Введение (стр. 32 )

Рис. 5.29. Таблица Canonical Discriminant Function Coefficients

 

 

Рис. 5.30. Таблица Functions at Group Centroids

 

Завершает вывод результатов дискриминантного анализа таблица Classification Results, в последней строке которой содержится информация о точности построен­ной модели (рис. 5.31). В нашем случае мы видим, что 77,7 % респондентов были корректно отнесены к одной из двух исследуемых групп (77,7% of original grouped cases correctly classified). Результаты оценки корректности классификации варьи­руются в пределах от 50 % до 100 %, поэтому полученный нами результат — при­мерно 78 % — можно считать удовлетворительным.

Рис. 5.31. Таблица Classification Results

 

5.2. Факторный и кластерный анализ

Кластерный и факторный анализы преследуют ту же цель, что и рассмотренные в предыдущем разделе методы логистической регрессии и дискриминантного анализа: классифицировать переменные и/или категории респондентов по однород­ным группам (сегментам, кластерам). Однако между этими методами существует одно серьезное различие. При дискриминантном анализе и логистической регрес­сии у нас заранее есть некая зависимая (результирующая) переменная с двумя или более вариантами ответа (уровнями, категориями). Задача анализа в данном слу­чае состоит в классификации имеющихся категорий респондентов (возрастных, половых и других) по этим уровням результирующей переменной. Эти два стати­стических метода позволяют сегментировать выборку на заранее известные целе­вые группы. При кластерном и факторном анализе ситуация иная: кластеры (сег­менты, категории), на которые следует разделить выборку, заранее не известны. Задачей статистического анализа в данном случае будет не только формирование максимально однородных сегментов, но и выделение кластеров, по которым будет производиться сегментирование. Приведем пример релевантного задания для фак­торного (кластерного) анализа.

Исходные данные:

Респондентам (пассажирам международных рейсов авиакомпании X) в ходе опроса пред­лагалось 24 утверждения, по которыми они должны были выразить степень своего согла­сия либо несогласия по десятибалльной шкале — от 1 (совершенно не согласен) до 10 (абсолютно согласен). Предложенные утверждения описывают текущую конкурентную по­зицию рассматриваемой компании на международном рынке авиаперевозок. В результа­те опроса и последующих подготовительных этапов к статистическому анализу (см. раз­дел 3) был получен массив из 24 одновариантных переменных (ql-q24) с кодами ответов соответственно от 1 до 10 (интервальная шкала).

ql. Авиакомпания X обладает репутацией компании, превосходно обслуживающей пассажиров.

q2. Авиакомпания X может конкурировать с лучшими авиакомпаниями мира.

q3. Я верю, что у авиакомпании X есть перспективное будущее в мировой авиации.

q4. Я знаю, какой будет стратегия развития авиакомпании X в будущем.

q5. Я горжусь тем, что работаю в авиакомпании X.

q6. Внутри авиакомпании X хорошее взаимодействие между подразделениями.

q7. Каждый сотрудник авиакомпании прикладывает все усилия для того, чтобы обес­печить ее успех.

q8. Сейчас авиакомпания X быстро улучшается.

q9. Нам предстоит долгий путь, прежде чем мы сможем претендовать на то, чтобы

называться авиакомпанией мирового класса.

qlO. Авиакомпания X действительно заботится о пассажирах.

qll. Среди сотрудников авиакомпании имеет место высокая степень удовлетворен­ности работой.

ql2. Я верю, что менеджеры высшего звена прикладывают все усилия для достиже­ния успеха авиакомпании.

ql3. Мне нравится, как в настоящее время авиакомпания X представлена визуально широкой общественности (в плане цветовой гаммы и фирменного стиля).

ql4. Авиакомпания X — лицо России.

ql5. Мы выглядим «вчерашним днем» по сравнению с другими авиакомпаниями.

ql6. Обслуживание авиакомпании Х является последовательным и узнаваемым во всем мире.

ql7. Я бы не хотел, чтобы авиакомпания X менялась.

ql8. Авиакомпании X необходимо меняться для того, чтобы использовать в полной мере имеющийся потенциал.

ql9. Я думаю, что авиакомпании X необходимо представить себя в визуальном плане более современно.

q20. Изменения в авиакомпании X будут позитивным моментом. q21. Авиакомпания X — эффективная авиакомпания.

q22. Я бы хотел, чтобы имидж авиакомпании X улучшился с точки зрения иностран­ных пассажиров.

q23. Авиакомпания X — лучше, чем многие о ней думают.

q24. Важно, чтобы люди во всем мире знали, что мы — российская авиакомпания. Требуется:

Выявить схожие (то есть тесно коррелирующие между собой) утверждения и разделить их на несколько однородных групп, описывающих различные аспекты (макропараметры)

конкурентной позиции авиакомпании X на рынке. Другими словами, выделить группы схо­жих по значению параметров авиакомпании, характеризующих ее состояние на рынке с различных сторон.

Данную задачу невозможно решить методами логистической регрессии или дискриминантного анализа, так как у нас нет зависимой (результирующей) перемен­ной: есть только массив, на первый взгляд, независимых равнозначных парамет­ров. Поставленную цель можно достичь при помощи либо факторного анализа, либо кластерного. Однако прежде, чем мы приступим к решению, следует сказать несколько слов об основных характерных чертах и различиях между этими двумя статистическими методами, предназначенными для решения схожих задач.

Факторный анализ позволяет разделить массив переменных на малое число групп, которые называются факторами. Классификация производится на основании кри­терия корреляции между переменными. В один фактор объединяются несколько переменных, тесно коррелирующих между собой и не коррелирующих или слабо коррелирующих с другими переменными, составляющими другие факторы. Таким образом, в результате факторного анализа мы получаем из несистематизирован­ного массива данных несколько макропеременных, описывающих различные ха­рактеристики продукта компании (или другого исследуемого объекта). Основная сложность при проведении факторного анализа заключается в необходимости ра­ционально интерпретировать полученные макрокатегории с точки зрения здраво­го смысла (применительно к целям и специфике конкретного исследования). Дан­ная проблема не имеет универсального решения и подлежит отдельному анализу в каждом конкретном случае. Ниже мы продемонстрируем пример интерпретации результатов факторного анализа. Именно сложность интерпретации результатов является существенным ограничением рассматриваемой статистической методи­ки, так как из-за невозможности логического описания полученных категорий иногда приходится вообще отказаться от ее использования.

Еще одним ограничением применения факторного анализа является ситуация, когда одна и та же переменная относится сразу к двум или более факторам, то есть перемен­ную нельзя однозначно классифицировать. В таком случае следует либо отказаться от использования факторного анализа и попытаться применить другие статистические методики (например, кластерный анализ), либо заново пересчитать факторную мо­дель без данной переменной, а затем вручную отнести неоднозначную переменную к тому или иному фактору на основании логических соображений.

Далее приведены основные примеры использования факторного анализа в марке­тинговых исследованиях.

Сегментирование рынка. Факторный анализ применяется для выявления агрегат­ных переменных, являющихся основанием для сегментирования потребителей. Например, потребители плавленых сыров могут характеризоваться различной степенью значимости, которую они видят в исследуемых характеристиках данного продукта (респондентов просят оценить по пятибалльной шкале важность несколь­ких характеристик плавленых сыров: срок хранения, калорийность, процент жир­ности и т. д.). Здесь факторный анализ позволит выявить целевые сегменты по­требителей на основании значимости для них различных групп факторов:

■ покупатели, ориентирующиеся при выборе плавленого сыра преимущественно на ценовые факторы (стоимость, скидки);

■ покупатели, ориентирующиеся на качество исследуемого продукта (срок хра­нения, состав ингредиентов, вкус);

■ покупатели, выбирающие сыр в основном по внешнему виду (дизайн упаковки).

В целом следует отметить, что в настоящее время все большую популярность сре­ди исследователей приобретают методы сегментирования потребителей на осно­вании их психографических характеристик. Для этого в анкету включается доста­точно большое количество высказываний (порядка 100-150), характеризующих различные стороны жизненного стиля респондентов. Респонденты должны выра­зить свое согласие или несогласие с данными высказываниями по шкале Лайкерта (согласен — скорее согласен — ни то ни другое — скорее не согласен — не согласен). В дальнейшем на основании ответов респондентов формируются однородные це­левые сегменты (обычно порядка 10).

Изучение продукта и бенчмаркинг продукта. В данном случае факторный анализ помогает выявить агрегатные параметры продукта, влияющие на выбор потреби­теля. Например, различные марки шоколадных конфет могут быть оценены по следующим макрокатегориям: качество (ингредиенты, вкус), полезность для здо­ровья (наличие сахара, калорийность) и цена.

Рекламные и медиа-исследования. Факторный анализ может использоваться для выявления скрытых мотивов поведения потребителей при восприятии рекламы.

Ценообразование. Факторный анализ используется для выявления особенностей поведения потребителей, чувствительных к цене. Например, данная категория рес­пондентов может характеризоваться повышенным вниманием к ценовым факто­рам при выборе продукта, низкими доходами, большой численностью семьи и т. д.