SPSS (Statistical Package for Social Sciences или в новой интерпретации —

— Superior Performing Software Systems) — система (программный пакет) статистической

обработки информации, которая предоставляет пользователю широкие возможности преобразования и анализа данных, а также наглядного представления полученных результатов

формируется в редакторе данных (Data Editor). Редактор данных имеет две

вкладки: «Представление переменные» (Variable View) и «Представление данные» (Datа View). Данные вкладки представляют собой таблицы, содержащие информацию о данных, собранных для проведения анализа.

описывающими значения переменных. Каждый столбец отображает переменную (вопрос анкеты), каждая

строка — отдельное наблюдение (объект сбора информации). В качестве объектов сбора информации могут выступать люди, предприятия, продукты, бренды и т.д.

случае кластерного и факторного видов статистического анализа возможно использование любого

типа переменных (метрических и не метрических).

количественные переменные (интервальные или относительные)

и уровень цен (высокий, средний, низкий) одновременно влияют на продажи

товара данной торговой марки?
- Связан ли выбор потребителей данной торговой марки с уровнем образования (ниже среднего, среднее, колледж, высшее) и возрастом?
- Как осведомленность об универмаге (высокая, средняя, низкая) и представление о нем (позитивное, нейтральное, негативное) влияют на предпочтение потребителем этого магазина?

многомерный
однофакторный -

многофакторный
многофакторный

выборок.
Нулевая гипотеза (H0) утверждает, что k генеральных совокупностей имеют одно

и то же среднее значение. То есть категориальный фактор не влияет на количественную переменную.
Альтернативная гипотеза (H1) утверждает, что средние значения не все равны между собой. По крайней мере они различаются у двух совокупностей.

и величину значимости (значимость полученного результата).

Если величина значимости меньше величины

0,05, то делается вывод о том, что гипотеза о равенстве средних значений отвергнута с вероятностью ошибки 0%, то есть различия в средних значениях для разных групп неслучайны!

и категориальный фактор
Диалоговое окно «Апостериорные множественные сравнения»: Шеффе, Т2 Тамхейна
Диалоговое

окно «Параметры»: Статистики: описательные
«Ок» и запуск процедуры дисперсионного анализа

группы в зависимости от их пола (q3), возраста (q4) и

количества членов семьи (q72). Одним из вопросов анкеты является: «Какое количество глазированных сырков в среднем Вы покупаете за одно посещение магазина?» (q6) с вариантами ответа: 1 шт., 2 шт., 3 шт., 4 шт., 5 шт., 6-7 шт., 8-10 шт. и более 10 шт.

Требуется выяснить, различается ли кратность покупок глазированных сырков различными целевыми группами респондентов (половыми, возрастными и по количеству членов семьи).

значимо различается кратность покупок в различных возрастных
группах респондентов (1 —

младше 18 лет; 2 — 19-35 лет; 3 — 36-60 лет; 4 — старше 60
лет).

зависимой и независимых переменных тест Ливина
В столбце Sig. данной таблицы

содержится единственное интересующее нас значение — это статистическая значимость тестовой статистики F.

— это величина R2, отражающая долю совокупной дисперсии в зависимой

переменной, описываемой статистической моделью. Другими словами, это та часть вариации зависимой переменной, которую можно объяснить на основании независимой переменной. Естественно, что чем меньше независимых переменных, тем меньше величина R2, и наоборот.

следует из значения на пересечении строки, содержащей соответствующую независимую переменную,

и столбца Sig.

группами респондентов на основании кратности покупок сырков, необходимо определить, какие

из четырех имеющихся возрастных групп отличаются от остальных и каким образом (в большую или в меньшую сторону).

различия в количестве покупок сырков значимы для категории «Старше 60

лет» по сравнению даже с предыдущей возрастной категорией.

можем заключить, что респонденты старше 60 лет покупают глазированные сырки

в меньших объемах, чем респонденты младше 60 лет. В точности определить размер или величину различия можно, только если в качестве зависимой переменной выступает интервальная переменная. Так как у нас переменная q6 Кратность покупок относится к порядковой шкале, мы не можем сделать точный вывод о величине различия.

(и взаимодействия между ними), то есть выполнить двухфакторный одномерный дисперсионный

анализ.
Исходные данные останутся такими же, как в предыдущем примере, однако теперь мы будем устанавливать различие в кратности покупок сырков возрастными и половыми группами (переменная q3).

факторы в соответствующие окна справа
Диалоговое меню «Апостериорные множественные сравнения для

наблюденных средних»
Переносим факторы в окно «Апостериорные критерии», Шеффе, Т2 Тамхейна
Диалоговое окно «Параметры» факторы перенести в «Вывести средние для:»
Вывести: Критерии однородности

по кратности покупок глазированных сырков. То же относится и к

взаимодействию q3*q4: оно не является статистически значимым. При этом, несмотря на неравенство дисперсий (порог значимости возрос до 0,01), переменная q4 (Возраст) сохранила свое значимое влияние на зависимую переменную (Sig. = 0,011), то есть возрастные группы по-прежнему различаются по кратности покупок сырков. Необходимо также отметить, что с добавлением переменной q3 доля совокупной дисперсии в зависимой переменной, объясняемая построенной моделью, несколько возросла (R2 = 0,022).

можно было бы заключить, что женщины покупают глазированные сырки в

больших объемах по сравнению с мужчинами. То же можно сказать и относительно второй таблицы (Пол х Возраст).

методы КЛАССИФИКАЦИИ многомерных наблюдений по принципу максимально СХОДСТВА при наличии

ОБУЧАЮЩИХ признаков.

число групп, на которые необходимо разбить набор объектов, а также

имеется набор объектов, по которым уже известно, к каким группам они принадлежат.
(пример: люди, купившие товар одной из конкурирующих марок)

номинальная или порядковая (ее еще называют классифицирующей), а независимые переменные

– количественные
(допускаются порядковые)

по значению количественных признаков (независимых переменных) отнести каждый объект к

одному из известных классов – составление классифицирующей функции;
Классификация неизвестных объектов при наличии данных по известным объектам, то есть прогнозирование, в какой группе будет относиться неизвестный объект по известным о нем характеристикам.

предсказать выбор еще не определившихся потребителей (!ограничение: либо берем количественные

характеристики, либо опрос по важности характеристик по шкале важности)
Определить, существует ли зависимость факта покупки («купил»/»не купил») в магазине от таких переменных как время посещения магазина, время пребывания в магазине, количество людей в магазине, время консультации с продавцом, …

ресторан, кофейня, кондитерская) в зависимости от степени выраженности различных факторов

(чувство голода посетителя, наличие компании, ассортимент заведения, количество людей в заведении, …);
- обосновать выбор марок спортивной одежды различными группами потребителей (профессионалы, любители, приверженцы активного отдыха, новички).

таких характеристик как состав и вкус
Опрашивались потребители 2 марок йогурта:

Активия и Даниссимо
Важность вкусовых характеристик и состава была оценена респондентами по 8-балльной шкале, где 1 – совсем не важно, 8 – критически важно

кластерного анализа)
В рассматриваемом примере группы данных 2 – две марки

йогурта
!!! Количество групп не должно быть больше, чем количество независимых переменных
Если мы рассматриваем всего 2 характеристики (вкус и польза), то можем проанализировать предпочтения потребителей только 2 марок. Если марок, которые необходимо включить в исследование, больше 2, то надо увеличивать количество рассматриваемых характеристик

анализа нормально распределенных переменных
** Если одна или несколько независимых

переменных имеют распределение, отличное от нормального, то использовать дискриминантный анализ МОЖНО, но необходимо указать это в ограничениях исследования

– проверить, если ли зависимость выбора йогурта от важности для

респондента рассматриваемых характеристик

Если значимость больше 0,05* – подтверждается гипотеза H0 – нет значимого различия в средних значениях полученных классов данных – нет разницы в важности характеристик для потребителей разных йогуртов – дальше можно не смотреть
Если значимость меньше 0,05* - отвергается гипотеза H0 и принимается гипотеза H1 – существуют значимые различия в средних значениях полученных классов данных – для потребителей разных марок йогуртов существуют различия в их оценке важности вкуса и состава – продолжаем анализ

* 0,05 – общепринятый уровень значимости при проведении количественных исследований

значения из таблицы с данными в каждую из классифицирующих функций,

где результат X получается больше – ту марку и выбирает потребитель

87,5% предсказать его выбор (из 2 марок)
5. Проверка качества классифицирующей

функции – точности разделения объектов

зависимая – номинальной или порядковой.
2. Проверяем, чтобы количество зависимых переменных

было меньше либо равно количеству независимых
3. Проверяем нормальность распределения независимых переменных
4. Проводим процедуру дискриминантного анализа
5. Определяем, а существует ли вообще зависимость? (маркер: значимость<0,05)
6. Находим классифицирующую функцию
7. Проверяем качество классифицирующей функции (маркер: % правильно классифицированных наблюдений)
8. Делаем прогноз

прогнозирования факта покупки авто в течение первого месяца после выставления

на продажу в зависимости от следующих характеристик:
Цена авто (в у.е.)
Техническое состояние (оценено по 10-балльной шкале, где 1 – очень плохое, 10 – отличное)
Возраст (в годах)
Пробег (в км)

Процедура дискриминантного анализа: Анализ – Классификация – Дискриминантный анализ
- Выбор

независимых и группирующей переменной (для группирующей переменной задать интервал значений)
В Статистиках отметить коэффициент Фишера, в Классифицировать - Итоговая таблица

функции, Результаты классификации
4. Делаем прогноз: вводим новые данные и повторяем

процедуру дискриминантного анализа (дополнительно в меню Сохранить выбираем пункт Предсказанная принадлежность к группе)

связи между несколькими переменными, имеющими интервальный, порядковый или дихотомический тип

шкалы.

разнонаправленной зависимости (с возрастанием одной переменной другая убывает);
+1 соответствует абсолютно

сонаправленной зависимости (то есть при возрастании одной переменной другая тоже возрастает);
0 показывает полное отсутствие всякой связи.

члена семьи?


Как часто Вы посещаете рестораны?

ресторанов существует статистически значимая умеренная (средняя) линейная возрастающая зависимость.

Частота

посещения ресторанов в достаточно высокой степени (коэффициент Пирсона = 0,7) зависит от уровня доходов потребителей, причем при росте среднемесячного дохода частота посещения ресторанов линейно возрастает.

одежды?
■ Высокое качество одежды.
■ Доступные цены.
■ Широта ассортимента одежды.
■ Близость

к дому или работе.
■ Высокое качество обслуживания.
■ Красивый интерьер магазина.

Оцените, пожалуйста, следующие характеристики данного магазина одежды (вкотором происходит опрос) по пятибалльной шкале (от 1 — очень плохо до 5 — отлично)
■ Высокое качество одежды.
■ Доступные цены.
■ Широта ассортимента одежды.
■ Близость к дому или работе.
■ Высокое качество обслуживания.
■ Красивый интерьер магазина.
■ Ваша общая оценка работы данного магазина.

вывод следует из сильной корреляции между переменными sc_l и sc_2

(коэффициент корреляции Спирмена = 0,9), характеризующейся весьма высокой статистической значимостью (0,005).

разных наблюдений независимой(ыми) переменной(ыми);
предсказывает значения зависимой переменной с помощью независимой(ых);
определяет

вклад отдельных независимых переменных в вариацию зависимой.

на общее впечатление потребителей от данного продукта?
Например, требуется установить, как

влияет возраст и пол респондента на частоту покупок шоколадок (построение уравнения с целью прогноза).
Какие частные характеристики продукта в большей степени влияют на цену продукта?
Например, требуется установить, что влияет в большей степени на цену: материал продукта или цвет продукта (установление соотношения между различными частными параметрами по силе и направлению влияния на общее впечатление).
Как ведет себя одна переменная в зависимости от изменения другой?
Например, необходимо построить график зависимости осведомленности о шоколадках и частоты покупки. Как изменится частота покупок при увеличении осведомленности покупателя на 10%. (графическое прогнозирование – только для двух переменных)

b2х2 + ... + bnхn

значимые для респондентов параметры обслуживания на борту.
2) Установить, какое

влияние оказывают оценки частных параметров обслуживания на борту на общее впечатление авиапассажиров от полета.

Оцените по пятибалльной шкале следующие характеристики сервиса на борту авиакомпании X (1 – очень плохо, 5 – отлично):
комфортабельность салона,
работа бортпроводников,
питание во время полета,
цена билетов,
спиртные напитки,
дорожные наборы,
аудиопрограммы,
видеопрограммы,
пресса,
общая оценка.

качества линейной модели, построенной в результате проведения регрессионного анализа:
R =

0,658 (>0,5), что свидетельствует о наличии тесной линейной взаимосвязи.
R-квадрат (R Square) = 0,434. Построенная регрессионная модель описывает только 43,4% случаев.

«Статистическая значимость» (Sig.) должно быть меньше или равно 0,05.

Sig.

= 0,01. Это свидетельствует о том, что регрессионная модель, построенная на основе данных респондентов, попавших в выборку, справедлива для 99 % генеральной совокупности.

между переменными.
Если величина данного показателя меньше 10 —

значит, эффекта мультиколлинеарности не наблюдается и регрессионная модель приемлема для дальнейшей интерпретации.
Чем выше этот показатель, тем более связаны между собой переменные.

регрессии.
Данные коэффициенты дают возможность сравнить силу влияния параметров между

собой.
Знак (+ или -) перед β-коэффициентом показывает направление связи между независимой и зависимой переменными.

(нестандартизированные).
Они служат для формирования собственно регрессионного уравнения, по которому

можно рассчитать величину зависимой переменной при разных значениях независимых.

+ 0,08ПП + 0.07С + 0Д0Н + 0,08В + 0Д2П,

где
■ СБ — общая оценка сервиса на борту;
■ К — комфортабельность салона;
■ Б — работа бортпроводников;
■ ПП — питание во время полета;
■ С — спиртные напитки;
■ Н — дорожные наборы;
■ В — видеопрограмма;
■ П — пресса.

рассчитываемая для каждого коэффициента в регрессионном уравнении.
При 95%-ном доверительном уровне

каждый коэффициент может отклоняться от величины В на ±2 х Std.Error.

Например, коэффициент при параметре Комфортабельность салона (равный 0,202) в 95 % случаев может отклоняться от данного значения на ±2 х 0,016 или на ±0,032. Минимальное значение коэффициента будет равно 0,202 - 0,032 = 0,17; а максимальное - 0,202 + 0,032 = 0,234. Таким образом, в 95 % случаев коэффициент при параметре «комфортабельность салона» варьируется в пределах от 0,17 до 0,234 (при среднем значении 0,202).

Классификация переменных по различным факторам (группам) производится на основе коэффициента

корреляции между исследуемыми переменными.
В один фактор объединяются переменные, которые имеют высокий коэффициент корреляции друг с другом и не коррелируют или имеют низкий коэффициент корреляции с другими переменными, входящими в состав других факторов.

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).

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),
цена.

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.

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.

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.

общей пригодности имеющихся данных для факторного анализа, то есть насколько

хорошо построенная факторная модель описывает структуру ответов респондентов на анализируемые вопросы.
Результаты данного теста варьируются в интервале от 0 (факторная модель абсолютно неприменима) до 1 (факторная модель идеально описывает структуру данных). Факторный анализ следует считать пригодным, если КМО находится в пределах от 0,5 до 1. В рассматриваемом примере значение этого теста 0,904 (табл.), что свидетельствует о приемлемости построенной факторной модели.

Статистикой, определяющей пригодность факторного анализа по тесту Barlett, является значимость (строка Sig.). При приемлемом уровне значимости (ниже 0,05) факторный анализ считается пригодным для анализа исследуемой выборочной совокупности. Из данных табл. видно, что значимость теста «Bartlett»(Sig.) составляет 0,000. Это означает, что исходная гипотеза может быть отклонена с вероятностью ошибки 0,000, т.е. она неверна, а также свидетельствует о том, что корреляционные связи между переменными исходного массива существуют и возможна их группировка на основании тесноты корреляции.

факторной модели определяется при помощи расчета «характеристических чисел» (Eigenvalues). Эти

показатели характеризуют полноту отображения исходной информации в построенной факторной модели.
В первом столбце табл. 5.4 (Component) указывается число компонентов различных вариантов факторной модели. В четвертом столбце этой таблицы (Cumulative, %) показан процент информации, сохраненной в процессе группировки исходного массива переменных с помощью факторной модели. Например, если число факторов в факторной модели равно числу переменных исходного массива (в нашем примере 12), т.е. группировка переменных не производится, исходная информация будет сохранена на 100%.
Во втором столбце таблицы (Total) указываются значения «характеристических чисел» (Eigenvalues). В рассматриваемом примере было задано условие: значение «характеристических чисел» должно быть больше единицы (Eigenvalues over 1) (см. рис. 5.7). Максимальное значение компонентов фа^орной модели, в которой данный показатель превышает единицу, составляет 4. Это означает, что оптимальное число групп (факторов) в факторной модели составляет 4.
Как видно из данных, представленных в табл. 5.4, факторная модель, состоящая из 4-х факторов, сохраняет лишь 52,936% исходной информации. Как отмечалось ранее, при группировке исходного массива переменных потеря информации неизбежна. При построении факторной модели следует стремиться к минимизации потерь информации.
Сохранение информации всего лишь на 52,936% является не очень хорошим показателем. Однако, принимая во внимание, что в ходе факторного анализа число переменных сократится в 3 раза (с 12 до 4), а потеря информации составит менее 48%, применение построенной факторной модели следует считать целесообразным.

между «характеристическими числами» (Eigenvalues) и числом компонентов факторной модели (Component

Number). При изменении количества факторов с 5 до 12 данный график представляет собой практически линейную функцию, а при уменьшении числа факторов с 5 до 4 происходит «перелом» графика. Это означает, что оптимальное число компонентов факторной модели (факторов) равно 4.
Таким образом, результаты графического метода определения числа фактор >в подтвердили результаты расчетного метода. В результате применения обоих методов оптимальное число компонентов факторной модели составило 4.

лучшими авиакомпаниями мира.
q3. Я верю, что у авиакомпании X

есть перспективное будущее в мировой авиации.
q23. Авиакомпания X — лучше, чем многие о ней думают.
q14. Авиакомпания X — лицо России.
qlO. Авиакомпания Х действительно заботится о пассажирах. ql. Авиакомпания X обладает репутацией компаний, превосходно обслуживающей пассажиров.
q21. Авиакомпания X — эффективная авиакомпания.
q5. Я горжусь тем, что работаю в авиакомпании X.
ql6. Обслуживание авиакомпании X является последовательным и узнаваемым во всем мире.

Фактор 2
ql2. Я верю, что менеджеры высшего звена прикладывают все усилия для достижения успеха авиакомпании.
qll. Среди сотрудников авиакомпании имеет место высокая степень удовлетворенности работой.
q6. Внутри авиакомпании X хорошее взаимодействие между подразделениями.
q8. Сейчас авиакомпания X быстро улучшается.
q7. Каждый сотрудник авиакомпании прикладывает все усилия для того, чтобы обеспечить ее успех.
q4. Я знаю, какой будет стратегия развития авиакомпании X в будущем.

Фактор 3
ql7. Я бы не хотел, чтобы авиакомпания X менялась.
q20. Изменения в авиакомпании X будут позитивным моментом.
ql8. Авиакомпании X необходимо меняться для того, чтобы использовать в полной мере имеющийся потенциал.

Фактор 4
q9. Нам предстоит долгий путь, прежде чем мы сможем претендовать на то, чтобы называться авиакомпанией мирового класса.
q22. Я бы хотел, чтобы имидж авиакомпании X улучшился с точки зрения иностранных пассажиров.
q24. Важно, чтобы люди во всем мире знали, что мы — российская авиакомпания.

Фактор 5
ql9. Я думаю, что авиакомпании X необходимо представить себя в визуальном плане более современно. ql3. Мне нравится, как в настоящее время авиакомпания X представлена визуально широкой общественности (в плане цветовой гаммы и фирменного стиля).
ql5. Мы выглядим «вчерашним днем» по сравнению с другими авиакомпаниями.

X в глазах ее клиентов.
■ Фактор 2 характеризует внутреннее

состояние авиакомпании X с точки зрения ее сотрудников.
■ Фактор 3 характеризует изменения, происходящие в авиакомпании X.
■ Фактор 4 характеризует имидж авиакомпании X.
■ Фактор 5 характеризует визуальный образ авиакомпании X.

решение, Корреляционная матрица (Коэффициенты, КМО и критерий сферичности Бартлетта)
Извлечение: Метод

- Главные компоненты
Вращение: Метод – Варимакс
Значение факторов: Сохранить как переменные (Метод - Регрессия), Вывести матрицу коэффициентов значений факторов.
Параметры: Формат выводы коэффициентов (Отсортировать по величине, Не выводить коэффициенты с низким значением)

(кластеров) из исследуемой совокупности объектов (потребителей, продуктов, брендов и т.д.).

Эти кластеры должны быть однородными внутри и разнородными между собой!

не известно число групп, на которые нужно этот набор разбить.

Группы, на которые разбита выборка, называются кластерами. Число групп заранее не задается.

– сегментация (выделение существующих/ потенциальных);
- когда на рынке присутствует большой

выбор товаров одного назначения под разными торговыми марками. Необходимо разбить товары на группы схожих товаров;
- определение потенциальных групп потребителей. Результаты классификации используются, чтобы в дальнейшем для разных групп определить оптимальные цены на услуги, оптимальные тарифы.

мы определяем количество кластеров на основании математического метода, основанного на

коэффициенте агломерации.
■ На этапе 2 мы проводим кластеризацию респондентов по полученному числу кластеров и затем строим линейное распределение по образованной новой переменной. Здесь также следует определить, сколько кластеров состоят из статистически значимого количества респондентов. В общем случае рекомендуется устанавливать минимально значимую численность кластеров на уровне не менее 10 респондентов.
■ Если все кластеры удовлетворяют данному критерию, переходим к завершающему этапу кластерного анализа: интерпретации кластеров. Если есть кластеры с незначимым числом составляющих их наблюдений, устанавливаем, сколько кластеров состоят из значимого количества респондентов.
■ Пересчитываем процедуру кластерного анализа, указав в диалоговом окне «Сохранить» число кластеров, состоящих из значимого количества наблюдений.
■ Строим линейное распределение по новой переменной.
Описываем объекты, входящие в кластеры.

образуются по фактору – Метод Уорда
Анализ – описательные статистики- переносим

все переменные кластеризации , выбираем опцию «Среднее значение».

исследования было опрошено 745 авиапассажиров, летавших одной из 22 российских

и зарубежных авиакомпаний. Авиапассажиров просили оценить по пятибалльной шкале — от 1 (очень плохо) до 5 (отлично) — семь параметров работы наземного персонала авиакомпаний в процессе регистрации пассажиров на рейс: вежливость, профессионализм, оперативность, готовность помочь, регулирование очереди, внешний вид, работа персонала в целом.

персонала.
Итак, у нас есть файл данных, который состоит из семи

интервальных переменных, обозначающих оценки качества работы наземного персонала различных авиакомпаний (ql3-ql9), представленные в единой пятибалльной шкале. Файл данных содержит одновариантную переменную q4, указывающую выбранные респондентами авиакомпании (всего 22 наименования). Проведем кластерный анализ и определим, на какие целевые группы можно разделить данные авиакомпании.

«Принадлежности к кластерам нет»

переменных в кластеры)
Для определения оптимального числа кластеров необходимо определить шаг

агломерации, на котором происходит наибольший скачок коэффициента агломерации. В нашем примере: шаг №729
Число кластеров= обьем выборки – номер шага 745-729=16 кластеров

от 0 до 7,452, то есть разница между коэффициентами на

шагах с первого по 728 была мала (например, между 728 и 727 шагами — 0,534). Начиная с 729 шага происходит первый существенный скачок коэффициента: с 7,452 до 10,364 (на 2,912). Шаг, на котором происходит первый скачок коэффициента, — 729. Теперь, чтобы определить оптимальное количество кластеров, необходимо вычесть полученное значение из общего числа наблюдений (размера выборки). Общий размер выборки в нашем случае составляет 745 человек; следовательно, оптимальное количество кластеров составляет 745-729 = 16.

анализа

метод Уорда!

респондентов составляет от 1 до 7. Наряду с вышеописанным универсальным

методом определения оптимального количества кластеров (на основании разности между общим числом респондентов и первым скачком коэффициента агломерации) существует также дополнительная
рекомендация: размер кластеров должен быть статистически значимым и практически приемлемым. При нашем размере выборки такое критическое значение можно установить хотя бы на уровне 10. Мы видим, что под данное условие попадают лишь кластеры с номерами 1-4. Поэтому
теперь необходимо пересчитать процедуру кластерного анализа с выводом четырехкластерного решения (будет создана новая переменная du4_l).

что только в двух кластерах (1 и 2) число респондентов

является практически значимым. Нам необходимо снова перестроить кластерную модель — теперь для двухкластерного решения. После этого построим распределение по переменной du2_l. Как видно из таблицы, двухкластерное решение имеет статистически и практически значимое число респондентов в каждом из двух сформированных кластеров:
в кластере 1 —695 респондентов;
в кластере 2 — 40.

по критериям сегментирования. Теперь можно присвоить метки полученным кластерам:
для

1 — Авиакомпании, удовлетворяющие требованиям респондентов (по семи анализируемым критериям);
для 2 — Авиакомпании, не удовлетворяющие требованиям респондентов.
Теперь можно посмотреть, какие конкретно авиакомпании (закодированные в переменной q4) удовлетворяют требованиям респондентов, а какие — нет по критериям сегментирования. Для этого следует построить перекрестное распределение
переменной q4 (анализируемые авиакомпании) в зависимости от кластеризующей переменной clu2_l.

продукт или услугу.

Цель конджоинт-анализа - измерение степени предпочтения потребителем одного

из конкурирующих продуктов (услуг) в условиях предположения о комплексной оценке всех атрибутов, составляющих продукт.

продукта или услуги
Произвести сравнение свойств (атрибутов) продуктов с целью выявления

тех из них, которые оказывают наибольшее влияние на покупательские решения.
Достоинством метода является возможность выявить латентные факторы, влияющие на поведение потребителей.
Сегментация рынка на основе потребительских предпочтений, например, оценка размера сегмента, отдающего предпочтение сервису, либо сегмента, чувствительного в первую очередь к цене, и т.д. Подобная информация позволяет выбрать наиболее привлекательные сегменты рынка и разработать стратегию работы с выбранными сегментами

сложностью встроенных функций комнатного кондиционера и показателями потребления кондиционером электроэнергии.
Выбор

оптимального сочетания цены и размера упаковки для любого товара рынка FMCG
Определение значимости атрибутов товаров или услуг: изучение приоритетов потребителей по ключевым атрибутам товаров или услуг, например, сервис, цены, имидж, качество, широта ассортимента для розничной сети.

тарифов, отличающихся по таким характеристикам, как стоимость звонков внутри и

вне сети, стоимость смс и ммс сообщений, стоимость различных интернет-услуг, наличие включенных пакетов и дополнительных бонусов. По результатам опроса потребителей с помощью применения процедуры конджоинт анализа необходимо:

Определить, какие отличительные характеристики оказывают наибольшее влияние на выбор потребителя;
Составить профиль оптимального тарифа;
Выбрать тариф оператора, наиболее близкий к оптимальному и сформулировать управленческое решение.

нового шампуня, которая будет наиболее благосклонно воспринята покупателями.
1. Выделить характеристики,

по которым различаются упаковки шампуней: - объем упаковки, - форма упаковки, - основной цвет тюбика, - рисунок / цвет рисунка, - материал, из которого изготовлена упаковка, - размер крышки и т.д.
2. ВЫБРАТЬ НАИБОЛЕЕ ВАЖНЫЕ ХАРАКТЕРИСТИКИ и для каждой их характеристик составить список всех возможных значений фактора:










Каждый из этих наборов значений факторов называется ПРОФИЛЕМ например, пластиковая овальная бутылка объемом 150 мл белого цвета.
Задача – определить оптимальный профиль, наиболее предпочитаемый потребителями.

визуализированному представлению всех полученных профилей респондентам необходимо проранжировать их в

порядке убывания привлекательности (отдать предпочтения или назначить ранги) – измеряем вероятность покупки, степень предпочтения, вероятность рекомендации данного товара и т.д.

4. Качественный анализ полученных данных – с помощью процедуры совместного (конджоинт) анализа в программе IBM SPSS определить наиболее важные для респондентов характеристики упаковки.

Количественный анализ полученных данных - с помощью процедуры совместного (конджоинт) анализа в программе IBM SPSS составить оптимальный для потребителя профиль упаковки шампуня.

или услуги.
Конджоинт-анализ невозможно применять для оценки товаров, атрибуты которых взаимосвязаны

либо если товар или услуга не могут быть подвергнуты декомпозиции до элементарных атрибутов.
«Сложные» товары, то есть обладающие большим количеством значимых для принятия решений атрибутов, могут генерировать слишком большое количество альтернатив, так что респондент оказывается не в состоянии обработать настолько большое число вариантов

товара
Открыть пустой документ в SPSS
Данные – ортогональный план – генерировать
Задаем

имя фактора (например, объем) и его значения (100 мл – 1, 150 мл – 2).

результатами опроса
3) Проведение процедуры конджоинт-анализа в SPSS - написание скрипта
Файл

– Создать – Синтаксис
После написания скрипта: Запуск - все

шампуни.sav'
/SUBJECT = Респондент
/RANK = Шампунь_1 to Шампунь_8
/PLOT = all
/PRINT =

all
/UTILITY = 'C:\Users\Ольга\Desktop\Шампуни результаты.sav'.