Marketingový výzkum v praxi

1. Marketingový výzkum v praxi část 3A: od Od datové matice k závěrečné zprávě Martin Zaplatílek FOCUS, Centrum pro sociální a marketingovou analýzu zaplatilek@focus-agency.cz www.focus-agency.cz

2. PŘÍPRAVA DAT, ANALÝZY A ZÁVĚREČNÁ ZPRÁVA • Máme: • Zadání a definované cíle výzkumu • Data zapsaná v datové matici • Co nás čeká: • Kontrola dat – kvóty, kódování variant a záznam otevřených otázek atd. • Konstrukce kategorizovaných, „dummy“ a agregovaných proměnných, definování nezávislých proměnných, které budete používat v celé zprávě • Volba analytických přístupů – frekvence, volba nezávislých proměnných, další analýzy (cluster analysis, rozhodovací stromy, factor analysis atp.) • Vypracování osnovy zprávy • Analýza a grafické zpracování výstupů • Kompletace a editace výzkumné zprávy

3. PROCES PRÁCE S DATY V AGENTUŘE

4. KONTROLA DATOVÉ MATICE • Kontrola datové matice je základem pro další práci – princip „waste in, waste out“… • „Pokud vaše nová data obsahují více než 30 čísel, tak je v nich skoro jistě nějaká chyba.“ (Spoustův teorém…) • Čištění a příprava dat zabírá obvykle okolo 80 % analytikova času, věnuje se mu jako hlavnímu tématu méně než 1 % článků ve statistických a podobných časopisech. • Čištění dat je často komplikované, nezřídka nudné a naprosto vždy zásadně důležité… • Základní zásadou je přípravu dat nepodcenit a pod tlakem (termínu, zvědavosti, šéfa, klienta…) se nepustit do zpracování výstupů, dokud nemáte data připravená.

5. KONTROLA DATOVÉ MATICE • zkontrolovat úplnost datové matice (vytřídit neúplně vyplněné dotazníky / cases – zejména případy, kde chybí kvótní znaky nebo většina proměnných) • „olabelovat“ proměnné a varianty proměnných • zkontrolovat, zda odpovídají variantám v dotazníku • ověřit ID (čísla dotazníků, záznamy o respondentech atp. – první eliminace duplicit) • ověřit duplicitní data (lze procedurou v SPSS, případně náhodná kontrola) • zkontrolovat, zda jsou u všech kvótních proměnných data kompletní • pokud ne, zvážit, zda je lze možno data doplnit na základě jiných vyplněných proměnných (příjem možno doplnit na základě lineární regrese - pracnost a časová náročnost; přitom např. variantu čistý měsíční příjem do jisté míry supluje např. agregovaná proměnná socioekonoický status…) • zkontrolovat, zda jsou uvedeny jen platné varianty proměnné (př. zda u věku v matici 18let + nejsou 16-letí, u pohlaví 3 varianty odpovědí atd.) • ověřit, zda varianty kvótních proměnných odpovídají kvótě (zda jsou stejné věkové kategorie, velikosti obce, kategorie u vzdělání) – viz dále vážení

6. KONTROLA DATOVÉ MATICE • u volných / otevřených otázek • zda odpovídají jen ti, kteří odpovídat mají (např. „varianta jiné – uveďte:“) • doplnit chybějící odpovědi variantou „neodpověděl/a“ • kódování a kategorizace – definovat obecnější kategorie a do nich varianty odpovědí rekódovat (např. ot 13 jiné - kategorie klid, ticho do níž sdružit varianty klidné prostředí, únik před hlukem města, oáza ticha, místo, kde mám klid na rozhovor… ) • respondenti při odpovědích i tazatelé při zápisu jsou často nesnesitelně kreativní…. • zkontrolovat orientaci škál v dotazníku a v datové matici • pozor na dlouhodobé / longitudinální výzkumy a zásahy do dotazníků v jejich průběhu – „vylepšení“ (mírné přeformulování otázky, redukce či otočení škály…) často znásobí požadavky na práci analytika…

7. KONTROLA DATOVÉ MATICE • první pohled na data – třídění prvního stupně • pomocí frequencies si udělat základní přehled o proměnných a distribuci dat • zda nejsou v některých případech uváděny extrémní hodnoty (zejm. kardinální proměnné, např. cena/ks) • zda nejsou uváděny hodnoty mimo definovaný rámec („out of range“) • kontrola použitých jednotek - kódování času (roky, měsíce, hodiny, minuty) • kontrola vazeb mezi proměnnými – třídění druhého stupně • crosstabs – vazby mezi dvěma proměnnými; odhalení nelogických odpovědí (samostatná osoba v domácnosti x počet dětí v domácnosti 3; Zlín, kraj Karlovarský; Praha, velikost obce do 4999 ….) – odhalí často chyby v kódování i „nepoctivé tazatele“ • první analytický pohled – můžeme při té příležitosti najít či ověřit korelace mezi proměnnými

8. VÁŽENÍ DAT – postratifikační váhy • Při nesouladu kvóty a dat je vhodné zvážit možnost data upravit vážením • váhy vyrovnají charakteristiky vzorku s distribucí znaků v populaci • vážením tedy eliminuje odchylky od kvóty v rámci datového souboru a „napravujeme“ jeho reprezentativitu • vážení kompenzuje zejména non-response apod. – je to „z nouze ctnost“, nelze na něj a priori spoléhat při sběru dat a dodržování kvót… • je možné/vhodné jen v případě dostatečně velkého vzorku • musíme mít co vážit = v dané kategorii musí být data – u velkých odchylek od kvóty hrozí i w=3 a více, tzn. že daný případ je ve zpracování zahrnut 3x … • má i další omezení – řada analýz s vahami nepracuje (rozhodovací stromy, clusterová analýza atp.)

9. VÁŽENÍ DAT poststratifikační váhy • Vždy vážíme dle kvótních znaků a na úrovni, z níž budeme zpracovávat výstupy • tzn. při výzkumu reprezentativní na populaci ČR 18 let a více a kvótách pro jednotlivé kraje = konstrukce vah pro jednotlivé kraje zvlášť • Při práci se souborem musíme mít na paměti, že vážící proměnná musí být zapnuta („weight on“ v dolním stavovém řádku) • váha = očekávaný podíl / zjištěný podíl • př. máme-li 25 % žen a v populaci jich má být 50 %, bude váha 50/25 = 2,0 (strata jsou dána pohlavím) • agregovaná váha – pro daný případ na základě dílčích vah pro jednotlivé kvótní znaky (w1 – pohlaví, w2 – věk, w3 – vzdělání, w4 – velikost obce) w = w1*w2*w3*w4

10. VÁŽENÍ DAT w = w1*w2*w3*w4 KONSTRUKCE VAH KVÓTNÍ ZNAKY V DATECH KVÓTA

11. VÁŽENÍ DAT w = w1*w2*w3*w4 WEIGHT CASES BY … SYNTAX compute w1=1. compute w2=1. compute w3=1. compute w4=1. execute. if (pohlavi=1) w1=1.02. if (pohlavi=2) w1=1.09. if (vek=1) w2=1.01. if (vek=2) w2=1.06. if (vek=3) w2=1.02. if (vek=4) w2=1.01. if (vek=5) w2=0.92. if (vek=6) w2=1.18. if (vzdelani=1) w3=1.08. if (vzdelani=2) w3=1.03. if (vzdelani=3) w3=1.07. if (vzdelani=4) w3=0.99. if (velobce=1) w4=1.08. if (velobce=2) w4=1.55. if (velobce=3) w4=0.84. if (velobce=4) w4=0.99. execute. compute w=w1*w2*w3*w4. weigh by w. FREQUENCIES VARIABLES=kraj pohlavi vek vzdelani velobce /ORDER= ANALYSIS

12. POMOCNÉ A AGREGOVANÉ PROMĚNNÉ • Při zpracování zprávy si zřídkakdy vystačíme s proměnnými, které máme ve výchozí datové matici • při zpracování často využijeme kategorizované proměnné s menším počtem variant • zejména u třídících / nezávislých proměnných používaných při analýze jako univerzální třídící znaky v celé zprávě • při kategorizaci zvažujme praktičnost vs hrozící ztrátu informací a detailů • př. věk – z kardinální proměnné věk v letech vytvoříme ordinální s kategoriemi věk 18-25let, 26-35let atd.; obdobně u např. frekvence návštěv restaurací, délky pobytu v Olomouci týdně apod. (viz dotazník vašeho projektu) • proměnné typu dummy • využijeme pro rychlé rozdělení souboru - případy, kdy daný znak je / není přítomen; například nová proměnná „obed“ s variantami „obědvá pravidelně“, „neobědvá pravidelně“

13. POMOCNÉ A AGREGOVANÉ PROMĚNNÉ • agregované proměnné – nově vytvořená proměnná za základě specifických kritérií a hodnot několika jiných proměnných příklady: • socioekonomický status – stratifikuje respondenty podle délky vzdělání, pozice v zaměstnání a vybavení domácnosti • segmenty – typologie respondentů na základě distinktivních znaků, které je spojují, resp. rozdělují • nejčastěji na základě behaviorálních znaků (spotřebitelské chování a zvyklosti), mediálního chování (vnímání jednotlivých typů médií) a psychografie (sebepercepce , souhlas s výroky atp.)

14. ZPRÁVA Z VÝZKUMU • Prvním krokem je zpracování osnovy • pořadí otázek v dotazníku není zavazující pro zpracování zprávy • pořadí otázek je dáno dramaturgií dotazníku, která má jiné priority než závěrečná zpráva • na základě zadání / projektu stanovíme obsah a pořadí kapitol, následně vytvoříme podkapitoly s přiřazením otázek z dotazníku, které se ke kapitole váží • hlavní zásadou je nevynechat v analýze některou z proměnných… přesto se vám to určitě dříve či později stane • počítejte vždy s čtenářem jako naprostým laikem, v lepším případě poučeným laikem… • na úvod zprávy jej seznamte s cíli výzkumu, metodou sběru a zpracování dat, případně i používanou terminologií • u pokročilejších analýz alespoň stručně objasněte, jak pracují a čeho jejich použitím chcete dosáhnout

15. ZPRÁVA Z VÝZKUMU • TITULNÍ STRANA • měla by odpovídat corporate identity (tzn. vizuálně být navázána na firemní grafiku) – logo, logotyp, použité fonty • jednoznačně referovat o obsahu zprávy – název, specifikace typu výzkumu, datum zpracování • název a logo klienta • přehledná, jednoduchá, srozumitelná, distinktivní • téma i zpracovatel zprávy by měli být jasní na první pohled…

16. ZPRÁVA Z VÝZKUMU • OBSAH • METODA VÝZKUMU • přehledný a detailní popis použitých metod • na jakou skupinu výsledky vztahujeme (cílová populace) • specifikace výběrového souboru a způsob výběru • metodika sběru dat • popis kontroly sběru dat • „záruka věrohodnosti výsledků“ • je vhodné doplnit údaj o intervalu spolehlivosti • známe-li velikost cílové populace • http://www.surveysystem.com/sscalc.htm

17. ZPRÁVA Z VÝZKUMU • CÍLE VÝZKUMU • stručné shrnutí hlavních cílů na základě projektu výzkumu • HLAVNÍ ZÁVĚRY • shrnutí nejdůležitějších výsledků z analýzy • provázání poznatků z dílčích kapitol • doporučení pro klienta • pro účely další publikace je možné je psát stylem tiskové zprávy; tzn. vyhnout se čast. použ. zkr. apod., podíly psát slovně spíše než % • text je celistvý, lépe se čte, detailní informace nalezne čtenář na úvodu jednotlivých kapitol

18. ZPRÁVA Z VÝZKUMU • PROFIL VÝBĚROVÉHO SOUBORU • prezentuje rozložení dat v rámci kvótních proměnných • v grafu pro ilustraci dodržení kvóty můžeme zobrazit rozložení znaku v cílové populaci • je vhodné jej doplnit i o další nezávislé proměnné, které budou ve zprávě používány $$ • POZN. POPISKY U GRAFŮ • jednoznačně specifikovat zda jde o %, průměry či absolutní četnosti • specifikovat cílovou populaci, k níž se graf vztahuje včetně počtu respondentů, kteří na otázku odpovídali • v případě bar chart grafů možno vedle každého sloupce vypsat počet respondentů v dané kategorii, kteří byli do grafu zahrnuti • graf musí být srozumitelný a jasný bez dalších poznámek, doplnění a vysvětlení (oceníte při zpracování prezentace)

19. ZPRÁVA Z VÝZKUMU ZÁKLADNÍ OBECNÁ DOPORUČENÍ PRO TVORBU ZPRÁVY • od obecného k detailnímu • vždy začít s tématy (otázkami), ke kterým se vyjadřovali všichni respondenti • detailní výstupy zobrazit v rámci zvolených nezávislých proměnných (zejména tedy sociodemografické charakteristiky respondentů + další vybrané nezávislé proměnné) • zaměřit se na rozdíly ve výsledcích pro jednotlivé varianty nezávislých proměnných a interpretovat je; ověřit statistickou významnost zaznamenaných rozdílů • nástroj AnswerTree v SPSS – třídění závislé proměnné na základě statistické významnosti vztahů s nezávislými proměnnými (procedura CHAID) • v případě nedostatku času vždy posuzovat alespoň rozdíly na základě velikosti vzorku v podkategorii a ve výstupech upozornit / být opatrní při interpretaci (př. v rámci celku (N = 1000) preferuje výrobek 36 % dotázaných, mezi trojgeneračními domácnostmi 65 % - počet respondentů je však jen 22 …)

20. ZPRÁVA Z VÝZKUMU ZÁKLADNÍ OBECNÁ DOPORUČENÍ PRO TVORBU ZPRÁVY • od podstatného k méně podstatnému • pohlížejte na zprávu očima zadavatele výzkumu • co je pro něj podstatné, o co bude mít při čtení zprávy největší zájem - podpořená a spontánní znalost značky XY , zaznamenání reklamy, zkušenost s výrobkem, hodnocení značky a konkurence… nebo spíše profil zákazníků, potencionálně oslovitelných spotřebitelů… nebo velikost populace s vyšší afinitou k některým výrobkům • text sdružujte do větších logických celků • pro orientaci ve výsledcích a celkový přehled o zjištěních z výzkumu je lepší interpretovat grafy a tabulky na úvod kapitoly než přímo u jednotlivých grafů • preferujte zobrazení grafy před tabulkami • grafy umožní rychlejší orientaci ve výsledcích; tabulky jsou vhodnější dát do přílohy v excelových listech • k metodám zobrazení více viz Hendl „Přehled statistických metod…“, kap. 3.1

21. ZPRÁVA Z VÝZKUMU VOLBA NEZÁVISLÝCH PROMĚNNÝCH (TŘÍDÍCÍCH ZNAKŮ) • v případě vašeho výzkumu omezení malým vzorkem (N = 100) • demografické charakteristiky (pohlaví, věk) • délka pobytu v Olomouc týdně • kategorizovat např. na tři kategorie „1 den/týdně“; „2-4 dny/týdně“; „více dnů v týdnu“ další? • kuřák /nekuřák? • lze očekávat, že (ne)kuřáci budou preferovat odlišné typy restaurací a kaváren, rovněž jejich spokojenost s nabídkou (ne)kuřáckých restaurací se bude lišit • kategorizace q20 – konzumace v restauraci ? • např. „častý/á konzument/ka alkoholu“, „častý/á konzument/ka nealko nápojů“, „ častý/á konzument/ka kávy / čaje“ • lze očekávat, že tyto skupiny spotřebitelů budou mít odlišné preference, jinou frekvenci návštěv restaurací –

22. ZPRÁVA Z VÝZKUMU VOLBA NEZÁVISLÝCH PROMĚNNÝCH (TŘÍDÍCÍCH ZNAKŮ) • studijní charakteristiky (fakulta, ročník)? • zvážit na základě dat, zda se stravovací návyky a preference liší mezi studenty různých fakult • bude v jednotlivých kategoriích proměnných dostatečný počet respondentů? • totéž u ročníku – opravdu se liší? a pokud ano, je to v rámci jednotlivých ročníků a nebo se liší „prváci“ (neznají město, mají jiný životní styl ovlivněný místem, kde dosud bydleli apod.) od zbytku? a nebo je to úplně jinak…?

23. ZPRÁVA Z VÝZKUMU • NÁVRH OSNOVY (nezávazný, hrubý náčrt pro inspiraci…) NÁZEV VÝZKUMU: ………………….. • CÍLE VÝZKUMU • METODA VÝZKUMU • HLAVNÍ ZÁVĚRY • PROFIL VÝBĚROVÉHO SOUBORU • STRAVOVACÍ ZVYKLOSTI STUDENTŮ OLOMOUCKÝCH VŠ • Preferovaný typ stravy • Snídaně • Obědy • Večeře • PREFERENCE PŘI NÁVŠTĚVE RESTAURACÍ A KAVÁREN • Konzumace jednotlivých typů nápojů • frekvence konzumace, oblíbená značka piva • Cenová citlivost (promyslet, zahrnout i výstup „obvykle vydaná cena - večeře…)“ vs „ochota vydat za večeři v restauraci“) • menu • nápoje • OBLÍBENÝ PODNIK A HODNOCENÍ AKTUÁLNÍ NABÍDKY STRAVOVACÍCH ZAŘÍZENÍ • HODNOCENÍ ZÁMĚRU NOVÉ RESTAURACE A JEJÍCH CHARAKTERISTIK

24. ZPRÁVA Z VÝZKUMU • STRUKTURACE VÝSTUPŮ • shrnutí na úvod kapitoly • zahrnuje interpretaci všech následujících grafů a vybraných výstupů pro třídění druhého stupně (tedy výstupy v rámci třídění podle nezávislých proměnných pohlaví, věk, ?,?,?) • graf z výstupu pro celou zkoumanou populaci • koláčový graf v případě proměnné s jednou možností odpovědi

25. ZPRÁVA Z VÝZKUMU • STRUKTURACE VÝSTUPŮ • sloupcový u „multiple response“ (např. q13) nebo proměnných s velkým počte variant, případně chceme-li zdůraznit pořadí a odstup jednotlivých variant • slopucový graf v případě baterie výroků s hodnocením na škále

26. ZPRÁVA Z VÝZKUMU • STRUKTURACE VÝSTUPŮ • spojnicový graf u kardinálních a ordinálních znaků – vhodný pro zobrazení cenové citlivosti atp.

27. ZPRÁVA Z VÝZKUMU • STRUKTURACE VÝSTUPŮ • graf s výstupy na základě třídění dle nezávislých proměnných • řádková % pro každou nezávislou proměnnou • v případě baterie výroků s hodnocením na škále je vhodné zobrazení průměrů v každé kategorii nezávislé proměnné • tedy rozdíly dle věku, pohlaví atd. • pozor na var. „neví“ – označována kódy 9 či 99; nezahrnout do výpočtu průměrů! (klasická chyba…)

28. ZPRÁVA Z VÝZKUMU • STRUKTURACE VÝSTUPŮ • graf s výstupy na základě třídění dle nezávislých proměnných • možnost použít AnswerTree – procedura CHAID; rozděluje soubor podle odpovědí na otázku dle statisticky významných rozdílů v rámci nezávislých proměnných • zobrazí jen statisticky významné rozdíly • SPSS nabídka: Analyze/Classify/Tree logo

29. LITERATURA • HENDL, J., 2006: Přehled statistických metod zpracování dat, Portál; kap. 2, 3, 15 • BÁRTOVÁ, H., BÁRTA, V., KOUDELKA, J. . 2004: Chování spotřebitele a výzkum trhu. 2. přepr. vyd. Praha : VŠ • DISMAN, M, 1993: Jak se vyrábí sociologická znalost, Karolinum, Praha • PŘIBOVÁ, M., 1998: Analýza konkurence a trhu, Grada • KOUDELKA, J., 2005: Segmentujeme spotřební trhy, Professional Publishing • KALKA, J., ALLGAYER, F., 2008: Marketing podle cílových skupin, Computer Press • AJAN S GAUR, SANJAYA S GAUR, 2005: Statistical Methods for Practice and Research, SAGE • HAUGE, P., 2003: Průzkum trhu, Computer Press (kap. 12 a 13) • SILVERMAN, D., 2005: Ako robiť kvalitatívny výskum, 2005 (kap. 10 – 21) • DENZIN, N.K., LINCOLN, Y., 2005: Handbook of Qualitative Research, SAGE • MEDIA GURU, Mediální slovník, http://www.mediaguru.cz/medialni-slovnik.html (leden ´10) • ŘEZANKOVÁ, H, MAREK, L, VRABEC, M., 2000: IASTAT - Internetová učebnice statistiky http://iastat.vse.cz/ (leden ´10) • STATSOFT: Elektronická učebnice statistiky http://www.statistica.cz/podpora/elektronicka-ucebnice-statistiky/ (leden ´10) • SAMPLE SIZE CALCULATOR, http://www.surveysystem.com/sscalc.htm (leden ´10)

30. TÝMOVÁ PRÁCE V NÁSLEDUJÍCÍCH DNECH

31. Práce v týmech • Zkontrolujte si datovou matici • Zkontrolujte, zda data odpovídají kvótě • Připravte si proměnné k analýze • Vytvořte si osnovu zprávy a promyslete postup zpracování • Rozdělte si práci na zprávě • Vytvořte závěrečnou zprávu z připravených dat v PowerPointu DO PÁTKU 7.5.2010 a odešlete ji na adresu zaplatilek@focus-agency.cz

32. Co nás čeká příště? • Další setkání: 11.5.2010 • S dotazy a připomínkami se obracejte na adresu: zaplatilek@focus-agency.cz. • Na dalším setkání se budeme věnovat hodnocení vašich zpráv a zaměříme se na zpracování prezentace.

33. POMŮCKA PRO PRVNÍ KONTAKT S SPSSvíce viz uživatelská příručka SPSS (odkaz v sekci „užitečné odkazy – SPSS“)

34. OTEVŘENÍ DATOVÉHO SOUBORU

35. VYTVOŘENÍ NOVÉ KATEGORIZOVANÉ PROMĚNNÉ

36. VYTVOŘENÍ PROMĚNNÉ PRO MULTIPLE RESPONSE

37. UŽITEČNÉ ODKAZY - SPSS • www.spsstools.net • www.spss.cz • http://diplodocs.cz/annexe_BASE%20USERS%20GUIDE_SPSS_SPSS%2013-_E.htm – uživatelská příručka SPSS 13

38. Na viděnou! Martin ZAPLATÍLEK FOCUS, Centrum pro sociální a marketingovou analýzu zaplatilek@focus-agency.cz www.focus-agency.cz