, предусматривающая использование контрольной выборки.

Дискриминантный анализ

Как и для множественной регрессии, главное назначение дискриминантного анализа —

прогнозирование и определение относительной важности предикторов. Ключевое различие

между этими двумя методами состоит в том, что множественная регрессия требует, чтобы зави-

симая переменная была измерена в интервальной или относительной шкале, а дискриминант -

ный анализ использует категориальную зависимую переменную. В то время как множествен-

ную регрессию можно использовать для вычисления степени интереса к покупке данного това-

ра (услуги), дискриминантный анализ можно использовать для определения того, покупает

или не покупает респондент данный товар.

Также возможна ситуация, когда маркетолог захочет преобразовать переменную, измеренную

интервальной или относительной шкалой, в номинальную переменную. Например, вы получили

данные о возрасте респондентов, измеренном в годах. Позже, в ходе анализа, вы решите построить

модель, чтобы распределить респондентов согласно критерию "молодой"—^старый", и соответст-

венно разделите всех респондентов на две группы. Это опасно, поскольку это не естественно на-

блюдаемые группы, и правило, которое вы применили для создания групп, может скрыть смысл

результата. Мы советуем вам использовать дискриминантный анализ для естественных групп.

Как определить "управленческую" значимость дискриминантного анализа? Необходимо по-

смотреть, насколько хорошо он показывает групповую принадлежность. В идеале точность клас-

сификации следует оценивать по проверочной выборке, потому что, как и во множественной рег-

рессии, применение коэффициентов дискриминантной функции к выборке, на основе которой

они и построены, приведет к надуманно высокой точности предсказания. Результат дискрими-

нантного анализа должен содержать итоговую таблицу вычисленной групповой принадлежности

по сравнению с фактической групповой принадлежностью. Спросите себя: действительно ли ко-

эффициенты дискриминантной функции определили каждого респондента в предназначенную

ему одну группу? Действительно ли появление ошибки ограничено одной группой? Кроме того,

рассмотрите общую точность, сравнив процент попадания (т.е. процент верно классифицирован-

ных респондентов) с ожидаемым на основе случайности попадания. Хорошее эмпирическое пра-

вило заключается в том, чтобы, по крайней мере, на 20% улучшить процент попадания по сравне-

нию со случайным попаданием, рассчитываемым как сумма квадратов априорных вероятностей

для каждой группы. Например, если 30% респондентов принадлежит группе А, а оставшиеся

70% — группе В, то случайность попадания равна (0,32) + (0,72) или 0,58, а мы хотели бы, чтобы

процент попадания был, по крайней мере, на 20% выше или (1,2) х (0,58) = 0,70, т.е.

Факторный анализ

Чаше всего факторный анализ используют для снижения числа данных и установления ха-

рактера взаимосвязи переменных. Мы можем задать 20 вопросов на одну тему, но с их помо-

щью в действительности можно оценить небольшое число восприятий респондентами какого-

Взгляд профессионала 3 819

либо объекта. Мы хотели бы узнать, "какие'" группы ответов присутствуют в наших данных,

Мы можем провести исследование, касающееся конкретной марки автомобиля, и проверка

группирования ответов выявит, что респонденты оценивают автомобиль, учитывая только две-

три главные характеристики (например, стиль, престижность и т.д.), хотя мы задали им много

вопросов. Или нам хочется использовать часть пунктов из анкеты, чтобы вычислить некоторый

результат (например, используя оценки уровня обслуживания наших клиентов, определить

степень удовлетворенности потребителей уровнем обслуживания). Мы видим, что оценки тес-

но взаимосвязаны, и использование их в последующем анализе создаст трудности при интер-

претации результатов, обусловленные обшей дисперсией. Один из вариантов решения этой

проблемы — использование не исходных переменных, а значений факторов, представляющих

их комбинацию. Мы можем также изучить переменные, которые, вероятно, входят в состав

различных факторов и использовать их средние значения или даже выбрать одну переменную

из каждого фактора, чтобы представить все переменные, составляющие данный фактор. Мы

может выбрать любой из этих вариантов, и наше решение зависит от уверенности в своих силах

удовлетворительно интерпретировать и обобщать результаты.

Кластерный анализ

Кластерный анализ используют, в основном, для целей сегментации. Обычно различают сег-

ментацию двух типов: первый тип — простая рыночная сегментация, когда изменение потребно-

стей и мотиваций обусловлено, главным образом, самими потребителями, а не обстоятельствами.

Например, потребители одного сегмента ищут высокоэффективную камеру, которая не требует

большого участия со стороны фотографа, другой сегмент ищет высокоэффективную камеру со

множеством миниатюрных приспособлений, позволяющих экспериментировать, а еще один сег-

мент стремится найти камеру, которая работает по принципу "наведи и щелкни", и дает четкие

фотографии даже если дрожит рука. Эти сегменты зависят от потребностей клиентов и не зависят

от обстоятельств или причин, по которым используют камеру,

В основе второго типа сегментации лежит воздействие определенных обстоятельств. На-

пример, выбор ресторана не всегда основан на одних и тех же нуждах. Он зависит от времени

суток, общества, дня недели, причины торжества и т.д. Сегментация, зависящая от обстоя-

тельств, обычно имеет место для продуктов и напитков, поскольку один потребитель может хо-

теть разную еду в зависимости от обстоятельств, побудивших его пойти в ресторан.

Для обоих типов рыночной сегментации на основе использования кластерного анализа

данные должны измеряться в интервальной шкале, и вы должны иметь полный набор дан-

ных по каждому респонденту. По возможности, следует избегать использования значений,

заменяющих пропущенные данные, например, заменяя пропущенное значение средним

значением оставшихся данных. Это может оказаться неизбежным, но в конце концов вы

поймете, что такая замена влияет на окончательный результат, и вы, по существу, имеете

''искусственные данные".

После получения результатов следует определить профиль каждого из сегментов с помощью

переменных, включенных в кластерный анализ. Во- первых, определите, к каким из перемен-

ных стремится каждый респондент и к каким переменным не стремится никто. Эти перемен-

ные характеризуют уровни рынка, а не уровни сегментации. Отделение их от остальных харак-

теристик позволит легко идентифицировать потребности респондснов на уровне сегментации.

Во-вторых, расположите оставшиеся атрибутивные средние в порядке убывания (от большего к

меньшему). Кратко запишите ключевые темы и дайте каждому сегменту предварительное на-

звание. На следующем этапе определите профиль каждого из кластеров с помощью перемен-

ных, которые не участвовали в процессе кластеризации и которые включают: демографические,

психографические характеристики; использование товара и мотивы поведения. Если кластеры

не различаются по этим переменным, то, вероятно, что менеджменту будет от них немного

пользы. Если окажется, что кластеры различаются по этим "внешним" переменным, то с по-

мощью этой информации и информации о переменных, использованных для кластеризации,

давайте название кластеру и опишите его, имея в виду маркетинговую стратегию в отношении

каждого из этих сегментов.

820 Часть III. Сбор, подготовка и анализ данных

Многомерное шкалирование

Простейшее определение многомерного шкалирования (ММШ) состоит в том, что с его

помощью можно количественно измерить пространственные взаимосвязи. Предположим, что

мы хотим попытаться понять, как люди воспринимают следующие шесть ресторанов быстрого

обслуживания: McDonald's, Burger King, Pizza Hut, Long John Silver's, Arby's и KFC. Респонден-

ты оценивают их с ломошью набора шкал.

Существует множество способов, чтобы понять, с чем у респондентов ассоциируюся эти ресто-

раны. Воспользовавшись шкалой рейтингов, вы могли бы разложить на множители результаты

оценки ресторанов с получением корреляционной матрицы и нанести на карту полученные фак-

торные нагрузки. Вы можете обработать рейтинги ресторанов для каждого респондента как

"группу", выполнить дискриминанты и анализ и начертить график дискриминантных показате-

лей. Рейтинговые данные можно использовать в компьютерной программе ММШ, которая по су-

ти создаст картину, на которой рестораны, расположенные (по рейтингу) близко один от другого,

будут расположены близко, а отдаленные рестораны — соответственно дальше.

Вы можете сказать, что это слишком просто, чтобы этим заниматься. Наоборот, простота

анализа — часть его привлекательности. Очевидные взаимосвязи легко понять, и картины да-

ют ясное отображение того, что хотели бы выразить респонденты. Математически это строже,

чем может показаться вначале. Таким образом, если у вас есть многомерная картина ваших

данных, и установлено, что она хорошо соответствует вашим данным, то вы можете быть увере-

ны, что картина очень правдоподобно отражает реальную структуру восприятия вещей.

Совместный анализ

В отличие от предыдущих методов, совместный анализ — это не столько многомерный ме-

тод, сколько совокупность исследовательских процедур для планирования и анализа экспери-

ментов. Обычно цель эксперимента — определить влияние на выбор или предпочтение товара

каждой из его характеристик. Обшим для всех процедур совместного анализа является допуще-

ние о том, что товар представляет собой пучок характеристик, которые рассматриваются со-

вместно. Например, конфета является комбинацией вполне определенных ингредиентов, а

Поиск по сайту: