1
POLITECHNIKA LUBELSKA WYDZIAŁ ZARZĄDZANIA
MARKETING I KOMUNIKACJA RYNKOWA
Projekt Badań Marketingowych
Dr hab. inż. Marcin Gąsior, prof. PLDr hab. inż. Łukasz Skowron, prof. PL
Istota badań marketingowych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 2
Istota badań marketingowych
Badania marketingowe na najwyższym poziomie ogólności mogą
być rozpatrywane na dwóch płaszczyznach:
1. po pierwsze, jako wymiar działalności operacyjnej, służącej
rozwiązywaniu problemów i planowaniu działalności
podmiotów – komercyjnych lub non-profit;
2. po drugie, jako wymiar działalności poznawczej jednostek
zorientowanych na prowadzenie badań naukowych, tym
samym jako wymiar nie orientowany na dostarczanie wiedzy
wymaganej do efektywnego funkcjonowania organizacji.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 3
Definicje badań marketingowych
W literaturze funkcjonuje bardzo wiele definicji badań
marketingowych, część z nich przedstawiona już była na
wcześniejszych zajęciach. Badania marketingowe mogą być
zdefiniowane między innymi jako systematyczne projektowanie,
analizowanie i prezentowanie danych i wyników badań istotnie
związanych ze specyficzną sytuacją marketingową przedsiębiorstwa
(Kotler) albo gromadzenie, analizowanie i interpretowanie danych
służących podejmowaniu decyzji marketingowych (Mazurek-
Łopacińska).
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 4
Definicje badań marketingowychJedną z najbardziej wyczerpujących i najlepszych definicji wprowadziło
natomiast Amerykańskie Stowarzyszenie Marketingu. Definicja ta mówi,
iż (cytat za E. Babbie):
Badania marketingowe są funkcja wiążąca konsumenta, klienta i opinię
publiczną z menadżerem marketingu poprzez informację,
wykorzystywaną do: identyfikowania i definiowania marketingowych
szans i zagrożeń; tworzenia, doskonalenia i oceny działań
marketingowych; monitorowania wyników marketingu i poprawy
zrozumienia marketingu jako procesu.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 5
Definicje badań marketingowych(definicja c.d.)
Badanie marketingowe określa informację niezbędną dla zajęcia się
tymi sprawami, projektuje metodę gromadzenia informacji, kieruje i
wdraża proces zbierania danych, analizuje wyniki i komunikuje
wnioski i ich implikacje.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 6
Istota badań marketingowych
Można zatem zauważyć, iż z punktu widzenia działalności
gospodarczej, ideą badań marketingowych jest poznanie otoczenia
organizacji (w pewnych przypadkach także jej środowiska
wewnętrznego) w celu lepszego – to jest prowadzącego do większych
zysków, zaplanowania i prowadzenia działalności, w szczególności w
obszarze marketingu.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 7
Istota badań marketingowych
Uwzględnia to w szczególności:
1. diagnozowanie potrzeb informacyjnych;
2. projektowanie procesów badawczych i wykorzystywanych w ich
obrębie metod oraz narzędzi;
3. gromadzenie danych – ze źródeł pierwotnych i wtórnych;
4. analizowanie pozyskanego materiału badawczego, formułowanie
wniosków oraz rekomendacji.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 8
Istota badań marketingowych
Nieco inaczej zdefiniować należy badania marketingowe prowadzone
w perspektywie naukowej. O ile sam proces, narzędzia badawcze czy
podejścia do analizy pozostają analogiczne, niezależne od
perspektywy zastosowań, w badaniach naukowych zamiast
konkretnego problemu decyzyjnego czy dążenia do optymalizacji
działalności mówić raczej należy o zapełnianiu zidentyfikowanej luki
w wiedzy, która może mieć wymiar wyłącznie poznawczy bądź
zarówno poznawczy, jak i praktyczny.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 9
Miejsce badań marketingowych
Badania marketingowe należy zatem (w ujęciu komercyjnym)
traktować jako funkcję odpowiadającą za jedną ze stron procesów
informacyjnych marketingu.
O ile sam marketing można traktować jako obiekt pośredniczący
między organizacją, a jej otoczeniem badania marketingowe –
poprzez gromadzenie i komunikacja marketingowa – poprzez
przekazywanie odpowiadają za jego wymianę informacji.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 10
Miejsce badań marketingowych
Badania marketingowe mogą dotyczyć w pierwszej kolejności
wszystkich elementów identyfikowanych w strukturze działań
marketingowych przedsiębiorstwa – czyli obszaru produktu (w
tym cech produktu, opakowań, marek itd.), ceny, promocji,
dystrybucji i, jeśli to wymagane, personelu.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 11
Miejsce badań marketingowych
Badania marketingowe dotyczyć będą także wszystkich istotnych
z punktu widzenia procesów marketingowych elementów
otoczenia firmy, czyli przede wszystkim:
1. funkcjonujących na rynku rzeczywistych i potencjalnych
klientów;
2. konkurentów, w szczególności ich produktów, marek i cen,
łańcuchów dystrybucji;
3. warunków działalności rynkowej.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 12
Podejścia do badań
Mnogość obszarów zastosowań, perspektyw czy stosowanych
metod i narzędzi przekłada się na możliwość zidentyfikowania
różnych podejść do procesu badawczego. Za najważniejsze i
najbardziej podstawowe uznać należy podziały na podejścia:
1. Nomotetyczne i idiograficzne;
2. Pozytywistyczne i interpretacyjne.
Równocześnie, wskazać należy na powstawanie, istnienie (i
aplikowanie) zarówno modeli i indukcyjnych, jak i tych o
charakterze dedukcyjnym.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 13
Podejścia do badań
Podejście nomotetyczne – to podejście zakładające możliwość i
poszukujące ogólnych, uniwersalnych praw, opisujących szersze
zbiorowości i rządzących ich zachowaniem, w szczególności w
kategorii rzeczywistych przyczyn i skutków.
Podejście idiograficzne – skoncentrowane na jednostce, opisie i
dyskusji jej zachowania, stworzeniu możliwie szerokiego jej obrazu,
wraz z wnioskowaniem o przyczynach zachowań, ale bez głębszych
prób uogólniania ich na szersze zbiorowości.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 14
Podejścia do badań
Podejście pozytywistyczne – podejście to przyjmuje założenie, iż
obiekty badań marketingowych mają charakter obiektywny i realny,
ich działaniem kierują pewne rzeczywiste prawidłowości, zaś
zachowania i reakcje konsumentów są pochodną możliwych do
ustalenia przyczyn, więc możliwe jest także ich przewidywanie.
Podejście interpretacyjne – podejście to zakłada, że rzeczywistość
jest konstruowana społecznie przez samych jej uczestników, zaś
rzeczywistość nie jest wytworem praw i reguł, nie poddaje się także
fragmentaryzacji na mniejsze struktury (A. Sagan).
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 15
Podejścia do badań
Modele indukcyjne – powstające poprzez sformułowanie wniosków i
uogólnień, w końcu zaś zbudowanie postulowanego modelu w
oparciu o pozyskany materiał empiryczny .
Modele dedukcyjne – powstające w oparciu o krytyczną analizę
źródeł, poprzez konceptualizację i operacjonalizację zawartych tam
pojęć oraz stworzenia powiązań miedzy nimi, a następnie testowane
w drodze badań.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 16
Podstawowe wyzwania i problemy
Badania społeczne, w tym badania marketingowe stoją przed wieloma
wyzwaniami nieobecnymi, lub nie mającymi większego znaczenia w
innych obszarach nauki. Dotyczą one między innymi:
1. Idei i rozumienia badań społecznych, które często bywają
identyfikowane jako badania problematyczne, prowadzące do trudnych
do zreplikowana wyników, prowadzących do kłopotliwych w uogólnieniu
wniosków, nie zawsze bazujących na ścisłej metodzie naukowej,
generujących wyniki poprawne dla niewielkich grup, prawidłowości od
których obserwowane są odstępstwa i wyjątki itd.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 17
„Prawidłowości” w badaniach społecznych
Prawidłowości społeczne to modele probabilistyczne, które nie
stają się mniej rzeczywiste tylko dlatego, że jakieś przypadki nie
pasują do ogólnego wzorca.
(E. Babbie)
(ile jest „prawidłowości”? czy „średnia” jest „średnią”?)
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 18
Podstawowe wyzwania i problemy
Dotyczą one między innymi (c.d.):
2. „Charakteru” opinii (i pomiaru), w tym problemów wynikających
z teorii grup odniesienia – wyrażających się pytaniem, czy badany
jest w stanie rzeczywiście zidentyfikować przyczyny swojego
zachowania lub wyrazić jednoznacznie swoją opinię (czy może nie
jest jej świadomy);
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 19
Podstawowe wyzwania i problemy
Dotyczą one między innymi (c.d.):
3. Racjonalność zachowań – czy zachowanie konsumenta (np.
wybór produktu spośród alternatyw, jego ocena, reakcja na cenę,
postrzeganie marki) rzeczywiście jest możliwą do zdiagnozowania,
sensowną reakcją na bodźce? Ile jest wśród przyczyn
obserwowanych zachowaniach przypadkowości, emocji, ukrytych
postaw czy czynników stricte biologicznych i czy można je
identyfikować?
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 20
Podstawowe wyzwania i problemy
Dotyczą one między innymi (c.d.):
4. Trafności pomiaru – czy pytając konsumenta o wyraz jego
oceny, postawy czy o jego zachowania rzeczywiście otrzymujemy
ocenę zmiennej, którą mamy na myśli? Czy konsumenci są w ogóle
świadomi wszystkich swoich elementów poznawczych? Gdzie jest
granica między przyczyną a uzasadnieniem zachowania?
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 21
Podstawowe wyzwania i problemy
Dotyczą one między innymi (c.d.):
5. Nieprobabilistycznych prób,
6. Poziomu pomiaru – który zwykle jest porządkowy, ze wszystkimi
konsekwencjami,
7. Ilości zmiennych niezależnych i możliwości ich identyfikacji.
22
POLITECHNIKA LUBELSKA WYDZIAŁ ZARZĄDZANIA
MARKETING I KOMUNIKACJA RYNKOWA
Projekt Badań Marketingowych
Dr hab. inż. Marcin Gąsior, prof. PLDr hab. inż. Łukasz Skowron, prof. PL
Przebieg procesu badawczego
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 23
Proces badawczy
Proces badawczy jest to ciąg działań podejmowanych w celu
pozyskania wiedzy niezbędnej do rozwiązania określonej sytuacji
problemowej lub uzupełnienia zaobserwowanej luki poznawczej.
Proces badawczy dzieli się zwykle na trzy części:
1. formułowanie założeń oraz projektowanie badania;
2. realizacja badania, w tym pozyskiwanie niezbędnych
informacji;
3. analiza zgromadzonego materiału badawczego i wnioskowanie.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 24
Proces badawczy
Równocześnie, należy pamiętać, iż proces badań prowadzonych w
warunkach biznesowych jest nieznacznie inny, niż proces badań
prowadzonych na potrzeby nauki.
Różnice między nimi dotyczą:
1. Punktu wyjścia procesu (problem decyzyjny – luka poznawcza);
2. Celu prowadzenia badań (cel utylitarny – cel poznawczy);
3. Sposobu oceny prowadzonego badania (efekt komercyjny –
poszerzenie wiedzy).
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
25
Formułowanie założeń – b. komercyjne
Problem decyzyjny
Zakres wiedzy niezbędny do rozwiązania problemu decyzyjnego
Analiza sytuacji
Problem badawczy Cel badań
Badania komercyjne
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 26
Analiza sytuacji – to mniej lub bardziej formalna procedura
prowadząca do wykrycia potencjalnych obszarów zmian w
organizacji i ich możliwych kierunków, wynikających na
przykład z obserwowanych problemów, potencjalnych szans,
spodziewanych zagrożeń, zmian otoczenia itd.
Formułowanie założeń – b. komercyjne
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 27
Problem decyzyjny – wynikająca z analizy sytuacji konieczność
wybrania odpowiedniego wariantu działania. W rozumieniu
badawczym problem decyzyjny nie musi mieć (chociaż jest to
możliwe) sprecyzowanych alternatyw (rozwiązań problemu), a
może być zorientowany na ich zdefiniowanie i ocenę.
Formułowanie założeń – b. komercyjne
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 28
W badaniach komercyjnych i biznesowych analiza sytuacji i
zauważenie oraz sformułowanie problemu decyzyjnego są
najczęściej elementami normalnego funkcjonowania
organizacji.
Dopiero zaistnienie problemu, który nie jest możliwy do
rozwiązania w oparciu o posiadaną wiedzę lub przyjęte
procedury inicjuje proces badawczy.
Formułowanie założeń – b. komercyjne
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 29
Formułowanie założeń – b. naukowe
Luka poznawcza
Analiza źródeł
Problem badawczy Cel badań
Badania naukowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 30
Analiza źródeł – to krytyczna ocena aktualnego stanu wiedzy
w tym jej zgodności z obserwowanymi zjawiskami, jak również
zdolności do ich przewidywania bądź wyjaśniania.
Luka poznawcza – to zauważony i zdefiniowany brak wiedzy z
określonego zakresu, jej niekompletność, fragmentaryczność
lub błędność.
Formułowanie założeń – b. naukowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 31
Problem badawczy – to „swoiste pytanie, określające jakość i
rozmiar pewnej niewiedzy (pewnego braku dotychczasowego
wiedzy) oraz cel i granicę badań”, to jasne sformułowanie
„czego nie wiem”, „czego chce się dowiedzieć” oraz „dlaczego
chcę to zrobić”.
Musi on zostać sformułowany precyzyjnie, w szczególności w
sposób definiujący zakres oraz granice naszej niewiedzy.
Formułowanie założeń – problem
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 32
Problem badawczy ma za zadanie jasno wyjaśnić, co
dokładnie jest przedmiotem badań, jakie są jego granice, jaka
wiedza powinna być zgromadzona, jak również sprecyzować
co dokładnie będzie rozumiane przez podstawowe, użyte w
jego sformułowaniu pojęcia.
Problem badawczy musi wskazywać badaczowi (i odbiorcy
badań) jakiej dokładnie wiedzy badanie ma dostarczyć.
Formułowanie założeń - problem
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 33
Problem badawczy powinien wyczerpywać zdefiniowaną lukę,
bądź zakres wiedzy wymagającej pozyskania, być
rozstrzygalny, jak również uwzględniać zależności miedzy
pojęciami.
Niektóre źródła sugerują, że problem ma mieć formę pytania,
natomiast co do zasady, zwykle jest mniejszym lub większym
fragmentem tekstu opisującym i definiującym zakres braku
wiedzy.
Formułowanie założeń - problem
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 34
Do każdego problemu badawczego należy sformułować zbiór
pytań badawczych, których zadaniem jest ten problem
uszczegółowić i doprecyzować, a równocześnie nadać
przedmiotowi badań pewną wewnętrzną strukturę.
Pytania badawcze to jeszcze nie pytania do kwestionariusza –
pytania badawcze to sposób na podzielenie problemu na
pewne elementy składowe.
Formułowanie założeń – pytania b.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 35
Cel badań to odpowiedź na pytanie po co planowane badania
mają zostać przeprowadzone. Celem badań jest oczywiście
dostarczenie wiedzy, ale w ujęciu komercyjnym cel pozostaje
także w związku ze sformułowanym problemem decyzyjnym –
czyli odpowiada na pytanie, po co tą wiedzę gromadzimy.
Proces badawczy może realizować więcej, niż jeden cel.
Formułowanie założeń – cel badań
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 36
Cele badań na najwyższym poziomie ogólności dzielą się na dwie
kategorie. Wyróżnić tu można:
1. cel albo cele poznawcze – wyrażające, iż badanie prowadzone
jest w celu zgromadzenia określonej wiedzy;
2. cel albo cele utylitarne – wyrażające to, do czego
zgromadzona wiedza może zostać wykorzystana, co umożliwi
albo jakie zapewni efekty.
Formułowanie założeń – cel badań
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 37
Dodatkowo, w zależności od charakteru procesu badawczego,
celem może być:
1. Zgromadzenie wiedzy i dalsze poznanie przedmiotu badania
(dla procesów poznawczych);
2. Dokonanie oceny przedmiotu badania (dla procesów
aksjologicznych);
3. Zaproponowanie pożądanej, optymalnej albo typowej
struktury przedmiotu badania (dla procesów normatywnych);
Formułowanie założeń – cel badań
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 38
W przypadku problemów ze zdefiniowaniem celu, warto sobie
zadać pytanie, co mi da przeprowadzenie badań.
Oczywiście, poszerzy ono mój zasób wiedzy (cel poznawczy), ale
jakie to da korzyści praktyczne? Co z tą wiedzą będzie można
zrobić? Co będzie można poprawić? Jak zrozumienie
rzeczywistości przełoży się na moną działalność? Do czego tej
wiedzy użyję?
Formułowanie założeń – cel badań
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 39
Ważne.
Problem badawczy nie może być tematem badania zapisanym
innymi słowami. Cel badań nie może być problemem badawczym
zapisanym innymi słowami. To są trzy odrębne sformułowania.
Problem badawczy – definiuje, precyzuje i wyjaśnia temat i zakres
badań;
Cel badań – wyjaśnia po co badania są prowadzone;
Formułowanie założeń
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 40
Formułowanie założeń
Problem badawczy Cel badań
Ocena danych wtórnych, ewentualne badania źródeł wtórnych
Budowa modelu badawczego
Sformułowanie hipotez
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 41
Model to hipotetyczna konstrukcja myślowa, wyrażająca się
poprzez układ założeń, pojęć i zależności między nimi,
pozwalający opisać (modelować) w przybliżony sposób jakiś
aspekt rzeczywistości.
(Gospodarek, cyt. za Zakrzewską-Bielawską)
Model badawczy
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 42
W perspektywie badawczej możemy mówić o dwóch
rodzajach modeli, modelach:
1. indukcyjnych, uogólniających wyniki badań, tworzących
na ich podstawie model zjawiska, a następnie jego
teoriach (badania jakościowe);
2. hipotetyczno-dedukcyjnych, wychodzących od teorii
zjawiska, tworzących model konceptualny, a następnie
operacjonalizujących go na potrzeby pomiaru (badania
ilościowe).
Model badawczy
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 43
Model badawczy można zdefiniować jako model
odzwierciedlający podejście badacza do pomiaru badanego
zjawiska.
Jego opracowanie wymaga przejścia kilku etapów, w których
precyzujemy, charakteryzujemy, definiujemy i
operacjonalizujemy pojęcia oraz koncepcje, które zostały
wprowadzone w obszarze problemu badawczego oraz pytań
badawczych.
Model badawczy
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 44
Ideą procesu budowy modelu badawczego jest przekład
stosunkowo niejednoznacznych pojęć języka potocznego na
precyzyjne przedmioty badania o jasno zdefiniowanym i
mierzalnym znaczeniu.
(E.Babbie)
Model badawczy
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 45
Budowanie modelu badawczego obejmuje następujące kroki:
1. Konceptualizację, w tym zdefiniowanie zjawisk i pojęć,
ustalenie ich wskaźników oraz łączących je zależności;
2. Operacjonalizację, w tym wyznaczenie zmiennych
reprezentujących przyjęte wskaźniki, ewentualnych zakresów
ich zmienności oraz ustalenie poziomu ich pomiaru.
Model badawczy
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 46
Konceptualizacja – to proces w toku którego określamy, co
mamy na myśli używając w badaniach kolejnych terminów. W
ramach konceptualizacji należy:
1. Stworzyć definicje nominalne pojęć, które wyrażają podejście
badacza do określonego pojęcia,
Model badawczy - konceptualizacja
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 47
Konceptualizacja – to proces w toku którego określamy, co
mamy na myśli używając w badaniach kolejnych terminów. W
ramach konceptualizacji należy:
2. Zdefiniować wskaźniki, czyli znaki obecności lub
nieobecności danego pojęcia, które mogą być pogrupowane
w wymiary, łączące zbiory wskaźników podobnych do siebie
pod określonym względem.
(E.Babbie)
Model badawczy - konceptualizacja
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 48
Równocześnie, w trakcie konceptualizacji należy zdefiniować
zależności (na przykład przyczynowo-skutkowe) łączące
zdefiniowane pojęcia. W ten sposób tworzony jest model
konceptualny danego zjawiska.
Zarówno definiowanie pojęć, jak i wyznaczanie łączących je
zależności powinno mieć miejsce w oparciu o istniejący stan
wiedzy.
Model badawczy - konceptualizacja
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 49
W procesie konceptualizacji* należy także zdefiniować zmienne,
to jest właściwości, które mogą przybierać różne wartości, a
które zostały wyrażone w stworzonych definicjach.
Model badawczy - konceptualizacja
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 50
Uwaga!
Proszę pamiętać, iż proces konceptualizacji niesie ze sobą wiele
niejednoznaczności, zaś granice zarówno między pojęciami, jak i
miedzy samymi elementami powstającymi w tym procesie
bardzo umowne.
Ideą nie jest tutaj poszukiwanie uniwersalnej prawdy, ale
zdefiniowanie pewnej, względnie sensownej ramy, która będzie
wykorzystywana na potrzeby pomiaru.
Model badawczy - konceptualizacja
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 51
Operacjonalizacja to proces tworzenia konkretnych procedur
badawczych, które pozwolą na dokonanie empirycznych
obserwacji odpowiadających pojęciom zdefiniowanym w
procesie konceptualizacji.
Model badawczy - operacjonalizacja
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 52
W szczególności w procesie operacjonalizacji zmienne zostają
wyrażone w postaci wskaźników zmiennych.
Wskaźnik to właściwość, która (fakt, zdarzenie, proces, stan itd.)
jest możliwa do zaobserwowania oraz na podstawie której
można mówić, iż wystąpiło dane zjawisko.
Model badawczy - operacjonalizacja
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 53
Kolejnym krokiem operacjonalizacji jest zdefiniowanie zależności
między zmiennymi oraz miedzy zmiennymi i wskaźnikami. Polega
ono na:
1. zdefiniowaniu zestawu zmiennych wyrażających badane
zjawisko, w szczególności zaś zwizualizowaniu łączących je
zależności przyczynowo skutkowych,
2. przyporządkowaniu do badanych zmiennych ich wskaźników.
Model badawczy - operacjonalizacja
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 54
Zmienne mogą mieć charakter jawny (jawne, mierzalne) – gdy są
(względnie) dostępne do bezpośredniego pomiaru (np. wzrost,
wiek, wydana kwota albo dochód) oraz ukryty (ukryte,
niemierzalne, latentne) – gdy nie są bezpośrednio dostępne
(zadowolenie, opinia o personelu itd.) – w takiej sytuacji
wymagane jest stworzenie zestawu wskaźników, które będą
służyły do oceny (stopnia) jej obecności.
Model badawczy - zmienne
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 55
Wskaźniki zmiennych ukrytych mogą być:
1. Formatywne – gdy zjawiska wyrażane przez wskaźnik w
domyśle tworzą zjawisko wyrażane przez zmienną ukrytą (np.
ilość treningów, jakość diety i długość snu jako wyrazy
kondycji fizycznej);
2. Reflektywne – gdy zjawiska wyrażane przez wskaźniki są
tworzone przez zjawisko wyrażane przez zmienną ukrytą (np.
czas na 100m, waga i tętno spoczynkowe jako wyrazy
kondycji fizycznej).
Model badawczy - zmienne
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 56
Można także wyróżnić następujące kategorie zmiennych:
1. zależne, które w naszym modelu są wynikiem oddziaływania
zmiennych niezależnych;
2. moderujące, tj. wpływające na siłę i charakter związku
między zmiennymi zależnymi i niezależnymi;
3. mediujące – zmienne pośredniczące w relacji miedzy
zmiennymi zależnymi i niezależnymi.
Model badawczy - zmienne
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 57
Model badawczy - zmienne
Zakrzewska-Bielawska, A. (2018). Modele badawcze w naukach o zarządzaniu. Organizacja i Kierowanie, 181(2), 11-25.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 58
Finalnym efektem konceptualizacji i operacjonalizacji jest
stworzenie modelu badawczego – struktury przedstawiającej
badane zmienne wraz z ich wskaźnikami oraz łączącymi je
relacjami.
W oparciu o obecne w modelu relacje możliwe jest następnie
formułowanie hipotez – na ogół dotyczą one obecnych w
modelu zależności.
Model badawczy
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 59
Model badawczy – przykłady ze źródeł
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 60
Model badawczy – przykłady ze źródeł
Karadağ, E., Tosuntaş, Ş. B., Erzen, E., Duru, P., Bostan, N., Şahin, B. M., ... & Babadağ, B. (2015). Determinants of phubbing, which is the sum of many virtual addictions: A structural equation model. Journal of behavioral addictions, 4(2), 60-74.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 61
Model badawczy – przykłady ze źródeł
Hennig-Thurau, T., Langer, M. F., & Hansen, U. (2001). Modeling and managing student loyalty: An approach based on the concept of relationship quality. Journal of service research, 3(4), 331-344.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 62
Hipoteza jest przypuszczeniem, nie do końca pewnym
stwierdzeniem o występowaniu danego zjawiska, jego wielkości,
częstotliwości, stosunku do innych zjawisk lub o zależności
między zjawiskami. Przypuszczenie to jest weryfikowane w
trakcie badań.
Formułując hipotezy opieramy się o wiedzę dostępną w danej
dziedzinie, istniejące teorie, doświadczenie oraz wyniki
poprzednich badań. Bardzo często hipotezy powstają w oparciu o
przyjęty model badawczy.
Hipotezy
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 63
Formułowanie założeń / realizacja
Założenia odnośnie rodzaju badań i stosowanych metod
Założenia doboru próby lub próbBudowa instrumentu
pomiarowego
Próba minimalna i jej skład, ew. operat losowania
Badania pilotażowe
Walidacja narzędzia
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Realizacja badania
Zbieranie danych - pomiar
Rekrutacja próby
(….)
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 65
Ciąg dalszy procesu wyjaśniony był na zajęciach z Metodologii
Badań Marketingowych, tam też zajmowaliśmy się stroną
procesu wiążącą się z budową narzędzi.
Na zajęciach z Projektowania Badań Marketingowych będziemy
teraz zajmować się drugim zbiorem zagadnień – projektowaniem
próby oraz finalnie, zasadami analizy, prezentowania i
wnioskowania w oparciu o pozyskane dane.
Proces badawczy
66
POLITECHNIKA LUBELSKA WYDZIAŁ ZARZĄDZANIA
MARKETING I KOMUNIKACJA RYNKOWA
Projekt Badań Marketingowych
Dr hab. inż. Marcin Gąsior, prof. PLDr hab. inż. Łukasz Skowron, prof. PL
Formy pomiaru i źródła danych w procesie badawczym
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Najbardziej podstawowym podziałem danych (a tym samym ich
źródeł) jest podział na dane pierwotne oraz dane wtórne.
Dane pierwotne – (tzw. z pierwszej ręki) to dane które są
gromadzone przez badacza specjalnie dla celów konkretnego
badania. Uzyskuje się je w wyniku samodzielnie zaplanowanych
przeprowadzonych badań, dotyczących konkretnego problemu.
Dane te są zbierane po raz pierwszy, stąd nazwa „dane
pierwotne”.
Zbieranie danych pierwotnych nazywane jest „badaniem w
terenie”.
Rodzaje danych
67
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Dane wtórne – (tzw. z drugiej ręki) to dane które istnieją przed
rozpoczęciem badania marketingowego. Zostały zgromadzone i
podlegają przechowywaniu oraz przetwarzaniu do innych celów
badawczych. Są wykorzystywane po raz „wtóry”.
Badania w oparciu o te źródła są nazywane: „desk research”,
„gabinetowe” lub „zza biurka”.
Rodzaje danych
68
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Dane wtóre powinny być wykorzystywane na każdym etapie
badania, przy definiowaniu problemu, budowie modelu,
formułowaniu hipotez, budowie narzędzia czy opracowywaniu
wyników.
Sam projekt badawczy może w szczególności dotyczyć wyłącznie
źródeł wtórnych.
Źródła wtórne
69
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Dane wtórne mogą być wykorzystywane w dwóch kontekstach:
1. Jako odpowiedź na postawione pytanie badawcze
(odpowiadają na pytanie czego dowiedziano się w innych
projektach dotyczących tego zjawiska);
2. Jako pomoc w formułowaniu pytań badawczych i hipotez oraz
w budowie narzędzi (co wcześniej badano, jak to robiono i z
jakimi efektami?)
Źródła wtórne
70
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Najważniejszą korzyścią z wykorzystania danych wtórnych
(także tych o charakterze komercyjnym) są oszczędności
środków oraz czasu przeznaczonego na badania.
Wiąże się to z faktem, iż koszty te zostały już poniesione przez
osobę bądź instytucję która uprzednio zgromadziła te dane,
bądź (w przypadku źródeł komercyjnych) rozkładane są na
wielu nabywców.
Korzyści z danych wtórnych
71
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Dane wtórne dodatkowo:
• pomagają w lepszym sformułowaniu problemu;
• sugerują metody lub dane wymagane do rozwiązania problemu;
• dostarczają danych porównawczych, pozwalających na lepszą
interpretację danych pierwotnych;
Każde badanie marketingowe powinno brać pod uwagę dane
wtórne. Dopiero w sytuacji, w której nie można znaleźć
rozwiązania problemu w oparciu o dane wtórne, należy przejść
do danych pierwotnych.
Korzyści z danych wtórnych
72
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Odpowiedniość
Odpowiedniość danych określa stopień ich przydatności do
rozwiązania danego problemu badawczego.
Dostępność
Od stopnia dostępności danych wtórnych zależy możliwość
rozwiązania w oparciu o nie problemu badawczego. Niska
dostępność bądź wysoki koszt danych wtórnych może
warunkować wykorzystanie danych pierwotnych.
Dane wtórne - problemy
73
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Aktualność
Analizując źródło danych wtórnych należy także mieć
świadomość kiedy prowadzone były badania których
rezultatem są rozważane dane, oraz jak szybko tego typu dane
podlegają dezaktualizacji.
Porównywalność
Problem z porównywalnością danych ma miejsce w sytuacji, gdy
różne ich źródła używają różnego nazewnictwa bądź klasyfikacji
dotyczącej badanych cech, obiektów itp.
Dane wtórne - problemy
74
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Dokładność
W zależności od pochodzenia i przeznaczenia, dane wtórne
mogą cechować się zróżnicowaną dokładnością. Rozważając
źródło danych wtórnych, rozważyć należy kontekst ich
powstania oraz upewnić się czy są one wynikiem pomiaru
pierwotnego czy wtórnego.
Dane wtórne - problemy
75
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Kolejnym, podstawowym podziałem źródeł danych i informacji
jest podział na źródła zewnętrzne oraz wewnętrzne.
Źródła wewnętrzne – to źródła danych i informacji zlokalizowane
wewnątrz prowadzącej badania organizacji (przedsiębiorstwa).
Źródła zewnętrzne – to źródła danych i informacji zlokalizowane w
otoczeniu organizacji (przedsiębiorstwa).
Klasyfikacja źródeł danych
76
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Do wewnętrznych źródeł informacji wtórnych zaliczamy:
• raporty z poprzednich badań;
• wewnętrzne sprawozdania;
• rachunki wyników i bilanse przedsiębiorstwa;
• raporty sprzedaży i dane o zapasach;
• dokumentację finansowo-księgową;
• wewnętrzne, marketingowe bazy danych o nabywcach;
Źródła danych wtórnych
77
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Do zewnętrznych, krajowych źródeł informacji wtórnych zaliczamy:
• Główny Urząd Statystyczny i urzędy statystyczne (www.stat.gov.pl);
• Urzędy państwowe;
• Instytucje finansowe (GPW, KDPW, NBP);
• Instytucje samorządu gospodarczego;
• Uczelnie i instytuty badawczo-rozwojowe;
• Agencje badań rynku, opinii społecznej, agencje marketingowe;
• Portale internetowe (np. www.nationmaster.com);
• Wydawnictwa, redakcje czasopism;
• Firmy tworzące bazy danych o uczestnikach rynku;
Źródła danych wtórnych
78
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Do zewnętrznych, zagranicznych źródeł informacji wtórnych zaliczamy:
• Eurostat, Komisja Europejska, Urząd Wydawnictw WE;
• Europejski Bank Centralny, banki zagraniczne;
• Zagraniczne izby handlowe i przemysłowe, oraz związki branżowe;
• Instytuty gospodarcze, uniwersytety;
• Organizacje międzynarodowe (ONZ, IMF, OECD, WHO itd.);
• Zagraniczne oraz międzynarodowe instytucje badania rynku i opinii;
• Zagraniczne portale internetowe;
• Zagraniczne czasopisma, literatura fachowa, katalogi, indeksy itd.;
Źródła danych wtórnych
79
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Najważniejszą korzyścią z wykorzystania danych wtórnych
(także tych o charakterze komercyjnym) są oszczędności
środków oraz czasu przeznaczonego na badania.
Wiąże się to z faktem, iż koszty te zostały już poniesione przez
osobę bądź instytucję która uprzednio zgromadziła te dane,
bądź (w przypadku źródeł komercyjnych) rozkładane są na
wielu nabywców.
Korzyści z danych wtórnych
80
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Wyróżnić można dwie podstawowe kategorie pomiarów
pierwotnych: pomiary sondażowe oraz pomiary w formie
eksperymentu.
Pomiar sondażowy (nazywany także metodą obserwacji
statystycznej) polega na wyznaczeniu, przy pomocy określonego
instrumentu pomiarowego, wartości zmiennej (zmiennych)
reprezentujących pewną cechę badanego obiektu. Pomiary
sondażowe podzielić można, według stopnia interakcji osoby
prowadzącej badania z obiektami badań na sondaże pośrednie oraz
bezpośrednie.
Pomiar pierwotny
81
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Pomiar sondażowy uwzględnia na najwyższym poziomie ogólności
trzy duże kategorie metod prowadzenia badań. Są to:
1. Metody ankietowe – w których badani – respondenci udzielają
odpowiedzi w przygotowanym dla nich kwestionariuszu;
2. Wywiady – w których osoba prowadząca wywiad wchodzi w
interakcję i pozyskuje informacje od uczestników, rejestrując je w
wybranej formie;
3. Obserwacje – w których obserwator nie wchodzi w interakcję z
badanymi, natomiast pozyskuje informacje przy wykorzystaniu
określonego instrumentu pomiarowego, w szczególności własnych
zmysłów.
Pomiar pierwotny
82
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Eksperyment, w przeciwieństwie do pomiaru sondażowego,
zakłada aktywne manipulowanie zmiennymi w taki sposób,
aby oddziaływały one na inne zmienne, których zmiany
poddawane są pomiarom.
Zmienne manipulowane określane są mianem zmiennych
niezależnych, bądź przyczynami, zmienne poddawane
pomiarom – zmiennymi zależnymi, bądź skutkami.
Pomiar pierwotny
83
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Przez określenie „ankieta” rozumie się pomiar pośredni,
w którym respondenci udzielają w formie pisemnej odpowiedzi
na pytania zawarte w instrumencie badawczym –
kwestionariuszu. Osoby przeprowadzające pomiary ankietowe
określa się mianem „ankieterów”.
Ankieta
84
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Z uwagi na sposób dostarczenia kwestionariusza badanemu wyróżnić można następujące rodzaje ankiet:
ankieta pocztowa – wysyłana do respondenta pocztą,
ankieta prasowa – z kwestionariuszem zamieszczonym w
czasopiśmie,
ankieta telefoniczna – w której kwestionariusz dyktowany jest
przez telefon, odpowiedzi zaś odsyłane pocztą bądź innym
systemem ich rejestracji (np. tonowo),
ankieta radiowa i telewizyjna – w której kwestionariusz
prezentowany jest w radiu lub telewizji, odpowiedzi zaś odsyłane
przez respondentów pocztą,
Ankieta
85
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
ankieta towarowa – załączona do produktu, na bądź wewnątrz jego opakowania,
ankieta audytoryjna – w której kwestionariusz jest rozdawany uczestnikom konferencji, sympozjum, zjazdu, wykładu itp., potem zaś zbierany przez ankietera,
ankieta internetowa – wysyłana i odbierana przy pomocy poczty elektronicznej, bądź witryny WWW,
ankieta ogólna – z kwestionariuszem rozmieszczanym przez ankietera w miejscach ogólnodostępnych,
ankieta bezpośrednia – rozdawana przez ankietera w określonym miejscu respondentom,
ankieta faksowa – wysyłana i odbierana przy pomocy faksu.
Ankieta
ankieta komputerowa – polegająca na prezentowaniu
kwestionariusza przez program na ekranie komputera,
86
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Prowadzenie badań przez Internet (w szczególności metodami
ankietowymi) zyskuje w ostatnim czasie bardzo dużą
popularność. Do jego zalet zaliczyć można:
1. nieograniczony zasięg badania;
2. niewielki a czasami wręcz zerowy koszt jego realizacji;
3. (pozornie!) dużą łatwość w rekrutowaniu użytkowników;
4. bardzo szybki czas wykonania badania.
Ankieta internetowa
87
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
W przypadku planowania badań przy wykorzystaniu sieci Internet należy
pamiętać, iż:
- odpowiedzi udzielane przez Sieć mogą się różnić od odpowiedzi
udzielanych w tym samym kwestionariuszu w wersji papierowej –
stąd problemy z porównywalnością;
- nie istnieje możliwość dobrania próby w sposób losowy (brak operatu
losowania – za wyjątkiem małych, jasno określonych zbiorowości);
- odsetek zwrotów jest zwykle znacznie niższy niż przy kwestionariuszu
w formie drukowanej;
- często mają miejsce problemy z rzetelnością badania;
Ankieta internetowa
88
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Badanie w którym respondenci udzielają ustnych
odpowiedzi osobie prowadzącej badanie to „wywiad”. W
przypadku wywiadu mamy do czynienia z wzajemną,
bezpośrednią komunikacją prowadzącego badanie i osób
w nim uczestniczących.
Wywiad
89
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Klasycznym podejściem do wywiadu jest prowadzenie indywidualnego
wywiadu o charakterze strukturyzowanym – prowadzący zadaje
uczestnikowi pytania z kwestionariusza.
Inne możliwe formy wywiadu to:
- pogłębiony wywiad indywidualny;
- zogniskowany wywiad grupowy;
- mini - grupy (4-5 osób);
- affinity group – wywiad z grupą osób które się znają;
- diady – wywiad z dwiema osobami;
- wywiady z grupami o sprzecznych opiniach;
Formy wywiadu
90
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Jedną z podstawowych, stosowanych form wywiadu jest pogłębiony
wywiad indywidualny (in-depth interview – IDI).
Ma on formę rozmowy dwóch osób: uczestnika wywiadu oraz
prowadzącego wywiad (moderatora) w której moderator usiłuje
dotrzeć do informacji będących celem badania i pogłębić wiedzę na
określony temat.
Pogłębiony wywiad indywidualny
91
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
IDI cechuje się niewielkim stopniem standaryzacji, ukierunkowany jest
bardziej na uzyskanie poszukiwanych informacji. Trwa od jednej do
nawet 3-4 godzin.
Pogłębiony wywiad indywidualny znajduje szczególne zastosowanie w
przypadku trudności z rekrutacją uczestników badania, bądź w
sytuacji, gdy zachodzi obawa, że obecność innych badanych może
blokować wypowiedzi bądź w jakiś sposób na nie wpływać.
Pogłębiony wywiad indywidualny
92
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Zogniskowany wywiad grupowy (focused group interview – FGI) to
forma wywiadu w której bierze udział moderator oraz grupa osób (6-7,
rzadziej do 10 uczestników).
W jego trakcie prowadzona jest rozmowa skupiona wokół określonego
zagadnienia - wywiad grupowy cechujący się bardzo wysokim
stopniem koncentracji uwagi respondentów na ustalonym problemie
badawczym.
Zogniskowany wywiad grupowy
93
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
FGI dostarcza informacji bardziej powierzchownych niż IGI, natomiast
uwypukla kontekst społeczny – uczestnicy wchodząc ze sobą w
interakcje (poprzez wyrażanie i słuchanie opinii) wykazują
zachowanie bardziej zbliżone zachowaniu w warunkach naturalnych.
FGI znajduje szczególne zastosowanie w sytuacji, gdy konieczne może
być konfrontowanie opinii poszczególnych uczestników. Dodatkowo,
obecność innych może stymulować osoby do swobodnej
wypowiedzi.
Zogniskowany wywiad grupowy
94
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
• Miniwywiady grupowe (mini groups);
• Wywiady z parą respondentów (paired interviews);
• Wywiady z trzema respondentami (triads);
• Powtórzony wywiad grupowy (reconvened group);
• Panel wrażliwości (sensitivity panel);
• Grupa klient-uczestnik;
• Dwustronny wywiad grupowy (two-way focus group);
• Telefoniczny wywiad grupowy;
• Wywiad z grupami konfliktowymi (conflict groups);
• Wywiad z grupami pokrewieństwa (affinity groups);
• Grupa podwójnego moderowania;
• Grupa opozycyjnego moderowania;
• Grupy on-line;
Odmiany FGI
95
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Ankieta: jest tańsza, szybsza, redukuje wpływ badacza na
pozyskiwane odpowiedzi. Zapewnia większą anonimowość oraz
dyskrecję badanym, ponadto sprzyja badaniom o charakterze
ilościowym (zamknięte pytania, skale numeryczne itd..). Jest
standaryzowana i zwykle zapewnia dane gotowe do analizy.
Wywiad: gwarantuje mniejszy odsetek niekompletnych
kwestionariuszy, zapewnia lepsze zrozumienie pytań, umożliwia
dotarcie do interesujących informacji. Interakcja z moderatorem lub
innymi uczestnikami skłania do odpowiedzi. Lepszy do wykorzystania
przy badaniach o charakterze jakościowym. Dane przed analizą mogą
wymagać dodatkowej obróbki.
Ankieta a wywiad
96
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Potencjalne słabe strony badań ankietowych:
- problemy z trafnością (czy respondent rozumie pytanie w ten sam
sposób co my?);
- problemy z pomiarem zmiennych co do zasady jakościowych (na
przykład: czy fakt „lubienia czegoś” można wyrażać liczbowo? Czy
można matematycznie porównywać „lubienie” dwóch rzeczy?);
- problemy związane z redukcją złożonych postaw do prostych skal;
- ograniczony zakres pozyskiwanego materiału (zamknięte pytania,
trafność wewnętrzna);
- ryzyko braku zaangażowania przy wypełnianiu;
Ankieta a wywiad
97
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Potencjalne słabe strony wywiadu:
- problem z rekrutacją uczestników;
- niechęć do rozmowy z moderatorem na temat kwestii osobistych
bądź drażliwych;
- ograniczona ilość badanych przypadków (1000 kwestionariuszy
ankiety a 1000 wywiadów?);
- pozyskany materiał trudny do wyrażenia w sposób ilościowy
(zwłaszcza w przypadku wywiadów niestrukturyzowanych);
Ankieta a wywiad
98
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Potencjalne słabe strony wywiadu:
- udzielanie odpowiedzi mające za zadanie stawiać siebie w lepszym
świetle bądź budowanie własnego wizerunku;
- niechęć do wygłaszania opinii sprzecznych z ogólnie przyjętymi
faktami, zasadami, poglądami itd..
- niechęć do mówienia o decyzjach nieracjonalnych bądź
impulsywnych – stawiają respondenta w złym świetle;
- tendencja do uzasadniania, racjonalizowania bądź nadawania
przemyślanego charakteru swoim decyzjom („reklama na mnie nie
działa”);
Ankieta a wywiad
99
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Techniki projekcyjne to zestaw metod polegających na zadawaniu
pytań w sposób niebezpośredni, tak, aby respondent projektował na
określony obiekt swoje przekonania, postawy czy uczucia.
Techniki projekcyjne stosujemy zwykle wtedy, gdy podejrzewamy, że
badana osoba (grupa) nie jest skłonna bądź nie jest w stanie
odpowiedzieć wprost na zadawane pytania – gdy interesuje nas
dotarcie do opinii, motywacji, postaw których respondent nie jest
świadomy, bądź nie chce się do nich przyznać.
Techniki projekcyjne pozwalają ominąć większość problemów
związanych z prowadzeniem wywiadów.
Techniki projekcyjne
100
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Do metod projekcyjnych zaliczamy:
• Metody skojarzeń słownych – polegające na wywołaniu u badanego
natychmiastowego skojarzenia z danym słowem;
• Metody uzupełnień – polegające na prezentowaniu niekompletnych
sformułowań, które badany ma uzupełnić; sformułowania te mogą
być zdaniami bądź szerszymi opowiadaniami, uzupełniane może
polegać na zapełnieniu luki bądź dokończeniu zdania, na przykład
metoda skojarzeń swobodnych „Nie lubię zajęć wykładowych z
badań marketingowych, ponieważ…”;
Techniki projekcyjne
101
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
• Metody konstrukcji – które polegają na stworzeniu przez respondenta
krótkiego opowiadania, opisu, całości bądź części dialogu, na przykład:
• „mapa skojarzeń” – gdzie podajemy pierwsze (badane) sformułowanie, zaś
uczestnik znajduje skojarzenia, łączy je strzałkami, definiuje zależności itd..
• „storytelling” – respondenci proszeni są o stworzenie opowiadania z
udziałem określonej marki, produktu, związanego z daną sytuacją itd..
• TAT (test aprecepcji tematycznej) – to tworzenie skojarzeń (najczęściej w
formie opowiadania) związanych z określonym, zwykle dość schematycznym
obrazem.
Techniki projekcyjne
102
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
• Metody wyobrażeń – w których prezentuje się badanym opis
pewnego obiektu i prosi aby wyobrazili sobie i opowiedzieli jego
zachowanie czy postawy w określonych sytuacjach;
• „Chiński portret” – ocena marki / produktu / firmy w oparciu o opis
wykorzystujący funkcjonujące w kulturze symbole.
„Jeśli marka X miałaby być zwierzęciem – jakie byłoby to zwierze?”
• Personifikacja – opis marki jako człowieka (płeć, wiek, wykształcenie,
zainteresowania, zawód itd.);
Techniki projekcyjne
103
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Zalety: umożliwiają ograniczenie wpływu otoczenia, w tym innych
uczestników lub moderatora wywiadu na wypowiedzi respondenta,
umożliwiają dotarcie do emocji oraz ukrytych postaw, intencji,
motywacji.
Wady: trudne w interpretacji, interpretacja może być obciążona opinią
interpretującego, utrudnienia w rozróżnieniu pomiędzy
indywidualnymi cechami (doświadczeniem, wspomnieniami)
konsumenta, a wymiarami będącymi pochodną prawideł rynkowych.
Techniki projekcyjne
104
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Panel to stała grupa obiektów dostarczających badaczowi w pewnym czasie
określonych danych.
Obiektami tymi mogą być konsumenci, gospodarstwa domowe, producenci,
punkty sprzedaży itd.
Uczestnicy panelu poddawani są pomiarowi wielokrotnie, w określonych
odstępach czasu. Jeśli odstępy te są stałe, mówimy o panelu stałym, jeśli
odstępy są ustalane w oparciu o potrzeby informacyjne decydentów,
mówimy o panelu okresowym.
Badania panelowe najczęściej służą określeniu zmiany badanych cech w
czasie.
Panel
105
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Podmiotem pomiaru mogą być:
(w przypadku panelu konsumentów)
• zmiany wzorców konsumpcji (indywidualnych oraz w segmentach);
• zmiany wielkości i struktury zakupów oraz konsumpcji;
• zmiany motywów postępowania konsumentów;
• stan posiadania towarów przez gospodarstwa domowe;
• zmiany udziału w rynku;
• efektywność poszczególnych elementów promocji;
(w przypadku panelu punktów sprzedaży)
• wielkość i struktura sprzedaży;
• wielkość dostaw towarów w poszczególnych okresach;
• struktura zapasów i jej zmiany.
Panel
106
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Z uwagi na sposób pomiaru, wyróżnić można:
• panel pocztowy, w którym instrumentem pomiarowym może być
kwestionariusz lub dziennik (diary method);
• panel telefoniczny, w którym prowadzony jest z określoną grupą
osób okresowy wywiad;
• panel bezpośredni, w którym instrumentem pomiarowym może być
wywiad indywidualny lub grupowy, obserwacje, spisy lub rejestracje.
Panel
107
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Obserwacja – jest formą pomiaru pierwotnego o charakterze
bezpośrednim. W obserwacji badacz samodzielnie bądź przy użyciu
urządzeń elektronicznych rejestruje w określony sposób (np. zapisując
zdarzenia, wypełniając kwestionariusz obserwacji itd.) zdefiniowane
wcześniej zmienne.
Cechą charakterystyczną obserwacji jest to, iż badacz nie wchodzi w
interakcje z badanym obiektem, często także obiekt ten (jeśli mówimy o
osobie) nie jest świadomy, iż podlega obserwacji.
Obserwacja
108
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Obserwacja może mieć charakter:
- kontrolowany – gdy badacz sam aranżuje warunki dla określonych
zachowań badanego lub niekontrolowany – gdy badacz obserwuje
określone zachowania w warunkach naturalnych;
- jawny – gdy obiekt obserwowany jest świadomy obecności
badacza, bądź ukryty – gdy obiekt badany nie jest tego świadomy;
Obserwacja
109
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Obserwacja może mieć charakter:
- standaryzowany – gdy obserwator rejestruje swoje obserwacje
przy użyciu uprzednio przygotowanego kwestionariusza bądź nie
standaryzowany (swobodny), gdy obserwator rejestruje swoje
obserwacje w sposób najbardziej dla niego dogodny (bądź nie
rejestruje ich wcale).
Obserwacja
110
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Zaletą obserwacji jest fakt, iż umożliwia ona rejestrowanie zjawisk
występujących w sposób nie sprowokowany, spontaniczny, oraz z
uwzględnieniem wszystkich czynników naturalnie im towarzyszących.
Obserwacja naturalna o charakterze ukrytym redukuje wpływ sztucznie
stworzonych warunków (np. pytań w kwestionariuszu) na dane
zachowania obserwowanego.
Obserwacja
111
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Do wad obserwacji zaliczyć można:
- możliwość utracenia przez obserwatora obiektywizmu;
- możliwość wpływu oczekiwań obserwatora na pozyskane wyniki
(tendencyjność);
- możliwość obciążania wyników własnymi interpretacjami;
- możliwość wywierania wpływu na osoby obserwowane (reaktywność);
Ponadto, obserwacja zwraca zwykle materiał o charakterze
jakościowym co z jednej strony może być korzystne, z drugiej zaś
uniemożliwia dalsze wnioskowanie statystyczne.
Obserwacja
112
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
• handel detaliczny,
• usługi: finansowe, ubezpieczeniowe, hotelarskie, turystyczne,
• restauracje, bary,
• transport, komunikację,
• motoryzację.
Jest to obserwacja świadczonej usługi dokonywana w sposób ukryty
przez niezależnych od firmy, obiektywnych obserwatorów. Badanie
ocenia cały proces sprzedaży lub świadczenia usługi, a nie tylko jej
wynik. Siłą Mystery Shopping jest to, że badanie jest prowadzone w
warunkach naturalnych. W ten sposób bada się:
Mystery shopping
113
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Przedmiotem badań mogą być natomiast:
• fizyczne i techniczne cechy placówki obsługującej klientów, takie jak np.
czystość, funkcjonalność,
• ekspozycja i dostępność produktów, w tym również promocje,
• ceny produktów w sklepie, zarówno ich poziom, jak i widoczność,
• poziom obsługi w stosunku do przyjętych standardów i procedur,
• cechy dodatkowe obsługi Klienta, takie jak np.: zaangażowanie i
uprzejmość personelu, wiedza o oferowanym Klientowi produkcie,
• procedury reklamacji i zwrotów.
Mystery shopping
114
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Eksperyment, w przeciwieństwie do pomiaru sondażowego,
zakłada aktywne manipulowanie zmiennymi w taki sposób, aby
oddziaływały one na inne zmienne, których zmiany poddawane są
pomiarom.
Zmienne manipulowane określane są mianem zmiennych
niezależnych, bądź przyczynami, zmienne poddawane pomiarom –
zmiennymi zależnymi, bądź skutkami.
Eksperyment
115
116
POLITECHNIKA LUBELSKA WYDZIAŁ ZARZĄDZANIA
MARKETING I KOMUNIKACJA RYNKOWA
Projekt Badań Marketingowych
Dr hab. inż. Marcin Gąsior, prof. PLDr hab. inż. Łukasz Skowron, prof. PL
Próba badawcza i metody jej doboru
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 117
Próba badawcza - to odpowiednio dobrana z większej zbiorowości
(populacji) grupa obiektów, mająca, do celów określonego
badania, tę zbiorowość reprezentować.
Próbę badawczą najczęściej tworzy grupa osób, natomiast może
być to także zbiór przedsiębiorstw, organizacji, transakcji, zdarzeń,
faktur, itp.
Formułowanie wniosków dotyczących całej populacji na
podstawie pomiaru próby badawczej nazywamy wnioskowaniem
statystycznym.
Próba badawcza
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 118
Próbę badawczą można określić jako reprezentatywną jeśli na jej
podstawie statystycznie uzasadnione jest wyciąganie wniosków
odnośnie całej populacji. Oznacza to, iż można określić z jakim
prawdopodobieństwem szacowany estymator znajduje się w
założonym przedziale dokładności.
Reprezentatywna czy nie?
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 119
Aby próba miała charakter reprezentatywny, musi być:
1. odpowiednio liczna;
2. dobrana przy użyciu metod probabilistycznych;
Przy próbie niereprezentatywnej nie wiemy z jakim
prawdopodobieństwem szacowany estymator mieści się w danym
przedziale.
Reprezentatywna czy nie?
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 120
Uwaga.
Reprezentatywność próby nie gwarantuje w żaden sposób dobrej
jakości danych. Należy pamiętać, że mamy tu do czynienia z
prawdopodobieństwem (które może być małe) i przedziałem
dokładności (który może być obszerny).
Reprezentatywna czy nie?
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 121
Populacja badana jest to skończona zbiorowość, o której badacz
chce uzyskać określone dane.
Populację określić można także jako zbiór wszystkich elementów
odpowiadających pewnym, określanym z góry specyfikacjom.
Nie musi to być populacja kraju, może to być węziej (byleby
precyzyjnie) zdefiniowana grupa osób (np. studenci drugiego
roku), albo innych, interesujących nas obiektów (np. transakcji).
Populacja badana
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 122
Z uwagi na podejście do kwestii próby badawczej wyróżnić
można badania wyczerpujące oraz niewyczerpujące.
Badania wyczerpujące to badania obejmujące całą znaną i
określoną populację.
Badania niewyczerpujące to badania obejmujące część populacji
– próbę badawczą
Populacja badana
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 123
Proces doboru próby
Zdefiniowanie badanej populacji
Ustalenie jednostki próby
Ustalenie wykazu badanej populacji
Ustalenie liczebności próby
Wybór metody doboru próby
Zaplanowanie i pobranie próby
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 124
Wyznaczając populację do celów badań marketingowych, należy
stworzyć jej tzw. definicję operacyjną. Powinna ona określać
następujące składniki populacji badanej:
1. podmiot (element) populacji;
2. jednostkę próby;
3. przedmiot populacji (zakres);
4. czas pomiaru;
Zdefiniowanie populacji badanej
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 125
Element populacji jest obiektem, o którym lub z którego pochodzi
gromadzona przez nas informacja.
Jednostka próby to obiekt zawierający badaną cechę,
który jest dostępny do doboru. Jednostka próby może być
jednocześnie elementem populacji badanej (jednostka prosta)
bądź wielokrotnością lub kategorią zbiorczą względem elementu
populacji (jednostka złożona).
Im jednostka próby jest bardziej złożona, tym mniejszy koszt
przeprowadzenia badania, ale także mniejsza jego dokładność.
Zdefiniowanie populacji badanej
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 126
Jednostka prosta
Problem badawczy: Ustalenie zdolności nabywczych studentów. Element populacji: Student.Jednostka próby: Student.
Jednostka złożona
Problem badawczy: Ustalenie zdolności nabywczych gospodarstw domowych. Element populacji: Osoba odpowiedzialna za zakupy w gospodarstwie domowym.Jednostka próby: Gospodarstwo domowe.
Jednostka próby - przykład
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 127
Wykaz badanej populacji to lista wszystkich jednostek tworzących
tę populację, z której dobierana jest próba. Wykaz badanej
populacji jest także nazywany operatem losowania. Musi on być
sporządzony zgodnie z zasadami:
1. odpowiedniości;
2. kompletności;
3. wyłączności;
4. dokładności;
5. dogodności;
Ustalenie wykazu populacji
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 128
Minimalna wielkość próby warunkowana jest następującymi
czynnikami:
1. oczekiwaną dokładnością estymacji (dopuszczalnym błędem
statystycznym);
2. założonym poziomem ufności (1-α);
3. odchyleniem standardowym (wariancją) badanego parametru w
populacji;
Liczebność próby
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 129
Pierwsze dwa czynniki (dokładność, poziom ufności) określane
są przez badacza.
Odchylenie standardowe na ogół jest nie znane i musi zostać
wyznaczone na przykład przy wykorzystaniu badania
pilotażowego, metody próby wstępnej lub oszacowane na
podstawie konstrukcji kwestionariusza.
Liczebność próby
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 130
Proszę też pamiętać, że wszystkie rozważania dotyczące
liczebności próby (a w zasadzie konsekwencji posiadania próby
reprezentatywnej) mają zastosowanie raczej dla zmiennych
ciągłych, spełniających założenia odnośnie rozkładu itd.
Ale, ponieważ nie ma uznanych metod dla zmiennych o
rozkładach nie spełniających założeń, w zasadzie te same metody
stosowane są wszędzie.
Liczebność próby
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 131
Minimalna liczebność próby dla średniej, przy znanej wariancji i
rozkładzie normalnym wyrażona jest wzorem:
Liczebność próby
𝑛 =𝑧2𝜎2
𝐻2
gdzie:z – dystrybuanta rozkładu normalnego dla α/2 (czyli dla α=0,05 z=1,96; α=0,02 z=2,33);Ϭ – odchylenie standardowe mierzonego parametru;H – maksymalny błąd pomiaru (połowa oczekiwanego przedziału dokładności);
Przy tak przyjętym założeniu, wynik pomiaru z przyjętym prawdopodobieństwem mieści się w przedziale (x-H;x+H);
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 132
Chcemy poznać średni wzrost studenta. Zakładamy 95% poziom
ufności, oraz przyjmujemy oczekiwaną dokładność ±5cm.
Odchylenie standardowe wzrostu jest znane z badania
pilotażowego i wynosi 20cm. Wtedy:
Liczebność próby - przykład
𝑛 =𝑧2𝜎2
𝐻2=1,962 ⋅ 202
52= 61,4656 ≅ 62
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 133
Co to znaczy:
Po zbadaniu 62 osób i ustaleniu na tej podstawie średniego
wzrostu (x=1,80, jest to średni wzrost w próbie) będzie można
stwierdzić, iż z 95% pewnością średnia wzrostu w całej badanej
populacji mieści się w przedziale 180±5cm, czyli w przedziale od
175 do 185 cm.
Czy na pewno? NIE, na 95%.
Liczebność próby - przykład
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 134
Należy pamiętać, że liczebność próby jest pochodną spodziewanej
dokładności. Więc, jeśli zakładamy 95% poziom ufności, oraz
przyjmujemy oczekiwaną dokładność ±25cm, zaś odchylenie
standardowe wzrostu wynosi 20cm, mamy wtedy:
Liczebność próby - przykład
𝑛 =𝑧2𝜎2
𝐻2=1,962 ⋅ 202
52= 2,4586 ≅ 3
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 135
Co to znaczy:
Po zbadaniu 3 osób i ustaleniu na tej podstawie średniego wzrostu
(x=1,80, jest to średni wzrost w próbie) będzie można stwierdzić,
iż z 95% pewnością średnia wzrostu w całej badanej populacji
mieści się w przedziale 155-205cm.
Jest to dość mało precyzyjne, tyle za pewne bylibyśmy w stanie
odgadnąć bez badania, ale wynik jest konsekwencją przyjętego
założenia.
Liczebność próby - przykład
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 136
Z rozważań tych wynika także jeszcze jeden, bardzo istotny
wniosek: sama reprezentatywność próby nie gwarantuje dobrej
jakości wyników.
Jest to szczególnie istotne obecnie, kiedy sporo firm i osób
„reprezentatywnością” stara się dodać wiarygodności swoim
danym i płynącym z nich wnioskom.
Zawsze pytamy o poziom ufności i dokładność pomiaru.
Liczebność próby - przykład
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 137
Jak było wspomniane, pierwsze dwie zmienne do wzoru
określamy sami, natomiast często pojawia się pytanie, skąd
pozyskać odchylenie standardowe. Jest kilka możliwości:
1. z badania pilotażowego – jego podstawowym celem jest
testowanie narzędzia, ale może być także wykorzystane do
pozyskania wyników na małej próbie i na tej podstawie
określenia odchylenia standardowego kolejnych zmiennych;
Odchylenie standardowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 138
2. z próby cząstkowej – kolejną stosowaną procedurą jest
przebadanie pewnej ilości osób, następnie oszacowanie, w
oparciu o zgromadzone dane, odchyleń dla kolejnych
zmiennych, oszacowanie liczebności próby i dobranie
przypadków do osiągnięcia założonej liczebności;
3. na podstawie konstrukcji kwestionariusza – dla zmiennych
mierzonych na skalach numerycznych istnieje możliwość
oszacowania maksymalnego odchylenia standardowego, które
występuje przy maksymalnej zmienności odpowiedzi (zwykle –
przy serii odpowiedzi z przeciwnych krańców skali).
Odchylenie standardowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 139
W kwestionariuszu mamy pytanie ze skalą numeryczną, liczącą 10
pozycji, na przykład: Proszę ocenić, w skali od 1 do 10 szybkość obsługi w
naszej firmie… [i skala].
Potrzebujemy przyjąć najpierw założenia:
1. dokładność? Np. 0,25 – czyli jak nam w badaniu na próbie wyjdzie
średnia ocena 4,80, to wartość rzeczywista znajdzie się w przedziale
4,55 do 5,05.
2. poziom ufności – załóżmy 95%.
Potrzebujemy jeszcze odchylenia standardowego – które możemy
pozyskać w badaniu pilotażowym (będzie ~2,90) ALBO przyjąć
maksymalne dla skali (~4,6).
Liczebność próby – przykład 2
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 140
Wtedy:
Liczebność próby – przykład 2
Więc po zbadaniu 517 osób i ustaleniu na tej podstawie średniej
oceny szybkości obsługi (x=4,80, jest to średnia ocena w próbie)
będzie można stwierdzić, iż z 95% pewnością ocena średnia w
całej badanej populacji mieści się w przedziale 4,80±0,25, czyli
od 4,55 do 5,05.
𝑛 =𝑧2𝜎2
𝐻2 =1,962⋅2,902
0,252= 516,92 ≅ 517
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 141
Liczebność próby
Zakładamy pytanie w skali od 1 do 10, pewność na poziomie 95%, i
odchylenie standardowe, znane z pilotażu, powiedzmy 2,95. Wtedy
mamy:
Oczekiwana dokładność Przykładowy przedział Minimalna liczebność próby (zaokrąglona)
0,5 4,5 - 5,5 134
0,4 4,6 – 5,4 209
0,3 4,7 – 5,3 371
0,2 4,8 – 5,2 836
0,1 4,9 – 5,1 3343
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 142
Przykład 3
Minimalna wielkość dla frakcji, przy znanej proporcji wyraża się
tak:
𝑛 =𝑧2𝑝(1 − 𝑝)
𝐻2
gdzie:z – dystrybuanta rozkładu normalnego dla α/2 (czyli dla α=0,05 z=1,96; α=0,02 z=2,33);p – proporcja danej frakcji;H – maksymalny błąd pomiaru (połowa oczekiwanego przedziału dokładności);
Przy tak przyjętym założeniu, wynik pomiaru z przyjętym prawdopodobieństwem mieści się w przedziale (x-H;x+H);
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 143
Przykład 3
Chcemy sprawdzić ile procent studentów lubi, a ile nie lubi oglądać koty
w Internetach. Mamy więc dwie frakcje (lubiący i nielubiący). Zakładamy
95% poziom ufności i dokładność do 5%. Potrzebujemy natomiast znać
tą proporcję – można ją pozyskać albo z badania pilotażowego, albo
założyć wartość maksymalną (0,5). Wtedy:
𝑛 =𝑧2𝑝(1−𝑝)
𝐻2 = 1,9620,5(1−0,5)
0,052= 384,16 ≅ 385.
Przy tak przyjętym założeniu, wynik pomiaru z przyjętym prawdopodobieństwem
mieści się w przedziale (x-H;x+H);
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 144
Przykład 3
Uwaga:
1. Ten wzór dotyczy populacji dwudzielnej, tj. posiadającej dwie
frakcje. Dla populacji wielodzielnej przyjmuje się współczynniki
korygujące.
2. Myśląc o całym kwestionariuszu należy próby minimalne
obliczyć dla wszystkich pytań i przyjąć wartość największą.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 145
Liczebność próby
Liczebność próby zależy nie tylko od wielkości badanej populacji.
Wzrost liczebności próby poprawia precyzję estymatora,
natomiast sama liczebność jest na ogół ograniczona od góry
budżetem prowadzonych badań.
Przyjmuje się, iż w przypadku badań eksploracyjnych próba
powinna liczyć co najmniej 500 respondentów, badań
opisowych, testów produktów co najmniej 200, badań reklamy –
150.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 146
Liczebność próby
Niekiedy minimalna liczebność próby badawczej jest
uzależniona do stosowanych metod statystycznych obróbki
danych empirycznych (np. modele ścieżkowe metodą PLS – 250
respondentów).
Niektóre metody wymagają także odpowiedniej relacji liczby
zmiennych do liczby przypadków, np. 5 albo 10 przypadków w
próbie na każdą zmienną. Należy o tym pamiętać podczas
projektowania kwestionariusza.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 147
Metody doboru próby
Metoda doboru próby to sposób, w jaki jednostki badanej
populacji są z tej populacji wybierane.
Wyróżniamy dwie kategorie metod doboru próby. Metody
doboru losowego oraz metody doboru nielosowego.
Dobór losowy to taki, w którym przypadek decyduje o włączeniu
danego elementu populacji do próby i każdy element populacji
bądź jej frakcji ma na to taką samą szansę.
Dobór nielosowy, to dobór, w którym o włączeniu elementu
populacji do próby decyduje intencja badacza.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 148
Losowe metody doboru próby
Do losowych metod doboru próby zaliczyć możemy:
Dobór losowy prosty – wśród wszystkich elementów
populacji badanej losowana jest ich określona uprzednio
liczba, tworząca próbę. Każdy element populacji ma
znane, jednakowe prawdopodobieństwo znalezienia się w
próbie.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 149
Losowe metody doboru próby
Dobór losowy prosty – przykład. Populacja 14 osobowa, losowanie 3 osób.
Badana populacja
1 2 3 4 5 6 7
8 9 1011 12 13 14
Losowanie – na przykład przy użyciu tablic liczb losowych albo komputera
Wylosowane osoby: 5,8,14
Uwaga. Każda osoba ma równe szanse na wylosowanie!
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 150
Losowe metody doboru próby
Do losowych metod doboru próby zaliczyć możemy:
Dobór warstwowy – badana populacja dzielona jest na
rozłączne i wyczerpujące grupy wg odpowiedniej, ustalonej
wcześniej proporcji. Następnie z każdej warstwy wybierane
są metodą prostego doboru losowego elementy tworzące
próbę. Dobór warstwowy może być proporcjonalny lub
nieproporcjonalny.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Losowe metody doboru próby
Dobór warstwowy – przykład. Populacja liczy 15 osób, próba
ma liczyć 6 osób. Zauważam natomiast, iż w populacji jest
dwa razy więcej kobiet (10) niż mężczyzn (5) – chcę, żeby
podobna proporcja została zachowana w próbie.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Losowe metody doboru próby
Badana populacja Podział na warstwy
1 2 3 4 5
6 7 8 9 10
1 2 3 4 5
Dzielę populację na warstwy –tutaj według płci. Następnie przeprowadzam losowanie – na przykład przy użyciu tablic liczb losowych albo komputera…
…czterech kobiet: 2,3,5,8…
…oraz dwóch mężczyzn: 1,3
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Losowe metody doboru próby
Dobór grupowy (zespołowy) – badana populacja dzielona
jest na rozłączne i wyczerpujące grupy wg odpowiedniej,
ustalonej wcześniej proporcji. Następnie, losowana jest próba
zbiorów, które tworzą próbę badawczą (dobór
jednoszczeblowy). Próba badawcza złożona być może także z
elementów wylosowanych w wylosowanych zbiorach (dobór
dwuszczeblowy).
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Losowe metody doboru próbyDobór grupowy (zespołowy) – przykład.
Badana populacja- studenci WZ
1. Populacja dzielona jest na grupy.
Grupa 1
Grupa 2
Grupa 3
Grupa 4
Grupa 5
Grupa 6
2. Z pośród wyróżnionych grup losowana jest próba zbiorów które tworzą próbę badawczą –tutaj grupy 2 oraz 5.
3. W doborze dwuszczeblowym z wylosowanych grup wylosowane zostaną poszczególne jednostki które wezmą udział w badaniu.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Losowe metody doboru próby
Dobór systematyczny – polegający na wylosowaniu jednego
elementu populacji i włączaniu do próby każdego kolejnego
n-tego elementu operatu. Odległości między kolejnymi
elementami wyznaczane są poprzez podzielenie wielkości
populacji przez zadaną wielkość próby.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Losowe metody doboru próby
Dobór systematyczny – przykład.
Wielkość populacji – 20 jednostek; wielkość próby – 5 jednostek; odległość = 4
jednostki;
Badana populacja
Wylosowana pierwsza osoba
Następnie losowana co czwarta osoba z populacji
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Nielosowe metody doboru próby
Do nielosowych metod doboru próby zaliczyć możemy:
Dobór wygodny (dogodny, przypadkowy) – polegający na
włączeniu do próby badawczej obiektów które znalazły się
(najczęściej przypadkowo) w określonym czasie w danym
miejscu (dogodnym dla badacza).
Uwaga. Dobór „przypadkowy” to nie to samo co „losowy”.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Nielosowe metody doboru próby
Do nielosowych metod doboru próby zaliczyć możemy:
Dobór celowy – polegający na intencjonalnym włączeniu
przez badacza do próby określonych jednostek, wobec których
badacz ma przypuszczenie, iż będą służyć celowi badania.
Dobór jednostek typowych – polegający na wyborze do próby
jednostek uważanych za przeciętne w populacji.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Nielosowe metody doboru próby
Dobór kwotowy – polegający na podziale populacji na
warstwy wg ustalonych kryteriów, następnie zaś wybraniu
jednostek do próby z każdej warstwy w ilościach
proporcjonalnych do udziałów warstw w badanej populacji.
Dobór kwotowy polega na tej samej zasadzie co dobór losowy
warstwowy, z tym, że jednostki z kolejnych warstw nie są
losowane, ale dobierane metodą nielosową.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Nielosowe metody doboru próbyDobór kwotowy – przykład. Ponownie, populacja liczy 15 osób, próba ma liczyć 6 osób.
Podział na warstwy
Dzielę populację na warstwy.
Tym razem jednak dobieram odpowiednie kwoty nie w sposób
losowy, ale arbitralnie, wg własnych możliwości – może być to dobór
dogodny.
W badaniu udział wezmą cztery kobiety…
…oraz dwóch mężczyzn
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Nielosowe metody doboru próby
Dobór „śnieżnej kuli” – polegający na wyborze do próby
wstępnej grupy respondentów, którzy następnie wskazują
osoby o podobnych do siebie cechach. Wskazane osoby
włączane są następnie do próby i proszone o wskazanie
kolejnych, potencjalnych respondentów itd..
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Nielosowe metody doboru próbyDobór „śnieżnej kuli” – przykład.
Znajduję jedną osobę o danych cechach…
… proszę ją o wskazanie osób sobie podobnych…
… a te osoby o wskazanie dalszych podobnych osób…
… i tak dalej.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Błędy doboru próby
W trakcie procedury doboru próby popełnione mogą zostać
następujące błędy:
błąd wytypowania niewłaściwej populacji generalnej;
błędy losowego doboru próby;
błędy nielosowego doboru próby;
błędy niewłaściwego stosowania próby;
błąd wytypowania niewłaściwego wykazu populacji badanej;
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Losowy a nielosowy
Nie można powiedzieć, że dobór losowy jest zły. Oczywiście ma
ograniczenia, często powoduje pozyskanie obciążonej próby. Niemniej
jednak, jest niezmiernie często stosowany, ponieważ niezmiernie
często jest jedyną możliwą alternatywą. Dzieje się to zwykle wtedy,
gdy:
1. nie można przygotować sensownego operatu losowania;
2. Istnieją trudności w dotarciu lub rekrutacji respondentów.
165
POLITECHNIKA LUBELSKA WYDZIAŁ ZARZĄDZANIA
MARKETING I KOMUNIKACJA RYNKOWA
Projekt Badań Marketingowych
Dr hab. inż. Marcin Gąsior, prof. PLDr hab. inż. Łukasz Skowron, prof. PL
Prawne i etyczne aspekty gromadzenia materiału badawczego
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 166
Warunki prowadzenia badań
Badania marketingowe to obszar aktywności badawczej, który
wymaga zwykle pracy z osobami trzecimi (stanowiącymi obiekt
badań ALE także klientów – osoby zlecające badanie), stąd też w
jego obrębie pojawiają się liczne dylematy natury etycznej.
Wynikają one przede wszystkim:
1. z nawiązywania mniej lub bardziej bliskich relacji z osobami
trzecimi, wiążących się z poznawaniem szczegółów dotyczących
ich zachowań, postaw i preferencji, sytuacji osobistej itd.
2. konieczności gromadzenia i przetwarzania tych informacji;
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 167
Warunki prowadzenia badańRównocześnie, istotnym obszarem generującym problemy natury
etycznej są także:
1. oczekiwania badaczy w zakresie jakości pozyskiwanych danych,
czy też samych wyników uzyskiwanych w trakcie badań;
2. oczekiwania badaczy odnośnie efektów i konsekwencji
prowadzonego badania – ich akceptacji przez odbiorców,
możliwości opublikowania itd.
3. oczekiwania zlecających badanie – między innymi w zakresie
zgodności wyników z ich opiniami, postawami, uznanymi
metodami działania itd.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 168
ICC / ESOMAR
Dokumentem, który definiuje oraz zbiera standardy etyczne, których
stosowanie powinno być wymagane w badaniach społecznych,
rynkowych i marketingowych jest Międzynarodowy Kodeks Badań
Rynku i Badań Społecznych ICC/ ESOMAR.
Jest on dostępny miedzy innymi na stronie Polskiego Towarzystwa
Badaczy Rynku i Opinii (PTBRiO).
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 169
ICC / ESOMAR
Poniżej przedstawione są wybrane zasady ujęte w Kodeksie (wersja
2008):
Badanie rynku powinno być legalne, uczciwe, prawdziwe i
obiektywne oraz realizowane według odpowiednich zasad
naukowych.
Badanie rynku ma nie nadużywać zaufania respondentów ani
wykorzystywać ich braku wiedzy lub doświadczenia;
Respondenci współpracują w badaniu rynku całkowicie
dobrowolnie, zaś prosząc ich o współpracę nie można ich
wprowadzać w błąd.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 170
ICC / ESOMAR
Respondenci mają mieć możliwość sprawdzenia bez trudu
tożsamości i autentyczności badawcza;
Badacze mają przekazać klientom odpowiednie szczegóły techniczne
realizowanego dla nich badania.
Badacze mają zapewnić dokładne, przejrzyste i obiektywne
planowanie, realizowanie, raportowanie i dokumentowanie badań.
Respondenci mają być zawczasu informowani o użyciu w celu
badawczym technik obserwacji lub sprzętu rejestrującego, o ile nie
są one jawnie użyte w miejscach publicznych. Na życzenie
respondenta zapis lub odpowiednia jego część ma być zniszczony lub
usunięty.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 171
ICC / ESOMAR
Dane osobowe zbierane i przechowywane mają być zbierane w
określonych celach i nieużywane niezgodnie z tymi celami,
adekwatne, relewantne i nie nadmiarowe wobec celu oraz
przechowywane nie dłużej niż wymaga tego cel badawczy;
Badacze mają zapewnić brak dostępu klienta do tożsamości
respondentów.
Przed rozpoczęciem wywiadu z dziećmi lub młodzieżą trzeba
uzyskać zgodę rodzica lub opiekuna.
Raportując wyniki badania badacze mają wyraźnie oddzielić
wyniki, interpretacje tych wyników oraz oparte na tym
rekomendacje.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 172
ICC / ESOMAR
W 2016 roku pojawiła się kolejna wersja kodeksu, zatytułowana
ICC/ESOMAR Międzynarodowy Kodeks Badań Rynku, Opinii i Badań
Społecznych oraz Analityki Danych (ICC/ESOMAR International Code on
Market, Opinion and Social Research and Data Analytics)
Jest on dostępny miedzy innymi na stronie ESOMAR a także, w wersji
polskiej, OFBOR.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 173
ICC / ESOMAR
Kolejna wersja kodeksu wskazuje poza przedstawionymi wcześniej
następujące zasady (tłumaczenie wg OFBOR):
Badacze muszą zapobiec poniesieniu uszczerbku przez podmioty
danych w bezpośrednim następstwie użycia ich danych osobowych
do badań.
Badacze muszą zapewnić, że udział w badaniu jest dobrowolny
oraz oparty na takiej prezentacji ogólnego celu i natury badania,
która jest wystarczająca i nie wprowadza w błąd.
Badacze muszą respektować prawo podmiotu danych do
odrzucenia zaproszenia do udziału w badaniu.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 174
ICC / ESOMAR
Kolejna wersja kodeksu wskazuje poza przedstawionymi wcześniej
następujące zasady (tłumaczenie wg OFBOR):
Badacze muszą zezwolić na wycofanie się w dowolnym czasie
podmiotów danych z udziału w badaniu, a także na dostęp do
dotyczących ich danych osobowych lub na poprawienie tych
danych.
Badacze muszą powstrzymać się od udostępnienia danych
osobowych klientowi o ile podmiot tych danych nie wyraził zgody
na ich przekazanie oraz na konkretny sposób ich późniejszego
wykorzystania.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 175
ICC / ESOMAR
Kolejna wersja kodeksu wskazuje poza przedstawionymi wcześniej
następujące zasady (tłumaczenie wg OFBOR):
Badacze muszą zapewnić, że rezultaty oraz ich interpretacje są
wyraźnie i dostatecznie podparte danymi.
Badacze muszą przekazać klientowi informacje techniczne o
badaniu pozwalające mu na oszacowanie wiarygodności
rezultatów i wniosków.
Badacze muszą być uczciwi, prawdomówni i obiektywni oraz
zapewnić, że ich badanie prowadzone jest zgodnie z odpowiednimi
zasadami, metodami i technikami badania naukowego.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 176
ICC / ESOMAR
Kolejna wersja kodeksu wskazuje poza przedstawionymi wcześniej
następujące zasady (tłumaczenie wg OFBOR):
Badacze muszą zawsze postępować etycznie i nie mogą czynić
niczego, co mogłoby niezasadnie niszczyć reputację badań lub
prowadzić do utraty zaufania publicznego do badań.
Badacze muszą być prostolinijni i uczciwi w każdym działaniu
zawodowym i biznesowym.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 177
Oczekiwania badacza i odbiorcy
W procesie prowadzenia badań badacz może dopuszczać się
zachowań traktowanych zarówno w badaniach komercyjnych, jak
i naukowych jako nieetyczne. Zachowania takie bardzo często
wynikają z dążenia do osiągnięcia założonego rezultatu,
dostarczenia badania w terminie, uzyskania „wartościowych”
wyników, czy też zdobycia uznania w środowisku.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 178
Oczekiwania badacza i odbiorcy
Do zachowań takich zaliczyć można między innymi:
1. fabrykowanie danych – to jest tworzenie danych zamiast ich
pozyskiwania w procesie badawczym;
2. fałszowanie wyników – modyfikowanie pozyskanych danych
tak, aby spełniały oczekiwania i założenia;
3. plagiat – wykorzystywanie cudzych wyników wraz z
przypisaniem sobie ich autorstwa.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 179
Oczekiwania badacza i odbiorcy
Istotny wpływ na zaistnienie zachowań nieetycznych mogą mieć także
oczekiwania zlecającego (a zwykle równocześnie finansującego)
badania. Dotyczą one w szczególności:
1. zgodności wyników z posiadaną wiedzą i nie podważania przez
pozyskane wyniki badań posiadanych przez zlecającego opinii,
postaw czy schematów działania;
2. terminów dostarczania wyników badań lub ich opracowań;
3. możliwości stosowania wyników badań w praktyce, czy też
dostarczania możliwych do zaimplementowania wniosków;
4. ogólnej zasadności prowadzenia badań i braku przekonania o
możliwości dostarczenia przez badania dodatkowej wiedzy.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 180
Kwestie etyczne badań
Hermaniuk wskazuje natomiast pięć obszarów generujących
najwięcej problemów w prowadzeniu badań angażujących
respondentów. Są to:
1. Zachowanie anonimowości uczestników;
2. Ograniczenie jego obciążenia psychicznego związanego z
badaniem;
3. Angażowanie uczestników bez ich wiedzy;
4. Stosowanie podstępów;
5. Używanie przymusu lub wywieranie presji.
Hermaniuk T., Podstawy badań marketingowych, Wydawnictwo Uniwersytetu
Rzeszowskiego, Rzeszów 2005.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 181
Kwestie prawne badań
Badania marketingowe nie są wprost regulowane aktami
prawnymi, natomiast ich realizacja podlega naturalnie wszystkim
funkcjonującym regulacjom.
Najważniejszym i tworzącym najwięcej wymogów obszarem jest
tutaj naturalnie ochrona prywatności jednostki – obecnie
regulowana przez Rozporządzenie Parlamentu Europejskiego i
Rady (UE) 2016/679 z dnia 27 kwietnia 2016 r. w sprawie
ochrony osób fizycznych w związku z przetwarzaniem danych
osobowych i w sprawie swobodnego przepływu takich danych
oraz uchylenia dyrektywy 95/46/WE (RODO)
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 182
Kwestie prawne badań
Badania marketingowe nie są wprost regulowane aktami
prawnymi, natomiast ich realizacja podlega naturalnie wszystkim
funkcjonującym regulacjom.
Najważniejszym i tworzącym najwięcej wymogów obszarem jest
tutaj naturalnie ochrona prywatności jednostki – obecnie
regulowana przez Rozporządzenie Parlamentu Europejskiego i
Rady (UE) 2016/679 z dnia 27 kwietnia 2016 r. w sprawie
ochrony osób fizycznych w związku z przetwarzaniem danych
osobowych i w sprawie swobodnego przepływu takich danych
oraz uchylenia dyrektywy 95/46/WE (RODO).
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 183
Kwestie prawne badań
Ochrona ta jest warunkowana faktem przetwarzaniem „danych osobowych”,
które zgodnie z rozporządzeniem definiowane są jako:
informacje o zidentyfikowanej lub możliwej do zidentyfikowania osobie
fizycznej („osobie, której dane dotyczą”);
możliwa do zidentyfikowania osoba fizyczna to osoba, którą można
bezpośrednio lub pośrednio zidentyfikować, w szczególności na podstawie
identyfikatora takiego jak imię i nazwisko, numer identyfikacyjny, dane o
lokalizacji, identyfikator internetowy lub jeden bądź kilka szczególnych
czynników określających fizyczną, fizjologiczną, genetyczną, psychiczną,
ekonomiczną, kulturową lub społeczną tożsamość osoby fizycznej;
184
POLITECHNIKA LUBELSKA WYDZIAŁ ZARZĄDZANIA
MARKETING I KOMUNIKACJA RYNKOWA
Projekt Badań Marketingowych
Dr hab. inż. Marcin Gąsior, prof. PLDr hab. inż. Łukasz Skowron, prof. PL
Teoria eksperymentu w badaniach marketingowych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 185
Eksperyment
Eksperyment, w przeciwieństwie do pomiaru sondażowego,
zakłada aktywne manipulowanie zmiennymi w taki sposób,
aby oddziaływały one na inne zmienne, których zmiany
poddawane są pomiarom.
Zmienne manipulowane określane są mianem zmiennych
niezależnych, bądź przyczynami, zmienne poddawane
pomiarom – zmiennymi zależnymi, bądź skutkami.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 186
Eksperyment
Zmienna poddawana pomiarowi (skutek): subiektywna ocenapoczucia komfortu w sali
Grupatestowa
Kw
est
ion
ariu
sz
Pytanie: czy poczucie komfortu pozostaje w zależności z natężeniem oświetlenia w sali?
Grupakontrolna
Średnia ocenakomfortu w sali I:
3,56/5
3,53/5
Zmienna manipulowana (przyczyna): natężenie oświetlenia
Bez zmiany oświetlenia K
we
stio
nar
iusz 1,23/5
3,38/5
Średnia ocenakomfortu w sali II:
Oświetlenie początkowe
Zmiana oświetlenia Zmiana oświetlenia
skutkuje w zmianieodczuwanego poziomu komfortu
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 187
Eksperyment
W zależności od ilości zmiennych niezależnych (czyli
oddziaływujących - przyczyn) wyróżnić można:
1. eksperyment z jedną zmienną niezależną
2. eksperyment z wieloma zmiennymi niezależnymi,
oddziaływującymi jednocześnie;
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 188
Eksperyment
Z uwagi na warunki przeprowadzania eksperymentu,
wyróżniamy:
1. eksperyment sztuczny (albo: w warunkach sztucznych) –
prowadzony w warunkach stworzonych na potrzeby tego
eksperymentu;
2. eksperyment naturalny – prowadzony w warunkach
realnych, naturalnych dla danego zjawiska, zachowania itd.;
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 189
Eksperyment sztuczny
Eksperyment sztuczny umożliwia:
1. wyeliminowanie niepożądanych zmiennych niezależnych
(jak chociażby elementów otoczenia, wpływu innych osób
itd.);
2. dokładne kontrolowanie wpływu mierzonych zmiennych
niezależnych.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 190
Eksperyment sztuczny
Do wad eksperymentu w warunkach sztucznych zaliczyć należy:
1. sztuczność badanej sytuacji – w warunkach realnych
niektóre eliminowane w schemacie sztucznym zmienne
mają rzeczywiście wpływ na badane zjawisko;
2. efekt eksperymentatora;
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 191
Efekt eksperymentatora
Efekt eksperymentatora – to sytuacja obciążenia wyników
eksperymentu powodowana faktem, iż respondenci wiedzą, że
biorą udział w badaniu i intuicyjnie starają się udzielać
odpowiedzi w sposób oczekiwany przez prowadzącego badanie,
bądź w sposób ich zdaniem pożądany z punktu widzenia
sytuacji (na przykład ukazujący efektywność pracy,
zaangażowanie itd.).
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 192
Efekt eksperymentatora
Przyczyną efektu eksperymentatora może być:
- świadoma lub nieświadoma presja wywierana przez badacza /
moderatora;
- znajomość celu prowadzonego badania lub znajomość
stosowanej procedury badawczej;
- chęć pomocy badaczowi w uzyskaniu odpowiednich wyników;
Podobne zjawisko może zachodzić w przypadku wywiadów lub
badań ankietowych;
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 193
Eksperyment naturalny
Największą zaletą eksperymentu naturalnego jest fakt, iż
odbywa się on w warunkach znanych uczestnikom i nie
traktowanych przez nich jako element sytuacji stworzonej na
potrzeby badania, zwykle nie zawiera on także potencjalnych
wskazówek odnośnie oczekiwanego przebiegu czy efektów
badania.
Przekłada się to na niedemonstrowanie zachowań i reakcji,
które nie miałyby miejsca w rzeczywistości.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 194
Eksperyment naturalny
Eksperyment naturalny posiada jednak także szereg wad. Do
najważniejszych zaliczyć można:
1. brak kontroli nad zmiennymi potencjalnie wpływającymi na
zachowanie uczestników;
2. brak wiedzy o wszystkich zmiennych oddziaływujących na
uczestnika eksperymentu w momencie jego prowadzenia;
3. trudności organizacji niektórych form eksperymentu, bądź
eksperymentów prowadzonych w określonych warunkach.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 195
Eksperyment
Dodatkowe problemy (Kaczmarczyk):
1. wpływ czynników niekontrolowanych;
2. wpływ pierwszego pomiaru i dążenie respondentów do
zgodności z pierwszym pomiarem;
3. reakcje respondentów, w szczególności wynikające z upływu
czasu (np. wpływ zmęczenia);
4. wpływ instrumentu pomiarowego i jego znajomości;
5. zmiany składu prób;
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 196
Eksperyment
Biorąc pod uwagę ilość grup i relację miedzy grupą a zmienną
niezależną wyróżnić można:
1. Plany grup niezależnych – w których każda grupa
reprezentuje inny warunek wyznaczany przez zmienną
niezależną (grupy zrandomizowane, grupy oparte na
doborze wiązanym, grupy naturalne);
2. Plany z powtarzanymi pomiarami – w których w tej samej
grupie zmienna niezależna przyjmuje różne stany.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 197
Eksperyment - rodzaje
Eksperymenty z jedną zmienną niezależną mogą mieć różne
formy – na kolejnych slajdach są one omówione, z użyciem
następujących oznaczeń:
A, B, C… - nazwy kolejnych grup uczestników eksperymentu;
(E) – oznaczenie grupy eksperymentalnej, (K) - grupy kontrolnej,
X - modyfikacja zmiennej niezależnej,
P – pomiar zmiennej zależnej (oznaczenie to może mieć indeks, jeśli pomiarów będzie
kilka).
T – efekt upływu czasu miedzy pomiarami;
K – efekt wielokrotnego kontaktu z kwestionariuszem (i np. tendencji do udzielania takich
samych odpowiedzi).
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 198
Eksperyment - rodzaje
Eksperyment jedno-grupowy z jednym pomiarem (quasi-
eksperyment)
A (E) X P1
Czyli: w grupie A (eksperymentalnej) modyfikujemy zmienną
niezależną i dokonujemy pomiaru zmiennej zależnej (P1).
Przykład: Wprowadzam nową formę reklamy (X) i mierzę (P1),
jaka w grupie klientów (A) jest obserwowana sprzedaż.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 199
Eksperyment - rodzaje
Eksperyment jedno-grupowy z jednym pomiarem (quasi-
eksperyment)
A(E) X P1
Przykład dwa: poczucie komfortu w sali.
W jednej grupie, eksperymentalnej (A), zmieniam krzesełka na
wygodniejsze (X) i mierzę ocenę komfortu (P1). Po pomiarze
wiem, jaka ona jest, ale nie wiem, czy się zmieniła - bo nie
sprawdziłem poziomu wcześniej – przed zmianą…
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 200
Eksperyment - rodzaje
Eksperyment jedno-grupowy z jednym pomiarem (quasi-eksperyment)
A(E) X P1
Stan początkowy -> S0 (jakie było poczucie komfortu przed zmianą - nie znam)
Wpływ czasu -> T (nie ma, bo jeden pomiar)
Efekt działania -> X (jaki był wpływ zmiany krzesełek)
P1 – poczucie komfortu po zmianie (znam, bo zmierzyłem)
P1 = stan początkowy (nieznany z pomiaru) + efekt działania
Czyli: X = P1 - S0
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 201
Eksperyment - rodzaje
Eksperyment jedno-grupowy z dwoma pomiarami
A(E) P1 X P2
(pomiar grupy A następuje przed (P1) i po (P2) wprowadzeniu modyfikacji
zmiennej niezależnej X, efekt pomiaru to (teoretycznie) różnica między P2 a
P1)
Przykład: pomiar efektu zmiany (X) opakowania produktu – pytam się o
ocenę opakowania przed zmianą (P1), wprowadzam zmianę (X) i pytam się
ponownie o ocenę opakowania – po zmianie (P2).
Różnica w ocenach po i przed to teoretycznie efekt wprowadzenia zmiany.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 202
Eksperyment - rodzaje
Eksperyment jedno-grupowy z dwoma pomiarami
A(E) P1 X P2
Przykład 2: poczucie komfortu w sali.
W jednej grupie (eksperymentalnej), mierzę poczucie komfortu (P1),
zmieniam krzesełka (X) i mierzę poczucie komfortu jeszcze raz (P2). Teraz
znam zmianę oceny (P2-P1), ale:
- nie wiem, w jakim stopniu jest ona konsekwencją upływu czasu (bo były
dwa pomiary, między którymi upłynął czas);
- nie wiem, w jakim stopniu jest ona efektem samego badania (bo
respondenci w drugim pomiarze już znają kwestionariusz i mogą dążyć do
takich samych odpowiedzi.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 203
Eksperyment - rodzaje
Eksperyment jedno-grupowy z dwoma pomiarami
A(E) P1 X P2
Dlatego mamy:
Ocena komfortu po zmianie (P2) to poziom, który był przed zmianą (P1) +
wpływ zmiany (X) + wpływ upływu czasu (T) + potencjalna reakcja na
wielokrotne badanie (K, na przykład skłonność do udzielania zbliżonych
odpowiedzi).
P2 = P1 (czyli S0) + X + T + K
X = P2 – P1(S0) – T – K (niestety nie znam ani wpływu upływu czasu, ani
reakcji na kwestionariusz – ale zawsze mogę założyć, że ich nie ma)
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 204
Eksperyment - rodzaje
Eksperyment dwu-grupowy bez grupy kontrolnej
A(E) P1 X
B(E) X P2
(pomiar grupy A następuje przed (P1) zaś B po (P2) wprowadzeniu
modyfikacji zmiennej niezależnej X, efekt pomiaru to różnica między P2 a P1)
Przykład: pomiar skuteczności nowej reklamy. Najpierw losujemy grupę (A) i
mierzymy jej postawy wobec produktu (P1), następnie emitujemy serię
reklam (X), losujemy ponownie, grupę (B) i analogicznie mierzymy jej
postawy (P2).
A i B to różne grupy wylosowane z tej samej populacji.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 205
Eksperyment - rodzajeEksperyment dwu-grupowy bez grupy kontrolnej
A(E) P1 X
B(E) X P2
Przykład 2:
Losuję pewną grupę osób z roku (A) i mierzę ich poczucie komfortu (P1),
następnie zmieniam krzesełka (X), losuję drugą grupę osób (B) i mierzę ich
poczucie komfortu. Zakładając, że początkowe poczucie komfortu jest takie
samo dla wszystkich, znam różnicę (P2-P1) i nie mam efektu upływu czasu,
bo każda grupa mierzona jest tylko raz. Minimalizuje też wpływ
wielokrotnego kontaktu z kwestionariuszem, bo przy dostatecznie dużej
populacji, w obu grupach będą inni respondenci.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 206
Eksperyment - rodzajeEksperyment dwu-grupowy bez grupy kontrolnej
A(E) P1 X
B(E) X P2
P2 = P1 (S0) + X
X = P2 – P1(S0)
Wygląda bardzo dobrze – wszystkie zmienne są (teoretycznie!) kontrolowane. Ale:
1. Czy w grupie B poziom zjawiska przed zmianą jest taki sam jak w A? (zakładamy, że
tak)
2. Czy w grupie B nie będzie żadnych osób, które wypełniły wcześniej kwestionariusz
(czyli z grupy A?) – jeśli populacja jest duża, to też zakładamy, że tak.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 207
Eksperyment - rodzajeEksperyment dwu-grupowy z dwoma pomiarami
A(E) X P1
B(K) P2
(w przypadku grupy A następuje modyfikacja zmiennej X i pomiar P1, w przypadku
grupy B modyfikacja nie następuje, zaś sama grupa jest także mierzona – P2 )
Przykład: pomiar skuteczności nowej ekspozycji w sieci sklepów. W części z nich
nastąpiła zmiana (X) i zmierzono sprzedaż (P1) w reszcie zmiany jeszcze nie
dokonano, ale także zmierzono sprzedaż (P2). Skuteczność ekspozycji to P1-P2.
A i B to grupy rozłączne. Natomiast sama skuteczność może być obliczona pod
warunkiem, że w obu sklepach przed zmianą sprzedaż była taka sama.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 208
Eksperyment - rodzajeEksperyment dwu-grupowy z dwoma pomiarami
A(E) X P1
B(K) P2
Przykład 2.
Dzielę studentów na dwie grupy A i B, na zajęciach jednej zmieniam krzesełka (grupa
eksperymentalna) a drugiej – nie (grupa kontrolna). Dzięki temu znam reakcję na
zmianę – wynosi ona P2 – P1, ale tylko pod warunkiem, że obie grupy początkowo,
przed zmianą, miały ten sam poziom. Co nie jest do końca pewne.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 209
Eksperyment - rodzajeEksperyment dwu-grupowy z dwoma pomiarami
A(E) X P1
B(K) P2
P1 = S0 + X
P2 = S0
P1 = P2 + X
X = P1 – P2
Zakładam, że stany początkowe S0 są stałe w obu grupach, co zwykle jest prawdą,
jeśli obie grupy są losowane z tej samej populacji.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 210
Eksperyment - rodzajeEksperyment dwu-grupowy z czterema pomiarami
A(E) P1 X P3
B(K) P2 P4
(w obu grupach następuje pomiar – P1 i P2; następnie w grupie A następuje zmiana,
w grupie B nie; po zmianie w obu grupach znowu następuje pomiar – P3, P4)
Przykład: pomiar skuteczności nowej ekspozycji w dwóch sklepach. Najpierw w obu
zmierzono sprzedaż (P1, P2), następnie w jednym nastąpiła zmiana (X) i znowu
zmierzono sprzedaż w obu (P3, P4). Jeśli P4-P2<P3-P1 – zmiana
zwiększyła skuteczność.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 211
Eksperyment - rodzajeEksperyment dwu-grupowy z czterema pomiarami
A(E) P1 X P3
B(K) P2 P4
P3 = P1 (S0 ) + T + K + X oraz P4 = P2 (S0 ) + T + K wtedy X = P3 – P4
Jeśli stany początkowe nie są stałe
P3 = P1 (S1) + T + K + X oraz P4 = P2 (S2 ) + T + K wtedy X = P3 – P4 + P2 – P1
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 212
Eksperyment - rodzajeSchemat ten może być rozwijany na większą ilość zmiennych, np.
A(E) P1 X1 P4
B(E) P2 X2 P5
C(K) P3 P6
(itd..)
W tego typu schematach pomiary przed zmianą (P1, P2…) określane są mianem pre-
testu, po zmianie post-testu;
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 213
Eksperyment - rodzajePytanie. Czy w poprzednim schemacie efekt nastąpił pod wpływem modyfikacji
zmiennej (X)? Czy może pomiaru (P1, P2…)? Czy obu działań? Rozwiązanie:
Eksperyment cztero-grupowy z sześcioma pomiarami (Solomona)
A(E) P1 X P3
B(K) P2 P4
C(E) X P5
D(K) P6
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 214
Eksperyment - rodzajePytanie. Czy w poprzednim schemacie efekt nastąpił pod wpływem modyfikacji
zmiennej (X)? Czy może pomiaru (P1, P2…)? Czy obu działań? Rozwiązanie:
Eksperyment cztero-grupowy z sześcioma pomiarami (Solomona)
A(E) P1 X P3
B(K) P2 P4
C(E) X P5
D(K) P6
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 215
Eksperyment - problemyPotencjalne problemy związane z eksperymentem:
1. zagadnienie pierwszego pomiaru (czy zmianę wywołuje zmienna
niezależna czy sam fakt dokonania pomiaru?);
2. dodatkowe zmienne niezależne (czy istnieją? jaki jest ich wpływ?)
3. czas (czy zmiana wywołana jest wprowadzoną zmienną czy
odstępem czasowym między kolejnymi pomiarami?);
4. wpływ instrumentu pomiarowego (czy sam instrument nie
wywołuje poszukiwanej zmiany w grupie?)
5. zmiana składu grup;
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 216
Eksperyment - więcejWięcej informacji o schematach eksperymentalnych znaleźć można w:
1. Kaczmarczyk, S. (1996). Badania marketingowe: metody i techniki.
Polskie Wydawnictwo Ekonomiczne.
2. Rószkiewicz, M. (1999). Metody analizy eksperymentu w badaniach
marketingowych. Materiały z III Warsztatów Metodologicznych.
Warszawa: Szkoła Głowna Handlowa.
3. Shaughnessy, J. J., Zechmeister, J. S., & Zechmeister, E. B. (2002).
Metody badawcze w psychologii. Gdańskie Wydawnictwo
Psychologiczne.
4. Walesiak M., Gatnar E. (red.) (2004), Metody statystycznej analizy
wielowymiarowej w badaniach marketingowych, Wydawnictwo AE we
Wrocławiu.
217
POLITECHNIKA LUBELSKA WYDZIAŁ ZARZĄDZANIA
MARKETING I KOMUNIKACJA RYNKOWA
Projekt Badań Marketingowych
Dr hab. inż. Marcin Gąsior, prof. PLDr hab. inż. Łukasz Skowron, prof. PL
Podstawowe wskaźniki w badaniach marketingowychAnaliza danych w badaniach marketingowych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Analiza danych to szereg czynności mających za zadanie odnalezienie i
wydobycie określonych prawidłowości występujących w zebranych
danych oraz wyznaczenie określających te dane parametrów.
Podstawą analizy jest statystyczny opis badanych zbiorowości oraz
parametrów zbiorowości generalnej.
218
Założenia analizy
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Metody przyjęte w analizie danych zależą naturalnie od kontekstu,
postawionych celów badania, pytań badawczych, a także samego
charakteru posiadanych danych.
Ciężko zatem mówić o jednym „standardzie”, ponieważ tak, jak
każdy problem badawczy, zestaw narzędzi i zmiennych będzie inny,
tak inna będzie każda analiza mająca na celu jego rozwiązanie.
219
Założenia analizy
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Istnieje natomiast szereg działań, które można określić mianem
typowych. Dotyczą one:
1. kroków stosowanych w trakcie przygotowania materiału
empirycznego;
2. podstawowych analiz, które, niezależnie od docelowych metod,
zwykle są przeprowadzane (określane są one w literaturze często
mianem „opisu statystycznego danych”).
220
Założenia analizy
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Kroki stosowanie w przygotowaniu materiału empirycznego,
które powinny być podjęte w każdym badaniu to:
1. Kodowanie pozyskanych wyników,
2. Kontrola poprawności i kompletności danych, ewentualne
usunięcie przypadków odstających;
3. Ocena braków danych;
4. Ewentualna imputacja brakujących wartości.
221
Założenia analizy
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Kodowanie wyników to zapis pozyskanych wyników w formie, która
umożliwi ich dalsze przetwarzanie. Jest to:
1. zapisanie wyników w formie elektronicznej;
2. zamiana wartości pochodzących z narzędzia na wartości łatwiejsze
w przetwarzaniu, np. słów w skali porządkowej na liczby, wskazań
w pytaniach nominalnych koniunkcyjnych na wartości wskazujące
na istnienie lub brak wskazania itd.
222
Kodowanie wyników
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Zasady kodowania są następujące:
1. Przypadki kodujemy w wierszach, zmienne w kolumnach.
2. Zmienne zawierające wprost wartości liczbowe – kodujemy liczbą;
3. Zmienne porządkowe zawierające słowa – jeśli chcemy głębiej je
analizować – możemy zamienić na liczby, ALE czasem warto
zostawić słowa, na poziomie analizy częstości przetwarza się je tak
samo, a łatwiej robić wykresy; niektóre programy umożliwiają
równoległe osadzenie w zmiennej wartości i odpowiadających im
etykiet tekstowych.
223
Kodowanie wyników
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
4. zmienne nominalne możemy kodować słowami (jeśli zatrzymujemy
się na częstości wystąpień) ALE możemy każdej alternatywie do
wyboru przyporządkować oddzielna zmienną i kodować binarnie (0 –
niewskazana, 1 – wskazana);
5. zmienne dychotomiczne o charakterze nominalnym możemy
kodować słowami ALE możemy zakodować dwiema zmiennymi
binarnymi;
6. pytania wielokrotnego wyboru kodujemy tworząc dla każdej
alternatywy jedną zmienną dwustanową;
224
Kodowanie wyników
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Działania podstawowe – od czego trzeba zacząć:
1. Kontrola poprawności i kompletności danych; ewentualne usunięcie
przypadków odstających;
Przed podjęciem jakichkolwiek działań zbiór danych należy ocenić pod
kątem tego, czy nie ma błędów, czy nie wprowadzono w jakimś miejscu
do komórki dwóch cyfr na raz, czy któryś respondent nie wygłupiał się
wypełniając kwestionariusz (np. umieszczając wszędzie same odpowiedzi
skrajne, albo zaznaczając np.: 1,2,3,4,5,4,3,2,1,2,3,4… itd.)
225
Działania podstawowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Jeśli zdarzy się kwestionariusz niekompletny, nie zawsze oznacza
to konieczność jego odrzucenia. Jeśli ktoś nie odpowiedział na
jedno pytanie, po prostu należy zakodować resztę. Zarówno Excel
jak i programy statystyczne wykluczają z analizy przypadki które
nie mają kompletu wymaganych danych.
Brak odpowiedzi w jednym pytaniu nie oznacza, że nie możemy
wykorzystać pozostałych.
Można też, jeśli analiza tego wymaga, rozważyć zastosowanie
imputacji.
226
Działania podstawowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Kwestionariusz/przypadek natomiast należy odrzucić jeśli:
1. jest w znacznym stopniu niekompletny (~50%, ale jest to
kryterium bardzo umowne),
2. brakuje wypełnionej metryczki - wtedy reszta pytań i tak będzie
wyłączona z części analiz, ponadto może zaburzyć
porównywalność danych ogółem z danymi w podziale na
frakcje.
227
Działania podstawowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Przypadki notorycznego występowania odpowiedzi „nie wiem” – taki
kwestionariusz także wprowadzamy. „Nie wiem” to też odpowiedź,
zaś jej częste wystąpienia także o czymś świadczą.
Odpowiedzi „Nie wiem” należy kodować pustym polem. Brak
odpowiedzi tam gdzie skala dopuszcza wybór „nie wiem” należy
traktować właśnie jako odpowiedź „nie wiem”.
228
Działania podstawowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Do ewentualnych błędów w pytaniach należy podchodzić elastycznie.
1.Jeśli w pytaniu proszono o wskazanie 3 czynników, a wszyscy, czy
większość badanych wskazuje ilości większe (bo np. nie przeczytali
pytania – co się zdarza, albo bardzo chcą podkreślić swoje
niezadowolenie), można uznać, że nie było kryterium „3
najważniejsze” i analizować wszystkie odpowiedzi;
2.Jeśli w pytaniu o maksymalnie 3 najważniejsze czynniki jedna czy dwie
osoby zaznaczyły cztery – też można to przyjąć jako poprawną
odpowiedź. Jeśli zaznaczyły po 10 – już nie.
229
Działania podstawowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Kolejnym krokiem w przygotowaniu danych jest ich ocena pod kątem
jakości oraz braków danych. Obejmuje ona:
1. Wyszukanie oraz ewentualne usunięcie przypadków wątpliwych
(wygłupy, brak zmienności itd.);
2. Analizę braków danych;
3. Zastosowanie imputacji;
230
Działania podstawowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Braki danych to sytuacje w których w danym przypadku
brakuje wartości jednej lub więcej zmiennych. Braki w
obrębie danej zmiennej mogą mieć charakter:
MCAR (missing completely at random) – gdy braki są
całkowicie losowe, nie zależne ani od wartości zmiennej,
której dotyczą, ani od innych zmiennych.
231
Braki danych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
MAR (missing at random) – prawdopodobieństwo braku
danych jest zależne od innych, ale znanych (ujętych
modelem) zmiennych.
MNAR (missing not at random) – gdy prawdopodobieństwo
braku danych zależy od samej brakującej wartości zmiennej,
albo od zmiennych nie objętych modelem.
232
Braki danych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Postępowanie z brakującymi wartościami może polegać na:
1. Usuwaniu przypadków z brakami (casewise / listwise
deletion);
2. Analizie przypadków kompletnych (analiza wszystkich
przypadków, w których dana zmienna ma przypisaną wartość);
3. Imputacji, czyli podstawieniu wartości.
233
Braki danych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Imputacja to procedura zastępowania braku danych określoną
wartością. Może to być:
1. Średnia zmiennej;
2. Mediana zmiennej;
3. Wartość z przypadku podobnego (hot-deck imputation);
4. Wstawienie parametru oszacowanego (regresja, C&RT, EM
itd.);
5. Imputacje wielokrotne (multiple imputation);
234
Braki danych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
W praktyce, bez zastosowania bardziej złożonych procedur
(albo oprogramowania) dostępne są dwie metody
imputacji: zastąpienie braku średnią albo medianą.
Obie mają dwie zalety: nie powodują zmiany średniej (albo
mediany) zmiennej i umożliwiają włączenie przypadku do
analizy.
Cała reszta to wady. W szczególności – obniżają odchylenie
standardowe, zmniejszają współczynniki korelacji itd.
235
Braki danych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Po przygotowaniu zbioru danych dobrą praktyką jest aby dla każdej
zmiennej, która została poddana pomiarowi należy przygotować opis
statystyczny. Opis może objąć:
1.Przedstawienie rozkładu (na wykresie albo w tabeli) i jego ew.
przetestowanie (ale zwykle nie ma potrzeby, bo rozkład nie będzie
spełniał żadnych założeń); jeśli pytanie ociera się o skalę nominalną –
ocena frakcji;
2.Wskazanie miary tendencji centralnej (zwykle średnia) i miary
rozproszenia (zwykle odchylenie standardowe);
3.Porównanie ze sobą zmiennych z danego aspektu/pytania/obszaru itd.
4.Przygotowanie tablic wielodzielczych (w zależności od kontekstu).
236
Statystyki opisowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Przedstawienie rozkładu – ilości wszystkich odpowiedzi na pytanie
0
20
40
60
80
100
120
140
Nie Raczej nie Ani tak ani nie Raczej tak Tak
Jeśli skala krótka – raczej w formie słupkowej
237
Statystyki opisowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Przedstawienie rozkładu – ilości wszystkich odpowiedzi na pytanie
Jeśli skala dłuższa – można w formie słupków albo profili.
0
10
20
30
40
50
60
70
80
1 2 3 4 5 6 7 8 9
238
Statystyki opisowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
0
10
20
30
40
50
60
70
80
1 2 3 4 5 6 7 8 9
239
Statystyki opisowe
Przedstawienie rozkładu – ilości wszystkich odpowiedzi na pytanie
Jeśli skala dłuższa – można w formie słupków albo profili.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Wskazanie miary tendencji centralnej i miary rozproszenia – w celu
porównania zmiennych, może polegać na przykład na obliczeniu
średnich i odchyleń standardowych. Załóżmy, że mamy pytanie:
Proszę ocenić następujące aspekty obsługi klienta: (respondenci
oceniają od 1 do 10).
1. Uprzejmość personelu;
2. Skłonność do pomocy;
3. Szybkość rozwiązywania problemów;
4. Wygląd personelu;
5. Wiedza pracowników na temat produktów;
240
Statystyki opisowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Wtedy powinniśmy obliczyć oceny średnie dla każdej zmiennej, aby
wskazać na przykład silne i słabe strony.
Ocena średnia Odchylenie
Uprzejmość personelu 8,34 1,22
Skłonność do pomocy 7,99 1,43
Szybkość rozwiązywania problemów 7,16 1,44
Wygląd personelu 6,99 1,45
Wiedza pracowników na temat produktów 6,82 1,9
Na koniec, wszystkie zmienne można i trzeba ze sobą porównywać,
zarówno w formie średnich, jak i, tam gdzie to potrzebne, samych
rozkładów.
Zwróćcie uwagę, że zmienne są uszeregowane wg średniej.241
Statystyki opisowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
1
2
3
4
5
6
7
8
9
10
Uprzejmość personelu Skłonność do pomocy Szybkość rozwiązywaniaproblemów
Wygląd personelu Wiedza pracowników natemat produktów
Ocena średnia Odchylenie
Porównanie tych samych średnich.
242
Statystyki opisowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Odchylenie standardowe to wskaźnik mówiący jak bardzo
wartości zmiennej z kolejnych obserwacji rozproszone są
wokół średniej tych wartości.
Odchylenie standardowe jest istotnym uzupełnieniem
estymatora jakim jest średnia arytmetyczna.
Odchylenie standardowe
243
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Przykład.
Student 1 uzyskał na koniec semestru następujące stopnie:
5 5 5 5 5 4,5 4 3,5 3 3 3 3 3
podczas gdy Student 2:
5 4 4 4 4 4 4 4 4 4 4 4 3.
Analizując średnią, dowiemy się, iż obaj mają taką samą (4.0), co
jednak nic nie mówi o rozproszeniu ich stopni.
Rozwiązaniem jest rozszerzenie analizy o odchylenie standardowe,
które w przypadku Studenta 1 wynosi 0,93, zaś w przypadku
Studenta 2 wynosi 0,41.
Odchylenie standardowe
244
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Odchylenie standardowe ukazuje nam rozproszenie wyników
dookoła wartości średniej (jeżeli już na średnią się
decydujemy) – i powinno być obliczane (i pokazywane)
zawsze tam, gdzie pojawia się wartość średnia.
Przykład.
Proszę ocenić, w skali od 1 do 10 poziom swojego zadowolenia
z naszej obsługi, gdzie 1 – kompletny brak zadowolenia, 10
– bardzo duży poziom zadowolenia.
245
Odchylenie standardowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Średnia: 7,00
Odchylenie standardowe: 1,38
0
1
2
3
4
5
6
7
8
9
10
1 2 3 4 5 6 7 8 9 10
Ilość
klie
ntó
w
Ocena
246
Odchylenie standardowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Średnia: 7,00
Odchylenie standardowe: 1,71
0
1
2
3
4
5
6
7
1 2 3 4 5 6 7 8 9 10
Ilość
klie
ntó
w
Ocena
0
1
2
3
4
5
6
7
1 2 3 4 5 6 7 8 9 10
Ilość
klie
ntó
w
Ocena
Średnia: 7,00
Odchylenie standardowe: 1,91
247
Odchylenie standardowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Średnia: 7,00
Odchylenie standardowe: 2,26
Średnia: 7,00
Odchylenie standardowe: 2,58
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
1 2 3 4 5 6 7 8 9 10
Ilość
klie
ntó
w
Ocena
0
1
2
3
4
5
6
7
8
1 2 3 4 5 6 7 8 9 10
Ilość
klie
ntó
w
Ocena
248
Odchylenie standardowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Naturalnie, interpretacja odchylenia standardowego jest ściśle
zależna od przyjętej skali – im dłuższa skala tym
(teoretycznie) możliwe większe wartości odchylenia
standardowego.
W celu lepszej wizualizacji co oznaczają kolejne wartości, tak
jak było to pokazane na poprzednich slajdach można
przygotować kilka rozkładów, następnie je zwizualizować i
obliczyć dla każdego odchylenie standardowe.
249
Odchylenie standardowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Zamiast średniej można (i warto) rozważyć posługiwanie się
medianą. O ile średnia jest dla nas dość intuicyjna, jest mało
odporna na obserwacje odstające oraz jej stosowanie przy
skalach porządkowych jest co najmniej problematyczne.
Mediana to wartość cechy w szeregu uporządkowanym
powyżej i poniżej której znajduje się jednakowa liczba
obserwacji. Mediana jest wygodnym sposobem oceny
tendencji centralnej, ponieważ jest wiele bardziej niż
średnia arytmetyczna odporna na obserwacje odstające.
250
Mediana
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Przykład. W przedsiębiorstwie zatrudnione jest 10 osób.
Szef, który zarabia 15000zł, dwóch księgowych
zarabiających po 1500, trzech pracowników fizycznych
zarabiających po 1000zł oraz czterech zarabiających po
800zł.
Średnia arytmetyczna zarobków wynosi 2420zł, ale nie
oddaje ona dobrze poziomu płac w przedsiębiorstwie – z
uwagi na obserwację odstającą.
Mediana wynosi natomiast 1000zł.
251
Mediana
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Stworzenie tabeli bądź wykresów wielodzielczych – analiza
zmiennych podzielonych wg danych demograficznych (płeć, wiek,
miejsce zamieszkania, zarobki itd.);
Tabele wielodzielcze (w Excelu – „przestawne”) to forma
prezentacji danych w rozbiciu wg różnych kryteriów, w zależności
od postawionych pytań.
252
Tabele wielodzielcze
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
W badaniach społecznych jest pewnym poziomem przyzwoitości
próba oszacowania podobieństw i różnic w rozkładach i
parametrach zmiennych przy rozdzieleniu przypadków według
pewnych, uważanych przez nas za zasadne zmiennych (na
początek – wg metryczki).
253
Tabele wielodzielcze
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Wróćmy do poprzedniego przykładu. Mamy pytanie:
Proszę ocenić następujące aspekty obsługi klienta: (respondenci
oceniają od 1 do 10).
1. Uprzejmość personelu;
2. Skłonność do pomocy;
3. Szybkość rozwiązywania problemów;
4. Wygląd personelu;
5. Wiedza pracowników na temat produktów;
Oprócz opisu ogólnego warto teraz porównać opinie różnych grup.
254
Tabele wielodzielcze
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Ocena średnia Odchylenie Ocena średnia Odchylenie
Uprzejmość personelu 8,99 1,19 7,33 1,22
Skłonność do pomocy 8,87 1,23 7,21 1,43
Szybkość rozwiązywania problemów 7,29 1,33 7,16 1,44
Wygląd personelu 7,12 1,46 6,77 1,45
Wiedza pracowników na temat produktów 5,99 1,87 6,14 1,9
Kobiety Mężczyźni
Tabela wielodzielcza dla tego pytania mogłaby na przykład
wyglądać tak:
255
Tabele wielodzielcze
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Zaś wykres wielodzielczy – następująco.
1
2
3
4
5
6
7
8
9
10
Uprzejmość personelu Skłonność do pomocy Szybkośćrozwiązywania
problemów
Wygląd personelu Wiedza pracownikówna temat produktów
Kobiety Mężczyźni
256
Tabele wielodzielcze
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Tabele wielodzielcze mogą też posłużyć do głębszej analizy
materiału bądź do weryfikowania hipotez. Na przykład:
Pytanie 1: Ile przeciętnie kubków kawy wypija Pani/Pan dziennie?
Pytanie 2: Proszę podać ulubioną markę kawy.
Oba pytania można połączyć razem, otrzymamy wtedy…
257
Tabele wielodzielcze
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
MarkaIlość dziennie
1 2 3
Marka A 7 6 3
Marka B 3 7 3
Marka C 2 5 11
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Marka A Marka B Marka C
1 2 3
Tabela wielodzielcza
Dane można także
przedstawić w formie
wykresu
258
Tabele wielodzielcze
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Analiza korelacji prowadzi do sprawdzenia, czy dwie zmienne są ze
sobą istotnie statystycznie powiązane – czy ich wartości
współwystępują ze sobą.
Uwaga. Korelacja nie mówi, iż jedna zmienna zależy od drugiej!
Wskazuje tylko na istnienie związku / współwystępowania.
Różnica względem testów istotności jest taka, iż testy (ANOVA,
test K-W) wskazują na różnice średnich w grupach, korelacja
mówi o podobnym zachowywaniu się wartości zmiennych w
kolejnych przypadkach.
259
Analiza korelacji
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
0 1 2 3 4 5 6 7 8 9 10
Zmn1
0
1
2
3
4
5
6
7
8
9
10Z
mn
2
Wykres 1. Zmienne współzależne. Współczynnik korelacji r=0,96
260
Analiza korelacji
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
0 1 2 3 4 5 6 7 8 9 10
Zmn1
0
1
2
3
4
5
6
7
8
9
10
Zmn3
Wykres 2. Zmienne słabo skorelowane. Współczynnik korelacji r=-0,20
261
Analiza korelacji
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Korelacja jest miarą współzależności między dwiema zmiennymi.
Współczynnik korelacji (r) może przyjmować wartości od -1 do 1,
przy czym literatura (z obszaru badań społecznych!) wskazuje, iż:
r=0 – brak korelacji,
0,1<r<0,3 – korelacja słaba,
0,3<r<0,5 – korelacja przeciętna,
0,5<r<0,9 – korelacja wysoka,
0,9<r<1 – korelacja prawie pełna.
Wartości ujemne analogicznie.
262
Analiza korelacji
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Źródło: Brzeziński J.: Metodologia badań psychologicznych, PWN, Warszawa 1996;
263
Analiza korelacji a skala pomiaru
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Korelacja zmiennych może być:
1. wnioskiem z badania – kiedy zauważamy, że dwie zmienne są
powiązane, ale wcześniej nie zakładaliśmy (a na pewno nie
planowaliśmy takiego związku)
2. założeniem konstrukcji badania / modelu badawczego – gdy
celowo dobieraliśmy w badaniu zmienne (albo ich wskaźniki,
które są ze sobą – w domyśle - powiązane).
264
Korelacja zmiennych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Przykład:
Chcemy zmierzyć jakieś zjawisko (np. satysfakcję klienta), które
wyrażamy pewną zmienną (np. „poziomem satysfakcji”).
Potrzebujemy jakichś wskaźników – czegoś, o co można byłoby
się zapytać potencjalnego respondenta.
Czy można zapytać się „Jaki jest Pani/Pana poziom satysfakcji”?
265
Korelacja zmiennych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Przykład:
Jeśli konstrukt jest prosty – w sumie można, chociaż w takiej
sytuacji będziemy chcieli mieć kilka wskaźników tej zmiennej,
które będą ją wyrażały, np.:
1. Czy ogólnie jest zadowolony?
2. Czy poleciłby daną firmę znajomym?
3. Jaki jest dystans do ideału?
4. Czy jest ona lepsza czy gorsza od innych?
266
Korelacja zmiennych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Jeśli natomiast konstrukt jest bardziej złożony – będziemy
potrzebowali zwykle kilku wskaźników. Zastanówcie się:
1. Jak zmierzyć subiektywną ocenę stanu zdrowia respondenta?
2. Jak zmierzyć poczucie bezpieczeństwa?
3. Jak zmierzyć opinię o produkcie?
267
Korelacja zmiennych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
W takiej sytuacji będziemy potrzebowali kilku wskaźników, zaś ich
korelacja będzie dla nas dowodem tego, że dotyczą tego
samego zjawiska.
Dlaczego korelacje są ważne:
1. Dają wnioski poznawcze o relacjach miedzy zmiennymi (a dalej
– zjawiskami);
2. Umożliwiają testowanie skal;
3. Dają przesłankę do analizy czynnikowej;
4. Mają znaczenie przy wyborze zmiennych do regresji.
268
Korelacja zmiennych
269
POLITECHNIKA LUBELSKA WYDZIAŁ ZARZĄDZANIA
MARKETING I KOMUNIKACJA RYNKOWA
Projekt Badań Marketingowych
Dr hab. inż. Marcin Gąsior, prof. PLDr hab. inż. Łukasz Skowron, prof. PL
Badania satysfakcji i lojalności klientów
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 270
Satysfakcja klienta
Satysfakcja klienta to emocjonalna reakcja na ocenę
postrzeganych doświadczeń konsumenta dotyczących
nabywania, konsumowania oraz pozbywania się produktu lub
też odzwierciedlenie tego, w jakim stopniu produkt całkowity
zaspokaja zbiór wymagań klienta.
Satysfakcja klienta jest niezmiernie istotnym, jeśli nie
podstawowym warunkiem pomyślnego funkcjonowania
organizacji, stąd też niezbędny jest jej ciągły pomiar i
monitorowanie.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 271
Satysfakcja klienta
Z uwagi na duże znaczenie satysfakcji klienta, jest ona obszarem
intensywnych badań, równocześnie zaś powstały też liczne
modele obrazujące jej przyczyny i mechanizmy powstawania,
co przekłada się także na wiele podejść do jej pomiaru. Za
modele najważniejsze uznać należy:
1. Model oczekiwanej niezgodności (Oliver);
2. Modele EPSI i ACSI;
3. Model Kano.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 272
Pomiar poziomu satysfakcji
Planując pomiar satysfakcji na początku wybrać należy
paradygmat w którym będzie on prowadzony.
Pomiar taki może:
1. być skoncentrowany wyłącznie na natężeniu zjawiska;
2. polegać na ujęciu satysfakcji w perspektywie przyczynowo
skutkowej;
3. dążyć do rozłożenia ogólnej satysfakcji na jej elementy
składowe;
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 273
Pomiar poziomu satysfakcji
Kaczmarczyk (2007) przedstawia sześć przykładów skal służących
pomiarowi satysfakcji. Są to:
1. Skala A – mierząca stopień ważności wybranych cech oraz
konsekwencje użycia produktu;
2. Skala B – j.w. ale odnosząca wspomniane obszary do
najlepszego produktu na rynku;
3. Skala C – mierząca stopień ogólnej satysfakcji klienta;
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 274
Pomiar poziomu satysfakcji
4. Skala D - mierząca odczucia emocjonalne klienta, związane z
produktem;
5. Skala E – mierząca skutki satysfakcji – w postaci skłonności
klienta do wygłaszania pozytywnych lub negatywnych opinii o
produkcie;
6. Skala F – mierząca skutki satysfakcji w postaci skłonności do
ponownego zakupu produktu.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 275
Pomiar poziomu satysfakcji
Do innych zmiennych, wyrażających poziom satysfakcji zaliczyć
można:
1. skłonność do polecenia produktu, marki lub producenta
innym klientom;
2. postrzegany dystans dzielący produkt od ideału;
3. deklarowany stopień, w jakim produkt spełnia oczekiwania;
4. fakt zaspokojenia wszystkich sformułowanych potrzeb.
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 276
Pomiar poziomu satysfakcji
Do zmiennych potencjalnie kształtujących poziom satysfakcji, albo
takich, których oceny składają się na wynikowy poziom
zadowolenia zaliczyć można między innymi:
1. Ocenę ceny produktu;
2. Jakość produktu;
3. Solidność i rzetelność firmy;
4. Uczciwość i sprawiedliwość wymiany;
5. Wartość dla klienta (w poszczególnych obszarach);
6. Zaufanie do firmy;
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 277
Pomiar poziomu satysfakcji
Model SERVQAL wskazuje natomiast pięć wymiarów, których
ocena różnic między doświadczeniem a oczekiwaniami składa się
na finalny poziom satysfakcji klienta firmy usługowej. Są to:
1. Elementy materialne, dostrzegalne dla klienta;
2. Empatia pracowników;
3. Zdolność do reagowania;
4. Profesjonalizm pracowników;
5. Niezawodność procesu świadczenia usługi.
278
POLITECHNIKA LUBELSKA WYDZIAŁ ZARZĄDZANIA
MARKETING I KOMUNIKACJA RYNKOWA
Projekt Badań Marketingowych
Dr hab. inż. Marcin Gąsior, prof. PLDr hab. inż. Łukasz Skowron, prof. PL
Metody i techniki badań segmentacyjnych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Segmentacja (rynku) to wyodrębnienie na rynku (względnie)
jednorodnych grup klientów w celu lepszego dopasowania oferty do
ich potrzeb i oczekiwań.
Segment rynku to grupa konsumentów zbliżonych do siebie pod
względem zestawu cech stanowiących kryterium prowadzonej
segmentacji, równocześnie zaś różniąca się, z punktu widzenia tych
cech, od innych osób aktywnych na rynku.
Podstawową przyczyną segmentacji jest fakt, iż nie wszyscy
konsumenci są tacy sami, tym samym zaś (zwykle) nie da się stworzyć
produktu „dla wszystkich”.
Segmentacja rynku
279
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
W procesie segmentacji obecne są zatem:
1. Kryteria – czyli zmienne według których dzielimy przypadki na
grupy;
2. Segmenty – czyli grupy przypadków (tutaj konsumentów), które
są do siebie podobne, ale inne od przypadków w innych
grupach.
Segmentacja rynku
280
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
W projektowaniu badań segmentacyjnych uwzględnia się cztery
możliwe wymiary analizy:
1. Charakter kryteriów:
• podmiotowe (konsument) – kryteria demograficzne,
geograficzne, ekonomiczne, psychograficzne;
• przedmiotowe (reakcja na ofertę marketingową) – kryteria
behawioralne, kryteria poszukiwanych korzyści;
Wymiary analizy
281
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
W projektowaniu badań segmentacyjnych uwzględnia się cztery
możliwe wymiary analizy:
2. Sposób pomiaru:
• kryteria obserwowalne – np. geograficzne lub
behawioralne;
• kryteria ukryte – kryteria psychograficzne, ukryte
reakcje na produkt, poszukiwane korzyści.
Wymiary analizy
282
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
3. Metoda identyfikacji segmentów:
• a priori – założenia przyjęte z góry, badania polegają na
klasyfikacji respondentów;
• post hoc – założenia określane po przeprowadzeniu
badań;
(założenia: zmienne, albo kryteria wg których segmenty są
wyodrębniane, ich ilość, miara odległości itd.).
Wymiary analizy
283
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
W projektowaniu badań segmentacyjnych uwzględnia się cztery
możliwe wymiary analizy:
4. Funkcja segmentacji:
• Opisowa – polegająca na grupowaniu konsumentów na
podstawie określonego zbioru zmiennych;
• Predykcyjna – tworzona w oparciu o kryteria, które
wymagają wyjaśnienia przy wykorzystaniu dodatkowych
zmiennych;
Wymiary analizy
284
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Z punktu widzenia statystyki większość badań segmentacyjnych
(w szczególności metody post hoc) bazuje na analizie skupień
(cluster analysis).
Analiza skupień to (najprościej mówiąc) zbiór różnych metod
grupowania elementów (u nas – przypadków) we względnie
jednorodne klasy, łączące elementy do siebie podobne z
punktu widzenia przyjętych kryteriów.
Analiza skupień
285
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Spójrzmy na przykład:
Respondenci w badaniu poproszeni zostali o udzielenie
odpowiedzi na dwa pytania o preferowane sposoby spędzania
wolnego czasu: na YouTube oraz czytając książki. Sposoby te
ocenione zostały w skali od 1 (nie lubię) do 10 (bardzo lubię).
Odpowiedzi badanych można zwizualizować w przestrzeni
określonej przez dwa przedstawione wymiary. Obejrzycie
rysunek i zastanówcie się: które osoby są do siebie podobne?
Analiza skupień
286
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Osoba 1
Osoba 2
Osoba 3
Osoba 4
Osoba 5
Osoba 6
Osoba 7
Osoba 8
Osoba 9
Osoba 10
0 1 2 3 4 5 6 7 8 9 10
Lubię czytać książki
1
2
3
4
5
6
7
8
9
10L
ub
ię o
glą
dać k
oty
na Y
T
287
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Pojawia się pytanie, w jaki sposób (inny, niż wizualny – ponieważ
wymiarów może przecież być więcej niż dwa) ocenić, czy dwa
przypadki są do siebie podobne.
Służy nam do tego funkcja określana mianem metryki, czyli
funkcja wyrażającej odległość między parą elementów.
(w analizie skupień będzie nam też służyła do określania
odległości miedzy przypadkiem a grupą, ale idea pozostaje ta
sama).
Metryka
288
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Do metryk często stosowanych w analizie skupień w badaniach
społecznych zaliczyć można:
1. Odległość euklidesową,
2. Kwadrat odległości euklidesowej,
3. Odległość taksówkową (Manhattan),
4. Niezgodność procentową.
Metryka
289
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Dlaczego ta metryka jest wygodna? Bo zlicza wszystkie różnice między
przypadkami.
Przypadek Książki YT koty
Osoba 1 9 9
Osoba 2 9 9
Osoba 3 8 8
Osoba 4 5 7
Osoba 5 9 8
Odległość (1,2) = 0
Odległość (1,3) = 2
Odległość (1,4) = 7
Odległość (4,5) = ??
Odległość manhattan
292
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Niezgodność procentowa wyrażona jest jako odsetek wymiarów,
które są różne dla dwóch elementów. W źródłach bywa to opisane
tak: odległość(x,y) = (liczba xi ≠ yi)/i
Na przykład:
Przypadek Ksiązki YT koty
Osoba 1 9 9
Osoba 2 9 9
Osoba 3 8 8
Osoba 4 8 9
Osoba 5 9 8
Odległość (1,2) = 0%
Odległość (1,3) = 100%
Odległość (1,4) = 50%
Odległość (3,5) = ??
Niezgodność procentowa
293
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
W badaniach społecznych najczęściej stosowana jest metryka
euklidesowa, ale nie jest to poprawne rozwiązanie. Do
przeszkód w jej stosowaniu zaliczyć można:
1. Poziom pomiaru (zwykle porządkowy…) – więc nie
powinniśmy dzielić, pierwiastkować itd.,
2. Charakter danych – który często wiąże się z poziomem
pomiaru,
3. Dążenie do zmuszenia algorytu do określonego zachowania.
Metryka
294
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Generalnie istnieją dwa podejścia do analizy skupień:
1. Podejście hierarchiczne – które polegają na wyjściu od zbioru
przypadków i iteracyjnym łączeniu kolejnych, najbardziej
podobnych przypadków w coraz większe grupy (aglomeracja)
albo wyjściu od jednej dużej grupy i podziale jej na coraz
mniejsze (deglomeracyjne, co brzmi głupio, divisive)
2. Podejście niehierarchiczne – gdzie liczba grup przyjęta jest z
góry, zaś analiza dzieli przypadki na daną liczbę grup.
Podejścia do analizy skupień
295
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Podejścia niehierarchiczne to bardzo rozbudowana grupa analiz,
wyróżnić w ich obrębie można:
1. Podejścia bazujące na centroidach (takie jak metoda k-średnich,
albo k-medoidów);
2. Podejścia bazujące na rozkładzie i prawdopodobieństwie (np.
algorytm EM – Expectation Maximisation);
3. Podejścia bazujące na gęstości (DBSCAN, OPTICS);
4. Podejścia wykorzystujące sztuczne sieci neuronowe (np. SOM –
Self Organising Maps).
I inne.
Podejścia do analizy skupień
296
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Na początek zastosujemy podejście aglomeracyjne w przykładzie z
początku.
Potrzebna jest jeszcze metoda, która powie, jaka jest odległość miedzy
zbiorami, które potem będziemy łączyć. Istnieje kilka takich metod
(pojedyncze połączenie, kompletne połączenie, średnie
połączenie….).
Dobre opcje to: Metoda Warda, metoda środków ciężkości (połączenie
centroidalne), połączenie średnie.
Podejście hierarchiczne
297
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Osoba 1
Osoba 2
Osoba 3
Osoba 4
Osoba 5
Osoba 6
Osoba 7
Osoba 8
Osoba 9
Osoba 10
0 1 2 3 4 5 6 7 8 9 10
Lubię czytać książki
1
2
3
4
5
6
7
8
9
10L
ub
ię o
glą
dać k
oty
na Y
T
298
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Efektem zastosowania metody hierarchicznej jest wykres (diagram)
drzewa, który czasem bywa określany mianem dendrogramu.
Ukazuje on jaka jest odległość między kolejnymi przypadkami lub
grupami łączonymi w większe zbiory. Długość gałęzi między
łączonymi pozycjami oznacza ich odległość (tzw. odległość
wiązania) – długie gałęzie to duży dystans między obiektami.
Dendrogram wygenerowany dla powyższego przykładu znajduje
się na kolejnym slajdzie.
Podejście hierarchiczne
299
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
0 5 10 15 20 25
Odległość wiąz.
Osoba 9
Osoba 8
Osoba 7
Osoba 6
Osoba 5
Osoba 10
Osoba 4
Osoba 3
Osoba 2
Osoba 1
300
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
W podejściu niehierarchicznym zwykle musimy znać liczbę
skupień. Czasem algorytm jest nam w stanie wskazać liczbę
optymalną, czasem liczba ta wynika z przyjętych założeń. Jeśli
nie, to liczbę tą ustalić można poprzez:
1. analizę dendrogramu (co jest metodą dość umowną, ale
często stosowaną);
2. zastosowanie różnych wskaźników (jak np. indeks
sylwetkowy – Silhouette).
W naszym przykładzie analiza dendrogramu wskaże, że dobrym
rozwiązaniem byłoby wyodrębnienie 4 skupień.
Podejście niehierarchiczne
301
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Osoba 1
Osoba 2
Osoba 3
Osoba 4
Osoba 5
Osoba 6
Osoba 7
Osoba 8
Osoba 9
Osoba 10
0 1 2 3 4 5 6 7 8 9 10
Lubię czytać książki
1
2
3
4
5
6
7
8
9
10L
ub
ię o
glą
dać k
oty
na Y
T
302
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Posługując się metodą k-średnich, otrzymujemy takie cztery
skupienia – ich oceny średnie kolejnych badanych wymiarów
przedstawia poniższy wykres.
Skupien. 1
Skupien. 2
Skupien. 3
Skupien. 4
Lubię czytać książki Lubię oglądać koty na YT
Zmienne
-2
-1
0
1
2
3
4
5
6
7
8
9
10
11
Podejście niehierarchiczne
303
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Wybór metody analizy skupień podyktowany jest kilkoma
czynnikami, w szczególności:
1. poziomem przeprowadzonego pomiaru;
2. rozkładami kolejnych zmiennych;
3. charakterem danych i celem prowadzonego badania;
Podejście niehierarchiczne
304
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Z punktu widzenia teorii pomiaru, metoda k-średnich jest metodą
najprostszą, (raczej) niezalecaną i (raczej) nienajlepszą w
badaniach deklaratywnych – z uwagi na poziom pomiaru.
Niemniej jednak jest często stosowana i mimo wszystko daje
zadowalające efekty. Zamiast niej – można stosować metodę k-
medoidów (PAM – Partitioning Aroud Medoids), która nie
używa średnich, tylko median, ale z drugiej strony warto byłoby
też dobrać inną miarę odległości.
Podejście niehierarchiczne
305
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Inne opcje to metoda EM, która formalnie wymaga rozkładu
normalnego zmiennych, ale wydaje się być odporna na
odstępstwa od niego (i jest dostępna w większości
oprogramowania).
Dobrą alternatywą w badaniach społecznych wydają się być też
metody bazujące na gęstości oraz mapy samoorganizujące
(SOM) – wystarczy im porządkowy poziom pomiaru. Ale z
drugiej strony są ciężkie w zastosowaniu i wymagają bardziej
złożonych narzędzi.
Podejście niehierarchiczne
306
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Jako przykład zastosowania analizy skupień do segmentacji
respondentów przedstawię segmentację użytkowników
Internetu według kryterium postrzeganych problemów podczas
dokonywania zakupów. Jako kryteria wyodrębniłem pięć
czynników:
1. Problemy wynikające z dystansu;
2. Problemy wnikające z udostępniania danych;
3. Problemy z obsługą kanału;
4. Problemy informacyjne;
5. Ryzyko czasowe.
Przykład praktyczny
307
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
-1.0
-0.5
0.0
0.5
1.0
1.5
Problemywynikające z
dystansu
Problemywynikające z
udostępnianiadanych
Problemy z obsługąkanału
Problemyinformacyjne
Ryzyko czasowedostawy
Skupienie 1 Skupienie 2 Skupienie 3 Skupienie 4
308
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Dodatkowo, odrębnie dla każdego skupienia obliczyłem średnie
dla pytań dotyczących stosunku do zawieranych transakcji.
Skupienie 1 Skupienie 2 Skupienie 3 Skupienie 4
Odczuwane ryzyko 5,48 5,29 3,45 4,86
Zaufanie wobec sprzedawców 4,93 5,40 6,62 5,36
Skłonność do wyboru kanału internetowego 2,53 2,76 3,23 2,79
Liczebność skupienia 28,57% 13,61% 48,30% 9,52%
Przykład praktyczny
309
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Analiza skupień jest generalnie prostą do zastosowania i dającą
ciekawe efekty metodą badań – stąd też warto próbować ją
stosować we własnych zbiorach danych.
Do analizy należy brać jak najmniej zmiennych (klątwa
wymiarowości), do tego należy ocenić czy dana zmienna
rzeczywiście wnosi coś do segmentacji.
Uwagi końcowe
310
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
W trakcie profilowania – czyli po wyodrębnieniu skupień można
posłużyć się dalszymi metodami analizy danych, traktując
skupienie jako zmienną grupującą przypadki.
Można zatem posłużyć się odpowiednimi testami, analizą
wariancji, albo jej nieparametrycznym odpowiednikiem na
przykład do oceny, czy skupienia się różnią względem danej
zmiennej, czy nie.
Można także badać strukturę skupień, chociażby z uwagi na
strukturę rozkładu cech demograficznych ich członków.
Uwagi końcowe
311
312
POLITECHNIKA LUBELSKA WYDZIAŁ ZARZĄDZANIA
MARKETING I KOMUNIKACJA RYNKOWA
Projekt Badań Marketingowych
Dr hab. inż. Marcin Gąsior, prof. PLDr hab. inż. Łukasz Skowron, prof. PL
Modelowanie zjawisk konsumenckich
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Modelowanie zjawisk to podejście do analizy zakładające
istnienie pewnej struktury powiazań pomiędzy zmiennymi
(jawnymi i ukrytymi), jak również mające za zadanie bądź
odkrycie tej struktury, bądź potwierdzenie (lub zaprzeczenie)
jej istnienia.
Struktura ta może mieć charakter przyczynowo skutkowy
(model wyjaśniający), może także wyrażać powiązania lub
zawieranie się zmiennych (model opisowy) lub umożliwiać
przewidywanie wartości zmiennych (model predykcyjny).
Modelowanie zjawisk
313
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Istnieje bardzo wiele metod i możliwych podejść do modelowania
zjawisk, do podstawowych i często stosowanych zaliczyć można
analizę regresji i wszelkiego rodzaju modele regresyjne oraz
konfirmacyjną analizę czynnikową (CFA), a w jej obrębie
chociażby modelowanie ścieżkowe czy modelowanie równań
strukturalnych.
Modelowanie zjawisk
314
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Regresja – to metoda statystyczna służąca do oceny związku pomiędzy
wielkościami zmiennych, a w konsekwencji przewidywanie wartości
jednych zmiennych na podstawie drugich.
Mamy zatem dwa rodzaje zmiennych:
- Zmienną objaśnianą (endogeniczna, prognozowana, zależna), która w
analizie regresji jest jedna – to zmienna, która jest wynikiem, i którą
możemy przewidywać;
- Zmienne objaśniające (egzogeniczne, niezależne, predyktory),
których może być więcej niż jedna, a które stanowią podstawę do
przewidywania;
315
Regresja
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Regresja może mieć różny charakter, w zależności od ilości zmiennych
niezależnych oraz charakteru ich relacji ze zmienną zależną. Możemy
zatem mówić o:
Prostej regresji liniowej:
Y = ß0 + ß1 X + ε
Y – zmienna zależna, B1 i B2 – parametry modelu, X – zmienna
niezależna, ε – błąd losowy.
Prosta regresja liniowa
316
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Regresja wieloraka to regresja, w równaniu której ujęte jest wiele
zmiennych objaśniających.
Y = ß0 + ß1 X1 + ß2 X2 + … + ßn Xn + ε
Y – zmienna zależna,
B0, B1, … Bn – parametry modelu,
X1,…, Xn – zmienne niezależna,
ε – błąd losowy.
Regresja wieloraka
317
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Regresja wielomianowa – będąca krzywą:
Y = ß0 + ß1 X + ß2 X2 + … + ßn Xn + ε
Y – zmienna zależna,
B0, B1, … Bn – parametry modelu,
X – zmienna niezależna (uwaga, tutaj jedna!)
ε – błąd losowy.
Można także budować tego rodzaju równania z wieloma zmiennymi niezależnymi, w tym z uwzględnieniem ich interakcji (efekty wyższego rzędu).
Inne formy
318
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
1. Zmienne niezależne nie są silnie skorelowane;
2. Zmienne niezależne nie są kombinacją liniową innych zmiennych
niezależnych;
3. Mamy więcej przypadków niż parametrów modelu;
4. Wariancja reszt / składnika losowego jest stała;
5. Reszty mają rozkład mniej więcej normalny;
Założenia
319
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Krokiem analizy po przygotowaniu równania regresji jest analiza
reszt, której zadaniem jest dostarczenie informacji, czy założenia
analizy zostały spełnione.
Reszta – różnica między rzeczywistą wartością zmiennej
przewidywanej, a jej wartością wynikającą z funkcji regresji.
Reszty nie powinny wykazywać prawidłowości, ani względem
czasu, ani w formie korelacji z wartością kolejnych zmiennych, nie
powinny także układać się w trendy, może to sugerować inną, niż
liniowa, zależność miedzy nimi.
Założenia
320
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
160 165 170 175 180 185 190 195 200 205
Wzrost
60
65
70
75
80
85
90
95W
aga
321
Regresja
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
160 165 170 175 180 185 190 195 200 205
Wzrost
60
65
70
75
80
85
90
95W
aga
322
Regresja
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Formalnie (ale w uproszczeniu):
Waga = B0 + B1 * Wzrost
B0 – wyraz wolny;B1 – wpływ wzrostu;
W przykładzie:
Waga = - 54,68 + 0,7319 * Wzrost
323
Regresja
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Co nam to daje:
1. Możliwość przewidywania. Skoro:
Waga = - 54,68 + 0,7319 * Wzrost
to jeśli ktoś ma 200 cm wzrostu, to jego waga powinna wynieść
91,7 kg;
2. Znajomość stopnia wpływu zmiennych na wynik.
324
Regresja
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
160 165 170 175 180 185 190 195 200 205
Wzrost
60
65
70
75
80
85
90
95W
aga
160 165 170 175 180 185 190 195 200 205
Wzrost
60
65
70
75
80
85
90
95
Wa
ga
U góry:
Waga = - 54,68 + 0,7319 * Wzrost
Z prawej:
Waga = - 54,11 + 0,7260 * Wzrost
325
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Jako miarę dopasowania modeli do danych stosować można
współczynnik R2, który (formalnie) przyjmuje wartości z przedziału
od 0 (kompletny brak dopasowania) do 1 (pełne dopasowanie).
R2 można wyraża odsetek wariancji zmiennej zależnej wyjaśnianej
przez zmienne niezależne. Prościej: jaki procent zmienności
zmiennej niezależnej wyjaśnia dany model.
R2 powyżej 0,5 traktujemy jako względnie akceptowalne, >0,7 to
dobry model.
Poprawione R2 bierze pod uwagę fakt, iż współczynnik R2 rośnie w
miarę dodawania kolejnych zmiennych do modelu.
326
Regresja
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
160 165 170 175 180 185 190 195 200 205
Wzrost
60
65
70
75
80
85
90
95W
aga
160 165 170 175 180 185 190 195 200 205
Wzrost
60
65
70
75
80
85
90
95
Wa
ga
U góry – R2 = 0,62
Waga = - 54,68 + 0,7319 * Wzrost
Z prawej – R2 = 0,90
Waga = - 54,11 + 0,7260 * Wzrost
327
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Przykład nieco bardziej skomplikowany – trzy zmienne niezależne.
Uprzejmość personelu
Kompetencje personelu
Szybkość obsługi Zadowolenie
4 3 3 3
4 4 4 4
1 1 2 1
3 2 1 2
4 5 3 4
2 3 4 3
5 4 3 4
2 1 3 2
4 2 1 2
4 3 2 3
5 5 5 5
5 3 3 3
5 5 5 5
3 1 3 2
3 3 3 3
3 4 4 4
2 1 4 3
1 1 1 1
3 2 1 2
4 5 5 5
328
Analiza regresji - przykład
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Teraz mamy:
Y(X) = 0,006 + 0,18 X1 + 0,42 X2 + 0,40 X3
gdzie Y(X) to zadowolenie
X1; - uprzejmość personelu;
X2; - kompetencje personelu;
X3; - szybkość obsługi;
329
Analiza regresji - przykład
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Analiza regresji liniowej
W myśl założeń modelu regresji można przedstawić średnią wartość
wyników uzyskiwanych w analizowanym obszarze jako funkcję liniową
poszczególnych zmiennych opisujących badany problem.
Y(X) = B0 + B1 X1 + B2 X2 + B3 X3 + B4 X4 + B5 X5 +…+ Bn Xn
gdzie Y(X) to poziom badanego zjawiska
(np. satysfakcja klienta, motywacja pracowników itp.);
X1; X2; … Xn to wartości poszczególnych obszarów badanego modelu;
B0; B1; B2; … Bn to wartości współczynników poszczególnych obszarów
330
Analiza regresji - przykład
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Wartości średnie
Współczynniki niestandaryzowaneWspółczynniki
standaryzowanet Istotność*
BBłąd
standardowyBeta
Element stały (B0) = - 0,258 0,936 - 0,276 0,783
Oczekiwania (B1) = - 0,185 0,105 - 0,112 - 1,755 0,082
Wizerunek (B2) = 0,724 0,137 0,524 5,299 0,000
Zasoby (B3) = - 0,212 0,177 - 0,136 - 1,195 0,234
Jakość organizacyjna (B4) = 0,165 0,070 0,194 2,367 0,019
Jakość diagnostyczno-medyczna (B5) = 0,698 0,108 0,539 6,492 0,000
Jakość socjopsychologiczna (B6) = - 0,176 0,106 - 0,124 - 1,658 0,100
Postrzegana wartość (B7) = - 0,011 0,043 - 0,017 - 0,263 0,793
Regresja liniowa średnich wartości modelu budowania satysfakcji klientów
* Istotne statystycznie: p<0,05 (zmienne dla których poziom istotności jest mniejszy niż 0,05);
R2 modelu regresji: 0,703
Źródło: badania własne
331
Analiza regresji - przykład
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Ostatecznie, po uwzględnieniu jedynie istotnych statystycznie zmiennych,
funkcja satysfakcji klientów omawianego przedsiębiorstwa wyznaczona metodą
regresji liniowej przyjmuje postać:
Y(X) = B2 X2 + B4 X4 + B5 X5 = 0,724 X2 + 0,165 X4 + 0,698 X5
gdzie:
X2 - obszar wizerunku,
X4 - obszar jakości organizacyjnej,
X5 - obszar jakości diagnostyczno-medycznej.
Obszary powyższe należy uznać za główne determinanty satysfakcji klientów
analizowanego przedsiębiorstwa
332
Analiza regresji - przykład
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Analiza (albo modelowanie) ścieżkowe to statystyczna metoda analizy związku
pomiędzy poszczególnymi zmiennymi w posiadanym zbiorze danych. Zwrot
„ścieżkowy” wiąże się z istnieniem połączeń między zmiennymi w modelu,
z których część ma charakter przyczyn, część – skutków.
Ponieważ model taki zawiera elementy i łączące je relacje, mówić można
także o modelu strukturalnym.
Modelowanie ścieżkowe metodą cząstkowych najmniejszych kwadratów (PLS-
PM, Partial Least Square Path Model) jest przykładem jednej z metod
umożliwiających budowanie (a w zasadzie: testowanie) tego rodzaju
modeli.
333
Analiza modeli ścieżkowych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Główne zalety modeli ścieżkowych:
Możliwość dokładnego przedstawienia i zbadania procesów budowania
złożonych zjawisk marketingowych
Możliwość wyliczenia zależności pomiędzy poszczególnymi zmiennymi
opisywanego modelu
Możliwość wyznaczania głównych czynników kształtujących dane zjawisko
(poprzez analizę wpływu całościowego)
Możliwość dokładnego pomiaru stopnia dopasowania budowanego modelu do
zaobserwowanej rzeczywistości rynkowej
Główną zaletą modeli ścieżkowych jest ich modułowy charakter, który pozwala w sposób doświadczalny przekształcać model bazowy. Można dodać nowe obszary będące istotnymi czynnikami sukcesu w przypadku określonych sektorów lub rynków lub rozszerzyć ilośćpytań opisujących dany obszar modelu bazowego.
334
Analiza modeli ścieżkowych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Model ścieżkowy uwzględnia:
1. Istnienie szeregu zmiennych ukrytych (latent variables), które pozostają
ze sobą w zależnościach przyczynowo – skutkowych;
2. Zbioru zmiennych wskaźnikowych (indicators), które tworzą bądź
odzwierciedlają zmienne ukryte, relacja łącząca wskaźniki i zmienne
ukryte może mieć charakter:
- formatywny (gdy wskaźniki tworzą zmienną ukrytą, np. szybkość,
uprzejmość i kompetencje personelu tworzą jego ogólną ocenę);
- reflektywny (gdy wskaźniki odzwierciedlają zmienną ukrytą, np.:
skłonność do polecenia, skłonność do powrotu, niski dystans do
ideału odzwierciedlają ogólne zadowolenie ze sklepu).
335
Analiza modeli ścieżkowych
Model badania satysfakcji i lojalności klientów polskiego sektora bankowego
Dane
Badania własne rok 2008wizerunek - 6 pytań badawczychoczekiwania – 10 pytań badawczychjakość 1 - opisuje dostępność do usług i produktów bankowych – 10 pytań badawczychjakość 2 - opisuje rzeczywistą jakość oferty produktów i usług bankowych – 8 pytań badawczychjakość 3 - opisuje jakość obsługi klienta – 6 pytań badawczychpostrzegana wartość - 7 pytań badawczychsatysfakcja i lojalność - po 3 pytania dla każdego z obszarów
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Ideą modelowania ścieżkowego jest zbudowanie dobrze dopasowanego
modelu (m.in. R2 ale także i inne), a w jego obrębie:
1. Odnalezienie współczynników ścieżkowych, wyrażających związek między
zmiennymi ukrytymi;
2. Odnalezienie współczynników ścieżkowych, wyrażających związek między
wskaźnikami a zmiennymi ukrytymi;
3. Odnalezienie wartości indeksów reprezentujących wielkość zmiennych
ukrytych;
Proszę także zapoznać się z analizą SEM (modelowanie równań
strukturalnych)
338
Analiza modeli ścieżkowych
339
POLITECHNIKA LUBELSKA WYDZIAŁ ZARZĄDZANIA
MARKETING I KOMUNIKACJA RYNKOWA
Projekt Badań Marketingowych
Dr hab. inż. Marcin Gąsior, prof. PLDr hab. inż. Łukasz Skowron, prof. PL
Analizy danych jakościowych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 340
Dane jakościowe w ujęciu badawczym mogą być rozumiane na
dwa sposoby. Jako dane:
1. ze skal porządkowych lub słabszych, czyli takie dane, na
których nie można wykonywać wszystkich analiz, zaś same
liczby (jeśli takie są) reprezentują tylko kolejność pozycji, a
nie wyrażają dystansu (jak np. w skali likerta);
2. ze skal nie wyrażalnych liczbowo - albo ze skal typowo
nominalnych, albo wręcz z pytań otwartych, w których
otrzymywane są zdania, fragmenty tekstu itd.
Dane jakościowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 341
Biorąc pod uwagę analizę danych ze skal porządkowych i
nominalnych, do ich opisu z powodzeniem można stosować:
1. różnie konstruowane tabele liczności, wskazujące ilość
przypadków możliwych do przyporządkowania do danej
klasy, udzielających konkretnej odpowiedzi itd.;
2. tabele wielodzielcze wskazujące ilość przypadków
przyporządkowanych do klas spełniających więcej niż jeden
warunek (np. odpowiadających tak samo na kilka pytań).
Dane jakościowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 342
Przy skalach porządkowych możliwe są także niektóre analizy, w
szczególności:
1. Obliczenie mediany;
2. Analiza korelacji – porządku rang Spearmana;
3. Obliczanie frakcji i odsetków;
4. Wybrane testy statystyczne (nieparametryczne, U Manna-
Whitney’a, Kruskala-Wailisa itd.).
Dane jakościowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 343
Dla skal porządkowych dyskusyjna jest kwestia obliczania lub
nieobliczania wartości średnich – pozostaje ona do decyzji
badacza, przy czym uwarunkowana jest ona sensownością
interpretacji wyniku.
W przypadku skal symetrycznych i relatywnie długich, albo
wyjściowo wyrażonych liczbami, wartość średnia jest możliwa
do zinterpretowania. Problem pojawia się w innych
przypadkach.
Dane jakościowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 344
Przykład:
W badaniu respondenci poproszeni zostali o ocenę tego, ile razy
byli niezadowoleni z zakupu – do wyboru mieli trzy odpowiedzi:
„nigdy” (którą badacz zakodował jako „0”), „raz” (którą badacz
zakodował jako „1”) oraz „kilka razy” (która została zakodowana
jako „2”).
Po obliczeniu średniej uzyskano wartość 1,33.
Jak ją zinterpretować?
Dane jakościowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 345
W przypadku skal nominalnych możliwości analizy są
ograniczone. Pozostaje:
1. Przygotowanie tabel liczności i tabel wielodzielczych;
2. Wskazanie frakcji odpowiedzi – odsetka kolejnych
odpowiedzi w całości;
3. Obliczenie mody oraz testu chi-kwadrat;
Dane jakościowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 346
Trudniejszą sytuacją jest prowadzenie badań na danych
mających formę tekstu – stanowiących na przykład odpowiedź
na pytanie otwarte, dłuższą wypowiedź z wywiadu, opis
zachowania przypadku z obserwacji czy wyjaśnienie jakiejś
sytuacji, a w szczególności nawet będące rysunkiem (np. z TAT).
Dane jakościowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 347
W takiej sytuacji analiza może polegać na:
1. Zliczaniu częstości wystąpień słów lub zwrotów oraz
wnioskowanie na ich podstawie;
2. Klasyfikowaniu danych na podstawie występujących ciągów
zwrotów czy też konkretnych treści.
3. Tworzeniu map pojęciowych;
4. Wyodrębnianiu działań, relacji, stanów, ciągów przyczynowo
skutkowych lub znaczeń.
5. Szukaniu różnic i podobieństw.
6. Tworzeniu kategorii opisujących dane i poszukiwaniu relacji
miedzy nimi.
Dane jakościowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 348
Jednym z możliwych do zastosowania rozwiązań jest text-
mining. Jest to grupa metod analiz tekstów służąca do
wykrywania wzorców, poszukiwania fraz, klasyfikacji
fragmentów, analizy słownictwa itd.
Niestety, z uwagi na złożoność języka polskiego, metody i
narzędzia text-mining są jak na razie w naszym języku mało
dostępne.
Text mining
349
POLITECHNIKA LUBELSKA WYDZIAŁ ZARZĄDZANIA
MARKETING I KOMUNIKACJA RYNKOWA
Projekt Badań Marketingowych
Dr hab. inż. Marcin Gąsior, prof. PLDr hab. inż. Łukasz Skowron, prof. PL
Narzędzia analizy zachowania konsumenta w Internecie
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 350
W dzisiejszej rzeczywistości rynkowej coraz większa część
aktywności konsumpcyjnej przenoszona jest do sieci Internet.
Dążenie do rozpoznania tych obszarów aktywności przełożyło
się na konieczność opracowania nowych metod i narzędzi
badawczych, zaś z uwagi na złożoność i techniczne
zaawansowanie rozwiązań, także na powstanie
wyspecjalizowanych firm zajmujących się badaniami i analizą
zachowania konsumenta w sieci.
Konsument w sieci
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 351
Wymagające badań obszary zachowania konsumenta w sieci
Internet to:
1. sposoby pozyskiwania informacji, w tym jej kategorie,
źródła i ich wartościowanie;
2. modele zachowania w trakcie odwiedzania witryn, ścieżki,
punkty wejścia i wyjścia oraz czasy pobytu;
3. sposoby dokonywania zakupów oraz sposoby dokonywania
płatności przy zakupach przez Sieć.
Konsument w sieci
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 352
Jednym z najpopularniejszych oraz powszechnie stosowanych
narzędzi badania i analizy zachowania konsumenta w sieci jest
pakiet Google Analytics.
Składa się on z dwóch elementów:
1. krótkiego skryptu, który osadzany jest na badanej stronie
w taki sposób, aby był wywoływany przy każdym jej
wyświetleniu lub odświeżeniu oraz przy przejściu na
kolejne podstrony;
2. witryny Web, która agreguje, wyświetla na bieżąco oraz
umożliwia eksplorację i analizę danych o ruchu na stronie.
Google Analytics
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 353
Narzędzie Google Analytics umożliwia miedzy innymi ocenę:
1. Momentu, częstotliwości i czasu trwania odwiedzin;
2. Witryn, z których odwiedzający docierają na daną stronę;
3. Najczęściej wyświetlanych treści;
4. Profilu w tym lokalizacji geograficznej użytkowników;
5. Ścieżek, które pokonują oni na stronie;
6. Konwersji;
7. Zdarzeń i wyszukań w witrynie;
Google Analytics
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 356
Jako przykład kolejnego, interesującego narzędzia wskazać
można Brand24 (brand24.pl).
Jest to narzędzie do monitorowania Internetu, w tym mediów
społecznościowych, umożliwiające wykrywanie i analizę
wzmianek marki, fraz, hash-tagów, czy zwrotów pojawiających
się w tekstach, tym samym zaś ocenę natężenia dyskusji,
zasięgów kampanii, statystyk marki czy analizę sentymentu.
Brand24
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 358
Do narzędzi o podobnej funkcjonalności zaliczyć można
miedzy innymi:
1. Newspoint (www.newspoint.pl/);
2. BuzzSumo (buzzsumo.com/);
Równocześnie większość systemów e-commerce,
umożliwiających budowę sklepów internetowych posiada
własne moduły analizy zachowań klientów, albo będące
częścią systemu, albo stanowiące możliwy do dołączenia
moduł.
Podobne narzędzia
359
POLITECHNIKA LUBELSKA WYDZIAŁ ZARZĄDZANIA
MARKETING I KOMUNIKACJA RYNKOWA
Projekt Badań Marketingowych
Dr hab. inż. Marcin Gąsior, prof. PLDr hab. inż. Łukasz Skowron, prof. PL
Nowoczesne metody i techniki prezentacji i wizualizacji wyników badań marketingowych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Wyniki badań marketingowych prezentowane są w formie
dokumentu – raportu z badań.
Raport z badań może mieć różną formę i strukturę, w
zależności od charakteru badań, ich ilości i złożoności,
okresu trwania czy odbiorców do których raport jest
kierowany.
360
Raport z badań
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Raport z badań winien zawierać następujące części:
Stronę tytułową, wraz z zaznaczeniem tytułu projektu badawczego,
daty badań oraz osób bądź podmiotu prowadzącego badania.
1. Spis treści oraz spisy rysunków, tabel i wykresów.
2. Streszczenie raportu, zawierające kwintesencję przeprowadzonego
badania, tj. najważniejsze wyniki, wnioski oraz płynące z nich
zalecenia.
3. Wprowadzenie, zawierające podstawowe informacje o problemie
badawczym, celach badania oraz sposobach jego prowadzenia.
361
Raport z badań
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
5. Projekt badania, obejmujący listę poszukiwanych danych, sposoby
ich pozyskania, przyjęte zasady skalowania oraz zbierania danych,
omówienie budowy narzędzia badawczego oraz sposobu doboru
próby.
6. Analizę danych, obejmującą określenie zasad i sposobów
prowadzenia analizy zebranych danych.
7. Wyniki badania, czyli prezentację danych uzyskanych w trakcie
prowadzonych badań.
8. Szczegółowe wnioski i zalecenia – nasze interpretacje wyników oraz
wnioski i zalecenia wynikające z otrzymanych danych, w kontekście
postawionego uprzednio problemu badawczego.362
Raport z badań
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Do raportu z badań załączone mogą być między innymi:
• instrumenty badawcze (na przykład wzór kwestionariusza),
• szczegółowy opis doboru próby,
• zestawienia statystyczne,
• tablice z wynikami,
• formalne opisy procedur badawczych.
363
Raport z badań
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Przygotowując raport z badań należy pamiętać o:
• eliminowaniu zbędnych szczegółów metodycznych,
• dostosowaniu terminologii do słownika odbiorców,
• zwięzłości wypowiedzi,
• pisaniu w przystępnym stylu,
• jak najczęstszym stosowaniu metod graficznych,
• objaśnieniach do rysunków, wykresów i diagramów,
• komentarzach oraz interpretacjach.
364
Raport z badań
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Udział frakcji w całości (i tylko udział frakcji w całości!) – wizualizujemy
przy wykorzystaniu wykresów kołowych
Źródło: Opracowanie badań własnych
Wykres 4. Przedział wiekowy
respondentów (w %)
6,8
57,321,4
14,5
do 24 lat25-30 lat31-40 latponad 40 lat
Wykres 3. Płeć respondentów
(w %)
64,9
35,1
kobietamężczyzna
365
Techniki wizualizacji danych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Udział frakcji w całości – jeśli frakcji jest dużo, z punktu widzenia
czytelności lepszy może okazać się wykres słupkowy.
A
B
CD
E
F
G
H
I
J
K
L
M
N
O
P
Q
R S T UWXY Z
0
5
10
15
20
25
30
35
40
A B C D E F G H I J K L M N O P Q R S T U W X Y Z
366
Techniki wizualizacji danych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Na wykresach kołowych nie powinno się wizualizować skal
posiadających naturalny początek i koniec – taki sposób
utrudnia ich interpretację. Na obu rysunkach te same dane.
367
Techniki wizualizacji danych
Nie
Raczej nie
Ani tak ani nie
Raczej tak
Tak
0
20
40
60
80
100
120
140
Nie Raczej nie Ani tak ani nie Raczej tak Tak
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Tam, gdzie prezentujemy ilości odpowiedzi, wskazań itd. posłużyć
się możemy wykresem kolumnowym (histogramem).
368
Techniki wizualizacji danych
0
10
20
30
40
50
60
70
80
1 2 3 4 5 6 7 8 9
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
W przypadku długich skal, albo nakładania na siebie kilku serii słupki
możemy zastąpić profilem, przy czym niektórzy autorzy wskazują, iż
nie jest to poprawny sposób wizualizowania skal nieciągłych.
369
Techniki wizualizacji danych
0
10
20
30
40
50
60
70
80
1 2 3 4 5 6 7 8 9
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
W przypadku długich skal, albo nakładania na siebie kilku serii słupki
możemy zastąpić profilem, przy czym niektórzy autorzy wskazują, iż
nie jest to poprawny sposób wizualizowania skal nieciągłych.
370
Techniki wizualizacji danych
0
10
20
30
40
50
60
70
80
1 2 3 4 5 6 7 8 9
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Uwaga – w przypadku porównywania frakcji, które nie mają równej
liczebności wykresy należy wyrażać w procentach. Na obu wykresach
poniżej znajdują się te same dane.
371
Techniki wizualizacji danych
0
20
40
60
80
100
120
140
160
180
200
Nie Raczej nie Ani tak aninie
Raczej tak Tak
Kobiety Mężczyźni
0.00%
10.00%
20.00%
30.00%
40.00%
50.00%
60.00%
Nie Raczej nie Ani tak aninie
Raczej tak Tak
Kobiety Mężczyźni
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Średnie i odchylenia standardowe – można łączyć na jednym
wykresie z osią pomocniczą.
372
Techniki wizualizacji danych
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1
1.5
2
2.5
3
3.5
4
4.5
5
Marka A Marka B Marka C Marka D Marka E
Średnia Odchylenie
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Struktura danych – wykres skumulowany
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Sklep tradycyjny Sklep online Market
elektroniczny
Zagr. sklep
online
Produt używany Hipermarket
tak
raczej tak
nie wiem
raczej nie
nie
373
Techniki wizualizacji danych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Wykres skumulowany umożliwia wygodne i czytelne (patrz slajd
następny po kolejnym) porównanie ze sobą struktury odpowiedzi
(ocen itd.) dotyczących różnych obiektów. Zwykle przyjmuje się, że:
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Sklep tradycyjny Sklep online Market
elektroniczny
Zagr. sklep
online
Produt używany Hipermarket
tak
raczej tak
nie wiem
raczej nie
nie
1. Frakcje wykresu tworzone są z
odpowiedzi ze skali pytania;
2. Oś rzędnych obrazuje udziały
kolejnych frakcji
3. Oś odciętych tworzą
porównywane obiekty
374
Techniki wizualizacji danych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Marka F Marka D Marka A Marka C Marka G Marka E Marka B
5
4
3
2
1
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1 2 3 4 5
Marka B
Marka E
Marka G
Marka C
Marka A
Marka D
Marka F
Poprawnie
Niepoprawnie
375
Techniki wizualizacji danych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
0
5
10
15
20
25
30
35
40
45
50
Marka F Marka D Marka A Marka C Marka G Marka E Marka B
1
2
3
4
5
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Marka F Marka D Marka A Marka C Marka G Marka E Marka B
5
4
3
2
1
Czytelnie…
… i nieco mniej
Oba wykresy pokazują te same dane.376
Techniki wizualizacji danych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Tabela 1. Charakterystyka społeczno - demograficzna
Obszary 2007 2008
Wielkość próby badawczej (n) 1024 544
Struktura płcikobiety 64,9% 68,3%
mężczyźni 35,1% 31,7%
Wiek
Do 24 lat 57,3% 61,7%
25-30 lata 21,4% 19,0%
31-40 lat 14,5% 15,4%
ponad 40 6,8% 4,0%
Status
osoba samotna 64,4% 72,2%
w małżeństwie bezdzietnym 9,7% 7,4%
w małżeństwie z dziećmi 25,9% 20,4%
Miejsce
zamieszkania
ponad 100 tyś. mieszkańców 27,9% 32,3%
10-100 tyś. mieszkańców 34,7% 30,7%
miasto do 10 tyś. mieszkańców 9,1% 9,9%
wieś 28,3% 27,1%
Dochód
do 1000 PLN 42,6% 44,1%
1000-2000 PLN 35,2% 33,3%
2000-4000 PLN 17,4% 16,1%
4000-10000 PLN 3,8% 5,1%
ponad 10000 PLN 0,9% 1,4%
377
Techniki wizualizacji danych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 378
Wykres rozrzutu jest wykorzystywany w celu pokazania podobieństw i
różnic obiektów według dwóch kryteriów – na przykład przy
przygotowywaniu map percepcji.
Wykres rozrzutu
Wykres rozrzutu Prestiż względem Cena
Heineken
Lech Premium
Tyskie Gronie
Żywiec
Tatra Jasne Pełne
Żubr
Warka Jasne Pełne
Dębowe
Perła Chmielowa
Goolman
Zwierzyniec
Carlsberg
Pilsner Urquell
Okocim Premium
Harnaś
2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5
Cena
2,6
2,8
3,0
3,2
3,4
3,6
3,8
4,0
4,2
4,4
4,6
4,8
5,0
5,2
5,4
5,6
Pre
stiż
Heineken
Lech Premium
Tyskie Gronie
Żywiec
Tatra Jasne Pełne
Żubr
Warka Jasne Pełne
Dębowe
Perła Chmielowa
Goolman
Zwierzyniec
Carlsberg
Pilsner Urquell
Okocim Premium
Harnaś
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Liczebności – tabela wielodzielcza
Tabela 2. Zestawianie procentowe zmiennych: płeć i częstotliwość użytkowania
Źródło: Opracowanie badań własnych
Częstotliwość użytkowania
Kilka razy w
tygodniu lub
częściej
Kilka razy w
miesiącu
Raz w miesiącu
lub rzadziej
Płeć
Kobiety A % C % E %
Mężczyźni B % D % F %
379
Techniki wizualizacji danych
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
1. Każdy wykres oraz tabela powinna bezwzględnie zawierać tytuł wraz z
numerem kolejnym oraz źródło.
2. W każdym przypadku należy wyjaśnić znaczenie użytej skali.
3. Każdy wykres oraz tabela bezwzględnie musi zostać omówiona i
zinterpretowana (interpretacja = nadanie danym znaczenia).
4. Zadaniem wykresu jest ułatwienie odczytania danych, stąd też:
a) wykresy powinny być na tyle duże, aby były czytelne;
b) dane na wykresie powinny być, o ile to możliwe z uwagi na zmienne,
sortowane;
c) z wykresów trójwymiarowych należy korzystać ostrożnie – w przypadku
dużych ilości danych mogą one być nieczytelne;
380
Prezentacja danych - uwagi
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
5. Wykresy powinny być jednorodne w obszarze całego projektu, dotyczy to w
szczególności:
a) spójnego rozmiaru;
b) spójnej kolorystyki;
c) spójnej konwencji (2D albo 3D);
6. W tytułach, także wykresów i tabel, nie stawiamy kropek (chyba, że tytuł
składa się z kilku zdań).
7. Dobrą praktyką jest umieszczenie na końcu raportu spisu tabel, rysunków,
wykresów itd..
381
Prezentacja danych - uwagi
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Sortowanie (szeregowanie) danych na wykresie znacząco poprawia jego
czytelność i ułatwia odbiorcy porównywanie danych.
- zł
50 000,00 zł
100 000,00 zł
150 000,00 zł
200 000,00 zł
250 000,00 zł
300 000,00 zł
Mar
ka A
Mar
ka B
Mar
ka C
Mar
ka D
Mar
ka E
Mar
ka F
Mar
ka G
Mar
ka H
Mar
ka I
Mar
ka J
Mar
ka K
Mar
ka L
Mar
ka M
Mar
ka N
Mar
ka O
- zł
50 000,00 zł
100 000,00 zł
150 000,00 zł
200 000,00 zł
250 000,00 zł
300 000,00 zł
Mar
ka A
Mar
ka I
Mar
ka N
Mar
ka F
Mar
ka B
Mar
ka C
Mar
ka L
Mar
ka O
Mar
ka K
Mar
ka D
Mar
ka J
Mar
ka H
Mar
ka G
Mar
ka M
Mar
ka E
382
Prezentacja danych - uwagi
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Sortowanie dotyczy także wykresów skumulowanych.
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Marka A Marka B Marka C Marka D Marka E Marka F Marka G
5
4
3
2
1
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Marka F Marka D Marka A Marka C Marka G Marka E Marka B
5
4
3
2
1
W tym przypadku marki zostały ustawione wg średniej ocen deklarowanych przez
respondentów, od marki najwyżej ocenianej do najgorszej.
383
Prezentacja danych - uwagi
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga
Nie wszystkie wykresy należy szeregować. Dotyczy to zwłaszcza
wykresów prezentujących przebieg zjawiska w czasie.
0
10
20
30
40
50
60
70
80
90
Lipiec
Sierpień
Wrzes
ień
Cze
rwiec
Maj
Paź
dzier
nik
Kwiecień
Marze
cLu
ty
Listopa
d
Gru
dzień
Stycz
eń
0
10
20
30
40
50
60
70
80
90
Stycz
eńLu
ty
Marze
c
Kwiecień M
aj
Cze
rwiec
Lipiec
Sierpień
Wrzes
ień
Paź
dzier
nik
Listopa
d
Gru
dzień
384
Prezentacja danych - uwagi
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 385
Babbie E., „Badania społeczne w praktyce”, Wydawnictwo Naukowe PWN,
Warszawa 2006;
Churchill G.A., „Badania marketingowe. Podstawy metodologiczne”, Wydawnictwo
Naukowe PWN, Warszawa 2002;
Francuz P., Mackiewicz R., „Liczby nie wiedzą, skąd pochodzą. Przewodnik po
metodologii i statystyce nie tylko dla psychologów”, Wyd. KUL, Lublin 2007.
Kaczmarczyk S., „Badania marketingowe. Metody i techniki”, Polskie Wydawnictwo
Ekonomiczne, Warszawa 2003;
Maison D., Noga-Bogomilski A., „Badania marketingowe. Od teorii do praktyki”,
Gdańskie Wydawnictwo Psychologiczne, Gdańsk 2007;
Mazurek – Łopacińska K. (red.), „Badania marketingowe. Teoria i praktyka”,
Wydawnictwo Naukowe PWN, Warszawa 2005 lub 2008;
Literatura – pozycje podstawowe
Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga 386
1. Brzeziński J.: Metodologia badań psychologicznych, PWN, Warszawa 1996;
2. Hermaniuk T., Podstawy badań marketingowych, Wydawnictwo Uniwersytetu Rzeszowskiego, Rzeszów 2005
3. Kaczmarczyk, S. (1996). Badania marketingowe: metody i techniki. Polskie Wydawnictwo Ekonomiczne.
4. Kaczmarczyk, S. (2007). Zastosowania badań marketingowych. Zarządzanie marketingowe i otoczenie przedsiębiorstwa, PWE, Warszawa, 63-64.
5. Rószkiewicz, M. (1999). Metody analizy eksperymentu w badaniach marketingowych.Materiały z III Warsztatów Metodologicznych. Warszawa: Szkoła Głowna Handlowa.
6. Sagan, A. (1998). Badania marketingowe–podstawowe kierunki i techniki. Wyd. AE,Kraków.
7. Shaughnessy, J. J., Zechmeister, J. S., & Zechmeister, E. B. (2002). Metody badawcze wpsychologii. Gdańskie Wydawnictwo Psychologiczne.
8. Walesiak M., Gatnar E. (red.) (2004), Metody statystycznej analizy wielowymiarowej wbadaniach marketingowych, Wydawnictwo AE we Wrocławiu.
9. Zakrzewska-Bielawska, A. (2018). Modele badawcze w naukach o zarządzaniu. Organizacjai Kierowanie, 181(2), 11-25.
Literatura – pozycje dodatkowe
Top Related