Исследование сильных и слабых сторон программных средств обработки данных опросов и анкетирования на примере маркетингового исследования

Размещенго на /

Министерство образования и науки Российской Федерации

РОССИЙСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

имени И. КАНТА

Кафедра маркетинга и коммерции

КУРСОВАЯ РАБОТА

по дисциплине: «Информационные системы в маркетинге»

На тему: «Исследование сильных и слабых сторон программных средств обработки данных опросов и анкетирования на примере маркетингового исследования»

Выполнил студент 2 курса

3-й группы очной формы обучения

специальности «Маркетинг»

экономического факультета

Научный руководитель:

ст. преподаватель

г. Калининград

Глава 1. Маркетинговые исследования

1.1 Природа и сущность маркетинговых исследований

1.2 Анкетирование и опрос

1.3 Методы анализа данных анкетирования

Глава 2. Программные средства обработки данных анкетирования и опросов

2.1 Statistica

2.2 SPSS

2.3 Выбор средства обработки данных анкетирования и опросов

Глава 3. Использование выбранного средства обработки данных на предприятии

3.1 Экономическая характеристика компании «СОХО»

3.2 Использование выбранного средства обработки данных в компании «СОХО»

Заключение

Список использованных источников Приложения

Комплекс маркетинга в современности характеризуют как совокупность подконтрольных факторов, направленных на возникновение предсказуемых и желаемых ответных реакций определённого сегмента рынка. Вероятность правильного прогноза этих реакций в компаниях с серьезным маркетинговым отделом весьма высока. Процесс прогнозирования во многом определяют эффективные маркетинговые исследования.

Маркетинговые исследования по большей части характеризуются сбором, анализом информации, и представлении её результатов. На этапе сбора информации при проведении маркетингового исследования одним из основных методов получения информации о потребителях и их желаниях является непосредственное анкетирование. Анкета является весьма гибким инструментом опроса, так как возможно задать различные виды вопросов.

Однако помимо всех положительных сторон анкетирования существуют минусы этого вида опроса. Наиболее явным является наличие иногда огромного количества анкет, а скрытым фактором минусом является зачастую сложная обработка анкет с выделением различных взаимосвязей. С появлением современных компьютерных технологий процесс статистической обработки анкет значительно облегчился. Были разработаны различные методики обработки анкет, а затем и специализированные программы.

Актуальность темы

обусловлена высокой степенью риска ошибки при определении выборки для исследований или определении методов исследования.

Цель работы: Исследование сильных и слабых сторон программных средств обработки и анализа анкет при проведении маркетингового исследования.

Предметом исследования: являются программные средства для обработки анкет.

Объектом исследования являются возможности выбранного программного средства обработки данных на примере маркетингового исследования в компании.

Задачи исследования:

ь Общая характеристика программных средств, используемых для обработки анкет

ь Сравнение двух наиболее популярных программных средств обработки анкет

ь Практическое применение одного программного средства для обработки и анализа анкет.

Глава 1. Маркетинговые исследования

1.1 Природа и сущность маркетинговых исследований

Начнем исследование с указания того места, которое занимает обработка и анализ анкет в системе маркетинговой информации.

Согласно, маркетинговая информационная система (МИС) — это совокупность (единый комплекс) персонала, оборудования, процедур и методов, предназначенная для обработки, анализа и распределения в установленное время достоверной информации, необходимой для подготовки и принятия маркетинговых решений

Маркетинговые информационные системы предприятий включают в себя определенные модули, представленные на рис. 1.

Размещенго на /

Как видно из рисунка, работа с маркетинговой информацией осуществляется посредством системы внутренней отчетности, системы маркетинговых исследований, системы сбора текущей маркетинговой информации и системы анализа маркетинговой информации.

Не будем вдаваться в подробное описание всех вышеуказанных систем, поскольку данная работа ограничена системой маркетинговых исследований.

Главное отличие системы маркетинговых исследований от остальных систем, используемых при работе с маркетинговой информацией заключается в том, что маркетинговые исследования проводятся в связи со стоящей перед фирмой маркетинговой ситуацией, в то время как остальные системы осуществляют постоянный сбор и анализ всей информации, связанной с внешней или внутренней средой предприятия.

Направления маркетинговых исследований разнообразны. Могут исследоваться рыночные тенденции, отношение к марке, конкурентные цены, удовлетворение потребителей и т. д.

Рассмотрим этапы маркетингового исследования:

1. Определение проблемы и целей исследования.

На данном этапе четко определяется проблема и согласовываются цели исследования. Поскольку рынок можно исследовать по множеству параметров, четкое определение проблемы может сократить непроизводительные затраты. В зависимости от целей маркетинговые исследования могут быть поисковыми (предусматривать сбор каких-то предварительных данных, проливающих свет на проблему, а возможно, и помогающих выработать гипотезу) описательными, т. е. предусматривать описание определенных явлений. Бывают и экспериментальные цели, т. е. предусматривающие проверку гипотезы о какой-то причинно-следственной связи

Как правило, анкетирование применяется при описательных исследованиях.

2. Определение объектов исследований.

Согласно Котлеру всю информацию можно разделить на вторичную и первичную. К вторичной относится та, которая уже существует до проведения маркетингового исследования, будучи собранной ранее для других целей. Такая информация выходит за рамки данной работы. Рассмотрим более подробно методы получения первичной информации (информации, собранной впервые для какой-либо конкретной цели) Существует две категории данных методов.

А. Качественные исследования включают сбор, анализ и интерпретацию данных путем наблюдения за тем, что люди делают и говорят. Наблюдения и выводы носят качественный характер и осуществляются в нестандартизированной форме. Качественные данные могут быть переведены в количественную форму, но этому предшествуют специальные процедуры. К данным методам относятся фокус-группы, глубинные интервью, анализ протоколов, проекционные, физиологические измерения.

Качественные исследования не будут рассматриваться в данной работе.

Б. Количественные исследования обычно отождествляют с проведением различных опросов, основанных на использовании структурированных вопросов закрытого типа, на которые отвечает большое число респондентов. Характерными особенностями таких исследований являются: четко определенные формат собираемых данных и источники их получения, обработка собранных данных осуществляется с помощью упорядоченных процедур, в основном количественных по своей природе.

1.2 Анкетирование и опрос Основным инструментом количественных исследований является анкета.

При этом информация от респондентов собирается тремя способами:

1. Путем задания вопросов респондентам интервьюерами, ответы на которые интервьюер фиксирует

2. Путем задания вопросов с помощью компьютера.

3. Путем самостоятельного заполнения анкет респондентами.

Процесс составления анкеты будет подробнее рассмотрен далее.

Кроме того, на данном этапе определяется тип связи с аудиторией (телефон, почта или личное интервью) и составляется план выборки.

3. Сбор информации.

4. Анализ собранной информации.

На данном этапе исследователь сводит полученные данные в таблицы. На основе этих таблиц выводят или рассчитывают такие показатели, как распределение частотности, средние уровни и степень рассеяния. Затем исследователь в надежде получить дополнительные сведения обрабатывает полученные данные с помощью современных статистических методик и моделей принятия решений, применяемых в системе анализа маркетинговой информации.

Обработка и анализ данных, полученных в ходе анкетирования, будет более подробно рассмотрена далее.

5. Представление полученных результатов.

Рассмотрим более подробно основные принципы разработки анкет.

Важнейшей составляющей любой анкеты являются вопросы. Различают следующие типы вопросов, применяющихся в анкетах: открытые вопросы, закрытые вопросы и вопросы со шкалой ответов. (Ф. Котлер включает последние в разряд закрытых вопросов)

1. Открытые вопросы — это вопросы, позволяющие опрашиваемому отвечать своими словами. Это дает ему возможность ему чувствовать себя при ответе на вопрос достаточно свободно, приводить примеры, иллюстрации. Открытые вопросы дают исследователю больше информации, чем остальные типы вопросов, поскольку опрашиваемым не навязывается определенный вопрос, кроме того, комментарии и пояснения респондентов к данным вопросам могут натолкнуть исследователя на неожиданные и новые идеи.

Открытые вопросы часто приводятся в начале анкеты для «разминки» респондентов.

Основными недостатками открытых вопросов являются трудности при кодировании ответов в форму, удобную для статистического анализа (махорта). Однако, открытые вопросы, ответами на которые являются числа (например, вопросы о возрасте, доходах респондента) лишены этих недостатков.

2. Закрытые вопросы — это вопросы, позволяющие опрашиваемому делать выбор из предложенных вариантов ответов.

Существует два варианта таких вопросов:

1. Дихотомический, типа: «Имеете ли вы счет в банке?» В данном случае имеется только два варианта ответа: да, нет.

2. Многовариантного выбора, из которых респондент может выбрать один или несколько ответов.

Преимуществом данного типа вопросов является облегчение обработки полученных данных для их последующего анализа.

3. Разновидностью закрытых вопросов являются вопросы со шкалой ответов.

Наиболее распространенными типами данных вопросов являются шкала Лайкерта, семантический дифференциал, шкала Стэпела, модифицированные шкалы Лайкерта.

1. Шкала Лайкерта. При ее применении от респондентов требуется определить степень согласия или несогласия для каждого набора утверждений о рассматриваемых объектах. Обычно каждый пункт шкалы имеет пять категорий для ответа от «абсолютного несогласия» до «полного согласия» .

2. Модифицированные шкалы Лайкерта. В данном случае добавляются дополнительные категории ответов, а также может варьировать количество вопросов, на которые требуется ответить (голубк).

3. Семантический дифференциал. В данном случае респонденты оценивают объекты по нескольким пунктам с помощью семибалльных шкал, ограниченных по краям противоположными прилагательными, такими как «холодный» или «теплый» Отдельные пункты семантического дифференциала могут принимать значения от — 3 до +3 или от 1 до 7.

4. Шкала Стэпела. Шкала Стэпела (Stapei scale), названная именем ее создателя (Jan Stapei), исключительно популярная десятибалльная шкала, использующая значения от —5 до 5 без нейтральной (нулевой) точки. Шкала обычно изображается вертикально. Респондентов просят определить, насколько верно или неверно каждый термин описывает объект, выбирая соответствующее число на шкале ответов. Чем выше число, тем ближе термин по описанию к объекту.

Выясним, какие шкалы измерений используются при разработке анкет. Тип шкалы играет решающую роль при выборе того или иного метода статистического анализа.

При обработке анкеты ответы на вопросы преобразуются в числовой вид. Измерения объекта изучения можно провести с помощью различных шкал, причем функции, выполняемые числами, а также возможности их анализа, в каждом случае будут различаться. Выделяют следующие шкалы:

Шкала наименований — ставит в соответствие описываемым объектам числа, значения которых не имеют статистической значимости, а служат для идентификации объектов.(голубк)Данная шкала позволяет находить частоты распределения, среднюю тенденцию по модальной частоте, вычислять коэффициенты взаимозависимости между двумя или большим числом рядов свойств, применять непараметрические критерии проверки гипотез.

Шкала порядка разрешает ранжировать респондентов или их ответы (голуб). Она позволяет узнать, в какой мере выражена конкретная характеристика данного объекта, но не дает представления о степени ее выраженности. Объект, находящийся по рангу на первом месте, имеет более сильно выраженную характеристику по сравнению с тем, что находится на втором месте, но при этом неизвестно, насколько значительно различие между ними. В маркетинговых исследованиях порядковые шкалы используются для измерения отношения, мнения, восприятия и предпочтения. Данная шкала позволяет использовать показатели центральной тенденции — медиану, квартили и др. Для выявления взаимозависимости двух признаков используются коэффициенты ранговой корреляции Спирмена и Кендэла.

Интервальная шкала обладает характеристикой расстояния между отдельными градациями шкалы, измеряемого с помощью определенной единицы измерений, т. е. используется количественная информация. На этой шкале уже не бессмысленны разности между отдельными градациями шкалы. В данном случае можно решить, равны они или нет, а если не равны, то какая из двух больше. Шкальные значения признаков можно складывать. Данная шкала позволяет выполнять все статистические операции, присущие порядковому уровню; возможны также вычисления средней арифметической, дисперсии т.д. Вместо ранговых коэффициентов корреляции вычисляется коэффициент парной корреляции Пирсона. Может также быть рассчитан множественный коэффициент корреляции.

Шкала отношений является единственной шкалой, имеющей нулевую точку, поэтому можно проводить количественное сравнение полученных результатов. Такое дополнение позволяет вести речь о соотношении (пропорции) а: b для шкальных значений, а и b. Например, респондент может быть в 2,5 раза старше, тратить в три раза больше денег, летать самолетом в два раза чаще по сравнению с другим респондентом. В маркетинге с помощью относительной шкалы измеряются объемы продаж, затраты, доля рынка и число покупателей. Для шкалы отношений применимы все вышеуказанные методы статистического анализа (голубк).

Порядок вопросов должен подчиняться следующим требованиям:

1. Вначале задаются вопросы, выявляющие уровень компетенции респондентов в области проводимого исследования. Например «Вы посещаете магазин ****?» при определении отношения к ассортименту какого-либо магазина

2. Затем следуют относительно легкие вопросы, следующие целям «разминки» респондентов.

В середине или ближе к концу анкеты рекомендуется ставить наиболее трудные для респондентов вопросы. Обычно респондент, если дошел до данной части вопросника, как правило, отвечает и на оставшиеся вопросы. Опытные интервьюеры при проведении устного опроса в этом месте обычно говорят, что интервью вступило в завершающую стадию.

3. В конце вопросника приводятся классификационные вопросы, постановка которых в его начале, вследствие их персонального характера, может вызвать у респондента желание прекратить ответы на вопросы. Сюда относятся демографические вопросы о возрасте, образовании, национальности, уровне дохода и т. п.

4. Вопросы, носящие чрезмерно личностный характер («Чистите ли вы зубы каждый день?» «Часто ли вы на своем автомобиле превышаете допустимую скорость?»), обычно помещаются среди «безвинных» вопросов.

После проведения опроса полученная информация должна быть подготовлена к анализу. Выделяют несколько этапов этого процесса:

1Проверка анкет. На данном этапе анкеты проверяются на полноту заполнения и качество интервьюирования. Не могут быть приняты для дальнейшей обработки анкеты с незаполненными частями, с несоблюдением респондентами инструкций по заполнению, с отсутствующими страницами, с ответами, данными респондентом, не входящим в группу, выделенную для участия в исследовании.

2. Редактирование данных. На данном этапе производится обработка нечитабельных, неполных, логически непоследовательных или неоднозначных ответов. При получении анкет, содержащих такие ответы, их обычно отправляют обратно на места сбора данных для уточнения, либо назначаются пропущенные значения, либо такие анкеты отбраковываются и не включаются в анализ.

3. Кодирование данных. На данном этапе осуществляется присвоение определенного кода каждому возможному варианту ответа по каждому вопросу. Помимо этого, кодируются и сами респонденты, а также вопросы. Если анкета включает только закрытые вопросы или очень незначительное количество открытых вопросов, она кодируется заранее. Это означает, что коды присваиваются, прежде чем начинается непосредственная полевая работа. Если же в анкете содержатся в основном открытые вопросы, коды присваиваются уже после того, как заполненные анкеты возвращаются с места сбора данных (так называемое посткодирование).

4. Преобразование данных. На данном этапе осуществляется перенос закодированных данных из анкеты или кодировочных таблиц на диски или магнитные ленты либо введение их непосредственно в компьютер через клавиатуру. Если данные собраны с использованием автоматизированных компьютерных систем, их преобразование не обязательно, поскольку они вводятся в компьютер в процессе их сбора.

5. Очищение данных заключается в проверке состоятельности собранных данных и работе с пропущенными ответами.

6. Статистическая корректировка данных. Может осуществляться взвешивание (каждому наблюдению или респонденту в базе данных присваивается весовой коэффициент, отображающий степень его значимости по сравнению с другими наблюдениями или респондентами.), переопределение переменной (преобразование данных для создания новых переменных либо изменения существующих.), преобразование шкалы измерения (манипулирование значениями шкалы с тем, чтобы сравнивать ее с другими шкалами либо как-то иначе преобразовывать данные и делать их подходящими для анализа)

1.3 Методы анализа данных анкетирования После преобразования данных приступают к статистическому анализу.

Выбор того или иного метода анализа определяется главным образом типом шкалы, использованной при построении вопросов анкеты.

Дескриптивные статистики включают в себя показатели центра распределения (среднее, мода, медиана, частоты, показатели вариации (размах вариации, дисперсия, среднеквадратическое отклонение, коэффициент вариации), показатели формы распределения (асимметрия, эксцесс) Для неметрических шкал применяется мода, медиана (только для шкал порядка), частоты.

Для метрических шкал применимы все дескриптивные статистики.

Параметрические и непараметрические тесты бывают следующие:

Для одной выборки (проверка закона распределения) для метрических данных включают t-критерий, z-критерий. Для неметрических данных в данном случае применяется критерий согласия Колмогорова-Смирнова, критерий серий (применяется для двузначных переменных), биномиальный критерий (также для двузначных переменных).

Для двух и более выборок данные тесты проверяют различия средних значений, моды, медианы и т. д.

Для двух независимых выборок применяются следующие параметрические тесты: F-критерий, двухгрупповой t-критерий. К непараметрическим тестам здесь можно отнести: U-критерий Манна-Уитни, двухвыборочный медианный критерий, Двухвыборочный критерий Колмогорова—Смирнова.

Для двух зависимых выборок применяется такой параметрический тест, как t-критерий парных выборок. К непараметрическим тестам в данном случае относятся Критерий попарных сравнений Уилкоксона, Критерий знаков.

Таблицы сопряженности применяются, как правило, для установления зависимости между двумя или тремя неметрическими переменными. В случае шкал наименований для ее оценки применяют: критерий хи-квадрат, фи-коэффициент, Коэффициент сопряженности признаков, V-коэффициент Крамера, коэффициент «лямбда». В случае порядковых данных применяются такие статистики, как тау b, тау с и «гамма».

Дисперсионный анализ применяется для установления зависимости одной метрической переменной от неметрических переменных, которые делят выборку на группы, причем межгрупповая дисперсия должна как можно больше превышать среднюю из внутригрупповых дисперсий для выявления зависимости.

Однофакторный дисперсионный анализ применяет следующие статистики: Эта-квадрат (?2), F-статистика.

Многофакторный дисперсионный анализ включает коэффициент множественной корреляции, F-критерий, ?2.

Ковариационный анализ применяется, когда при проведении дисперсионного анализа требуется исключить влияние метрической независимой переменной, которая называется ковариатой.

При неметрическом дисперсионном анализе зависимая переменная выражена порядковой переменной. Здесь применяют такие статистики, как k-выборочный медианный тест, Однофакторный дисперсионный анализ Краскела-Уоллиса.

Многомерный дисперсионный анализ применяется в том случае, когда имеется две или больше зависимых переменных.

Для выявления зависимости между двумя метрическими переменными применяется коэффициент парной корреляции; при наличии нескольких независимых переменных применяется частный коэффициент корреляции.

Кроме того, для оценки связи между двумя порядковыми неметрическими переменными применяется коэффициент корреляции Спирмена, коэффициент корреляции Кендалла.

Регрессионный анализ применяется для установления формы и изучения связей между метрической зависимой переменной и одной или несколькими независимыми переменными.

Для парной регрессии применяются следующие статистики: коэффициент детерминации, коэффициент регрессии, сумма квадратов ошибок и т. д.

Для множественной регрессии применяются следующие статистики: коэффициент множественной детерминации, частный коэффициент регрессии.

Дискриминантный анализ используется для изучения зависимости неметрических переменных от метрических. В данном виде анализа необходимо задать дискриминантную функцию, аргументами которой являются независимые переменные, которая определяет значение зависимой переменной.

Дискриминантный анализ для двух групп предполагает наличие двух категорий зависимой переменной Множественный дискриминантный анализ предполагает наличие большего количества указанных категорий.

Факторный анализ изучает все возможные варианты взаимозависимых связей метрических переменных. При проведении данного анализа не учитываются различия между зависимыми и независимыми переменными; он служит для обобщения коррелируемых переменных.

Кластерный анализ предназначен для классификации респондентов или переменных в относительно однородные группы, которые называют кластерами. Для показа результатов кластеризации применяется древовидная диаграмма.

Многомерное шкалирование применяется для представления восприятий и предпочтений респондентов в пространстве с помощью наглядного изображения. Существуют как неметрические методы многомерного шкалирования (исходные данные порядковые) и метрические методы многомерного шкалирования.

Совместный анализ применяется для определения важности, которую придают потребители определенным характеристикам. Эту информацию маркетологи получают из оценок потребителями торговых марок или профилей торговых марок, составленных из характеристик товаров и их уровней.

Глава 2. Программные средства обработки данных анкетирования и опросов.

Практика показывает, что в настоящее время многие российские компании, занимающиеся проведением маркетинговых исследований, а также отделы маркетинга промышленных и торговых организаций часто используют для анализа получаемых полевых данных весьма ограниченный набор аналитических инструментов, иногда даже вовсе без применения статистики. Вместе с тем именно статистический анализ позволяет вскрыть такие закономерности и внутренние связи в данных, которые невозможно выявить другими средствами. Подтверждение гипотез о наличии связи между переменными, оценка характера данных связей, оценка влияния частных параметров продукта на общее впечатление от него потребителей, сегментирование потребителей, прогнозирование изменений рыночной конъюнктуры — вот лишь некоторые задачи, с успехом решаемые с применением статистических методов анализа. На новый уровень выводит статистические методы применение специализированного программного обеспечения для анализа. Наиболее популярными в настоящее время являются статистические программные комплексыStatistica, Да-система и SPSS.

2.1 Statistica

Это универсальный статистический пакет, который может применяться и для анализа результатов анкетирования.

Разработчик: StatSoft, Inc., Фирмой StatSoft в настоящее время предлагаются статистический пакет и корпоративные системы, а также модули к ним.

В отличие от SPSS, в Statistica нет специального режима для просмотра свойств переменных, свойства вызываются двойным кликом по заголовку переменной в таблице данных. Кроме того, свойства переменой доступны в меню Vars на панели инструментов. Программа предлагает расширенные, по сравнению с SPSS, возможности простейшей модификации данных, а также обладает схожими с MS Excel принципами Drag and Drop. Можно также отметить отличный от SPSS способ выбора переменных (из раскрывающегося списка, а не путем перетаскивания переменной из одного окошка в другое).

1. Простейшая модификация данных.

При открытии окна со свойствами выделенной переменной (вкладка Specs в меню Vars) пользователь может установить определенные параметры переменной. Так, можно дать название переменной, установить шрифт заголовка, задается тип данных (Double, Text, Integer, Byte), а также формат отображения (Display Format). Здесь доступны такие форматы, как General (общий), Number (число), Date (дата), Time (время), Scientific (научный), Currency (денежный формат), Percentage (проценты), Fraction (доли), Custom (пользовательские форматы). С помощью кнопки All Specs можно перейти в окно просмотра свойств всех переменных. Кнопка Text Labels позволяет редактировать и создавать метки переменных. Statistica предлагает такие шкалы измерений: Unspecified, Auto, Continuous, Categorical, Ordinal. Последние две соответствуют шкалам Scale, Nominal и Ordinal в SPSS.

Кнопки Vars и Cases на панели инструментов позволяют производить редакцию соответственно переменных и случаев. Так, через меню Cases можно удалять (Delete), добавлять (Add), перемещать (Move), сортировать (Sort Cases) и копировать (Copy) случаи. Помимо этого Case Names Manager позволяет присваивать случаям имена, идентичные значениям выбранной переменной, и присваивать имена случаев значениям выбранной переменной.

Для переменных также доступны функции Add, Move, Copy и Delete. Правда, указанные операции для переменных, а также для случаев можно выполнить через контекстное меню; а операции Copy и Add доступны через меню Insert на панели инструментов.

Пропущенные значения в Statistica по умолчанию заполняются значением -9999. Однако пользователь может изменить это число для выбранной переменной в окне свойств переменной, окошко MD code. Кроме того, через меню Data можно заполнить пропущенные ячейки средним значением переменной (вкладка Data Filtering/Recoding, команда Replace Missing Data).

Также Statistica позволяет осуществлять транспозицию (меню Data, команда Transpose).

2. Модификация данных.

Statistica предлагает возможности модификации данных. Вычисление новой переменной можно произвести с помощью функции Long name окна свойств этой переменной. Можно использовать не только логические и арифметические операторы, но и функции (Functions). Доступны следующие: Case States (функции, указывающие состояние наблюдения), Conditional (условные), Date/Time (дата/время), Distributions (распределения), General (общие), Math (математические), Operators (операторы), Row, Column (ряды, колонки), Statistics (статистические), Text (текстовые).

Переменные могут быть перекодированы посредством меню Data, вкладки Recode или одноименной вкладки меню Vars на панели инструментов. В отличие от SPSS, здесь пользователь имеет возможность сразу задать диапазон исходных значений переменной, соответствующих новому значению переменной, а не вводить все старые значения.

Помимо этого, меню Vars позволяет создавать переменную даты из переменных дня, месяца и года и делить переменную даты на эти переменные (Date Operations).

C помощью функции Recalculate Spreadsheet Formulas пользователь может пересчитать значения переменных, которые связаны при помощи формул.

С помощью функции Shift (Lag) пользователь может сдвинуть значения выбранной переменной на указанное число случаев вверх или вниз.

Следует отметить, что последние три функции доступны также в меню Data.

Statistica позволяет создавать стандартизированные переменные (исходные значения — среднее/ среднеквадратическое отклонение) с помощью команды Standardize, доступной через меню Vars или через меню Data.

Statistica позволяет ранжировать переменные; при этом значение переменной заменяется ее рангом. Функция доступна через вкладку Rank меню Vars или меню Data. Пользователь может выбрать, какому значению — максимальному или минимальному — присвоить ранг 1, а также выбрать вариант присвоения рангов одинаковым значениям (Ranks for ties): присвоить средний из рангов (mean), наименьший (low), наибольший ранг (high) или последовательно присваивать ранги различным значениям (sequential).Statistica предлагает следующие типы рангов (Type of ranks): regular (обычный), fractional (дробный), fractional as % (дробный в %).

Взвешивание случаев производится в окне Spreadsheet Case Weights, при взвешивании необходимо определить переменную-вес. Окно вызывается в меню Tools, или с помощью кнопки Weight на панели инструментов, или при выполнении некоторых операций (например, при замене пропущенных значений средними).

3. Импорт данных из MS Access и MS Excel, создание DDE-связи.

Statistica предлагает более расширенные, чем SPSS, возможности работы с внешними источниками информации.

При импорте листов MS Excel и таблиц MS Access создается запрос. Перед созданием запроса необходимо пошагово установить связь, выбрать таблицу, по которой выполняется запрос, в меню File, вкладках Get External Data и Create Query. После выбора таблицы запрос создается с помощью простейшего редактора Add Criteria и затем может быть сохранен как отдельный файл. В отличие от SPSS, в Statistica процедура создания запроса схожа с таковой в MS Access.

Кроме того, Statistica позволяет создавать связи между таблицами Excel, содержащими исходные данные, и интерфейсом программы, что позволяет обрабатывать удаленные данные без возможности их изменения. Такие связи называются DDE-связями. Они создаются в программе Statistica двумя способами. Первый способ заключается в копировании исходной части таблицы Excel с последующей вставкой в Statistica с помощью команды Paste Special из меню Edit. Второй способ заключается в установлении связи и управлении ей с помощью команды DDE Links из меню Edit. Вначале требуется открыть исходный документ Excel, затем с помощью указанной команды создать DDE-связь и управлять ей через окно Manage DDE Links.

4. Отбор данных.

Statistica позволяет производить отбор случаев. Функция доступна через меню Tools, вкладка Selection Conditions. Новые условия отбора создаются с помощью команды Edit указанной вкладки. Здесь можно как задавать условия отбора с помощью логических операторов и операторов отношения, так и указывать номера случаев, подлежащие отбору. Кроме того, те же самые функции доступны для исключения, а не отбора случаев. Созданное условие может быть сохранено как самостоятельный файл. С помощью команды Enable можно включить условие, а показать отобранные значения можно с помощью команды Display.

Вкладка Subset/Random Sampling окна Spreadsheet Case Selection Conditions, также доступная в меню Data и Vars, позволяет создавать подмножества случаев (Subset) и случайные выборки (Random Sampling). Подмножества создаются путем выбора флажка Case selection condition и нажатия на кнопку Cases, что позволяет задавать условия их создания. Случайные выборки создаются двумя способами: Simple random sampling (простой случайный выбор) и Systematic random sampling (систематический случайный выбор). В первом случае можно задавать как приближенный процент случаев (Approximate %), так и точное число случаев (Exact), также доступна случайный выбор с возвращением (With replacement). Во втором случае пользователь задает число, соответствующее интервалу, из которого производится случайный выбор одного случая.

Statistica позволяет объединять разные наборы данных (меню Data, вкладка Merge). Можно объединять случаи (Cases), переменные (Variables), а можно объединять переменные и текстовые метки к ним (Text Labels).

6. Проверка данных.

Statistica позволяет производить проверку исходных данных (команда Verify Data из меню Data или Vars). Пользователь может задавать как простые условия, так и сложные условия, причем существует два способа их применения: случай считается правильным, если он удовлетворяет всем условиям (All conditioты are met), или если он удовлетворяет хотя бы одному условию (At least one condition is met). Доступны следующие типы условий: Valid cases (номера правильных наблюдений), Valid if (условия, которым удовлетворяют правильные наблюдения), Invalid cases (номера неправильных наблюдений), Invalid if (условия, которым удовлетворяют неправильные наблюдения).Кроме того, в рамке Range указывается, с какого по какой случай проводить проверку.

2.2 SPSS

SPSS — это универсальный статистический пакет, который может использоваться для работы с анкетными данными.

Разработчик: SPSS Inc., an IBM Company, США.

Компания предлагает такие семейства продуктов, как Statistics, Data Collection, Modeling, Deployment.

Следует отметить, что один из продуктов семейства Data Collection (IBM SPSS Data Collection Data Entry) является и одним из модулей Statistics.

Для обработки и анализа анкет предлагаются программы семейства Statistics, включающие:

IBM SPSS Statistics 18

IBM SPSS Statistics Professional

IBM SPSS Statistics with Collaboration (данная версия предназначена для сетевой работы)

SPSS выводит информацию в таких окнах, как Data Editor (редактор данных, который имеет два режима: Variable View и Data View), Viewer (здесь отображаются результаты вычислений, диаграммы и т. д.), Script Editor (редактор скриптов), Diagram Editor (редактор диаграмм), и других окнах, используемых реже.

1. Простейшая модификация данных.

При открытии режима Variable View пользователь может задать имена переменным, выбрать тип переменной (доступны Numeric (числовой), String (строка), Date (дата), Comma (запятая), Dot (точка), Scientific notation (экспоненциальное представление), Dollar (доллар), Special currency (специальная валюта). Кроме того, можно задать число позиций столбца, число десятичных разрядов, а также метки переменных (label) и значений (values). Здесь же задается ширина столбца, выравнивание. Пользователь может выбрать режим определения пропущенных значений (missing). Это могут быть как незаполненные ячейки (no missing values), так и определяемые пользователем значения переменной (discrete missing values) или диапазон этих значений плюс одно значение (range plus one optional discrete missing value).

Также режим Variable View позволяет выбрать шкалу измерения (measure). Предлагается три шкалы: шкала наименований (nominal), порядковая шкала (ordinal) и метрическая шкала (scale).

Помимо этого, здесь можно удалить, вставить переменную, а также копировать описание переменной.

В режиме Data View пользователь может также копировать, удалять, вставлять переменные и случаи, а также сортировать случаи.

На панели инструментов в окне Data Editor доступны кнопки, также позволяющие вставлять случаи и переменные. Помимо этого в меню Data имеются инструменты, позволяющие сортировать случаи и переменные (Sort cases, Sort variables), менять и копировать свойства переменных (Define variable properties, Copy data properties), осуществлять транспозицию, т. е. менять местами переменные и случаи (transpose).

2. Модификация данных.

В SPSS существует возможность вычислять новые переменные (меню Transform, вкладка Compute Variable) на основе имеющихся как с помощью арифметических и логических операций, так и с помощью функций, которые бывают следующих видов: арифметические, статистические, даты и времени, обработки пропущенных значений, извлечения значений наблюдений, статистических распределений, генерации случайных чисел.

Кроме того, можно создать переменную, которая отражает частоту появления определенных значений переменной для каждого случая (меню Transform, вкладка Count values within cases).

Одной из важнейших возможностей модификации данных в SPSS является перекодирование значений переменных (С помощью ручного перекодирования (меню Transform, вкладки Recode into same variables, Recode into different variables) задаются новые значения переменной, автоматическое перекодирование (Automatic Recode) позволяет представить текстовые данные в числовой форме с присвоением меток значений переменной.

SPSS также позволяет вычислять новые переменные для случаев, удовлетворяющих определенным условиям. Чтобы сформулировать условия, необходимо в окне Compute Variable открыть другое окно Compute Variable: If Cases. Для формулировки условий доступны те же функции и операторы, что и для вычисления переменных. Однако, следует отметить, что при формулировке сложных условий с логическими операторами случаи будут удовлетворять им, если логические выражения будет верными.

Другой возможностью модификации данных в SPSS является агрегирование (меню Data, вкладка Aggregate). Суть его заключается в представлении только одного совокупного значения какой-либо выделяемой группы. Совокупным значением может быть среднее, мода, медиана, минимум, максимум, процентные соотношения между группами и т. д.

SPSS позволяет ранжировать номинальные переменные, что может использоваться при проведении непараметрических тестов. Команда вызывается через меню Transform, вкладка Rank cases. SPSS предлагает такие типы рангов, как Rank (Ранг), Savage score (оценка Сэвиджа), Fractional Rank (относительный ранг), Fractional Rank as %(относительный ранг в %), Sum of case weights (сумма весов наблюдений), Ntiles (N-процентили), Proportion Estimates (долевые оценки), Normal Scores (нормальные ранги). Пользователю доступно четыре способа присвоения рангов одинаковым значениям переменной (окно Rank Cases: Ties): присваивается среднее из значений рангов данных переменных (mean), наибольшее (high) и наименьшее (low) из значений, а также одинаковые ранги (Sequential ranks to unique values).

Взвешивание случаев — еще одна возможность модификации данных, применяемая в случае, если частотные характеристики выборки не соответствуют таковым в генеральной совокупности, а также когда необходимо провести анализ взвешенных данных. Команда вызывается в меню Data, вкладка Weight Cases. Перед взвешиванием необходимо создать переменную, по которой производится взвешивание.

3. Импорт данных из MS Access и MS Excel.

Данные анкетирования могут быть созданы в файле MS Excel или MS Access (и в некоторых других базах данных), а затем импортированы в SPSS. Данная операция доступна в меню File, вкладки Open Database, New Query. При импорте может создаваться запрос, когда пользователь накладывает условия на вывод информации из листов Excel или таблиц Access. Он может быть сохранен отдельным файлом.

4. Отбор данных.

Отбор наблюдений в SPSS производится при помощи меню Data, вкладка Select Cases. Если открыть вкладку If condition satisfied, откроется редактор, позволяющий вводить условия отбора как с арифметическими и логическими операторами (будет отобран случай, которому соответствует верное значение вводимого условия), так и с использованием функций, из которых используются логические и строковые.

Кроме того, во вкладке Select Cases имеется функция Random Sample of Cases, позволяющая извлекать случайную выборку из имеющихся данных. При этом пользователь может задать как приблизительный процент наблюдений, соответствующий случайной выборке, так и точное число наблюдений в случайной выборке, размер которой также должен быть задан.

SPSS также позволяет сортировать случаи по заданной переменной. Эта возможность доступна в меню Data, вкладка Sort Cases.

Следует отметить, что можно осуществлять добавление переменных или случаев к имеющемуся набору данных из другого файла SPSS, содержащего набор данных. Команда вызывается в меню Data, вкладка Merge Files. При добавлении переменных случаи в наборах данных должны совпадать, а при добавлении случаев должны совпадать переменные.

В SPSS можно производить разделение набора данных на группы в зависимости от значений переменных, которые, как правило, имеют номинальную шкалу. Данная операция выполняется при помощи меню Data, вкладка Split File. Если выбрать опцию Organize output by groups, при анализе вывод результатов по каждой группе будет раздельным. При выборе Compare groups результаты анализа будут представлены в виде одной таблицы, состоящей из частей, соответствующих каждой группе.

6. Проверка данных.

SPSS также позволяет производить проверку исходных данных. Команда вызывается через меню Data, вкладка Validation. Пользователь может определить свои правила для проверки (Define Validation Rules), причем здесь можно выбрать правила для одной переменной (Single-Variable Rules) или для нескольких переменных (Cross-Variable Rules) В последнем случае доступен редактор формул. Кроме того, в окне Validate Data можно непосредственно применить для проверки стандартные условия (Basic Checks), а также уже вышеупомянутые правила для одной переменной или для нескольких переменных.

2.3 Выбор средства обработки данных анкетирования и опросов В результате сравнения программных средств SPSS и Statistica были сделаны некоторые выводы. Основным выводом является то, что в целом расхождение между программами незначительно. Функциональность программного пакета SPSS выше в каких-то областях, например, преимуществом SPSS является наличие модуля интерактивных графиков, которые могут иметь множество заданных переменных и быть весьма полезными для выявления различных закономерностей в маркетинговых исследованиях. Отличительной характеристикой программного средства Statistica является возможности использования графиков поверхностей и наличие более широкого диапазона анализов данных. Однако большая часть, из которых практически не применяется в маркетинговых исследованиях при обработке анкет. Стоимость SPSS ниже программы Statistica. Большинство европейских и российских маркетологов используют программное средство SPSS при обработке данных анкет продаж, отношений потребителей. На основе этого можно сделать заключение о том, что SPSS наиболее подходит для обработки и анализа анкет предприятия розничной торговли.

Глава 3. Использование выбранного средства обработки данных на предприятии

3.1 Экономическая характеристика компании «СОХО»

Компания «СОХО» — многопрофильная компания, активно развивающая несколько направлений бизнеса: розничную торговлю, оптовые продажи, корпоративное обслуживание, производство корпусной мебели.

Компания «СОХО» успешно работает на калининградском рынке компьютерной техники с 1998 года. Наша история — это история постоянного самосовершенствования и развития новых направлений деятельности. На протяжении всего периода деятельности компания «СОХО» занимает лидирующие позиции среди розничных и оптовых компаний, реализующих компьютерную технику и электронику, а также компаний по обслуживанию корпоративных клиентов. За годы существования компания «СОХО» заняла лидирующие позиции во всех нишах калининградского рынка компьютерных технологий.

Успех компания «СОХО» обеспечивается ключевыми составляющими ее деятельности:

— широкий ассортимент компьютерных товаров, комплектующих, программного обеспечения и электроники для частных лиц и компаний по доступным ценам. Основу ассортимента компании составляют компьютеры готовой индивидуальной сборки, комплектующие к ним, ноутбуки, печатная и копировальная техника, фото и видео техника, компьютерные аксессуары и комплектующие мировых производителей. Также, важным направлением деятельности компании являются кондиционеры и системы кондиционирования.

— собственные поставки компьютерной техники из-за рубежа. Компания является официальным представителей таких крупных компьютерных компаний как: Trust, Sweex, Microsoft, Corel, Nortel, View Sonic, Microstar и других.

— компания предоставляет широкий спектр услуг по гарантийному и сервисному обслуживанию клиентов, высокий уровень обслуживания которых обеспечивает команда сертифицированных специалистов сервисного центра компании.

— обслуживание корпоративных клиентов. Отдел корпоративного обслуживания реализует проекты по поставкам, по обслуживанию и сервису компьютерной техники и программного обеспечения для фирм и компания «СОХО» предприятий города. Корпоративное направление компания «СОХО» существует уже более 5-х лет и специализируется в области автоматизации офисов.

Финансово-экономические показатели деятельности.

Таблица № 1 — Розничный товарооборот компания «СОХО» по кварталам 2009 года

Например, произведем расчет розничного товарооборота за I квартал отчетного года в сопоставимых ценах. Для этого разделим величину розничного товарооборота за I квартал отчетного года в действующих ценах на величину индекса роста цен: 301 / 1,012 = 297. Для расчета динамики роста товарооборота возьмем соотношение величин товарооборота в 2008 (предыдущем) году и в 2009 (отчетном) году в действующих и сопоставимых ценах соответственно: 301 / 264 * 100% = 114%; 297 / 264 * 100% = 113%.

Из расчетной таблицы видно, что наибольший рост товарооборота произошел в III квартале 2009 по сравнению с 2008 годом, наименьший — в I. Это связано с изменениями в ассортименте товара в магазине, а также с изменениями покупательских предпочтений.

Таблица 1.1 Розничный товарооборот за III квартал 2009 года по компания «СОХО» (миллионов рублей)

Расчет процента выполнения плана произведен делением фактической величины розничного товарооборота соответствующего месяца на величину плана по розничному товарообороту (например: 107,8% = 84,5 / 78,4 * 100%). Расчет динамики выполнен делением фактической величины розничного товарооборота соответствующего месяца на соответствующую величину факта предыдущего периода по розничному товарообороту (например: 20,4% = (84,5 — - 70,2) / 70,2 * 100%).

По результатам анализа можно сделать следующие выводы: наибольший процент выполнения плана (18,5) достигнут в сентябре, наименьший (6,6) — августе. Такой же вывод можно сделать и по динамике: наибольший процент увеличения фактического товарооборота наблюдается в сентябре — 39,4%, наименьший — в августе (18,8).

Таблица 2 — Анализ товарных запасов и товарооборачиваемости за декабрь месяц 2009 года по компания «СОХО» (миллионов рублей)

Расчет средних товарных запасов произведен по формуле расчета средней арифметической из величины фактических товарных запасов (1,52 + 1,54 + 1,50 + 1,08) / 4 = 1,41. Фактическая товарооборачиваемость получена делением однодневного товарооборота на средние товарные запасы.

Проанализировав товарные запасы и товарооборачиваемость можно сделать следующие выводы: фактические товарные запасы на протяжении трех первых четвертей месяца незначительно превышают установленный лимит товарных запасов. Фактический товарооборот в течение месяца превышает планируемые величины, что связано с увеличением покупательского спроса во 2-й половине декабря. Таким образом, на протяжении месяца наблюдается снижение товарооборачиваемости, что является положительным моментом для предприятия (это говорит о повышении уровня товарооборота).

Основными мероприятиями по нормализации товарных запасов будут следующие:

— увеличение точности установления лимитов запасов и планирования товарооборота;

— строгое соблюдение графиков поставки продукции, недопущение задержек или слишком раннего завоза;

— установление скидок с цены на товары, которые находятся на складе сверх установленного лимита времени, или срок годности которых заканчивается;

— проведение распродаж и прочих аналогичных мероприятий для товаров, которые находятся на складе сверх установленного лимита времени.

Проведем анализ показателей по труду и заработной плате на основе данных из статистической отчетности формы «1-т (торг)». Результаты представлены в следующей таблице:

Таблица № 3 — Показатели по труду и заработной плате за III квартал 2009 года по компания «СОХО»

Расчет суммы отклонений произведен вычитанием из статей факта III квартала отчетного года соответствующих величин факта предыдущего квартала (например: 58 = 278 — 220). Расчет % произведен делением соответствующих статей факта III квартала отчетного года на соответствующую величину факта предыдущего квартала (например: 26,36% = 58 / 220 * 100%). Величина уровня расходов по заработной плате получена путем деления суммы расходов по заработной плате к товарообороту соответствующего периода (например: 26,18% = 57,6 / 220 * 100%).

Из результатов анализа видно, что товарооборот в действительных ценах вырос в III кв. 2009 года на 26,36% по сравнению с аналогичным периодом 2008 года. Несмотря на увеличение расходов по заработной плате в отчетном периоде по сравнению с плановым на 8,1 млн руб. произошло снижение удельного веса расходов по заработной плате на 2,55%. При этом производительность труда работников выросла на 1,32 рублей на человека. Средняя заработная плата на 1 работника выросла за рассматриваемый период на 44 118 рублей или на 7,35%. В целом показатели по труду и заработной плате за рассматриваемый период улучшились.