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 KONSUMENTW Z WYKORZYSTANIEM PROGRAMU STATISTICA  ANALIZA CONJOINT I SKALOWANIE WIELOWYMIAROWE Adam Sagan, Uniwersytet Ekonomiczny w Krakowie Preferencje w zachowaniach konsumenta Badania preferencji konsumentw stanowi podstawowe pole zainteresowaD badaczy mar- ketingowych. Stanowi one podstawow kategori badawcz w modelowaniu zachowaD konsumentw na rynku, uwzgldniajc racjonalno[ procesu podejmowania decyzji. Gintis wymienia szereg zaBo|eD zwizanych z rol preferencji w procesie racjonalnego zachowania konsumentw na rynku: preferencje dotycz zarwno efektw procesu decyzyjnego, np. ilo[ci i jako[ci porwnywanych ofert rynkowych (outcome-related prefe- rences), jak rwnie| dotycz samego procesu odnoszcego si do dystrybucji i komunikacji ofert (proces-related preferences), zrdBa preferencji mog odnosi si do wBasnego systemu warto[ciowaD i zadowolenia z ofert (self-regarding preferences), jak i wchodzi w interakcje z preferencjami innych konsumentw i ich systemami warto[ci (other-regar- ding preferences), preferencje mog by traktowane jako autonomiczne, wynikajce z realizowanych celw 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 konsumentw. 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 nurtw 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 konsumentw 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 wyborw konsumentw (revealed prefe- rences). Najbardziej popularne ujcie metod pomiaru preferencji wynikaj z teorii danych zaproponowanej przez C. H. Coombsa, ktry zaproponowaB klasyfikacje rodzaju uzyskiwa- nych danych, jak i metod ich gromadzenia i analizy na podstawie dwch kryteriw: charak- teru relacji midzy danymi oraz liczby porwnywanych typw obiektw. Z punktu widzenia charakteru relacji dane mog mie charakter relacji podobieDstwa (blisko[ci) lub dominacji (preferencji), a z punktu widzenia typw porwnywanych obiektw porwnania mog by dokonywane w obrbie jednego zbioru (jednostka vs obiekt) lub dwch zbiorw obiektw (np. par punktw A-B vs C-D ). Skrzy|owanie tych kryteriw daje w kon- sekwencji cztery podstawowe rodzaje danych: 1/ pojedynczego bodzca, 2/ preferencyjnego wyboru, 3/ porwnania bodzcw 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 porwnawczych rangowych, porwnaD preferencyjnych par obiektw, skali V Thurstone a, porzdkowego sortowania i techniki punktu kotwicznego, a czwarty rodzaj danych obejmuje dane uzyskane na podstawie ocen podobieDstw midzy parami diad obiektw (skala porwnaD par), sortowania i techniki triad stanowicych pod- staw wielowymiarowych skal percepcji2. W badaniach preferencji konsumentw typo- wym rodzajem uzyskiwanych danych s dane oparte na porwnywaniu bodzcw (skale rangowe, porwnaD 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 gBwnie zwizane z danymi uzyskiwanymi na podstawie porwnywania obiektw midzy sob. Podstaw pomiaru preferencji jest rwnoczesna ocena, szeregowanie (lub wybr) porwnywanego zbioru marek lub kategorii produktw opisanych za pomoc charakteryzujcego je zbioru atrybutw o okre[lonych poziomach lub wBasno[ciach (realizacjach). Respondenci ocenia- j, ranguj lub dokonuj wyborw profili produktw 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 poszczeglnych poziomw lub wBasno[ci atrybutw. 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 wspBwystpowania zmiennych i po- miarem wieloczynnikowym). Metody kompozycyjne polegaj na niezale|nych wa|onych ocenach lub porwnaniach poszczeglnych cech produktw dokonywanych na podstawie skal ocen lub rangowych wraz z ogln ocen preferencji tych produktw. WpByw oceny danego poziomu cechy na inny nie jest w tym podej[ciu identyfikowany S one silniej zwizane z danymi dotycz- cymi wyborw preferencyjnych. Na podstawie dokonanych ewaluacji poszczeglnych cech uzyskiwana jest oglna struktura preferencji danego zbioru produktw (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 konsumentw: 1/ analizy conjoint, 2/ budowy skali V ocen porwnawczych 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 rwnoczesnego 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 sposb jednoczesny i addytywny. Podstawowe kroki w analizie conjoint s nastpujce4: 1. Okre[lenie przedmiotu analizy: specyfikacja skali pomiaru preferencji (ocena, ranking lub wybr profilu), wybr badanych produktw, ich cech oraz poziomw. Na tym etapie nale|y okre[li tak|e liczb profili powstaBych na podstawie kombinacji cech i ich poziomw. Liczba ta zale|y od mo|liwo[ci percepcji respondentw, metody estymacji modelu i liczebno[ci prby. Dla popularnych w analizie conjoint metod regresyjnych minimalna liczba profili jest rwna Bcznej liczbie poziomw cech minus liczba atrybutw 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. Sposb gromadzenia danych i generowania profili: wybr midzy metod peBnych pro- fili, porwnywania profili parami, porwnywania atrybutw parami lub wyboru profilu. Profile te mog by generowane za pomoc planw czynnikowych lub metod losow. 4. Wybr skali pomiaru preferencji: ma wpByw na metod estymacji parametrw modelu, uwzgldnienie interakcji midzy poziomami zmiennych niezale|nych, sposb reagowa- nia respondenta na przedstawiane profile. Do najcz[ciej wykorzystywanych skal pomia- ru preferencji nale| skale: rangowe, szacunkowe skale ocen i skale porwnaD parami. 5. Metoda estymacji modelu: metody niemetryczne (np. monotoniczna analiza wariancji MONANOVA), metody metryczne (metoda najmniejszych kwadratw) i metody proba- bilistyczne (regresja logistyczna i probitowa). Wybr metody estymacji zale|y przede wszystkim od skali pomiaru zmiennej zale|nej. Dla skal metrycznych (skal ocen, stop- niowalnych skal porwnaD parami) stosowana jest metoda najmniejszych kwadratw, dla skal porzdkowych (rangowych, porwnaD par) wykorzystywana jest monotoniczna ana- liza wariancji, a dla podej[ opartych na dyskretnych wyborach  modele logitowe i probitowe. 6. Interpretacja i wykorzystanie wynikw: ocena u|yteczno[ci caBkowitych i czstkowych, interpretacja profili u|yteczno[ci, ranking wa|no[ci atrybutw, analiza kompromisw (trade-off). Wyniki analizy mog by wykorzystywane do symulacji udziaBw 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 konsumentw 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 kwadratw. 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 gBwne bez interakcji. Program analizy conjoint znajduje si w dodatkowym programie, zwanym STATISTICA dla badaD marketingowych i rynkowych, ktry 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 produktw 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 produktw (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- glnych poziomw cech. Macierz u|yteczno[ci czstkowych dla pierwszych czterech respondentw jest podana poni|ej. Rys. 5. Macierz u|yteczno[ci czstkowych. Tabela przedstawia warto[ci czstkowych u|yteczno[ci poziomw zmiennych dla poszcze- glnych 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 poziomw u|yteczno[ci dla posz- czeglnych atrybutw 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 poszczeglnych poziomw 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 poszczeglnych kategorii smaku ciasta zdecydowanie najsilniej preferowanym jest smak neutralny (bez dodatkw 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 atrybutw 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 czynnikw. 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 atrybutw 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 czynnikw. Z rysunku wynika, |e najwa|niejszym czynnikiem przy wyborze badanych ciastek jest smak, a kolejne miejsca zajmuj marka i cena. Uszeregowanie wszystkich kombinacji atrybutw 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 porwnawczych Thurstone a Metoda ocen porwnawczych Thurstone a umo|liwia zbudowanie jednowymiarowej me- trycznej skali preferencji na podstawie danych o preferencjach uzyskanych z wykorzysta- niem skali porwnaD parami. Metoda ta nosi te| nazw modelu V ocen porwnawczych Thurstone a, ktry 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 sposb ujcia preferencji wymaga speBnienia pewnych zaBo|eD5: preferencje ujawnione na podstawie wyborw z par porwnywanych marek produktw maj charakter cigBy (cigBy proces dyskryminacyjny), w ramach danej pary obiektw wybr danego obiektu jest dokonany na zasadzie maksymalizacji cigBych preferencji dotyczcych porwnywanych marek, rozkBad ukrytych i cigBych preferencji w populacji jest normalny, preferencje s niezale|ne od siebie i maj wsplne zrdBo wariancji, prawdopodobieDstwo nieprzechodnich preferencji jest r|ne od zera, rozkBad bBdw 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 porwnaD 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 porwnawczych, 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 porwnaD parami umo|liwia rwnie| identy- fikacj preferencji nieprzechodnich, bowiem ka|da para marek jest porwnywana niezale|nie, co pozwala na ocen sytuacji, w ktrej A jest preferowane nad B, B jest prefe- rowane nad C, a C jest preferowane nad A. W skali porwnaD parami dla n porwnywa- nych marek wszystkich porwnaD jest n(n-1)/2, a liczba par nieprzechodnich wynosi n!. Podstawowe etapy w metodzie ocen porwnawczych s nastpujce6: 1. Wybr zbioru porwnywanych marek. 2. Okre[lenie sposobu prezentacji: skala rangowa, porzdkowanie marek, skala porwnaD parami. Ostatnia skala jest najbardziej uniwersalnym sposobem identyfikacji preferencji, poniewa| wyniki skali rangowej lub porzdkowania zawsze mo|na przedstawi w pos- taci porwnania parami, natomiast odwrotna procedura jest mo|liwa jedynie w przy- padku par przechodnich. 3. Zestawienie ocen porwnaD: 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 odpowiednikw 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 porwnawczych w programie STATISTICA W programie STATISTICA skala ocen porwnawczych Thurstone a mo|e by zbudowana na podstawie prostej skali rangowej lub skali porwnaD 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 Krakw 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 porwnawczych. W przykBadzie zastosowano skal rangow napojw chBodzcych, w ktrej respondeci szeregowali 7 typw napojw chBodzcych na skali rangowej, gdzie ocena 1 oznaczaBa najmniej preferowany napj, a 7  najbardziej preferowany. Rys. 14. Dane wej[ciowe  ranking napojw. Dane w postaci skali rangowej s nastpnie przetwarzane na wyniki porwnaD parami poszczeglnych obiektw. Rys. 15. Tabela porwnaD 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 porwnaD. Dla przykBadu: respondent nr 1 w parze  herbata  kompot preferuje herbat mro|on jako odpowiedni napj chBodzcy (herbata ma rang 7, a kompot otrzymaB rang 3). Dla badanego nr 3 lepszym napojem chBodzcym jest kompot (ranga 3) w porwnaniu do herbaty (ranga 2)7. Na podstawie ocen porwnawczych tworzona jest tabela proporcji, w jakiej dany napj (w kolumnie) jest preferowany nad inny (w wierszu). Rys. 16. Tabela proporcji. Na rysunku przedstawione s wyniki porwnaD, w ktrych np. 50% badanych preferuje kompot nad soki, a 90% respondentw uznaje, |e lepszym napojem chBodzcym jest woda niegazowana ni| napoje gazowane. Na podstawie wynikw sumarycznych obliczane s warto[ci Z rozkBadu normalnego, ktre 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 porwnawczych. 7 Skala rangowa umo|liwia identyfikacje jedynie relacji przechodnich w strukturze preferencji. Skala porwnaD parami pozwala na uzyskanie informacji zarwno o preferencjach przechodnich jak i nieprzechodnich. Kodo- wanie zero-jedynkowe skali porwnaD 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 porwnawczych Thurstone a, w: red. S. Kaczmarczyk, M. Schultz, Zastoso- wania badaD marketingowych w procesie tworzenia nowych produktw, 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 porwnawczych. Na podstawie uzyskanej skali mo|na nie tylko szeregowa preferencje respondentw, ale rwnie| okre[la  odlegBo[ci midzy szeregowanymi napojami. Z rysunku wynika, |e w strukturze napojw chBodzcych mo|na wyodrbni 3 grupy preferowanych napojw. 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 napojw 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 ukBadw preferencji za pomoc skalowania wielowymiarowego. Analiza PROFIT Analiza PROFIT (PROperty FITting) jest rodzajem  zewntrznej mapy preferencji, w ktrej 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- duktw. Najcz[ciej spotyka si dwa typy macierzy danych: 1/ odlegBo[ci euklidesowych, Manhattan lub innych, zbudowane na podstawie ocen porwnywanych marek z punktu widzenia przyjtych atrybutw, dajcych syntetyczn ocen niepodobieDstw (odmienno[ci) midzy markami; 2/ porwnaD parami ka|dej kombinacji pary marek z ka|d bez wyr|- niania ich cech, dajc oglny 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 porwnaD parami lub porwnania w tria- dach (bez uwzgldnienia cech), chocia| stosowa mo|na tak|e skalowanie metryczne. Kolejnym etapem analizy jest okre[lenie liczby wymiarw, ktra ze wzgldw 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 wspBrzd- nych marek w tej przestrzeni, ktre w sposb optymalny odtwarzaj odlegBo[ci zamiesz- czone w macierzy danych wej[ciowych. Jako[ dopasowania mierzy si za pomoc wspB- czynnika STRESS (standaryzowanej sumy kwadratw reszt midzy odlegBo[ciami wej[cio- wymi a odtworzonymi przez algorytm skalowania wielowymiarowego). Efektem finalnym analizy s wspBrzdne marek w 2- lub 3-wymiarowym ukBadzie wspBrzdnych. 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 poszczeglnych marek i cech w przekroju wszystkich badanych lub poszczeglnych podgrup. Po stworzeniu tabeli [rednich ocen buduje si modele regresyjne (regresji wielorakiej), w ktrych zmiennymi zale|nymi s oceny marek ze wzgldu na poszczeglne cechy (w analizie wystpuje tyle rwnaD regresji, ile jest badanych cech pro- duktu), a zmiennymi obja[niajcymi preferencje marek s ich wspBrzdne na mapie percepcyjnej (dla modelu 2-wymiarowego s wic dwie zmienne niezale|ne, a dla modelu 3-wymiarowego wystpuj trzy takie zmienne). Standaryzowane wspBczynniki regresji (beta) dla poszczeglnych wymiarw wyznaczaj punkt na mapie percepcji okre[lajcy wspBrzdne 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 WspBczynniki te s rwnie| interpretowane w kategoriach kwadratw cosinusw kta nachylenia wektorw danych cech wzgldem osi ukBadu wspBrzdnych. Pozwalaj na ocen wkBadu danej osi gBwnej w wyja[nienie zmienno[ci danej cechy. Projekcja punktw reprezentujcych poszczeglne 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 wspBczynnikiem determi- nacji R2. Im wy|szy wspBczynnik determinacji, w tym wikszym stopniu zestaw zmien- nych niezale|nych (wspBrzdnych na mapie percepcji) wyja[nia oceny marek ze wzgldu na dan cech (zmienn zale|n). Analiza PROFIT w programie STATISTICA Analiza PROFIT znajduje si rwnie| 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 porwnaD parami czy oceny marek z punktu widzenia cech). Je|eli wybierzemy pierwsze rozwizanie, program na podstawie wynikw porzdkowania par zbuduje macierz rang okre[lajcych subiektywne oglne podobieDstwa miedzy parami marek (bez uwzgldnienia cech). W przypadku wyboru skali ocen program wybierze u[rednione dane lub dokona u[rednienia ocen respondentw i obliczy wybran macierz odlegBo[ci (np. euklidesowych). Rys. 20. Okno analizy PROFIT. Na rysunku przedstawione s u[rednione oceny (mediany) o[rodkw 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[rodkw 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, ktry okre[la poBo|enie marek w ukBadzie wspBrzd- nych o ustalonej liczbie wymiarw. Wyniki analizy w postaci wspBrzdnych 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 zbir 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 Korbielw -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 wspBrzdnymi konfiguracji punktw 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 wspBrzdne wspBczynnikw 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 Korbielw -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, Korbielw i Czarna Gra s dogod- nym miejscem odno[nie kosztw pobytu. Podsumowanie i wnioski Przedstawione w artykule wybrane kompozycyjne i dekompozycyjne metody analizy s czsto spotykanymi metodami analizy preferencji konsumentw. Istniejce w programie STATISTICA narzdzia programowania analiz danych pozwalaj na Batwe wykorzystanie szerokiej gamy metod, ktre 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 Krakw 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 produktw, 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