projekt badań marketingowych

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


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.


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).


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.


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.



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.



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.



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.


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.



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.



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.


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.



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.



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).



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.


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.


„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”?)



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);




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?




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?




5. Nieprobabilistycznych prób,

6. Poziomu pomiaru – który zwykle jest porządkowy, ze wszystkimi

konsekwencjami,

7. Ilości zmiennych niezależnych i możliwości ich identyfikacji.

22





Przebieg procesu badawczego


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.


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


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.



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.



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. naukowe

Luka poznawcza

Analiza źródeł


Badania naukowe


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


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


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


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


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.


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


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.



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);



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?



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


Formułowanie założeń


Ocena danych wtórnych, ewentualne badania źródeł wtórnych

Budowa modelu badawczego

Sformułowanie hipotez


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


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


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


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


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


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


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)



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.



W procesie konceptualizacji* należy także zdefiniować zmienne,

to jest właściwości, które mogą przybierać różne wartości, a

które zostały wyrażone w stworzonych definicjach.



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.



Operacjonalizacja to proces tworzenia konkretnych procedur

badawczych, które pozwolą na dokonanie empirycznych

obserwacji odpowiadających pojęciom zdefiniowanym w

procesie konceptualizacji.

Model badawczy - operacjonalizacja


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.



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.



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


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).



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.




Zakrzewska-Bielawska, A. (2018). Modele badawcze w naukach o zarządzaniu. Organizacja i Kierowanie, 181(2), 11-25.


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


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.



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.


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


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


Realizacja badania

Zbieranie danych - pomiar

Rekrutacja próby

(….)


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





Formy pomiaru i źródła danych w procesie badawczym


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


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


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


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


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


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.


72


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


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.


74


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.


75


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


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


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;


78


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.;


79


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.


80


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


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


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


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


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


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


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


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


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


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


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


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


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


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


• 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


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


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


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


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


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


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…”;


101


• 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.


102


• 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.);


103


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.


104


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


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


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


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


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


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


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


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


• 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


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



zakłada aktywne manipulowanie zmiennymi w taki sposób, aby

oddziaływały one na inne zmienne, których zmiany poddawane są

pomiarom.


niezależnych, bądź przyczynami, zmienne poddawane pomiarom –

zmiennymi zależnymi, bądź skutkami.

Eksperyment

115

116





Próba badawcza i metody jej doboru


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


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?


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.



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).



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


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


Proces doboru próby

Zdefiniowanie badanej populacji

Ustalenie jednostki próby

Ustalenie wykazu badanej populacji

Ustalenie liczebności próby

Wybór metody doboru próby

Zaplanowanie i pobranie próby


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


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


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


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


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


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


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


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);


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


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%.



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:


𝑛 =𝑧2𝜎2

𝐻2=1,962 ⋅ 202

52= 2,4586 ≅ 3


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.



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.



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


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).



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


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


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


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);


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);


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.


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.


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.


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.


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.



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!



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.



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.



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



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).


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.



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.



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


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”.



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.



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.


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



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..


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.


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;


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





Prawne i etyczne aspekty gromadzenia materiału badawczego


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;


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.


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).


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.


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.


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.


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.


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.


ICC / ESOMAR



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.


ICC / ESOMAR



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.


ICC / ESOMAR



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.


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.



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.



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.


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.


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)



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).



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





Teoria eksperymentu w badaniach marketingowych


Eksperyment


zakłada aktywne manipulowanie zmiennymi w taki sposób,

aby oddziaływały one na inne zmienne, których zmiany

poddawane są pomiarom.


niezależnych, bądź przyczynami, zmienne poddawane

pomiarom – zmiennymi zależnymi, bądź skutkami.


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


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;


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.;


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.


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;


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.).


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;


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.


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.


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;


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.


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).



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.



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…



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



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.




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.




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)



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.


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.


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.


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.



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.



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.


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.


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


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;


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


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;


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





Podstawowe wskaźniki w badaniach marketingowychAnaliza danych w badaniach marketingowych


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


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


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


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


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


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


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


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


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



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



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



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



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



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


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


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


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


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


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


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



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


0

10

20

30

40

50

60

70

80

1 2 3 4 5 6 7 8 9

239

Statystyki opisowe


Jeśli skala dłuższa – można w formie słupków albo profili.


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


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


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


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.


243


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.


244


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



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



Średnia: 7,00


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


247



Średnia: 7,00


Średnia: 7,00


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



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



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


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


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


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



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



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



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


256



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



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



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


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


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


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


Źródło: Brzeziński J.: Metodologia badań psychologicznych, PWN, Warszawa 1996;

263

Analiza korelacji a skala pomiaru


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


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


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


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


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





Badania satysfakcji i lojalności klientów


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.


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.


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;



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;



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.



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.



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;



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





Metody i techniki badań segmentacyjnych


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


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


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




2. Sposób pomiaru:

• kryteria obserwowalne – np. geograficzne lub

behawioralne;

• kryteria ukryte – kryteria psychograficzne, ukryte

reakcje na produkt, poszukiwane korzyści.

Wymiary analizy

282


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




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


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


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


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


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


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


Odległość ekulidesowa

290


Odległość manhattan

291


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 (4,5) = ??

Odległość manhattan

292


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 (3,5) = ??

Niezgodność procentowa

293


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


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


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


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


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


1

2

3

4

5

6

7

8

9

10L

ub

ię o

glą

dać k

oty

na Y

T

298


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


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


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


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


1

2

3

4

5

6

7

8

9

10L

ub

ię o

glą

dać k

oty

na Y

T

302


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


303


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;


304


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.


305


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.


306


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


-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


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


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


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





Modelowanie zjawisk konsumenckich


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


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


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


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


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


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


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


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


160 165 170 175 180 185 190 195 200 205

Wzrost

60

65

70

75

80

85

90

95W

aga

321

Regresja


160 165 170 175 180 185 190 195 200 205

Wzrost

60

65

70

75

80

85

90

95W

aga

322

Regresja


Formalnie (ale w uproszczeniu):

Waga = B0 + B1 * Wzrost

B0 – wyraz wolny;B1 – wpływ wzrostu;

W przykładzie:

Waga = - 54,68 + 0,7319 * Wzrost

323

Regresja


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


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


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


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


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


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 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



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



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 (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


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



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



Istota modeli ścieżkowych

336

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


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


339





Analizy danych jakościowych


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


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


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


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


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


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


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


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


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





Narzędzia analizy zachowania konsumenta w Internecie


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


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


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


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


Google Analytics


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


Brand24

Źródło: brand24.pl


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

http://www.newspoint.pl/

359





Nowoczesne metody i techniki prezentacji i wizualizacji wyników badań marketingowych


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


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


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


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


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


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


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



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


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


Tam, gdzie prezentujemy ilości odpowiedzi, wskazań itd. posłużyć

się możemy wykresem kolumnowym (histogramem).

368


0

10

20

30

40

50

60

70

80

1 2 3 4 5 6 7 8 9


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


0

10

20

30

40

50

60

70

80

1 2 3 4 5 6 7 8 9


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


0

10

20

30

40

50

60

70

80

1 2 3 4 5 6 7 8 9


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


0

20

40

60

80

100

120

140

160

180

200

Nie Raczej nie Ani tak aninie

Raczej tak Tak


0.00%

10.00%

20.00%

30.00%

40.00%

50.00%

60.00%

Nie Raczej nie Ani tak aninie

Raczej tak Tak



Średnie i odchylenia standardowe – można łączyć na jednym

wykresie z osią pomocniczą.

372


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


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



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



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



0

5

10

15

20

25

30

35

40

45

50


1

2

3

4

5

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%


5

4

3

2

1

Czytelnie…

… i nieco mniej

Oba wykresy pokazują te same dane.376



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



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


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



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


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



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



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%


5

4

3

2

1

W tym przypadku marki zostały ustawione wg średniej ocen deklarowanych przez

respondentów, od marki najwyżej ocenianej do najgorszej.

383



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



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


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

Materiały zostały opracowane w ramach projektu „Zintegrowany Program Rozwoju Politechniki Lubelskiej – część druga”,

umowa nr POWR.03.05.00-00-Z060/18-00w ramach Programu Operacyjnego Wiedza Edukacja Rozwój 2014-2020współfinansowanego ze środków Europejskiego Funduszu Społecznego

projekt badań marketingowych

Documents