Статистические методы анализа данных для решения практических задач (часть вторая)
Опрос сотрудников, клиентов, потребителей – не просто сбор информации, это полноценное исследование. А целью всякого исследования является научно- обоснованная интерпретация изученных фактов. Первичный материал необходимо обработать, а именно упорядочить и проанализировать.
Анализ данных исследования – ключевой этап. Он представляет собой совокупность приемов и методов, направленных на то, чтобы проверить, насколько были верны предположения и гипотезы, а также ответить на заданные вопросы. Данный этап является, пожалуй, наиболее сложным с точки зрения интеллектуальных усилий и профессиональной квалификации, однако позволяет получить максимум полезной информации из собранных данных.
Методы анализа данных многообразны. Выбор конкретного метода анализа данных зависит, в первую очередь, от того, на какие вопросы мы хотим получить ответ.
Можно выделить два класса процедур анализа данных:
- одномерные (дескриптивные) и
- многомерные.
Многомерные типы анализа данных
Многомерный анализ данных позволяет одновременно исследовать взаимоотношения двух и более переменных и проверять гипотезы о причинных связях между ними.
Техники многомерного анализа разнообразны. Мы рассмотрим следующие:
- Факторный анализ
- Кластерный анализ
Факторный анализ
Суть факторного анализа, состоит в том, чтобы имея большое число параметров, выделить малое число макропараметров, которыми и будут определяться различия между измеряемыми параметрами. Это позволит оптимизировать структуру анализируемых данных.
Применение факторного анализа преследует две цели:
- сокращение числа переменных;
- классификация данных.
Факторный анализ довольно полезен на практике. Приведем несколько примеров.
Перед вами стоит задача исследовать имидж компании. Клиенту предлагается оценить данную компанию по целому ряду критериев, общее число которых может превышать несколько десятков. Применение факторного анализа в данном случае позволяет снизить общее количество переменных путем распределения их в обобщенные пучки факторов, например, «материальные условия компании», «взаимодействие с персоналом», «удобство обслуживания».
Еще одним случаем применения данного метода может служить составление социально-психологических портретов потребителей. Респонденту необходимо выразить степень своего согласия/несогласия с перечнем высказываний о стиле жизни. В итоге, можно выделить, например, целевые группы потребителей: «новаторы», «прогрессисты» и «консерваторы».
Актуальным примером исследования в сфере банковского дела, может послужить, изучение уровня доверия клиента к банку, которое можно описать следующими факторами:
– надежность сделок (включающий такие параметры, как сохранность средств, возможность беспрепятственного их перевода);
– обслуживание клиентов (профессионализм сотрудников, их благожелательность) и
– качество обслуживания (точность выполнение операций, отсутствие ошибок) и др.
Кластерный анализ
Кластерный анализ (от англ. сluster – сгусток, пучок, гроздь) – это один из способов классификации объектов. Он позволяет рассматривать достаточно большой объем информации, сжимая его и делая компактными и наглядными.
Термин «кластерный анализ» был введен в 1939 году английским ученым Р. Трионом, предложившим соответствующий метод, который сводился к поиску групп с тесно коррелирующим признаком в каждой из них.
Целью кластерного анализа является выделение сравнительно небольшого числа групп объектов, как можно более схожих между собой внутри группы, и как можно более отличающихся в разных группах. В настоящее время разработано достаточно большое число алгоритмов кластерного анализа. Однако, попробуем объяснить его суть, не прибегая к строгому теоретизированию.
Допустим, вы планируете провести опрос потребителей, (а все потребители разные), и вам, соответственно, необходимы различные стратегии для их привлечения. Для решения данной задачи мы предлагаем сегментировать клиентов, прибегнув к методу кластеризации. Для этого выполняем следующие шаги:
- формируем выборку и проводим опрос клиентов,
- определяем переменные (характеристики), по которым будем оценивать респондентов в выборке,
- вычисляем значения меры сходства и различия между ответами респондентов,
- выбираем метод кластеризации (т.е. правила объединения респондентов в группы),
- определяем оптимальное число кластеров (групп).
В результате получаем таблицу следующего содержания:
Информация, представленная в таблице, позволяет нам составить портрет клиентов каждого кластера, которые впоследствии необходимо учитывать при составлении стратегии успешного продвижения продукта на рынке.
Кластерный анализ хорошо зарекомендовал себя, и на сегодняшний день применяется в различных прикладных областях:
- В социологии: разделение респондентов на различные социально-демографические группы.
- В маркетинге: сегментация рынка по группам потребителей, группировка конкурентов по факторам конкурентоспособности.
- В менеджменте: выделение групп сотрудников с разным уровнем мотивации, выявление мотивирующих/демотивирующих факторов в организации, классификация конкурентоспособных отраслей и поставщиков, и др.
- В медицине – классификация симптомов, признаков заболеваний, пациентов, препаратов для успешной терапии.
- А также психиатрии, биологии, экологии, информатике и т.д.
Рассмотренные методики относятся к анализу данных, полученных в ходе проведения количественных исследований.
По вопросам расчета индексов:
E-mail: manager@anketolo
Телефон: +7 (383) 203-49-99
Начало (часть первая) и продолжение (часть третья) статьи “Статистические методы анализа данных для решения практических задач”.