Tęsiame pasakojimą apie svarbių faktorių analizės metodą. Šioje straipsnio dalyje susipažinsite su dvimačiais ir daugiamačiais metodais bei sužinosite svarbių efektyvaus šio metodo taikymo patarimų.

Dvimačiai ir daugiamačiai metodai

Nesigilinant į apibrėžčių skirtumus reikia pasakyti, kad atliekant čia aprašomą svarbių faktorių analizę galima įvairiais būdais nustatyti svarbą pagal statistinius duomenis. Naudoti Pearsono koreliacijos koeficientų ir Jaccardo panašumo koeficientų čia negalima, nes tai yra per daug paprasti dviejų kintamųjų palyginimo metodai. Juos taikant kiekvienas komponentas yra susiejamas su tiksliniu (priklausomuoju) kintamuoju, taip pat vienas su kitu. Tada apskaičiuojamas kiekvienos poros ryšio stiprumas. Kuo stipriau komponento įvertinimas susijęs su tiksliniu kintamuoju, tuo komponentas laikomas svarbesniu teigiamą nuomonę lemiančiu veiksniu. Nors koreliacija ne visada nurodo priežastingumą, atliekant svarbių faktorių analizę bent implicitiškai daroma tokia prielaida.

Dvimačiai (du kintamuosius lyginantys) metodai yra paprasti, juos lengva pritaikyti, bet nereikia pamiršti kelių svarbių jų trūkumų. Visų pirma, komponentai vertinami atskirai, o ne kitų komponentų kontekste. Kitaip sakant, neatsižvelgiama į galimą kitų komponentų poveikį teigiamai nuomonei (šio pavyzdžio atveju). Antras dvimačių metodų trūkumas tas, kad kartais nepavyksta išryškinti komponentų skirtumų, nes koeficientai gali būti panašios svarbos, todėl nepakankamai vertingi darant sprendimus.

Atliekant daugiamatę analizę (MVA) visų kintamųjų įtaka vertinama bendrai, todėl paprastai ji laikoma efektyvesniu svarbos nustatymo metodu. Deja, gali nepavykti išvengti tam tikrų MVA metodo taikymo klaidų. Šios analizės negalima taikyti kaip įprasto arba papildomo metodo.

Pavyzdžiui, jei svarba nustatoma regresijos metodu ir vertinami komponentai yra tarpusavyje susiję, MVA metodo taikymas nepasiteisina. Jei nepriklausomi kintamieji (pavyzdžiui, komponentų vertinimai) yra glaudžiai tarpusavyje susiję, gaunami rezultatai gali būti nepatikimi, nes tokiu atveju nepriklausomus kintamuosius sunku atskirti matematiškai, todėl ir kiekvieno iš jų ryšio su konkrečiais priklausomais kintamaisiais (pavyzdžiui, teigiama nuomone) nustatyti neįmanoma. Ši aplinkybė, būtent – glaudus nepriklausomų kintamųjų tarpusavio ryšys, taip pat jos keliami iššūkiai tebėra statistikos ir informatikos specialistų tyrimų objektas.

Sąsają tarp komponentų ir tikslinių kintamųjų ne visada galima pavadinti tiesiniu ryšiu. Jei taip nėra, galima taikyti kitus metodus (pavyzdžiui, susijusius su netiesine regresija). Tokiu atveju galima išmėginti dirbtinio neuroninio tinklo ir kitus populiarius duomenų gavybos metodus, taip pat atlikti prognozių analizę. Pastarieji metodai yra tinkami ir vykdant svarbių faktorių analizę. Reikia pripažinti, kad egzistuoja labai daug taikytinų metodų, kurie paprastai neaptariami statistikai skirtuose kursuose.

Taikant daugelį metodų daroma prielaida, kad tikslinis kintamasis yra skaitinis dydis, bet svarbių faktorių analizės atveju priklausomas kintamasis yra kategorinis. Taip yra, pavyzdžiui, analizuojant prekės paklausos rodiklius arba patrauklumą vartotojui. Vieni iš metodų, kuriuos galima rinktis tokiu atveju, yra diskriminantinė analizė ir logistinė regresija, taip pat duomenų gavyba ir prognozių analizė.

Daugiamačių metodų, kuriuos galima taikyti atliekant svarbių faktorių analizę, gausa gali tiesiog gluminti. Juk nėra vienintelio teisingo metodo. Vis dėlto, atsižvelgiant į konkrečias aplinkybes, taip pat duomenų kiekį ir tipą, pasirinkimų gali gerokai sumažėti. Siekiant su konkrečios įmonės verslu susijusių tikslų būtina atsakyti ir į dar vieną klausimą: ar pritaikius metodą bus gauta tik prognozė, ar remiantis gautu rezultatu bus galima nustatyti, kodėl vieni faktoriai vartotojams atrodo svarbesni nei kiti. Šiuo atveju gali būti veiksmingi struktūrinių lygčių modeliai ir panašūs racionaliai taikomi metodai. Dar vienas svarbus veiksnys – tai kompetencijos lygis jūsų arba kliento organizacijoje. Juk net tobuliausia priemonė gali nepasiteisinti, jei sprendimai bus priimami remiantis neprofesionaliais paaiškinimais, o vadovams kils įtarimų dėl taikomų technologijų.

Efektyvaus taikymo patarimai

Kartais nustatant svarbą respondentams pateikiami tiesioginiai klausimai, be to, atliekama ir koreliacinė arba kokia nors kitokia analizė. Gauti rezultatai tada palyginami ir tie kintamieji, kurie abiejų metodų atveju įvertinami kaip svarbiausi (arbas mažiausiai svarbūs), laikomi tinkamai nustatytais svarbiausiais (arba mažiausiai svarbiais) kintamaisiais. Negalima sakyti, kad tokia praktika bet kuriuo atveju yra ydinga. Visgi atrodo, kad toks tyrimo scenarijus grindžiamas prielaida, jog nė vienas metodas nėra patikimas, todėl reikia taikyti abu. Toks sprendimas nėra racionalus ir neatrodo, kad tokia dvejopa metodika pasiteisintų. Nepamirškime, kad respondentams tokiu atveju taip pat padaugėja darbo, nes jie turi du kartus vertinti komponentus.

Svarbiausių faktorių analizė gali būti pasmerkta nesėkmei, jei vertinamų komponentų arba prekių apibūdinimus vartotojai supras kitaip nei rinkodaros specialistai. Dar vienas nesėkmės garantas – respondentus varginantys ilgi klausimynai, ypač jei svarbiausi klausimai nukeliami į pačią sąrašo pabaigą. Apklausos – tai tik vienas duomenų gavybos šaltinis, bet jei vartotojų atsakymai ir kiti surinkti duomenys bus netinkamai išanalizuoti arba klaidinga interpretuoti, analizės rezultatai bus nepatikimi, o tada atsiras tik dar daugiau darbo.

Taikant skirtingus statistikos rinkimo metodus, taip pat taikant tuos pačius metodus, pagrįstus skirtingomis parinktimis, galima gauti skirtingą prioritetų įvertinimą, todėl svarbu jį nuo pat pradžių numatyti. Vargu ar įmanoma remiantis vienu skaičiumi ir vieninteliu rezultatu padaryti teisingą išvadą. Visada pravartu kliautis keliais būdais gautais rezultatais ir apskaičiavus jų vidurkius nustatyti apytikslį svarbos rodiklį. Nesvarbu, koks metodas taikomas, esminis vaidmuo visada tenka įgūdžiams ir kompetencijai, todėl jei rezultatai nėra naudingi klientui, analitikas taip pat jų neturi laikyti naudingais.

Sudėtinga tema

Ši labai glausta svarbių faktorių analizės apžvalga atskleidžia tik požiūrį į itin sudėtingą temą. Deja, ši tema labai svarbi prekybos įmonėms. Galbūt atrodo, kad apžvalga kiek vienpusiška, nes pateikti pavyzdžiai buvo susiję su tradiciniais apklausomis pagrįstais rinkodaros tyrimais. Vis dėlto pagrindiniai principai ir metodai gali būti taikomi analizuojant kone visų tipų duomenis.
Baigiant būtų galima priminti vieną svarbų dalyką: visada iš pat pradžių reikia griežtai apsispręsti, kokio tikslo siekiama, ir būtinai atsižvelgti į galutinius vartotojus bei jų poreikius.

Primename, kad pirmąją straipsnio dalį galite rasti čia.

M360


Parašykite savo nuomonę
arba diskutuokite anonimiškai čia
Skelbdami savo nuomonę, Jūs sutinkate su taisyklėmis
Rodyti diskusiją Rodyti diskusiją