دانلود مقاله بازاریابی

ارزش تکنیک های چند متغیره در تحلیل اطلاعات: در سال های اخیر شاهد پیشرفت های قابل توجهی در سخت افزار کامپوتر بوده ایم.ظرفیت سرعت و ذخیره pcs هر هجده ماه دو برابر می شود و این در حالی است که هزینه آن کاهش می یابد.

بسته های نرم افزاری آماری با ویندوزهای کاربر نقش مهمی را در عصرclik-and-point ایفا می کنند.سالیان متوالی داده ها حاصل بررسی های گوناگون بودند امروزه در انبار داده ها انبوهی از اطلاعات ذخیره شده است به گونه ای که می توان اطلاعات ارزشمندی راجع به مشتریان و کارکنان کسب نمود.تعدادی از این اطلاعات را می توان به وسیله روش های آماری ساده تجزیه و تحلیل نمود.اما در اکثر مواقع نیازمند تکنیک های پیچیده تری هستیم.امروزه اکثر محققان علاقمند به استفاده از بیش از متغیر ه هستند و بنابراین وجود تکنیک های چند متغیره آماری ضروری میباشد.

علاوه براین، تصمیم گیر ندگان تجاری و مصرف کنندگان به منظور اتحاذ تصمیم و انتخاب تمایل دارند از اطلاعات زیادی استفاده کنند.در نتیجه تاثیرات بالقوه بر رفتار مصرف کننده و واکنش های تجاری فراوان می باشد.

تکنیک های چند متغیره ناشی از نیاز تجار به توجه نمودن به برخی پیچیدگی ها است.

تجزیه جند متغیره چیست؟تجزیه چند متغیره به گروهی از شیوه های آماری اشاره دارد که مقیاس های چندگانه هر ویژگی با شیء مورد بررسی را به طور همزمان تجزیه و تحلیل می کند.شیوه های آماری چند متغیره که در این فصل به بحث راجع به آن خواهیم پرداخت شیوه های آماری یک متغیره و دو متغیره گسترده شده هستند که در فصل پیشین نکاتی راجع به آنها ارائه نمودیم.تحلیل چند متغیره در تحقیقات بازاریابی به دلیل اینکه بیشتر مشکلات تجاری چند بعدی هستند بسیار مهم می باشد.به ندرت شرکت ها و مشتریانشان بر اساس یک بعد توصیف می شوند اتخاذ تصمیم در بازدید از یک رستوران اغلب به فاکتورهایی از قبیل کیفییت،تنوع و هزینه غذا؛ محل رستوران و خدمات بستگی دارد.

هنگامی که شرکت ها برای ارائه خدمات بهتر به مشتریان خود پایگاه داده ای راه اندازی می کنند، این پایگاه ها اغلب شامل اطلاعات گسترده ای مانند جمعیت شناسی،شیوه زندگی،کد پستی و شیوه خرید مشتریان می باشد.

طبقه بندی شیوه های چند متغیره:چالش موجود در میان محققان بازاریابی تعیین شیوه آماری مناسب برای مشکل مذکور می باشد.چندین شیوه پیشنهاد شده است.

طبقه بندی سودمندی از بیشتر تکنیک ها ی آماری چند متغیره در کادر 1-18 ارائه شده است.

شیوه های وابسته یا بر همبستگی؟اگر برای توضیح متغیر وابسته بر اساس دو یا چند متغیر مستقل از تکنیک چند متغیره استفاده کنیم به تجزیه و تحلیل و درک وابستگی مبارات نموده ایم.شیوه وابسته را می توان به عنوان شیوه هی تعریف نمود که در آن یک متغیر به وسیله متغیرهای مستقل دیگر توضیح داده می شود.

تکنیک های وابسته شامل تجزیه رگرسیون چندگانه،تحلیل مبین (ممیز)، manova ، تحلیل همیشه می باشد.

کادر 2-18 خلاصه شیوه های جند متغیره گزینش شده: رگراسیون چندگانه محققان بازاریابی را در پیش بینی یک متغیره متری وابسته از دو یا چند متغیر مستقل که از نظر متری سنجش شده اند را توانمند می سازد.

تحلیل مبین:چندگانه می تواند یک متغیر غیر متری وابسته را از میان دو یا چند متغیر مستقل متری پیش بینی کند.

تحلیل فاکتوری:در خلاصه نمودن اطلاعات موجود شمار گسترده ای از متغیرها زیر مجموعه های کوچکتر یا فاکتور ها استفاده می شود.

تحلیل خوشه ای:در طبقه بندی نمودن پاسخ دهندگان یا اشیاء (به عنوان مثال فراورده ها،ذخایر)به گروه هایی که یکنواخت هستند استفاده می شود.

تحلیل همبسته:در بر آورد نمودن ارزش (کارائی) محصولات مختلف و خدمات ار نظر پاسخ دهنده به کار می رود.

باز نمایی ادراکی:در سنجش دادن بینش های پاسخ دهنده از محصولات، نشان های تجاری ویژه،شرکت ها،و .

.

که به طور بصری می باشد استفاده می گردد.

تاثیر مقیاس های سنجش:ماهیت مقیاس های سنجش درست مانند شیوه های دیگر تحلیل،تعیین تکنیک چند متغیره در تحلیل داده می باشد.

گزینش شیوه چند متغیره صحیح نیازمند بررسی نوع سنجش های استفاده شده در متغیرهای وابسته و مستقل می باشد.وقتی متغیر وابسته به صورت غیر متری سنجش می شود.

شیوه های مناسب تحلیل مبین و همبسته هستند و زمانیکه متغیر وابسته به طور متری اندازه گیری می شود تکنیک های مؤثر رگرسیون چندگانه،MANOVA.ANOVA و همبسته می باشند.تحلیل رگراسیون چندگانه و مبین معمولا نیارمند متغیرهای مستقل متری هستند ،اما می توانند از متغیرهای مصنوعی غیر متری نیز استفاده کنند.تحلیل های MANOVA.ANOVA و همبسته متناسب با متغیر های مستقل غیر متری می باشند.

تکنیک های بر همبستگی تحلیل فاکتوری و تحلیل خوشه ای به طور پیوسته با متغیر های متری بکار می روند،اما تطبیقات غیرمتری نیز امکان پذیز است.

تکنیک های بر همبستگی:بحث راجع به تکنیک های خاص چند متغیره را با تحلیل شیوه های بر همبستگی آغاز خواهیم نمود.هدف تکنیک هایی از قبیل تحلیل فاکتور و خوشه ای پیش بینی متغیری از یک سری متغیرهای مستقل نیست.بلکه خلاصه نمودن و ارائه درکی روشن از تعداد زیادی متغیر می باشد.

تحلیل فاکتور:تکنیک آماری چند متغیری است که به منظور خلاصه نمودن اطلاعات موجود شمار گسترده ای از متغیر ها در زیر مجموعه های کوچکتر یا فاکتورها استفاده می شود.هدف تحلیل فاکتور ساده نمودن داده ها می باشد با وجود تحلیل فاکتوری تفاوتی بین متغیرهای وابسته و مستقل وجود ندارد.

امروزه اکثر مشکلات پیشاروی تجار اغلب در نتیجه ترکیب چند چند متغیر می باشد.

به عنوان مثال،اگر امتیاز دهنده محلی ام سی دونالد به ارزیابی رضایت مشتری علاقمند باشد،اکثر متغیرهای علاقه را باید بسنجد.

متغیرهایی مانند تازه بودن غذا، زمان انتظار، مزه، دمای غذا، تمیزی و رفتار محبت آمیز پرسنل از طریق تعدادی سؤال درجه بندی شده اندازه گیری خواهد شد.

اجازه دهید به مثال اولیه از تحلیل فاکتور بپردازیم.

داده های پنج مشتری که رستوران فست فود را در شش ویژگی توصیف نموده اند در کادر3-18 ارائه شده است.

مشتریانی که کمترین امتیاز را به زمان انتظار داده اند،برای تمیزی و پرسنل نیز امتیاز کمی در نظر گرفته اند سه مشخصه دیگر یعنی تازگی، مزه، دما الگوی دیگری پدید آورده اند.

در این مورد امتیازات در هر سه متغیر بالا می باشد.

بر اساس الگوی داده ها می توان این شش مقیاس را در دو مقیاس مختصر یا فاکتور کمیت خدمات و غذا ترکیب نمود.(کادر 4-18) همان طور که در مثال بالا توضیح دادیم هدف کلی تحلیل فاکتور خلاصه نمودن اطلاعات می باشد.

هدف آماری تحلیل فاکتور تعییین وجود ترکیب خطر از متغییرها (به عنوان مثال، زمان، انتظار، تمیزی، پرسنل) است که بتواند به محقق در خلاصه نمودن داده ها و شناسایی روابط اساسی کمک کند.

نقطه آغازین در تفسیر فاکتور تحلیل بارهای فاکتوری است.

بار فاکتوری به همبستگی بین هر یک از متغیرها ی اولیه و فاکتورهای توسعه یافته جدید اشاره دارد.

بارهای فاکتوری مانند همبستگی ها می توانند از0/1+ تا 0/1- متغیر باشند.

اگر متغیر A4 (مزه غذا) ارتباط نزدیکی با فاکتور 2 داشته باشد،همبستگی یا بار فاکتور بالا خواهد بود.

تحلیل آماری مرتبط باتحلیل فاکتور می تواند بار فاکتوری بین هر فاکتور و هر یک از متغیر های اولیه ایجاد کند.

نتیجه این تحلیل آماری در کادر(5-18) ارائه شده است.

مرحله بعدی در تحلیل فاکتور نامگذاری فاکتورهای منتج می باشد.

محقق متغیرهایی را که بار بالایی در هر فاکتور دارند،مورد بررسی قرار می دهد.

اغلب انسجام خاصی میان متغیرهای که بار بالایی در فاکتور مذکور دارند،دیده می شود.

ویژگی پایانی تحلیل تحلیل فاکتور به تعداد فاکتورهای حفظ شده مربوط می باشد.

تصمیم گیری درباره تعداد فاکتورها فرایند بسیار پیچیده ای است،زیرا در هر مشکل تحلیل فاکتور بیش از یک راه حل احتمالی وجود دارد.

مقیاس مهم در تعیین تعداد فاکتورها درصد وروش در داده های اولیه ای است که به وسیله هر فاکتور توضیح داده شده است.

برنامه کامپیوتری تحلیل فاکتور جدولی از اعداد ایجاد خواهد نمود که بیان کننده درصد وروش توضیح داده شده توسط هر فاکتور می باشند.

کاربردهای تحلیل فاکتور در تحقیق بازاریابی:اگر چه مثال فست فود قدرت تحلیل فاکتوری را در ساده نمودن بینش های مشتری نسبت به رستوران فست فود روشن نمود،این کلینیک در تحقیق بازاریابی کاربردهای مهم دیگری نیز دارد.

تبلیغات بازرگانی:از تحلیل فاکتور می توان برای درک بهتر خصلت های رسانه ای مشتریان مختلف استفاده نمود.

ارزشیابی کردن:تحلیل فاکتور می تواند در شناسایی ویژگی های مشتریان حساس به قیمت و حساس به اعتبار کمک کند.

محصول:می توان از تحلیل فاکتور در شناسایی ویژگی های نشان های تجاری ویژه که بر انتخاب مشتری مؤثر می باشد استفاده نمود.

توزیع:تحلیل فاکتور می تواند در درک بهتر معیارگزینش در میان بخش های توزیع به کار گرفته شود.کاربرد SPSS تحلیل فاکتور:اهمیت تحلیل فاکتور در پایگاه داده ای رستوران شرح داده شد.

در پایگاه داده یمان شش متغیر داشتیم که از نظر متری اندازه گیری شده بودند.

این متغیرها X1 تا X6 می باشند آیا می توانیم تعداد ابن متغیرها را کاهش دهیم.توالی کیلیک SPSS ANALYZEàDATAREDUCTIONàFACTOR است که به کادر دیالوگ که می توانند متغیرهایX1-X6 را انتخاب کنید منتهی می شود.بعد از اینکه این متغیر ها قرار دادید به گزینه های تحلیل داده نگاه کنید.

اول برروی کادر Descriptive کیلیک نمایید.

سپس برروی کادر uninvariate Descriptiven کیلیک کنید.این کار را ادامه دهید تا به کادر قبلی دیالوگ برسید.سپس به کادر Extraction بروید.در این مرحله به نبود اجزاء اصلی توجه نکنید،Unrotated factor solution را از حالت کیلیک خارج نمایید.

حال بر روی کادر Continue کیلیک کنید.بعد به کادر Rotation بروید.در اینجا کمبودی وجود ندارد ما می خواهیم به نوبت این کارها را انجام دهیم.

بنابراین برروی varimax کیلیک کنید و ادامه دهید در پایان نیز به کادر options بروید و برروی Stored by size کیلیک کنید و سپس مقادیر مطلق را از 10 تا 30 تغییر دهید.انتخاب های پایانی اطلاعات غیر ضروری را حذف کنید و بنابراین نسخه های چاپی راه حل های آسانتر خوانده می شوند.

در اینجا نیازی به امتیاز نداریم بنابراین می توانیم برای اجرا نمودن تحلیل فاکتوربر روی ok در قسمت بالای کادر دیالوگ کیلیک کنیم.اولین جدولی که در بدون دادخواهید دید آواز توصیفی می باشد.

است که به کادر دیالوگ که می توانند متغیرهایX1-X6 را انتخاب کنید منتهی می شود.بعد از اینکه این متغیر ها قرار دادید به گزینه های تحلیل داده نگاه کنید.

استفاده از تحلیل فاکتوری با رگرسیون چندگانه:ممکن است گاهی بخواهیم نتیجه تحلیل فاکتوری را با تکنیک چند متغیره دیگری مانند رگرسیون چندگانه استفاده نماییم.

این روند هنگام بکارگیری تحلیل فاکتوری در ترکیب تعداد بسیاری از متغیرها به منظور دست یافتن به منظوردست یافتن به مجموعه های کوچکتری کارا می باشد.می توانیم این موضوع را با مثال پیشین در که شش بینش در دو فاکتور عملکرد ها و غذا گنجانده شد شرح دهیم.

بدون تحلیل فاکتور دیدگاه های مشتری را باید در شش ویژگی جداگانه بررسی کنیم.

اما اگر از نتیجه تحلیل فاکتور استفاده کنیم فقط باید دو ویژگی با فاکتور را بررسی نماییم.برای استفاده از دو فاکتور در رگرسیون چندگانه باید ابتدا امتیازات فاکتور را محاسبه کنیم.

امتیازات فاکتور متشکل از امتیازات بر آورده شده برای هر پاسخ در هر یک از فاکتورهای مشتق شده می باشد.

به کادر دیالوگ Spss بر گردید در قسمت پایین این کادر، امتیازات را که قبلا استفاده نکرده اید مشاهده خواهید نمود.

برروی این کادر کیلیک وسپس بر روی Save as varibhes کیلیک کنید.با انجام این کار گزینه های بیشتری را مشاهده خواهید نمود.

اما فقط از Regression.

Defomt استفاده نمایید.

حال بر Continue وسپس Ok کیلیک کنید بدین صورت خواهید توانست امتیازات فاکتورها را محاسبه کنید.

نتیجه امتیاز دو فاکتور برای هر 50 پاسخ دهنده خواهد بود.آنها در انتهای سمت راست پایگاه داده ای ظاهر خواهند شد و عنوانی Fac2-1.

Fac1-1 خواهند داشت.

حال می خواهیم بدانیم آیا تعبیرات رستوران که به وسیله فاکتورها اندازه گیری شده اند با رضایت ارتباطی دارند.

در این مورد متغیر متری وابسته رضایت (X9-satis faction )X 9 است و متغیرهای مستقل امتیازات فاکتورها می باشند.

توالی کیلیک Spss ANALYZEREGRESSIONLINEAR است که به کادر دیالوگ که می توانید متغیرها را انتخاب کنید منتهی می شود.

باید X9 را بعنوان وابسته و fac2-1 .

fac1-1 را بعنوان مستقل انتخاب کنید.

چندین نوع تحلیل نیز وجود دارد که می توانید آنها را قسمت پایین کادر دیالوگ انتخاب نمایید.

ولی در اینجا از برنامه defawt استفاده می کنیم.

وقتی بر روی OK که در قسمت بالای سمت راست کادر دیالوگ است ، کیلیک می کنید،regression (رگرسیون) را اجرا خواهید نمود.

با نگاه کردن به برون داد از جدول متغیرهای وارد شده /خارج شده در می یابید هر دو امتیاز فاکتوری بعنوان متغیرهای مستقل و سطح رضایت به عنوان متغیر وابسته شده اند جدول خلاصه نشان میدهد که مجذور0/549 R- است جدول ANOVA حاکی از آن است که آن از نظر آماری در سطح ooo می باشد.

برای تعیین اینکه آیا یک یا هر دو متغیر امتیاز پیشگویی کننده مهمی از رضایت هستند باید جدول همبستگی را بررسی نماییم.

ستون ضریب همبستگی بتا حاکی از آن است که فاکتور 1عملکرد 530/0 و فاکتور 2 غذا 518/0 می باشد و سطوح اهمیت آماری آن به ترتیب ooo .

ooo است.

بنابراین ، از این تحلیل رگرسیون دریافتیم که تعبیر عملکردها و غذا پیش گویی کننده قوی از رضایت هستند.

در این فصل چگونگی استفاده از تکنیک چند متغیره تحلیل فاکتور را با تکنیک دیگر-رگرسیون شرح دادیم استفاده از تکنیک های چند متغیره دیگر درترکیب امکان پذیر است.تحلیل خوشه ای:تحلیل خوشه ای شیوه برهمبستگی چند متغیره دیگری است همان طور که از نام آن برمی آید هدف اصلی تحلیل خوشه ای، طبقه بندی یا تقسیم کردن اشیاء 0به عنوان مثال مشتریان، محصولات ، حوزه های بازار)در گروههایی است که اشیاء آن با توجه انواع گوناگون متغیرها مشابه هستند.

در تحلیل خوشه ای هدف بدآن است که اشیاء یک گروه مشابه ولی نسبت به گروه دیگر تا آنجا که امکان دارد متفاوت باشد.

بنابراین، در این روش سعی شده گروههای طبیعی میان متغیر های بیشمار بدون درنظر گرفتن هر یک از متغیرها به عنوان متغیر وابسته شناسایی شوند.

بحث راجع به تحلیل خوشه ای را با این مثال درون یافتی آغاز می کنیم.

رستوران فست فود ما در نظر دارد رستورانی جدید در شهرکی درحال پیشرفت افتتاح کند.محققان بازاریابی ، این منطقه را به دقت بررسی نمودند.

و اطلاعاتی از جمله جمعیت شناسی ،شیوه زندگی و هزینه صرف غذا دررستوران را گرد آوری نمودند.

زنجیره فست فود در جستجوی بخش های خانگی بود که تمایل داشتند رستوران جدید را بازدید کنند.

با هدایت نمودن تحلیل خوشه ای داده های جمع آوری شده می توان بخش هدفی برای شرکت شناسایی نمود.

نتیجه تحلیل خوشه ای شناسایی بخش هایی خواهد بود که هر یک از آنها شامل خانوارهایی با ویژگیهایی مشابه باشند در کادر 7-18 چهار خوشه یا بخش برای این رستوران ارائه شده است.

همان طور که در این مثال توضیح داده شد این رستوران شامل خانوارهایی است که به ندرت از رستوران بازدید می کنند.(خوشه اول) خانوارهایی که تمایل دارند در آنجا در رستوران واقع در شهرک مکرر غذا بخورند (شاخه دوم)، خانوارهایی که تمایل دارند منحصرا به رستوران فست فود بروند (خوشه سوم) و خانوارهایی که مکررا در آن رستوران و رستوران فست فود غذا می خوردند.

مدیریت با بررسی ویژگیهای مرتبط با هر یک از خوشه ها می تواند خوشه ای متناسب با هدف در نظر بگیرید.

شیوه های آماری در تحلیل خوشه ای: چندین شیوه آماری موجود است که هر کدام بر پایه مجموعه متفاوتی از برنامه های پیچیده کامپیوتری قرار دارند.

با این وجود، روند کلی در هر شیوه یکسان می باشد شامل سنجش شباهت های بین اشیاء است.

میزان(درجه) شباهت بین اشیاء اغلب از طریق سنجش فاصله تعیین می گردد.

به عنوان مثال میزان (تعداد دفعات) خوردن غذا در یک رستوران عالی =71 میزان خوردن غذا در رستوران فست فود =V2 .

داده های V2,V1 در یک نقشه دو بعدی که در کادر 7-18 رائه شده نشان داده شده است.

هر یک از حروف بیان کننده موقعیت یک مشتری می باشند.

فاصله بین هر دو حروف ارتباط مثبتی با شباهت های موجود در بین آنها دارد بنابراین فرد A شباهت بیشتری با فرد B دارد.

نمودارهای خوشه ای اغلب نمودارهای پراکنده به دست می آیند.

این فرایند پیچیده آزمایش و خطا است.

خوشبختانه الگوریتم های کامپیوتری موجود است که اگر خوشه ای نمودن با شیوه ای سیستماتیک و کارا همراه می باشد باید از آن استفاده نمود.

کاربردهای تحلیل خوشه ای در تحقیق بازاریابی: با وجود آنکه مثال فست فودها توضیح داد چگونه تحلیل خوشه ای گروه های خانوار را تقسیم می کند.

کاربردهای مهم دیگری نیز در تحقیق بازاریابی دارد.

انجام پژوهش ها درباره محصولات جدید: نشان های تجاری دسته بندی شده می توانند به شرکت در بررسی محصولات رقابتی اشان کمک کنند.

نشان های تجاری موجود در یک دسته خوشه نسبت به نشان های موجود در دسته های دیگر رقابت شدید تری را نشان می دهند.

آزمایش بازاریابی: گروه های تحلیل خوشه ای، شهرهای واقع در خوشه یکسان را به منظور آزمودن اهداف بازاریابی مورد آزمایش قرار می دهند.

رفتار خریدار: تحلیل خوشه ای می تواند در شناسایی گروه های مشابه خریداران که معیارهای انتخاب یکسانی دارند به کار گرفته شود.

بخش بخش سازی بازار: تحلیل خوشه ای می تواند بخش های مختلف بازار را بر اساس متغیرهای جغرافیایی، جمعیت شناسی، روان نمودار و رفتارگرایی توسعه دهد.

کاربرد Spss- تحلیل خوشه ای: ارزش تحلیل خوشه ای رامی توان به آسانی به وسیله پایگاه داده ای رستوران شرح داد.

در پایگاه داده ای شش متغیر داریم که از نظر متری سنجش شده اند.

اینها متغیرهای x1تا xGهستند که تعبیرات مشتریان رستوران می باشند.

آیا زیر مجموعه ها یا خوشه هایی از 50 پاسخ دهنده وجود دارد که متفاوت باشند.

در گزینش متغییر ها باید متغیرهایی انتخاب شوند که از نظر متری اندازه گیری شده اند و ارتباط منطقی ای با یکدیگر دارند از این شش متغیر دو متغیر غذا (کیفیت و تنوع) همانند دو متغیر پرسنل و تبحر و خوش اخلاقی به یکدیگر مرتبط اند.

اجازه دهید با متغیر پرسنل X1وX3 کار کنیم وظیفه بعدی این است که تعیین کنیم آیا دسته هایی از پاسخ دهندگان وجود دارد که برداشت های کاملا متفاوتی از پرسنل داشته باشند توالی کیلیک spss ANALYZE CLASSIFY HIERARCHICALCLUSTER است که به کادر دیالوگ که متغیرهای N3 N1 را انتخاب می کنید منحنی می شود.

بعد از اینکه متغیرها را به کادر متغیر وارد نمودند به گزینه های دیگری توجه کنید همه dofauut نشان داده شده در کادر دیالوگ را حفظ کنید.

بر روی کادر Method کیلیک کنید.

Ward را انتخاب نمایید، اما از defauwt مجذور فاصله اقلیدسی استفاده کنید.

در این مرحله با گزینه save کاری نداریم.

بنابراین می توانیم برای اجرای تحلیل خوشه ای بر روی ok کیلیک کنیم.

برون داد جدولی به نام برنامه تجمع خواهد بود.

جدول شامل اعداد زیادی است، اما ما فقط اعدادی را می خواهیم که در ستون ضریب قرار دارند.

به اعداد پایین جدول نگاهی بیندازید این اعداد بزرگترین اعداد هستند عدد واقع در ته جدول 790/186 عدد قبل از آن 412/85 است.

ضریب در این ستون دال بر آن است که تا چه میزان می توانید اشتباها متقن را با حرکت از یک خوشه ای به دو خوشه ای از خوشه ای به سه خوشه ای و همین طور کاهش دهید.

وقتی از یک دسته ای می روید تفاوت(کاهش) قابل توجهی در ضریب اشتباه وجود خواهد داشت وقتی به بالای ستون می روید کاهش در اعداد ناچیزتر خواهد بود.

آنچه که شما به دنبال آن هستید این است که کمترین تفاوت در کجا قرار دارد.

این بدین معنی است که حرکت از سر خوشه ای به چهار خوشه ای اشتباه متقن را خیلی زیاد کاهش نمی دهد.

در خواهید یافت که در این مورد تغییر از 513/64 تا 159/46 است.

به منظور ارائه راه حلی در این مورد مطمئنا سه خوشه ای را انتخاب خواهیم کرد زیرا تفاوت بین اعداد در انتقال از سه خوشه به چهار خوشه ناچیزتر می شود.

همچنین ممکن است فقط از دو خوشه ای استفاده کنیم.

اجازه دهید بر راه حل دوخوشه ای متمرکز شدیم زیرا آن آسان تر است.

قبل از اینکه دوخوشه ای ها را نامگذاری کنیم، باید مطمئن شویم که تفاوت قابل ملاحظه ای بین آنها وجود دارد.

برای انجام این کار ابتدا باید متغیر جدیدی که مشخص میکند کدام گروه روبسته از 50 پاسخ دهنده به وسیله تحلیل خوشه ای تعیین شده است.

ایجاد نمود به کادر دیالوگ برگردید و بر روی کادر save کیلیک کنید.

با انجام این کار می توانید متغیر خوشه ایی جدیدی را برای یک راه حل یا چندین راه حل ایجاد کنید.

یک راه حل را انتخاب کنید 2 را در کادر قرار دهید در این هنگام متغیر عضو گروه برای راه حل دو گروه ظاهر می شود.

متغیر عضو گروه جدید در برگه اطلاعاتی شما متغیری جدید با عنوان clu2-1 خواهد بود.

برای پاسخ دهندگان در دسته اول 1 و برای پاسخ دهندگان در دسته دوم 2به کار می رود.

در پایگاه داده ای دلی دیپات (Deli Depot) این متغیر را xig نامیدیم.

حال می توانید به منظور دریافتن تفاوت آماری دو دسته ANOVA را بین دو دسته خوشه اجرا کنید توالی کیلیک Spss به صورت ONE-WAY ANOVAANALYZE COMPARE MEANS است.

سپس متغیرهای N3,N1 را در کادر متغیرها و متغیر اعضاء جدید را در کادر فاکتورها قرار دهید.

سپس به کادر options بروید و بر روی Descriptiveو سپس continue کلیک کنید در این مرحله با کیلیک بر روی ok به جدول ANOVA , Descriptive دست خواهید یافت.

در این جدول Descriptive شما شاهد سایزهای نمونه در هر گروه خوشه و میانگین متغیرها خواهید بود با بررسی جدول ANONA در می یابید که آیا تفاوت بین میانگین های گروه چشمگیر می باشند یا نه.

تحلیل وابسته: تصمیم داریم در اینجا بر تکنیک های چند متغیره مرتبط با تحلیل وابسته متمرکز شویم.

هدف این تکنیک ها پیش بینی متغیری از میان یک سری متغیر وابسته می باشد.

تکنیک های وابسته موجود در این کتاب شامل رگرسیون چندگانه، تحلیل مبین و تحلیل همبسته هستند.

تحلیل مبین: تحلیل مبین تکنیک چند متغیرای است که در پیش بینی اعضاء گروه بر اساس دو یا بیش از دو متغیر استفاده می شود.

در موقعیت های بسیار حساس هدف محقق بازاریابی طبقه بندی اشیاء یا گروهها به وسیله یک سری متغیرهای مستقل است.

بنابراین متغیر وابسته در تحلیل مبین غیر متری با طبقه ای کاهش می باشد.

در بازاریابی، مشتریان اغلب بر اساس استفاده از محصول سنگین یا سبک طبقه بندی می شوند.

بالعکس متغیرهای وابسته در تحلیل مبین متری هستند و اغلب متشکل از ویژگیهایی مانند جمعیت شناسی و روان نموداری می باشند بحث راجع به تحلیل مبین را با یک مثال درون یافتی آغاز می کنیم.

رستوران فست فود ما تمایل دارد بداند آیا متغیر شیوه زندگی مانند خوردن غذای مغذی (x1) و متغیر جمعیت شناسی مانند در آمد خانوار (x2) در شناسایی خانوارهایی که از رستوران بازدید می کنند از بازدیدکنندگان از فست فود مفید است.

محققان بازاریابی اطلاعاتی در رابطه با x2, x1 برای دو گروه تصادفی متشکل ازخانوارها گرد آوری نمودند.

شیوه های تحلیل مبین این داده ها را در نموداری دو بعدی که در شکل 8-18 نشان داده شده به تصویر می کشند.

این مثال حاکی از آن است که x2,x1 تبعیض گران مهمی از رستوران فست فود می باشند.

اگر چه این دو بر ورودی همدیگر قرار گرفته اند اما میزان این همپوشی چندان مهم نیست.

همپوشی اندک بین گروهها لازمه یک تحلیل مبین موفق می باشد.

همان طور که گفتیم پیش بینی متغیر طبقه بندی شده هدف تحلیل مبین است.

از نقطه نظر آماری این شامل بررسی جهت تفاوتهای گروه بر اساس ترکیب خطی متغیرهای وابسته که نشان دهنده بیشترین تفاوت ها در میانگین های گروه هستند می باشد.

بنابراین، تحلیل مبین ابزاری آماری برای تعیین ترکیبات خطی متغیرهای مستقل است.

نقش خطی می تواند در مثال فست فود خود ما توسعه یابد از تحلیل مبین دوگروهی که متغیر وابسته 20، با مقیاس اسمی اندازه گیری می شود( به عبارتی دیگر مشتریان Back yard Burger در مقابل دیگر رستوران های فست فود ) استفاده خواهیم نمود.

حال محقق باید نقش خطی متغیرهای مستقل را که بیشترین تفاوت ها را نشان می دهند بیابند.

امتیاز مبین یا z مبنای پیش بینی جایگاه افراد می باشد.

همان طور که در معادله زیر نشان داده شد z هر فرد برابر است با z1= b1x1i+ b2x2i……..bn xni که z1 امتیاز مبین فرد bn ضریب مبین در متغیر =xn1, nth ارزش فرد در متغیر مستقل nth است.

اوزان مبین (bn)یا ضریبهای مبین تخمینی از قدرت تبعیضی متغیر مستقل خاص هستند.

سایز ضریبهای مرتبط با متغیر مستقل خاص به وسیله ساختار واریانس تعیین می گردد.

متغیرهای مستقل با قدرت تبعیضی بالا اوزان بزرگی نیز خواهند داشت و بالکعس آن نیز صورت می گیرد.

هدف مهم دیگر تحلیل مبین طبقه بندی اشیاء یا اشخاص در گروه هایی است.

در مثال مذکور، هدف طبقه بندی مشتریان به دو گروه Back yard Burger رستوران های دیگر بود.

به منظور تعیین اینکه آیا نقش تخمینی مبین معیار خوبی است، ماتریس طبقه بندی استفاده می شود.

کاربردهای تحلیل مبین در تحقیق بازاریابی: با آنکه مثال مذکور نشان داد چگونه تحلیل مبین بر اساس متغیرهای مستقل مشتریان را در دو گروه طبقه بندی می کند.

کاربردهای دیگر شامل موارد ذیل می باشد.

انجام پژوهش در رابطه با محصول: تحلیل مبین می تواند در تشخیص استفاده کنندگان محصولات سنگین متوسط و سبک از نظر عادت های مصرفی، شیوه زندگی کمک می کنند.

انعکاس پژوهش: تحلیل مبین می تواند تمایزی مبین مشتریانی که برداشت های مبتنی از فروشگاه یا شرکت دارند نسبت به افرادی که فاقد این بینش هستند، ایجاد کند.

بازاریابی مستقیم: تحلیل مبین می تواند در شناسایی ویژگیهای مشتریانی که به تقاضای بازاریابی پاسخ می دهند کمک کند.

ترکیب تحلیل مبین با تحلیل خوشه ای: می توانیم با آسانی تحلیل مبین را به همراه تحلیل خوشه ای به کار بگیریم.

راه حل تحلیل خوشه ای را که در ابتدا ذکر نمودیم به یاد آورید.

ما دو گروه پاسخ دهنده داشتیم گروه اول در مقایسه با گروه دوم برداشت های مطلوب نسبتا اندکی را در مورد رفتار محبت آمیز پرسنل ابراز نمودند.می توانیم از این نتیجه بعنوان متغیر وابسته در تحلیل مبین استفاده کنیم.

حال باید متغیرهایی را که باید به عنوان متغیرهای پیش گو مستقل ایفای نقش نمایند را شناسایی کنیم.

اجازه دهید به متغیر های برداشتی (x1 x6) نیز نگاهی بیندازیم ممکن است تصور کنیم ارتباطی بین x6 خدمات با برداشت هایی از کارکنان وجود دارد آیا این متغیرها می توانند دو گروه خوشه ای را بر اساس برداشت های از کارکنان پیش بینی کنند.

وظیفه در اینجا گزینش متغیرهای وابسته است که بتوانند اعضای یکی از دو گروه را پیش بینی کنند توالی کیلیک spss ANALYZECLASSIFYDISCRIMINANT است که به کادر گزیش متغیرهای منتهی می شود.

متغیر غیر متری وابسته Clu2-1 و متغیرهای مستقل x10,x9,x8,x7,x6 هستند اولین کاری که باید انجام دهید انتقال متغیر clu2-1 به کار در گروه بندی متغیرها می باشد.

سپس به کادر Define Range که درست زیر آن است کیلیک کنید باید کوچکترین و بزرگترین عدد 2= گروه دوم می باشد بنابراین این اعداد راشت کنید و بر گزینه continue کیلیک نمایید.

سپس باید متغیرهای x10,x9,x8,x7,x6 را به کادر مستقل منتقل کنید.

بعد بر کادر statistic کیلیک نمایید ومیانگین ها ANOVAS و Continue را بررسی کنید شیوه defawlt.

Enter است و ما از این استفاده خواهیم نمود حال بر classify کیلیک کنید و سایزهای گروه اول را محاسبه کنید همچنین باید بر جدول summart و سپس continue کیلیک نمایید ما از هیچ یک از گزینه های save استفاده نمی کنیم.

بنابراین، برای اجرای برنامه بر ok کیلیک کنید.

به یاد داشته باشید که برنامه تحلیل مبین spss برون دادهای زیادی را به شما می دهد که برای تحلیل ساده ای مانند این استفاده نمی شود.

ما مجددا پنج جدول را بررسی می کنیم.

جدول wilks lambda حامل مهمترین اطلاعات می باشد اگر این آمار مهم است و ooo.

است باید جدول classification Result را نیز بررسی کنیم.

در پایان جدول خواهیم دید که توانایی نقش مبینی در پیش بینی اعضای گروه 90درصد است.

به منظور دریافت این موضوع که کدامیک از متغیرهای وابسته در پیش بینی اعضای گروه به ما کمک خواند نمود باید به اطلاعات دو جدول توجه کنیم این دو جدول بررسی تشابهات میانگین های گروه و ماتریس ساختار می باشند.

تحلیل همبسته: تحلیل همبسته تکنیک چند متغیره ای است که اهمیت نسبی جایگاه مصرف کننده را در ویژگیهای مختلفی از محصول یا خدمات همچنین میزان ارزشی که هر یک از مصرف کنندگان به این ویژگیها قائلند را بر آورده می کند.

این شیوه وابسته فرض را بر انتخاب مصرف کننده یا ایجاد اولویت برای محصولات از طریق ارزیابی استفاده از محصول یا ارزش آن قرار داده است.

این ارزش متشکل از استفاده های خاص از ویژگی هر محصول می باشد.تلاش تحلیل همبسته تخمین اهمیت ویژگی ای از محصول است که با انتخاب مصرف کننده یا تمایل او مطابقت دارد.

به عنوان مثال فرض کنید رستوران فست فود ما در نظر دارد بهترین ترکیبی از ویژگیهای رستوران که موجب جذب مشتری می شود ارائه کند.

یک محقق بازاریابی می تواند توصیفاتی که هر یک شامل ترکیبات مختلفی از ویژگیها می باشد ایجاد کند.

در کادر 10-18 دو نمونه از توصیفات نشان داده شده است.

سپس مشتریان مورد بررسی قرار خواهند گرفت.

محقق باید ویژگیهایی را انتخاب کند که بر گزینش یا تمایل مصرف کننده تاثیر میگذارد و همچنین سطح را در بررسی خود بگنجاند.

اگر هر یک از چهار ویژگی نشان داده شده درکادر 10-18 دو سطح یا ارزش ( به عنوان مثال سطح قیمت: ارزان در مقابل حد واسط) داشته باشد 16 ترکیب احتمالی در طبقه بندی مشتریان وجود خواهد داشت (16=2*2*2*2) وقتی داده ها گرد آوری شدند بکار گیری تحلیل همبسته تخمینی ارزش نسبی برای هر سطح از هر ویژگی ارائه میکند.

فرایند آماری در تحلیل همبسته از طبقه بندی ویژگیها توسط مشتریان بعنوان هدف استفاده میکند.

سپس فرایند برآورد ارزش نسبی برای هر سطح از هر ویژگی تعیین می کند.

کارایی کلی با استفاده ا زفرمول ذیل محاسبه می شود.U(x) U(x)=x11+x12+x21+x22+…+xmn ارزش کلی محصول =x11 تخمین ارزش نسبی اولین سطح اولین ویژگی =x12 .

تخمین دومین سطح اولین ویژگی و =xmn تخیمن ارزش نسبی n امین سطح m امین ویژگی است.

وقتی ارزش کلی محصولات شرح داده شده برآورد شد فرآیند آن را با طبقه بندی واقعی مشتری مقایسه میکند.

اگر پیش بینی ها درست نبود برآوردهای ارزش سنجش تغییر کرده و ارزش کلی دوباره محاسبه می شود.

این فرآیند تا آنجایی ادامه می یابد که پیش بینی ها تا حد امکان نزدیک طبقه بندی واقعی مشتری باشند.

می توان توانایی ضریب های تخمین ارزش نسبی در پیش بینی درست طبقه بندی مشتری را از طریق بررسی الگوهای آماری از جمله r2 پیش بینی نمود.

درست مانند رگرسیون میزان بالای r2 حاکی از مطابقت آن با داده ها است.کادر 11-18 بیانگر نمودارهایی از برآوردهای ارزش نسبی در سطوح مختلف چهار ویژگی می باشد.

اهمیت هر ویژگی به وسیله گستره ای از برآوردهای ارزش نسبی برای آن ویژگی ها داده می شود.

به عبارتی دیگر با سکه نمودن حداقل ارزش نسبی از حداکثر آن می توانید اهمیت هر ویژگی را محاسبه کنید.

فرمول محاسبه اهمیت ویژگی 1i={Max(aij)- Min(aij)} و فرمول اهیمت نسبی Ri= است.

همان طور که مشاهده نمودید سطح قیمت رستوران از نظر مشتری مهمترین ویژگی در انتخاب رستوران می باشد.

کاربردهای تحلیل همبسته در تحقیق بازاریابی: