Plan na dzisiaj Ogólne informacje organizacyjne Potwierdzenie podziału na grupy na ćwiczenia Prezentacja programu kursu

Organizacja zajęć Wykłady w poniedziałki (godz. 14, sala 304), Ćwiczenia we czwartki (godz. 16, sala 412) Chyba, że z jakiś względów ćwiczenia zamienią się w wykład lub na odwrót Standardowo, każdemu tematowi poświęcimy: 2 (±1) wykłady oraz następujące po nich ćwiczenia chyba, że w jakimś przypadku zrobimy inaczej Zasady zaliczenia: Aktywna obecność (zwłaszcza na ćwiczeniach) Egzamin pisemny w formie testowej Materiały z zajęć (w tym prezentacje z wykładów) dostępne będą na platformie moodle (http://moodle.come.uw.edu.pl)

Program kursu Metody analizy danych w badaniach marketingowych Analiza conjoint Ł. Ostrowski Segmentacja i analiza skupień P. Zimolzak Analiza głównych składowych i elementy analizy czynnikowej [nowość] H. Banaszak Skalowanie wielowymiarowe B. Jancewicz Analiza korespondencji J. Haman ACSI H. Banaszak Analiza dyskryminacyjna J.Haman

Optymalizacja produktu Symulacja rynku Łukasz Ostrowski – analiza conjoint Problem marketingowy - do czego może się przydać analiza conjoint? Pomiar preferencji Np. Co jest ważniejsze dla konsumenta w telefonie komórkowym: czas trzymania baterii czy wielkość ekranu? Optymalizacja produktu Np. Jakie cechy powinien mieć telefon komórkowego, żeby jak najwięcej osób chciało go kupić? Symulacja rynku Np. Jaki udział w rynku będzie miał projektowany telefon? o ile wzrośnie nasz udział w rynku jeśli zwiększymy rozmiar ekranu?

Łukasz Ostrowski – analiza conjoint Istota analizy conjoint Badanie eksperymentalne Zamiast pytać respondenta o deklaracje obserwujemy jego wybory. Np. Czy wybierze telefon z mocną baterią ale małym ekranem, czy ze słabą baterią ale dużym ekranem? Podejście dekompozycyjne - korzystając z technik statystycznych odgadujemy, czym respondent się kierował dokonując wyboru Np. Co jest dla niego ważniejsze mocna bateria, czy duży ekran?

Łukasz Ostrowski – analiza conjoint Czemu będą poświęcone zajęcia? Teoria decyzji racjonalnego konsumenta Przebieg typowego badania Przygotowanie eksperymentu Istota podejścia dekompozycyjnego Sposób estymacji użyteczności atrybutów produktu Interpretacja wyników oraz zastosowanie AC do optymalizacji i symulacji

Piotr Zimolzak - Segmentacja Istota segmentacji Na czym polega idea segmetancji Cel: identyfikacja grup konsumentów różniących się wybranymi cechami (np. preferencjami, zachowaniami, wartościami) Uzyskanie podziału na podstawie cech trudno mierzalnych lub nieobserwowalnych (np. innych niż cechy społeczno-demograficzne) Redukcja danych do użytecznych informacji – w segmentach „zakodowana” jest informacja na temat rozkładów interesujących nas zmiennych, parametrów

Badanie struktury konsumentów Piotr Zimolzak - Segmentacja Zastosowania segmentacji Do czego może się przydać segmentacja? Badanie struktury konsumentów Np. Identyfikacja atrakcyjnych fragmentów rynku, rozpoznanie niezagospodarowych nisz rynkowych lub segmentów konsumentów korzystnych sprzedażowo Dostosowanie produktu do potrzeb grup docelowych Np. Pozycjonowanie produktu zgodnie z wartościami wyznawanymi przez atrakcyjny segment rynku Monitoring rynku Np. analiza migracji między segmentami, stabilności proporcji i struktury segmentów

Piotr Zimolzak - Segmentacja Czemu będą poświęcone zajęcia? Segmentacja jako problem biznesowy i decyzyjny Segmentacja a klasyfikacja Podstawowe pojęcia związane z klasyfikacją Statystyczne metody klasyfikacji Proces klasyfikacji Algorytmy analizy skupień Interpretacja wyników Zastosowanie klasyfikacji do problemu biznesowego

Analiza Głównych Składowych i Analiza Czynnikowa Henryk Banaszak Analiza Głównych Składowych i Analiza Czynnikowa Celem tego bloku zajęć jest wprowadzenie do opisu zjawisk i procesów społecznych za pomocą modeli liniowych. Wspólną cechą obu domian modelowania jest założenie o ilościowycm charakterze wskaźników cechy ukrytej (zakłada się, że są zmiennymi interwałowymi) a w procedurach wnioskowania z próby założenie wielonormalnym rozkłaadzei czynników i wskaźników w populacji, z której losowano próbę. Analiza głównych składowych (PCA ) jest metodą redukcji danych. Zakłada się w niej, że wszystkie rozważane wskaźniki są trafne i poszukuje się takiej zmiennej (zmminnych) które najlepiej będą reprezentowały cechę zmienność cechy wskazywanej. Najpierw poszzukuje sie liniowej kombinacji wskaźników, o największej możliwie wariancji i nazywa się ją pierwszą główną składową. Następna liniowa kombinacji wszystkich wskaźników ma mieć również największą możłiwą wariancję lecz musi być nieskorelowana z poprzednią. Nazywa się ją drugą głóną składową. Składowych wyznacza się w ten sposób tyle samo ile jest wskaźników , a każda kolejna jest nieskorelowana z poprzednimi i ma coraz mniejszą wariancję. Jeśli wskaźniki silnie zależą (liniowo) od wskazywanej cechy, to już pierwsza główna skłądowa może z powodzeniam zastąpić je wszystkie. Dzieki temu zamiast kilku-kilkunastu zmiennych mamy do czynienia tylk z jedną. Analiza czynnikowa (FAC) występuje w dwóch odmianach: eksploracyjnej i konfirmacyjnej. W obu rodzajach FAC zakłada się, że onserwowane wskaźniki są liniowymi funkcjami pewnego zestawu zmiennych ukrytych, nazywanych czynnikami wspólnymi, a cczynników specyficznych dla każdego wskaźnika. Z założenia tego wynikają oczekiwane wartości współczynników korelacji (kowariancje) między zmiennymi obserwowalnymi. W ekspoloracyjnej wersji FAC szuka się odpowiedzi na pytanie o liczbę czynników wspólnych (a więc cech ukrytych) trzeba uwzględnić aby wyliczone z modelu korelacje (kowariancje) były wystarczająco podobne do korelacji (kowariancji) zaobserwowanych, które ze wskaźników są najsilniej zależne od czynników wspólnych i w jakich relacja zależności czynniki wspólne pozostają. Ten rodzaj FAC jest więc szczegółnym przypadkiem nodelu skalowania (liniowego). W konfirmacyjnej odmianie FAC model czynnikowy określa zarówno liczbę czynników współlnych jak i ich relacje z obserwowalnymi wskaźnikami. Celem konfirmacyjej FAC jest sprawdzenie, do jakiego stopnia zaobserwowane zależności (korelacje lub kowariancje) między wskaźnikami są zgodne z przewidywanymi przez model. Na zajęciach pokazane są podstawy modelowania PCA i FAC lecz bez wnioskowania statystycznego. Prezentacje zostanieprzeprowadzona z wykorzystaniem elementarnych pojęć algebry macierzowej oraz geometrii. Będą przyklady.

Uwidocznienie struktury percepcji. Barbara Jancewicz – Skalowanie wielowymiarowe Cel skalowania wielowymiarowego Przedstawienie różnic między obiektami (np. produktami) w postaci łatwo interpretowalnej „mapy”. Uwidocznienie struktury percepcji. Zauważenie i interpretacja istotnych wymiarów/cech, które decydują o postrzeganych różnicach.

Barbara Jancewicz – Skalowanie wielowymiarowe Możliwe zastosowania Określanie pozycji produktu na rynku Rozpoznawanie luki na rynku Obrazowanie istotnych cech produktów Badanie struktury preferencji konsumentów wobec produktów

Przykład Macierz Odległości Mapa percepcji Partia PO 2,8 2,1 3,1 2 1,9 PiS PSL SLD PJN Palikot 2,8 2,1 3,1 2 1,9 - 1,5 1,7 2,7 0,9 2,9 1,2 Macierz Odległości Mapa percepcji

Jak badać odległość/różnice? Jedna macierz odległości Barbara Jancewicz – Skalowanie wielowymiarowe Czemu będą poświęcone zajęcia? Co to jest odległość? Jak badać odległość/różnice? Jedna macierz odległości Przykład ręcznego tworzenia mapy na podstawie odległości Miary dopasowania Algorytm skalowania wielowymiarowego PROXSCAL (ogólna idea) Wiele macierzy odległości – różnice indywidualne

Badanie i prezentacja relacji między zmiennymi nominalnymi Jacek Haman - Analiza korespondencji Analiza korespondencji – co to jest i do czego służy Badanie i prezentacja relacji między zmiennymi nominalnymi Np. : jak ma się do siebie segmentacja konsumentów i zakupowanie konkretnych marek? Interpretacja ilościowa zmiennych nominalnych Mapy percepcyjne i graficzna prezentaca/interpretacja rozkładów dwóch zmiennych

Jacek Haman - Analiza korespondencji Czemu będą poświęcone zajęcia? Zmienne nominalne i relacje między nimi Zależność stochastyczna i jej miary Profile i ich podobieństwo Analiza korespondencji – teoria Korelacja kanoniczna a zmienne nominalne Interpretacja wyników i jej ograniczenia Warianty analizy korespondencji Analiza korespondencji w SPSS na realnych danych

Odwrócenie problemu analizy regresji / analizy wariancji: Jacek Haman - Analiza dyskryminacyjna Analiza dyskryminacyjna – co to jest i do czego służy Odwrócenie problemu analizy regresji / analizy wariancji: Przewidywanie wartości zmiennej nominalnej za pomocą zmiennych ilościowych Typowe zastosowanie: rekonstrukcja klasyfikacji/segmentacji poprzez odwołanie się do zespołu łatwo/łatwiej dostępnych zmiennych Typowe – nie znaczy, że zawsze właściwe!

Jacek Haman - Analiza dyskryminacyjna Czemu będą poświęcone zajęcia? Twierdzenie Bayesa - przypomnienie Analiza dyskryminacyjna – teoria Przy użyciu jednej zmienne niezależnej Przy użyciu wielu zmiennych niezależnych Założenia metody i konsekwencje ich naruszania Analiza dyskryminacyjna – praktyka w SPSS

Henryk Banaszak ACSI-MJR Punktem wyjścia zajęć będzie pomiar satysfakcji klienta, wywodzący się z ACSI: Amerykański Indeks Satysfakcji Klienta (ACSI) ... A w Instytucie Socjologii UW przekształcony w odniesieniu do usług publicznych na MJR: Miara Jakości Rządzenia Przedmiotem zajęć będzie głównie problem skalowania: w jaki sposób od wskaźników dojść do skali o charakterze ilościowym