Модели и методы обработки и прогнозирования нечисловых данных маркетинговых исследований Мокшина Светлана Ивановна

Содержание к диссертации

Введение

Глава 1. Современные маркетинговые исследования: специфика и проблемы 10

1.1. Основные аспекты проведения маркетинговых исследований 10

1.2. Способы измерения и представления маркетинговой информации 26

1.3. Классификация методов обработки и прогнозирования результатов маркетинговых исследований 43

Глава 2. Математический аппарат обоснования маркетинговых решений 64

2.1. Адаптивный дискриминантный анализ в прогнозных задачах маркетинга 64

2.2. Эконометрические модели маркетинговых прогнозных решений в номинальных шкалах 82

2.3. Методы экспертного оценивания в маркетинговых исследованиях 103

Глава 3. Применение методов моделирования нечисловых данных в реальных маркетинговых исследованиях 122

3.1. Адаптивно-дискриминантный анализ в задачах выбора наиболее перспективных регионов ЦФО России для реализации инвестиционных проектов 122

3.2. Методика формирования псевдовыборок для прогнозирования субъективных суждений с помощью моделей бинарного выбора 141

3.3. Моделирование вероятностных распределений ожидаемых результатов маркетинговой деятельности в областях ЦЧР РФ 155

Заключение 168

Список использованных источников 170

Приложение 183

• Способы измерения и представления маркетинговой информации
• Классификация методов обработки и прогнозирования результатов маркетинговых исследований
• Эконометрические модели маркетинговых прогнозных решений в номинальных шкалах
• Методика формирования псевдовыборок для прогнозирования субъективных суждений с помощью моделей бинарного выбора

Введение к работе

Актуальность темы исследования. Сегодня можно с уверенностью говорить о всё возрастающей роли маркетинговых исследований в практической деятельности хозяйствующих субъектов. И это неслучайно. Ведь такие исследования ориентированы прежде всего на снижение информационной неопределенности и уровня коммерческого риска.

Об интересе к ним свидетельствуют также большое число публикаций, посвященных различным аспектам маркетинговых исследований:

1. принципам, формам и видам (Ф. Котлер, Е.П. Голубков, Г.Л. Багиев, И.К. Белявский, С.Г. Божук, Л.Н. Ковалик и др.);

2. особенностям их проведения в Интернете (В. Холмогоров, И. Успенский, Т.П. Данько и др.);

3. необходимости и существующих возможностях использования математических методов и моделей в задачах обработки и анализа результатов маркетинговых исследований (Н.К. Малхотра, С.Г. Светуньков, Е.Б. Галиц-кий, Г.А. Черчилль и др.).

Однако то, что довольно часто результаты маркетинговых исследований представляются в номинальных шкалах, вызывает определенные затруднения в их обработке и анализе. Естественно, такая актуальная проблема не могла оставить равнодушными специалистов в области экономико-математического моделирования. Правда, к сожалению, интенсивные разработки в этой области были проведены и проводятся зарубежными, а не отечественными исследователями. Наиболее существенный вклад в развитие теории и методов анализа моделей дискретного выбора внес нобелевский лауреат 2000г. Д. Макфадден.

Благодаря его работам, а также разработкам других исследователей (Дж. Тобина, У. Грина, Л. Кинга, Д. Пауэрса, У. Ксая, Д. Коха, И. Снэлла, С. Майски и др.) в настоящее время уже можно говорить о существовании некоторого аппарата, позволяющего моделировать качественные переменные. Более

-4-того, самостоятельным разделом эконометрики признана «Эконометрика качественных зависимых переменных» (Ч. Гурьерукс).

В целом, модели качественных переменных нашли широкое применение в экономическом анализе деятельности зарубежных хозяйствующих субъектов, чего нельзя сказать о российской практике предпринимательства. Особенно вызывает удивление тот факт, что актуальность применения подобного рода моделей в отечественных маркетинговых исследованиях по-прежнему остается незамеченной.

Между тем, результаты маркетинговых исследований, имея в своей основе стратегическую направленность, помогают руководителю ориентироваться в сложнейших ситуациях современного бизнеса. В то же время естественная граница, существующая между настоящим и будущим, является тем барьером, который мешает ему предвидеть условия реализации принятого решения. Желание хоть что-то увидеть за этим барьером приводит к необходимости разработки прогнозных решений на основе результатов маркетинговых исследований.

Недооценка руководителем важности прогнозных решений в преодолении этого барьера свидетельствует о его неспособности рассмотреть основные ориентиры будущего, что, в свою очередь, приводит к так называемому «шоку будущего». Поэтому роль прогнозирования и масштабы его практического применения в современной экономике существенно выросли, что стимулирует развитие методов прогнозирования. В маркетинговых же решениях особое место занимает проблема предсказания благоприятных и неблагоприятных событий, предпочтений, рисков, т.е. ситуаций, описание которых требует введения качественных переменных.

И если арсенал математических методов прогнозирования числовых данных уже достаточно богат, то на пути предсказания ожидаемых значений качественных переменных делаются только первые шаги. Все это приводит к тому, что отечественные маркетологи испытывают острый недостаток в адекватном математическом обеспечении своей аналитической деятельности, а

руководители - в корректном формализованном обосновании принимаемых прогнозных решений. В этой связи настоящее диссертационное исследование, направленное на восполнение этого пробела, представляется весьма актуальным.

Работа выполнялась в соответствии с комплексной программой научных исследований кафедры информационных технологий и математических методов в экономике Воронежского государственного университета «Математическое моделирование и информационные технологии в управлении экономическими процессами».

Цели и задачи исследования. Целью диссертационной работы является развитие математического аппарата анализа и прогнозирования нечисловых данных маркетинговых исследований на основе комбинирования интуитивного и аналитического подходов в задачах обоснования маркетинговых решений.

Цель исследования предопределила необходимость решения следующих основных задач:

анализ отечественных и зарубежных подходов к проведению маркетинговых исследований и обработке их результатов;

систематизация современных методов анализа и прогнозирования результатов маркетинговых исследований;

изучение способов измерения и представления маркетинговой информации;

разработка метода построения адаптивной дискриминантной функции для обоснования маркетинговых решений;

предложение методики формирования псевдовыборочных совокупностей и ее использования в прогнозных расчетах;

разработка моделей прогнозирования экспертных суждений и предпочтений массовых потребителей;

исследование прикладных возможностей моделей бинарного выбора для решения задач маркетинга;

применение методов моделирования нечисловых данных в реальных маркетинговых исследованиях.

Объектом исследования являются результаты отечественных маркетинговых исследований, проводимых в последнее время как на уровне отдельного предприятия, региона, округа, так и страны в целом.

Предмет исследования - математический аппарат обработки и прогнозирования данных маркетинговых исследований, измеренных в номинальных и ранговых шкалах.

Теоретической и методологической основой исследования являются современные достижения экономической и математической науки (труды отечественных и зарубежных ученых по вопросам методологии проведения маркетинговых исследований, экономико-математического моделирования, прогнозирования социально-экономических процессов, экспертного оценивания, а также применения принципов адаптации в экономической сфере). Была использована справочная и методическая литература, материалы периодической печати, Интернет-ресурсы, а также нормативные и законодательные акты.

При выполнении диссертационной работы применялись эконометриче-ские и многомерные статистические методы, а также методы адаптивного прогнозирования и обработки экспертной информации.

Фактографический материал составили официальные данные, полученные от Воронежского областного комитета государственной статистики и Главного управления экономического развития Администрации Воронежской области. Этот материал был обработан с использованием современного программного обеспечения.

Диссертационная работа выполнена в рамках п. 1.9. «Разработка и развитие математических методов и моделей анализа и прогнозирования развития социально-экономических процессов общественной жизни...» паспорта специальности 08.00.13 - «Математические и инструментальные методы экономики».

Научная новизна исследования состоит в разработке математического аппарата прогнозирования нечисловых данных, основу которого составляют: 1) адаптивный дискриминантный анализ; 2) модели бинарного выбора, построенные с использованием псевдовыборочных совокупностей.

Научная новизна подтверждена следующими, наиболее существенными, выносимыми на защиту научными результатами, полученными автором в ходе диссертационного исследования:

проведена классификация методов и моделей обработки результатов маркетинговых исследований в зависимости от шкал, в которых измерены эти результаты;

разработан метод построения адаптивной дискриминантной функции, механизм которой позволяет автоматически отслеживать эффективность распознавания и в случае, когда снижается классифицирующая способность, корректировать параметры дискриминантной функции;

предложена методика факторного анализа динамических эффектов, воздействующих на маркетинговую деятельность, что способствует получению дополнительной информации для обоснования бизнес-решений;

сформирован новый взгляд на обработку экспертной информации, позволивший построить модель бинарного выбора для прогнозирования субъективных суждений.

Апробация результатов работы. Основные результаты работы докладывались и обсуждались на: семинарах и научных сессиях в Воронежском государственном университете; 24-й международной школы-семинара им. С.С. Шаталина «Системное моделирование социально-экономических процессов» (Воронеж, 2001); 25-й юбилейной международной школы-семинара им. С.С. Шаталина (Королев, 2002); Межрегиональной научно-практической конференции «Электронный бизнес: опыт и перспективы» (Воронеж, 2002); IV Международной научно-практической конференции «Методы и алгоритмы прикладной математики в технике, медицине и экономике» (Новочер-

-8-касск, 2004); Всероссийской научно-практической конференции «Экономическое прогнозирование: модели и методы-2004» (Воронеж, 2004); Третьей международной научно-практической конференции «Управление изменениями в социально-экономических системах» (Воронеж, 2004); 27-й международной школы-семинара им. С.С. Шаталина (Орел, 2004).

Практическая значимость работы выражается в разработке методов и моделей, которые можно использовать в задачах выбора наиболее перспективных регионов для реализации инвестиционных проектов и моделировании вероятностных распределений ожидаемых результатов маркетинговой деятельности на их территории.

Отдельные результаты диссертационного исследования используются при подготовке экономистов и менеджеров на экономическом факультете Воронежского госуниверситета в курсах: «Методы социально-экономического прогнозирования», «Эконометрика», «Многомерные статистические методы», что подтверждается соответствующим актом о внедрении.

Публикации. По теме диссертационного исследования опубликовано 7 печатных работ, которые указаны в конце автореферата. Лично соискателю принадлежат [2, 3]. Работы [1, 4-7] выполнены в соавторстве. В [1] соискатель провел анализ результатов опроса предпринимателей. В [4] он предложил метод построения адаптивной дискриминантной функции. В [5] соискателю принадлежит классификация методов анализа и прогнозирования в зависимости от шкалы, в которой измерены результирующий признак и объясняющие переменные. В [6] он разработал методику формирования псевдовыборочной совокупности для построения модели бинарного выбора. В [7] соискатель дал оценку современным методам и моделям, которые можно использовать в задачах, прогнозирования данных, измеренных в номинальных шкалах.

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, списка использованной литературы и приложений. Основ-

ной текст изложен на 169 страницах машинописного текста, содержит 30 таблиц, 7 рисунков.

В первой главе нашли отражение специфика и проблемные аспекты современных маркетинговых исследований. Здесь также проведен анализ математического аппарата обработки и прогнозирования результатов такого рода исследований.

Вторая глава посвящена математическому аппарату прогнозирования в номинальных и ранговых шкалах. В ней, в частности, изложен метод построения адаптивной дискриминантной функции, являющейся оригинальной разработкой автора.

В третьей главе продемонстрированы прикладные возможности предлагаемого аппарата для решения реальных маркетинговых задач. Особое внимание уделено разработке принципов построения моделей прогнозирования субъективных суждений, а также методике практического использования адаптивного факторного анализа динамических эффектов, воздействующих на маркетинговую деятельность.

_v*> ГЛАВА 1. СОВРЕМЕННЫЕ МАРКЕТИНГОВЫЕ

ИССЛЕДОВАНИЯ: СПЕЦИФИКА И ПРОБЛЕМЫ

1.1. Основные аспекты проведения маркетинговых исследований

Информация в современном мире представляет собой особо ценный ресурс. Начиная любое новое для себя дело, человек стремится предварительно собрать как можно больше сведений о нем и уже на их основе принять соответствующее решение по реализации своего замысла. В этом смысле не яв-

⁽'' ляются исключением и маркетинговые решения, представляющие собой «совокупность маркетинговых воздействий на субъекты и объекты маркетинговой системы (потребителей, конкурентов, рынок, партнеров и т.д.) для достижения сформулированной цели, направленной на улучшение или сохранение конкурентного преимущества фирмы» [87, стр. 25].

Трудно не согласиться с тем, что чем больше специалисту по маркетингу удастся получить информации о конъюнктуре рынка, потенциальных потребностях потребителей, возможных каналах распределения продукции, намерениях конкурентов и т.д., тем больше у него, а значит, и у его компании шансов на успех. Поскольку в современных условиях, характеризующихся

(4) прежде всего глобализацией, стремительным развитием информационных технологий и быстрым становлением электронного бизнеса, рынок не имеет физических границ и, кроме того, на нем действуют субъекты зачастую с абсолютно разными интересами, представляется весьма сложным выявить, кто и в каком количестве желал бы закупить тот или иной продукт и сколько за него заплатить.

Сегодня нередко встречаются ситуации, когда произвести продукт гораздо легче, чем его продать. Поэтому, если рынок не будет целенаправленно и со всей тщательностью изучен, то компании грозит полное фиаско в усилиях по производству и последующему маркетингу продукта (услуг). Все это позволяет говорить о той большой роли, которую играют сегодня результаты

vr> маркетинговых исследований в маркетинговой информационной системе и системе поддержки принятия решений любой компании. И в этой связи вполне закономерным представляется тот факт, что и Американская ассоциация маркетинга, и разработчики Международного кодекса ICC/ESOMAR при выработке официального определения термина «маркетинговые исследование» в качестве базового понятия выбрали информацию.

Так, Американская ассоциация маркетинга под маркетинговыми исследованиями понимает «систематическое и объективное выявление, сбор, анализ, распространение и использование информации для повышения эффек-^ тивности идентификации и решения маркетинговых проблем (возможностей)» [139, стр. 122; 54, стр. 354].

Международный кодекс ICC/ESOMAR (Международной торговой пала
ты/Европейского общества по опросам общественного мнения и маркетинго
вым исследованиям) в [130] определил маркетинговые исследования как
. «ключевой элемент в области маркетинговой информации. Оно соединяет
потребителей товаров и услуг, а также общественность со специалистами по
маркетингу через информацию, которая используется ими, чтобы выявлять и
определять рыночные возможности и проблемы, вырабатывать, уточнять и
оценивать варианты маркетинговых действий, совершенствовать понимание
с, маркетинга как процесса и путей повышения его эффективности».

Маркетинговые исследования используются для решения самых разнообразных задач всеми типами организаций и прежде всего такими крупными иностранными корпорациями, как Coca-Cola, Ford, Procter&Gambel, Colgate, Palmolive, McDonald's, Nike, Colambia, Reebok, LG, Lotus, Harley Davidson, Adidas, Sony, Toyota, Avon, Samsung, Lego, Philips, Oriflame, Wrigley, Panasonic и многие другие. Продукты всех этих, несомненно, успешных компаний стали хорошо известны российским потребителям главным образом благодаря маркетинговым исследованиям, проведенным на достаточно высоком профессиональном уровне.

Одним из ярких примеров того, как результаты маркетинговых исследований помогли управленцам принять правильное решение, может служить ситуация, имевшая место в истории компании Hershey - крупнейшего производителя конфет и шоколадных батончиков [63]. В начале 1970-х годов Hershey утратила свои позиции в борьбе с Mars за «сладкую» долю рынка, и компании пришлось потратить немало времени и усилий, чтобы снова включиться в конкурентную борьбу и в 1985г. войти в десятку самых популярных в мире марок шоколадных батончиков. Одним из значимых положительных факторов, сыгравших в пользу Hershey, была высококлассная работа отдела маркетинговых исследований. Проведенные исследования показали, что на приверженность к определенным продуктам влияет возраст покупателей. Было установлено, что 60% покупателей в возрастной группе от 18 до 34 лет и только 6 % людей в возрастной группе от 35 до 64 лет покупают сладости, по крайней мере, раз в неделю. Руководству компании были также приведены данные, свидетельствующие о старении населения. Причем, в связи с тем, что люди становятся старше, они предпочитают более качественные товары, в частности, качественный шоколад. Проанализировав полученные результаты, Hershey начала производство ставшего чрезвычайно популярным шоколада Golden, ориентированного на взрослых. В настоящее время Hershey продолжает удерживать лидирующие позиции в кондитерской индустрии.

Что же касается отечественных компаний, то их опыт в сфере маркетинговых исследований, к сожалению, нельзя считать огромным. Однако следует признать, что интерес российских бизнесменов к такому виду деятельности неуклонно растет. Об этом, в частности, свидетельствует достаточно высокий спрос на квалифицированных маркетологов, а также весьма большое количество публикаций, посвященных различным аспектам маркетинговых исследований [1, 6, 7, 10-12, 17, 19, 21, 26, 27, 29-31, 53,54, 57, 63, 65, 66, 16, 107,111,116].

Большинству маркетинговых исследований предшествует детальный анализ рынка маркетинговой информации на предмет поиска источников

информации определенной достоверности и полноты отражения рыночных процессов. Формирование рынка маркетинговой информации началось в начале 60-х годов прошлого века. До указанного периода основными поставщиками на этом рынке выступали службы новостей и агентства прессы. Несколько позже в рынок маркетинговой информации вступили информационные службы банков, различные научно-технические общества и др.

В начале 70-х появились базы данных, формируемые крупными информационными службами, которые были тесно связаны с научно-техническими, академическими, государственными учреждениями, кооперируясь с ними в сборе информации.

В настоящее время главными поставщиками маркетинговой информации являются специализированные фирмы, осуществляющие исследования российского рынка на профессиональной основе. Среди пользующихся популярностью из них можно назвать следующие фирмы: Независимое российское маркетинговое агентство «Точка роста», Консалтинговая компания «Ке-лис», Информационно-маркетинговое агентство «Инфо-Марк», ЗАО «Аналитический центр», Агентство рыночных исследований и консалтинга «Мар-кет», Центр маркетинговых исследований «Фармэксперт», Исследовательская компания «PreVIEW», Маркетинговое агентство «CSR Research» и др.

Наиболее успешными компаниями, зарегистрированными в г. Воронеже и проводящими исследовательские работы на товарных, потребительских рынках и рынках услуг, а также массовые опросы как на территории Воронежской области, так и за её пределами, являются компания «Реформа» ( ), а также Воронежское региональное агентство поддержки малого и среднего бизнеса (). Маркетинговые исследования заработных плат специалистов различных профессий и специальностей в нашем регионе осуществляет кадровое агентство Центр «Карьера».

Сегодня все большую популярность приобретает такой источник маркетинговой информации как Интернет. В настоящее время более 10% населе-

ния нашей планеты являются активными пользователями этой уникальной информационной среды. Ожидается, что к концу 2005г. количество пользователей Интернета достигнет одного миллиарда. Россия занимает по этому показателю лишь 15-е место в мире, но по прогнозам Министерства связи РФ количество российских пользователей Интернет к 2005г. резко возрастет [].

Наступление эпохи Интернет, можно сказать, изменило все. Благодаря именно этой глобальной сети достаточно быстро сформировалась среда электронного бизнеса, а вместе с тем и изменились ключевые факторы бизнес-успеха. «Чтобы оставаться'конкурентоспособными, необходимо быть в электронном бизнесе», - вот лозунг, которого в настоящее время старается придерживаться большинство успешных компаний всего мира, занимающихся традиционном бизнесом. В креативности, с которой компания «инкорпорируется» в электронную бизнес-среду, содержится огромный потенциал, предназначенный для перестройки цепочки ценностей и усиления конкурентоспособности компании.

С каждым днем становится все понятнее, что Интернет-экономика не только открывает новые возможности, но и порождает определенные опасности, которые требуют от современных компаний стратегического ответа. Для того чтобы помочь компании сформулировать адекватный ответ, на рынке электронной коммерции уже начали свою работу фирмы, оказывающие услуги по проведению маркетинговых исследований в Интернет (например, , АО «Aliorta Investments» и другие). Одно из существенных преимуществ проведения исследования в Интернет заключается в том, что данные могут обрабатываться по мере их поступления. Эти данные не требуют дополнительного ввода, потому что они отправлены от респондента в электронном виде.

На практике применяют разнообразные формы проведения маркетинговых исследований, классификация которых осуществляется по целому ряду критериев: по объекту исследования, по географическому признаку, по вре-

менному признаку, по виду товара, а также по способу получения данных. Перечисление критериев можно продолжить, однако с позиций инструментария маркетинговых исследований приведенная классификация более чем достаточна. Как отмечается в [87], принципиальной для этих целей является классификация по последнему признаку - способу получения данных. В этой связи различают полевые и кабинетные исследования. Результатом первого из них является первичная информация, а другого - вторичная, т.е. информация, предварительно собранная для других целей, не связанных с проблемой текущего маркетингового исследования. Недостатки такого рода исследований очевидны: вторичные данные могут быть устаревшими или ненадежными. Кроме того, необходимо также проверять степень соотнесения вторичной информации с решаемой проблемой, а также их точность, поскольку цели, средства и способы, которыми были получены эти данные, могут не соответствовать современной ситуации.

Довольно затратными, но более надежными являются полевые исследования. Заинтересованные компании проводят такие исследования либо собственными силами (силами отдела маркетинговых исследований, являющегося структурным подразделением фирмы), либо обращаются в специализированные фирмы, о которых шла речь выше.

В самом общем виде реализация маркетинговых полевых исследований в системе поддержки принятия решений может быть представлена в виде спирали, изображенной на рис. 1.1. И это неслучайно. Во-первых, потому что каждый пройденный этап (виток спирали) очевидным образом повышает уровень наших знаний об изучаемой проблеме и возможных путях ее решения. Во-вторых, процесс реализации каждого этапа устроен таким образом, что предусматривает взаимодействие со всеми факторами внешней и внутренней среды, существующими методиками маркетинговых исследований, ресурсным и организационным обеспечением и др. компонентами, представленными на этом рисунке. Причем, как правило, каждый этап выполняется, повторяя круг таких взаимодействий на более высоком уровне.

'Ь

Система поддержки принятия решений

Маркетинговая информационная система

Рис. 1.1. Спираль реализации маркетинговых исследований в системе поддержки принятия решений

Первый этап (постановка задачи) маркетингового исследования заключается в выяснении проблемы и формировании ясного представления о целях исследования. Здесь определяется, какая информация должна быть получена и как на ее основе будут приниматься маркетинговые решения. При этом целесообразно использование таких методов, как опрос экспертов, анализ вторичной информации, а также проведение отдельных качественных исследований (например, фокус-групп), которые, в отличие от количественных, основаны на малом объеме выборки и позволяют понять суть обстановки, сложившейся вокруг проблемы.

Лучшему пониманию истоков проблемы маркетингового исследования способствует тщательный анализ факторов внешней и внутренней среды, влияющих на эту проблему. Прежде чем четко сформулировать задачу конкретного маркетингового исследования, необходимо определить, какие у организации имеются возможности (в первую очередь - ресурсы: финансовые, материальные, человеческие и др.) и какие ограничения (время, бюджет, требования заказчика, организационная культура и др.). Кроме того, целесообразно проанализировать прежнюю информацию и имеющиеся прогнозы относительно тенденций изменения конъюнктуры рынка, собственных объемов продаж и объемов продаж конкурентов, демографии, доминирующего стиля жизни, информационных технологий и т.д. Информация о прошлом и прогнозы будущего представляют особую ценность в деле обнаружения латентных возможностей и проблем.

Очевидно, что решения принимаются для реализации соответствующих целей, которые бывают двух типов: цели организации и цели лица, принимающего решения. Причем, эти цели не всегда совпадают. Ситуация усложняется тем, что сами менеджеры высшего звена весьма редко абсолютно точно формулируют их, а «размытые» формулировки не могут служить руководством для конкретных действий. Поэтому залогом успешного маркетингового исследования является умение маркетолога выявить эти цели и разработать такой план исследования, который будет способствовать их реализации.

Проникновению в суть маркетинговой проблемы помогает также изучение поведения потребителей. В целом, поведение потребителей признается одним из основных факторов внешней среды. Для того чтобы понять причины и выявить существующие закономерности тех или иных действий покупателей, следует проанализировать их количество, демографические и психологические характеристики, реакцию на рекламу, чувствительность к цене, приверженность к определенным торговым точкам, географическое размещение, а также характеристики тех продуктов, которые они потребляют.

Немаловажным фактором успешного маркетингового исследования является наличие у компании опыта в использовании компонентов комплекса маркетинга, а также обладание ее сотрудниками маркетинговыми и технологическими навыками. В качестве примера отметим, что компьютеризированные кассы позволяют руководству супермаркета постоянно наблюдать за спросом на все виды продукции и таким образом получать необходимые для исследования данные.

Маркетологу не следует забывать и о том, что изучение правовой среды компании может также сыграть важную роль в ходе постановки задачи исследования. Ведь любой хозяйствующий субъект, как известно, обязан действовать в определенных рамках, установленных в результате законодательной деятельности государства.

В настоящее время основными нормативно-правовами актами, регулирующими отношения, связанными с патентами, торговыми марками, налогами и др., являются следующие: Патентный закон Российской Федерации от 23 сентября 1992 г. № 3517-1 (с изменениями и дополнениями, внесенными Федеральным законом от 07 февраля 2003 г. № 22-ФЗ) ; Федеральный закон от 18 июля 1995 года № 108-ФЗ «О рекламе» (с изменениями ст. 16, внесенными Федеральным законом от 20 августа 2004г. № 115-ФЗ); Федеральный закон «О товарных знаках, знаках обслуживания и наименованиях мест происхождения товаров» от 23 сентября 1992г. № 3520-1 (с изменениями и дополнениями, внесенными Федеральным законом от 11.12.2002 №166-ФЗ);

-19-.

Часть первая Налогового кодекса РФ от 31 июля 1998 г. №146-ФЗ; Часть вторая Налогового кодекса РФ от 5 августа 2000 г. №117-ФЗ и др.

Другой, не менее важный, компонент внешней среды - это экономическая среда. Она характеризуется действующими ценами, покупательной способностью, размером валового и других видов доходов, величиной сбережений, уровнем безработицы, условиями предоставления кредитов и общими экономическими условиями. На наш взгляд, тот факт, что неопределенность является принципиальной характеристикой экономической среды, не нуждается в каких-либо доказательствах. Однако уровень неопределенности, как известно, можно уменьшить, добыв хотя бы часть необходимой информации. В этом смысле маркетинговое исследование как один из способов получения маркетинговой информации представляется весьма полезным при принятии важных управленческих решений. Корректный анализ его результатов позволяет руководителям эффективно распределять экономический потенциал для достижения новых высот в бизнесе.

После получения адекватного понимания факторов внешней и внутренней среды можно приступить к реализации следующего этапа маркетингового исследования -разработке подхода к решению задачи.

На этом этапе строится так называемый теоретический «каркас» исследования; формулируются гипотезы; ставятся поисковые вопросы; подбираются аналитические модели, т.е. определяется конкретный набор переменных, предназначенный для того, чтобы с его помощью представить в целом или по частям некоторый реальный процесс; выделяются ключевые моменты, которые необходимо отразить в плане исследования. Все это подразумевает проведение кабинетных исследований, обсуждение ситуации с экспертами или с руководством компании-клиента и др. мероприятия. Затем переходят к разработке детального плана исследования.

План маркетингового исследования конкретизирует ход выполнения процедур, необходимых для получения требуемой информации. На этапе его разработки обычно проводят поисковые исследования, т.е. исследования, ос-

i V, новная задача которых состоит в обеспечении понимания проблемы, стоящей перед исследователем. Кроме поисковых, могут применяться также дескриптивные (описательные) и причинно-следственные исследования.

Описательные исследования имеют своей целью выявить не просто встречающиеся, а типичные маркетинговые характеристики, и дать информацию о том, в какой мере распространена та или иная из них, причем не только сама по себе, но и в сочетании с другими характеристиками [27]. Основными методами, применяемыми при проведении дескриптивных исследований, являются опрос и наблюдение.

v* Формализованный опрос осуществляется с использованием структури-

рованной анкеты, которую для получения определенной информации пред
лагается заполнить ряду респондентов, входящим в некоторую выборку из
генеральной совокупности. Опрос может производиться по телефону, лично,
по почте. В связи с развитием Интернет-технологий в настоящее время
обычной практикой стало проведение Интернет-опросов. Их отличительны
ми особенностями являются сравнительно невысокие затраты, автоматизация
процесса опроса и анализа его результатов, а также возможность фокусиров
ки на целевой аудитории. Несомненным преимуществом Интернет-опросов
является также возможность изучать специфические проблемы, которые лю-
_ч ди не склонны обсуждать в обычном разговоре.

Опросы в этом случае могут проводиться путем рассылки анкеты по электронной почте, размещения анкеты на web-сайтах, предложения заполнения анкеты в телеконференциях. Поскольку заполнение анкеты требует некоторых усилий от потенциальных респонедентов, то необходима достаточная мотивация для их убеждения в том, чтобы потратить несколько минут на ее заполнение. В [106] говорится о существовании трех наиболее распространенных вариантов такой мотивации: 1) посетителям web-сайта предлагается ответить на вопросы анкеты с целью повышения качества обслуживания клиентов; 2) для получения доступа к ресурсам web-сайта требуется пройти обязательную ре-гистрацию, в ходе которой посетители вынуждены ответить на все вопросы,

.-21-

содержащиеся в анкетной форме; 3) владельцы ресурса предлагают лицам, заполнившим анкету, принять участие в розыгрыше призов или дают им скидки на приобретение каких-либо товаров. Интернет-опросы проводит ряд зарубежных и российских исследовательских фирм. Среди последних можно отметить , Комкон-2, Фонд «Общественное мнение» и др.

Второй группой методов, используемых в дескриптивных исследованиях, являются методы наблюдения. Под наблюдением понимается организованная регистрация объектов, моделей поведения людей, вариантов развития событий. Причем наблюдатель не вступает в прямой контакт с людьми, за поведением которых он наблюдает. Наблюдение может быть формализованным или неформализованным, прямым или косвенным. Кроме того, оно может проводиться в естественных или специально созданных для этого условиях. В зависимости от способа проведения выделяют личное наблюдение, аппаратное наблюдение, аудит, контент-анализ и трейс-анализ (анализ следов). При личном наблюдении наблюдатель записывает все происходящие с объектом события по мере их наступления. Аппаратные наблюдения осуществляются с помощью различных приборов. В процессе аудита исследователь извлекает и анализирует информацию из различных документов бухгалтерского и управленческого учета. Самым распространенным видом аудита является складской учет. Контент-анализ предполагает наблюдение и анализ содержания различного рода публикаций и теле- радио-программ. В случае анализа следов информация собирается на основе случайных и преднамеренных свидетельств произошедших событий.

Для того чтобы сделать вывод о существовании причинной связи путем регистрации изменений, происходящих в условиях специально спланированного маркетингового эксперимента, проводят причинно-следственные, или просто причинные, исследования. Научное понимание казуальной связи раскрывается в [63]: 1) наступление события X - одна из возможных причин наступления события Y; 2) наступление события X увеличивает вероятность наступления события Y; 3) можно сделать лишь предположение, что наступ-

ление события X есть причина наступления события Y. При проведении эксперимента исследователь преследует две цели: получить корректные суждения о влиянии независимой переменной на анализируемую совокупность наблюдений и на этой основе сделать достоверные выводы относительно всей генеральной совокупности. Эксперимент можно проводить как в лабораторных (искусственно созданных исследователем), так и полевых условиях, т.е. в условиях реальной экономической ситуации. И те, и другие условия имеют свои преимущества и недостатки. Так, лабораторная среда обеспечивает высокую степень контроля за проведением эксперимента, но в то же время может привести к появлению ложных результатов.

Согласно [27], для реализации целей причинных исследований могут применяться такие планы экспериментов, как: 1) предэкспериментальные; 2) истинно-экспериментальные, 3) квазиэкспериментальные, 4) экспериментальные планы, основанные на принципе выравнивания; 5) планы, направленные на подбор наилучшего сочетания независимых переменных. Первые четыре из них ориентированы на исключение влияния внешних факторов на результат замера. Что касается планов пятого типа, то они применяются, когда само тестовое воздействие описывается не одной, а несколькими независимыми переменными, и, следовательно, основную проблему составляет подбор наилучшего сочетания их значений.

После того, как исследователь разобрался, какого рода информацию ему необходимо получить и какие для этого методы использовать, перед ним возникает проблема выбора способов измерения и шкалирования интересующих его параметров. Очевидно, этап, на котом решается такая проблема, является весьма важным. Ведь, если мы можем измерить то, о чем говорим, и выразить это числом, значит, мы уже кое-что об этом знаем. Поэтому достаточно подробному рассмотрению ключевых понятий теории измерений, обсуждению проблем субъективных измерений, изучению существующих типов шкал и классификации основных методов шкалирования, используемых в маркетинговых исследований, посвящен следующий параграф диссертации.

.-23-

Здесь же только заметим, что, несмотря на то, что между измерением и шкалированием много общего, эти понятия все-таки различны. Если измерение означает присвоение чисел или других символов признакам объектов по заранее определенным правилам, то шкалирование предполагает создание некоторого последовательного ряда, на котором располагаются измеряемые объекты. В этом смысле шкалирование можно рассматривать как продолжение измерения.

. Еще одним аргументом важности для исследователя решения проблемы способов измерения и шкалирования является то, что измерение в маркетинговых исследованиях тесно переплетается с проблемой выбора возможных способов анализа собранных с его помощью данных. Ведь измерение в итоге нужно не само по себе, а для последующего изучения его результатов.

Получение результатов исследования непосредственно связано с реализацией четвертого этапа маркетинговых исследований - проведением полевых работ. На этом этапе персонал (интервьюеры, наблюдатели, работники, занятые рассылкой писем и др.), работающий на местах, начинает контактировать с респондентами, контролирует процесс анкетирования, записывает полученные данные и осуществляет подготовку для их дальнейшей обработки.

Успешно завершив полевые работы, переходят к подготовке данных и их анализу. Подготовка данных предполагает реализацию следующих шагов: 1) редактирование анкет (обработка анкет, повышающая точность и корректность представленной в них информации); 2) кодирование (присвоение кода каждому конкретному ответу на конкретный вопрос); 3) ввод данных в компьютер и вторичная проверка; 4) статистическая корректировка данных. Процедуры последнего шага включают взвешивание, переопределение переменной и преобразование шкалы. Взвешивание - это метод статистической корректировки данных, согласно которому каждому наблюдению или респонденту в специально сформированной базе данных присваивается весовой коэффициент, отражающий степень его значимости. Переопределение переменной осуществляется с целью создания переменных или изменения суще-

ствующих с тем, чтобы они максимально точно соответствовали бы задачам исследования. И, наконец, преобразование шкалы состоит в манипулировании значениями шкалы, для того чтобы иметь возможность сравнивать ее с другими шкалами либо делать ее удобной для анализа.

Для этапа анализа данных, как ни для какого другого, первостепенное значение имеет математическое обеспечение. Причем реализация именно этого этапа и вызывает наибольшие затруднения. Ведь информация, получаемая в результате маркетинговых исследований, носит, как правило, качественный характер, а подавляющее большинство разработанных к настоящему моменту времени методов предназначены для анализа количественной информации.

Учитывая тесную связь, существующую между типом шкалы, в которой измерены данные, и выбираемым методом анализа таких данных, в третьем параграфе настоящей главы приводится авторский вариант классификации существующих методов обработки результатов маркетинговых исследований и более детально рассматривается их суть.

На основе полученной в результате маркетингового исследования информации формируется отчет и проводится его презентация (т.е. реализуется шестой этап исследования), а сама информация становится неотъемлемой частью маркетинговой информационной системы компании, довольно удачная схема которой представлена на рис. 1.2. Результаты исследований призваны пополнить базу данных системы поддержки принятия решений. Все это, несомненно, помогает руководителю ориентироваться в сложнейших ситуациях современного бизнеса.

Однако естественная граница, существующая между настоящим и будущим, является тем барьером, который мешает ему увидеть условия реализации принятого решения. Желание хоть что-то увидеть за этим барьером приводит к необходимости разработки прогнозных решений на основе результатов маркетинговых исследований. В этой связи вспоминаются слова, с которыми Б. Франклин обратился к человечеству: «Заглядывай вперед или окажешься позади».

Маркетинговая среда

Рынки, Потребители, Конкуренты,

Поставщики, СМИ, Дистрибьюторы

Внутренняя информация

Сведения о продажах, запасах, ценах, расходах на

рекламу и т.п.

МАРКЕТИНГОВАЯ ИНФОРМАЦИОННАЯ СИСТЕМА

Система внутренней отчетности

Система

маркетинговых

исследований

_{\ X \}

Система наблюдения за внешней средой

Система анализа маркетинговой информации

Лица,

принимающие

решения

1. Анализ

2. Планирование

3. Реализация

4. Контроль

Рис. 1.2. Маркетинговая информационная система [29, 31]

Недооценка руководителем важности прогнозных решений в преодолении этого барьера свидетельствует о его неспособности рассмотреть основные ориентиры будущего, что, в свою очередь, приводит к эффекту, который О. Тоффлер назвал «шоком будущего». Поэтому роль прогнозирования и масштабы его практического применения в современной экономике существенно выросли, а, значит, и развиваются методы прогнозирования. Причем в первую очередь - количественные методы [33, 37, 39, 46, 61, 62, 92, 93, 95-97, 104].

Что же касается математического аппарата прогнозирования качественных переменных, то в настоящее время можно говорить только о возрастающем к нему интересе, но не о его бурном развитии. Об этом, в частности, свидетельствует небольшое число работ как отечественных, так и зарубежных ученых, посвященных данной теме. Следовательно, современные маркетологи очевидным образом испытывают острый недостаток в адекватном математическом обеспечении своей аналитической деятельности, а руководители — в формализованном обосновании принимаемых ими прогнозных решений.

- 26 - 1.2. Способы измерения и представления результатов

маркетинговых исследований

1.2.1. Основные понятия теории измерений. В практике маркетинговых исследований, как правило, приходится оперировать с тремя типами переменных: количественными, ранговыми и качественными. Поэтому предварительная обработка исходных данных, также как и использование прогнозных оценок в перспективном анализе требуют специальных подходов в зависимости от типа переменных. Процедуры сравнения и обработки данных в этих подходах со всей очевидностью должны адекватно учитывать природу и характер исходной и расчетной информации. Причем, в отдельных ситуациях сравнение осуществляется только по некоторым свойствам, используемым для установления определенного отношения, в котором находятся сравниваемые объекты. В других же случаях для сравнения используются числовые величины, соответствующие ожидаемым свойствам, фактам и т.п. Есть ситуации, когда сравнения можно осуществлять с эталоном (единицей измерения). Разработкой методов и подходов, обеспечивающих объективность сравнений в различных ситуациях, занимается теория измерений [84].

Рассмотрим основные понятия теории измерений. Для этого дадим определение следующим терминам: объект измерения, показатель (признак), процедуры сравнения.

Объектами измерения могут быть предметы, явления, решения. В качестве показателей используются характеристики объектов различной природы (пространственно-временные, физические, физиологические, психологические и др.).

Процедуры сравнения включают определенные отношения между объектами и способ сравнения объектов. Так как сравнение количественных данных не вызывает затруднений, то рассмотрим сравнение объектов не имеющих количественного описания. Сравнение таких объектов, как правило, носит качественный характер: «больше», «меньше», «равны», «лучше», «хуже», «одинаковы», «предпочтительнее» и т.п. Способ сравнения определяет, на-

-27-пример, сравнение всех объектов последовательно с одним объектом или сравнение всех объектов друг с другом в произвольной последовательности.

Для формального описания множества объектов и отношений между ними вводится понятие эмпирической системы с отношениями

M = (0;R), где О = [О_х, 0₂, ., О_п } - множество объектов;

R = {R_l,R₂,..'_iR_m}- множество отношений.

Запись O_tR_kOj означает, что объект O_i находится в отношении R_k к

объекту Oj. Такое отношение называется двуместным (бинарным). Могут

быть трехместные отношения.

Реально применяемые отношения обычно обладают определенным набором свойств. В качестве основных свойств можно назвать следующие:

1. отношение R рефлексивно, если O_tRO_t истинно;

2. отношение R антирефлексивно, если O_iRO_i ложно;

3. отношение R симметрично, если из O_tROj следует OjRO_t;

4. отношение і? антисимметрично, если из O_tROj и О RO_i следует

5. отношение]? несимметрично (асимметрично), если из истинности O_tROj следует, что OjRO_t ложно;

6. отношениеR транзитивно, если из 0^0: и OjRO_k следует O_tRO_k, где О,, О_р O_k є О;

7. отношение^линейно (связно), если для любых О_ІУ0:єО либо

O_tROj, либо OjRO; истинно, либо они оба истинны.

В практике проведения различных исследований часто используются отношения, обладающие не всем набором свойств, а только некоторыми из выше перечисленных. Примерами подобных отношений являются отношения, определения которых приводятся ниже.

Отношение R называется отношением частичного порядка, если оно рефлексивно, антисимметрично и транзитивно.

Отношение R называется отношением линейного порядка, если оно рефлексивно, антисимметрично, транзитивно и связно, т.е. отношение линейного порядка, обладающее свойством связности.

Иногда рассматривают отношения строго частичного или линейного порядка, обладающие свойством антирефлексивности, а также отношения квазипорядка (предпорядка, почти порядка), не обладающие свойством антисимметричности.

Отношение R называется толерантностью, если оно рефлексивно и симметрично.

Отношение R называется эквивалентностью, если оно рефлексивно,

симметрично и транзитивно, т.е. эквивалентность - это толерантность, обла-

< дающая свойством транзитивности.

Интерес вызывают возможные способы представления результатов таких сравнений. В принципе информация об отношениях может быть задана различными способами. Например, можно перечислить объекты, принадлежащие отношению. Но это не всегда удобно. Более распространен матричный способ представления информации об отношениях.

Суть задания отношения с помощью такого способа в следующем. Строки и столбцы матрицы Гу отношения R соответствуют элементам всего

множества объектов, т.е. матрица квадратная. Иногда матрицу отношений обозначают M[R).

Пусть R - отношение частичного или линейного порядка. Тогда, если объект О,- предшествует О:, т.е. принадлежит отношению R, то на пересечении /-ой строки и J-го столбца в матрице отношений ставится 1, в противном случае - 0.

1, если (O^OjJgR ^Гу~[0, если (o^OjjeR'-

.-29-

Аналогично, с помощью матрицы fy , можно задать информацию об

отношениях толерантности или эквивалентности.

Для того чтобы понять, устанавливает или нет эмпирическая система с отношениями некоторый порядок между сравниваемыми объектами, необходимо сравнить полученный порядок с числовой системой. С этой целью наша привычная числовая система представляется некой универсальной системой с отношениями вида

H = (N\S), где N - множество действительных чисел;

S = {S_{, S_2i.--iS_m) - множество отношений между числами («больше»,

«меньше», «равно» и т.д.).

Числовая система называется полной, если N есть множество всех действительных чисел.

Сравнение эмпирической системы с отношением и числовой системы позволяют осуществить «оцифровку» субъективных измерений. Ниже рассматриваются проблемы, возникающие при трансформации субъективных измерений в количественные.

1.2.2. Проблемы субъективных измерений. Количественные данные, уже являясь элементами числовой системы, не требуют специальных процедур своего числового представления. Проблемы возникают при обработке нечисловой информации. Чаще других для ее получения используются экспертные методы. Условимся, что данные, полученные экспертным путем, являются результатом субъективных измерений.

Основные проблемы субъективных измерений - проблемы представления и единственности.

Проблема представления заключается в доказательстве того, что для эмпирической системы с отношениями, выбранной с целью измерения определенных свойств объектов, можно построить числовую систему с отношения-

-30-ми, описывающую свойства объектов и отношений между ними с помощью чисел.

Для того чтобы числовая система сохраняла свойства и отношения объектов, необходимо, чтобы она была изоморфной или, по крайней мере, гомоморфной эмпирической системе.

Две системы с отношениями М = (0; R_x, R₂,..., R^) и

Н = (N; S_x, S₂,...,S_m) называются подобными, если число отношений одинаково (к = т) и местность отношений одинакова (например, R_t и S_t - двуместные отношения).

Эмпирическая система М = (0; i^, R₂,..., R^ ) изоморфна числовой

системе с отношениями Н = Ш', S_l,S₂,...,S_m}, если эти системы подобны и существует взаимнооднозначное отображение (функция) / объектов на числовое множество такое, что отношение R_k между объектами имеет место тогда и только тогда, когда имеет место отношение S_k между числами, являющимися отображением объектов на числовую ось. (Например, для двуместных отношений O_tO_kOj имеет место тогда и только тогда, когда имеет

место r_tS_krj, где числа r_h г. получены отображением объектов r_{ =/(0,-),

0 = /(0,)-

Условие взаимной однозначности отображения /является в ряде случаев слишком жестким и не всегда необходимым. Если устранить это условие из предыдущего определения, то приходим к понятию гомоморфизма.

Проблема единственности заключается в определении всех возможных способов представления заданной эмпирической системы различными числовыми системами. Эта проблема может быть сформулирована как проблема определения типа шкал.

Шкалой называется совокупность эмпирической системы, числовой системы и отображения, т.е. (М, Н, /).

Обобщая вышесказанное, можно дать следующее определение понятию «измерение». Измерение - процесс, в ходе которого характеристики объекта измерения получают представление (гомоморфное отображение) в некоторой шкале измерений.

Пусть (М, Н, f) и (М, Н, g) - две шкалы с разными отображениями. Возникает вопрос о взаимосвязи числовых значений, полученных с использованием отображений fug. Например, если r^ =/(O_y-j, r'j =g\Pj) и

связь между числами задается функцией (р, т.е. г.- = (р [r'j J или

f\Pj)= (р\g[pj )], то функцию (р называют допустимым преобразованием

шкалы. Свойства функции (р определяют связи между всеми числовыми системами, выбранными для описания эмпирической системы. Более того, в зависимости от свойств функции (р определяется тип шкалы, что позволяет в нижеследующем параграфе провести классификацию шкал измерения.

1.2.3. Шкалы измерений. Из всего множества теоретически возможных шкал для получения маркетинговой информации в количественном виде чаще всего используются следующие типы шкал: номинальная, порядковая, интервальная, шкалы отношений и разностей, абсолютная.

Каждая из этих шкал определяется наличием или отсутствием четырех характеристик: 1) описание; 2) порядок; 3) расстояние; 4) начальная точка.

Описание шкалы предполагает использование единого способа записи информации, т.е. характеризует составляющие шкалу элементы, например, степень удовлетворенности («полностью удовлетворен», «в общем удовлетворен», «скорее не удовлетворен», «совсем не удовлетворен») или семейное положение («состою в браке», «не состою в браке»). При этом между данными элементами не вводится какая-либо характеристика сравнений, а осуществляется только идентификация информации.

Порядок характеризует наличие отношений в способах записи информации, наличия крайних точек зрения («очень нравится», «нравится», «не нравится», «очень не нравится»). При этом предусматриваются некоторые срав-

-32-нительные характеристики, позволяющие, например, упорядочить отношение к предмету исследования.

Расстояние шкалы - измеряемая величина. Это означает, что оно существует только в тех случаях, когда информация определена количественно, а между описанием информации имеются интервалы, расстояние между которыми имеет смысловое значение.

Начальная точка задает уровень соотношений между элементами шкалы. Следует различать начальную точку и точку отсчета. Каждая начальная точка является точкой отсчета, но не каждая точка отсчета может быть начальной. Шкала имеет начальную точку, если она имеет единственное начало отсчета.

Приведем краткое описание всех типов шкал, используемых в маркетинговых исследованиях и позволяющих результаты любых измерений представлять в количественном виде.

Шкала наименований (иногда ее называют: «номинальная шкала», «шкала классификаций», «категориальная шкала», «ординарная шкала»), используется для описания принадлежности объекта к определенному классу. Строится эта шкала по следующему правилу: всем объектам одного и того же класса присваивается одно и то же число, а объектам разных классов — разные числа. Шкала наименований обладает только характеристикой описания - дается множество элементов, из которых следует указать один элемент, причем не как результат сравнения, а как результат идентификации. Данной шкале не присущ порядок, расстояние и начальная точка. Номинальная шкала сохраняет отношения эквивалентности и различия между объектами. Она обладает свойством симметричности, т.е. отношения, существующие между градациями х± и х₂, имеют место и между х₂ и х_{, и свойством транзитивности, В СООТВетСТВИИ С КОТОРЫМ, ЄСЛИ Xj = х₂ и х₂ = х_ъ, то х^= х₃.

Однако существует большое число способов присвоения чисел классам эквивалентности объектов. В связи с этим понятие единственности отображения / состоит для данной шкалы в однозначности допустимого преобра-

-33-зования ер. Это означает, что если имеются два отображения / и g, т.е. два

варианта приписывания классам числовых значений, то эти числовые значения должны быть связаны между собой однозначным преобразованием (р.

Таким образом, шкала наименований единственна с точностью до однозначного преобразования.

Номинальная шкала широко используется в маркетинговых исследованиях, например, когда респондента просят выбрать из пронумерованного списка наиболее предпочтительный товар. Вопрос и варианты ответов в этом случае могут выглядеть следующим образом:

Какой майонез чаще всего Вы покупаете? L"Delmy"

2. "Ряба"

3. "Балтимор" Оливковый

4. "Балтимор"Провансаль

5. "Моя семья "

6. "Слобода" Оливковый

7. "Слобода" Провансаль

Другим примером использования шкалы наименований является опрос респондентов с целью анализа их социально-демографических характеристик. В этом случае просьбу-вопрос и возможные варианты ответов на него можно выразить так:

Назовите Ваш род занятий:

1. Предприниматель, коммерсант

2. Руководитель фирмы, предприятия

3. Служащий с высшим образованием

4. Служащий со средним образованием

5. Квалифицированный рабочий

6. Неквалифицированный рабочий

7. На инвалидности

8. Домохозяйка

9. Студент, учащийся

10. Безработный

Шкала порядка (или ординальная шкала ранга) имеет наряду с описанием еще и порядок, в результате чего возможно установление приоритетов или сравнений. Она применяется для отражения упорядоченности объектов по одному или совокупности признаков. Эта шкала широко используется при экспертном оценивании, проводимом с целью упорядочения объектов, а также при определении предпочтений покупателей, установлении рейтинга того или иного кандидата, измерении полезности, оценки уровня интеллекта т.д. Для порядковой шкалы допустимым преобразованием (р является любое монотонное преобразование. Числа в этой шкале отражают только порядок следования объектов и не дают возможности сказать, на сколько и во сколько один объект предпочтительнее другого. Это вызвано тем, что в шкалу порядка не вводится расстояние как элемент шкалы.

Порядковая шкала может использоваться для «измерения» критериев отношения к чему-либо. Например,

Определите, пожалуйста, Ваше отношение к продегустированному майонезу:

10. Очень хороший майонез, буду покупать

11. Неплохой майонез, буду покупать

12. Неплохой майонез, но покупать не буду

13. Майонез не понравился, покупать не буду

14. В моей семье никто не ест майонез

15. Я не ем майонез или:

Как Вы оцениваете материальное положение Вашей семьи?

16. Не хватает денег даже на еду

17. Хватает на еду, но покупать одежду не можем

18. Хватает на еду и на одежду, но не можем покупать дорогие вещи

19. Можем иногда покупать дорогие вещи, но не можем купить все, что захотим

20. Можем позволить себе приобрести все, что захотим

Шкала интервалов используется для отражения величины различия между свойствами объектов. Измерения в этих шкалах в известном смысле более совершенны, чем в порядковых. Применение шкал интервалов

-35-дает возможность не только упорядочить объекты по количеству свойства, но и сравнить между собой разности количеств. Это возможно в силу того, что в дополнение к характеристике порядка введено расстояние как элемент шкалы. Таким образом, исследователю предоставляется возможность не только указать категорию, к которой относится объект по измеряемому признаку, установить его место в ранжированном ряду, но и описать его отличие от других объектов, рассчитав разность (интервал) между соответствующими позициями на шкале. Ярким примером использования этого типа шкал является измерение температуры в градусах по Фаренгейту и Цельсию. Что касается экономических показателей, то измеряемыми в интервальной шкале можно считать производительность труда, ликвидность, рентабельность, себестоимость и др. Основное свойство этой шкалы — равенство интервалов. В то же время интервальная шкала может иметь произвольные точки отсчета и масштаб. Допустимым преобразованием является линейное преобразование, т.е. эта шкала единственна с точностью до линейного преобразования <р{х) =ах + Ь.

В качестве примера использования интервальной шкалы в маркетинге можно привести ситуацию, когда респондента просят оценить в баллах тот или иной товар или какую-либо его характеристику:

Оцените, пожалуйста, продегустированный майонез по 10-балльной шкале:

Однако не всякую балльную шкалу можно считать шкалой равных интервалов. Так, например, для большинства студентов разница между двойкой и тройкой существенно больше, чем между четверкой и пятеркой, так как получение двойки неизбежно влечет пересдачу экзамена. Следовательно, данная пятибалльная шкала является порядковой, а не интервальной. Но, в общем случае, если нет резких границ между некоторыми оценками, то балльную шкалу допустимо рассматривать в качестве интервальной.

Шкала отношений (или пропорциональная шкала) применяется для измерения массы, длины, веса. В ней числа отражают отношения свойств объектов, т.е. во сколько раз свойство одного объекта превосходит это же свойство другого объекта. Допустимым преобразованием этой шкалы является преобразование подобия р{х) = ах. Фактически, шкала отношений представляет собой частный случай шкалы интервалов при выборе нулевой точки в качестве начала отсчета.

В качестве примеров таких шкал можно привести следующие формулировки вопросов, задаваемых респондентам в процессе проведения маркетинговых исследований:

Пожалуйста, укажите Ваш возраст лет

Приблизительно укажите, сколько раз за последний месяц Вы делали покупки в дежурном магазине от 20 до 23 часов:

0 12 3 4 5 Другое число раз

Шкала разностей получается в том случае, когда фиксируется единица измерения, но может изменяться начало отсчета. Шкала используется для измерения свойств объектов при необходимости выражения, на сколько один объект превосходит другой по одному или нескольким признакам. К этой шкале относятся логарифмические и процентные шкалы, а также другие шкалы, задающие безразмерные величины. Шкала разностей является частным случаем шкалы интервалов при выборе единичного масштаба. Допустимое преобразование - преобразование сдвига (р{х) = х + Ъ.

Примером шкалы разностей является измерение отношения потребителя к товару с помощью графического изображения:

совершенно не затрудняюсь полностью
удовлетворен (-2) ответить (0) удовлетворен (2)
I 1 1 1 1

скорее не скорее

. удовлетворен (-1) удовлетворен (1)

Потребителю рекомендуется отметить каким-нибудь знаком на данной прямой свое отношение к товару. При обработке этой информации она может быть измерена с помощью обыкновенной измерительной линейки, затем ее легко можно привести к разным масштабам.

Абсолютная шкала является частным случаем шкалы интервалов с нулевой точкой отсчета и единичным масштабом. В ней имеются все четыре характеристики. Допустимое преобразование - тождественное преобразование (рух) = х. Это означает, что существует одно и только одно отображение /, переводящее объекты в числовую систему. Эта шкала является наиболее полной для целей обработки информации.

Абсолютную шкалу дают результаты счета. Предположим, что с целью исследования социально-демографических характеристик респондентов был задан вопрос: «Сколько всего человек в Вашей семье, включая Вас и детей, проживает вместе?» и предложены следующие варианты ответов: /. Один человек

2. Два человека

3. Три человека

4. Четыре человека

5. Пять человек

6. Иной ответ

Рассмотрим вопрос о сравнении введенных типов шкал.

Назовем тип одной шкалы более высоким, чем тип другой, если совокупность допустимых преобразований второй шкалы включается в совокупность допустимых преобразований первой. Если принять это определение, то между всеми типами шкал можно установить соответствующее отношение порядка. Правда, при этом несравнимыми оказываются шкалы отношений и шкалы разностей: ни одна из соответствующих совокупностей допустимых преобразований не включается в другую. Частично-упорядоченное множество типов шкал и соответствующие им допустимые преобразования можно представить в виде рис. 1.3.

Абсолютные шкалы

(р(х) = X

Шкалы разностей

(р{х) = х + Ь

Шкалы отношений

<р(х) = сое

Шкалы интервалов

ф(х) = ах + Ь

Порядковые шкалы

(любое монотонное преобразование)

Номинальные шкалы

(однозначное преобразование)

Рис. 1.3. Отношение частичного порядка между шкалами в зависимости от допустимых преобразований

(чем выше расположен прямоугольник, тем более высокому типу шкал он отвечает)

Заметим, что наличие такого многообразия шкал не обеспечивает получение абсолютно точных измерений показателей, характеризующих социально-экономические процессы. Основной причиной этого является неконтролируемость погрешности измерений маркетинговой информации. Естественно, что разработать универсальный критерий точности не удается. Поэтому критерий точности каждого вида измерения стараются определить согласно целям этого измерения. Причем, нужно помнить, что погрешности измерения не сводятся к арифметическим погрешностям.

1.2.4. Методы шкалирования. Методы получения от респондента необходимой для шкалирования информации делятся на две группы: сравнительные и несравнительные. К группе сравнительных методов относятся: метод попарного сравнения, метод упорядочения, шкалирование с постоянной суммой и др.

Метод попарных сравнений впервые был разработан Луи Терстоуном [99] для ранжирования преступлений по степени серьезности. Респонденту предъявляют два объекта и просят выбрать наиболее из них предпочтительный согласно его собственным критериям. После этого подсчитывается, сколько раз респонденты предпочли объект А объекту В, и ранжируют объекты на в соответствии с числом набранных очков. При этом сами ранги представляют информацию, измеренную по шкале разностей, так как ранги характеризуют в этом случае не только занимаемое место в системе упорядоченных предпочтений, но и степень, силу этого предпочтения.

В случае использования метода упорядочения респондентам предлагается упорядочить не пару, а сразу несколько объектов: самому предпочтительному объекту приписать значение 1, следующему - 2 и т.д. При упорядочении обязательно присутствует транзитивность ответов (если объект А оценен выше объекта В, а объект В - выше С, то естественно А на шкале рангов будет находиться выше объекта С), в то время как, применяя метод попарных сравнений, можно получить искаженное представление о «соотношении сил» между объектами, не заметив частичных предпочтений. Процедура упорядочения приводит к измерению свойств ранжируемого ряда в шкале отношений.

При распределении постоянной суммы респондентов просят проставить каждому из содержащихся в списке объектов балльные оценки таким образом, чтобы их сумма равнялась определенному числу, например, 100 баллам. Так, в исследовании рынка винной продукции нужно было распределить 100 баллов между шестью различными показателями качества вина [7]:

-40-
_f^ Данные, полученные по этой методике, более приближены к интерваль-

ной шкале, так как в ответах респондентов уже содержится информация о величине ощущаемых ими различий между оцениваемыми объектами или характеристиками объекта.

При несравнительном шкалировании используются два вида шкал: непрерывные и дискретные [27]. При использовании непрерывных шкал респонденты могут поставить отметку в любой точке отрезка.

В случае использования дискретных шкал респондент должен выбрать
один ответ из определенного упорядоченного набора. Основные типы дис-
_v< кретных шкал - шкала Лайкерта, шкала семантического дифференциала,

шкала Стапеля.

Шкала Лайкерта - это оценка некоторого высказывания или характеристики какого-либо объекта Чаще всего оценка проводится по симметричной, обычно пятибалльной шкале со значениями:

1. безусловно согласен;

2. скорее согласен;

3. согласен и не согласен в равной мере;

4. скорее не согласен;

5. абсолютно не согласен. или:

Ц' 1) безусловно нравится;

2. скорее нравится;

3. нравится и не нравится в равной мере;

4. скорее не нравится;

5. безусловно не нравится.

Шкала семантического дифференциала — это чаще всего семибалльная
шкала, крайним точкам которой поставлены в соответствие два диаметрально
противоположных по семантическому значению понятия, например: холод
ный и горячий, слабый и сильный и т.д. Позиции нумеруются от -3 до +3 или
от 1 до 7. В первом случае нейтральное значение равно нулю, во втором - 4.
' Информация, используемая в шкалах семантического дифференциала, изме-

РОССИЙСКАЯ"

W ряется в шкале отношений. Ее преобразование тШшформацию, заключающуюся в семантическом дифференциале, относится к шкале разностей.

Например:

Оцените, пожалуйста, по предложенным шкалам вкус этого продукта:

сладкий 1234567 не сладкий

соленый 1234567 не соленый

терпкий 1234567 не терпкий

приятный 12 3 4 5 6 7 неприятный
острый 12 3 4 5 6 7 пресный

натуральный 12 3 4 5 6 7 искусственный

v*

Оцените, пожалуйста, по предложенным шкалам консистенцию этого продукта:

жидкий 12 3 4 5 6 7 густой

однородный 12 3 4 5 6 7 неоднородный
жирный 12 3 4 5 6 7 водянистый

Шкала Стапеля - симметричная, обычно десятибалльная, шкала: от
-5 до +5. В отличие от первых двух шкал здесь нет нейтральной точки. Рес
пондента просят сказать, в какой мере относится или не относится к объекту
та или иная характеристика. Если она полностью относится к объекту, выби-
_ЧУ; рается значение +5, если наоборот, то -5.

Оцените, в какой степени характеризуется выбранное Вами мыло следующими показателями:

+5 +4 +3 +2 +1 увлажняющая способность -1 -2 -3 -4 -5
+5 +4 +3+2+1 отмывающая способность -1-2—3-4-5
+5 +4 +3 +2 +1 пенистость -1 -2-3-4-5

+5+4+3+2+1 мягкость -1-2-3-4-5

Исходя из указанных принципов, можно разработать различные вариан
ты шкал. Окончательный выбор варианта делается на основе испытания
уровня надежности измерения. Данная проблема решается путем выявления
^lf. точности измерения, устойчивости и обоснованности.

Понятие точности связано с возможностью учета в результате измерения различного рода систематических ошибок. Систематические ошибки имеют некоторую стабильную природу возникновения: либо они являются постоянными, либо меняются по определенному закону. Например, если исходный признак не обладает дифференцирующей способностью в отношении объекта измерения, то прежде всего необходимо ликвидировать или уменьшить такого рода недостатки шкалы и только затем использовать ее в исследовании.

Устойчивость характеризует степень совпадения результатов измерения при повторных применениях измерительной процедуры и описывается величиной случайной ошибки. Она определяется постоянством подхода респондента к ответам на одинаковые или подобные вопросы. Для оценки устойчивости используют повторное тестирование или включение в анкету эквивалентных вопросов, т.е. вопросов по той же проблеме, но сформулированных по-другому.

Обоснованность связана с доказательством соответствия между тем, что измерено, и тем, что должно быть измерено. В отличие от точности и устойчивости, которые могут быть измерены достаточно строго, критерии обоснованности определяются либо на основе логических рассуждений, либо на основе косвенных показателей. Обычно применяется сравнение данных одной методики с данными других методик или исследований.

Кроме того, к выше названным критериям выбора шкалы необходимо отнести еще один - связанный с возможностью математической обработки результатов маркетинговых исследований, которые измерены в выбранной гикале. Очевидно, что степень разработанности такого аппарата для каждого типа шкал неодинакова. Для того чтобы сделать более конкретные выводы по этому поводу, следует проанализировать всю совокупность современных методов обработки и прогнозирования результатов маркетинговых исследований.

1.3. Классификация методов обработки и прогнозирования результатов маркетинговых исследований

Измерение информации необходимо с целью ее сравнения, оценивания, выявления закономерностей, прогнозирования и т.п. Другими словами - с целью обработки информации. Как уже отмечалось в предыдущем параграфе, для каждой шкалы измерения присущ свой оригинальный набор методов обработки. Применение инструментария, рассчитанного на другой тип шкалы, в большинстве случаев приводит к ошибочной интерпретации результатов. При этом необходимо отметить, что методы обработки информации, измеренной по шкале слабого уровня, могут быть использованы для обработки информации, измеренной по шкале более высокого уровня, но не наоборот.

Сделаем сначала обзор простейшей допустимой статистики маркетинговой информации с учетом природы шкал измерения [26, 89].

Номинальная шкала:

1. Нахождение частот распределения по пунктам шкалы.

2. Поиск центральной тенденции по модальной частоте. Мода - наиболее часто встречающееся в ряду значение признака. Модальное значение имеет наибольшую частоту.

Порядковая шкала. Наряду с указанными методами обработки информации в номинальной шкале, для порядковой шкалы проводится:

3. Суммирование оценок по ряду упорядоченных шкал.

4. Расчет медианы - значения признака, которое находится в середине ранжированного ряда. Так, в ряду 120, 125, 130, 135, 140 медиана равна 130. Для нахождения медианы ряда с четным числом вариант складывают две средние варианты и делят сумму пополам. Медиана для порядковой шкалы является хорошей характеристикой центральной тенденции в ответах.

При использовании интервальных шкал, кроме того, можно провести:

-44-1. Расчет среднего арифметического значения признака:

_Е*і

х = ¹^-, (1.1)

где п - число респондентов, ответивших на вопрос; Xi - номер ответа, названный / -ым респондентом. 2. Расчет стандартного отклонения:

гтч2

Хм і і

(*і-*) (1-2)

Наконец, если информация получена с помощью пропорциональной шкалы, кроме того, что было названо выше, можно рассчитать: 1. Среднее геометрическое значение признака:

G = bj_Xlx₂...x_k . (1.3)

2. Среднее гармоническое:

Я = -2^-, (1.4)

1=1

где щ- частоты признаков х,-.

3. Коэффициент вариации:

К=*100%, (1.5)

. л:

где s— среднее квадратическое отклонение.

Рассмотренные средние величины и меры рассеяния являются важными характеристиками совокупностей, поскольку они дают возможность сопоставлять отдельные совокупности и делать некоторые выводы. Однако знать размеры вариабельности признака явно недостаточно - необходимо выявить факторы, влияющие на эту вариабельность. Поэтому математическая статистика большое внимание уделяет измерению связи между признаками.

В маркетинговых исследованиях анализ тесноты связи между признаками ориентирован на выявление комплекса взаимосвязей фирмы с окружаю-

щей средой, в частности на оценку реакции рынка на проводимые фирмой маркетинговые мероприятия. Как известно, анализ взаимосвязей широко применяется для объяснения изменений зависимых переменных через независимые. В маркетинге зависимой переменной обычно является сегмент рынка, объем продаж или отношение к той или иной торговой марке, а независимыми переменными могут быть:

- . продукт, его потребительские свойства, дизайн, упаковка, качество;

цена на продукт;

система распределения;

социально-демографические переменные, характеризующие численность населения, его половозрастную структуру, распределение по классам и социальным группам, денежному доходу, образованию, составу семей и др.;

- психографические переменные, характеризующие жизненный стиль.

Наиболее широко используемые в процессе обработки результатов маркетинговых исследований показатели тесноты связи между признаками с учетом природы их измерения приведены в табл. 1.1.

Таблица 1.1

Основные показатели тесноты связи между признаки с учетом природы их измерения

Меры тесноты связи результативного показателя с признаками

Результативный показатель

Альтернативный

Шкала измерения

Наименований

альтернативными

качественными

Р.Т.К

количественными

^г_ь

Качественный

Количественный

Наименований

Порядковая

Интервальная и шкала отношений

Р, Т,К

Р, Т,К

r_s,r

r_s,r

7], Г

Приведем формулы расчетов этих коэффициентов и укажем условия их применения.

-46-1. Коэффициенты связи для альтернативных (дихотомических)

таблиц.

Если при статистическом наблюдении отмечается только наличие или отсутствие признака, а также если изучается связь между альтернативными признаками и данные сведены в четырехклеточную таблицу, то применяются коэффициент ассоциации Q и коэффициент сопряженности Ф.

Пусть таблица имеет вид:

Здесь a, b, c, d~ частоты сопоставляемых признаков;

a+b+c+d = n~ число наблюдений. Коэффициент связи Q определяется по формуле:

ad-cb

(1.6)

Q =

(-1<<2<1),

ad + cb

а коэффициент сопряженности Ф - по формуле:

ad-cb

Ф =

(1.7)

, (-1<Ф<1).

лДа + Ъ){с + d)(b + d)(a + с)

Если измерить Q и Ф для одной и той же таблицы сопряженности, то Ф будет почти в два раза меньше, чем Q. Это объясняется тем, что Ф и Q измеряют различные компоненты связи между переменными. Ф отражает взаимную связь признаков, в то время как Q характеризует одностороннюю направленность этой связи. В этом смысле Ф интерпретируется проще: он представляет собой парный коэффициент корреляции Пирсона г, вычисленный для дихотомических таблиц.

Связь считается подтвержденной, если О > 0,5, Ф > 0,3.

2. Показатели связи для таблиц размерности ex к.

Пусть взаимное распределение номинальных признаков х и у пред-

Здесь И;* и и* .-соответственно суммы по строкам и столбцам таблицы.

Для определения тесноты связи между этими признаками используется коэффициент взаимной сопряженности Пирсона (Р):

Р =

п + х'

(1.8)

_Е-

где х = и

Пціи

і,J "і*-"J

Коэффициент сопряженности всегда имеет положительное значение, т.е.О < Р < 1, (Р = 0 при полной независимости признаков).

Недостатком этого коэффициента является зависимость максимального значения величины Р_тзх от размера таблицы взаимной сопряженности cxk; граница максимально возможного значения Р при возрастании размерности изменяется, постепенно приближаясь к единице. В связи с этим возникают определенные трудности при интерпретации полученных в маркетинговом исследовании численных значений данного коэффициента. Поэтому эти значения должны нормироваться при помощи максимально возможного для таблиц данной размерности значения P_max :

норм

(1.9)

-48-Таким образом, значения коэффициента Р, нормированные при помощи

P_max, всегда оказываются несколько выше рассчитанных первоначально.

Коэффициент Чупрова (Т) лишен отмеченного недостатка. Он рассчитывается по формуле:

^T=^h—-—її/2- (^1Л)

Для квадратных таблиц {с = к) Т принимает значения от 0 до 1; при с ^ к Т всегда меньше 1.

Значение коэффициента сопряженности Чупрова значительно меньше, чем значение коэффициента Пирсона. Данный коэффициент дает более осторожную оценку существующей зависимости.

Коэффициент Крамера (К) вычисляется следующим образом:

К = _л\ ^ . (1.11)

п min(c -1, k -1)

Он может достигать +1 всегда, независимо от вида таблицы совместного распределения признаков. Для квадратной таблицы коэффициенты Т и К совпадают, а в остальных случаях К> Т.

3. Показатели связи между признаками, измеренными на порядковом уровне.

Из коэффициентов ранговой корреляции наиболее широко известны коэффициенты Спирмена r_s иКендалла т. Если проранжированные показатели

свойств х,и у_і і -ого объекта имеют один и тот же диапазон рангов от 1 до п, то применяется коэффициент Спирмена, который вычисляется по формуле:

г, =1--^^-, (-1<г₅<1), (1.12)

п{гГ--Х)

где d_t- разность между рангами (порядковыми номерами) каждой пары

сопоставляемых рядов.

Эта формула верна лишь в тех случаях, когда всем объектам приписаны различные ранги. Если же некоторые ранги одинаковые (т.е. имеются свя-

-49-занные ранги), то применение этой формулы приведет к ошибке. В этом случае рекомендуется использовать коэффициент ранговой корреляции Кендал-ла, который в общем виде будет следующий:

т = -^—-1, (1.13)

пуп -1)

где S - число совпадений для пар рангов.

Под «совпадением» понимается одинаковый порядок оценок пар рангов. Например, первым экспертом товару А присвоен ранг 1, а товару Б - ранг 3. Необходимо посмотреть, сколько еще экспертов дают товару А более высокий ранг по сравнению с рангом товара Б. Это и есть число совпадений. 4. Показатели связи для смешанных шкал.

В маркетинговых исследованиях может возникнуть необходимость оценки связи между признаками, один из которых измерен на интервальном уровне, а другой - на порядковом или даже на номинальном уровне измерения. Задача такого типа может быть решена с использованием бисериального коэффициента связи 7. В качестве ограничения в данном случае выступает

требование свести значения качественного признака к альтернативному виду. Для расчета этого коэффициента применяется следующая формула:

гь= | —, или г = , —, (1.14)

2 Ч

х^ 2 (TV)²

где а~2,ра - -= , а - условные отклонения;

р₊ - частоты первого признака;

р_ - частоты второго признака;

п₊,п_- суммы частот наблюдений по альтернативным признакам;

п- общее число наблюдений.

5. Показатели взаимосвязи количественных признаков.

-50-B общем виде формула для расчета коэффициента корреляции, являющегося мерой тесноты связи количественных переменных, следующая:

_Га(4-*ХИ-У>, (us)

где х, у- средние арифметические признаков хи у;

S_x,S_y- средние квадратические отклонения признаков хи у;

п - число наблюдений.

vr-

Значения коэффициента корреляции колеблются от -1 до +1. Знак «+» указывает на прямую, знак «-» - на обратную связь. Если модуль этого коэффициента стремится к 1, то это свидетельствует, что взаимосвязь между признаками может иметь линейный характер. Если же модуль коэффициента стремится к 0, то взаимосвязь, если она существует, имеет сложный нелинейный характер. В этом случае показателем тесноты связи является корреляционное отношение, которое определяется через отношение межгрупповой дисперсии к общей дисперсии по признаку у:

2 _, внутригр ₍. ...

где ст₀бщ- дисперсия признака у. Внутригрупповая дисперсия представляет

но представить состоящей из ряда групп - столбцов. Для каждой такой группы частот рассматриваемого признака вычисляется дисперсия относительно групповой средней. Среднее арифметическое этих дисперсий, взвешенная по объемам групп, называется внутригрупповой дисперсией.

Т]у /_х выступает мерой корреляционной связи между х и у в том смыс
ле, что при возрастании 77,,/^. значения у, соответствующие определенному
значению х, все меньше различаются между собой и связь между х и у ста-
/.у новится более тесной, переходя в функциональную при г/ =1.

-51-Завершая обзор значительного количества коэффициентов связи качественных и количественных признаков, необходимо отметить, что измерение статистической связи между двумя переменными есть измерение величины ограничения наблюдаемого разнообразия значений переменной х или у, включенной в систему (jc, .у) по сравнению с ее разнообразием в том случае,

когда рассматривается отдельно. В этом смысле меры связи как меры качества прогноза или описания могут рассматриваться как оценки степени решения основных задач анализа данных.

Самый точный прогноз достигается при однозначном или взаимнооднозначном соответствии значений признаков. Такая ситуация оценивается экстремальным значением меры связи.

Критерием отсутствия связи обычно считается нулевое значение меры связи. Однако существует другой подход - подход к построению мер связи качественных признаков как характеристик относительного уменьшения вероятности ошибки предсказания переменной у, зная переменную х, в сравнении с вероятностью ошибки предсказания у, не зная х. Из наиболее широко известных информационных мер связи данного типа являются:

1) мера, основанная на информационной статистике Шеннона:

^у1х Щу) Н(у)

к где Н(у) = — ] р* і log р*; - энтропия (неопределенность) признака у;

-И Н{у1 х) - условная энтропия у;

с к р..

1(^Х->У) ~ У\ У\Ри lg— величина количества информации;

Ы>1 PiPj

p_tj- совместная вероятность распределения признаков;

р* — вероятности распределения признака у.

2) коэффициент Валлиса, рассчитываемый по формуле:

-52-.2

+,

)

к.

^ТуІх=^{Л 7}" ₂ ' > (^1Л*)

где рj/i - 7-ая частость в строке і-ой таблицы совместного распределения

признаков х и у.

Эта мера показывает пропорциональную редукцию ошибок предсказания, т.е. если, например, т_у/_х = 0,50, то это означает, что знание.х уменьшает число ошибок вдвое. Тем самым оценивается возможность правильного предсказания принадлежности объекта к j-on категории по у, если известна принадлежность к /-ой категории по х.

Свойства этих двух коэффициентов аналогичны и являются следующими:

\)0_y/x,t_y/x<\;

2. Ry/_x,T_y/_x=, если переменные независимы;

3. Ry/_X = Туїх -1 >^{если х} полностью детерминирует у;

4. R_y/_X,r - инвариантны относительно перестановок строк или столбцов таблицы сопряженности.

Эти информационные меры асимметричны; в тех же случаях, когда нет необходимости разделять переменные на «объясняемую» и «объясняющую», информационной мерой взаимозависимости может служить коэффициент Райского:

R_R=I(x,y)/H(x,y). (1.19)

Классификация современных методов и моделей анализа и прогнозирования результатов маркетинговых исследований в зависимости от шкал, в которых измерены объясняемая и объясняющие переменные, представлена на рис. 1.4. Суть этих методов, а также перечень маркетинговых задач, решаемых с помощью каждого из них приведены в табл. 1.2.

(V

ил

Рис. 1.4. Классификация методов и моделей анализа и прогнозирования результатов маркетинговых исследований

-ч.

Таблица 1.2 Современные методы анализа и прогнозирования результатов маркетинговых исследований

определение влияния осведомленности потребителей об универмаге на их предпочтения именно этого универмага;

исследование эффектов, обусловленных влиянием страны-производителя телевизора на доверие людей к его качественным характеристикам;

получение ответа на вопрос: «Влияет ли на выбор потребителем данной торговой марки уровень его образования и возраст?»

определение эффектов, обусловленных влиянием рекламы и | купонной распродажи, на продажи при наличии такой кова-риаты, как принадлежность покупателя к числу постоянных клиентов магазина;

проверка гипотезы о влиянии дизайна упаковки и оформле- , ния витрины на вероятность покупки сухого завтрака при Й желании учесть такие факторы как занятость и статус по- ' требителя.

Получение ответов на следующие вопросы:

Действительно ли использование Интернет связано с полом?

Влияет ли уровень образования на приобретение дорого автомобиля?

Связана ли частота посещения ресторанов быстрого питания с размером семьи?

Какой процент компаний с количеством работников меньше 20 человек использует кадровые агентства для найма дополнительной рабочей силы?

3.

4__

прогнозирование спроса, в модели которого рассматривается соотношение цен и количества потребляемых товаров и для которого необходима модель предложения, в которой рассматривается также взаимосвязь между количеством и ценой предлагаемых благ.

анализ и прогнозирование спроса покупателей с помощью I опроса покупателей;

оценка перспективы выведения на рынок нового товара;

ранжирование рекламных видеороликов по силе их воздействия на потребителей;

выбор подходящей площадки для строительства кафе;

написание сценария поведения предприятия в ближайшие пять лет.

разработка альтернативных планов маркетинговых мероприятий;

решение задачи оптимального размещения торговых точек;

получение статистических оценок прогнозных рисков использования того или иного канала распределения косметических товаров;

формирование сценарных условий, в которых осуществляется освоения нового сегмента рынка;

прогнозирование результатов проведения рекламной компании.

с\

.А

-І

Комбинированное прогнозирование одномерных и многомерных экономических процессов на длительный срок, например, прогнозирование развития организации на пять лет.

оценка рынка;

выбор товара;

прогнозирование сбыта продукции;

разработка автоматизированной системы поддержки принятия маркетинговых решений.

-63-Анализ рис. 1.4 и табл. 1.2 позволяет сделать, по крайней мере, два вывода. Во-первых, современному бизнесу приходится решать весьма большое число маркетинговых задач, которые требуют применения математических методов анализа и прогнозирования. Во-вторых, имеется пробел в математическом аппарате, позволяющем получать достаточно надежные прогнозные оценки данных, измеренных в номинальных и ранговых шкалах. Следовательно, разработка такого аппарата является актуальной научной задачей, решению которой и посвящены последующие главы.

Способы измерения и представления маркетинговой информации

В практике маркетинговых исследований, как правило, приходится оперировать с тремя типами переменных: количественными, ранговыми и качественными. Поэтому предварительная обработка исходных данных, также как и использование прогнозных оценок в перспективном анализе требуют специальных подходов в зависимости от типа переменных. Процедуры сравнения и обработки данных в этих подходах со всей очевидностью должны адекватно учитывать природу и характер исходной и расчетной информации. Причем, в отдельных ситуациях сравнение осуществляется только по некоторым свойствам, используемым для установления определенного отношения, в котором находятся сравниваемые объекты. В других же случаях для сравнения используются числовые величины, соответствующие ожидаемым свойствам, фактам и т.п. Есть ситуации, когда сравнения можно осуществлять с эталоном (единицей измерения). Разработкой методов и подходов, обеспечивающих объективность сравнений в различных ситуациях, занимается теория измерений [84].

Рассмотрим основные понятия теории измерений. Для этого дадим определение следующим терминам: объект измерения, показатель (признак), процедуры сравнения.

Объектами измерения могут быть предметы, явления, решения. В качестве показателей используются характеристики объектов различной природы (пространственно-временные, физические, физиологические, психологические и др.).

Процедуры сравнения включают определенные отношения между объектами и способ сравнения объектов. Так как сравнение количественных данных не вызывает затруднений, то рассмотрим сравнение объектов не имеющих количественного описания. Сравнение таких объектов, как правило, носит качественный характер: «больше», «меньше», «равны», «лучше», «хуже», «одинаковы», «предпочтительнее» и т.п. Способ сравнения определяет, на -пример, сравнение всех объектов последовательно с одним объектом или сравнение всех объектов друг с другом в произвольной последовательности. Для формального описания множества объектов и отношений между ними вводится понятие эмпирической системы с отношениями M = (0;R), где О = [Ох, 02, ., Оп } - множество объектов; R = {Rl,R2,.. iRm}- множество отношений. Запись OtRkOj означает, что объект Oi находится в отношении Rk к объекту Oj. Такое отношение называется двуместным (бинарным). Могут быть трехместные отношения. Реально применяемые отношения обычно обладают определенным набором свойств. В качестве основных свойств можно назвать следующие: 1) отношение R рефлексивно, если OtROt истинно; 2) отношение R антирефлексивно, если OiROi ложно; 3) отношение R симметрично, если из OtROj следует OjROt; 4) отношение і? антисимметрично, если из OtROj и О ROi следует 5) отношение]? несимметрично (асимметрично), если из истинности OtROj следует, что OjROt ложно; 6) отношениеR транзитивно, если из 0 0: и OjROk следует OtROk, где О,, Ор Ok є О; 7) отношение линейно (связно), если для любых ОІУ0:єО либо OtROj, либо OjRO; истинно, либо они оба истинны. В практике проведения различных исследований часто используются отношения, обладающие не всем набором свойств, а только некоторыми из выше перечисленных. Примерами подобных отношений являются отношения, определения которых приводятся ниже. Отношение R называется отношением частичного порядка, если оно рефлексивно, антисимметрично и транзитивно. Отношение R называется отношением линейного порядка, если оно рефлексивно, антисимметрично, транзитивно и связно, т.е. отношение линейного порядка, обладающее свойством связности. Иногда рассматривают отношения строго частичного или линейного порядка, обладающие свойством антирефлексивности, а также отношения квазипорядка (предпорядка, почти порядка), не обладающие свойством антисимметричности. Отношение R называется толерантностью, если оно рефлексивно и симметрично. Отношение R называется эквивалентностью, если оно рефлексивно, симметрично и транзитивно, т.е. эквивалентность - это толерантность, обла дающая свойством транзитивности. Интерес вызывают возможные способы представления результатов таких сравнений. В принципе информация об отношениях может быть задана различными способами. Например, можно перечислить объекты, принадлежащие отношению. Но это не всегда удобно. Более распространен матричный способ представления информации об отношениях. Суть задания отношения с помощью такого способа в следующем. Строки и столбцы матрицы Гу отношения R соответствуют элементам всего множества объектов, т.е. матрица квадратная. Иногда матрицу отношений обозначают M[R).

Классификация методов обработки и прогнозирования результатов маркетинговых исследований

Измерение информации необходимо с целью ее сравнения, оценивания, выявления закономерностей, прогнозирования и т.п. Другими словами - с целью обработки информации. Как уже отмечалось в предыдущем параграфе, для каждой шкалы измерения присущ свой оригинальный набор методов обработки. Применение инструментария, рассчитанного на другой тип шкалы, в большинстве случаев приводит к ошибочной интерпретации результатов. При этом необходимо отметить, что методы обработки информации, измеренной по шкале слабого уровня, могут быть использованы для обработки информации, измеренной по шкале более высокого уровня, но не наоборот. Сделаем сначала обзор простейшей допустимой статистики маркетинговой информации с учетом природы шкал измерения [26, 89]. Номинальная шкала: 1. Нахождение частот распределения по пунктам шкалы. 2. Поиск центральной тенденции по модальной частоте. Мода - наиболее часто встречающееся в ряду значение признака. Модальное значение имеет наибольшую частоту. Порядковая шкала. Наряду с указанными методами обработки информации в номинальной шкале, для порядковой шкалы проводится: 1. Суммирование оценок по ряду упорядоченных шкал. 2. Расчет медианы - значения признака, которое находится в середине ранжированного ряда. Так, в ряду 120, 125, 130, 135, 140 медиана равна 130. Для нахождения медианы ряда с четным числом вариант складывают две средние варианты и делят сумму пополам. Медиана для порядковой шкалы является хорошей характеристикой центральной тенденции в ответах. При использовании интервальных шкал, кроме того, можно провести: 1. Расчет среднего арифметического значения признака: где п - число респондентов, ответивших на вопрос; Xi - номер ответа, названный / -ым респондентом. 2. Расчет стандартного отклонения: Наконец, если информация получена с помощью пропорциональной шкалы, кроме того, что было названо выше, можно рассчитать: 1. Среднее геометрическое значение признака: 2.

Среднее гармоническое: где щ- частоты признаков х,-. 3. Коэффициент вариации: где s— среднее квадратическое отклонение. Рассмотренные средние величины и меры рассеяния являются важными характеристиками совокупностей, поскольку они дают возможность сопоставлять отдельные совокупности и делать некоторые выводы. Однако знать размеры вариабельности признака явно недостаточно - необходимо выявить факторы, влияющие на эту вариабельность. Поэтому математическая статистика большое внимание уделяет измерению связи между признаками. В маркетинговых исследованиях анализ тесноты связи между признаками ориентирован на выявление комплекса взаимосвязей фирмы с окружаю щей средой, в частности на оценку реакции рынка на проводимые фирмой маркетинговые мероприятия. Как известно, анализ взаимосвязей широко применяется для объяснения изменений зависимых переменных через независимые.

В маркетинге зависимой переменной обычно является сегмент рынка, объем продаж или отношение к той или иной торговой марке, а независимыми переменными могут быть: - . продукт, его потребительские свойства, дизайн, упаковка, качество; - цена на продукт; - система распределения; - социально-демографические переменные, характеризующие численность населения, его половозрастную структуру, распределение по классам и социальным группам, денежному доходу, образованию, составу семей и др.; - психографические переменные, характеризующие жизненный стиль. Наиболее широко используемые в процессе обработки результатов маркетинговых исследований показатели тесноты связи между признаками с учетом природы их измерения приведены в табл. 1.1. Приведем формулы расчетов этих коэффициентов и укажем условия их применения. ) таблиц. Если при статистическом наблюдении отмечается только наличие или отсутствие признака, а также если изучается связь между альтернативными признаками и данные сведены в четырехклеточную таблицу, то применяются коэффициент ассоциации Q и коэффициент сопряженности Ф.

Пусть таблица имеет вид: Если измерить Q и Ф для одной и той же таблицы сопряженности, то Ф будет почти в два раза меньше, чем Q. Это объясняется тем, что Ф и Q измеряют различные компоненты связи между переменными. Ф отражает взаимную связь признаков, в то время как Q характеризует одностороннюю направленность этой связи. В этом смысле Ф интерпретируется проще: он представляет собой парный коэффициент корреляции Пирсона г, вычисленный для дихотомических таблиц. Связь считается подтвержденной, если О 0,5, Ф 0,3. Здесь И; и и .-соответственно суммы по строкам и столбцам таблицы. Для определения тесноты связи между этими признаками используется коэффициент взаимной сопряженности Пирсона (Р)

Эконометрические модели маркетинговых прогнозных решений в номинальных шкалах

Как ранее было отмечено, довольно часто результаты маркетинговых исследований представляются в номинальных шкалах, что вызывает определенные затруднения в их обработке, анализе и особенно - прогнозировании. Естественно, такая актуальная проблема не могла оставить равнодушными специалистов в области экономико-математического моделирования. Правда, к сожалению, наиболее интенсивные разработки в этой области были проведены зарубежными, а не отечественными исследователями. Благодаря этим разработкам в настоящее время уже можно говорить о существовании некоторого аппарата, позволяющего моделировать качественные переменные. Более того, сегодня самостоятельным разделом эконометрики является «Эконометрика качественных зависимых переменных» [126].

Но это сегодня, а изучение моделей, описывающих качественные переменные, началось в 1940-50-хх годах прошлого века. Изначально они применялись в области биологии, а затем - психологии и социологии. Существенный вклад в развитие этих моделей внес нобелевский лауреат 2000г. Дэниел Мак-фадден (за развитие теории и методов анализа моделей дискретного выбора), который совместно использовал экономическую теорию и эконометрические методы анализа случаев, связанных с дискретным выбором.

В целом, модели качественных переменных нашли широкое применение в экономическом анализе деятельности зарубежных хозяйствующих субъектов, чего нельзя сказать о российской практике предпринимательства. Особенно вызывает удивление тот факт, что актуальность применения подобного рода моделей в отечественных маркетинговых исследованиях по-прежнему остается незамеченной.

Наиболее веской причиной сложившейся ситуации, на наш взгляд, является небольшое число публикаций на русском языке, освещающих проблемы моделирования качественных показателей. Несомненно, для того чтобы мо дели дискретного выбора получили такое же широкое распространение и в отечественной практике анализа и прогнозирования нечисловых данных, используемых в маркетинговой деятельности, необходимо проведение исследований по разработке различных методик построения и применения этих моделей.

Преследуя цель восполнить указанный пробел, детально изложим в данном параграфе те аспекты моделирования качественных переменных, которые не достаточно подробно описаны в переводной литературе, и продемонстрируем прикладные возможности моделей бинарного выбора для решения маркетинговых задач.

Начнем с общих принципов построения моделей бинарного выбора, отличительной особенностью которых, как известно, является то, что зависимая переменная у принимает только два значения: «О» или «1»

Попытка применения линейной регрессии для рассматриваемого случая не имеет смысла, так как значения линейной формы принадлежат непрерывной количественной шкале, а переменная у изменяется дискретно.

Поэтому для исследования статистической зависимости между бинарной переменной у и количественными данными X рекомендуется строить специальные регрессионные модели. В настоящее время разрабатываются два подхода, позволяющих строить такие модели. В первом предусматривается построение линейной вероятностной модели, а во втором - нелинейных, получивших название логит- и пробит-моделей. Нас будут интересовать нелинейные модели. С их помощью зависимость устанавливается не между перемен ной у и набором данных X, а между вероятностью того, что /-е значение бинарной переменной равно 1 при условии х/5 т.е. между "Р{УІ =1х;), и линейной формой xtb. Однако следует заметить, что попытка получения непосредственного описания вероятности с помощью линейной формы вряд ли увенчается успехом, так как значение линейной функции может быть как отрицательным, так и превосходить единицу, что явно не согласуется с возможными значениями вероятности. Поэтому целесообразно для моделирования величин Р{у, = 11 х,) использовать функции, областью значений которых является отрезок [0, 1], а линейная форма xtb играет роль аргумента в этих функциях, т.е. должна иметь место модель вида

Чтобы запись модели в такой форме была корректной, функция F(z) должна удовлетворять следующим требованиям: 1) F(z) - монотонно возрастает по z;

В практике решения прикладных задач в качестве F, как правило, используются две функции. Если такой функцией является стандартная нормальная вероятностная функция распределения то регрессионная зависимость называется пробит-моделью. В случае, когда используется логистическая функция зависимость называется логит-моделъю.

Обе функции удовлетворяют всем четырем условиям, сформулированным выше, и, кроме того, являются симметричными относительно 2 = 0, т.е.

Эти свойства значительно упрощают всевозможные преобразования тех выражений, в которых используются эти функции.

Построение регрессионных моделей с использованием нелинейных зависимостей подобного типа практически исключает применение метода наименьших квадратов. Для оценивания моделей бинарного выбора обычно используется метод максимального правдоподобия. Применение этого метода осуществляется в предположении, что каждое наблюдение может трактоваться как однократный выбор из распределения Бернулли. Модель с вероятностью успеха F(x(. b) и независимыми наблюдениями (эксперты опрашиваются независимо друг от друга) представляет собой вероятность совместного появления всей совокупности ожидаемых событий

Для каждого вектора у, представляющего собой результаты конкретного экспертного опроса, величина вероятности зависит от вектора оцениваемых параметров b и может быть записана как функция правдоподобия В данной форме записи множители произведения селектируются с помощью компонент вектора у, принимающих всего два значения 0 или 1. Удобнее и математически проще максимизировать логарифмическую функцию правдоподобия Используя сокращенные записи F, = F(x b) и F x,!)) = f/5 выпишем для логарифмической функции правдоподобия условия максимизации первого порядка Подставляя в полученное выражение логистическое распределение, получаем после очевидных преобразований следующую систему уравнений В случае нормального распределения система уравнений имеет вид Введение в рассмотрение переменной q{ = 2у( — 1, позволяет переписать эту систему следующим образом: Полученные системы уравнений нелинейны, и для их решения необходимо применять численные методы. Прежде чем приступить к численному решению, следует убедиться в том, что итерационная процедура обеспечивает получение глобального максимума логарифмической функции правдоподобия. Для этого покажем, что эта функция lnF(x) является строго вогнутой, т.е. имеет единственный максимум. Чтобы убедиться в этом, достаточно показать, что и ln(l — F(x)) являются строго вогнутыми. Отсюда, в силу того, что сумма строго вогнутых функций есть строго вогнутая функция, будет следовать, что и логарифмическая функция правдоподобия строго вогнута.

Методика формирования псевдовыборок для прогнозирования субъективных суждений с помощью моделей бинарного выбора

В предыдущей главе достаточно подробно изложен математический аппарат, применяемый в настоящее время - и не без успеха - в различных схемах получения и обработки экспертной информации, используемой в задачах обоснования управленческих решений. И все же, во всех этих схемах, несмотря на их разнообразие, по преимуществу используются методы из одно го и того же выше описанного набора. К этому набору можно добавить балльное оценивание и простое ранжирование, которые, в силу своей распространенности и того, что не приводят к получению более надежных оценок, чем метод парных сравнений, не рассматривались среди выше изложенных. Можно вспомнить и медиану Кемени, процедура нахождения которой достаточно сложна, и поэтому редко используется в практике получения групповых оценок.

Однако в каком бы составе мы не рассматривали эти методы, их главная особенность в том, что для числового представления получаемых результатов в основном используются номинальные и ранговые шкалы. Этим и объ ясняется, на наш взгляд, тот консерватизм, который утвердился в отношении методов обработки экспертной информации. Его природа очевидна: низкая разрешающая способность экспертов, которая служит непреодолимым барьером для повышения точности экспертных оценок. Возникает естественный вопрос: «Какой смысл в разработке новых подходов и более точных методов, если они из-за указанного барьера не приводят к уточнению финальных результатов?» И все же смысл есть. Он появляется в тех случаях, когда меняется привычное представление о сути решаемых задач.

В качестве примера, демонстрирующего новый взгляд на обработку экс пертной информации, рассмотрим задачу ранжирования показателей по их степени влияния на возможность появления какого-либо события. Эта задача является одной из наиболее распространенных в практике экспертного оценивания. Ее решение можно получить с помощью любого из выше рассмотренных методов. Однако, несмотря на многообразие методов, суть используемого в них подхода одна - непосредственное оценивание показателей. Наряду с простотой реализации этот подход имеет и ряд недостатков. Очевидно, что его применение имеет смысл только в линейном случае, когда степень влияния не зависит от структуры оцениваемого набора показателей.

В реальных ситуациях все гораздо сложней. Представление о линейном взаимодействии скорее абстракция, помогающая упростить задачу, сделав ее всегда решаемой, но с некоторой ошибкой, которой можно пренебречь. Логика получения результатов по такой схеме оценивания без учета совместных эффектов вполне объяснима. Решение ищется для конкретной ситуации с фиксированной структурой показателей, которая хотя и не указывается в задании эксперту, но, как правило, присутствует в его представлениях о решаемой задаче. Но как только структура начинает изменяться, сразу же появляются неучтенные эффекты взаимодействия и надежность экспертных оценок резко снижается. Поэтому непосредственное оценивание показателей необходимо заменить косвенным, основанным на модельном представлении структуры, но без усложнения самой процедуры опроса экспертов. При этом модель, отражающая взаимосвязь между возможностью появления интересующего нас события и набором оцениваемых показателей, должна быть, по всей вероятности, нелинейной и, кроме того, эконометрической, так как интерес вызывает не только механизм взаимодействия, но и количественная оценка силы этого взаимодействия, а также желание заменить повторные экспертные опросы прогнозными оценками. Последнее особенно важно. Именно этой возможностью не обладают ранее рассмотренные методнким образом, смысл рассматриваемого здесь подхода в том, чтобы экспертную информацию использовать для построения модели, с помощью которой будут получены оценки, а не для непосредственного получения самих оценок. Возникает естественный вопрос, каким образом экспертная информации может использоваться для этих целей. По всей видимости, можно предложить несколько подходов, обеспечивающих реализацию обсуждаемой здесь идеи. Наше предложение заключается в том, чтобы интуицию и знания экспертов применить для формирования специальных выборочных совокупностей, которые мы будем называть псевдовыборками. Данные сформированных псевдовыборочных совокупностей используются для оценивания коэффициентов регрессионной модели, представляющей собой инструмент многопланового применения: анализ, оценка значимости факторов, прогноз ожидаемых событий и т.п. Естественно это значительно расширяет область применения экспертных решений.

Реализация данного подхода предполагает введение бинарной переменной со следующим смыслом

Будем считать, что значение этой переменной, характеризующей появление интересующего нас события, зависит от оцениваемого нами набора показателей х1, х2, . . ., хт и существует некоторое множество различных вариантов х15 х2,...,х„ этих наборов xf. =(xn,xi2, . . ., xim), отличающихся друг от друга всеми или некоторыми своими компонентами (оцениваемыми показателями). Предполагается, что у каждого эксперта есть представление о том, при реализации каких вариантов ожидаемое событие будет иметь место, а при реализации каких - нет. Математически это предположение записывается в виде зависимости k где уі - ожидаемое значение бинарной зависимой переменной, которое к - ый эксперт связывает с / - ым набором оцениваемых показателей; индексная функция, т.е. функция, принимающая всего два значения 0 и 1; Єї - ошибка, которую может допустить к - ый эксперт, оценивая влияние / -го набора на появление ожидаемого события. Теперь становится понятной реализация основанной на модельном подходе идеи получения экспертных решений. Сначала в результате целевого опроса экспертов формируется псевдовыборка, объединяющая в себе субъективные мнения по поводу интересующих нас закономерностей, предпочтений, рейтингов, прогнозных оценок и т.п. Затем по данным псевдовыборки строится регрессионная зависимость (3.11), связывающая субъективные мнения с одновременным их усреднением в единую формализованную зависимость. Построенная таким образом модель, по сути, является концентрированным выражением обобщенного мнения экспертов по изучаемой проблеме и может использоваться для анализа и получения всевозможных оценок. Модель в качестве результата опроса, а не разовые экспертные оценки, является главной особенностью данного подхода. Благодаря этой особенности удается получить прогнозные оценки экспертных суждений, т, е. оценки субъективного характера относительно тех событий или объектов, о которых эксперты не знали или не имели представления в момент формирования псевдовыборки.

Похожие диссертации на Модели и методы обработки и прогнозирования нечисловых данных маркетинговых исследований

Исследование качества краткосрочных моделей прогнозирования финансово-экономических показателей (На примере кредитных организаций Смоленской области) Гусарова Ольга Михайловна

Модели и методы исследования пространственной интеграции рынков товаровГлущенко Константин Павлович

Математические методы исследования системы моделей водохозяйственного комплекса ирригационно-энергетического назначения Гулиев Ровшан Расим оглы

Методы и модели исследования инвестиционных стратегий фирм на рынках капиталоемкой и наукоемкой продукции Варшавский Леонид Евгеньевич

Экономико-математические методы и модели в исследовании состояния и развития электронной коммерции Садретдинов Рамиль Мустафаевич

Применение экономико-математических методов и моделей в исследовании коммерческих рисковМанохин Александр Юрьевич

Исследование и разработка моделей и методов формирования инвестиционных политик НПОЗайцева, Марина Анатольевна

Разработка моделей и методик проведения маркетинговых исследований на основе методов анализа иерархий и структурирования функции качестваПолозов Мечислав Владимирович

Исследование методов повышения эффективности оперативного управления основной деятельностью морского порта с применением стохастических моделей Постан Михаил Яковлевич

Исследование и разработка консультационно-контролирующей системы для дистанционного обучения (На примере курса "Экономико-математические методы и прикладные модели") Плотникова Елена Анатольевна