Основные методы анализа маркетинговой информации

Этапы процесса бенчмаркинга. Процесс бенчмаркинга можно разбить на пять фаз:

1. Определение объекта анализа превосходства. Здесь нужно установить те объекты предприятия, которые можно исследовать при помощи анализа производства.

Существует возможность  критически пересмотреть организацию  в целом или ее отдельные составные  части. Более того, надо решить, проводить  ли анализ превосходства с внутренней или внешней точки зрения, например, с позиции восприятия покупателя. Далее, этот инструмент может найти применение при анализе товаров, контрольных показателей объема продаж, ориентации клиентов и т.д.

2. Выявление партнеров по анализу превосходства. Определив цели, следует начать поиск лучших предприятий. Подходящие партнеры должны быть не только первоклассными сами по себе, но и иметь по возможности высокую степень сопоставимости с собственной компанией. Этот процесс включает следующие шаги:

- беглый обзор (от  английского слова "to skim" - бегло  прочитывать, пробежать глазами). Поверхностного обзора имеющихся источников информации.

- приведение в порядок  (от английского слова "to trim" - отделывать, шлифовать, приводить  в порядок). В этой фазе, принимая  во внимание дальнейшую информацию, подробно описывают имеющиеся к этому моменту сведения.

- выбор лучших (от английского  слова "to cream" - снимать сливки).

В качестве источников информации используются: отчеты о деятельности фирм, журналы, книги, базы данных, перечень предприятий, деловые связи, консалтинговые компании, специализированные конференции и семинары, исследовательские учреждения, специалисты, сотрудники различных комиссий.

3. Сбор информации. Эта фаза включает не только сбор качественных данных, но и изучение/описание содержания труда, процессов или факторов, которые объясняют продуктивность.

Сбор информации включает следующие подзадачи:

• концепция опросных листов, которая содержит определения и объяснения;
• подбор информации о собственном предприятии (сильные и слабые стороны);
• сбор фактов о партнере по анализу превосходства;
• использование дополнительных источников;
• документальное оформление информации;
• проверка имеющихся в наличии данных, чтобы гарантировать их признание и одобрение ответственности руководящими работниками, как на своем предприятии, так и у партнеров по анализу превосходства.

4. Анализ информации. Этот шаг выдвигает высочайшие требования к творческим и аналитическим способностям участвующих в процессе анализа превосходства. Анализировать значит не только осознавать сходства и различия, но и понимать взаимосвязи.

Кроме того, надо выявить  воздействия, которые могут осложнить  сравнения и фальсифицировать результаты. Здесь можно предложить следующий  образ действий:

• упорядочение и сопоставление полученных данных;
• контроль качества информационных материалов;
• наблюдение за оказывающими влияние факторами, которые могут исказить сравнение;
• выявление недостатков в работе по сравнению с лучшими методами;
• понимание лежащих в основе причин, которые объясняют существование недостатков;

5. Целенаправленное проведение в жизнь полученных сведений. Пятая стадия включает в себя не только внедрение разработанных возможностей улучшения, но и дальнейшее развитие организации предприятия, чтобы противостоять ожидающимся в будущем вызовам.

Речь идет о том, чтобы копировать достижения лучших предприятий; напротив, они должны служить стимулом для дальнейшего инновационного развития собственной организационной структуры - иначе анализ превосходства выльется в стратегию побежденного. Выявленный потенциал для улучшения нужно реализовывать посредством конкретных мероприятий. При этом следует спросить себя, уживаются ли полученные данные с обычным планированием или необходима коренная переориентация.

Такое целенаправленное инновационное внедрение означает:

• размышления о последствиях анализа превосходства;
• представление отчета о результатах заинтересованным лицам;
• выявление возможностей улучшения;
• увязка с обычным планом работ предприятия;
• разработка плана введения необходимых изменений;
• внедрение плана в жизнь;
• понимание анализа превосходства как непрерывного процесса;
• использование результатов для дальнейшего инновационного развития.

 

2. Анализ данных: предварительные этапы

Сбор информации не будет иметь смысла до тех пор, пока исследователь не установит, что  собранные данные в действительности означают. Поиск значимости может принимать много форм. Однако предварительные аналитические этапы редактирования, кодирования и табулирования данных являются общими для большинства исследований, поэтому рассмотрение того, что они собой представляют и каким образом используются, вполне оправдано в данной курсовой работе.

Редактирование.

Основная цель редактирования состоит в установлении некоторых стандартов минимального качества сырых данных. Редактирование включает в себя просмотр и, если необходимо, исправление каждой анкеты или формы регистрации наблюдений. Просмотр и внесение исправлений зачастую выполняются в две стадии: полевое редактирование и централизованное офисное редактирование.

Полевое редактирование – это предварительное редактирование, которое строится таким образом, чтобы обнаружить наиболее бросающиеся в глаза пропуски и неточности данных. Оно также полезно для контроля поведения персонала полевых сил и внесения ясности в любого рода недопонимание этими силами направлений их деятельности, методов, специфических вопросов и т.п. Вот некоторые из проверяемых элементов: полнота, удобочитаемость, вразумительность, единообразие, логическая последовательность.

За полевым  редактированием обычно следует централизованное офисное редактирование, которое заключается в более полной и точной проверке и коррекции собранных ответов. Для этой работы подходит личность, обладающая острым глазом и хорошо знакомая с целями и методами исследования. Чтобы обеспечить логическую последовательность обработки материалов, лучше всего предоставить все носители собранных данных одному человеку. Если эту работу приходится делить по соображениям её объёма и имеющегося времени, подразделы должны определяться по частям анкеты, а не по респондентам. То есть, один редактор должен редактировать часть «А» всех анкет, а другой часть «В».

Редакторы должны быть на стороже, если стремятся не пропустить заполненные анкеты, которые  не удачны с точки зрения пробуждения  интереса респондента (когда очевидно, или почти очевидно, что респондент заполнял анкету без охоты и ставил ответы «от фонаря»)

Кодирование.

Кодирование – это технический приём, с помощью которого данные распределяются по категориям. Посредством кодирования сырые данные превращаются в символы – обычно цифровые, которые можно табулировать и подсчитывать. Однако это преобразование не должно осуществляться автоматически; оно требует здравого суждения кодировщика.

Первый этап кодирования заключается в специфицировании категорий или классов, которым будут относиться ответы. Число этих классов зависит от исследуемой проблемы и специальных позиций анкеты, используемых для генерирования информации. Выбор ответов должен быть взаимоисключающим и исчерпывающим, чтобы каждый ответ логически попадал в одну, и только одну категорию.

Второй этап кодирования касается назначения кодовых  номеров классов. Например, мужской  пол может обозначаться буквой М (male), а женский – буквой F (female), либо 1 или 2 соответственно. Вообще говоря, для обозначения классов лучше использовать цифры, а не буквы. На этой стадии также лучше использовать цифры в том виде, как они зафиксировались в форме сбора данных, а не раскладывать их на более мелкие категории. Например, если имеются данные о фактическом возрасте людей, то не рекомендуется кодировать возраст как 1=до 20 лет, 2=20-29 лет и т.д. Это привело бы к ненужной потере исходной информации.

Когда для анализа  данных предполагается использовать компьютер, кодирование необходимо выполнять  таким образом, чтобы данные оказались готовыми для ввода в машину.

Завершающий этап процесса кодирования состоит в  подготовке книги кодов, которая содержит общие инструкции, указывающие, каким образом была закодирована каждая позиция данных.

Табулирование.

Табулирование заключается просто в подсчёте количества событий, которые попадают в разные категории. Табулирование может принимать форму простой табуляции или перекрёстной табуляции.

Простая табуляция связана с подсчётом  для единственной переменной. Она  может повторяться для каждой из переменных исследования, но табуляция для каждой переменной не зависит от табуляции для других переменных.

В перекрёстной табуляции две или более переменных обрабатываются одновременно. Табуляция может выполняться целиком машиной или частично машиной и частично от руки. Число табуляций является прямой функцией количества переменных, тогда как количество событий – это прямая функция размера выборки. Чем меньше число табуляций требуется и чем меньше выборка, тем более привлекательными становятся ручные методы. Однако большинство исследований полагается на компьютерную табуляцию, использующую пакеты специально предназначенных для этого программ. Базисный ввод для такого рода статистических анализов называется массивом данных, в котором перечисляются значения каждой переменной для каждого блока статистической выборки. Каждая переменная занимает особое место в записи для блока выборки, что упрощает доступ к её значениям для всех событий. Местоположение каждой переменной определяется в книге кодов. В Приложении А представлен сокращённый вариант анкеты, которая отправлялась потребителям розничным торговцем спортивными товарами для определения их предпочтений при приобретении товаров по каталогу. В  приложении В (Таблица 1) - пример массива данных, который мог бы получиться в результате такого исследования. В этом же приложении (Таблица 2) приведена книга кодов для исследований, в которой описывается, что содержится в каждой колонке. Следует обратить внимание, что каждому блоку, или наблюдению, выборки назначена только одна строка. Есть ряд важных вопросов, касающихся анализа данных, которые могут быть проиллюстрированы с использованием одномерных и перекрёстных табуляций. Обратимся для этого к данным таблицы Приложения C. Предположим, что они собраны для исследования, фокусом которого были владельцы легковых автомобилей. Допустим, в частности, что исследователей интересовали ответы на следующие вопросы.

• Какие характеристики отличают семьи, двумя или более машинами, от семей, владеющих одной машиной?
• Каковы отличительные характеристики тех, кто покупает многоместные легковые автомобили?

Пусть эти данные были получены с помощью почтового  опроса по случайной выборке, и все 100 человек, которым анкета была направлена, дали ответы.

Одномерная табуляция.

В дополнение к организации связи результатов  исследования, одномерная табуляция  может использоваться в нескольких других целях: 1) Для определения  степени безответности позиций  анкеты 2) Для локализации грубых ошибок 3)Для локализации посторонних  значений 4)Для определения эмпирического распределения рассматриваемой переменной 5) Для расчёта итоговых статистик.

Первые  три направления часто определяются как очистка данных. Как упоминалось выше, ещё одна цель одномерной табуляции состоит в локализации грубых ошибок, которые представляют собой не что иное, как оплошности, допускаемые при кодировании, редактировании или вводе данных в компьютер. Рассмотрим одномерную табуляцию владения легковыми автомобилями на одну семью в таблице 3.1.

Таблица 3.1. Легковые автомобили в одной семье

Кол-во машин в  одной семье	Число семей
1 2 3 9	74 23 2 1

 Проверка исходной анкеты показывает, что семья, сообщившая о нахождении у неё в собственности девяти машин, на самом деле имеет только одну. Цифра 9 является грубой ошибкой.

Количество  событий, используемых в качестве базы для одномерной табуляции в таблице 3.1, равно 100, поэтому числовые входы легко преобразовать в проценты. Процент семей имеющих 1 автомобиль – 74 %, 2-23%, 3- 3%.

Иногда  проценты проставляются в таблице  в скобках (см. Приложение D) непосредственно справа от фактического значения.

Ещё одно применение одномерной табуляции  состоит в локализации посторонних  значений, которые не являются ошибками, а наблюдения значительно выделяющиеся на фоне других, что аналитик решает обрабатывать их как особые события. Например, если семья в нашем последнем примере действительно владеет девятью машинами.

Четвёртое направление использования одномерной табуляции частот состоит в определении эмпирического распределения рассматриваемой характеристики.