Marketingový výzkum v praxi

Prezentace na téma: "Marketingový výzkum v praxi"— Transkript prezentace:

1 Marketingový výzkum v praxi
část 3A: od Od datové matice k závěrečné zprávě Martin Zaplatílek FOCUS, Centrum pro sociální a marketingovou analýzu

2 PŘÍPRAVA DAT, ANALÝZY A ZÁVĚREČNÁ ZPRÁVA
Máme: Zadání a definované cíle výzkumu Data zapsaná v datové matici Co nás čeká: Kontrola dat – kvóty, kódování variant a záznam otevřených otázek atd. Konstrukce kategorizovaných, „dummy“ a agregovaných proměnných, definování nezávislých proměnných, které budete používat v celé zprávě Volba analytických přístupů – frekvence, volba nezávislých proměnných, další analýzy (cluster analysis, rozhodovací stromy, factor analysis atp.) Vypracování osnovy zprávy Analýza a grafické zpracování výstupů Kompletace a editace výzkumné zprávy

3 PROCES PRÁCE S DATY V AGENTUŘE
Měření / pozorování / dotazování Záznam dat / kódování Čištění dat Transformace / spojování Chybějící hodnoty / „missing value Analýza dat Závěrečná zpráva a prezentace výsledků

4 KONTROLA DATOVÉ MATICE
Kontrola datové matice je základem pro další práci – princip „waste in, waste out“… „Pokud vaše nová data obsahují více než 30 čísel, tak je v nich skoro jistě nějaká chyba.“ (Spoustův teorém…) Čištění a příprava dat zabírá obvykle okolo 80 % analytikova času, věnuje se mu jako hlavnímu tématu méně než 1 % článků ve statistických a podobných časopisech. Čištění dat je často komplikované, nezřídka nudné a naprosto vždy zásadně důležité… Základní zásadou je přípravu dat nepodcenit a pod tlakem (termínu, zvědavosti, šéfa, klienta…) se nepustit do zpracování výstupů, dokud nemáte data připravená.

5 KONTROLA DATOVÉ MATICE
zkontrolovat úplnost datové matice (vytřídit neúplně vyplněné dotazníky / cases – zejména případy, kde chybí kvótní znaky nebo většina proměnných) „olabelovat“ proměnné a varianty proměnných zkontrolovat, zda odpovídají variantám v dotazníku ověřit ID (čísla dotazníků, záznamy o respondentech atp. – první eliminace duplicit) ověřit duplicitní data (lze procedurou v SPSS, případně náhodná kontrola) zkontrolovat, zda jsou u všech kvótních proměnných data kompletní pokud ne, zvážit, zda je lze možno data doplnit na základě jiných vyplněných proměnných (příjem možno doplnit na základě lineární regrese - pracnost a časová náročnost; přitom např. variantu čistý měsíční příjem do jisté míry supluje např. agregovaná proměnná socioekonoický status…) zkontrolovat, zda jsou uvedeny jen platné varianty proměnné (př. zda u věku v matici 18let + nejsou 16-letí, u pohlaví 3 varianty odpovědí atd.) ověřit, zda varianty kvótních proměnných odpovídají kvótě (zda jsou stejné věkové kategorie, velikosti obce, kategorie u vzdělání) – viz dále vážení

6 KONTROLA DATOVÉ MATICE
u volných / otevřených otázek zda odpovídají jen ti, kteří odpovídat mají (např. „varianta jiné – uveďte:“) doplnit chybějící odpovědi variantou „neodpověděl/a“ kódování a kategorizace – definovat obecnější kategorie a do nich varianty odpovědí rekódovat (např. ot 13 jiné - kategorie klid, ticho do níž sdružit varianty klidné prostředí, únik před hlukem města, oáza ticha, místo, kde mám klid na rozhovor… ) respondenti při odpovědích i tazatelé při zápisu jsou často nesnesitelně kreativní…. zkontrolovat orientaci škál v dotazníku a v datové matici pozor na dlouhodobé / longitudinální výzkumy a zásahy do dotazníků v jejich průběhu – „vylepšení“ (mírné přeformulování otázky, redukce či otočení škály…) často znásobí požadavky na práci analytika…

7 KONTROLA DATOVÉ MATICE
první pohled na data – třídění prvního stupně pomocí frequencies si udělat základní přehled o proměnných a distribuci dat zda nejsou v některých případech uváděny extrémní hodnoty (zejm. kardinální proměnné, např. cena/ks) zda nejsou uváděny hodnoty mimo definovaný rámec („out of range“) kontrola použitých jednotek - kódování času (roky, měsíce, hodiny, minuty) kontrola vazeb mezi proměnnými – třídění druhého stupně crosstabs – vazby mezi dvěma proměnnými; odhalení nelogických odpovědí (samostatná osoba v domácnosti x počet dětí v domácnosti 3; Zlín, kraj Karlovarský; Praha, velikost obce do 4999 ….) – odhalí často chyby v kódování i „nepoctivé tazatele“ první analytický pohled – můžeme při té příležitosti najít či ověřit korelace mezi proměnnými

8 VÁŽENÍ DAT – postratifikační váhy
Při nesouladu kvóty a dat je vhodné zvážit možnost data upravit vážením váhy vyrovnají charakteristiky vzorku s distribucí znaků v populaci vážením tedy eliminuje odchylky od kvóty v rámci datového souboru a „napravujeme“ jeho reprezentativitu vážení kompenzuje zejména non-response apod. – je to „z nouze ctnost“, nelze na něj a priori spoléhat při sběru dat a dodržování kvót… je možné/vhodné jen v případě dostatečně velkého vzorku musíme mít co vážit = v dané kategorii musí být data – u velkých odchylek od kvóty hrozí i w=3 a více, tzn. že daný případ je ve zpracování zahrnut 3x … má i další omezení – řada analýz s vahami nepracuje (rozhodovací stromy, clusterová analýza atp.)

9 VÁŽENÍ DAT poststratifikační váhy
Vždy vážíme dle kvótních znaků a na úrovni, z níž budeme zpracovávat výstupy tzn. při výzkumu reprezentativní na populaci ČR 18 let a více a kvótách pro jednotlivé kraje = konstrukce vah pro jednotlivé kraje zvlášť Při práci se souborem musíme mít na paměti, že vážící proměnná musí být zapnuta („weight on“ v dolním stavovém řádku) váha = očekávaný podíl / zjištěný podíl př. máme-li 25 % žen a v populaci jich má být 50 %, bude váha 50/25 = 2,0 (strata jsou dána pohlavím) agregovaná váha – pro daný případ na základě dílčích vah pro jednotlivé kvótní znaky (w1 – pohlaví, w2 – věk, w3 – vzdělání, w4 – velikost obce) w = w1*w2*w3*w4

10 VÁŽENÍ DAT w = w1*w2*w3*w4 KONSTRUKCE VAH KVÓTNÍ ZNAKY V DATECH KVÓTA
Rel. četnosti obyvatelstva 18+ podle krajů. Praha Doporučený počet tazatelů: N= 160 Taz.= 11 Vzdělání % n základní 11,39% 18 vyučen 30,08% 48 maturita 34,81% 56 VŠ 22,19% 35 celkem 98,46% 158 157,5423 Sex muži 47,41% 76 ženy 52,59% 84 100,00% Věk 12,07% 19 17,99% 29 15,75% 25 20,17% 32 14,51% 23 65 + 19,51% 31 ČESKÁ REPUBLIKA - uprava pro jednotlivé kraje Praha VZOREK 160 očekávané dosažené počet % STARÉ váha W1 POHLAVÍ 100,0 131 muži 76 47,41 63 1,20 ženy 84 52,59 68 1,24 W2 VĚK let 19 12,07 15 1,29 let 29 17,99 25 1,15 let 15,75 22 let 32 20,17 26 let 23 14,51 1,22 65 a více let 31 19,51 24 1,30 W3 VZDĚLÁNÍ základné 18 11,39 bez maturity 50 31,00 41 1,21 s maturitou 57 35,42 46 1,23 vysokoškolské 35 22,19 W4 VELIKOST OBCE 134 do 4 999 #DIV/0! 0,0 100 1,19 KVÓTNÍ ZNAKY V DATECH kraj = Praha Count pohlaví muž 63 žena 68 věk 18-24 15 25-34 25 35-44 22 45-54 26 55-64 19 65+ 24 vzdělání základní sš bez maturity 41 sš s maturitou 46 vysokoškolské 29 velikost obce do 4999 131 kraj Praha KVÓTA

11 VÁŽENÍ DAT w = w1*w2*w3*w4 WEIGHT CASES BY … SYNTAX compute w1=1.
execute. if (pohlavi=1) w1=1.02. if (pohlavi=2) w1=1.09. if (vek=1) w2=1.01. if (vek=2) w2=1.06. if (vek=3) w2=1.02. if (vek=4) w2=1.01. if (vek=5) w2=0.92. if (vek=6) w2=1.18. if (vzdelani=1) w3=1.08. if (vzdelani=2) w3=1.03. if (vzdelani=3) w3=1.07. if (vzdelani=4) w3=0.99. if (velobce=1) w4=1.08. if (velobce=2) w4=1.55. if (velobce=3) w4=0.84. if (velobce=4) w4=0.99. compute w=w1*w2*w3*w4. weigh by w. FREQUENCIES VARIABLES=kraj pohlavi vek vzdelani velobce /ORDER= ANALYSIS

12 POMOCNÉ A AGREGOVANÉ PROMĚNNÉ
Při zpracování zprávy si zřídkakdy vystačíme s proměnnými, které máme ve výchozí datové matici při zpracování často využijeme kategorizované proměnné s menším počtem variant zejména u třídících / nezávislých proměnných používaných při analýze jako univerzální třídící znaky v celé zprávě při kategorizaci zvažujme praktičnost vs hrozící ztrátu informací a detailů př. věk – z kardinální proměnné věk v letech vytvoříme ordinální s kategoriemi věk 18-25let, 26-35let atd.; obdobně u např. frekvence návštěv restaurací, délky pobytu v Olomouci týdně apod. (viz dotazník vašeho projektu) proměnné typu dummy využijeme pro rychlé rozdělení souboru - případy, kdy daný znak je / není přítomen; například nová proměnná „obed“ s variantami „obědvá pravidelně“, „neobědvá pravidelně“

13 POMOCNÉ A AGREGOVANÉ PROMĚNNÉ
agregované proměnné – nově vytvořená proměnná za základě specifických kritérií a hodnot několika jiných proměnných příklady: socioekonomický status – stratifikuje respondenty podle délky vzdělání, pozice v zaměstnání a vybavení domácnosti segmenty – typologie respondentů na základě distinktivních znaků, které je spojují, resp. rozdělují nejčastěji na základě behaviorálních znaků (spotřebitelské chování a zvyklosti), mediálního chování (vnímání jednotlivých typů médií) a psychografie (sebepercepce , souhlas s výroky atp.)

14 ZPRÁVA Z VÝZKUMU Prvním krokem je zpracování osnovy
pořadí otázek v dotazníku není zavazující pro zpracování zprávy pořadí otázek je dáno dramaturgií dotazníku, která má jiné priority než závěrečná zpráva na základě zadání / projektu stanovíme obsah a pořadí kapitol, následně vytvoříme podkapitoly s přiřazením otázek z dotazníku, které se ke kapitole váží hlavní zásadou je nevynechat v analýze některou z proměnných… přesto se vám to určitě dříve či později stane počítejte vždy s čtenářem jako naprostým laikem, v lepším případě poučeným laikem… na úvod zprávy jej seznamte s cíli výzkumu, metodou sběru a zpracování dat, případně i používanou terminologií u pokročilejších analýz alespoň stručně objasněte, jak pracují a čeho jejich použitím chcete dosáhnout

15 ZPRÁVA Z VÝZKUMU TITULNÍ STRANA
měla by odpovídat corporate identity (tzn. vizuálně být navázána na firemní grafiku) – logo, logotyp, použité fonty jednoznačně referovat o obsahu zprávy – název, specifikace typu výzkumu, datum zpracování název a logo klienta přehledná, jednoduchá, srozumitelná, distinktivní téma i zpracovatel zprávy by měli být jasní na první pohled…

16 ZPRÁVA Z VÝZKUMU OBSAH METODA VÝZKUMU
přehledný a detailní popis použitých metod na jakou skupinu výsledky vztahujeme (cílová populace) specifikace výběrového souboru a způsob výběru metodika sběru dat popis kontroly sběru dat „záruka věrohodnosti výsledků“ je vhodné doplnit údaj o intervalu spolehlivosti známe-li velikost cílové populace

17 ZPRÁVA Z VÝZKUMU CÍLE VÝZKUMU HLAVNÍ ZÁVĚRY
stručné shrnutí hlavních cílů na základě projektu výzkumu HLAVNÍ ZÁVĚRY shrnutí nejdůležitějších výsledků z analýzy provázání poznatků z dílčích kapitol doporučení pro klienta pro účely další publikace je možné je psát stylem tiskové zprávy; tzn. vyhnout se čast. použ. zkr. apod., podíly psát slovně spíše než % text je celistvý, lépe se čte, detailní informace nalezne čtenář na úvodu jednotlivých kapitol

18 ZPRÁVA Z VÝZKUMU PROFIL VÝBĚROVÉHO SOUBORU $$
prezentuje rozložení dat v rámci kvótních proměnných v grafu pro ilustraci dodržení kvóty můžeme zobrazit rozložení znaku v cílové populaci je vhodné jej doplnit i o další nezávislé proměnné, které budou ve zprávě používány $$ POZN POPISKY U GRAFŮ jednoznačně specifikovat zda jde o %, průměry či absolutní četnosti specifikovat cílovou populaci, k níž se graf vztahuje včetně počtu respondentů, kteří na otázku odpovídali v případě bar chart grafů možno vedle každého sloupce vypsat počet respondentů v dané kategorii, kteří byli do grafu zahrnuti graf musí být srozumitelný a jasný bez dalších poznámek, doplnění a vysvětlení (oceníte při zpracování prezentace)

19 ZPRÁVA Z VÝZKUMU ZÁKLADNÍ OBECNÁ DOPORUČENÍ PRO TVORBU ZPRÁVY
od obecného k detailnímu vždy začít s tématy (otázkami), ke kterým se vyjadřovali všichni respondenti detailní výstupy zobrazit v rámci zvolených nezávislých proměnných (zejména tedy sociodemografické charakteristiky respondentů + další vybrané nezávislé proměnné) zaměřit se na rozdíly ve výsledcích pro jednotlivé varianty nezávislých proměnných a interpretovat je; ověřit statistickou významnost zaznamenaných rozdílů nástroj AnswerTree v SPSS – třídění závislé proměnné na základě statistické významnosti vztahů s nezávislými proměnnými (procedura CHAID) v případě nedostatku času vždy posuzovat alespoň rozdíly na základě velikosti vzorku v podkategorii a ve výstupech upozornit / být opatrní při interpretaci (př. v rámci celku (N = 1000) preferuje výrobek 36 % dotázaných, mezi trojgeneračními domácnostmi 65 % - počet respondentů je však jen 22 …)

20 ZPRÁVA Z VÝZKUMU ZÁKLADNÍ OBECNÁ DOPORUČENÍ PRO TVORBU ZPRÁVY
od podstatného k méně podstatnému pohlížejte na zprávu očima zadavatele výzkumu co je pro něj podstatné, o co bude mít při čtení zprávy největší zájem - podpořená a spontánní znalost značky XY , zaznamenání reklamy, zkušenost s výrobkem, hodnocení značky a konkurence… nebo spíše profil zákazníků, potencionálně oslovitelných spotřebitelů… nebo velikost populace s vyšší afinitou k některým výrobkům text sdružujte do větších logických celků pro orientaci ve výsledcích a celkový přehled o zjištěních z výzkumu je lepší interpretovat grafy a tabulky na úvod kapitoly než přímo u jednotlivých grafů preferujte zobrazení grafy před tabulkami grafy umožní rychlejší orientaci ve výsledcích; tabulky jsou vhodnější dát do přílohy v excelových listech k metodám zobrazení více viz Hendl „Přehled statistických metod…“, kap. 3.1

21 ZPRÁVA Z VÝZKUMU VOLBA NEZÁVISLÝCH PROMĚNNÝCH (TŘÍDÍCÍCH ZNAKŮ)
v případě vašeho výzkumu omezení malým vzorkem (N = 100) demografické charakteristiky (pohlaví, věk) délka pobytu v Olomouc týdně kategorizovat např. na tři kategorie „1 den/týdně“; „2-4 dny/týdně“; „více dnů v týdnu“ další? kuřák /nekuřák? lze očekávat, že (ne)kuřáci budou preferovat odlišné typy restaurací a kaváren, rovněž jejich spokojenost s nabídkou (ne)kuřáckých restaurací se bude lišit kategorizace q20 – konzumace v restauraci ? např. „častý/á konzument/ka alkoholu“, „častý/á konzument/ka nealko nápojů“, „ častý/á konzument/ka kávy / čaje“ lze očekávat, že tyto skupiny spotřebitelů budou mít odlišné preference, jinou frekvenci návštěv restaurací –

22 ZPRÁVA Z VÝZKUMU VOLBA NEZÁVISLÝCH PROMĚNNÝCH (TŘÍDÍCÍCH ZNAKŮ)
studijní charakteristiky (fakulta, ročník)? zvážit na základě dat, zda se stravovací návyky a preference liší mezi studenty různých fakult bude v jednotlivých kategoriích proměnných dostatečný počet respondentů? totéž u ročníku – opravdu se liší? a pokud ano, je to v rámci jednotlivých ročníků a nebo se liší „prváci“ (neznají město, mají jiný životní styl ovlivněný místem, kde dosud bydleli apod.) od zbytku? a nebo je to úplně jinak…?

23 ZPRÁVA Z VÝZKUMU NÁVRH OSNOVY (nezávazný, hrubý náčrt pro inspiraci…)
NÁZEV VÝZKUMU: ………………….. CÍLE VÝZKUMU METODA VÝZKUMU HLAVNÍ ZÁVĚRY PROFIL VÝBĚROVÉHO SOUBORU STRAVOVACÍ ZVYKLOSTI STUDENTŮ OLOMOUCKÝCH VŠ Preferovaný typ stravy Snídaně Obědy Večeře PREFERENCE PŘI NÁVŠTĚVE RESTAURACÍ A KAVÁREN Konzumace jednotlivých typů nápojů frekvence konzumace, oblíbená značka piva Cenová citlivost (promyslet, zahrnout i výstup „obvykle vydaná cena - večeře…)“ vs „ochota vydat za večeři v restauraci“) menu nápoje OBLÍBENÝ PODNIK A HODNOCENÍ AKTUÁLNÍ NABÍDKY STRAVOVACÍCH ZAŘÍZENÍ HODNOCENÍ ZÁMĚRU NOVÉ RESTAURACE A JEJÍCH CHARAKTERISTIK

24 ZPRÁVA Z VÝZKUMU STRUKTURACE VÝSTUPŮ shrnutí na úvod kapitoly
zahrnuje interpretaci všech následujících grafů a vybraných výstupů pro třídění druhého stupně (tedy výstupy v rámci třídění podle nezávislých proměnných pohlaví, věk, ?,?,?) graf z výstupu pro celou zkoumanou populaci koláčový graf v případě proměnné s jednou možností odpovědi

25 ZPRÁVA Z VÝZKUMU STRUKTURACE VÝSTUPŮ
sloupcový u „multiple response“ (např. q13) nebo proměnných s velkým počte variant, případně chceme-li zdůraznit pořadí a odstup jednotlivých variant slopucový graf v případě baterie výroků s hodnocením na škále

26 ZPRÁVA Z VÝZKUMU STRUKTURACE VÝSTUPŮ
spojnicový graf u kardinálních a ordinálních znaků – vhodný pro zobrazení cenové citlivosti atp.

27 ZPRÁVA Z VÝZKUMU STRUKTURACE VÝSTUPŮ
graf s výstupy na základě třídění dle nezávislých proměnných řádková % pro každou nezávislou proměnnou v případě baterie výroků s hodnocením na škále je vhodné zobrazení průměrů v každé kategorii nezávislé proměnné tedy rozdíly dle věku, pohlaví atd. pozor na var. „neví“ – označována kódy 9 či 99; nezahrnout do výpočtu průměrů! (klasická chyba…)

28 ZPRÁVA Z VÝZKUMU STRUKTURACE VÝSTUPŮ
graf s výstupy na základě třídění dle nezávislých proměnných možnost použít AnswerTree – procedura CHAID; rozděluje soubor podle odpovědí na otázku dle statisticky významných rozdílů v rámci nezávislých proměnných zobrazí jen statisticky významné rozdíly SPSS nabídka: Analyze/Classify/Tree logo

29 LITERATURA HENDL, J., 2006: Přehled statistických metod zpracování dat, Portál; kap. 2, 3, 15 BÁRTOVÁ, H., BÁRTA, V., KOUDELKA, J : Chování spotřebitele a výzkum trhu. 2. přepr. vyd. Praha : VŠ DISMAN, M, 1993: Jak se vyrábí sociologická znalost, Karolinum, Praha PŘIBOVÁ, M., 1998: Analýza konkurence a trhu, Grada KOUDELKA, J., 2005: Segmentujeme spotřební trhy, Professional Publishing KALKA, J., ALLGAYER, F., 2008: Marketing podle cílových skupin, Computer Press AJAN S GAUR, SANJAYA S GAUR, 2005: Statistical Methods for Practice and Research, SAGE HAUGE, P., 2003: Průzkum trhu, Computer Press (kap. 12 a 13) SILVERMAN, D., 2005: Ako robiť kvalitatívny výskum, 2005 (kap. 10 – 21) DENZIN, N.K., LINCOLN, Y., 2005: Handbook of Qualitative Research, SAGE MEDIA GURU, Mediální slovník, (leden ´10) ŘEZANKOVÁ, H, MAREK, L, VRABEC, M., 2000: IASTAT - Internetová učebnice statistiky (leden ´10) STATSOFT: Elektronická učebnice statistiky (leden ´10) SAMPLE SIZE CALCULATOR, (leden ´10)

30 TÝMOVÁ PRÁCE V NÁSLEDUJÍCÍCH DNECH

31 Práce v týmech Zkontrolujte si datovou matici
Zkontrolujte, zda data odpovídají kvótě Připravte si proměnné k analýze Vytvořte si osnovu zprávy a promyslete postup zpracování Rozdělte si práci na zprávě Vytvořte závěrečnou zprávu z připravených dat v PowerPointu DO PÁTKU a odešlete ji na adresu

32 Co nás čeká příště? Další setkání: 11.5.2010
S dotazy a připomínkami se obracejte na adresu: Na dalším setkání se budeme věnovat hodnocení vašich zpráv a zaměříme se na zpracování prezentace.

33 POMŮCKA PRO PRVNÍ KONTAKT S SPSS více viz uživatelská příručka SPSS (odkaz v sekci „užitečné odkazy – SPSS“)

34 OTEVŘENÍ DATOVÉHO SOUBORU

35 VYTVOŘENÍ NOVÉ KATEGORIZOVANÉ PROMĚNNÉ

36 VYTVOŘENÍ PROMĚNNÉ PRO MULTIPLE RESPONSE

37 UŽITEČNÉ ODKAZY - SPSS www.spsstools.net www.spss.cz
– uživatelská příručka SPSS 13

38 Na viděnou! Martin ZAPLATÍLEK
FOCUS, Centrum pro sociální a marketingovou analýzu