ارزش تكنيك هاي چند متغيره در تحليل اطلاعات:
ارزش تكنيك هاي چند متغيره در تحليل اطلاعات:
در سال هاي اخير شاهد پيشرفت هاي قابل توجهي در سخت افزار كامپوتر بوده ايم.ظرفيت سرعت و ذخيره pcs هر هجده ماه دو برابر مي شود و اين در حالي است كه هزينه آن كاهش مي يابد.
بسته هاي نرم افزاري آماري با ويندوزهاي كاربر نقش مهمي را در عصرclik-and-point ايفا مي كنند.ساليان متوالي داده ها حاصل بررسي هاي گوناگون بودند امروزه در انبار داده ها انبوهي از اطلاعات ذخيره شده است به گونه اي كه مي توان اطلاعات ارزشمندي راجع به مشتريان و كاركنان كسب نمود.تعدادي از اين اطلاعات را مي توان به وسيله روش هاي آماري ساده تجزيه و تحليل نمود.اما در اكثر مواقع نيازمند تكنيك هاي پيچيده تري هستيم.امروزه اكثر محققان علاقمند به استفاده از بيش از متغير ه هستند و بنابراين وجود تكنيك هاي چند متغيره آماري ضروري ميباشد.
علاوه براين، تصميم گير ندگان تجاري و مصرف كنندگان به منظور اتحاذ تصميم و انتخاب تمايل دارند از اطلاعات زيادي استفاده كنند.در نتيجه تاثيرات بالقوه بر رفتار مصرف كننده و واكنش هاي تجاري فراوان مي باشد. تكنيك هاي چند متغيره ناشي از نياز تجار به توجه نمودن به برخي پيچيدگي ها است.
تجزيه جند متغيره چيست؟
تجزيه چند متغيره به گروهي از شيوه هاي آماري اشاره دارد كه مقياس هاي چندگانه هر ويژگي با شيء مورد بررسي را به طور همزمان تجزيه و تحليل مي كند.شيوه هاي آماري چند متغيره كه در اين فصل به بحث راجع به آن خواهيم پرداخت شيوه هاي آماري يك متغيره و دو متغيره گسترده شده هستند كه در فصل پيشين نكاتي راجع به آنها ارائه نموديم.تحليل چند متغيره در تحقيقات بازاريابي به دليل اينكه بيشتر مشكلات تجاري چند بعدي هستند بسيار مهم مي باشد.به ندرت شركت ها و مشتريانشان بر اساس يك بعد توصيف مي شوند اتخاذ تصميم در بازديد از يك رستوران اغلب به فاكتورهايي از قبيل كيفييت،تنوع و هزينه غذا؛ محل رستوران و خدمات بستگي دارد. هنگامي كه شركت ها براي ارائه خدمات بهتر به مشتريان خود پايگاه داده اي راه اندازي مي كنند، اين پايگاه ها اغلب شامل اطلاعات گسترده اي مانند جمعيت شناسي،شيوه زندگي،كد پستي و شيوه خريد مشتريان مي باشد.
طبقه بندي شيوه هاي چند متغيره:
چالش موجود در ميان محققان بازاريابي تعيين شيوه آماري مناسب براي مشكل مذكور مي باشد.چندين شيوه پيشنهاد شده است. طبقه بندي سودمندي از بيشتر تكنيك ها ي آماري چند متغيره در كادر 1-18 ارائه شده است.
كادر 1-18 طبقه بندي شيوه هاي چند متغيره
شيوه هاي وابسته يا بر همبستگي؟
اگر براي توضيح متغير وابسته بر اساس دو يا چند متغير مستقل از تكنيك چند متغيره استفاده كنيم به تجزيه و تحليل و درك وابستگي مبارات نموده ايم.شيوه وابسته را مي توان به عنوان شيوه هي تعريف نمود كه در آن يك متغير به وسيله متغيرهاي مستقل ديگر توضيح داده مي شود. تكنيك هاي وابسته شامل تجزيه رگرسيون چندگانه،تحليل مبين (مميز)، manova ، تحليل هميشه مي باشد.كادر 2-18
خلاصه شيوه هاي جند متغيره گزينش شده:
رگراسيون چندگانه محققان بازاريابي را در پيش بيني يك متغيره متري وابسته از دو يا چند متغير مستقل كه از نظر متري سنجش شده اند را توانمند مي سازد.
تحليل مبين:چندگانه مي تواند يك متغير غير متري وابسته را از ميان دو يا چند متغير مستقل متري پيش بيني كند.
تحليل فاكتوري:در خلاصه نمودن اطلاعات موجود شمار گسترده اي از متغيرها زير مجموعه هاي كوچكتر يا فاكتور ها استفاده مي شود.
تحليل خوشه اي:در طبقه بندي نمودن پاسخ دهندگان يا اشياء (به عنوان مثال فراورده ها،ذخاير)به گروه هايي كه يكنواخت هستند استفاده مي شود.
تحليل همبسته:در بر آورد نمودن ارزش (كارائي) محصولات مختلف و خدمات ار نظر پاسخ دهنده به كار مي رود.
باز نمايي ادراكي:در سنجش دادن بينش هاي پاسخ دهنده از محصولات، نشان هاي تجاري ويژه،شركت ها،و . . . كه به طور بصري مي باشد استفاده مي گردد.
تاثير مقياس هاي سنجش:ماهيت مقياس هاي سنجش درست مانند شيوه هاي ديگر تحليل،تعيين تكنيك چند متغيره در تحليل داده مي باشد. گزينش شيوه چند متغيره صحيح نيازمند بررسي نوع سنجش هاي استفاده شده در متغيرهاي وابسته و مستقل مي باشد.وقتي متغير وابسته به صورت غير متري سنجش مي شود. شيوه هاي مناسب تحليل مبين و همبسته هستند و زمانيكه متغير وابسته به طور متري اندازه گيري مي شود تكنيك هاي مؤثر رگرسيون چندگانه،MANOVA.ANOVA و همبسته مي باشند.تحليل رگراسيون چندگانه و مبين معمولا نيارمند متغيرهاي مستقل متري هستند ،اما مي توانند از متغيرهاي مصنوعي غير متري نيز استفاده كنند.تحليل هاي MANOVA.ANOVA و همبسته متناسب با متغير هاي مستقل غير متري مي باشند. تكنيك هاي بر همبستگي تحليل فاكتوري و تحليل خوشه اي به طور پيوسته با متغير هاي متري بكار مي روند،اما تطبيقات غيرمتري نيز امكان پذيز است.
تكنيك هاي بر همبستگي:بحث راجع به تكنيك هاي خاص چند متغيره را با تحليل شيوه هاي بر همبستگي آغاز خواهيم نمود.هدف تكنيك هايي از قبيل تحليل فاكتور و خوشه اي پيش بيني متغيري از يك سري متغيرهاي مستقل نيست.بلكه خلاصه نمودن و ارائه دركي روشن از تعداد زيادي متغير مي باشد.
تحليل فاكتور:تكنيك آماري چند متغيري است كه به منظور خلاصه نمودن اطلاعات موجود شمار گسترده اي از متغير ها در زير مجموعه هاي كوچكتر يا فاكتورها استفاده مي شود.هدف تحليل فاكتور ساده نمودن داده ها مي باشد با وجود تحليل فاكتوري تفاوتي بين متغيرهاي وابسته و مستقل وجود ندارد. امروزه اكثر مشكلات پيشاروي تجار اغلب در نتيجه تركيب چند چند متغير مي باشد. به عنوان مثال،اگر امتياز دهنده محلي ام سي دونالد به ارزيابي رضايت مشتري علاقمند باشد،اكثر متغيرهاي علاقه را بايد بسنجد. متغيرهايي مانند تازه بودن غذا، زمان انتظار، مزه، دماي غذا، تميزي و رفتار محبت آميز پرسنل از طريق تعدادي سؤال درجه بندي شده اندازه گيري خواهد شد. اجازه دهيد به مثال اوليه از تحليل فاكتور بپردازيم. داده هاي پنج مشتري كه رستوران فست فود را در شش ويژگي توصيف نموده اند در كادر3-18 ارائه شده است.
مشترياني كه كمترين امتياز را به زمان انتظار داده اند،براي تميزي و پرسنل نيز امتياز كمي در نظر گرفته اند سه مشخصه ديگر يعني تازگي، مزه، دما الگوي ديگري پديد آورده اند.
در اين مورد امتيازات در هر سه متغير بالا مي باشد. بر اساس الگوي داده ها مي توان اين شش مقياس را در دو مقياس مختصر يا فاكتور كميت خدمات و غذا تركيب نمود.(كادر 4-18)
فاكتور متغيرها
همان طور كه در مثال بالا توضيح داديم هدف كلي تحليل فاكتور خلاصه نمودن اطلاعات مي باشد. هدف آماري تحليل فاكتور تعييين وجود تركيب خطر از متغييرها (به عنوان مثال، زمان، انتظار، تميزي، پرسنل) است كه بتواند به محقق در خلاصه نمودن داده ها و شناسايي روابط اساسي كمك كند. نقطه آغازين در تفسير فاكتور تحليل بارهاي فاكتوري است. بار فاكتوري به همبستگي بين هر يك از متغيرها ي اوليه و فاكتورهاي توسعه يافته جديد اشاره دارد. بارهاي فاكتوري مانند همبستگي ها مي توانند از0/1+ تا 0/1- متغير باشند. اگر متغير A4(مزه غذا) ارتباط نزديكي با فاكتور 2 داشته باشد،همبستگي يا بار فاكتور بالا خواهد بود. تحليل آماري مرتبط باتحليل فاكتور مي تواند بار فاكتوري بين هر فاكتور و هر يك از متغير هاي اوليه ايجاد كند. نتيجه اين تحليل آماري در كادر(5-18) ارائه شده است. مرحله بعدي در تحليل فاكتور نامگذاري فاكتورهاي منتج مي باشد. محقق متغيرهايي را كه بار بالايي در هر فاكتور دارند،مورد بررسي قرار مي دهد.
اغلب انسجام خاصي ميان متغيرهاي كه بار بالايي در فاكتور مذكور دارند،ديده مي شود. ويژگي پاياني تحليل تحليل فاكتور به تعداد فاكتورهاي حفظ شده مربوط مي باشد. تصميم گيري درباره تعداد فاكتورها فرايند بسيار پيچيده اي است،زيرا در هر مشكل تحليل فاكتور بيش از يك راه حل احتمالي وجود دارد. مقياس مهم در تعيين تعداد فاكتورها درصد وروش در داده هاي اوليه اي است كه به وسيله هر فاكتور توضيح داده شده است. برنامه كامپيوتري تحليل فاكتور جدولي از اعداد ايجاد خواهد نمود كه بيان كننده درصد وروش توضيح داده شده توسط هر فاكتور مي باشند.
كاربردهاي تحليل فاكتور در تحقيق بازاريابي:اگر چه مثال فست فود قدرت تحليل فاكتوري را در ساده نمودن بينش هاي مشتري نسبت به رستوران فست فود روشن نمود،اين كلينيك در تحقيق بازاريابي كاربردهاي مهم ديگري نيز دارد.
تبليغات بازرگاني:از تحليل فاكتور مي توان براي درك بهتر خصلت هاي رسانه اي مشتريان مختلف استفاده نمود.
ارزشيابي كردن:تحليل فاكتور مي تواند در شناسايي ويژگي هاي مشتريان حساس به قيمت و حساس به اعتبار كمك كند.
محصول:مي توان از تحليل فاكتور در شناسايي ويژگي هاي نشان هاي تجاري ويژه كه بر انتخاب مشتري مؤثر مي باشد استفاده نمود.
توزيع:تحليل فاكتور مي تواند در درك بهتر معيارگزينش در ميان بخش هاي توزيع به كار گرفته شود.كاربرد SPSS
تحليل فاكتور:اهميت تحليل فاكتور در پايگاه داده اي رستوران شرح داده شد. در پايگاه داده يمان شش متغير داشتيم كه از نظر متري اندازه گيري شده بودند. اين متغيرها X1 تا X6 مي باشند آيا مي توانيم تعداد ابن متغيرها را كاهش دهيم.توالي كيليك SPSS
ANALYZEàDATAREDUCTIONàFACTOR
است كه به كادر ديالوگ كه مي توانند متغيرهايX1-X6 را انتخاب كنيد منتهي مي شود.بعد از اينكه اين متغير ها قرار داديد به گزينه هاي تحليل داده نگاه كنيد. اول برروي كادر Descriptive كيليك نماييد. سپس برروي كادر uninvariate Descriptiven كيليك كنيد.اين كار را ادامه دهيد تا به كادر قبلي ديالوگ برسيد.سپس به كادر Extraction برويد.در اين مرحله به نبود اجزاء اصلي توجه نكنيد،Unrotated factor solution را از حالت كيليك خارج نماييد. حال بر روي كادر Continue كيليك كنيد.بعد به كادر Rotation برويد.در اينجا كمبودي وجود ندارد ما مي خواهيم به نوبت اين كارها را انجام دهيم. بنابراين برروي varimax كيليك كنيد و ادامه دهيد در پايان نيز به كادر options برويد و برروي Stored by size كيليك كنيد و سپس مقادير مطلق را از 10 تا 30 تغيير دهيد.انتخاب هاي پاياني اطلاعات غير ضروري را حذف كنيد و بنابراين نسخه هاي چاپي راه حل هاي آسانتر خوانده مي شوند. در اينجا نيازي به امتياز نداريم بنابراين مي توانيم براي اجرا نمودن تحليل فاكتوربر روي ok در قسمت بالاي كادر ديالوگ كيليك كنيم.اولين جدولي كه در بدون دادخواهيد ديد آواز توصيفي مي باشد.
استفاده از تحليل فاكتوري با رگرسيون چندگانه:
ممكن است گاهي بخواهيم نتيجه تحليل فاكتوري را با تكنيك چند متغيره ديگري مانند رگرسيون چندگانه استفاده نماييم. اين روند هنگام بكارگيري تحليل فاكتوري در تركيب تعداد بسياري از متغيرها به منظور دست يافتن به منظوردست يافتن به مجموعه هاي كوچكتري كارا مي باشد.مي توانيم اين موضوع را با مثال پيشين در كه شش بينش در دو فاكتور عملكرد ها و غذا گنجانده شد شرح دهيم. بدون تحليل فاكتور ديدگاه هاي مشتري را بايد در شش ويژگي جداگانه بررسي كنيم. اما اگر از نتيجه تحليل فاكتور استفاده كنيم فقط بايد دو ويژگي با فاكتور را بررسي نماييم.براي استفاده از دو فاكتور در رگرسيون چندگانه بايد ابتدا امتيازات فاكتور را محاسبه كنيم. امتيازات فاكتور متشكل از امتيازات بر آورده شده براي هر پاسخ در هر يك از فاكتورهاي مشتق شده مي باشد. به كادر ديالوگ Spss بر گرديد در قسمت پايين اين كادر، امتيازات را كه قبلا استفاده نكرده ايد مشاهده خواهيد نمود. برروي اين كادر كيليك وسپس بر روي Save as varibhes كيليك كنيد.با انجام اين كار گزينه هاي بيشتري را مشاهده خواهيد نمود. اما فقط از Regression. Defomt استفاده نماييد. حال بر Continue وسپس Ok كيليك كنيد بدين صورت خواهيد توانست امتيازات فاكتورها را محاسبه كنيد. نتيجه امتياز دو فاكتور براي هر 50 پاسخ دهنده خواهد بود.آنها در انتهاي سمت راست پايگاه داده اي ظاهر خواهند شد و عنواني Fac2-1. Fac1-1 خواهند داشت. حال مي خواهيم بدانيم آيا تعبيرات رستوران كه به وسيله فاكتورها اندازه گيري شده اند با رضايت ارتباطي دارند. در اين مورد متغير متري وابسته رضايت (X9-satis faction )X 9 است و متغيرهاي مستقل امتيازات فاكتورها مي باشند. توالي كيليك Spss
ANALYZEàREGRESSIONàLINEAR
است كه به كادر ديالوگ كه مي توانيد متغيرها را انتخاب كنيد منتهي مي شود. بايد X9 را بعنوان وابسته و fac2-1 . fac1-1 را بعنوان مستقل انتخاب كنيد. چندين نوع تحليل نيز وجود دارد كه مي توانيد آنها را قسمت پايين كادر ديالوگ انتخاب نماييد. ولي در اينجا از برنامه defawt استفاده مي كنيم. وقتي بر روي OK كه در قسمت بالاي سمت راست كادر ديالوگ است ، كيليك مي كنيد،regression (رگرسيون) را اجرا خواهيد نمود. با نگاه كردن به برون داد از جدول متغيرهاي وارد شده /خارج شده در مي يابيد هر دو امتياز فاكتوري بعنوان متغيرهاي مستقل و سطح رضايت به عنوان متغير وابسته شده اند جدول خلاصه نشان ميدهد كه مجذور0/549 R- است جدول ANOVA حاكي از آن است كه آن از نظر آماري در سطح ooo مي باشد. براي تعيين اينكه آيا يك يا هر دو متغير امتياز پيشگويي كننده مهمي از رضايت هستند بايد جدول همبستگي را بررسي نماييم. ستون ضريب همبستگي بتا حاكي از آن است كه فاكتور 1عملكرد 530/0 و فاكتور 2 غذا 518/0 مي باشد و سطوح اهميت آماري آن به ترتيب ooo . ooo است. بنابراين ، از اين تحليل رگرسيون دريافتيم كه تعبير عملكردها و غذا پيش گويي كننده قوي از رضايت هستند. در اين فصل چگونگي استفاده از تكنيك چند متغيره تحليل فاكتور را با تكنيك ديگر-رگرسيون شرح داديم استفاده از تكنيك هاي چند متغيره ديگر درتركيب امكان پذير است.
تحليل خوشه اي:
تحليل خوشه اي شيوه برهمبستگي چند متغيره ديگري است همان طور كه از نام آن برمي آيد هدف اصلي تحليل خوشه اي، طبقه بندي يا تقسيم كردن اشياء 0به عنوان مثال مشتريان، محصولات ، حوزه هاي بازار)در گروههايي است كه اشياء آن با توجه انواع گوناگون متغيرها مشابه هستند. در تحليل خوشه اي هدف بدآن است كه اشياء يك گروه مشابه ولي نسبت به گروه ديگر تا آنجا كه امكان دارد متفاوت باشد. بنابراين، در اين روش سعي شده گروههاي طبيعي ميان متغير هاي بيشمار بدون درنظر گرفتن هر يك از متغيرها به عنوان متغير وابسته شناسايي شوند. بحث راجع به تحليل خوشه اي را با اين مثال درون يافتي آغاز مي كنيم. رستوران فست فود ما در نظر دارد رستوراني جديد در شهركي درحال پيشرفت افتتاح كند.محققان بازاريابي ، اين منطقه را به دقت بررسي نمودند. و اطلاعاتي از جمله جمعيت شناسي ،شيوه زندگي و هزينه صرف غذا دررستوران را گرد آوري نمودند. زنجيره فست فود در جستجوي بخش هاي خانگي بود كه تمايل داشتند رستوران جديد را بازديد كنند. با هدايت نمودن تحليل خوشه اي داده هاي جمع آوري شده مي توان بخش هدفي براي شركت شناسايي نمود. نتيجه تحليل خوشه اي شناسايي بخش هايي خواهد بود كه هر يك از آنها شامل خانوارهايي با ويژگيهايي مشابه باشند در كادر 7-18 چهار خوشه يا بخش براي اين رستوران ارائه شده است. همان طور كه در اين مثال توضيح داده شد اين رستوران شامل خانوارهايي است كه به ندرت از رستوران بازديد مي كنند.(خوشه اول) خانوارهايي كه تمايل دارند در آنجا در رستوران واقع در شهرك مكرر غذا بخورند (شاخه دوم)، خانوارهايي كه تمايل دارند منحصرا به رستوران فست فود بروند (خوشه سوم) و خانوارهايي كه مكررا در آن رستوران و رستوران فست فود غذا مي خوردند. مديريت با بررسي ويژگيهاي مرتبط با هر يك از خوشه ها مي تواند خوشه اي متناسب با هدف در نظر بگيريد.
شيوه هاي آماري در تحليل خوشه اي:
چندين شيوه آماري موجود است كه هر كدام بر پايه مجموعه متفاوتي از برنامه هاي پيچيده كامپيوتري قرار دارند. با اين وجود، روند كلي در هر شيوه يكسان مي باشد شامل سنجش شباهت هاي بين اشياء است. ميزان(درجه) شباهت بين اشياء اغلب از طريق سنجش فاصله تعيين مي گردد. به عنوان مثال ميزان (تعداد دفعات) خوردن غذا در يك رستوران عالي =71 ميزان خوردن غذا در رستوران فست فود =V2 . داده هاي V2,V1 در يك نقشه دو بعدي كه در كادر 7-18 رائه شده نشان داده شده است. هر يك از حروف بيان كننده موقعيت يك مشتري مي باشند. فاصله بين هر دو حروف ارتباط مثبتي با شباهت هاي موجود در بين آنها دارد بنابراين فرد A شباهت بيشتري با فرد B دارد. نمودارهاي خوشه اي اغلب نمودارهاي پراكنده به دست مي آيند. اين فرايند پيچيده آزمايش و خطا است. خوشبختانه الگوريتم هاي كامپيوتري موجود است كه اگر خوشه اي نمودن با شيوه اي سيستماتيك و كارا همراه مي باشد بايد از آن استفاده نمود.
كاربردهاي تحليل خوشه اي در تحقيق بازاريابي:
با وجود آنكه مثال فست فودها توضيح داد چگونه تحليل خوشه اي گروه هاي خانوار را تقسيم مي كند. كاربردهاي مهم ديگري نيز در تحقيق بازاريابي دارد.
انجام پژوهش ها درباره محصولات جديد:
نشان هاي تجاري دسته بندي شده مي توانند به شركت در بررسي محصولات رقابتي اشان كمك كنند. نشان هاي تجاري موجود در يك دسته خوشه نسبت به نشان هاي موجود در دسته هاي ديگر رقابت شديد تري را نشان مي دهند.
آزمايش بازاريابي: گروه هاي تحليل خوشه اي، شهرهاي واقع در خوشه يكسان را به منظور آزمودن اهداف بازاريابي مورد آزمايش قرار مي دهند.
رفتار خريدار: تحليل خوشه اي مي تواند در شناسايي گروه هاي مشابه خريداران كه معيارهاي انتخاب يكساني دارند به كار گرفته شود. بخش بخش سازي بازار: تحليل خوشه اي مي تواند بخش هاي مختلف بازار را بر اساس متغيرهاي جغرافيايي، جمعيت شناسي، روان نمودار و رفتارگرايي توسعه دهد. كاربرد Spss-
تحليل خوشه اي: ارزش تحليل خوشه اي رامي توان به آساني به وسيله پايگاه داده اي رستوران شرح داد. در پايگاه داده اي شش متغير داريم كه از نظر متري سنجش شده اند. اينها متغيرهاي x1تا xGهستند كه تعبيرات مشتريان رستوران مي باشند. آيا زير مجموعه ها يا خوشه هايي از 50 پاسخ دهنده وجود دارد كه متفاوت باشند. در گزينش متغيير ها بايد متغيرهايي انتخاب شوند كه از نظر متري اندازه گيري شده اند و ارتباط منطقي اي با يكديگر دارند از اين شش متغير دو متغير غذا (كيفيت و تنوع) همانند دو متغير پرسنل و تبحر و خوش اخلاقي به يكديگر مرتبط اند. اجازه دهيد با متغير پرسنل X1وX3 كار كنيم وظيفه بعدي اين است كه تعيين كنيم آيا دسته هايي از پاسخ دهندگان وجود دارد كه برداشت هاي كاملا متفاوتي از پرسنل داشته باشند توالي كيليك spss
ANALYZEà CLASSIFYà HIERARCHICALCLUSTER
است كه به كادر ديالوگ كه متغيرهاي N3 N1 را انتخاب مي كنيد منحني مي شود. بعد از اينكه متغيرها را به كادر متغير وارد نمودند به گزينه هاي ديگري توجه كنيد همه dofauut نشان داده شده در كادر ديالوگ را حفظ كنيد. بر روي كادر Method كيليك كنيد. Ward را انتخاب نماييد، اما از defauwt مجذور فاصله اقليدسي استفاده كنيد. در اين مرحله با گزينه save كاري نداريم. بنابراين مي توانيم براي اجراي تحليل خوشه اي بر روي ok كيليك كنيم. برون داد جدولي به نام برنامه تجمع خواهد بود. جدول شامل اعداد زيادي است، اما ما فقط اعدادي را مي خواهيم كه در ستون ضريب قرار دارند. به اعداد پايين جدول نگاهي بيندازيد اين اعداد بزرگترين اعداد هستند عدد واقع در ته جدول 790/186 عدد قبل از آن 412/85 است. ضريب در اين ستون دال بر آن است كه تا چه ميزان مي توانيد اشتباها متقن را با حركت از يك خوشه اي به دو خوشه اي از خوشه اي به سه خوشه اي و همين طور كاهش دهيد. وقتي از يك دسته اي مي رويد تفاوت(كاهش) قابل توجهي در ضريب اشتباه وجود خواهد داشت وقتي به بالاي ستون مي رويد كاهش در اعداد ناچيزتر خواهد بود. آنچه كه شما به دنبال آن هستيد اين است كه كمترين تفاوت در كجا قرار دارد. اين بدين معني است كه حركت از سر خوشه اي به چهار خوشه اي اشتباه متقن را خيلي زياد كاهش نمي دهد. در خواهيد يافت كه در اين مورد تغيير از 513/64 تا 159/46 است. به منظور ارائه راه حلي در اين مورد مطمئنا سه خوشه اي را انتخاب خواهيم كرد زيرا تفاوت بين اعداد در انتقال از سه خوشه به چهار خوشه ناچيزتر مي شود. همچنين ممكن است فقط از دو خوشه اي استفاده كنيم. اجازه دهيد بر راه حل دوخوشه اي متمركز شديم زيرا آن آسان تر است. قبل از اينكه دوخوشه اي ها را نامگذاري كنيم، بايد مطمئن شويم كه تفاوت قابل ملاحظه اي بين آنها وجود دارد. براي انجام اين كار ابتدا بايد متغير جديدي كه مشخص ميكند كدام گروه روبسته از 50 پاسخ دهنده به وسيله تحليل خوشه اي تعيين شده است. ايجاد نمود به كادر ديالوگ برگرديد و بر روي كادر save كيليك كنيد. با انجام اين كار مي توانيد متغير خوشه ايي جديدي را براي يك راه حل يا چندين راه حل ايجاد كنيد. يك راه حل را انتخاب كنيد 2 را در كادر قرار دهيد در اين هنگام متغير عضو گروه براي راه حل دو گروه ظاهر مي شود. متغير عضو گروه جديد در برگه اطلاعاتي شما متغيري جديد با عنوان clu2-1 خواهد بود. براي پاسخ دهندگان در دسته اول 1 و براي پاسخ دهندگان در دسته دوم 2به كار مي رود. در پايگاه داده اي دلي ديپات (Deli Depot) اين متغير را xig ناميديم. حال مي توانيد به منظور دريافتن تفاوت آماري دو دسته ANOVA را بين دو دسته خوشه اجرا كنيد توالي كيليك Spss به صورت
ONE-WAY ANOVAANALYZEà COMPARE MEANSà
است. سپس متغيرهاي X3,X1 را در كادر متغيرها و متغير اعضاء جديد را در كادر فاكتورها قرار دهيد. سپس به كادر options برويد و بر روي Descriptiveو سپس continue كليك كنيد در اين مرحله با كيليك بر روي ok به جدول ANOVA , Descriptive دست خواهيد يافت. در اين جدول Descriptive شما شاهد سايزهاي نمونه در هر گروه خوشه و ميانگين متغيرها خواهيد بود با بررسي جدول ANONA در مي يابيد كه آيا تفاوت بين ميانگين هاي گروه چشمگير مي باشند يا نه.
تحليل وابسته: تصميم داريم در اينجا بر تكنيك هاي چند متغيره مرتبط با تحليل وابسته متمركز شويم. هدف اين تكنيك ها پيش بيني متغيري از ميان يك سري متغير وابسته مي باشد. تكنيك هاي وابسته موجود در اين كتاب شامل رگرسيون چندگانه، تحليل مبين و تحليل همبسته هستند.
تحليل مبين: تحليل مبين تكنيك چند متغيراي است كه در پيش بيني اعضاء گروه بر اساس دو يا بيش از دو متغير استفاده مي شود. در موقعيت هاي بسيار حساس هدف محقق بازاريابي طبقه بندي اشياء يا گروهها به وسيله يك سري متغيرهاي مستقل است. بنابراين متغير وابسته در تحليل مبين غير متري با طبقه اي كاهش مي باشد. در بازاريابي، مشتريان اغلب بر اساس استفاده از محصول سنگين يا سبك طبقه بندي مي شوند. بالعكس متغيرهاي وابسته در تحليل مبين متري هستند و اغلب متشكل از ويژگيهايي مانند جمعيت شناسي و روان نموداري مي باشند بحث راجع به تحليل مبين را با يك مثال درون يافتي آغاز مي كنيم. رستوران فست فود ما تمايل دارد بداند آيا متغير شيوه زندگي مانند خوردن غذاي مغذي (x1) و متغير جمعيت شناسي مانند در آمد خانوار (x2) در شناسايي خانوارهايي كه از رستوران بازديد مي كنند از بازديدكنندگان از فست فود مفيد است. محققان بازاريابي اطلاعاتي در رابطه با x2, x1 براي دو گروه تصادفي متشكل ازخانوارها گرد آوري نمودند. شيوه هاي تحليل مبين اين داده ها را در نموداري دو بعدي كه در شكل 8-18 نشان داده شده به تصوير مي كشند.
مشتريان
درآمد
ديگر رستورانها
شيوه زندگي
اين مثال حاكي از آن است كه x2,x1 تبعيض گران مهمي از رستوران فست فود مي باشند. اگر چه اين دو بر ورودي همديگر قرار گرفته اند اما ميزان اين همپوشي چندان مهم نيست. همپوشي اندك بين گروهها لازمه يك تحليل مبين موفق مي باشد. همان طور كه گفتيم پيش بيني متغير طبقه بندي شده هدف تحليل مبين است. از نقطه نظر آماري اين شامل بررسي جهت تفاوتهاي گروه بر اساس تركيب خطي متغيرهاي وابسته كه نشان دهنده بيشترين تفاوت ها در ميانگين هاي گروه هستند مي باشد. بنابراين، تحليل مبين ابزاري آماري براي تعيين تركيبات خطي متغيرهاي مستقل است. نقش خطي مي تواند در مثال فست فود خود ما توسعه يابد از تحليل مبين دوگروهي كه متغير وابسته 20، با مقياس اسمي اندازه گيري مي شود( به عبارتي ديگر مشتريان Back yard Burger در مقابل ديگر رستوران هاي فست فود ) استفاده خواهيم نمود. حال محقق بايد نقش خطي متغيرهاي مستقل را كه بيشترين تفاوت ها را نشان مي دهند بيابند. امتياز مبين يا z مبناي پيش بيني جايگاه افراد مي باشد. همان طور كه در معادله زير نشان داده شد z هر فرد برابر است با z1= b1x1i+ b2x2i……..bn xni كه z1 امتياز مبين فرد bn ضريب مبين در متغير =xn1, nth ارزش فرد در متغير مستقل nth است. اوزان مبين (bn)يا ضريبهاي مبين تخميني از قدرت تبعيضي متغير مستقل خاص هستند. سايز ضريبهاي مرتبط با متغير مستقل خاص به وسيله ساختار واريانس تعيين مي گردد. متغيرهاي مستقل با قدرت تبعيضي بالا اوزان بزرگي نيز خواهند داشت و بالكعس آن نيز صورت مي گيرد. هدف مهم ديگر تحليل مبين طبقه بندي اشياء يا اشخاص در گروه هايي است. در مثال مذكور، هدف طبقه بندي مشتريان به دو گروه Back yard Burger رستوران هاي ديگر بود. به منظور تعيين اينكه آيا نقش تخميني مبين معيار خوبي است، ماتريس طبقه بندي استفاده مي شود.
كاربردهاي تحليل مبين در تحقيق بازاريابي:
با آنكه مثال مذكور نشان داد چگونه تحليل مبين بر اساس متغيرهاي مستقل مشتريان را در دو گروه طبقه بندي مي كند. كاربردهاي ديگر شامل موارد ذيل مي باشد.
انجام پژوهش در رابطه با محصول: تحليل مبين مي تواند در تشخيص استفاده كنندگان محصولات سنگين متوسط و سبك از نظر عادت هاي مصرفي، شيوه زندگي كمك مي كنند.
انعكاس پژوهش: تحليل مبين مي تواند تمايزي مبين مشترياني كه برداشت هاي مبتني از فروشگاه يا شركت دارند نسبت به افرادي كه فاقد اين بينش هستند، ايجاد كند.
بازاريابي مستقيم: تحليل مبين مي تواند در شناسايي ويژگيهاي مشترياني كه به تقاضاي بازاريابي پاسخ مي دهند كمك كند.
تركيب تحليل مبين با تحليل خوشه اي:
مي توانيم با آساني تحليل مبين را به همراه تحليل خوشه اي به كار بگيريم. راه حل تحليل خوشه اي را كه در ابتدا ذكر نموديم به ياد آوريد. ما دو گروه پاسخ دهنده داشتيم گروه اول در مقايسه با گروه دوم برداشت هاي مطلوب نسبتا اندكي را در مورد رفتار محبت آميز پرسنل ابراز نمودند.مي توانيم از اين نتيجه بعنوان متغير وابسته در تحليل مبين استفاده كنيم. حال بايد متغيرهايي را كه بايد به عنوان متغيرهاي پيش گو مستقل ايفاي نقش نمايند را شناسايي كنيم. اجازه دهيد به متغير هاي برداشتي (x1 x6) نيز نگاهي بيندازيم ممكن است تصور كنيم ارتباطي بين x6 خدمات با برداشت هايي از كاركنان وجود دارد آيا اين متغيرها مي توانند دو گروه خوشه اي را بر اساس برداشت هاي از كاركنان پيش بيني كنند. وظيفه در اينجا گزينش متغيرهاي وابسته است كه بتوانند اعضاي يكي از دو گروه را پيش بيني كنند توالي كيليك spss
ANALYZEàCLASSIFYàDISCRIMINANT
است كه به كادر گزيش متغيرهاي منتهي مي شود. متغير غير متري وابسته Clu2-1 و متغيرهاي مستقل x10,x9,x8,x7,x6 هستند اولين كاري كه بايد انجام دهيد انتقال متغير clu2-1 به كار در گروه بندي متغيرها مي باشد. سپس به كادر Define Range كه درست زير آن است كيليك كنيد بايد كوچكترين و بزرگترين عدد 2= گروه دوم مي باشد بنابراين اين اعداد راشت كنيد و بر گزينه continue كيليك نماييد. سپس بايد متغيرهاي x10,x9,x8,x7,x6 را به كادر مستقل منتقل كنيد. بعد بر كادر statistic كيليك نماييد وميانگين ها ANOVAS و Continue را بررسي كنيد شيوه defawlt. Enter است و ما از اين استفاده خواهيم نمود حال بر classify كيليك كنيد و سايزهاي گروه اول را محاسبه كنيد همچنين بايد بر جدول summart و سپس continue كيليك نماييد ما از هيچ يك از گزينه هاي save استفاده نمي كنيم. بنابراين، براي اجراي برنامه بر ok كيليك كنيد. به ياد داشته باشيد كه برنامه تحليل مبين spss برون دادهاي زيادي را به شما مي دهد كه براي تحليل ساده اي مانند اين استفاده نمي شود. ما مجددا پنج جدول را بررسي مي كنيم. جدول wilks lambda حامل مهمترين اطلاعات مي باشد اگر اين آمار مهم است و ooo. است بايد جدول classification Result را نيز بررسي كنيم. در پايان جدول خواهيم ديد كه توانايي نقش مبيني در پيش بيني اعضاي گروه 90درصد است. به منظور دريافت اين موضوع كه كداميك از متغيرهاي وابسته در پيش بيني اعضاي گروه به ما كمك خواند نمود بايد به اطلاعات دو جدول توجه كنيم اين دو جدول بررسي تشابهات ميانگين هاي گروه و ماتريس ساختار مي باشند.
تحليل همبسته: تحليل همبسته تكنيك چند متغيره اي است كه اهميت نسبي جايگاه مصرف كننده را در ويژگيهاي مختلفي از محصول يا خدمات همچنين ميزان ارزشي كه هر يك از مصرف كنندگان به اين ويژگيها قائلند را بر آورده مي كند. اين شيوه وابسته فرض را بر انتخاب مصرف كننده يا ايجاد اولويت براي محصولات از طريق ارزيابي استفاده از محصول يا ارزش آن قرار داده است. اين ارزش متشكل از استفاده هاي خاص از ويژگي هر محصول مي باشد.تلاش تحليل همبسته تخمين اهميت ويژگي اي از محصول است كه با انتخاب مصرف كننده يا تمايل او مطابقت دارد. به عنوان مثال فرض كنيد رستوران فست فود ما در نظر دارد بهترين تركيبي از ويژگيهاي رستوران كه موجب جذب مشتري مي شود ارائه كند. يك محقق بازاريابي مي تواند توصيفاتي كه هر يك شامل تركيبات مختلفي از ويژگيها مي باشد ايجاد كند. در كادر 10-18 دو نمونه از توصيفات نشان داده شده است. سپس مشتريان مورد بررسي قرار خواهند گرفت. محقق بايد ويژگيهايي را انتخاب كند كه بر گزينش يا تمايل مصرف كننده تاثير ميگذارد و همچنين سطح را در بررسي خود بگنجاند. اگر هر يك از چهار ويژگي نشان داده شده دركادر 10-18 دو سطح يا ارزش ( به عنوان مثال سطح قيمت: ارزان در مقابل حد واسط) داشته باشد 16 تركيب احتمالي در طبقه بندي مشتريان وجود خواهد داشت (16=2*2*2*2) وقتي داده ها گرد آوري شدند بكار گيري تحليل همبسته تخميني ارزش نسبي براي هر سطح از هر ويژگي ارائه ميكند. فرايند آماري در تحليل همبسته از طبقه بندي ويژگيها توسط مشتريان بعنوان هدف استفاده ميكند. سپس فرايند برآورد ارزش نسبي براي هر سطح از هر ويژگي تعيين مي كند. كارايي كلي با استفاده ا زفرمول ذيل محاسبه مي شود.
كه
ارزش كلي محصول 
= تخمين ارزش نسبي اولين سطح اولين ويژگي
= تخمين دومين سطح اولين ويژگي و 
تخيمن ارزش نسبي n امين سطح m امين ويژگي است. وقتي ارزش كلي محصولات شرح داده شده برآورد شد فرآيند آن را با طبقه بندي واقعي مشتري مقايسه ميكند. اگر پيش بيني ها درست نبود برآوردهاي ارزش سنجش تغيير كرده و ارزش كلي دوباره محاسبه مي شود. اين فرآيند تا آنجايي ادامه مي يابد كه پيش بيني ها تا حد امكان نزديك طبقه بندي واقعي مشتري باشند. مي توان توانايي ضريب هاي تخمين ارزش نسبي در پيش بيني درست طبقه بندي مشتري را از طريق بررسي الگوهاي آماري از جمله r2 پيش بيني نمود. درست مانند رگرسيون ميزان بالاي r2 حاكي از مطابقت آن با داده ها است.كادر 11-18 بيانگر نمودارهايي از برآوردهاي ارزش نسبي در سطوح مختلف چهار ويژگي مي باشد. اهميت هر ويژگي به وسيله گستره اي از برآوردهاي ارزش نسبي براي آن ويژگي ها داده مي شود. به عبارتي ديگر با سكه نمودن حداقل ارزش نسبي از حداكثر آن مي توانيد اهميت هر ويژگي را محاسبه كنيد. فرمول محاسبه اهميت ويژگي 1i={Max(aij)- Min(aij)} و فرمول اهيمت نسبي 
است. همان طور كه مشاهده نموديد سطح قيمت رستوران از نظر مشتري مهمترين ويژگي در انتخاب رستوران مي باشد.
كاربردهاي تحليل همبسته در تحقيق بازاريابي:
مثال فسف فود كه در اين بحث استفاده شده نموداري از موارد استفاده تحليل همبسته در شناسايي ويژگي هاي مهم كه بر انتخاب رستوران مصرف كننده تاثير مي گذارد، مي باشد. اين تكنيك كاربردهاي مهم ديگري نيز دارد.سهم بالقوه بازار كالاهايي با تركيباتي از ويژگي هاي مختلف مي توانند به منظور تعيين طرحي رايج مورد مقايسه قرار گيرند.
تحليل انعكاس محصول: از ويژگيهاي محصول مي توان در اتخاذ تصميمات بازاريابي و تبليغات استفاده نمود.
تحليل بخش ها: گروه هايي از مشتريان بالقوه كه سطوح مختلفي از اهميت را بر ويژگيهاي محصول قرار دهند، مي توانند براي استفاده به عنوان بخش هاي بازاري شناسايي شوند.
باز نمايي ادراكي: بازنمايي ادراكي فرايندي است كه براي توسعه نمودارهايي كه نشان دهنده ادراك هاي پاسخ دهندگان هستند استفاده مي شود. نمودارها اظهارات ديداري دو بعدي از بينش هاي پاسخ دهندگان از شركت، محصول، خدمات، نشان ويژه تجاري و يا هر چيز ديگري مي باشد. معمولا نمودار ادراكي دو محور عمودي و افقي با عناوين صفت هاي توصيفي دارند. صفت هاي احتمالي براي مثال رستوران ممكن است دماي غذا و تازگي سرعت سرويس دهي و ... مي باشد. مي توان از چندين تكنيك چند متغير مختلف براي توسعه نموداري ادراكي استفاده نمود. اين تكنيك شامل تحليل فاكتور، تحليل مبين، تحليل تطابق و درجه بندي چند بعدي مي باشند. كادر 3-18 ارائه كننده توضيحي راجع به نمودار اداركي مي باشد. به مشتريان شش فست فود معرفي شده از آنها خواسته مي شود نظرات خود را راجع به هر رستوران بيان كنند. سپس اين نظرات با استفاده از دو صفت تازگي و دماي غذا بر نموداري دو بعدي به تصوير كشيده مي شود. كاربردهاي باز نمايي ادراكي در تحقيق بازاريابي.
توسه محصولات جديد:
بازنمايي ادراكي مي تواند شكاف هاي موجود در بينش ها را شناسايي كند. سپس محصولاتي جديد را جايگزين نمايد. تبليغات بازنمايي ادراكي مي تواند تاثير تبليغات بر نشان هاي ويژه تجاري را ارزيابي نمايد.
در سال هاي اخير شاهد پيشرفت هاي قابل توجهي در سخت افزار كامپوتر بوده ايم.ظرفيت سرعت و ذخيره pcs هر هجده ماه دو برابر مي شود و اين در حالي است كه هزينه آن كاهش مي يابد.
بسته هاي نرم افزاري آماري با ويندوزهاي كاربر نقش مهمي را در عصرclik-and-point ايفا مي كنند.ساليان متوالي داده ها حاصل بررسي هاي گوناگون بودند امروزه در انبار داده ها انبوهي از اطلاعات ذخيره شده است به گونه اي كه مي توان اطلاعات ارزشمندي راجع به مشتريان و كاركنان كسب نمود.تعدادي از اين اطلاعات را مي توان به وسيله روش هاي آماري ساده تجزيه و تحليل نمود.اما در اكثر مواقع نيازمند تكنيك هاي پيچيده تري هستيم.امروزه اكثر محققان علاقمند به استفاده از بيش از متغير ه هستند و بنابراين وجود تكنيك هاي چند متغيره آماري ضروري ميباشد.
علاوه براين، تصميم گير ندگان تجاري و مصرف كنندگان به منظور اتحاذ تصميم و انتخاب تمايل دارند از اطلاعات زيادي استفاده كنند.در نتيجه تاثيرات بالقوه بر رفتار مصرف كننده و واكنش هاي تجاري فراوان مي باشد. تكنيك هاي چند متغيره ناشي از نياز تجار به توجه نمودن به برخي پيچيدگي ها است.
تجزيه جند متغيره چيست؟
تجزيه چند متغيره به گروهي از شيوه هاي آماري اشاره دارد كه مقياس هاي چندگانه هر ويژگي با شيء مورد بررسي را به طور همزمان تجزيه و تحليل مي كند.شيوه هاي آماري چند متغيره كه در اين فصل به بحث راجع به آن خواهيم پرداخت شيوه هاي آماري يك متغيره و دو متغيره گسترده شده هستند كه در فصل پيشين نكاتي راجع به آنها ارائه نموديم.تحليل چند متغيره در تحقيقات بازاريابي به دليل اينكه بيشتر مشكلات تجاري چند بعدي هستند بسيار مهم مي باشد.به ندرت شركت ها و مشتريانشان بر اساس يك بعد توصيف مي شوند اتخاذ تصميم در بازديد از يك رستوران اغلب به فاكتورهايي از قبيل كيفييت،تنوع و هزينه غذا؛ محل رستوران و خدمات بستگي دارد. هنگامي كه شركت ها براي ارائه خدمات بهتر به مشتريان خود پايگاه داده اي راه اندازي مي كنند، اين پايگاه ها اغلب شامل اطلاعات گسترده اي مانند جمعيت شناسي،شيوه زندگي،كد پستي و شيوه خريد مشتريان مي باشد.
طبقه بندي شيوه هاي چند متغيره:
چالش موجود در ميان محققان بازاريابي تعيين شيوه آماري مناسب براي مشكل مذكور مي باشد.چندين شيوه پيشنهاد شده است. طبقه بندي سودمندي از بيشتر تكنيك ها ي آماري چند متغيره در كادر 1-18 ارائه شده است.
كادر 1-18 طبقه بندي شيوه هاي چند متغيره
شيوه هاي وابسته يا بر همبستگي؟
اگر براي توضيح متغير وابسته بر اساس دو يا چند متغير مستقل از تكنيك چند متغيره استفاده كنيم به تجزيه و تحليل و درك وابستگي مبارات نموده ايم.شيوه وابسته را مي توان به عنوان شيوه هي تعريف نمود كه در آن يك متغير به وسيله متغيرهاي مستقل ديگر توضيح داده مي شود. تكنيك هاي وابسته شامل تجزيه رگرسيون چندگانه،تحليل مبين (مميز)، manova ، تحليل هميشه مي باشد.كادر 2-18
خلاصه شيوه هاي جند متغيره گزينش شده:
رگراسيون چندگانه محققان بازاريابي را در پيش بيني يك متغيره متري وابسته از دو يا چند متغير مستقل كه از نظر متري سنجش شده اند را توانمند مي سازد.
تحليل مبين:چندگانه مي تواند يك متغير غير متري وابسته را از ميان دو يا چند متغير مستقل متري پيش بيني كند.
تحليل فاكتوري:در خلاصه نمودن اطلاعات موجود شمار گسترده اي از متغيرها زير مجموعه هاي كوچكتر يا فاكتور ها استفاده مي شود.
تحليل خوشه اي:در طبقه بندي نمودن پاسخ دهندگان يا اشياء (به عنوان مثال فراورده ها،ذخاير)به گروه هايي كه يكنواخت هستند استفاده مي شود.
تحليل همبسته:در بر آورد نمودن ارزش (كارائي) محصولات مختلف و خدمات ار نظر پاسخ دهنده به كار مي رود.
باز نمايي ادراكي:در سنجش دادن بينش هاي پاسخ دهنده از محصولات، نشان هاي تجاري ويژه،شركت ها،و . . . كه به طور بصري مي باشد استفاده مي گردد.
تاثير مقياس هاي سنجش:ماهيت مقياس هاي سنجش درست مانند شيوه هاي ديگر تحليل،تعيين تكنيك چند متغيره در تحليل داده مي باشد. گزينش شيوه چند متغيره صحيح نيازمند بررسي نوع سنجش هاي استفاده شده در متغيرهاي وابسته و مستقل مي باشد.وقتي متغير وابسته به صورت غير متري سنجش مي شود. شيوه هاي مناسب تحليل مبين و همبسته هستند و زمانيكه متغير وابسته به طور متري اندازه گيري مي شود تكنيك هاي مؤثر رگرسيون چندگانه،MANOVA.ANOVA و همبسته مي باشند.تحليل رگراسيون چندگانه و مبين معمولا نيارمند متغيرهاي مستقل متري هستند ،اما مي توانند از متغيرهاي مصنوعي غير متري نيز استفاده كنند.تحليل هاي MANOVA.ANOVA و همبسته متناسب با متغير هاي مستقل غير متري مي باشند. تكنيك هاي بر همبستگي تحليل فاكتوري و تحليل خوشه اي به طور پيوسته با متغير هاي متري بكار مي روند،اما تطبيقات غيرمتري نيز امكان پذيز است.
تكنيك هاي بر همبستگي:بحث راجع به تكنيك هاي خاص چند متغيره را با تحليل شيوه هاي بر همبستگي آغاز خواهيم نمود.هدف تكنيك هايي از قبيل تحليل فاكتور و خوشه اي پيش بيني متغيري از يك سري متغيرهاي مستقل نيست.بلكه خلاصه نمودن و ارائه دركي روشن از تعداد زيادي متغير مي باشد.
تحليل فاكتور:تكنيك آماري چند متغيري است كه به منظور خلاصه نمودن اطلاعات موجود شمار گسترده اي از متغير ها در زير مجموعه هاي كوچكتر يا فاكتورها استفاده مي شود.هدف تحليل فاكتور ساده نمودن داده ها مي باشد با وجود تحليل فاكتوري تفاوتي بين متغيرهاي وابسته و مستقل وجود ندارد. امروزه اكثر مشكلات پيشاروي تجار اغلب در نتيجه تركيب چند چند متغير مي باشد. به عنوان مثال،اگر امتياز دهنده محلي ام سي دونالد به ارزيابي رضايت مشتري علاقمند باشد،اكثر متغيرهاي علاقه را بايد بسنجد. متغيرهايي مانند تازه بودن غذا، زمان انتظار، مزه، دماي غذا، تميزي و رفتار محبت آميز پرسنل از طريق تعدادي سؤال درجه بندي شده اندازه گيري خواهد شد. اجازه دهيد به مثال اوليه از تحليل فاكتور بپردازيم. داده هاي پنج مشتري كه رستوران فست فود را در شش ويژگي توصيف نموده اند در كادر3-18 ارائه شده است.
مشترياني كه كمترين امتياز را به زمان انتظار داده اند،براي تميزي و پرسنل نيز امتياز كمي در نظر گرفته اند سه مشخصه ديگر يعني تازگي، مزه، دما الگوي ديگري پديد آورده اند.
در اين مورد امتيازات در هر سه متغير بالا مي باشد. بر اساس الگوي داده ها مي توان اين شش مقياس را در دو مقياس مختصر يا فاكتور كميت خدمات و غذا تركيب نمود.(كادر 4-18)
|
 | |
 |
همان طور كه در مثال بالا توضيح داديم هدف كلي تحليل فاكتور خلاصه نمودن اطلاعات مي باشد. هدف آماري تحليل فاكتور تعييين وجود تركيب خطر از متغييرها (به عنوان مثال، زمان، انتظار، تميزي، پرسنل) است كه بتواند به محقق در خلاصه نمودن داده ها و شناسايي روابط اساسي كمك كند. نقطه آغازين در تفسير فاكتور تحليل بارهاي فاكتوري است. بار فاكتوري به همبستگي بين هر يك از متغيرها ي اوليه و فاكتورهاي توسعه يافته جديد اشاره دارد. بارهاي فاكتوري مانند همبستگي ها مي توانند از0/1+ تا 0/1- متغير باشند. اگر متغير A4(مزه غذا) ارتباط نزديكي با فاكتور 2 داشته باشد،همبستگي يا بار فاكتور بالا خواهد بود. تحليل آماري مرتبط باتحليل فاكتور مي تواند بار فاكتوري بين هر فاكتور و هر يك از متغير هاي اوليه ايجاد كند. نتيجه اين تحليل آماري در كادر(5-18) ارائه شده است. مرحله بعدي در تحليل فاكتور نامگذاري فاكتورهاي منتج مي باشد. محقق متغيرهايي را كه بار بالايي در هر فاكتور دارند،مورد بررسي قرار مي دهد.
اغلب انسجام خاصي ميان متغيرهاي كه بار بالايي در فاكتور مذكور دارند،ديده مي شود. ويژگي پاياني تحليل تحليل فاكتور به تعداد فاكتورهاي حفظ شده مربوط مي باشد. تصميم گيري درباره تعداد فاكتورها فرايند بسيار پيچيده اي است،زيرا در هر مشكل تحليل فاكتور بيش از يك راه حل احتمالي وجود دارد. مقياس مهم در تعيين تعداد فاكتورها درصد وروش در داده هاي اوليه اي است كه به وسيله هر فاكتور توضيح داده شده است. برنامه كامپيوتري تحليل فاكتور جدولي از اعداد ايجاد خواهد نمود كه بيان كننده درصد وروش توضيح داده شده توسط هر فاكتور مي باشند.
كاربردهاي تحليل فاكتور در تحقيق بازاريابي:اگر چه مثال فست فود قدرت تحليل فاكتوري را در ساده نمودن بينش هاي مشتري نسبت به رستوران فست فود روشن نمود،اين كلينيك در تحقيق بازاريابي كاربردهاي مهم ديگري نيز دارد.
تبليغات بازرگاني:از تحليل فاكتور مي توان براي درك بهتر خصلت هاي رسانه اي مشتريان مختلف استفاده نمود.
ارزشيابي كردن:تحليل فاكتور مي تواند در شناسايي ويژگي هاي مشتريان حساس به قيمت و حساس به اعتبار كمك كند.
محصول:مي توان از تحليل فاكتور در شناسايي ويژگي هاي نشان هاي تجاري ويژه كه بر انتخاب مشتري مؤثر مي باشد استفاده نمود.
توزيع:تحليل فاكتور مي تواند در درك بهتر معيارگزينش در ميان بخش هاي توزيع به كار گرفته شود.كاربرد SPSS
تحليل فاكتور:اهميت تحليل فاكتور در پايگاه داده اي رستوران شرح داده شد. در پايگاه داده يمان شش متغير داشتيم كه از نظر متري اندازه گيري شده بودند. اين متغيرها X1 تا X6 مي باشند آيا مي توانيم تعداد ابن متغيرها را كاهش دهيم.توالي كيليك SPSS
ANALYZEàDATAREDUCTIONàFACTOR
است كه به كادر ديالوگ كه مي توانند متغيرهايX1-X6 را انتخاب كنيد منتهي مي شود.بعد از اينكه اين متغير ها قرار داديد به گزينه هاي تحليل داده نگاه كنيد. اول برروي كادر Descriptive كيليك نماييد. سپس برروي كادر uninvariate Descriptiven كيليك كنيد.اين كار را ادامه دهيد تا به كادر قبلي ديالوگ برسيد.سپس به كادر Extraction برويد.در اين مرحله به نبود اجزاء اصلي توجه نكنيد،Unrotated factor solution را از حالت كيليك خارج نماييد. حال بر روي كادر Continue كيليك كنيد.بعد به كادر Rotation برويد.در اينجا كمبودي وجود ندارد ما مي خواهيم به نوبت اين كارها را انجام دهيم. بنابراين برروي varimax كيليك كنيد و ادامه دهيد در پايان نيز به كادر options برويد و برروي Stored by size كيليك كنيد و سپس مقادير مطلق را از 10 تا 30 تغيير دهيد.انتخاب هاي پاياني اطلاعات غير ضروري را حذف كنيد و بنابراين نسخه هاي چاپي راه حل هاي آسانتر خوانده مي شوند. در اينجا نيازي به امتياز نداريم بنابراين مي توانيم براي اجرا نمودن تحليل فاكتوربر روي ok در قسمت بالاي كادر ديالوگ كيليك كنيم.اولين جدولي كه در بدون دادخواهيد ديد آواز توصيفي مي باشد.
استفاده از تحليل فاكتوري با رگرسيون چندگانه:
ممكن است گاهي بخواهيم نتيجه تحليل فاكتوري را با تكنيك چند متغيره ديگري مانند رگرسيون چندگانه استفاده نماييم. اين روند هنگام بكارگيري تحليل فاكتوري در تركيب تعداد بسياري از متغيرها به منظور دست يافتن به منظوردست يافتن به مجموعه هاي كوچكتري كارا مي باشد.مي توانيم اين موضوع را با مثال پيشين در كه شش بينش در دو فاكتور عملكرد ها و غذا گنجانده شد شرح دهيم. بدون تحليل فاكتور ديدگاه هاي مشتري را بايد در شش ويژگي جداگانه بررسي كنيم. اما اگر از نتيجه تحليل فاكتور استفاده كنيم فقط بايد دو ويژگي با فاكتور را بررسي نماييم.براي استفاده از دو فاكتور در رگرسيون چندگانه بايد ابتدا امتيازات فاكتور را محاسبه كنيم. امتيازات فاكتور متشكل از امتيازات بر آورده شده براي هر پاسخ در هر يك از فاكتورهاي مشتق شده مي باشد. به كادر ديالوگ Spss بر گرديد در قسمت پايين اين كادر، امتيازات را كه قبلا استفاده نكرده ايد مشاهده خواهيد نمود. برروي اين كادر كيليك وسپس بر روي Save as varibhes كيليك كنيد.با انجام اين كار گزينه هاي بيشتري را مشاهده خواهيد نمود. اما فقط از Regression. Defomt استفاده نماييد. حال بر Continue وسپس Ok كيليك كنيد بدين صورت خواهيد توانست امتيازات فاكتورها را محاسبه كنيد. نتيجه امتياز دو فاكتور براي هر 50 پاسخ دهنده خواهد بود.آنها در انتهاي سمت راست پايگاه داده اي ظاهر خواهند شد و عنواني Fac2-1. Fac1-1 خواهند داشت. حال مي خواهيم بدانيم آيا تعبيرات رستوران كه به وسيله فاكتورها اندازه گيري شده اند با رضايت ارتباطي دارند. در اين مورد متغير متري وابسته رضايت (X9-satis faction )X 9 است و متغيرهاي مستقل امتيازات فاكتورها مي باشند. توالي كيليك Spss
ANALYZEàREGRESSIONàLINEAR
است كه به كادر ديالوگ كه مي توانيد متغيرها را انتخاب كنيد منتهي مي شود. بايد X9 را بعنوان وابسته و fac2-1 . fac1-1 را بعنوان مستقل انتخاب كنيد. چندين نوع تحليل نيز وجود دارد كه مي توانيد آنها را قسمت پايين كادر ديالوگ انتخاب نماييد. ولي در اينجا از برنامه defawt استفاده مي كنيم. وقتي بر روي OK كه در قسمت بالاي سمت راست كادر ديالوگ است ، كيليك مي كنيد،regression (رگرسيون) را اجرا خواهيد نمود. با نگاه كردن به برون داد از جدول متغيرهاي وارد شده /خارج شده در مي يابيد هر دو امتياز فاكتوري بعنوان متغيرهاي مستقل و سطح رضايت به عنوان متغير وابسته شده اند جدول خلاصه نشان ميدهد كه مجذور0/549 R- است جدول ANOVA حاكي از آن است كه آن از نظر آماري در سطح ooo مي باشد. براي تعيين اينكه آيا يك يا هر دو متغير امتياز پيشگويي كننده مهمي از رضايت هستند بايد جدول همبستگي را بررسي نماييم. ستون ضريب همبستگي بتا حاكي از آن است كه فاكتور 1عملكرد 530/0 و فاكتور 2 غذا 518/0 مي باشد و سطوح اهميت آماري آن به ترتيب ooo . ooo است. بنابراين ، از اين تحليل رگرسيون دريافتيم كه تعبير عملكردها و غذا پيش گويي كننده قوي از رضايت هستند. در اين فصل چگونگي استفاده از تكنيك چند متغيره تحليل فاكتور را با تكنيك ديگر-رگرسيون شرح داديم استفاده از تكنيك هاي چند متغيره ديگر درتركيب امكان پذير است.
تحليل خوشه اي:
تحليل خوشه اي شيوه برهمبستگي چند متغيره ديگري است همان طور كه از نام آن برمي آيد هدف اصلي تحليل خوشه اي، طبقه بندي يا تقسيم كردن اشياء 0به عنوان مثال مشتريان، محصولات ، حوزه هاي بازار)در گروههايي است كه اشياء آن با توجه انواع گوناگون متغيرها مشابه هستند. در تحليل خوشه اي هدف بدآن است كه اشياء يك گروه مشابه ولي نسبت به گروه ديگر تا آنجا كه امكان دارد متفاوت باشد. بنابراين، در اين روش سعي شده گروههاي طبيعي ميان متغير هاي بيشمار بدون درنظر گرفتن هر يك از متغيرها به عنوان متغير وابسته شناسايي شوند. بحث راجع به تحليل خوشه اي را با اين مثال درون يافتي آغاز مي كنيم. رستوران فست فود ما در نظر دارد رستوراني جديد در شهركي درحال پيشرفت افتتاح كند.محققان بازاريابي ، اين منطقه را به دقت بررسي نمودند. و اطلاعاتي از جمله جمعيت شناسي ،شيوه زندگي و هزينه صرف غذا دررستوران را گرد آوري نمودند. زنجيره فست فود در جستجوي بخش هاي خانگي بود كه تمايل داشتند رستوران جديد را بازديد كنند. با هدايت نمودن تحليل خوشه اي داده هاي جمع آوري شده مي توان بخش هدفي براي شركت شناسايي نمود. نتيجه تحليل خوشه اي شناسايي بخش هايي خواهد بود كه هر يك از آنها شامل خانوارهايي با ويژگيهايي مشابه باشند در كادر 7-18 چهار خوشه يا بخش براي اين رستوران ارائه شده است. همان طور كه در اين مثال توضيح داده شد اين رستوران شامل خانوارهايي است كه به ندرت از رستوران بازديد مي كنند.(خوشه اول) خانوارهايي كه تمايل دارند در آنجا در رستوران واقع در شهرك مكرر غذا بخورند (شاخه دوم)، خانوارهايي كه تمايل دارند منحصرا به رستوران فست فود بروند (خوشه سوم) و خانوارهايي كه مكررا در آن رستوران و رستوران فست فود غذا مي خوردند. مديريت با بررسي ويژگيهاي مرتبط با هر يك از خوشه ها مي تواند خوشه اي متناسب با هدف در نظر بگيريد.
شيوه هاي آماري در تحليل خوشه اي:
چندين شيوه آماري موجود است كه هر كدام بر پايه مجموعه متفاوتي از برنامه هاي پيچيده كامپيوتري قرار دارند. با اين وجود، روند كلي در هر شيوه يكسان مي باشد شامل سنجش شباهت هاي بين اشياء است. ميزان(درجه) شباهت بين اشياء اغلب از طريق سنجش فاصله تعيين مي گردد. به عنوان مثال ميزان (تعداد دفعات) خوردن غذا در يك رستوران عالي =71 ميزان خوردن غذا در رستوران فست فود =V2 . داده هاي V2,V1 در يك نقشه دو بعدي كه در كادر 7-18 رائه شده نشان داده شده است. هر يك از حروف بيان كننده موقعيت يك مشتري مي باشند. فاصله بين هر دو حروف ارتباط مثبتي با شباهت هاي موجود در بين آنها دارد بنابراين فرد A شباهت بيشتري با فرد B دارد. نمودارهاي خوشه اي اغلب نمودارهاي پراكنده به دست مي آيند. اين فرايند پيچيده آزمايش و خطا است. خوشبختانه الگوريتم هاي كامپيوتري موجود است كه اگر خوشه اي نمودن با شيوه اي سيستماتيك و كارا همراه مي باشد بايد از آن استفاده نمود.
كاربردهاي تحليل خوشه اي در تحقيق بازاريابي:
با وجود آنكه مثال فست فودها توضيح داد چگونه تحليل خوشه اي گروه هاي خانوار را تقسيم مي كند. كاربردهاي مهم ديگري نيز در تحقيق بازاريابي دارد.
انجام پژوهش ها درباره محصولات جديد:
نشان هاي تجاري دسته بندي شده مي توانند به شركت در بررسي محصولات رقابتي اشان كمك كنند. نشان هاي تجاري موجود در يك دسته خوشه نسبت به نشان هاي موجود در دسته هاي ديگر رقابت شديد تري را نشان مي دهند.
آزمايش بازاريابي: گروه هاي تحليل خوشه اي، شهرهاي واقع در خوشه يكسان را به منظور آزمودن اهداف بازاريابي مورد آزمايش قرار مي دهند.
رفتار خريدار: تحليل خوشه اي مي تواند در شناسايي گروه هاي مشابه خريداران كه معيارهاي انتخاب يكساني دارند به كار گرفته شود. بخش بخش سازي بازار: تحليل خوشه اي مي تواند بخش هاي مختلف بازار را بر اساس متغيرهاي جغرافيايي، جمعيت شناسي، روان نمودار و رفتارگرايي توسعه دهد. كاربرد Spss-
تحليل خوشه اي: ارزش تحليل خوشه اي رامي توان به آساني به وسيله پايگاه داده اي رستوران شرح داد. در پايگاه داده اي شش متغير داريم كه از نظر متري سنجش شده اند. اينها متغيرهاي x1تا xGهستند كه تعبيرات مشتريان رستوران مي باشند. آيا زير مجموعه ها يا خوشه هايي از 50 پاسخ دهنده وجود دارد كه متفاوت باشند. در گزينش متغيير ها بايد متغيرهايي انتخاب شوند كه از نظر متري اندازه گيري شده اند و ارتباط منطقي اي با يكديگر دارند از اين شش متغير دو متغير غذا (كيفيت و تنوع) همانند دو متغير پرسنل و تبحر و خوش اخلاقي به يكديگر مرتبط اند. اجازه دهيد با متغير پرسنل X1وX3 كار كنيم وظيفه بعدي اين است كه تعيين كنيم آيا دسته هايي از پاسخ دهندگان وجود دارد كه برداشت هاي كاملا متفاوتي از پرسنل داشته باشند توالي كيليك spss
ANALYZEà CLASSIFYà HIERARCHICALCLUSTER
است كه به كادر ديالوگ كه متغيرهاي N3 N1 را انتخاب مي كنيد منحني مي شود. بعد از اينكه متغيرها را به كادر متغير وارد نمودند به گزينه هاي ديگري توجه كنيد همه dofauut نشان داده شده در كادر ديالوگ را حفظ كنيد. بر روي كادر Method كيليك كنيد. Ward را انتخاب نماييد، اما از defauwt مجذور فاصله اقليدسي استفاده كنيد. در اين مرحله با گزينه save كاري نداريم. بنابراين مي توانيم براي اجراي تحليل خوشه اي بر روي ok كيليك كنيم. برون داد جدولي به نام برنامه تجمع خواهد بود. جدول شامل اعداد زيادي است، اما ما فقط اعدادي را مي خواهيم كه در ستون ضريب قرار دارند. به اعداد پايين جدول نگاهي بيندازيد اين اعداد بزرگترين اعداد هستند عدد واقع در ته جدول 790/186 عدد قبل از آن 412/85 است. ضريب در اين ستون دال بر آن است كه تا چه ميزان مي توانيد اشتباها متقن را با حركت از يك خوشه اي به دو خوشه اي از خوشه اي به سه خوشه اي و همين طور كاهش دهيد. وقتي از يك دسته اي مي رويد تفاوت(كاهش) قابل توجهي در ضريب اشتباه وجود خواهد داشت وقتي به بالاي ستون مي رويد كاهش در اعداد ناچيزتر خواهد بود. آنچه كه شما به دنبال آن هستيد اين است كه كمترين تفاوت در كجا قرار دارد. اين بدين معني است كه حركت از سر خوشه اي به چهار خوشه اي اشتباه متقن را خيلي زياد كاهش نمي دهد. در خواهيد يافت كه در اين مورد تغيير از 513/64 تا 159/46 است. به منظور ارائه راه حلي در اين مورد مطمئنا سه خوشه اي را انتخاب خواهيم كرد زيرا تفاوت بين اعداد در انتقال از سه خوشه به چهار خوشه ناچيزتر مي شود. همچنين ممكن است فقط از دو خوشه اي استفاده كنيم. اجازه دهيد بر راه حل دوخوشه اي متمركز شديم زيرا آن آسان تر است. قبل از اينكه دوخوشه اي ها را نامگذاري كنيم، بايد مطمئن شويم كه تفاوت قابل ملاحظه اي بين آنها وجود دارد. براي انجام اين كار ابتدا بايد متغير جديدي كه مشخص ميكند كدام گروه روبسته از 50 پاسخ دهنده به وسيله تحليل خوشه اي تعيين شده است. ايجاد نمود به كادر ديالوگ برگرديد و بر روي كادر save كيليك كنيد. با انجام اين كار مي توانيد متغير خوشه ايي جديدي را براي يك راه حل يا چندين راه حل ايجاد كنيد. يك راه حل را انتخاب كنيد 2 را در كادر قرار دهيد در اين هنگام متغير عضو گروه براي راه حل دو گروه ظاهر مي شود. متغير عضو گروه جديد در برگه اطلاعاتي شما متغيري جديد با عنوان clu2-1 خواهد بود. براي پاسخ دهندگان در دسته اول 1 و براي پاسخ دهندگان در دسته دوم 2به كار مي رود. در پايگاه داده اي دلي ديپات (Deli Depot) اين متغير را xig ناميديم. حال مي توانيد به منظور دريافتن تفاوت آماري دو دسته ANOVA را بين دو دسته خوشه اجرا كنيد توالي كيليك Spss به صورت
ONE-WAY ANOVAANALYZEà COMPARE MEANSà
است. سپس متغيرهاي X3,X1 را در كادر متغيرها و متغير اعضاء جديد را در كادر فاكتورها قرار دهيد. سپس به كادر options برويد و بر روي Descriptiveو سپس continue كليك كنيد در اين مرحله با كيليك بر روي ok به جدول ANOVA , Descriptive دست خواهيد يافت. در اين جدول Descriptive شما شاهد سايزهاي نمونه در هر گروه خوشه و ميانگين متغيرها خواهيد بود با بررسي جدول ANONA در مي يابيد كه آيا تفاوت بين ميانگين هاي گروه چشمگير مي باشند يا نه.
تحليل وابسته: تصميم داريم در اينجا بر تكنيك هاي چند متغيره مرتبط با تحليل وابسته متمركز شويم. هدف اين تكنيك ها پيش بيني متغيري از ميان يك سري متغير وابسته مي باشد. تكنيك هاي وابسته موجود در اين كتاب شامل رگرسيون چندگانه، تحليل مبين و تحليل همبسته هستند.
تحليل مبين: تحليل مبين تكنيك چند متغيراي است كه در پيش بيني اعضاء گروه بر اساس دو يا بيش از دو متغير استفاده مي شود. در موقعيت هاي بسيار حساس هدف محقق بازاريابي طبقه بندي اشياء يا گروهها به وسيله يك سري متغيرهاي مستقل است. بنابراين متغير وابسته در تحليل مبين غير متري با طبقه اي كاهش مي باشد. در بازاريابي، مشتريان اغلب بر اساس استفاده از محصول سنگين يا سبك طبقه بندي مي شوند. بالعكس متغيرهاي وابسته در تحليل مبين متري هستند و اغلب متشكل از ويژگيهايي مانند جمعيت شناسي و روان نموداري مي باشند بحث راجع به تحليل مبين را با يك مثال درون يافتي آغاز مي كنيم. رستوران فست فود ما تمايل دارد بداند آيا متغير شيوه زندگي مانند خوردن غذاي مغذي (x1) و متغير جمعيت شناسي مانند در آمد خانوار (x2) در شناسايي خانوارهايي كه از رستوران بازديد مي كنند از بازديدكنندگان از فست فود مفيد است. محققان بازاريابي اطلاعاتي در رابطه با x2, x1 براي دو گروه تصادفي متشكل ازخانوارها گرد آوري نمودند. شيوه هاي تحليل مبين اين داده ها را در نموداري دو بعدي كه در شكل 8-18 نشان داده شده به تصوير مي كشند.
 |
مشتريان درآمد ديگر رستورانهاشيوه زندگي
اين مثال حاكي از آن است كه x2,x1 تبعيض گران مهمي از رستوران فست فود مي باشند. اگر چه اين دو بر ورودي همديگر قرار گرفته اند اما ميزان اين همپوشي چندان مهم نيست. همپوشي اندك بين گروهها لازمه يك تحليل مبين موفق مي باشد. همان طور كه گفتيم پيش بيني متغير طبقه بندي شده هدف تحليل مبين است. از نقطه نظر آماري اين شامل بررسي جهت تفاوتهاي گروه بر اساس تركيب خطي متغيرهاي وابسته كه نشان دهنده بيشترين تفاوت ها در ميانگين هاي گروه هستند مي باشد. بنابراين، تحليل مبين ابزاري آماري براي تعيين تركيبات خطي متغيرهاي مستقل است. نقش خطي مي تواند در مثال فست فود خود ما توسعه يابد از تحليل مبين دوگروهي كه متغير وابسته 20، با مقياس اسمي اندازه گيري مي شود( به عبارتي ديگر مشتريان Back yard Burger در مقابل ديگر رستوران هاي فست فود ) استفاده خواهيم نمود. حال محقق بايد نقش خطي متغيرهاي مستقل را كه بيشترين تفاوت ها را نشان مي دهند بيابند. امتياز مبين يا z مبناي پيش بيني جايگاه افراد مي باشد. همان طور كه در معادله زير نشان داده شد z هر فرد برابر است با z1= b1x1i+ b2x2i……..bn xni كه z1 امتياز مبين فرد bn ضريب مبين در متغير =xn1, nth ارزش فرد در متغير مستقل nth است. اوزان مبين (bn)يا ضريبهاي مبين تخميني از قدرت تبعيضي متغير مستقل خاص هستند. سايز ضريبهاي مرتبط با متغير مستقل خاص به وسيله ساختار واريانس تعيين مي گردد. متغيرهاي مستقل با قدرت تبعيضي بالا اوزان بزرگي نيز خواهند داشت و بالكعس آن نيز صورت مي گيرد. هدف مهم ديگر تحليل مبين طبقه بندي اشياء يا اشخاص در گروه هايي است. در مثال مذكور، هدف طبقه بندي مشتريان به دو گروه Back yard Burger رستوران هاي ديگر بود. به منظور تعيين اينكه آيا نقش تخميني مبين معيار خوبي است، ماتريس طبقه بندي استفاده مي شود.
كاربردهاي تحليل مبين در تحقيق بازاريابي:
با آنكه مثال مذكور نشان داد چگونه تحليل مبين بر اساس متغيرهاي مستقل مشتريان را در دو گروه طبقه بندي مي كند. كاربردهاي ديگر شامل موارد ذيل مي باشد.
انجام پژوهش در رابطه با محصول: تحليل مبين مي تواند در تشخيص استفاده كنندگان محصولات سنگين متوسط و سبك از نظر عادت هاي مصرفي، شيوه زندگي كمك مي كنند.
انعكاس پژوهش: تحليل مبين مي تواند تمايزي مبين مشترياني كه برداشت هاي مبتني از فروشگاه يا شركت دارند نسبت به افرادي كه فاقد اين بينش هستند، ايجاد كند.
بازاريابي مستقيم: تحليل مبين مي تواند در شناسايي ويژگيهاي مشترياني كه به تقاضاي بازاريابي پاسخ مي دهند كمك كند.
تركيب تحليل مبين با تحليل خوشه اي:
مي توانيم با آساني تحليل مبين را به همراه تحليل خوشه اي به كار بگيريم. راه حل تحليل خوشه اي را كه در ابتدا ذكر نموديم به ياد آوريد. ما دو گروه پاسخ دهنده داشتيم گروه اول در مقايسه با گروه دوم برداشت هاي مطلوب نسبتا اندكي را در مورد رفتار محبت آميز پرسنل ابراز نمودند.مي توانيم از اين نتيجه بعنوان متغير وابسته در تحليل مبين استفاده كنيم. حال بايد متغيرهايي را كه بايد به عنوان متغيرهاي پيش گو مستقل ايفاي نقش نمايند را شناسايي كنيم. اجازه دهيد به متغير هاي برداشتي (x1 x6) نيز نگاهي بيندازيم ممكن است تصور كنيم ارتباطي بين x6 خدمات با برداشت هايي از كاركنان وجود دارد آيا اين متغيرها مي توانند دو گروه خوشه اي را بر اساس برداشت هاي از كاركنان پيش بيني كنند. وظيفه در اينجا گزينش متغيرهاي وابسته است كه بتوانند اعضاي يكي از دو گروه را پيش بيني كنند توالي كيليك spss
ANALYZEàCLASSIFYàDISCRIMINANT
است كه به كادر گزيش متغيرهاي منتهي مي شود. متغير غير متري وابسته Clu2-1 و متغيرهاي مستقل x10,x9,x8,x7,x6 هستند اولين كاري كه بايد انجام دهيد انتقال متغير clu2-1 به كار در گروه بندي متغيرها مي باشد. سپس به كادر Define Range كه درست زير آن است كيليك كنيد بايد كوچكترين و بزرگترين عدد 2= گروه دوم مي باشد بنابراين اين اعداد راشت كنيد و بر گزينه continue كيليك نماييد. سپس بايد متغيرهاي x10,x9,x8,x7,x6 را به كادر مستقل منتقل كنيد. بعد بر كادر statistic كيليك نماييد وميانگين ها ANOVAS و Continue را بررسي كنيد شيوه defawlt. Enter است و ما از اين استفاده خواهيم نمود حال بر classify كيليك كنيد و سايزهاي گروه اول را محاسبه كنيد همچنين بايد بر جدول summart و سپس continue كيليك نماييد ما از هيچ يك از گزينه هاي save استفاده نمي كنيم. بنابراين، براي اجراي برنامه بر ok كيليك كنيد. به ياد داشته باشيد كه برنامه تحليل مبين spss برون دادهاي زيادي را به شما مي دهد كه براي تحليل ساده اي مانند اين استفاده نمي شود. ما مجددا پنج جدول را بررسي مي كنيم. جدول wilks lambda حامل مهمترين اطلاعات مي باشد اگر اين آمار مهم است و ooo. است بايد جدول classification Result را نيز بررسي كنيم. در پايان جدول خواهيم ديد كه توانايي نقش مبيني در پيش بيني اعضاي گروه 90درصد است. به منظور دريافت اين موضوع كه كداميك از متغيرهاي وابسته در پيش بيني اعضاي گروه به ما كمك خواند نمود بايد به اطلاعات دو جدول توجه كنيم اين دو جدول بررسي تشابهات ميانگين هاي گروه و ماتريس ساختار مي باشند.
تحليل همبسته: تحليل همبسته تكنيك چند متغيره اي است كه اهميت نسبي جايگاه مصرف كننده را در ويژگيهاي مختلفي از محصول يا خدمات همچنين ميزان ارزشي كه هر يك از مصرف كنندگان به اين ويژگيها قائلند را بر آورده مي كند. اين شيوه وابسته فرض را بر انتخاب مصرف كننده يا ايجاد اولويت براي محصولات از طريق ارزيابي استفاده از محصول يا ارزش آن قرار داده است. اين ارزش متشكل از استفاده هاي خاص از ويژگي هر محصول مي باشد.تلاش تحليل همبسته تخمين اهميت ويژگي اي از محصول است كه با انتخاب مصرف كننده يا تمايل او مطابقت دارد. به عنوان مثال فرض كنيد رستوران فست فود ما در نظر دارد بهترين تركيبي از ويژگيهاي رستوران كه موجب جذب مشتري مي شود ارائه كند. يك محقق بازاريابي مي تواند توصيفاتي كه هر يك شامل تركيبات مختلفي از ويژگيها مي باشد ايجاد كند. در كادر 10-18 دو نمونه از توصيفات نشان داده شده است. سپس مشتريان مورد بررسي قرار خواهند گرفت. محقق بايد ويژگيهايي را انتخاب كند كه بر گزينش يا تمايل مصرف كننده تاثير ميگذارد و همچنين سطح را در بررسي خود بگنجاند. اگر هر يك از چهار ويژگي نشان داده شده دركادر 10-18 دو سطح يا ارزش ( به عنوان مثال سطح قيمت: ارزان در مقابل حد واسط) داشته باشد 16 تركيب احتمالي در طبقه بندي مشتريان وجود خواهد داشت (16=2*2*2*2) وقتي داده ها گرد آوري شدند بكار گيري تحليل همبسته تخميني ارزش نسبي براي هر سطح از هر ويژگي ارائه ميكند. فرايند آماري در تحليل همبسته از طبقه بندي ويژگيها توسط مشتريان بعنوان هدف استفاده ميكند. سپس فرايند برآورد ارزش نسبي براي هر سطح از هر ويژگي تعيين مي كند. كارايي كلي با استفاده ا زفرمول ذيل محاسبه مي شود.
كه
ارزش كلي محصول = تخمين ارزش نسبي اولين سطح اولين ويژگي= تخمين دومين سطح اولين ويژگي و تخيمن ارزش نسبي n امين سطح m امين ويژگي است. وقتي ارزش كلي محصولات شرح داده شده برآورد شد فرآيند آن را با طبقه بندي واقعي مشتري مقايسه ميكند. اگر پيش بيني ها درست نبود برآوردهاي ارزش سنجش تغيير كرده و ارزش كلي دوباره محاسبه مي شود. اين فرآيند تا آنجايي ادامه مي يابد كه پيش بيني ها تا حد امكان نزديك طبقه بندي واقعي مشتري باشند. مي توان توانايي ضريب هاي تخمين ارزش نسبي در پيش بيني درست طبقه بندي مشتري را از طريق بررسي الگوهاي آماري از جمله r2 پيش بيني نمود. درست مانند رگرسيون ميزان بالاي r2 حاكي از مطابقت آن با داده ها است.كادر 11-18 بيانگر نمودارهايي از برآوردهاي ارزش نسبي در سطوح مختلف چهار ويژگي مي باشد. اهميت هر ويژگي به وسيله گستره اي از برآوردهاي ارزش نسبي براي آن ويژگي ها داده مي شود. به عبارتي ديگر با سكه نمودن حداقل ارزش نسبي از حداكثر آن مي توانيد اهميت هر ويژگي را محاسبه كنيد. فرمول محاسبه اهميت ويژگي 1i={Max(aij)- Min(aij)} و فرمول اهيمت نسبي است. همان طور كه مشاهده نموديد سطح قيمت رستوران از نظر مشتري مهمترين ويژگي در انتخاب رستوران مي باشد.كاربردهاي تحليل همبسته در تحقيق بازاريابي:
مثال فسف فود كه در اين بحث استفاده شده نموداري از موارد استفاده تحليل همبسته در شناسايي ويژگي هاي مهم كه بر انتخاب رستوران مصرف كننده تاثير مي گذارد، مي باشد. اين تكنيك كاربردهاي مهم ديگري نيز دارد.سهم بالقوه بازار كالاهايي با تركيباتي از ويژگي هاي مختلف مي توانند به منظور تعيين طرحي رايج مورد مقايسه قرار گيرند.
تحليل انعكاس محصول: از ويژگيهاي محصول مي توان در اتخاذ تصميمات بازاريابي و تبليغات استفاده نمود.
تحليل بخش ها: گروه هايي از مشتريان بالقوه كه سطوح مختلفي از اهميت را بر ويژگيهاي محصول قرار دهند، مي توانند براي استفاده به عنوان بخش هاي بازاري شناسايي شوند.
باز نمايي ادراكي: بازنمايي ادراكي فرايندي است كه براي توسعه نمودارهايي كه نشان دهنده ادراك هاي پاسخ دهندگان هستند استفاده مي شود. نمودارها اظهارات ديداري دو بعدي از بينش هاي پاسخ دهندگان از شركت، محصول، خدمات، نشان ويژه تجاري و يا هر چيز ديگري مي باشد. معمولا نمودار ادراكي دو محور عمودي و افقي با عناوين صفت هاي توصيفي دارند. صفت هاي احتمالي براي مثال رستوران ممكن است دماي غذا و تازگي سرعت سرويس دهي و ... مي باشد. مي توان از چندين تكنيك چند متغير مختلف براي توسعه نموداري ادراكي استفاده نمود. اين تكنيك شامل تحليل فاكتور، تحليل مبين، تحليل تطابق و درجه بندي چند بعدي مي باشند. كادر 3-18 ارائه كننده توضيحي راجع به نمودار اداركي مي باشد. به مشتريان شش فست فود معرفي شده از آنها خواسته مي شود نظرات خود را راجع به هر رستوران بيان كنند. سپس اين نظرات با استفاده از دو صفت تازگي و دماي غذا بر نموداري دو بعدي به تصوير كشيده مي شود. كاربردهاي باز نمايي ادراكي در تحقيق بازاريابي.
توسه محصولات جديد:
بازنمايي ادراكي مي تواند شكاف هاي موجود در بينش ها را شناسايي كند. سپس محصولاتي جديد را جايگزين نمايد. تبليغات بازنمايي ادراكي مي تواند تاثير تبليغات بر نشان هاي ويژه تجاري را ارزيابي نمايد.
- مشخصات
- دانلود
نظرات خود را اینجا بنویسید
