Podkladový materiál k workshopu Zdeněk Dytrt

Prezentace na téma: "Podkladový materiál k workshopu Zdeněk Dytrt"— Transkript prezentace:

1 REKAPITULACE VÝZKUMU „POSTOJ FIREM A INSTITUCÍ K MARKETINGOVÝM, ZAMĚSTNANECKÝM A OBDOBNÝM PRŮZKUMŮM“
Podkladový materiál k workshopu Zdeněk Dytrt Focus - Centrum pro sociální a marketingovou analýzu

2 ZÁKLADNÍ INFORMACE O VÝZKUMU
Výzkum mezi představiteli firem s dvaceti a více zaměstnanci na téma využívaní různých typů výzkumů. Metoda: CATI (telefonická interview). Rozhovory realizovaly Univerzity Palackého v Olomouci a operátoři agentury Focus.

3 ZÁKLADNÍ INFORMACE O VÝZKUMU
Způsob výběru: stratifikovaný náhodný výběr z elektronické databáze firem (Albertina - Firemní Monitor); stratifikační kriteria: okres, velikost firmy – počet zaměstnanců (20+), OKEČ. Termín sběru dat: březen 2010.

4 1. OD CATI SOUBORU K DATOVÉ MATICI

5 „SUROVÝ“ VÝSTUP Z DOTAZOVÁNÍ
číslo rozhovoru délka rozhovoru v sekundách počet použitých „obrazovek“ ID tazatele čas začátku rozhovoru použitá metoda náhled proměnných náhled dat

6 KONTROLA SCREENINGOVÝCH OTÁZEK
První krok k finální datové matici – kontrola screeningových kriterií a eliminace odpovědí nevhodných respondentů. Na základě odpovědí na tzv. screeningové otázky v úvodu dotazníku postupně mažeme odpovědi dotázaných, kteří nesplňují kriteria, daná výzkumným záměrem (pracují v příliš malém podniku), nemají potřebné informace či kompetence (rozhodování nebo celkový přehled o výzkumech) nebo nejsou ochotni spolupracovat (nemám čas, nechci odpovídat, nepřepojím vás)

7 KONTROLA SCREENINGOVÝCH OTÁZEK
Ukázka screeningových otázek v dotazníku

8 ODSTRAŇOVÁNÍ NEPOUŽITELNÝCH ODPOVĚDÍ
V praxi lze provést procedurou Select Cases v SPSS, zvolíme variantu „Unselected Cases Are Deleted“. Postupujeme uvážlivě, vše pečlivě kontrolujeme a nezapomeneme zálohovat zdrojovou matici! Hrozí smazání platných dat! Z 3255 rozhovorů získáme 1076 validních odpovědí (cases).

9 ODSTRAŇOVÁNÍ NEPOUŽITELNÝCH ODPOVĚDÍ
vybíráme respondenty, kteří nesplnili příslušné výběrové kriterium a jejich odpovědi odstraňujeme z matice

10 FORMÁLNÍ A LOGICKÁ KONTROLA DAT
Formální kontrola dat Díky použité metodě (CATI) menší nároky na formální kontrolu, systém eliminuje lidské chyby a neumožní tazateli zadat neplatnou hodnotu, přeskočit otázku, nedodržet filtr. Matici již dostáváme s názvy proměnných a variant odpovědí (variable labels a value labels). Pokud dotazování probíhá bez použití počítače, je formální kontrola dat nezbytná!

11 FORMÁLNÍ A LOGICKÁ KONTROLA DAT
Kontrola vazby mezi souvisejícími otázkami Např. q11 (počet realizovaných výzkumů ročně) vs. q16 (prováděné typy výzkumů a analýz) Řešení zjištěných nesrovnalostí: opětovné kontaktování respondenta a ověření nejasností

12 KONTROLA KVÓTY Kontrola kvótních znaků
Porovnání shody kvótních znaků ve výběrovém souboru a v základním souboru – kraj, velikost firmy (počet zaměstnanců), OKEČ. Porovnáváme strukturu kvótních znaků v našem souboru se strukturou všech firem s 20 a více zaměstnanci v ČR (získáme z elektronické databáze). Pokud se struktura liší, výběrový soubor není reprezentativní (nevypovídá o základním souboru).

13 KONTROLA KVÓTY Řešení: dle reálných možností (časových, personálních, finančních ideálně dosběr (cíleně vyhledáváme a dotazujeme respondenty s chybějícími kvótními znaky) v určitých případech lze použít jednofaktorové či vícefaktorové vážení (odpovědi respondentů budou do analýzy vstupovat s vypočtenými koeficienty, které budou strukturu výběrového souboru přibližovat struktuře cílové populace)

14 DALŠÍ ÚPRAVY DAT Kódování a kategorizace otevřených a polootevřených otázek (např. q8, var. 19 – ostatní činnosti, vypište…) Pro účely smysluplné analýzy sloučíme podobné spontánní odpovědi do širších kategorií, kategoriím přidělíme číselné kódy Vytvoření nových proměnných Pro usnadnění analýzy můžeme vytvořit umělou proměnnou, která nahrazuje několikanásobné filtrování a umožní rychlé roztřídění odpovědí: proměnná výzkumy (respondenti provádějí x neprovádějí výzkumy – slučuje otázky q1 a q11.)

15 2. PRVOSTUPŇOVÉ TŘÍDĚNÍ

16 PRVOSTUPŇOVÉ TŘÍDĚNÍ Základní kámen každé analýzy, vždy se snažíme zvolit adekvátní způsob prezentace (vhodný typ grafu, tabulka). Výstup v SPSS získáme většinou pomocí procedury Frequencies Pro vhodný způsob zobrazení se rozhodujeme dle typu prezentovaných dat (otázka s jednou či více možnostmi odpovědí, baterie souvisejících otázek, vícestupňová škála, číselná řada atd.) Grafy lze v programech MS Office (PowerPoint, Word, Excel) vytvářet pomocí nabídky Vložit – graf. Mnohem efektivnější je kopírovat a editovat již vytvořené grafy

17 důležitost provádění výzkumů trhu
PRVOSTUPŇOVÉ TŘÍDĚNÍ Dbáme na přehlednost, názornost a uměřenost výstupu – méně je někdy více (opatrně s použitím barev, přiměřená velikost grafů, užití neobvyklých a výrazných typů grafů důkladně zvážíme – např. 3D grafy důležitost provádění výzkumů trhu Frequency Percent Valid Percent Cumulative Percent Valid velmi důležité 69 25,4 spíše důležité 130 47,8 73,2 spíše nedůležité 58 21,2 94,4 zcela nedůležité 15 5,6 100,0 Total 272

18 PRVOSTUPŇOVÉ TŘÍDĚNÍ – UKÁZKY
důvody nespokojenosti počet nebylo podle našich představ 4 neznají náš trh, nejdou do hloubky 1 byrokracie, zdržuje nás to

19 PRVOSTUPŇOVÉ TŘÍDĚNÍ – ALTERNATIVNÍ VÝSTUPY
Slovní mraky“ (word clouds) - ukázka možné alternativy pro prezentaci odpovědí, vhodné pro spontánní odpovědi (např. asociace se značkou, zapamatované motivy reklamy, bariéry nákupu výrobků značky XY atd). Velikost písma reflektuje procentuální zastoupení příslušné odpovědi. Méně informací oproti klasické tabulce, je ovšem přehlednější a zaujme. Volně dostupná internetová aplikace.

20 PRVOSTUPŇOVÉ TŘÍDĚNÍ – ALTERNATIVNÍ VÝSTUPY
Odpovědi na ot. 14: „Z jakého důvodu jste dosud nerealizovali žádný výzkum?“

21 3. DRUHOSTUPŇOVÉ TŘÍDĚNÍ

22 DRUHOSTUPŇOVÉ TŘÍDĚNÍ
Mapuje vzájemné souvislosti proměnných - porovnáváme distribuci dat závisle proměnné na základě kategorií nezávislé proměnné. Výstupy z SPSS získáme např. pomocí procedur General Tables, Tables of Frequencis, Crosstabs. Prováděná druhostupňová třídění by měla korespondovat s našimi hypotézami a výzkumnými záměry, případně prezentovat zajímavá a významná zjištění.

23 DRUHOSTUPŇOVÉ TŘÍDĚNÍ
Klasickými nezávislými proměnnými pro druhostupňová třídění jsou demografické a socioekonomické charakteristiky respondentů (pohlaví, věk, vzdělání, velikost obce bydliště, region, příjem, ekonomická aktivita …). Výstupy jsou prezentovány v různých typech grafů; záleží na typu proměnných. Ve výzkumu postoje firem k výzkumům byly jako nezávislé proměnné používány hlavně počet zaměstnanců organizace a působení v B2B / B2C sektoru.

24 DRUHOSTUPŇOVÉ TŘÍDĚNÍ – UKÁZKA
„Můžete mi prosím říct zda, vaše firma v souvislosti s finanční a ekonomickou krizí přistoupil/a ke krácení investic do marketingového výzkumu?“ (q24) počet zaměstnanců podnikání v B2B / B2C segmentu %, N = 272, provedli alespoň jeden výzkum

25 DRUHOSTUPŇOVÉ TŘÍDĚNÍ – UKÁZKA
pohlaví typ domácnosti věk počet osob v domácnosti vzdělání velikost obce využívání internetu ekon. aktivita socioek. status mobil čistý měsíční příjem dom. region NUTS II %, N = 1001; repre ČR18+

26 4. ÚPRAVA PROMĚNNÝCH

27 KATEGORIZACE A REKÓDOVÁNÍ PROMĚNNÝCH
Redukujeme počet variant odpovědí – zjednodušení a zpřehlednění výstupů. Užíváme u proměnných s širším spektrem variant odpovědí (např. rozhodně souhlasí – spíše souhlasí – ani souhlas, ani nesouhlas – spíše nesouhlasí – rozhodně nesouhlasí), u vícestupňových škál (ohodnoťte na škále 1 – 10), u číselných řad (věk, příjem, délka studia v letech). V našem případě bude kategorizace prvním krokem k vytvoření součtového indexu. Kategorizujeme proměnné q16.a – q16.k (typy výzkumů, které organizace realizuje).

28 KATEGORIZACE A REKÓDOVÁNÍ PROMĚNNÝCH
proměnné q16.a – q16.k 1 realizujeme pravidelně, systematicky 2 již jsme jednou či několikrát dělali, není ale pravidlem 3 dosud jsme nedělali 9 neodpověděl/a Total spokojenost zákazníků se službami/zbožím firmy 66 17 1 100 analýza velikosti a potenciálu trhu, tržních segmentů 28 25 46 2 výzkum názorů, postojů a potřeb zákazníků 45 23 30 segmentace a typologie zákazníků či spotřebitelů 24 21 54 testy reklamy a komunikačních kampaní 22 20 57 image a pozice vaší firmy (značky) 55 pretest nových výrobků a obalů 10 11 77 analýza komunikace uvnitř vaší firmy 35 16 48 výzkumy názorů a postojů zaměstnanců firmy 40 38 výzkum vzdělávacích potřeb zaměstnanců 33 49 analýza organizační kultury vaší firmy 13 64 3 variantu přejmenujeme na „nerealizujeme“ , kód 0 sloučíme do varianty „realizujeme“ , kód 1 varianta zůstává nezměněna, kód 9

29 KATEGORIZACE A REKÓDOVÁNÍ PROMĚNNÝCH
Původní proměnné v datovém souboru ponecháme nezměněné, pomocí procedur v SPSS vytvoříme sadu rekódovaných proměnných. Pro zachování přehlednosti datové matice použijeme adekvátní názvy – např. q16a.rec, q16b.rec, q16c.rec … Použijeme proceduru programu SPSS Recode into Different Variables. Lze rekódovat více proměnných se stejnými variantami odpovědí najednou podle stejného schématu. Varianty nových proměnných je důležité správně olabelovat. Nové proměnné se vždy vytvářejí až na konci matice (za poslední proměnnou). Nepropadejme panice, jsou tam 

30 KATEGORIZACE A REKÓDOVÁNÍ PROMĚNNÝCH
definujeme nové názvy proměnných definujeme nové varianty odpovědí

31 SOUČTOVÝ INDEX Z většího počet proměnných, které zkoumají různé dimenze téže vlastnosti, vytvoříme jednu souhrnnou proměnnou - součtový index. Pracujeme s ním jako s běžnou proměnnou. Často bývá prezentován ve formě porovnání průměrů mezi různými kategoriemi respondentů (např. průměrný počet typů výzkumů, které realizovaly firmy z B2B sektoru oproti firmám z B2C segmentu).

32 SOUČTOVÝ INDEX definujeme název nové proměnné (indexu)
proměnné, které do výpočtu indexu vstupují (q16a_rec až q16k_rec) varianta odpovědí, z níž se index vypočítává (realizujeme pravidelně + již jsme dělali)

33 PŘÍKLAD PREZENTACE VÝSTUPŮ INDEXU
průměrný počet prováděných typů výzkumů počet prováděných typů výzkumů počet respondentů (N) v % 11 4 1 14 5 2 24 9 3 25 23 8 32 12 6 31 7 44 16 22 19 10 celkem 272 100 graf s detailním členěním střední hodnoty průměr 5,5 medián 6 modus 7 precentily 25 3 50 75 graf s kategorizovanými hodnotami odpovědí N = 272, provedli alespoň jeden výzkum %, N = 272, provedli alespoň jeden výzkum

34 PŘÍKLAD PREZENTACE VÝSTUPŮ INDEXU
112 71 51 21 17 94 68 105 5 PŘÍKLAD PREZENTACE VÝSTUPŮ INDEXU N (počet respondentů) 272 112 71 51 21 17 94 68 105 5 průměrný počet prováděných typů výzkumů 20-49 100 – 199 500 a více B2B B2C B2B + B2C neodpověděl/a počet zaměstnanců počet zaměstnanců podnikání v B2B / B2C segmentu podnikání v B2B / B2C segmentu je vhodné doplnit počty respondentů pro jednotlivé kategorie (při interpretaci je nutno brát ohled na tato data, nedělat ukvapené závěry z odpovědí několika málo respondentů celkový průměr - 4,0 variantu přejmenujeme na „nerealizujeme“ , kód 0

35