Качественные и количественные методы сбора и анализа рекламной информации на материалах ООО "Панорама"

СОДЕРЖАНИЕ:
ВВЕДЕНИЕ
ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ КАЧЕСТВЕННЫХ И КОЛИЧЕСТВЕННЫХ МЕТОДОВ СБОРА И АНАЛИЗА ИНФОРМАЦИИ
1.1. Суть рекламных исследований, типы, этапы
1.1.1. Определение и цели рекламных исследований
1.1.2. Типы исследований
1.1.3. Этапы исследования
1.1.4. Способы проведения исследования
1.2. Качественные исследования
1.2.1. Определение и цели исследования
1.2.2. Методы качественных исследований
1.2.3. Инструменты качественных исследований
1.2.4. Методы анализа полученной информации
1.3. Количественные исследования
1.3.1. Определение и цели исследования
1.3.2. Типы количественных исследований
1.3.3. Методы количественных исследований
1.3.4. Инструменты количественных исследований
1.3.6. Методы анализа полученной информации
ГЛАВА 2. ОБЩИЕ СВЕДЕНИЯ О ПРЕДПРИЯТИИ ООО «ПАНОРАМА»
2.1. Общие сведения
2.2. Анализ рекламной деятельности ООО «Панорама»
2.2.1. Рекламная деятельность ООО «Панорама»
2.2.2. Анализ рекламной деятельности ООО «Панорама»
ГЛАВА 3. КАЧЕСТВЕННЫЕ И КОЛИЧЕСТВЕННЫЕ МЕТОДЫ СБОРА И АНАЛИЗА ДАННЫХ НА ПРЕДПРИЯТИИ ООО «ПАНОРАМА»
3.1. Применяемые методы сбора и анализа данных на предприятии ООО «Панорама»
3.1.1. Вторичные исследования
3.1.2. Качественные исследования
3.1.3. Количественные исследования
3.2. Рекомендации по использованию других методов сбора и анализа рекламной информации
3.2.1. Качественные исследования
3.2.2. Количественные исследования
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК

Качественные и количественные методы сбора и анализа рекламной информации на материалах ООО "Панорама"

-
Две
Интервальный
Окончание табл. 1.4
выборок
3
Для одной выборки
-
-
Любое
Интервальный
В качестве независимых переменных используются только переменные с интервальной шкалой. Возможно также использование порядковых переменных после преобразования их к интервальному виду.
В случае t-тестов для независимых выборок под независимыми выборками понимаются бинарные категории какой-либо переменной. При использовании этого метода выделяют два уровня группирующей (зависимой) переменной и несколько независимых переменных, на основании которых и будет выполняться различие между группами зависимой переменной. Т-тесты для зависимых выборок применяются в случае, когда на различные вопросы отвечает одна и та же группа респондентов. Т-тест для одной выборки призван выяснить, отличается ли значительно реальное среднее значение какой-либо переменной от стандарта. При помощи такого метода определяют отличие среднего значения какого-либо параметра для определенной целевой группы респондентов от среднего значения по всей выборке.
Дисперсионный анализ. Целью дисперсионного анализа является исследование влияния номинальных переменных (независимые переменные) на количественные переменные (зависимые переменные). Независимые переменные обозначаются как факторы, их единичное выражение как уровень фактора. Типы дисперсионного анализа, отличающиеся по числу факторов, представлены в табл. 1.5 [26, c. 89].
Таблица 1.5
Основные типы дисперсионного анализа
№ п/п
Типы дисперсионного анализа
Зависимые переменные
Независимые переменные
Количество
Тип
Количество
Тип
1
Однофакторный
Одна
Любой
Одна
Любой
2
Двухфакторный
Одна
Любой
Две
Любой
3
Трехфакторный
Одна
Любой
Три
Любой
Окончание табл. 1.5
4
Многомерный
Две и более
Любой
Одна и более
Любой
Одномерный дисперсионный анализ (когда используется одна зависимая переменная) может быть, согласно табл. 1.5, одно- или многофакторным. В этом случае исследуется влияние одной или нескольких независимых переменных на одну зависимую. При проведении одномерного дисперсионного анализа в рекламных исследованиях существует ограничение: при увеличении количества факторов в модели сложность интерпретации результатов возрастает многократно. Также в рамках одномерного дисперсионного анализа рассматривается одномерный дисперсионный анализ с повторными измерениями. Его цель заключается в анализе различий между ответами одних и тех же респондентов на одни и те же вопросы в течение ряда дискретных временных промежутков.
Многомерный дисперсионный анализ предназначен для одновременного анализа сразу нескольких зависимых и независимых переменных.
1.3.6.3. Ассоциативный анализ
Цель ассоциативного анализа – выявление связей между переменными. При помощи ассоциативного анализа становится возможным анализировать вопросы анкеты не только по отдельности, а в зависимости от других вопрос. Он позволяет определить не только наличие связи между вопросами анкеты, но и силу связи между переменными и то, каким образом ведет себя одна переменная при изменении другой.
В процессе ассоциативного анализа выявляются следующие типы зависимостей [45, c. 91].
- Немонотонные зависимости свидетельствуют только о наличии определенной связи между переменными, но не позволяют судить о направлении или силе связи.
- Монотонные зависимости – это зависимости, по которым можно узнать не только наличие, но и направление связи. Монотонные связи бывают двух видов: возрастающие – первая переменная возрастает при возрастании второй; убывающие – первая переменная убывает при возрастании второй.
- Линейные зависимости характеризуются уравнением функции y = a + bx (график линейной функции). Связь между переменными в данном случае является линейной: на основании этой зависимости можно определить, насколько изменится одна переменная при изменении второй.
- Нелинейные. В данном случае связь присутствует и изменяется по какому-либо известному математическому закону.
Зависимости, выявленные в результате ассоциативного анализа, можно охарактеризовать тремя аспектами.
- По наличию – определенная (систематическая) связь между двумя переменными есть.
- По направлению – связь является убывающей или возрастающей.
- По силе – можно определить, насколько тесно связаны между собой две переменные, то есть насколько значима данная зависимость.
Между переменными с номинальной шкалой может быть установлена только немонотонная зависимость, характеризуемая только наличием связи. Для переменных, имеющих порядковую или интервальную шкалу можно определить направление и силу связи.
Перекрестные распределения. Перекрестные распределения служат для выявления различных типов зависимостей между двумя и более переменными. На основании перекрестных распределений можно установить не только наличие зависимости (немонотонной или монотонной) между переменными, а также, в большинстве случаев, ее тип (линейная или нелинейная) и направление (возрастающая или убывающая). Однако силу связи между переменными перекрестные распределения показать не могут. Установленная зависимость может оказаться незначительной из-за малого размера выборки или по другим причинам. Чтобы определить статистическую значимость выявленной зависимости применяется критерий χ2. Основные характеристики переменных, участвующих в анализе представлены в табл. 1.6 [45, c. 93].
Таблица 1.6
Основные характеристики переменных,
участвующих в перекрестных распределениях
№ п/п
Тип анализа
Зависимые переменные
Независимые переменные
Количество
Тип
Количество
Тип
1
Перекрестные распределения
От двух до десяти
Любой
От двух до десяти
Любой
Несмотря на то, что перекрестные распределения предполагают любой тип шкалы переменных, существует рациональное ограничение на количество категорий (вариантов ответа) из-за трудности анализа. Наибольшая эффективность достигается для номинальных и порядковых переменных.
Корреляционный анализ. Корреляционный анализ предназначен для выявления наличия, а также количественные определения направления и силы линейной связи между несколькими переменными, имеющими интервальный, порядковый тип шкалы, а также тип отношений. Основные характеристики переменных, участвующих в анализе представлены в табл. 1.7 [45, c. 110].
Таблица 1.7
Основные характеристики переменных,
участвующих в корреляционном анализе
№ п/п
Тип анализа
Зависимые переменные
Независимые переменные
Количество
Тип
Количество
Тип
1
Корреляционный анализ
-
-
Любое
Интервальный Порядковый Отношений
Перед проведением корреляционного анализа используются диаграммы рассеяния, на которых каждому наблюдению соответствует точка. Координаты точки равны значениям переменных для этого наблюдения.
Теснота связи количественно выражается величиной коэффициента корреляции.
Для переменных с интервальной шкалой применяется коэффициент корреляции Пирсона. Он позволяет охарактеризовать линейную связь между двумя переменными по параметрам: наличию, направлению и силе связи.
Если независимую переменную обозначить буквой x, а зависимую переменную буквой y, то коэффициент корреляции Пирсона.
Коэффициент корреляции удовлетворяет условию:
-1 ≤ r ≤ +1.
Коэффициент корреляции, равный нулю, означает отсутствие линейной зависимости. Это означает, между ними существует нелинейная зависимость, которую нельзя определить с помощью коэффициента корреляции.
Если хотя бы одна из пары переменных имеет порядковую шкалу или шкалу отношений, используется ранговый коэффициент Спирмана.
Линейная регрессия. Регрессионный анализ заключается в определении аналитического выражения связи. Задачей регрессионного анализа является определение типа связи и прогнозирование значения изменения одной переменной при изменении значений другой переменной.
Основные характеристики переменных, участвующих в анализе представлены в табл. 1.8 [45, c. 120].
Таблица 1.8
Основные характеристики переменных, участвующих в анализе
№ п/п
Тип анализа
Зависимые переменные
Независимые переменные
Количество
Тип
Количество
Тип
1
Линейная регрессия
Одна
Интервальный Порядковый
Любое
Интервальный Порядковый Отношений
Теоретической линией регрессии называется та линия, вокруг которой группируются точки корреляционного поля и которая указывает основное направление, основную тенденцию связи. Для выражения прямолинейной формы зависимости между переменными x и y применяется формула:
y = a + bx.
Результатом линейного регрессионного анализа является определение коэффициентов a и b. При наличии прямой корреляционной зависимости коэффициент регрессии имеет положительное значение, а в случае обратной зависимости коэффициент корреляции отрицательный.
Оценка параметров уравнений регрессии осуществляется методом наименьших квадратов, сущность которого заключается в нахождении параметров модели (a и b), при которых минимизируется сумма квадратов отклонений фактических значений результативного признака от теоретических.
1.3.6.4. Классификационный анализ
Цель классификационного анализа – классификация респондентов и/или переменных по определенным целевым группам и категориям.
Дискриминантный анализ. Дискриминантный анализ применяется в том случае, когда необходимо классифицировать респондентов по целевым группам, которые представлены уровнями одной переменной, и затем использовать эту переменную, чтобы предсказывать для новых членов их принадлежность к той или иной группе. Это делает дискриминантный анализ похожим на регрессионный анализ, в котором также исследуются влияющие на результат переменные. Однако в отличие от регрессионного анализа в данном случае зависимые переменные могут быть заданы даже по номинальной шкале, что значительно упрощает анализ.
Основные характеристики переменных, участвующих в анализе представлены в табл. 1.9 [45, c. 141].
Таблица 1.9
Основные характеристики переменных,
участвующих в дискриминантном анализе
№ п/п
Тип анализа
Зависимые переменные
Независимые переменные
Количество
Тип
Количество
Тип
1
Дискриминантный анализ
Одна
Номинальный Порядковый
Любое
Любой
При выборе зависимой переменной для дискриминантного анализа следует учитывать, что увеличение числа категорий в ней влечет к уменьшению качества статистической модели, то есть ее точности и надежности.
Наряду с группировкой в рамках этого метода решается вопрос: значимо ли отличаются группы друг от друга. Этот вопрос решается с помощью дисперсионного анализа. Если среднее значение определенной переменной значимо различно для двух групп, то переменная разделяет данные группы.
В случае одной переменной окончательный критерий значимости того, разделяет переменная две совокупности или нет, дает F-критерий. F-статистика вычисляется как отношение межгрупповой дисперсии к объединенной внутригрупповой дисперсии. Если межгрупповая дисперсия оказывается существенно больше, тогда это означает значимое различие между средними.
При применении дискриминантного анализа обычно имеются несколько переменных, и задача состоит в том, чтобы установить, какие из переменных вносят ощутимый вклад в дискриминацию между совокупностями. Эта задача решается процедурой, идентичной процедуре многомерного дисперсионного анализа.
Существует несколько подходов к формированию модели, позволяющей предсказать, к какой совокупности будет принадлежать тот или иной образец.
Пошаговый анализ с включением. Модель дискриминации строится по шагам. На каждом шаге просматриваются все переменные, и находятся те, из них, которая вносит наибольший вклад в различие между совокупностями. Эта переменная должна быть включена в модель на данном шаге, и происходит переход к следующему шагу.
Пошаговый анализ с исключением. Движение происходит в обратном направлении: все переменные сначала включаются в модель, а затем на каждом шаге устраняются переменные, вносящие малый вклад в предсказания.
Логистическая регрессия. Цель статистического анализа при применении методов логистической регрессии – определить вероятность того, что тот или иной респондент (на основании определенных характеристик) попадет в ту или иную группу. Спектр возможностей применения логистической регрессии уже, чем для дискриминантного анализа. Начинать классификационное исследование следуем с дискриминантного анализа, а логистическую регрессию применять в случае неуверенности в результатах дискриминантного анализа. Это также связано с тем, что при применении методов логистической регрессии следует четко представлять, какой тип имеют зависимая и независимая переменные, и, исходя из этого, выбирать одну из трех возможных процедур логистической регрессии: бинарную, мультиноминальную или порядковую. Эти методы, согласно значениям одной или нескольких независимых переменных (факторов), позволяют классифицировать респондентов по двум (бинарная) или более (мультиноминальная) группам, которые выражаются уровнями (вариантами ответа) какой-либо одной переменной. Различие между рассматриваемыми методами логистической регрессии заключаются в количестве категорий и типе зависимых переменных, которые представлены в табл. 1.10 [45, c. 133].
Таблица 1.10
Основные характеристики переменных, участвующих в анализе
№ п/п
Тип анализа
Зависимые переменные
Независимые переменные
Количество
Тип
Количество
Тип
1
Бинарная логистическая регрессия
Одна
Отношений
Любое
Любой
2
Мультиноминальная логистическая регрессия
Одна
Номинальный Порядковый
Любое
Номинальный Порядковый
3
Порядковая
Одна
Порядковый
Любое
Номинальный
логистическая регрессия
Порядковый
Факторный анализ. Факторный анализ позволяет разделить массив переменных на малое число групп, которые называются факторами. Факторный и кластерный анализ преследуют ту же цель, что и методы дискриминантного анализа и логистической регрессии, однако между этими методами существует серьезное различие. При дискриминантном анализе и логистической регрессии заранее есть некая зависимая переменная с двумя или более уровнями, и задача состоит в сегментировании выборки на заранее известные группы. При кластерном и факторном анализе категории, на которые следует разделить выборку, заранее неизвестны, и задача в этом случае – не только формирование максимально однородных сегментов, но и выделение категорий, по которым будет производиться сегментирование.
Основные характеристики переменных, участвующих в анализе представлены в табл. 1.11 [45, c. 153].
Таблица 1.11
Основные характеристики переменных, участвующих в факторном анализе
№ п/п
Тип анализа
Зависимые переменные
Независимые переменные
Количество
Тип
Количество
Тип
1
Факторный анализ
Нет
-
Любое
Любой
Классификация в факторном анализе производится на основании критерия корреляции между переменными. В один фактор объединяются несколько переменных, тесно коррелирующих между собой и не коррелирующих или слабо коррелирующих с другими переменными, составляющими другие факторы. В результате из несистематизированного массива данных несколько макропеременных, описывающих различные характеристики исследуемого объекта. Основная сложность при проведении факторного анализа состоит в необходимости рационально интерпретировать полученные макрокатегории с точки зрения здравого смысла. Еще одним ограничением является ситуация, когда одна и та же переменная относится сразу к двум или более факторам, то есть переменную нельзя однозначно классифицировать. В таком случае следует либо отказаться от использования факторного анализа и попытаться применить другие статистические методики (например, кластерный анализ), либо заново пересчитать факторную модель без данной переменной, а затем вручную отнести неоднозначную переменную к тому или иному фактору на основании логических соображений.
Кластерный анализ. Является аналогом факторного анализа в том смысле, что он так же, как и факторный анализ, позволяет выделить факторы (кластеры), объединяющие статистически схожие переменные. Однако в данном случае переменные классифицируются не на основании степени тесноты корреляционной связи, а на основании более сложных статистических процедур (наиболее часто используется метод исследования расстояний между переменными в кластерах).
Основные характеристики переменных, участвующих в анализе представлены в табл. 1.12 [45, c. 153].
Таблица 1.12
Основные характеристики переменных,
участвующих в кластерном анализе
№ п/п
Тип анализа
Зависимые переменные
Независимые переменные
Количество
Тип
Количество
Тип
1
Факторный анализ
Нет
-
Любое
Любой
Выделяют три различных подхода к проблеме кластерного анализа: эвристический, экспериментальный и статистический.
При эвристическом подходе отсутствует формальная модель изучаемого явления и критерии для сравнения различных решений. Алгоритм оценки строится исходя из интуитивных соображений, основанных на опыте исследователя.
Если цель исследования четко определена и выявлены критерии разбиения на кластеры, то применяется экстремальный подход. В данном случае исходная модель не формируется, а качество разбиения может измеряться эффективностью выполнения цели.
Основой статистического подхода является вероятностная модель исследуемого процесса. В таких задачах обычной формой представления исходных данных служит прямоугольная таблица, каждая строка которой представляет результат измерения k рассматриваемых признаков одного из исследуемых объектов.
В различных ситуациях может производиться как группировка объектов, так и группировка признаков.
Факторный и кластерный анализ иногда используются в паре: факторный анализ определяет состав макропеременных, а кластерный на основании выделенных существенных характеристик респондентов производит формирование целевых сегментов. Применение факторного и кластерного анализов в паре оправдано в основном в тех случаях, когда изначально респонденты оцениваются по большому числу параметров и проведение кластерного анализа непосредственно над данным набором переменных представляется затруднительным или даже практически невозможным.
ГЛАВА 2. ОБЩИЕ СВЕДЕНИЯ О ПРЕДПРИЯТИИ ООО «ПАНОРАМА»
2.1. Общие сведения
Наименование компании: Общество с ограниченной ответственностью «Панорама» (ООО «Панорама»).
Форма собственности: Частная собственность.
Дата и место регистрации: 23.01.2003г., г. Новосибирск.
Юридический адрес компании: 630027, г. Новосибирск, ул. Тайгинская, д. 3, офис 507.
Производство располагается по адресу: 630027, г. Новосибирск, ул. Тайгинская, д. 2.
Компания располагается в помещении площадью 900 м2 (цех по производству стеклопакетов) на 1-ом этаже. Офис находится в этом же здании (на 3-ем и 4-ом этажах) на площади 70 м2.
Основной вид деятельности компании: производство и реализация стеклопакетов.
Области применения продукта: использование в строительстве (жилые, административные здания и т.д.).
Целевая аудитория продукта: юридические лица, строительные компании и компании, осуществляющие производство окон.
Масштаб деятельности компании: региональный рынок.
Ключевые клиенты компании: ООО «Окна роста», строительная компания ПТК-30, ООО «Окна Века», ООО «Городские окна».
Ключевые факторы успеха в данной отрасли.
- Цена на товар.
- Качество.
- Специальные торговые условия (система скидок, условия кредитования).
- Условия доставки товара.
Светопрозрачные конструкции нового поколения, используемые строительными организациями и производителями окон, отличает повышенное внимание к качеству элементов, из которых состоит конструкция. Качество продукции обуславливается не только выбором используемого материала, но и специализированным оборудованием, которое позволяет обеспечить качество на этапе технологической обработки.
Цена и качество продукции компании ООО «Панорама» являются общедоступной информацией, которая едина для всех клиентов.
Продукция компании обладает высоким качеством, поскольку для ее производства используется материал высокого качества, популярный в области. Кроме того, компания имеет высокотехнологичное оборудование компании ООО «СтекМак», обеспечивающее высокое качество при производстве.
Компания сочетает высокое качество выпускаемой продукции со средним уровнем цен, что позволяет компании удерживать постоянных заказчиков на протяжении нескольких лет.
Специальные торговые условия являются одним из определяющих параметров при выборе клиентом поставщика, однако определяются индивидуально с каждым клиентом и прописываются в договоре о сотрудничестве.
Доставка товара до клиента осуществляется на собственном транспорте компании и отличается высокой степенью точности соблюдения условий доставки.