Metody analizy danych w badaniach marketingowych 2013

Prezentacja na temat: "Metody analizy danych w badaniach marketingowych 2013"— Zapis prezentacji:

1 Metody analizy danych w badaniach marketingowych 2013
Wykład 1

2 Plan na dzisiaj Ogólne informacje organizacyjne
Prezentacja programu kursu

3 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 (

4 Program kursu 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 Analiza dyskryminacyjna J. Haman ACSI + MJR H. Banaszak

5 Analiza Conjoint Łukasz Ostrowski

6 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 komórkowy, 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?

7 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?

8 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

9 Segmentacja i analiza skupień
Piotr Zimolzak

10 Piotr Zimolzak - Segmentacja Istota segmentacji Na czym polega idea segmentacji
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

11 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

12 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

13 Analiza głównych składowych i analiza czynnikowa
Dr Henryk Banaszak

14 Fundamentalne różnice w postaci modelu
Henryk Banaszak – Analiza głównych składowych (PCA) i analiza czynnikowa (FA) Porównanie obu metod Wspólną cechą obu domian modelowania jest założenie o ilościowycm charakterze wskaźników cechy ukrytej (zakłada się, że są zmiennymi interwałowymi) W procedurach wnioskowania z próby założenie wielonormalnym rozkładzie czynników i wskaźników w populacji, z której losowano próbę Fundamentalne różnice w postaci modelu

15 Metoda redukcji danych.
Henryk Banaszak – Analiza głównych składowych (PCA) i analiza czynnikowa (FA) Porównanie obu metod: PCA Metoda redukcji danych. Założenie, że wszystkie rozważane wskaźniki są trafne i poszukuje się takiej zmiennej (zmiennych) które najlepiej będą reprezentowały cechę zmienność cechy wskazywanej. Poszukiwanie liniowej kombinacji wskaźników o największej wariancji (pierwsza główna składowa) i kolejnych nieskorelowanych z nią Wyznaczanie liczby składowych

16 Henryk Banaszak – Analiza głównych składowych (PCA) i analiza czynnikowa (FA) Porównanie obu metod: FA Analiza czynnikowa (FA) występuje w dwóch odmianach: eksploracyjnej (EFA) i konfirmacyjnej (CFA). W obu rodzajach FA zakłada się, że obserwowane wskaźniki są liniowymi funkcjami pewnego zestawu zmiennych ukrytych, nazywanych czynnikami wspólnymi i czynników specyficznych dla każdego wskaźnika. Z tego założenia wynikają oczekiwane wartości współczynników korelacji (kowariancje) między zmiennymi obserwowalnymi.

17 Henryk Banaszak – Analiza głównych składowych (PCA) i analiza czynnikowa (FA) Porównanie obu metod: EFA W eksploracyjnej wersji FA 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 FA jest więc szczegółnym przypadkiem modelu skalowania (liniowego).

18 Henryk Banaszak – Analiza głównych składowych (PCA) i analiza czynnikowa (FA) Porównanie obu metod: CFA W konfirmacyjnej odmianie FA model czynnikowy określa zarówno liczbę czynników współlnych jak i ich relacje z obserwowalnymi wskaźnikami. Celem konfirmacyjnej FA jest sprawdzenie, do jakiego stopnia zaobserwowane zależności (korelacje lub kowariancje) między wskaźnikami są zgodne z przewidywanymi przez model.

19 Henryk Banaszak – Analiza głównych składowych (PCA) i analiza czynnikowa (FA) Czemu będą poświęcone zajęcia? Celem tego bloku zajęć jest wprowadzenie do opisu zjawisk i procesów społecznych za pomocą modeli liniowych. Na zajęciach pokazane będą podstawy modelowania PCA i FA lecz bez wnioskowania statystycznego. Prezentacje zostaną przeprowadzone z wykorzystaniem elementarnych pojęć algebry macierzowej oraz geometrii. Będą przykłady.

20 Skalowanie wielowymiarowe
Barbara Jancewicz

21 Uwidocznienie struktury percepcji.
Barbara Jancewicz – Skalowanie wielowymiarowe Cele 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.

22 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

23 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

24 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

25 Analiza korespondencji
Dr Jacek Haman

26 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 zakup konkretnych marek? Interpretacja ilościowa zmiennych nominalnych Mapy percepcyjne i graficzna prezentacja/interpretacja rozkładów dwóch zmiennych

27 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

28 Analiza dyskryminacyjna
Dr Jacek Haman

29 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!

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

31 Modelowanie strukturalne satysfakcji konsumenta (ACSI + MJR)
Dr Henryk Banaszak

32 Henryk Banaszak ACSI-MJR
Punktem wyjścia zajęć będzie pomiar satysfakcji klienta, wywodzący się z ACSI: Amerykański Indeks Satysfakcji Klienta ... 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 Będą odwołania do PCA oraz CFA

33 Do zobaczenia wkrótce…