Spezia: Full-Service Marketing Agency EN
Копилка маркетолога

Универсальные методы анализа количественных данных

Компания Spezia реализует маркетинговые и социологические исследования и наша сила не только в сборе данных, но и в умении правильно проанализировать и проинтерпретировать их. Проводя исследования, мы получаем разные типы информации: количественную и качественную. И методы анализа этой информации также различаются. Анализ количественных данных производится методами математической статистики. Сегодня поговорим об основных из них.

Для начала немного теории. В процессе продумывания любого исследования необходимо сразу представлять результат, который требуется получить. То есть нужно понимать, что решит ваше исследование в глобальном смысле (проблема), какова более узкая направленность (цель), через какие этапы будет достигнута цель (задачи), из каких источников будет собрана информация и как она будет обработана (методы). Все это называется дизайн исследования.

Применительно к количественному исследованию важно на начальном этапе понимать, как именно будут обрабатываться полученные данные, чтобы иметь возможность заранее скорректировать инструментарий.

Основным методом обработки количественных данных является анализ распределения частот, то есть описательный анализ. Это базовые действия, которые помогают определить доли респондентов, ответивших тем или иным образом на конкретный вопрос. Для описательного анализа подходят большинство типов вопросов. Несмотря на простоту метода, он дает основной прирост знания и уже на этом этапе возможно ответить на основные задачи исследования.

Анализируя особенности распределения частот важно обращать внимания на доли ответов респондентов, которые выбиваются из логики «здравого смысла», а также являются так называемыми «выбросами», то есть резко выбиваются из общего ряда ответов. Важность выявления таких долей ответов заключается в том, что они позволяют определить дальнейшие направления аналитического поиска для объяснения выявленных закономерностей.

Кросс-табуляция не менее распространенный метод в разных видах исследований. Его суть состоит в том, чтобы выявить наполненность групп респондентов, которые обладают признаками, заключенными в двух (в редких случаях, трех) вопросах. Проще говоря, формируются группы, обладающие не каким-то одним признаком, а происходит совмещение двух (трех) признаков. Самым простым примером является половозрастная структура респондентов, когда, зная доли по возрастам во всем массиве ответов и зная доли мужчин и женщин, мы можем выделить отдельные группы мужчин и женщин определенных возрастов. Данный метод может применять и на более интересных задачах. Например, для определения портретов целевых аудиторий по заранее выделенным, интересующим исследователя признакам.

Еще одним методом является корреляционный анализ, позволяющий выявить статистически значимые связи между признаками. Корреляционный анализ тесно связан с кросс-табуляцией, так как сама процедура математической обработки происходит именно на основе групп, сформированных данным методом. При выявлении корреляционной связи между признаками, можно обоснованно заявлять, что один признак прямо или противоположно влияет на другой признак, а также определить какую силу имеет это влияние. Таким образом, при изменении первого признака (он называется независимым) изменится и второй (зависимый). Корреляции бывают парные и множественные. Парными являются те, в которых в анализе участвуют лишь по одному признаку с каждой стороны. Соответственно, множественная корреляция – это зависимость одного признака с одной стороны и нескольких – с другой.

Выявление связей происходит на основании разных математических критериев, которые выбираются исследователем, в зависимости от типов переменных, в которых выражены все участвующие в анализе признаки. Важно понимать, что не все типы вопросов можно коррелировать друг с другом.

Проще всего определить связь между вопросами одного типа. Например, между дихотомическими, то есть имеющими только два варианта ответа (да / нет, мужчина / женщина и т.д.). Или между порядковыми, варианты ответов которых между собой соотносятся как «больше — меньше», «выше — ниже», «сильнее — слабее» и т.п. (например, да / не знаю / нет, низкий / средний / высокий и т.д.). Или между вопросами, выраженными в виде интервальной шкалы. Это вопросы, в которых варианты ответов упорядочены и интервалы между любыми двумя из них равны. Например, вопросы о степени согласия или удовлетворенности чем-либо. Варианты ответов в таких вопросах сворачиваются в формулировки «полностью согласен / удовлетворен», «скорее согласен / удовлетворен», «скорее не согласен / не удовлетворен», «полностью не согласен / не удовлетворен» либо выражаются в шкале, в которой нужно выбрать оценку, а крайние значения имеют свою интерпретацию (шкала от 1 до 10, где 1 – полностью не согласен / не удовлетворен, а 10 – полностью согласен / удовлетворен).

Помимо этого, есть возможность сделать корреляционный анализ между вопросами разного типа, но не всех со всеми. Так, определяется связь между дихотомическими вопросами и порядковыми, дихотомическими и интервальными, интервальными и порядковыми.

Очень похожим на корреляционный анализ является регрессионный. Он также показывает связь между признаками, однако направлен не на выявление ее силы (как корреляционный анализ), а на количественное определение значения одной переменной на основании другой. Для применения данного вида анализа необходимы исходные данные, выраженные в числовом виде. При этом регрессионная модель не обязательно отражает влияние одного фактора на другой - причинные взаимосвязи должны дополнительно обосновываться теоретическим анализом. Использование регрессионного анализа полезно, например, для определения уровня прибыли в будущем, имея данные о влияющих на нее переменных в настоящем.

Помимо выявления связей интересным с точки зрения решения исследовательских задач является выявление факторов. Факторами называют скрытую переменную, созданную самостоятельно аналитиком, которая включает в себя несколько коррелирующих друг с другом признаков. Смысл факторного анализа заключается в снижении количества переменных для облегчения восприятия информации. Также он удобен для выделения «глобального» признака, включающего в себя несколько других признаков, являющихся близкими в представлении респондентов. Например, так можно свернуть множество (условно, больше десяти) характеристик продукта, важных для покупателя, в несколько факторов (условно, три-четыре), и понять, как эти характеристики сгруппированы внутри фактора (какую силу связи имеют характеристики между собой внутри фактора).

Для проведения факторного анализа необходимы исходные переменные, выраженные в количественных значениях. Номинальные переменные, которые обозначают некие категории или признаки без возможности их классифицировать по возрастанию или убыванию, также возможно использовать для выделения факторов. Однако перед проведением анализа нужно провести предварительную обработку данных, а именно преобразовать каждый вариант ответа к количественному виду. То есть обозначить каждый вариант как отдельную переменную, которой присваивается значение 1, если вариант выбран, и 0, если не выбран.

Предыдущий метод анализа количественных данных разбивал на группы признаки, но также в некоторых случаях весьма полезно разбивать на группы респондентов. Делается это с помощью кластерного анализа. Суть метода заключается в классификации респондентов по нескольким признакам на группы, которые являются однородными внутри себя, но различаются между собой. Так как метод разбивает на группы респондентов, а не признаки, то использовать можно любые типы вопросов.

Наиболее распространенной практической реализацией кластерного анализа является выявление портрета потребителей. Ранее уже упоминалось, что потребительские портреты можно формировать с помощью кросс-табуляции. Основное отличие методов в том, что при использовании кросс-табуляции, переменные, исходя из которых строится портрет, заранее определены аналитиком, то есть он изначально знает по каким признакам хочет построить портрет. При кластерном же анализе значимые переменные определяются самим методом и уже исходя из него формируются группы потребителей и выявляются признаки, которые для нее характерны.

В настоящей статье мы рассмотрели универсальные методы анализа количественных данных, которые могут применяться в как в социологических, так и в маркетинговых исследованиях. Разумеется, виды количественной информации разнообразны, задачи, решаемые с помощью исследований, разнородны, поэтому спектр существующих методов велик и рассмотреть их в одной статье не представляется возможным.

Наши услуги

Участие в опросах

Работа у нас

Копилка маркетолога

Новости

30 июня 2022 Барнаул вошел в ТОП-15 российских городов по самым высоким ценам на продукты питания!

По итогам летней волны общероссийского проекта «Котлета с пюрешкой» Барнаул занял тридцатую строчку среди 41 города России по стоимости условного суточного рациона, и 12 позицию с конца среди 15 городов с самыми высокими ценами на продукты.

11 февраля 2022 ИССЛЕДОВАНИЯ «ПОД КЛЮЧ». Почему маркетинговые исследования полного цикла – ключ к решению бизнес-задач?

Нужен анализ конкурентов, клиентов или товара? Ищите драйверы роста и инсайты для развития бизнеса? Исследования полного цикла – это ключ к успеху вашей компании. Эта статья поможет принять решение по вашим дальнейшим действиям.

10 февраля 2022 Что отличает Spezia от других маркетинговых компаний?

Вы наверняка задумывались о том, каким способом и чьими силами лучше собирать информацию о рынке, конкурентах, клиентах, целевой аудитории. Мы уверены, что mix-методики, применяемые в Spezia – это то, что нужно любому бизнесу вне зависимости от его размера и направления.

© 2022 Агентство стратегического маркетинга Spezia: 656049 г. Барнаул, пр. Красноармейский, 36, офис 224 (2 этаж) Авалон: Разработка и продвижение сайтов

Быстрая связь

Отправляя форму, Вы автоматически принимаете условия Соглашения о конфиденциальности.