1

Uniwersytet Ekonomiczny we Wrocławiu

Wydział Ekonomii, Zarządzania i Turystyki w Jeleniej Górze

Krzysztof Ochab

Anna Skibińska

132007
145720

nr albumu (numery albumów)

Projekt z przedmiotu Badania preferencji

nt. Preferencje dotyczące zakupu win

Jelenia Góra 2012/2013

2

Spis treści

Wstęp ........................................................................................................................................................... 3

1.

Charakterystyka badania ................................................................................................................... 3

2.

Dane ..................................................................................................................................................... 4

3.

Estymacja użyteczności cząstkowych ............................................................................................... 7

4.

Ocena przeciętnych „ważności” atrybutów ...................................................................................... 17

5.

Badanie udziałów w rynku profilów symulacyjnych ..................................................................... 19

6.

Teoretyczne i empiryczne użyteczności całkowite ........................................................................ 21

Podsumowanie .......................................................................................................................................... 23

Załącznik 1. Kwestionariusz ankiety ....................................................................................................... 25

Załącznik 2. Skrypt generujący cząstkowy układ czynnikowy (

wina_uklad.r

) ............................. 31

Załącznik 3. Skrypt wczytujący dane (

wina_dane.r

) ........................................................................ 33

Załącznik 4. Skrypt realizujący procedurę conjoint analysis (

wina_conjoint.r

) ......................... 34

Załącznik 5. Dane do projektu wina ........................................................................................................ 36

Załacznik 6. Preferencje empiryczne – plik

wina_preferencje_macierz.csv

........................... 39

Załącznik 7. Teoretyczne użyteczności całkowite profilów w przekroju respondentów ................... 43

3

Wstęp

Wino towarzyszy człowiekowi od wieków. Kojarzy się z wykwintną ucztą, wesołym

towarzystwem, dobrą zabawą i hedonistycznym pojmowaniem świata.

Wino oprócz tego pełni jeszcze bardzo ważną funkcję, pite w bardzo umiarkowanych

ilościach, może stanowić naturalny i w dodatku smaczny paralek. Bowiem stosowane w

farmaceutycznych dawkach korzystnie wpływa na ludzki organizm.

Z przeprowadzonych badań wynika, że wśród osób pijących taką właśnie ilość owego

trunku, odnotowano niższą śmiertelność, w porównaniu z abstynentami oraz ludźmi

pijącymi mniej i rzadziej. Tak, więc pijący w sposób umiarkowany żyją dłużej, a ryzyko

zapadnięcia na wszelkie choroby (i to nie tylko schorzenia serca) jest u nich

zdecydowanie niższe.

W świadomości konsumenckiej wina kojarzone są przez przedstawiony powyżej

pryzmat. Należy pamiętać iż niektóre rodzaje win to towary luksusowe których wielkość

zakupu jest związania niewątpliwie od dochodów.

Stworzyliśmy kategorię wartości w której przemieszczając się od najwyższych do

najniższych poziomów atrybutu otrzymujemy coraz to wyższe kategorie win, dzięki czemu

jesteśmy w stanie określić oprócz profili konsumenckich udział wydatków na poszczególne

rodzaje win. (wg kategorii wartości)

Celem tego badania jest poznanie ogólnych preferencji konsumenckich przy zakupie win,

to znaczy po jakie rodzaje win konsumenci sięgają najczęściej, a także przy jakich

ograniczeniach dochodu są skłonni do zakupu win pogrupowanych według opracowanych

przez nas atrybutów.

1.

Charakterystyka badania

Przedmiot badania: wina

Badanie przeprowadzono: w 2012 r.

1

Gromadzenie danych: kwestionariusz ankiety został rozesłany drogą elektroniczną

(jako link) do 60 osób zamieszkałych w całej Polsce, a także w wersji drukowanej w

ilości 30 sztuk. Spośród 90 rozesłanych formularzy poprawnie zostało wypełnionych 60.

4

Kwestionariusz ankiety: załącznik 1.

Ankietę stworzono w wersji elektronicznej (skróconej) na

http://www.ankietka.pl

Link z ankietą rozesłano do poszczególnych graczy społeczności na InnoGames.

(zróżnicowanie wieku wg profili graczy)

W badaniu wzięły udział różne portrety konsumenckie. Odpowiedzi dotyczące konsumpcji

win najczęściej udzielały kobiety (70%), rzadziej mężczyźni (30%).

Wiek próby przyjmował najczęstszą wskazania w „powyżej 50 lat” (33,3%) oraz

przedziale 20-30 lat, (26,6%). Najmniejszą grupę responedentów stanowiły osoby w wieku

poniżej 20 lat (15%) oraz przedziale 30-40 lat (także 15%)

Pozostałe wskazania to 40-50 lat w wielkości 16,6%

Stan cywilny w zdecydowanej większości badanych (92%) to osoby w kategorii

zamężna/żonaty”, natomiast miejsce zamieszkania to miasto do 50 tys mieszkańców (91%

wskazań). Rzadziej wieś - 9% wskazań

Respondenci jak wykształcenie najczęściej wskazywali „średnie” – aż 70% wskazań,

rzadziej „wyższe” (24%) zaś pozostała grupa zawodowe (6%).

Ż

aden z ankietowanych nie przypisał sobie wykształcenia podstawowego a także

podyplomowego.

Miesięczny dochód na 1 osobę w rodzinie został określony przez badanych w

zdecydowanej większości na poziomie 1500-2000 zł (58%) oraz 1000-1500 zł. (32%)

2.

Dane

Analizując asortyment sprzedażowy win, udało nam się stworzyć skrócony ale dość

istotny jego podział (atrybutów). Wszystkie wina możemy podzielić ze względu na rodzaj,

barwę, zawartość cukru, a także zawartość alkoholu. Wynika to z przeprowadzonych badań

wstępnych.

Należy podkreślić, iż w wyniku nałożonych ograniczeń zmuszeni byliśmy odrzucić

poziom „Wzmocnione” dla atrybutu „Zawartość alkoholu”., oraz półwytrawne dla atrybutu

zawartość cukru.

Odrzucone atrybuty to „Musujące” oraz „Konsumpcja” wraz z ich poziomami

5

„szampan”;”wino szampańskie”;”wino musujące” i „stołowe”;”deserowe”;”likierowe”. (na

podstawie przeprowadzonych badań wstępnych)

Tab. 1. Atrybuty i poziomy charakteryzujące wina

Atrybuty

Poziomy

Liczba poziomów

Barwa

różowe;białe;czerwone

3

Rodzaj

gronowe;owocowe

2

Zawartość cukru

wytrawne;półsłodkie;słodkie

3

Zawartość alkoholu

lekkie;średniomocne;mocne

3

Ź

ródło: opracowanie własne.

Pełny układ czynnikowy liczy 54 profile (iloczyn liczb poziomów). W wyniku zastosowania

algorytmu generującego cząstkowy układ czynnikowy (z wykorzystaniem pakietu AlgDesign, zob.

Wheeler [2011]) zredukowano tę liczbę do 9 profilów (zob. skrypt herbata_uklad_odtw.r w załączniku

3).

ID profili to 1,12,14,21,26,34,41,43,51.

Tab. 2. Macierz X reprezentująca cząstkowy układ czynnikowy (plik
wina_profile_numery.csv)

Rodzaj

Barwa

Zawartość cukru

Zawartość alkoholu

1

1

1

1

2

2

2

1

3

2

3

1

2

2

1

2

3

1

2

2

1

2

3

2

3

2

1

3

1

2

2

3

2

1

3

3

6

Ź

ródło: opracowanie własne z wykorzystaniem programu R i pakietu AlgDesign.

Tab. 3. Cząstkowy układ czynnikowy z nazwami poziomów (plik wina_profile_nazwy.csv

Poniższa tabela przedstawia 13 profili, które zostały utworzone na podstawie ich atrybutów i ich

poziomów.

Profile

cena

rodzaj

zawartośćcukru

zawartośćalkoholu

1

różowe

gronowe

wytrawne

lekkie

2

białe

owocowe

półsłodkie

lekkie

3

czerwone

owocowe

słodkie

lekkie

4

białe

owocowe

wytrawne

ś

redniomocne

5

czerwone

gronowe

półsłodkie

ś

redniomocne

6

różowe

owocowe

słodkie

ś

redniomocne

7

czerwone

owocowe

wytrawne

mocne

8

różowe

owocowe

półsłodkie

mocne

9

białe

gronowe

słodkie

mocne

7

Tab. 4. Wektor Y reprezentujący preferencje (tutaj dla respondenta nr 1), plik
wina_preferencje.csv

Y

9
3
0
8
2
0
4
1
0

Ź

ródło: opracowanie własne z wykorzystaniem danych zgromadzonych w

badaniu ankietowym.

Dane empiryczne wykorzystane w badaniu, zapisane w plikach w formacie csv, można

wczytać do programu R za pomocą skryptu wina_dane.r (zob. załącznik 4). Dane te zawiera

także załącznik 5.

3.

Estymacja użyteczności cząstkowych

Liniowy model regresji wielorakiej conjoint analysis określony jest ogólnie (z

uwzględnieniem rzeczywistych atrybutów produktów/usług) wzorem (zob. Bąk [2004b];

Walesiak i Gat- nar [2009]; Rószkiewicz [2002a]; Rószkiewicz [2002b]):

p

Y

=

β

0

+

∑

β

k Z k

+

ε

,

(1)

gdzie:

Y zmienna objaśniana, której wartościami są preferencje empiryczne respondentów,

β

0 wyraz wolny modelu,

β

1

β

p parametry modelu,

Z 1 … Z p zmienne objaśniające (atrybuty opisujące profile produktów lub usług),

k=1,…,p numer zmiennej objaśniającej (atrybutu),

ε

składnik losowy modelu.

8

0

∑

j

j

Atrybuty niemetryczne Z 1 … Z p są następnie kodowane za pomocą zmiennych

sztucznych, które wskazują na występowanie określonych poziomów atrybutów w

poszczególnych profilach. Wykorzystuje się w tym celu najczęściej metody kodowania zero-

jedynkowego, quasi-eksperymentalnego lub ortogonalnego (zob. Zwerina [1997]; Walesiak i

Bąk [2000]; Bąk [2004a])

Po przekodowaniu atrybutów model conjoint analysis ze zmiennymi sztucznymi można

przedstawić w następującej formie:

m

Yˆ

=

b

+

b X ,

(2)

j

=

1

gdzie: Yˆ

−

wartości teoretyczne zmiennej objaśnianej,

b0

−

wyraz wolny modelu,

b1,K, bm -parametry modelu,

-zmienne sztuczne reprezentujące poziomy atrybutów niemetrycznych,

j=1,…,m -numer zmiennej sztucznej.

Pakiet conjoint opracowany dla programu R (R Development Core Team [2012]) za-

wiera funkcje obliczeniowe umożliwiające przeprowadzenie badań empirycznych tradycyjną

metodą conjoint analysis (zob. Bąk, Bartłomowicz [2011]; Bąk, Bartłomowicz [2012a]; Bąk,

Bartłomowicz [2012b]). Pakiet conjoint (aktualna wersja 1.35) można pobrać ze stron in- ter

netowych

http://cran.r-project.org/web/packages/conjoint

lub

http://wgrit.ae.

jgora.pl/keii/conjoint/index.html.

Przykład zastosowania podstawowych funkcji pakietu conjoint w badaniu empirycz- nym

zawiera skrypt wina_conjoint.r (zob. załącznik 5).

Model regresji liniowej dla wybranego respondenta można oszacować za pomocą

funkcji caModel(y,x) pakietu conjoint. Argumentami funkcji są:

y – preferencje empiryczne,

x – cząstkowy układ czynnikowy.

Wyniki estymacji modelu dla respondenta nr 1 (wyraz wolny i parametry bez

poziomów odniesienia) są następujące:

9

#model dla respondenta nr 1 (wyraz wolny i parametry bez poziomów odniesie-
nia)

lm(formula = frml)

Residuals:
1 2 3 4 5 6 7
3,333e-01 1,665e-16 -3,333e-01 -3,333e-01 3,333e-01 -1,110e-16 -1,527e-16
8 9
-3,333e-01 3,333e-01

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2,8333 0,2887 9,815 0,0646 .
factor(x$barwa)1 0,3333 0,3849 0,866 0,5456
factor(x$barwa)2 -1,0000 0,3849 -2,598 0,2339
factor(x$rodzaj)1 0,5000 0,2887 1,732 0,3333
factor(x$zawarto

ść

cukru)1 4,0000 0,3849 10,392 0,0611 .

factor(x$zawarto

ść

cukru)2 -1,0000 0,3849 -2,598 0,2339

factor(x$zawarto

ść

alkoholu)1 1,0000 0,3849 2,598 0,2339

factor(x$zawarto

ść

alkoholu)2 0,3333 0,3849 0,866 0,5456

---
Signif. codes: 0 ‘***’ 0,001 ‘**’ 0,01 ‘*’ 0,05 ‘.’ 0,1 ‘ ’ 1

Residual standard error: 0,8165 on 1 degrees of freedom
Multiple R-squared: 0.9929, Adjusted R-squared: 0.9433
F-statistic: 20 on 7 and 1 DF, p-value: 0,1706

Za pomocą funkcji caUtilities(y,x,z) można oszacować model dla wybranego respondenta

łącznie z parametrami dla poziomów odniesienia. Argumentami funkcji są:

y preferencje empiryczne,

x – cząstkowy układ czynnikowy,

z – nazwy poziomów (nazwy poziomów są wykorzystywane do opisania wykresów, które

tworzy funkcja).

#model dla respondenta nr 1 (wyraz wolny i parametry z poziomami odniesienia,
bez nazw poziomów)

> m<-caUtilities(pref[1,],prof,npoz)
> print(m)

[1] 2,8333333 0,3333333 -1,0000000 0,6666667 0,5000000 -0,5000000

[7] 4,0000000 -1,0000000 -3,0000000 1,0000000 0,3333333 -1,3333333

Za pomocą funkcji caPartUtilities(y,x,z) można model dla wybranego respondenta łącznie z

parametrami dla poziomów odniesienia i nazwami poziomów. Argumentami funkcji są:

y – preferencje empiryczne,

x – cząstkowy układ czynnikowy,

z – nazwy poziomów.

> #model dla respondenta nr 1(z poziomami odniesienia i nazwami poziomów)

10

> m<-caPartUtilities(pref[1,],prof,npoz)
> print(m)

intercept ró

ż

owe białe czerwone gronowe owocowe wytrawne półsłodkie

[1,] 2,833 0,333 -1 0,667 0,5 -0,5 4 -1

słodkie lekkie

ś

redniomocne mocne

[1,] -3 1 0,333 -1,333

Użyteczności cząstkowe poziomów atrybutów, ważność atrybutów oraz wykresy (w prze-

kroju całej próby) można otrzymać za pomocą funkcji

Conjoint(y,x,z)

z pakietu

con-

joint

.

Znaczenie argumentów funkcji

Conjoint(y,x,z)

jest następujące:

y

– preferencje empiryczne zgromadzone na podstawie kwestionariusza ankiety (min.

54),

x

–

cząstkowy układ czynnikowy (np. otrzymany za pomocą skryptu

wina

_uklad_odtw.r

,

z

– nazwy poziomów atrybutów.

Wyniki estymacji:

> #analiza conjoint - wyniki
> Conjoint(pref,prof,npoz)

[1] "Part worths (utilities) of levels (model parameters for whole

sample):"

levnms utls

1 intercept 4,8962

2 ró

ż

owe 0,0126

3 białe -0,195

4 czerwone 0,1824

5 gronowe 0,0472

6 owocowe -0,0472

7 wytrawne -0,3396

8 półsłodkie 0,4654

9 słodkie -0,1258

10 lekkie 0,1447

11

ś

redniomocne -0,0377

12 mocne -0,1069

[1] "Average importance of factors (attributes):"

[1] 18,78 13,58 36,95 30,69

[1] Sum of average importance: 100

Oszacowane parametry zostały zestawione w tab. 5 i zilustrowane na rys. 1-9

11

Macierze użyteczności cząstkowych, stanowią podstawę segmentacji nabywców, ponieważ

odzwierciedlają reakcje konsumentów na poszczególne warianty produktów.

Należy zatem uznać, że wyższe wartości użyteczności cząstkowych określą najliczniejsze

grupy preferencji dla określonych cech ( tj. poziomów atrybutu) produktu. Wartości ujemne

ś

wiadczyć będą natomiast o negatywnej ocenie poziomu atrybutu.

Poniższe zestawienie przedstawia użyteczności cząstkowe. Analizując poszczególne jej

wartości wygenerowane z użyteczności całkowitych przypisanych przez respondentów

poszczególnym profilom, możemy wnioskować co następuje:

•

dla atrybutu „barwa” ankietowani przyznali wariantowi „czerwone” najwyższą

wartość [

0,1824

], zaś niższą wartość „różowe” [

0,0126

]. Natomiast wariantowi „białe”

respondenci przydzielili negatywną ocenę [

-0,195

]

•

dla atrybutu „rodzaj” ankietowani przypisywali wariantowi „gronowe” wartość

[

0,0472

], zaś „

owocowe” [

-

0,0472

] co świadczy o negatywnej ocenie respondentów dla tego

poziomu atrybut (cechy produktu)

•

dla atrybutu „zawartość cukru” ankietowani przypisali najwyższą wartość wariantowi

„półsłodkie” [

0,4654

], a wartości najniższe osiągnęły warianty „

słodkie” [

-0,1258

] oraz

wytrawne [

-0,3396

], co oznacza negatywną ocenę respondentów tych poziomów atrybutu.

•

Dla atrybutu „

zawartość alkoholu” respondenci najwyższą wartość przydzielili

wariantowi „lekkie” [

0,1447]. Pozostałym wariantom „

ś

redniomocne” – wartość

–[-

0,0377] oraz “

mocne”- wartość [

-0,1069] respondenci przyznali wartości oznaczające

negatywną ocenę tego poziomu atrybutu.

Tab. 5. Oszacowane użyteczności cząstkowe poziomów atrybutów

Atrybuty

Poziomy

Użyteczności cząstkowe

Barwa

różowe

0,0126

białe

-0,195

czerwone

0,1824

Rodzaj

gronowe

0,0472

owocowe

-0,0472

zawartość cukru

wytrawne

-0,3396

półsłodkie

0,4654

12

słodkie

-0,1258

zawartość alkoholu

lekkie

0,1447

ś

redniomocne

-0,0377

mocne

-0,1069

Ź

ródło: opracowanie własne z wykorzystaniem programu R i pakietu

conjoint

.

Rys. 1. Użyteczności cząstkowe poziomów atrybutu „Barwa”
Ź

ródło: opracowanie własne z wykorzystaniem programu R i pakietu

conjoint

.

13

Rys. 2. Użyteczności cząstkowe poziomów atrybutu „Rodzaj”
Ź

ródło: opracowanie własne z wykorzystaniem programu R i pakietu

conjoint

.

Rys. 3. Użyteczności cząstkowe poziomów atrybutu „Barwa”

14

Ź

ródło: opracowanie własne z wykorzystaniem programu R i pakietu

conjoint

.

Rys. 4. Użyteczności cząstkowe poziomów atrybutu „zawartość cukru”
Ź

ródło: opracowanie własne z wykorzystaniem programu R i pakietu

conjoint

.

Rys. 5. Użyteczności cząstkowe poziomów atrybutu „zawartość alkoholu”

15

Ź

ródło: opracowanie własne z wykorzystaniem programu R i pakietu

conjoint

.

Rys. 6. Użyteczności cząstkowe poziomów atrybutu „Barwa”
Ź

ródło: opracowanie własne z wykorzystaniem programu R i pakietu

conjoint

.

Rys. 7. Użyteczności cząstkowe poziomów atrybutu „Rodzaj”
Ź

ródło: opracowanie własne z wykorzystaniem programu R i pakietu

conjoint

.

16

Rys. 8. Użyteczności cząstkowe poziomów atrybutu „zawartość cukru”
Ź

ródło: opracowanie własne z wykorzystaniem programu R i pakietu

conjoint

.

Rys. 9. Użyteczności cząstkowe poziomów atrybutu „zawartość alkoholu”
Ź

ródło: opracowanie własne z wykorzystaniem programu R i pakietu

conjoint

.

17

4.

Ocena przeciętnych „ważności” atrybutów

Przeciętna ważność atrybutów w ocenie profilów zamieszczonych w kwestionariuszu

ankiety została zestawiona w tab. 6 i zilustrowana na rys. 5.

Tab. 6. Przeciętna „ważność” atrybutów dla badanej próby

[1] [1] 18,78 13,58 36,95 30,69

ATRYBUTY

WAŻNOŚĆ ATRYBUTÓW

barwa

18,78

rodzaj

13,58

zawartość cukru

36,95

zawartość alkoholu

30,69

Na podstawie użyteczności cząstkowych poziomów atrybutów jesteśmy w stanie określić

ważność każdego z nich za pomocą rang., które przedstawiono poniżej:

•

Barwa

Ranga=0,1824-(-0,0195)= 0,2019

•

Rodzaj

Ranga=0,0472-(0,0472)=0,0944

•

Zawartość cukru

Ranga=0,4654-(-0,3396)=0,805

•

Zawartość alkoholu

Ranga=0,1447-(-0,1069)=0,2516

18

Ś

rednią użyteczność można zaprezentować jako wartość skalkulowaną dla wszystkich

ankietowanych, jak również dla specyficznych podgrup respondentów. Użyteczności te

pozwalają określić zasięg, dotyczący wpływu danego atrybutu przy dokonywanym wyborze

dotyczącym wyboru wycieczki w celach turystycznych. Poziom ważności każdego z atrybutu

spośród wszystkich atrybutów ustala się poprzez analizę rangi użyteczności stosując regułę:

wyliczyć różnice pomiędzy największą a najmniejszą użytecznością.

Analiza ta pozwala wywnioskować, który atrybut wpływa maksymalnie na wybór danego

wariantu. Analiza rangi użyteczności na danym przykładzie pozwala wnioskować, iż

czynnikiem najbardziej wpływowym przy dokonywanym wyborze dotyczący zakupu win jest

atrybut „Zawartość cukru” i osiąga wartość [0,805]. Drugim natomiast to „Zawartość alkoholu „

z wartością [0,2516].

Potwierdzają to także parametry ważności atrybutów, gdzie

•

„zawartość cukru” [36,95]

•

“zawartość alkoholu [30,69]

Czynnikiem najmniej wrażliwym przy dokonywaniu wyboru przez ankietowanych jest:

•

rodzaj [13,58]

19

5.

Badanie udziałów w rynku profilów symulacyjnych

Do analizy symulacyjnej wybrano 5 profili, które nie zostały włączone do

cząstkowego układu czynnikowego i kwestionariusza ankiety (są to profile z pełnego

układu czynnikowego nie były oceniane przez respondentów w badaniu ankietowym).

Zestawienie profilów symulacyjnych zawiera tab. 7.

ID profili 10, 17,25,36,42

Tab. 7. Układ czynnikowy profilów
symulacyjnych

Nr profilu

Numery poziomów atrybutów

Nazwy poziomów atrybutów

barwa

rodzaj

Zawartoś

ć

cukru

Zawartoś

ć

alkoholu

barwa

rodzaj

Zawartość

cukru

Zawartość

alkoholu

1

3

1

2

1

czerwone

gronowe

półsłodkie

lekkie

2

2

2

3

1

białe

owocowe

słodkie

ś

redniomocne

3

1

2

2

2

różowe

owocowe

półsłodkie średniomocne

4

3

2

3

2

czerwone

owocowe

słodkie

Ś

redniomoc

5

3

2

1

3

czerwone

owocowe

wytrawne

mocne

Ź

ródło: opracowanie własne.

Potencjalne udziały w rynku profilów symulacyjnych (tab. 8) zostały oszacowane za

pomocą funkcji ShowAllSimulations(sym,y,x) z pakietu conjoint. Znaczenie

argumentów funkcji jest następujące:

sym – wybrane profile symulacyjne,

y – preferencje em- piryczne zgromadzone na podstawie kwestionariusza,

x – cząstkowy układ czynnikowy.

Wyniki estymacji udziałów w rynku profilów symulacyjnych:

20

> # analiza symulacyjna
> print(sym)

#profile symulacyjne

cena gatunek rodzaj aromat

barwa rodzaj

zawarto

ść

cukru zawarto

ść

alkoholu

1

3

1

2

1

2

2

2

3

1

3

1

2

2

2

4

3

2

3

2

5

3

2

1

3

> ShowAllSimulations(sym,pref,prof)
TotalUtility MaxUtility BTLmodel LogitModel

1 5,74 37,74 23,61 32,11
2 4,67 16,98 18,17 14,41
3 5,29 13,21 21,68 17,82
4 4,87 13,21 18,27 16,54
5 4,58 18,87 18,28 19,12
K-means clustering with 2 clusters of sizes 20, 33

Oszacowane udziały w rynku profilów symulacyjnych zostały zestawione w tab. 8.

Tab. 8. Wyniki oszacowania udziałów w rynku profilów symulacyjnych na podstawie trzech
modeli

Nr profilu

Użyteczność

całkowita profilu

Udział obliczony na podstawie modelu

maksymalnej

użyteczności

BTL

logitowego

1

5,74

37,74

23,61

32,11

2

4,67

16,98

18,17

14,41

3

5,29

13,21

21,68

17,27

4

4,87

13,21

18,27

16,54

5

4,58

18,87

18,28

19,12

Ź

ródło: opracowanie własne z wykorzystaniem programu R i pakietu

conjoint

.

Na podstawie oszacowanej maksymalnej użyteczności można stwierdzić, iż 37,74%

respondentów przyznałoby najwyższą ocenę użyteczności całkowitej profilowi 1,

natomiast profil 3 i 4 osiągnąłby najmniejsze interesowanie z punktu widzenia preferencji

respondentów (tylko 13,21% ankietowanych przyznałoby największą ocenę użyteczności

całkowitej).

21

Analizując model BTL stwierdza się, że największe prawdopodobieństwo wyboru

przez respondentów, wśród profilów podlegających symulacji, miałby podobnie jak przy

użyteczności profil 1 (23,61%), a najmniejsze profil 2 (18,17%).

Natomiast model logitowy wskazuje, iż profil 1 z wartością (32,11%) miałby

największe prawdopodobieństwo wyboru spośród możliwych profilów symulacyjnych,

a najmniejsze profil 2 (14,41%).

6.

Teoretyczne i empiryczne użyteczności całkowite

Funkcja caTotalUtilities(y,x) służy do obliczenia teoretycznych użyteczności

całkowitych w przekroju wszystkich respondentów. Znaczenie argumentów funkcji jest

następujące:

y – preferencje empiryczne zgromadzone na podstawie kwestionariusza,

x – cząstkowy układ czynnikowy.

Teoretyczne użyteczności całkowite oszacowane dla pierwszych pięciu respondentów

są następujące:

> #u

ż

yteczno

ś

ci całkowite teoretyczne dla respondnetów nr 1-5

> tu<-caTotalUtilities(pref,prof)
> print(tu[1:5,]) [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9]
[1,] 8,667 3 0,333 8,333 1,667 0 4 1,333 -0,333
[2,] 3,333 5 0,667 4,667 3,333 1 5 2,667 1,333
[3,] 8,667 10 2,333 2,333 2,667 5 1 6,333 -0,333
[4,] 2,833 1 2,167 1,167 3,833 4 10 9,167 5,833
[5,] 5,167 3 3,833 4,833 5,167 3 2 3,833 2,167

Otrzymane na podstawie modelu oszacowania użyteczności całkowitych można

porównać z wartościami empirycznymi zgromadzonymi w badaniu ankietowym. Empiryczne

wartości preferencji dla pierwszych pięciu respondentów są następujące:

> #u

ż

yteczno

ś

ci całkowite empiryczne dla respondnetów nr 1-5

> colnames(pref)<-cbind(paste("prof",1:ncol(pref),sep=""))

> print(pref[1:5,])

prof1 prof2 prof3 prof4 prof5 prof6 prof7 prof8 prof9

1 9 3 0 8 2 0 4 1 0

2 3 5 1 5 3 1 5 3 1

3 10 10 1 1 4 5 1 5 1

4 3 1 2 1 4 4 10 9 6

5 6 3 3 4 6 3 2 3 3

Pamiętając, iż różnica między wartością prognozowaną (oczekiwaną) a wartością

22

rzeczywistą (empiryczną określa się mianem błędu prognozy można określić co następuje.

Porównując wartości rzeczywiste i empiryczne profil konsumentów można wskazać,

najmniejszy błąd prognozy ( czyli profil na którym powinno się szacować model) w profilu 2,

6 i 7 dla wszystkich pięciu wskazań.

Te profile należy włączyć do tworzenia modelu.

23

Podsumowanie

Przeprowadzone badanie na 60 ankietowanych z przyjęciem 52 wskazań respondentów

miało na celu określenie preferencji przy zakupie rodzaju win. Każdy respondent miał do

wypełnienia ankietę, która składała się z 9 różnych profili przedstawiających różne warianty

atrybutów i ich poziomów. Po zebraniu i przeanalizowaniu wszystkich ankiet można stwierdzić,

iż:

1)

Pierwszemu atrybutowi „barwa” ankietowani największą wartość przypisali poziomowi

„czerwone”. Natomiast atrybut „rodzaj” najwyższą ocenę otrzymał dla poziomu

„gronowe”. Analizując atrybut „zawartość cukru”, najwyżej został oceniony poziom

„półsłodkie”. Respondenci wskazali dla „zawartość cukru” najczęściej wariant (cechę)

„lekkie”.

W każdym atrybucie wartości poziomów przyjęły wartości ujemne. Są to określone

przez respondentów negatywne opinie co do cech produktu.

2)

Przeprowadzona ocena ważności poszczególnych atrybutów pozwala stwierdzić, iż

konsumenci dokonując wyboru przy zakupie rodzaju win, największą uwagę

przywiązują do tego jaką zawartość cukru zawiera produkt. Czynnikiem najmniej

istotnym przy wyborze win jest jego rodzaj.

3)

Udziały w rynku profilów symulacyjnych przedstawione zostały na podstawie trzech

modeli: maksymalnej użyteczności, BLT oraz logitowego. Dokonana analiza na

wykorzystująca

użyteczność

maksymalną

pozwala

wnioskować,

ż

e

37,74%

respondentów najwyższą ocenę użyteczności przyznało profilowi 1, natomiast profil 2

otrzyma wartość najmniejszą, bo tylko dla

13,21

% ankietowanych był to ważny atrybut

przy dokonywanym wyborze.

Model BTL wskazuje, iż najwyższe prawdopodobieństwo wyboru wskazanego przez

ankietowanych, spośród profilów podlegających symulacji miałby profil 1 z wartością

(

23,61

%),natomiast profil 4 osiągnął zaledwie (

18,17%

). Wyniki z modelu logitowego,

który prezentuje prawdopodobieństwo wyboru konkretnych profilów symulacyjnych, są

następujące: profil 1 osiągnął wartość najwyższą (

32,11

%), natomiast najniżej znajduje

się profil 2 z wartością (

14,41

%).

24

25

Załącznik 1. Kwestionariusz ankiety

ANKIETA

Badanie jest przeprowadzane w celu poznania preferencji konsumentów podejmujących decyzje
o na-byciu wina. Ankieta jest anonimowa, a uzyskane informacje posłużą jedynie do celów
analitycznych. Proszę o udzielenie rzetelnych odpowiedzi na przedstawione poniżej pytania

Część I

1. Czy pija Pani/Pan wina ? (proszę podać jedną odpowiedź)

a)

TAK

b)

NIE

2. Jeżeli tak to jakiego typu wina Pani/Pan pije? (proszę podać jedną odpowiedź

a)

szampan,

b)

wina szampańskie,

c)

wina musujące

2. Jak często kupuje Pani/Pan wina? (proszę podać jedną odpowiedź)

a) raz w tygodniu
b) częściej niż raz w tygodniu
c) raz w miesiącu
d) kilka razy w miesiącu
e) rzadziej

3. Gdzie najczęściej kupuje Pani/Pan wina? (do wyboru jest więcej niż jeden wariant
odpowiedzi)

b) supermarket i hipermarket
c) duży sklep spożywczy
d) renomowane sklepy winiarskie
e) sklepy internetowe
g) inne (jakie?)........................................................................

4. Jaki rodzaj wina kupuje Pani/Pan najczęściej? (proszę podać jedną odpowiedź)

a) gronowe,
b) owocowe

26

5. Jakiej barwy jest kupowane przez Panią/Pana wino? (proszę podać jedną odpowiedź)

a) białe,
b) czerwone,
c) różowe

6. W jakim przedziale cenowym znajduje się kupowane przez Pana/Panią wina? wyboru
jest więcej niż jeden wariant odpowiedzi)

a)

0,00 zł - 50,00 zł (wina standaryzowane)

b)

50,00 zł - 100,00 zł (wina luksusowe I kategorii)

c)

100 - 200 zł (wina luksusowe II kategorii )

d)

Powyżej 200,00 zł (wina sezonowane)

7. Jaka zawartość cukru zawiera kupowane przez Pana/Panią wino?(proszę podać jedną
odpowiedź)

a)

wytrawne - do 1,5%,

b)

półwytrawne - 2%-4%,

c)

półsłodkie - 4,5%-7,5%,

d)

słodkie - 8%-16%

8. Jaką zawartość alkoholu zwiera najczęściej kupowane przez Pana/Panią wino? ?(proszę
podać jedną odpowiedź)

a)

lekkie - 9%-11%,

b)

ś

rednio mocne -11%-14%,

c)

mocne - 14%-18%,

9. Czy konsumowane przez Pana/Panią wino jest:

a)

winem stołowym

b)

winem deserowym

c)

likierowym

10. Jakie czynniki bierze Pani/Pan pod uwagę dokonując zakupu wina? (1 – czynnik
całkowicie nieważny, 6 – czynnik bardzo ważny)

Czynniki

1

2

3

4

5

6

marka

cena

elementy

zdrowotne

opakowani

e

opinia

znajomych

„wiek
wina”

27

smak

11. W jakich okolicznościach (sytuacjach) pija Pani/Pan wino? (proszę podać jedną
odpowiedź)

a)

tylko w restauracjach

b)

na przyjęciach

c)

innych lokalach

d)

w domu

e)

inne …………………………

12. Jak często pije Pani/Pan wino? (proszę podać jedną odpowiedź)

a)

raz dziennie

b)

2 razy dziennie ( po obiedzie i kolacji)

c)

częściej niż dwa razy dziennie

d)

raz w tygodniu

e)

kilka razy w tygodniu

f)

raz w miesiącu

13. Z jakich powodów pija Pani/Pan wino? (do wyboru jest więcej niż jeden wariant
odpowiedzi)

a) przyzwyczajenie,
b) działa rozgrzewająco
c) dla zdrowotności
d) walory smakowe
e) walory aromatyczne

14. Czy zwraca Pani/Pan uwagę na markę przy zakupie wina? (proszę podać jedną
odpowiedź)

a)

TAK b) NIE

15. Jaką kwotę miesięcznie skłonna/skłonny jest Pani/Pan wydać na zakup win? (proszę
podać jedną odpowiedź)

a) poniżej 100 zł
b) 100 – 200 zł
c) 200 – 400 zł
d) powyżej 400 zł

16. Jak ocenia Pani/Pan ofertę rynkową marek win? (proszę podać jedną odpowiedź)

bardzo
wąska

1

2

3

4

5

6

bardzo
szeroka

28

17. Czy jest Pani/Pan zainteresowana/zainteresowany zwiększeniem asortymentu na rynku
winiarskim? (proszę podać jedną odpowiedź)

a)

TAK b) NIE

Część II

Proszę o przydzielenie punktów od 0 do 10 zgodnie z Pani/Pana preferencjami.
(proszę wpisać punkty według skali: 0 – najmniej preferuję, 10 – najbardziej preferuję)

Nr profilu

cena

rodzaj

zawarto

ść

cukru

zawarto

ść

alkoholu

Punkty

1

ró

ż

owe

gronowe

wytrawne

lekkie

2

białe

owocowe

półsłodkie

lekkie

3

czerwone

owocowe

słodkie

lekkie

4

białe

owocowe

wytrawne

ś

redniomocne

5

czerwone

gronowe

półsłodkie

ś

redniomocne

6

ró

ż

owe

owocowe

słodkie

ś

redniomocne

7

czerwone

owocowe

wytrawne

mocne

8

ró

ż

owe

owocowe

półsłodkie

mocne

9

białe

gronowe

słodkie

mocne

29

Część III

Proszę zaznaczyć odpowiedź wstawiając znak

x

w kratkę lub

wpisując dane w pole [………….]

1

Płeć

kobieta
mężczyzna

2

Wiek

poniżej 20 lat
20 – 30 lat
30 – 40 lat
40 – 50lat
powyżej 50 lat

3

Stan cywilny

panna / kawaler
zamężna / żonaty
rozwiedziona / rozwiedziony
wdowa / wdowiec
inny [………….]

4

Miejsce zamieszkania

wieś
miasto do 50 tys. mieszkańców
miasto 50–100 tys. mieszkańców
miasto 100–200 tys. mieszkańców
miasto powyżej 200 tys. mieszkańców

5

Wykształcenie

podstawowe
zawodowe
średnie
licencjat
wyższe
podyplomowe

6

Miesięczny dochód
na 1 osobę w rodzinie

poniżej 1000 zł.
1000 – 1500 zł.
1500 – 2000 zł.
2000 – 2500 zł.
2500 – 3000 zł.
3000 – 3500 zł.
powyżej 3500 zł

7

Ź

ródło dochodów

własna działalność gospodarcza
praca dorywcza (sezonowa)
renta lub emerytura
zasiłek dla bezrobotnych
stypendium
na utrzymaniu rodziny
praca najemna
inne [………….]

8

Liczba osób
w gospodarstwie domowym

[………….]

Dziękuję za poświęcenie cennego czasu na wypełnienie ankiety

30

31

Załącznik 2. Skrypt generujący cząstkowy układ czynnikowy (

wina_uklad.r

)

**************************************************************************************************
**************************
# (C) 2009 Andrzej B

ą

k Uniwersytet Ekonomiczny we Wrocławiu

# Przykład skryptu generuj

ą

cego cz

ą

stkowy układ czynnikowy z wykorzystaniem pakietów AlgDesign i

conjoint
# Wheeler R.E. (2012), Package AlgDesign. Algorithmic Experimental Design, http://cran.r-
project.org/web/packages/AlgDesign
# B

ą

k A., Bartłomowicz T. (2012), Package conjoint. Conjoint analysis package, http://cran.r-

project.org/web/packages/conjoint
# Zmiany 12.11.2009, 9.11.2011, 30.09.2012
# Kod poni

ż

szy mo

ż

e by

ć

modyfikowany, kopiowany i rozprowadzany na warunkach licencji GPL 2

# (http://gnu.org.pl/text/licencja-gnu.html), a w szczególno

ś

ci pod warunkiem umieszczenia w

zmodyfikowanym pliku
# widocznej informacji o dokonanych zmianach, wraz z dat

ą

ich dokonania.

#*************************************************************************************************
****************************
library(conjoint)

# układ pelny z numerami poziomów
pelny<-
gen.factorial(c(3,2,3,3),factors="all",varNames=c("barwa","rodzaj","zawarto

ść

cukru","zawarto

ść

alko

holu"))
print(pelny)
print(cor(data.matrix(pelny)))
# układ cz

ą

stkowy z numerami poziomów

czastkowy<-caFactorialDesign(data=pelny,type="fractional")
print(czastkowy)
print(cor(caEncodedDesign(czastkowy)))

# układ pelny z nazwami poziomów
wina<-expand.grid(

barwa=c("ró

ż

owe","białe","czerwone"),

rodzaj=c("gronowe","owocowe"),

zawarto

ść

cukru=c("wytrawne","półsłodkie","słodkie"),

zawarto

ść

alkoholu=c("lekkie","

ś

redniomocne","mocne"))

print(wina)
pelny<-caFactorialDesign(data=wina,type="full")
print(pelny)
print(cor(caEncodedDesign(pelny)))
# układ cz

ą

stkowy z nazwami poziomów

32

czastkowy<-caFactorialDesign(data=pelny,type="fractional")
print(czastkowy)
print(cor(caEncodedDesign(czastkowy)))

### układ cz

ą

stkowy ortogonalny

# układ cz

ą

stkowy ortogonalny z nazwami poziomów

czastkowy_nazwy<-caFactorialDesign(data=wina,type="orthogonal")
print(czastkowy_nazwy)
print(cor(caEncodedDesign(czastkowy_nazwy)))
# układ cz

ą

stkowy ortogonalny z numerami poziomów

czastkowy_numery<-caEncodedDesign(czastkowy_nazwy)
print(czastkowy_numery)
print(cor(czastkowy_numery))
# zapisanie układów z nazwami i numerami w plikach CSV
write.csv2(czastkowy_nazwy,file="wina_profile_nazwy.csv",row.names=FALSE) #układ profilów do
ankiety
write.csv2(czastkowy_numery,file="wina_profile_numery.csv",row.names=FALSE)

#układ profilów do

analizy

33

Załącznik 3. Skrypt wczytujący dane (

wina_dane.r

)

#*************************************************************************************************
****************
# C) 2009 Andrzej B

ą

k Uniwersytet Ekonomiczny we Wrocławiu

# Przykład skryptu wczytuj

ą

cego i wy

ś

wietlaj

ą

cego w oknie konsoli dane

# Zmiany 12.11.2009, 9.11.2011, 30.09.2012
# Kod poni

ż

szy mo

ż

e by

ć

modyfikowany, kopiowany i rozprowadzany na warunkach licencji GPL 2

# (http://gnu.org.pl/text/licencja-gnu.html), a w szczególno

ś

ci pod warunkiem umieszczenia w

zmodyfikowanym pliku
# widocznej informacji o dokonanych zmianach, wraz z dat

ą

ich dokonania.

#*************************************************************************************************
****************

# wczytanie plików danych
profnr<-read.csv2("wina_profile_numery.csv",header=TRUE)

#układ cz

ą

stkowy - profile z

numerami poziomów
profnz<-read.csv2("wina_profile_nazwy.csv",header=TRUE)

#układ cz

ą

stkowy - profile z

nazwami poziomów
prefer<-read.csv2("wina_preferencje.csv",header=TRUE)

#preferencje empiryczne - macierz

nazpoz<-read.csv2("wina_poziomy.csv",header=TRUE)

#nazwy poziomów

prosym<-read.csv2("wina_profile_symulacyjne.csv",header=TRUE)

#profile symulacyjne

# wy

ś

wietlenie wybranych fragmentów plików

print(profnr)

#układ z numerami

(m<-ncol(profnr))

#liczba atrybutów

(p<-nrow(profnr))

#liczba profilów

print(profnz)

#układ z nazwami

print(nrow(prefer))

#liczba respondentów

print(prefer[1:5,])

#preferencje empiryczne pierwszych pi

ę

ciu respondentów

print(prefer[96:100,])

#preferencje empiryczne ostatnich pi

ę

ciu respondentów

print(colnames(profnz))

#nazwy atrybutów

print(nazpoz)

#nazwy poziomów atrybutów

print(prosym)

#profile symulacyjne

34

Załącznik 4. Skrypt realizujący procedurę conjoint analysis (

wina_conjoint.r

)

#*************************************************************************************************
****************
# (C) 2009 Andrzej B

ą

k Uniwersytet Ekonomiczny we Wrocławiu

# Przykład skryptu przeprowadzaj

ą

cego analiz

ę

conjoint

# B

ą

k A., Bartłomowicz T. (2012), Package conjoint. Conjoint analysis package, http://cran.r-

project.org/web/packages/conjoint
# Zmiany: 12.11.2009, 29.11.2009, 30.10.2010, 10.11.2011, 30.09.2012
# Kod poni

ż

szy mo

ż

e by

ć

modyfikowany, kopiowany i rozprowadzany na warunkach licencji GPL 2

# http://gnu.org.pl/text/licencja-gnu.html), a w szczególno

ś

ci pod warunkiem umieszczenia w

zmodyfikowanym pliku
# widocznej informacji o dokonanych zmianach, wraz z dat

ą

ich dokonania.

#*************************************************************************************************
****************

library(conjoint)

# wczytanie plików danych
profnr<-read.csv2("wina_profile_numery.csv",header=TRUE)

#układ cz

ą

stkowy - profile z

numerami poziomów
profnz<-read.csv2("wina_profile_nazwy.csv",header=TRUE)

#układ cz

ą

stkowy - profile z

nazwami poziomów
prefer<-read.csv2("wina_preferencje.csv",header=TRUE)

#preferencje empiryczne - macierz

nazpoz<-read.csv2("wina_poziomy.csv",header=TRUE)

#nazwy poziomów atrybutów

prosym<-read.csv2("wina_profile_symulacyjne.csv",header=TRUE)

#profile symulacyjne

#funkcja caModel() - model dla jednego wybranego (np. 1-pierwszego) respondenta

#model dla respondenta nr 1 (wyraz wolny i parametry bez poziomów odniesienia)
m<-caModel(prefer[1,],profnr)
print(m)

#model dla respondenta nr 1 (wyraz wolny i parametry z poziomami odniesienia, bez nazw poziomów)
m<-caUtilities(prefer[1,],profnr,nazpoz)
print(m)

#model dla respondenta nr 1(z poziomami odniesienia i nazwami poziomów)
m<-caPartUtilities(prefer[1,],profnr,nazpoz)
print(m)

35

36

Załącznik 5. Dane do projektu wina

Profile – plik

wina_profile.csv

> print(profnr)

Nr
profilu

rodzaj

barwa

zawartośćcukru

zawartośćalkoholu

1

1

1

1

1

2

2

2

2

1

3

3

2

3

1

4

2

2

1

2

5

3

1

2

2

6

1

2

3

2

7

3

2

1

3

8

1

2

2

3

9

2

1

3

3

Nazwy poziomów – plik

wina_poziomy.csv

> print(nazpoz)

37

levels

levels

1

różowe

2

białe

3

czerwone

4

gronowe

5

owocowe

6

wytrawne

7

półsłodkie

8

słodkie

9

lekkie

10

ś

redniomocne

11

mocne

Profile symulacyjne – plik

wina_profile_symulacyjne.csv

> print(prosym)

38

barwa

rodzaj

zawartośćcukru

zawartośćalkoholu

1

3

1

2

1

2

2

2

3

1

3

1

2

2

2

4

3

2

3

2

5

3

2

1

3

39

Załacznik 6. Preferencje empiryczne – plik

wina_preferencje_macierz.csv

> print(prefer)

Lp

profil1

profil2

profil3

profil4

profil5

profil6

profil7

profil8

profil9

1

9

3

0

8

2

0

4

1

0

2

3

5

1

5

3

1

5

3

1

3

10

10

1

1

4

5

1

5

1

4

3

1

2

1

4

4

10

9

6

5

6

3

3

4

6

3

2

3

3

6

9

9

8

6

7

5

3

4

3

7

5

5

6

9

6

7

8

7

6

8

3

5

1

2

7

1

2

6

2

9

7

8

2

5

7

5

2

2

2

10

3

5

5

0

10

5

3

4

10

11

4

4

4

1

8

1

1

8

10

12

3

5

9

4

7

9

5

8

8

13

5

8

2

3

4

2

2

4

1

14

5

5

2

5

5

2

1

1

1

40

15

8

6

5

4

2

2

3

1

1

16

8

7

0

4

3

2

0

0

1

17

2

3

8

2

2

7

2

6

7

18

2

8

2

9

8

3

6

3

6

19

5

10

4

4

8

7

4

4

4

20

8

7

6

5

5

5

4

4

4

21

8

3

3

7

7

3

7

4

10

22

9

5

3

2

5

3

4

3

3

23

6

5

6

5

5

4

6

6

5

24

5

7

7

5

4

6

3

7

3

25

2

4

3

1

3

8

1

5

8

26

3

6

8

3

6

9

2

7

9

27

3

10

8

4

10

4

1

8

6

28

9

10

6

3

6

6

9

6

4

29

3

1

7

5

5

8

3

7

9

30

9

10

10

8

8

8

7

6

5

31

5

7

6

5

6

7

8

6

6

32

1

6

9

3

5

7

2

8

9

41

33

5

3

8

6

8

4

2

3

8

34

7

9

9

7

7

8

8

8

8

35

5

7

9

4

7

9

3

5

7

36

6

5

7

8

8

9

9

10

9

37

8

7

5

6

9

6

7

9

10

38

2

3

4

6

7

8

10

7

6

39

4

5

3

4

5

7

8

10

6

40

8

3

4

8

10

8

6

4

8

41

1

2

1

1

3

1

1

1

10

42

5

9

8

3

5

4

1

8

10

43

3

8

3

3

6

2

2

3

9

44

3

1

1

7

4

1

6

2

1

45

8

9

1

7

7

1

7

7

1

46

1

5

5

1

5

10

1

5

10

47

9

6

3

8

5

2

8

3

2

48

8

1

1

3

9

2

7

2

2

49

0

10

3

5

1

4

8

6

2

50

3

7

5

5

3

5

3

9

3

42

51

9

3

3

5

1

2

0

0

1

52

2

4

2

5

1

1

1

6

7

53

0

1

5

1

1

6

4

2

1

43

Załącznik 7. Teoretyczne użyteczności całkowite profilów w przekroju respondentów

[1] "Total utilities of profiles a cross of respondents:"

[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9]

[1,] 8,667 3 0,333 8,333 1,667 0 4 1,333 -0,333

[2,] 3,333 5 0,667 4,667 3,333 1 5 2,667 1,333

[3,] 8,667 10 2,333 2,333 2,667 5 1 6,333 -0,333

[4,] 2,833 1 2,167 1,167 3,833 4 10 9,167 5,833

[5,] 5,167 3 3,833 4,833 5,167 3 2 3,833 2,167

[6,] 8,833 9 8,167 6,167 6,833 5 3 4,167 2,833

[7,] 5,833 5 5,167 8,167 6,833 7 8 6,167 6,833

[8,] 2,500 5 1,500 2,500 6,500 1 2 6,500 1,500

[9,] 5,833 8 3,167 6,167 5,833 5 2 3,167 0,833

[10,] 0,667 5 7,333 2,333 7,667 5 3 6,333 7,667

[11,] 2,500 4 5,500 2,500 6,500 1 1 9,500 8,500

[12,] 3,500 5 8,500 3,500 7,500 9 5 7,500 8,500

[13,] 4,833 8 2,167 3,167 3,833 2 2 4,167 0,833

[14,] 4,500 5 2,500 5,500 4,500 2 1 1,500 0,500

[15,] 7,833 6 5,167 4,167 1,833 2 3 1,167 0,833

[16,] 6,667 7 1,333 5,333 1,667 2 0 1,333 -0,333

[17,] 2,833 3 7,167 1,167 2,833 7 2 5,167 7,833

[18,] 1,667 8 2,333 9,333 7,667 3 6 3,333 5,667

[19,] 4,167 10 4,833 4,833 7,167 7 4 4,833 3,167

[20,] 7,667 7 6,333 5,333 4,667 5 4 4,333 3,667

[21,] 6,167 3 4,833 8,833 5,167 3 7 5,833 8,167

[22,] 7,500 5 4,500 3,500 3,500 3 4 4,500 1,500

[23,] 6,167 5 5,833 4,833 5,167 4 6 5,833 5,167

[24,] 6,167 7 5,833 3,833 5,167 6 3 5,833 4,167

44

[25,] 1,333 4 3,667 1,667 2,333 8 1 5,667 7,333

[26,] 3,000 6 8,000 3,000 6,000 9 2 7,000 9,000

[27,] 3,167 10 7,833 3,833 10,167 4 1 7,833 6,167

[28,] 8,333 10 6,667 3,667 5,333 6 9 6,667 3,333

[29,] 3,333 1 6,667 4,667 5,333 8 3 6,667 9,333

[30,] 9,333 10 9,667 7,667 8,333 8 7 5,667 5,333

[31,] 5,000 7 6,000 5,000 6,000 7 8 6,000 6,000

[32,] 1,833 6 8,167 2,167 5,833 7 2 7,167 9,833

[33,] 4,333 3 8,667 6,667 7,333 4 2 3,667 7,333

[34,] 7,333 9 8,667 6,667 7,333 8 8 7,667 8,333

[35,] 4,833 7 9,167 4,167 6,833 9 3 5,167 6,833

[36,] 6,333 5 6,667 7,667 8,333 9 9 9,667 9,333

[37,] 6,833 7 6,167 7,167 7,833 6 7 10,167 8,833

[38,] 2,333 3 3,667 5,667 7,333 8 10 6,667 6,333

[39,] 4,333 5 2,667 3,667 5,333 7 8 9,667 6,333

[40,] 6,333 3 5,667 9,667 8,333 8 6 5,667 6,333

[41,] -0,833 2 2,833 2,833 1,167 1 1 2,833 8,167

[42,] 4,833 9 8,167 3,167 4,833 4 1 8,167 9,833

[43,] 1,500 8 4,500 4,500 4,500 2 2 4,500 7,500

[44,] 3,333 1 0,667 6,667 4,333 1 6 1,667 1,333

[45,] 7,833 9 1,167 7,167 6,833 1 7 7,167 0,833

[46,] 0,167 5 5,833 1,833 4,167 10 1 5,833 9,167

[47,] 8,667 6 3,333 8,333 4,667 2 8 3,333 1,667

[48,] 5,833 1 3,167 5,167 6,833 2 7 4,167 -0,167

[49,] 1,833 10 1,167 3,167 2,833 4 8 4,167 3,833

[50,] 4,667 7 3,333 3,333 4,667 5 3 7,333 4,667

[51,] 8,500 3 3,500 5,500 0,500 2 0 0,500 0,500

[52,] 2,500 4 1,500 4,500 1,500 1 1 5,500 7,500

[53,] 1,000 1 4,000 0,000 2,000 6 4 1,000 2,000

[1] "Average importance of factors (attributes):"

45

[1] 18,78 13,58 36,95 30,69

[1] Sum of average importance: 100