ANALIZA PREFERENCJI KONSUMENTÓW Z WYKORZYSTANIEM PROGRAMU STATISTICA dla ANALIZ MARKETINGOWYCH I RYNKOWYCH


��StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl ANALIZA PREFERENCJI KONSUMENT�W Z WYKORZYSTANIEM PROGRAMU STATISTICA  ANALIZA CONJOINT I SKALOWANIE WIELOWYMIAROWE Adam Sagan, Uniwersytet Ekonomiczny w Krakowie Preferencje w zachowaniach konsumenta Badania preferencji konsument�w stanowi podstawowe pole zainteresowaD badaczy mar- ketingowych. Stanowi one podstawow kategori badawcz w modelowaniu zachowaD konsument�w na rynku, uwzgldniajc racjonalno[ procesu podejmowania decyzji. Gintis wymienia szereg zaBo|eD zwizanych z rol preferencji w procesie racjonalnego zachowania konsument�w na rynku: preferencje dotycz zar�wno efekt�w procesu decyzyjnego, np. ilo[ci i jako[ci por�wnywanych ofert rynkowych (outcome-related prefe- rences), jak r�wnie| dotycz samego procesu odnoszcego si do dystrybucji i komunikacji ofert (proces-related preferences), zr�dBa preferencji mog odnosi si do wBasnego systemu warto[ciowaD i zadowolenia z ofert (self-regarding preferences), jak i wchodzi w interakcje z preferencjami innych konsument�w i ich systemami warto[ci (other-regar- ding preferences), preferencje mog by traktowane jako autonomiczne, wynikajce z realizowanych cel�w konsumenta (exogenous preferences) lub s ujmowane jako efekt modelowania poprzez mod, reklam lub na[ladownictwo (endogenous preferences)1. W badaniach marketingowych wyr�|nia si dwie podstawowe grupy modelowego ujcia preferencji konsument�w. Do pierwszej nale| tzw. modele kompensacyjne, wynikajce z zaBo|eD mikroekonomicznych racjonalnego zachowania konsumenta: neutralizacji alternatyw wyboru (cancellation), przechodnio[ci (transitivity), dominacji (dominance) i niezmienniczo[ci ( invariance). Do modeli kompensacyjnych nale| model oczekiwanej warto[ci oraz model idealnej marki. Druga grupa modeli preferencji tzw. modele niekom- pensacyjne, s cz[ciej rozwa|ane w ramach nurt�w ewolucyjnych w ekonomii i ekolo- gicznych w psychologii. Do tych modeli zalicza si model leksykograficzny, model koniunkcyjny, model dysjunkcyjny oraz model determinacji. 1 Gintis H., The individual in economic theory: a research agenda, Dept. of Economics, University of Massachusetts, Amherst, 1998. 3 Copyright � StatSoft Polska 2009 www.StatSoft.pl StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Metody pomiaru preferencji Preferencje konsument�w s najcz[ciej traktowane jako nieobserwowalny bezpo[rednio konstrukt teoretyczny, wynikajcy z okre[lonej teorii mikroekonomicznej lub modelu zachowania konsumenta. Ich pomiar dokonywany jest na podstawie okre[lonych deklaracji wyra|onych na odpowiednich skalach pomiarowych (stated preferences) lub ujawniane s poprzez obserwacje rzeczywistych rynkowych wybor�w konsument�w (revealed prefe- rences). Najbardziej popularne ujcie metod pomiaru preferencji wynikaj z teorii danych zaproponowanej przez C. H. Coombsa, kt�ry zaproponowaB klasyfikacje rodzaju uzyskiwa- nych danych, jak i metod ich gromadzenia i analizy na podstawie dw�ch kryteri�w: charak- teru relacji midzy danymi oraz liczby por�wnywanych typ�w obiekt�w. Z punktu widzenia charakteru relacji dane mog mie charakter relacji podobieDstwa (blisko[ci) lub dominacji (preferencji), a z punktu widzenia typ�w por�wnywanych obiekt�w por�wnania mog by dokonywane w obrbie jednego zbioru (jednostka vs obiekt) lub dw�ch zbior�w obiekt�w (np. par punkt�w A-B vs C-D ). Skrzy|owanie tych kryteri�w daje w kon- sekwencji cztery podstawowe rodzaje danych: 1/ pojedynczego bodzca, 2/ preferencyjnego wyboru, 3/ por�wnania bodzc�w i 4/ podobieDstwa midzy bodzcami. Pierwszy rodzaj danych jest charakterystyczny dla skal ocen (np. Guttmana czy Likerta), drugi typ danych cechuje wielowymiarowe skalowanie preferencji oparte na teorii rozwijania (unfolding), trzeci jest wBa[ciwy dla skal por�wnawczych rangowych, por�wnaD preferencyjnych par obiekt�w, skali V Thurstone a, porzdkowego sortowania i techniki punktu kotwicznego, a czwarty rodzaj danych obejmuje dane uzyskane na podstawie ocen podobieDstw midzy parami diad obiekt�w (skala por�wnaD par), sortowania i techniki triad stanowicych pod- staw wielowymiarowych skal percepcji2. W badaniach preferencji konsument�w typo- wym rodzajem uzyskiwanych danych s dane oparte na por�wnywaniu bodzc�w (skale rangowe, por�wnaD par, punktu kotwicznego) oraz dane preferencyjnego wyboru odno- szcego si do r�|nic midzy obiektem a punktem idealnym (jednostk). S one podstaw wyboru midzy kompozycyjnymi a dekompozycyjnymi metodami pomiaru preferencji. Wyr�|nia si trzy podstawowe grupy metod pomiaru preferencji. Pierwsz grup metod stanowi tzw. metody dekompozycyjne, drug grup metody kompozycyjne pomiaru pre- ferencji, a trzeci  metody mieszane. Metody dekompozycyjne s gB�wnie zwizane z danymi uzyskiwanymi na podstawie por�wnywania obiekt�w midzy sob. Podstaw pomiaru preferencji jest r�wnoczesna ocena, szeregowanie (lub wyb�r) por�wnywanego zbioru marek lub kategorii produkt�w opisanych za pomoc charakteryzujcego je zbioru atrybut�w o okre[lonych poziomach lub wBasno[ciach (realizacjach). Respondenci ocenia- j, ranguj lub dokonuj wybor�w profili produkt�w i na tej podstawie szacowane s caB- kowite ich u|yteczno[ci. W kolejnym etapie analizy u|yteczno[ci caBkowite s dekompo- nowane (std nazwa podej[cia) na u|yteczno[ci czstkowe poszczeg�lnych poziom�w lub wBasno[ci atrybut�w. Do podstawowych metod analizy struktury preferencji w tym nurcie 2 C.H. Coombs, R.M. Dawes, A. Tversky, Wprowadzenie do psychologii matematycznej, PWN Warszawa 1977, s. 62. 4 www.StatSoft.pl Copyright � StatSoft Polska 2009 StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl nale|y analiza conjoint (zwana tak|e analiz Bcznego wsp�Bwystpowania zmiennych i po- miarem wieloczynnikowym). Metody kompozycyjne polegaj na niezale|nych wa|onych ocenach lub por�wnaniach poszczeg�lnych cech produkt�w dokonywanych na podstawie skal ocen lub rangowych wraz z og�ln ocen preferencji tych produkt�w. WpByw oceny danego poziomu cechy na inny nie jest w tym podej[ciu identyfikowany S one silniej zwizane z danymi dotycz- cymi wybor�w preferencyjnych. Na podstawie dokonanych ewaluacji poszczeg�lnych cech uzyskiwana jest og�lna struktura preferencji danego zbioru produkt�w (std nazwa podej- [cia). Podstawow metod analizy preferencji w tym nurcie jest wielowymiarowe skalowa- nie preferencji wyra|one w postaci map graficznych zbudowanych w zredukowanej przes- trzeni wielowymiarowej. Metody mieszane stanowi poBczenie poprzednich podej[. Do najbardziej znanych metod mieszanych nale| hybrydowe i adaptacyjne metody analizy conjoint3. W opracowaniu zostan przedstawione zastosowania programu STATISTICA w trzech typach analiz zwizanych z badaniami preferencji konsument�w: 1/ analizy conjoint, 2/ budowy skali V ocen por�wnawczych Thurstone a i 3/ analizy dopasowania wBasno[ci (property fitting  PROFIT) z wykorzystaniem poBczonych metod wielowymiarowego skalowania percepcji i analizy regresji. Analiza conjoint Analiza conjoint jest zestawem procedur pomiarowo-analitycznych opartych na zasadzie (teorii) pomiaru psychometrycznego, zwanej zasad r�wnoczesnego addytywnego pomiaru Bcznego. Zgodnie z ni pomiar danej cechy wyra|onej poprzez warto[ci zmiennej (zale|- nej) jest mo|liwy z wykorzystaniem przyczynowo zwizanych zmiennych niezale|nych oddziaBywajcych na mierzon cech w spos�b jednoczesny i addytywny. Podstawowe kroki w analizie conjoint s nastpujce4: 1. Okre[lenie przedmiotu analizy: specyfikacja skali pomiaru preferencji (ocena, ranking lub wyb�r profilu), wyb�r badanych produkt�w, ich cech oraz poziom�w. Na tym etapie nale|y okre[li tak|e liczb profili powstaBych na podstawie kombinacji cech i ich poziom�w. Liczba ta zale|y od mo|liwo[ci percepcji respondent�w, metody estymacji modelu i liczebno[ci pr�by. Dla popularnych w analizie conjoint metod regresyjnych minimalna liczba profili jest r�wna Bcznej liczbie poziom�w cech minus liczba atrybut�w plus jeden. 3 Zob. Analiza danych marketingowych. Problemy, metody, przykBady, red. A. Stanimir, AE WrocBaw 2006, s. 162. 4 Na temat analizy conjoint zob.: M. Walesiak, A. Bk, Conjoint analysis w badaniach marketingowych, AE WrocBaw 2000, A. Bk, Analiza conjoint, w:, M. Walesiak, E. Gatnar, Statystyczna analiza danych z wyko- rzystaniem programu R, PWN Warszawa 2009, s. 283-317. 5 Copyright � StatSoft Polska 2009 www.StatSoft.pl StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl 2. Okre[lenie postaci modelu: zale|no[ci midzy zmiennymi niezale|nymi (modele bez interakcji i z interakcjami midzy poziomami cech) i przyjmowany model preferencji. Najcz[ciej jest to model kompensacyjny oczekiwanej warto[ci  liniowy (wektorowy), idealnej marki  kwadratowy lub dyskretny model odrbnych u|yteczno[ci czstkowych. 3. Spos�b gromadzenia danych i generowania profili: wyb�r midzy metod peBnych pro- fili, por�wnywania profili parami, por�wnywania atrybut�w parami lub wyboru profilu. Profile te mog by generowane za pomoc plan�w czynnikowych lub metod losow. 4. Wyb�r skali pomiaru preferencji: ma wpByw na metod estymacji parametr�w modelu, uwzgldnienie interakcji midzy poziomami zmiennych niezale|nych, spos�b reagowa- nia respondenta na przedstawiane profile. Do najcz[ciej wykorzystywanych skal pomia- ru preferencji nale| skale: rangowe, szacunkowe skale ocen i skale por�wnaD parami. 5. Metoda estymacji modelu: metody niemetryczne (np. monotoniczna analiza wariancji MONANOVA), metody metryczne (metoda najmniejszych kwadrat�w) i metody proba- bilistyczne (regresja logistyczna i probitowa). Wyb�r metody estymacji zale|y przede wszystkim od skali pomiaru zmiennej zale|nej. Dla skal metrycznych (skal ocen, stop- niowalnych skal por�wnaD parami) stosowana jest metoda najmniejszych kwadrat�w, dla skal porzdkowych (rangowych, por�wnaD par) wykorzystywana jest monotoniczna ana- liza wariancji, a dla podej[ opartych na dyskretnych wyborach  modele logitowe i probitowe. 6. Interpretacja i wykorzystanie wynik�w: ocena u|yteczno[ci caBkowitych i czstkowych, interpretacja profili u|yteczno[ci, ranking wa|no[ci atrybut�w, analiza kompromis�w (trade-off). Wyniki analizy mog by wykorzystywane do symulacji udziaB�w rynko- wych (na podstawie modeli u|yteczno[ci maksymalnej, probabilistycznego modelu Bradleya-Terryego-Luce a lub modelu logitowego), analiz optymalizacyjnych nowego produktu i badaD segmentacyjnych konsument�w na podstawie warto[ci u|yteczno[ci czstkowych w segmentacji post-hoc. Analiza conjoint w programie STATISTICA Program STATISTICA umo|liwia przeprowadzenie analizy conjoint z wykorzystaniem metody najmniejszych kwadrat�w. Oznacza to, |e do analizy przyjmowane s zmienne zale|ne mierzone na skali co najmniej przedziaBowej, zale|no[ midzy poziomami cech produktu a ujawnionymi preferencjami jest liniowa i identyfikowane s jedynie efekty gB�wne bez interakcji. Program analizy conjoint znajduje si w dodatkowym programie, zwanym STATISTICA dla badaD marketingowych i rynkowych, kt�ry umo|liwia wyko- nanie wielu dodatkowych analiz nie znajdujcych si w podstawowym pakiecie programu. Analiza conjoint jest dostpna w grupie Analizy (zob. rys. 1). 6 www.StatSoft.pl Copyright � StatSoft Polska 2009 StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Rys. 1. Program STATISTICA dla badaD marketingowych i rynkowych. W celu wykonania analizy conjoint zmienne niezale|ne stanowice poziomy cech produkt�w musz by wyra|one w postaci tzw. zmiennych sztucznych. Dodatkowy program pozwala na automatyczne przekodowanie zmiennych kategorialnych w zmienne sztuczne, wykorzystujc zero-jedynkowe kodowanie regresyjne (tzw. reference coding, dummy coding), kodowanie eksperymentalne z sigma ograniczeniami (tzw. ANOVA coding, effect coding, deviation coding) i kodowanie ortogonalne. Rys. 2. ModuB kodowania zmiennych sztucznych w STATISTICA dla badaD marketingowych i rynkowych. W programie analizy conjoint automatycznie mo|na wykona kodowanie zero-jedynkowe lub eksperymentalne. Rys. 3. Analiza conjoint w STATISTICA dla badaD marketingowych i rynkowych. 7 Copyright � StatSoft Polska 2009 www.StatSoft.pl StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Po przeprowadzeniu automatycznego rekodowania zmiennych niezale|nych zbudowany zostanie plik wej[ciowy do analizy. Rys. 4. Plik wej[ciowy do analizy conjoint. Plik wej[ciowy skBada si ze zmiennej identyfikujcej prezentowane w badaniach profile produkt�w (zmienna Profil), zmiennych sztucznych okre[lajcych poziomy cech produktu (Cena, Smak, Marka), zmiennej zale|nej dotyczcej pomiaru preferencji (Ocena) i zmien- nej reprezentujcej kod respondenta (Respondent). W przykBadzie wykonano kodowanie quasi-eksperymentalne. Po wyborze odpowiednich zmiennych do analizy program wykonuje analiz conjoint i przedstawia oszacowane parametry regresji, stanowice czstkowe u|yteczno[ci poszcze- g�lnych poziom�w cech. Macierz u|yteczno[ci czstkowych dla pierwszych czterech respondent�w jest podana poni|ej. Rys. 5. Macierz u|yteczno[ci czstkowych. Tabela przedstawia warto[ci czstkowych u|yteczno[ci poziom�w zmiennych dla poszcze- g�lnych badanych. Nale|y zauwa|y, |e warto[ u|yteczno[ci dla referencyjnego poziomu danej zmiennej dla kodowania eksperymentalnego wynosi 1- suma pozostaBych u|ytecz- no[ci (w przypadku kodowania regresyjnego zawsze wynosi zero). Wygodnym sposobem przedstawiania zagregowanych poziom�w u|yteczno[ci dla posz- czeg�lnych atrybut�w s wykresy interakcji. 8 www.StatSoft.pl Copyright � StatSoft Polska 2009 StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Cena 0,4 0,3 0,2 0,1 0,0 -0,1 -0,2 -0,3 -0,4 -0,5 cena 1.5 cena 2.0 cena 2.5 cena 3.0 Rys. 6. Wykres u|yteczno[ci czstkowych dla ceny. Wykres 6 przedstawia struktur preferencji dla poszczeg�lnych poziom�w ceny. Wynika z niego, |e u|yteczno[ ceny dosy dobrze opisuje model wektorowy  im wy|szy poziom ceny ciastek, tym ni|sza warto[ funkcji u|yteczno[ci. Smak 0,10 0,08 0,06 0,04 0,02 0,00 -0,02 -0,04 -0,06 -0,08 -0,10 -0,12 neutralny rodzy nki ananas orzech Rys. 7. Wykres u|yteczno[ci czstkowych dla smaku. 9 Copyright � StatSoft Polska 2009 www.StatSoft.pl U|yteczno[ czstkowa U|yteczno[ czstkowa StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Dla poszczeg�lnych kategorii smaku ciasta zdecydowanie najsilniej preferowanym jest smak neutralny (bez dodatk�w smakowych), w nastpnej kolejno[ci smak rodzynkowy, ananasowy i orzechowy. Marka 0,4 0,3 0,2 0,1 0,0 -0,1 -0,2 -0,3 mieszana producenta dy stry butora Rys. 8. Wykres u|yteczno[ci czstkowych dla marki. Ostatni analizowan cech jest charakter marki. Najbardziej preferowane s marki produ- centa, w nastpnej kolejno[ci marki dystrybutora i mieszane. Na podstawie informacji o strukturze czstkowych u|yteczno[ci mo|na obliczy u|ytecz- no[ci caBkowite dla ka|dej kombinacji cech produktu i ka|dego respondenta. Rys. 9. U|yteczno[ci caBkowite. Wygodnym sposobem interpretacji atrybut�w jest prezentacja wzgldnej ich wa|no[ci dla ka|dego respondenta. 10 www.StatSoft.pl Copyright � StatSoft Polska 2009 U|yteczno[ czstkowa StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Rys. 10. Tabela wzgldnej wa|no[ci czynnik�w. Z tabeli wynika, |e dla respondenta nr 1 najwa|niejszym atrybutem jest cena, nastpnie smak i marka, a np. dla respondenta nr 3 najwa|niejsz cech okazaBa si marka, w dalszej kolejno[ci smak i cena. Sumaryczne zestawienie wzgldniej wa|no[ci atrybut�w w przekroju wszystkich badanych jest uwidocznione na rys. 11. Wa|no[ zmiennych 40.0% 35.0% 30.0% 25.0% 20.0% 15.0% 10.0% 5.0% 0.0% Cena Marka Smak Czynnik Rys. 11. Wykres wzgldnej wa|no[ci czynnik�w. Z rysunku wynika, |e najwa|niejszym czynnikiem przy wyborze badanych ciastek jest smak, a kolejne miejsca zajmuj marka i cena. Uszeregowanie wszystkich kombinacji atrybut�w wraz z caBkowitymi u|yteczno[ciami dla danego profilu jest przedstawione w tabeli. 11 Copyright � StatSoft Polska 2009 www.StatSoft.pl Wa|no[ czynnika (w %) StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Rys. 12. Struktura u|yteczno[ci profili marek. Najwy|szymi preferencjami charakteryzuj si ciastka o marce producenta, cenie na poziomie 1.5 i smakiem neutralnym, nastpnie inne produkty o tej samej cenie i marce o innych smakach. Metoda ocen por�wnawczych Thurstone a Metoda ocen por�wnawczych Thurstone a umo|liwia zbudowanie jednowymiarowej me- trycznej skali preferencji na podstawie danych o preferencjach uzyskanych z wykorzysta- niem skali por�wnaD parami. Metoda ta nosi te| nazw modelu V ocen por�wnawczych Thurstone a, kt�ry wraz z modelem III Thurstone a i modelem Takane-Thurstone a jest najcz[ciej stosowanym podej[ciem w pomiarze preferencji traktowanych jako cigBa metryczna zmienna ukryta. Taki spos�b ujcia preferencji wymaga speBnienia pewnych zaBo|eD5: preferencje ujawnione na podstawie wybor�w z par por�wnywanych marek produkt�w maj charakter cigBy (cigBy proces dyskryminacyjny), w ramach danej pary obiekt�w wyb�r danego obiektu jest dokonany na zasadzie maksymalizacji cigBych preferencji dotyczcych por�wnywanych marek, rozkBad ukrytych i cigBych preferencji w populacji jest normalny, preferencje s niezale|ne od siebie i maj wsp�lne zr�dBo wariancji, prawdopodobieDstwo nieprzechodnich preferencji jest r�|ne od zera, rozkBad bBd�w pomiaru jest normalny i s one nieskorelowane. 5 Zob. C.H. Coombs, R.M. Dawes, A. Tversky, Wprowadzenie do psychologii matematycznej, PWN Warszawa 1977, s. 71-83. 12 www.StatSoft.pl Copyright � StatSoft Polska 2009 StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Skala por�wnaD parami obok prostej skali rangowej jest najcz[ciej wykorzystywan skal sBu|c do gromadzenia danych o preferencjach. W odr�|nieniu od absolutnych i mona- dycznych skal ocen maj one charakter skal wzgldnych i por�wnawczych, okre[lajcych miejsce danej cechy lub marki ze wzgldu na inn analizowan cech lub mark. Skale rangowe ze wzgldu na swoj konstrukcj uwzgldniaj jedynie preferencje przechodnie i nie pozwalaj na uwzgldnienie nieprzechodnich preferencji (je|eli A jest preferowane nad B i B nad C, to zawsze A jest preferowane nad C, co jest uwzgldniane w uporzdko- waniu rangowym A  1, B  2, C  3). Skala por�wnaD parami umo|liwia r�wnie| identy- fikacj preferencji nieprzechodnich, bowiem ka|da para marek jest por�wnywana niezale|nie, co pozwala na ocen sytuacji, w kt�rej A jest preferowane nad B, B jest prefe- rowane nad C, a C jest preferowane nad A. W skali por�wnaD parami dla n por�wnywa- nych marek wszystkich por�wnaD jest n(n-1)/2, a liczba par nieprzechodnich wynosi n!. Podstawowe etapy w metodzie ocen por�wnawczych s nastpujce6: 1. Wyb�r zbioru por�wnywanych marek. 2. Okre[lenie sposobu prezentacji: skala rangowa, porzdkowanie marek, skala por�wnaD parami. Ostatnia skala jest najbardziej uniwersalnym sposobem identyfikacji preferencji, poniewa| wyniki skali rangowej lub porzdkowania zawsze mo|na przedstawi w pos- taci por�wnania parami, natomiast odwrotna procedura jest mo|liwa jedynie w przy- padku par przechodnich. 3. Zestawienie ocen por�wnaD: proporcje odpowiedzi wskazujcych na preferowane mar- ki w danej kolumnie nad mark w wierszu. Macierz quasi-symetryczna ze wskazni- kami powy|ej i poni|ej przektnej dopeBniajcymi si do jedno[ci. 4. Stworzenie tablicy rozkBadu zmiennej standaryzowanej Z odczytanych z tablicy rozkBa- du normalnego z warto[ciami dodatnimi dla marek dominujcych i ujemnymi dla ich dominowanych odpowiednik�w poni|ej przektnej. 5. Obliczenie [redniej warto[ci Z dla ka|dej kolumny. 6. Centrowanie warto[ci Z - przyjcie za ukBad odniesienia marki (kolumny) o najni|szej [redniej. 7. Przedstawienie jednowymiarowej skali na osi graficznej. Budowa skali ocen por�wnawczych w programie STATISTICA W programie STATISTICA skala ocen por�wnawczych Thurstone a mo|e by zbudowana na podstawie prostej skali rangowej lub skali por�wnaD parami. Znajduje si ona w progra- mie STATISTICA dla badaD marketingowych i rynkowych w grupie Analizy (zob. rys. 1). 6 J. Bazarnik, T. GrabiDski, E. Kciak, S. Mynarski, A. Sagan, Badania marketingowe. Metody i oprogramowa- nie komputerowe, Fogra Krak�w 1991, s. 82-83. 13 Copyright � StatSoft Polska 2009 www.StatSoft.pl StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Rys. 13. Model ocen por�wnawczych. W przykBadzie zastosowano skal rangow napoj�w chBodzcych, w kt�rej respondeci szeregowali 7 typ�w napoj�w chBodzcych na skali rangowej, gdzie ocena 1 oznaczaBa najmniej preferowany nap�j, a 7  najbardziej preferowany. Rys. 14. Dane wej[ciowe  ranking napoj�w. Dane w postaci skali rangowej s nastpnie przetwarzane na wyniki por�wnaD parami poszczeg�lnych obiekt�w. Rys. 15. Tabela por�wnaD parami. 14 www.StatSoft.pl Copyright � StatSoft Polska 2009 StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Rysunek przedstawia wyniki por�wnaD. Dla przykBadu: respondent nr 1 w parze  herbata  kompot preferuje herbat mro|on jako odpowiedni nap�j chBodzcy (herbata ma rang 7, a kompot otrzymaB rang 3). Dla badanego nr 3 lepszym napojem chBodzcym jest kompot (ranga 3) w por�wnaniu do herbaty (ranga 2)7. Na podstawie ocen por�wnawczych tworzona jest tabela proporcji, w jakiej dany nap�j (w kolumnie) jest preferowany nad inny (w wierszu). Rys. 16. Tabela proporcji. Na rysunku przedstawione s wyniki por�wnaD, w kt�rych np. 50% badanych preferuje kompot nad soki, a 90% respondent�w uznaje, |e lepszym napojem chBodzcym jest woda niegazowana ni| napoje gazowane. Na podstawie wynik�w sumarycznych obliczane s warto[ci Z rozkBadu normalnego, kt�re s nastpnie u[redniane i centrowane. Rys. 17. Warto[ci Z rozkBadu normalnego dla proporcji. W koDcowym etapie analizy, na podstawie u[rednionych i centrowanych warto[ci Z, tworzona jest graficzna przedziaBowa jednowymiarowa skala ocen por�wnawczych. 7 Skala rangowa umo|liwia identyfikacje jedynie relacji przechodnich w strukturze preferencji. Skala por�wnaD parami pozwala na uzyskanie informacji zar�wno o preferencjach przechodnich jak i nieprzechodnich. Kodo- wanie zero-jedynkowe skali por�wnaD parami jest wygodnym sposobem kodowania danych rangowych. Ten rodzaj danych wej[ciowych jest podstaw wielu analiz wielowymiarowych takich jak analiza czynnikowa i modelowanie strukturalne danych rangowych. Zob. A. Sagan, Modelowanie strukturalne w testowaniu nowego produktu  analiza ocen por�wnawczych Thurstone a, w: red. S. Kaczmarczyk, M. Schultz, Zastoso- wania badaD marketingowych w procesie tworzenia nowych produkt�w, Dom Organizatora ToruD 2008. 15 Copyright � StatSoft Polska 2009 www.StatSoft.pl StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Rys. 18. PrzedziaBowa jednowymiarowa skala ocen por�wnawczych. Na podstawie uzyskanej skali mo|na nie tylko szeregowa preferencje respondent�w, ale r�wnie| okre[la  odlegBo[ci midzy szeregowanymi napojami. Z rysunku wynika, |e w strukturze napoj�w chBodzcych mo|na wyodrbni 3 grupy preferowanych napoj�w. Do pierwszej nale|y kefir i herbata mro|ona (najbardziej preferowane), do drugiej o podobnych preferencjach zaliczy mo|na: soki, kompot, napoje typu cola i wod, a zdecydowanie najsBabiej preferowanym typem napoj�w s napoje gazowane. Relacje powy|sze mo|na przedstawi w macierzy odlegBo[ci midzy napojami. Rys. 19. Macierz odlegBo[ci. Obliczona macierz odlegBo[ci pozwala na reprezentacj ukBad�w preferencji za pomoc skalowania wielowymiarowego. Analiza PROFIT Analiza PROFIT (PROperty FITting) jest rodzajem  zewntrznej mapy preferencji, w kt�rej na podstawie mapy percepcji uzyskanej za pomoc klasycznego niemetrycznego 16 www.StatSoft.pl Copyright � StatSoft Polska 2009 StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl skalowania wielowymiarowego (MDS) i informacji o pozycji marek na stworzonej mapie, wprowadzone s  z zewntrz dane o preferencjach analizowanych marek z punktu widze- nia charakteryzujcych je cech. Metoda zostaBa opracowania przez J. D. Carroll i J. J. Changa. Aczy ona wyniki skalowania wielowymiarowego percepcji i analizy reg- resji wielorakiej8. W pierwszym etapie analizy PROFIT wykorzystywane jest skalowanie wielowymiarowe sBu|ce do budowy map percepcyjnych. Podstaw budowy takiej mapy jest macierz reprezentujca relacje podobieDstwa /blisko[ci midzy analizowanymi markami pro- dukt�w. Najcz[ciej spotyka si dwa typy macierzy danych: 1/ odlegBo[ci euklidesowych, Manhattan lub innych, zbudowane na podstawie ocen por�wnywanych marek z punktu widzenia przyjtych atrybut�w, dajcych syntetyczn ocen niepodobieDstw (odmienno[ci) midzy markami; 2/ por�wnaD parami ka|dej kombinacji pary marek z ka|d bez wyr�|- niania ich cech, dajc og�lny obraz podobieDstw midzy markami wyra|ony w macierzy rang (para najbardziej podobna ma najni|sz rang, a para najmniej podobna  najwy|sz). W pierwszym podej[ciu stosowane s procedury metrycznego skalowania wielowymiaro- wego (dane wej[ciowe s metryczne i dane wyj[ciowe z analizy s metryczne), a w drugim stosuje si niemetryczne skalowanie wielowymiarowe (dane wej[ciowe s niemetryczne, a dane wyj[ciowe s metryczne). W metodzie PROFIT stosuje si najcz[ciej niemetryczne skalowanie wielowymiarowe na podstawie skal por�wnaD parami lub por�wnania w tria- dach (bez uwzgldnienia cech), chocia| stosowa mo|na tak|e skalowanie metryczne. Kolejnym etapem analizy jest okre[lenie liczby wymiar�w, kt�ra ze wzgld�w praktycz- nych wynosi od 2 do 3. Algorytm skalowania wielowymiarowego na podstawie pocztko- wej konfiguracji marek w przestrzeni 2- lub 3-wymiarowej, wyznaczonej na podstawie odlegBo[ci lub szeregu rangowego w macierzy wej[ciowej, poszukuje takich wsp�Brzd- nych marek w tej przestrzeni, kt�re w spos�b optymalny odtwarzaj odlegBo[ci zamiesz- czone w macierzy danych wej[ciowych. Jako[ dopasowania mierzy si za pomoc wsp�B- czynnika STRESS (standaryzowanej sumy kwadrat�w reszt midzy odlegBo[ciami wej[cio- wymi a odtworzonymi przez algorytm skalowania wielowymiarowego). Efektem finalnym analizy s wsp�Brzdne marek w 2- lub 3-wymiarowym ukBadzie wsp�Brzdnych. W drugim etapie analizy PROFIT wykorzystywane s informacje o preferencjach analizo- wanych marek z punktu widzenia przyjtych w badaniach cech. Respondenci oceniaj preferencje marek ze wzgldu na przyjte cechy i na tej podstawie buduje si u[rednione oceny preferencji dla poszczeg�lnych marek i cech w przekroju wszystkich badanych lub poszczeg�lnych podgrup. Po stworzeniu tabeli [rednich ocen buduje si modele regresyjne (regresji wielorakiej), w kt�rych zmiennymi zale|nymi s oceny marek ze wzgldu na poszczeg�lne cechy (w analizie wystpuje tyle r�wnaD regresji, ile jest badanych cech pro- duktu), a zmiennymi obja[niajcymi preferencje marek s ich wsp�Brzdne na mapie percepcyjnej (dla modelu 2-wymiarowego s wic dwie zmienne niezale|ne, a dla modelu 3-wymiarowego wystpuj trzy takie zmienne). Standaryzowane wsp�Bczynniki regresji (beta) dla poszczeg�lnych wymiar�w wyznaczaj punkt na mapie percepcji okre[lajcy wsp�Brzdne danego atrybutu i tym samym preferencje marek ze wzgldu na dan cech. 8 S. P. Borgatti, PROFIT, http://www.analytictech.com/borgatti/profit.htm (12.08.2009). 17 Copyright � StatSoft Polska 2009 www.StatSoft.pl StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Wsp�Bczynniki te s r�wnie| interpretowane w kategoriach kwadrat�w cosinus�w kta nachylenia wektor�w danych cech wzgldem osi ukBadu wsp�Brzdnych. Pozwalaj na ocen wkBadu danej osi gB�wnej w wyja[nienie zmienno[ci danej cechy. Projekcja punkt�w reprezentujcych poszczeg�lne marki na wektory cech pozwala na okre[- lenie poBo|enia marek ze wzgldu na intensywno[ wystpowania tych cech w danych markach i tym samym na ustalenie szeregu preferencyjnego. Informacja o stopniu, w jakim poBo|enie marek na mapie percepcji wyja[nia oceny prefe- rencyjne z punktu widzenia okre[lonych cech, jest zwizana ze wsp�Bczynnikiem determi- nacji R2. Im wy|szy wsp�Bczynnik determinacji, w tym wikszym stopniu zestaw zmien- nych niezale|nych (wsp�Brzdnych na mapie percepcji) wyja[nia oceny marek ze wzgldu na dan cech (zmienn zale|n). Analiza PROFIT w programie STATISTICA Analiza PROFIT znajduje si r�wnie| w programie STATISTICA dla badaD marketingo- wych i rynkowych. W pierwszym kroku analizy nale|y okre[li charakter danych wej[cio- wych do skalowania wielowymiarowego (skala por�wnaD parami czy oceny marek z punktu widzenia cech). Je|eli wybierzemy pierwsze rozwizanie, program na podstawie wynik�w porzdkowania par zbuduje macierz rang okre[lajcych subiektywne og�lne podobieDstwa miedzy parami marek (bez uwzgldnienia cech). W przypadku wyboru skali ocen program wybierze u[rednione dane lub dokona u[rednienia ocen respondent�w i obliczy wybran macierz odlegBo[ci (np. euklidesowych). Rys. 20. Okno analizy PROFIT. Na rysunku przedstawione s u[rednione oceny (mediany) o[rodk�w narciarskich z punktu widzenia wyr�|nionych charakterystyk. 18 www.StatSoft.pl Copyright � StatSoft Polska 2009 StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Rys. 21. Dane wej[ciowe do analizy PROFIT. Na podstawie danych wej[ciowych dokonywane jest obliczenie miary podobieDstwa mi- dzy analizowanymi obiektami. PrzykBadowa macierz odlegBo[ci euklidesowych obliczonych na podstawie u[rednionych ocen wybranych o[rodk�w narciarskich w Polsce jest przedstawiona na rysunku. Rys. 22. Macierz odlegBo[ci. Macierz odlegBo[ci euklidesowych kwadratowych jest wprowadzona nastpnie do progra- mu skalowania wielowymiarowego, kt�ry okre[la poBo|enie marek w ukBadzie wsp�Brzd- nych o ustalonej liczbie wymiar�w. Wyniki analizy w postaci wsp�Brzdnych marek s podstaw obliczenia modeli regresji wielorakiej. W tym celu u|ytkownik jest proszony o wskazanie listy zmiennych opisuj- cych marki produktu. Lista ta mo|e pochodzi tego samego zbioru cech, stanowi nowy zbi�r cech opisujcych obiekty lub ich kombinacj. 19 Copyright � StatSoft Polska 2009 www.StatSoft.pl StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Wykres rozrzutu 2W Konfiguracja koDcowa, wymiar 1 wzgl. wymiaru 2 1,2 Zakopane 1,0 0,8 Karpacz 0,6 0,4 BiaBka T. Szczawnica Zieleniec 0,2 0,0 Szklarska Szczyrk Korbiel�w -0,2 -0,4 Piwniczna Krynica -0,6 Czarna G. -0,8 -1,0 -1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 Wymiar 1 Rys. 23. Wyniki skalowania wielowymiarowego. Rys. 24. Okno PROFIT  wyniki. Program wykona tyle analiz regresji wielorakiej, ile wskazano zmiennych do analizy. PrzykBadowo podane s wyniki analizy regresji dla zmiennej zale|nej  [nieg . Zmienna ta jest obja[niana z wykorzystaniem zmiennych obja[niajcych bdcych wsp�Brzdnymi konfiguracji punkt�w w 2 wymiarach. Rys. 25. Wyniki regresji. 20 www.StatSoft.pl Copyright � StatSoft Polska 2009 Wymiar 2 StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl Po wykonaniu analizy regresji wsp�Brzdne wsp�Bczynnik�w kierunkowych s naBo|one na zbudowan wcze[niej map percepcji. Wykres rozrzutu 2W Konfiguracja koDcowa, wymiar 1 wzgl. wymiaru 2 1,2 Zakopane 1,0 0,8 Karpacz Infrastruktura 0,6 Ludnosc 0,4 BiaBka T. Szczawnica Zieleniec 0,2 Dochody 0,0 Szklarska Szczyrk Korbiel�w -0,2 Znieg Trasy -0,4 Piwniczna Krynica -0,6 Koszty Czarna G. -0,8 -1,0 -1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 Wymiar 1 Rys. 26. Mapa percepcji z osiami opisujcymi wymiary. Z wykresu wynika, |e najbardziej preferowanym o[rodkiem z punktu widzenia infrastruk- tury jest Zakopane. Krynica i Szczyrk maj wzgldnie wysokie oceny ze wzgldu na warunki [niegowe i przygotowanie tras, a Piwniczna, Korbiel�w i Czarna G�ra s dogod- nym miejscem odno[nie koszt�w pobytu. Podsumowanie i wnioski Przedstawione w artykule wybrane kompozycyjne i dekompozycyjne metody analizy s czsto spotykanymi metodami analizy preferencji konsument�w. Istniejce w programie STATISTICA narzdzia programowania analiz danych pozwalaj na Batwe wykorzystanie szerokiej gamy metod, kt�re nie stanowi podstawowego wyposa|enia programu, lecz mo- g by implementowane z wykorzystaniem standardowych narzdzi analitycznych. Literatura 1. Analiza danych marketingowych. Problemy, metody, przykBady, red. A. Stanimir, AE WrocBaw 2006. 2. J. Bazarnik, T. GrabiDski, E. Kciak, S. Mynarski, A. Sagan, Badania marketingowe. Metody i oprogramowanie komputerowe, Fogra Krak�w 1991, s. 82-83. 21 Copyright � StatSoft Polska 2009 www.StatSoft.pl Wymiar 2 StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl 3. A. Bk, Analiza conjoint, w:, M. Walesiak, E. Gatnar, Statystyczna analiza danych z wykorzystaniem programu R, PWN Warszawa 2009. 4. S. P. Borgatti, PROFIT, http://www.analytictech.com/borgatti/profit.html. 5. C.H. Coombs, R.M. Dawes, A. Tversky, Wprowadzenie do psychologii matematycznej, PWN Warszawa 1977, s. 71-83. 6. H. Gintis, The individual in economic theory: a research agenda, Dept. of Economics, University of Massachusetts, Amherst, 1998. 7. M. Walesiak, A. Bk, Conjoint analysis w badaniach marketingowych, AE WrocBaw 2000. 8. A. Zaborski, Skalowanie wielowymiarowe w badaniach marketingowych, AE WrocBaw 2001. 9. Zastosowania badaD marketingowych w procesie tworzenia nowych produkt�w, red. S. Kaczmarczyk, M. Schultz, Dom Organizatora ToruD 2008. 22 www.StatSoft.pl Copyright � StatSoft Polska 2009

Wyszukiwarka

Podobne podstrony:
Statystyczna analiza danych z wykorzystaniem programu R Walesiak Marek, Gatnar Eugeniusz PEŁNA WERSJ
Wykrywacz Religijnej Manipulacji – program antywirusowy dla umysłu
analiza techniczna rynkow finansowych
Statystyka z programem Statistica
A Poznański Programowanie w języku C dla chętnych
Informatyka Europejczyka Informatyka Program nauczania dla szkol ponadgimnazjalnych infopn
Programator PIC16C84 dla portu Centronics
Badania preferencji konsumenckich Projekt Jogurty
Ćw 21 Pomiar prędkości fali sprężystej w prętach z wykorzystaniem programu komputerowego
AVR i ARM7 Programowanie mikrokontrolerów dla każdego CD
Programowanie w logice dla studentów ZSI na Uniwersytecie Warszawskim
Program testujący dla wyświetlaczy VFD firmy Noritake z interfejsem szeregowym
Ekonometria Rozwiązywanie problemów z wykorzystaniem programu GRETL
Program socjoterapeutyczny dla młodzieży sprawiającej trudności wychowawcze
Analiza wybranych rynkow
Milosna odnowa Program cwiczen dla par milodn
Psychologia konsumenta dla menedżera marketingu
Informatyka Europejczyka Informatyka Program nauczania dla szkol ponadgimnazjalnych infopn
Olewnicki Gunerka Golanski Preferencje konsumentow

więcej podobnych podstron