Documente Academic
Documente Profesional
Documente Cultură
CATEDRA DE MARKETING
Disciplina: Analiza
Analizadatelordatelorde de
marketing
marketingutilizând
utilizândSPSS SPSS
Lect. Univ. Dr.Cristi
Titular: lect.univ.dr. TATU
Cristi TATU MBA
Cursul numărul 1
www.cristitatu.ro
www.cristitatu.ro
cristitatu@mk.ase.ro
cristitatu@mk.ase.ro
facebook.com/tatuci
www.facebook.com/tatuci
ro.linkedin.com/cristitatu
Scurtă prezentare
Cristian Tatu
Lector Universitar
Doctor in Marketing, MBA, PMP
În Departamentul de Marketing
din 2008 (sala 1406).
01
Obiectivele disciplinei
02
Mituri despre (această) disciplină
Presupune memorarea și utilizarea formulelor statistice;
Este nevoie de cunoștințe avansate IT, chiar și ceva programare;
Disciplina este utilă doar celor care se specializează în cercetări de piață;
Cele mai multe organizații nu au buget pentru cercetări de piață
Cercetările de piață pot fi realizate doar cu software specializat și foarte
costisitor pentru organizație;
Proiectul de semestru este foarte dificil și necesită mult timp;
Nu se găsesc materiale tip suport de curs/seminar;
Numărul restanțierilor este foarte mare;
Cadrele didactice sunt foarte severe;
Șansele de a face așa ceva la locul de muncă sunt minime;
Disciplina este imposibilă pentru cei fără studii superioare economice;
Proiectul de poate găsi pe internet;
Se poate promova fără punctaj în seminar;
Ș.(m.)a.
03
Informații generale
Durată curs: 14 săptămâni (pur teoretic)
Suport de curs:
Cercetări de marketing
Iacob Cătoiu (coord)
Editura Uranus, București 2002
Punctaj:
Examen curs: 50 puncte
Studiu de caz: 10 puncte
Test seminar: 20 puncte
Proiect individual de semestru:
Raport de cercetare: 10 puncte
Prezentare raport: 10 puncte
Prezență curs+seminar 0 puncte
TOTAL: 100 puncte
04
Structură curs
S1. 02 octombrie Curs introductiv
S2. 09 octombrie Fundamentele analizei datelor
S3. 16 octombrie Proiectarea cercetărilor cantitative
S4. 23 octombrie Introducerea și codificarea datelor
S5. 30 octombrie Prelucrarea datelor
S6. 06 noiembrie Analiza univariată
S7. 13 noiembrie Analiza bivariată
S8. 20 noiembrie Analiza multivariată
S9. 27 noiembrie Regresia liniară multiplă
S10. 04 decembrie Analiza cluster
S11. 11 decembrie Alte metode statistice utilizare în SPSS
S12. 18 decembrie Conceperea și prezentarea raportului de cercetare
----------->>> VACANȚĂ DE IARNĂ (23 decembrie ‘17 – 7 ianuarie ‘18<<<----------
S13. 08 ianuarie Strategii în alegerea metodelor de analiză
S14. 15 ianuarie Probă de verificare
05
Structură seminar
S1. 02 octombrie Seminar introductiv, stabilire termene, organizare
S2. 09 octombrie Cercetarea de piață ca proces
S3. 16 octombrie Proiectarea chestionarului, tipuri de întrebări
S4. 23 octombrie Măsurarea fenomenelor, tipuri de scale
S5. 30 octombrie Studiu de caz cu predare la sfârșitul orei (echipă de 2)
S6. 06 noiembrie Definirea structurii bazei de date, introducerea datelor
S7. 13 noiembrie Prelucrarea datelor
S8. 20 noiembrie Analiza univariată
S9. 27 noiembrie Analiza bivariată
S10. 04 decembrie Test practic pe calculator în cadrul seminarului
S11. 11 decembrie Regresia liniară multiplă
S12. 18 decembrie Analiza cluster
----------->>> VACANȚĂ DE IARNĂ (23 decembrie ‘17 – 7 ianuarie ‘18<<<----------
S13. 08 ianuarie Utilizarea aplicațiilor Microsoft Office în cercetare
S14. 15 ianuarie Comunicarea rezultatelor, Q&A
06
Bibliografie opțională
Analiza datelor in psihologie. Teorie si practica cu SPSS Statistical analysis with excel for dummies
Popa, D. Joseph Schmuller
Ed. Polirom, 2008 Wiley Publishing Inc., 2010
Introducere in SPSS pentru psihologie Data Analysis and Decision Making with Microsoft
Howitt, D. si Cramer, D. Excel
Ed. Polirom, 2006 Christian Albright
South-Western/Cengage Learning, 2009
SPSS for beginers
Vijay Gupta Statistics for people who (think they) hate statistics :
Ed. VJBooks Inc., 1999 Excel 2007 edition...
Salkind Neil
SPSS for dummies, 2nd edition Thousand Oaks : SAGE, 2010
Arthur Griffith
Wiley Publishing Inc., 2010 Practical And Clear Graduate Statistics In Excel - The
Excel Statistical Master
The SPSS Book: a guide to the statistical package Mark Harmon
for the social sciences Ed. Excel Master Series, 2009
Matthew Zagumny
Writers Club Press, 2001
07
Webgrafie
Manualul IBM SPSS Statistics Tutoriale Youtube
(căutați “IBM SPSS Statistics 22 Documentation”) (căutați “How to Use SPSS Mike’s SAS Tutorials” )
08
Folosim online.ase.ro pentru …
09
Aplicații utilizate
10
Aplicații utilizate
Microsoft Office
Programe utilizate: Excel, Word, Power Point
Versiuni folosite: 2003 sau mai noi
Disponibile gratuit pentru studenți la
departamentul rețele sau online
11
ACADEMIA DE STUDII ECONOMICE DIN BUCUREȘTI
CATEDRA DE MARKETING
Cursul numărul 2
www.cristitatu.ro
cristitatu@mk.ase.ro
www.facebook.com/tatuci
(De ce) sunt necesare cercetările de piață?
• Identificarea clienților potențiali;
• O mai bună înțelegere a actualilor clienți;
• Stabilirea unor ținte realiste/realizabile;
• Dezvoltarea unor strategii de piață eficiente;
• Analiza și rezolvarea unor probleme existente;
• Stabilirea potențialului de dezvoltare a
organizației;
• Identificarea unor noi oportunități de afaceri;
• Susținerea unor planuri/proiecte;
• Supravegherea pieței și anticiparea
schimbărilor majore (previziuni ale evoluției
celor mai importanți indicatori);
• Folosirea datelor recente din piață pentru
îmbunătățirea relației cu partenerii de afaceri;
• Ș.a.
01
Adevărat sau fals?
• Cercetările cantitative de piață sunt costisitoare;
• Realizarea unei cercetări cantitative de piață
durează foarte mult timp;
• În realizarea unei cercetări sunt este implicată
o echipă foarte mare;
• Pentru realizarea unei cercetări cantitative de piață
este nevoie de echipamente și aplicații software foarte scumpe;
• Nu oricine poate realiza o cercetare cantitativă, este nevoie de
serviciile unei firme specializate;
• Cercetările cantitative online nu sunt recomandabile;
• Pentru reprezentativitate este suficient un eșantion mare;
• Operatorii de interviu și PC nu au nevoie de pregătire;
• Rata de răspuns în cazul unei cercetări cantitative este sub 10%;
• Raportul de cercetare are doar rol consultativ.
02
Etapele unei cercetări
Definirea Definirea
Setului de Problemei
Recomandări Decizionale
Alegerea
Elaborarea Instrumentului
Concluziilor de Culegere a
10 1 Datelor
9 Etapele 2
Analiza Realizării Unei Definirea
8 3 Eșantionului
Datelor Cercetări de
7 Piață
4
6 5 Realizarea
Prelucrarea Cercetării
Datelor Pilot
Ajustarea
Colectarea Instrumentului
Datelor și
Metodologiei
03
Problema decizională
• Problema decizională reprezintă situația care
constituie o problemă reală pentru decident sau o
ocazie cu potențial favorabil pe care acesta dorește să
o cunoască mai bine în vederea valorificării;
08
Surse de informare
Date primare Date secundare
Disciplina: Analiza
Analizadatelordatelorde de
marketing
marketingutilizând
utilizândSPSS SPSS
Lect. Univ. Dr.Cristi
Titular: lect.univ.dr. TATU
Cristi TATU MBA
Cursul numărul 3
www.cristitatu.ro
cristitatu@mk.ase.ro
www.facebook.com/tatuci
Chestionarul este…
01
Calitățile unui chestionar bun
• Ordinea logică a întrebărilor (de la general
la specific);
• Limbajul și scalele corespunzătoare
specificului respondenților (acolo unde
este cazul văr fi folosite forme echivalente);
• Echilibru între scalele metrice (mai dificile)
și cele nemetrice;
• Timpul necesar completării sub 10 minute;
• Etichete sugestive pentru variantele
predefinite;
• Existența regulilor de completare acolo
unde este cazul;
• Ușurința și rapiditatea completării;
• Capacitatea de a motiva și atrage interesul
respondenților;
01
Etapele proiectării unui chestionar
01
Structura chestionarului
01
Aspectul chestionarului
01
Pre-testarea chestionarului
01
Răspuns predefinit sau deschis?
Răspuns deschis Răspuns predefinit
Libertate pt. respondent Ușurință în înregistrarea
Rapiditate răspuns răspunsului
Rată mică de non-răspunsuri Codificare implicită
Avantaje Ușurință în înțelegerea Inexistența răspunsului
enunțului invalid
Simplitate chestionar
Influențare minimă a
respondentului
01
Scale nemetrice
Scala nominală
Scala proporțională
01
Scale de măsurare
Scale comparative - metoda comparațiilor perechi
(cu sau fără diferență de preț)
0 10 20 30 40 50 60 70 80 90 100
Nefavorabilă
Favorabilă
Favorabilă Nefavorabilă
Scale de măsurare
Scale non-comparative - scala lui Likert
Acord Acord Nici/ Dezacord Dezacord
total nici total
Mezelurile conțin carne de cal
Carnea de cal este bună
Calul nu este comestibil
Favorabilă Nefavorabilă
-5 -4 -3 -2 -1 +1 +2 +3 +4 +5
Scale cu etichete personalizate
ACADEMIA DE STUDII ECONOMICE DIN BUCUREȘTI
CATEDRA DE MARKETING
Disciplina: Analiza
Analizadatelor datelorde de
marketing
marketingutilizândutilizândSPSS SPSS
Lect. Univ. Dr. CristiCristi
Titular: lect.univ.dr. TATU
TATU MBA PMP
Cursul numărul 4
www.cristitatu.ro
cristitatu@mk.ase.ro
www.facebook.com/tatuci
Cum definim greșit structura BD?
În definirea unei baze de date cele mai des întâlnite greșeli sunt:
Introducerea datelor într-o bază de date neformatată sau o foaie de calcul
tabelar fără cap de tabel;
Codificarea variantelor de răspuns folosind litere (a,b,c…);
Introducerea datelor în formă necodificată urmând ca apoi să fie utilizată
funcția search&replace (motivul: din coduri nu se înțelege nimic);
Codificarea variantelor de răspuns începând cu valoarea 0 (zero);
Codificarea întrebărilor ”cu răspuns predefinit multiplu” într-o singură
variabilă;
Definirea tuturor variabilelor într-un format
numeric sau șir de caractere generos care să
poată înmagazina orice cantitate de date;
Definirea tuturor variabilelor de
tip șir de caractere;
Utilizarea tipurilor de date
specifice doar anumitor aplicații.
01
Cum greșim la introducerea datelor?
02
De la chestionar la baza de date
03
Principiile bazelor de date
Baza de date este formată din:
• Setul de variabile care definesc structura bazei de date (coloane);
• Înregistrările/cazurile ce conțin totalitatea răspunsurilor primite de
la fiecare respondent în parte printr-un anumit chestionar (linii);
Când se dorește modificarea bazei de date se va realiza întotdeauna o
copie de siguranță a acesteia;
Variabilele native (care stochează răspunsurile neprelucrate nu vor fi
niciodată suprascrise/editate/modificate;
Pe fiecare chestionar introdus în baza de date se va nota numărul unic
de înregistrare/ordine din baza (indexul automat);
Răspunsul întrebărilor cu variante predefinite vor fi introduse sub
formă codificată (șirul de caractere substituit cu valoare numerică
unică);
Numele fiecărei variabile va fi ales astfel încât să faciliteze identificarea
întrebării aferente în chestionar (ex: Q1).
04
SPSS – înregistrări în baza de date
05
SPSS – structura bazei de date
06
Codificarea răspunsurilor
1. Întrebările cu variantă predefinită de răspuns
(răspuns unic) I1. Animal preferat:
Variantele de răspuns vor primi coduri începând o Câine; 1
cu valoarea ”1” pentru primul răspuns din set o Pisică; 2
(seturi fără ordonare) sau pentru cel mai mic o Vulpe; 3
răspuns (seturi interval sau în succesiune logică); o Cal. 4
Valoarea ”0” va fi evitată, aceasta reprezintă
originea în cadrul scalelor metrice proporționale; I2. Vârstă:
Marcarea întrebărilor care au fost o Sub 18 ani; 1
evitate/refuzate de către respondent se va face o 18-25 ani; 2
folosind codul 99; o 26-35 ani; 3
Răspunsurile eronate, imposibil de descifrat sau o Peste 35 ani. 4
confuze vor fi marcate utilizând codul 95;
Sub nicio formă nu for fi introduse alte coduri
decât cele convenite sau șiruri de caractere.
07
Codificarea răspunsurilor
2. Întrebările cu răspuns deschis numeric
I3. Vârstă în ani
Răspunsurile primite la acest tip de întrebări
împliniți:
sunt introduse în baza de date exact așa cum
……………….
apar în chestionar;
În cazul în care din neglijența operatorului,
I4. Acordați o
greșeala respondentului sau neincluderea
notă de la 1 la
filtrelor numerice în chestionarul virtual
10 pentru
răspunsurile includ altceva decât o singură
produsul X:
valoare numerică acestea vor fi corectate;
……………….
Dacă răspunsul nu poate fi corectat (ex: vârsta
sub formă de interval sau expresii fără caracter
I5. Numărul
metric) întrebarea va fi tratată drept non-
copiilor minori
răspuns;
din familie:
…………………
08
Codificarea răspunsurilor
3. Întrebările cu răspuns deschis alfa-numeric
I6. Animalul
- Pasul 1: se identifică toate variantele unice de
preferat:
răspuns prin parcurgerea bazei de date pe
……………..
variabila selectată și se alocă coduri unice
(atenție la duplicate absolute sau relative);
I7. Prenumele
- Pasul 2: se cuantifică apariția fiecărei variante
dumneavoastră:
unice identificate în formă identică sau foarte
……………….
asemănătoare;
- Pasul 3: se creează o nouă variabilă (!!!) care va
I8. Culoarea
stoca răspunsurile în formă codificată;
preferată
- Pasul 4: în variabila nou creată vor fi introduse
o verde
codurile aferente răspunsurilor unice
o roșu
identificate; pentru câmpurile text de
o albastru
completare (vezi întrebarea cu răspuns unic) va fi
o altă culoare
completat setul inițial de variante predefinite.
……………..
09
Codificarea răspunsurilor
4. Bateriile de întrebări cu răspunsuri dihotomice
I9. Animalele
(întrebări cu răspuns predefinit multiplu)
preferate:
Câine;
Aceste întrebări sunt doar o formă particulară de
Pisică;
formatare a întrebărilor dihotomice (răspuns
Cal;
unic din 2 variante posibile);
Papagal.
Fiecărei valori din setul predefinit îi va
corespunde o variabilă distinctă care primește
I10. Este câinele
codul 1 când câmpul este bifat și 2 când nu este
unul dintre
bifat (valoarea predefinită a bazei de date este
animalele dvs.
”NULL”);
preferate?
Se aplică regulile aferente întrebărilor cu răspuns
o Da; 1
predefinit unic.
o Nu. 2
10
Codificarea răspunsurilor
5. Bateriile de întrebări cu răspunsuri multihotomice (scale Likert, ș.a.)
Aceste întrebări sunt doar o formă particulară de formatare a
întrebărilor cu răspuns predefinit unic care au un enunț similar sau
identic;
Fiecărui element investigat îi corespunde o variabilă distinctă;
Se aplică individual regulile specifice întrebărilor cu răspuns predefinit
unic;
I11. Cât de mult vă plac următoarele animale I12. Cât de mult vă
plac câinii?
Foarte Mult Nici/nici Puțin Foarte
mult puțin o Foarte puțin; 1
Câine o o o o o o Puțin; 2
Pisică o o o o o o Nici/nici; 3
Cal o o o o o o Mult; 4
Papagal o o o o o o Foarte mult. 5
11
Codificarea răspunsurilor
6. Bateriile de întrebări cu deschise I13. Împărțiți 100
de puncte între
Aceste întrebări sunt doar o formă următoarele
particulară de formatare a întrebărilor cu animale:
răspuns deschis ce au un enunț comun; Câine ……..
Fiecărui câmp de completare îi va Pisică ……..
corespunde o variabilă distinctă; Cal ……..
Se aplică regulile specifice tipului de Papagal ……..
întrebare cu răspuns deschis aferent.
I14. Enumerați 3
culori care vă plac:
a) ………………..
b) ………………..
c) ………………..
12
Variabilele native și cele artificiale
Disciplina: Analiza
Analizadatelordatelorde de
marketing
marketingutilizând
utilizândSPSS SPSS
Lect. Univ. Dr.Cristi
Titular: lect.univ.dr. TATU
Cristi TATU MBA
Cursul numărul 5
www.cristitatu.ro
cristitatu@mk.ase.ro
www.facebook.com/tatuci
Prelucrarea datelor. De ce?
01
Prelucrarea datelor-ce facem mai exact
02
Concatenarea/divizarea B.D.
03
Eliminarea înreg. necorespunzătoare
04
Eliminarea înregistrărilor duble
Este posibil ca un chestionar să fie introdus de două ori însă acest lucru
este foarte puțin probabil. Înregistrările duble sunt rareori identice.
05
Eliminarea variantelor cu frecventă 0
06
Sortarea bazei de date
Cel mai des aceasta va lua forma unui contor de introducere în baza de
date care va fi trecut și pe chestionarele fizice (acolo unde este cazul).
Orice bază de date va avea înregistrările sortate, cel puțin în primă fază, pe
baza variabilei index, aceasta fiind varianta de referință pentru ordinea
înregistrărilor.
07
Corectarea răspunsurilor incorecte
08
Marcarea non-răspunsurilor
09
Scorul multi-variabilă și u.m.
10
Schimbarea codificării variabilelor
11
Scală metrică -> scală nemetrică
12
ACADEMIA DE STUDII ECONOMICE DIN BUCUREȘTI
CATEDRA DE MARKETING
Disciplina: Analiza
Analizadatelordatelorde de
marketing
marketingutilizând
utilizândSPSS SPSS
Lect. Univ. Dr.Cristi
Titular: lect.univ.dr. TATU
Cristi TATU MBA
Cursul numărul 6
www.cristitatu.ro
cristitatu@mk.ase.ro
www.facebook.com/tatuci
Analiza datelor
02
Tendința centrală
03
Tendința centrală
04
Tendința centrală
05
Tendința centrală
* Distribuția de frecvențe poate fi exprimată în formă absolută (număr respondenți) sau relativă (procente din total
eșantion/răspunsuri valide).
07
Caracterizarea variației
Distribuția de frecvențe reflectă fiecare variantă unică de răspuns
înregistrată și numărul de respondenți/observații pentru fiecare variantă
de răspuns în parte în formă:
Absolută (număr de respondenți);
Relativă (număr respondenți raportat la total eșantion și/sau total
răspunsuri valide pentru variabila respectivă);
Relativă cumulată (suma tuturor răspunsurilor de la prima variantă de
răspuns până la varianta în caz).
08
Caracterizarea variației
Amplitudinea variației reflectă diferența dintre observația cu valoarea cea
mai mare și observația cu valoarea cea mai mică (amplitudine absolută
Maxim-Minim) sau raportul dintre amplitudinea absolută și media
aritmetică (amplitudine relativă).
11
Posibile probleme
Alegerea perechilor de variabile în vederea analizei gradului de asociere se
va avea în vedere ca:
Variabilele selectate să nu reprezinte forme diferite de exprimare a
aceluiași fenomen;
Să nu existe o a treia variabilă care să le influențeze puternic pe
amândouă;
Variabilele selectate să fie indivizibile;
Cele două variabile să fie exprimate la nivel operațional foarte clar (să
nu existe erori în măsurare;
Să existe un număr suficient de mare de cazuri valide înregistrate;
Datele să nu prezinte grad de concentrare ridicat;
Variabilele să aibă un număr relativ mare de variante unice de răspuns
cu frecvență relativă supraunitară;
Variabilele sunt măsurate pe aceiași scală (nativ sau prin conversie la
tipul inferior ca precizie de măsurare).
12
ACADEMIA DE STUDII ECONOMICE DIN BUCUREȘTI
CATEDRA DE MARKETING
Disciplina: Analiza
Analizadatelordatelorde de
marketing
marketingutilizând
utilizândSPSS SPSS
Lect. Univ. Dr.Cristi
Titular: lect.univ.dr. TATU
Cristi TATU MBA
Cursul numărul 7
www.cristitatu.ro
cristitatu@mk.ase.ro
www.facebook.com/tatuci
Analiza multivariată a datelor
01
Analiza multivariată a datelor
Legături cauzale Legături de asociere
(studierea dependențelor) (studierea interdependențelor)
O variabilă Mai multe variabile
dependentă dependente
Măsurată Măsurată Măsurate Măsurate Măsurate în Măsurate în
în în în în scală nemetrică scală metrică
scală scală scală scală
nemetrică metrică nemetrică metrică
Analiza discriminantului liniar
Scalarea nemetrică
multidimensională
multidimensională
Analiza grupurilor
Regresia multiplă
Analiza factorială
Analiza canonică
Scalarea metrică
a variației
multiplu
02
Regresia multiplă
Regresia liniară explică și previzionează variația variabilei dependente în
funcție de covarianța ei cu două sau mai multe variabile independente.
Permite definirea unei funcții de minimizare a diferenței dintre valorile reale
și cele estimate ale variabilei dependente.
Variabilele independente vor fi introduse în model în trepte (în funcție de
capacitatea lor de a explica variabila dependentă) sau simultan.
Estimarea parametrilor fiecărui factor este realizată cu ajutorul metodei
celor mai mici pătrate pentru un număr mai mare de trei parametri.
03
Analiza discriminantului liniar multiplu
Estimează relația dintre o variabilă dependentă di sau multi-hotomică și mai
multe variabile independente metrice (ale cărei stări se cunosc la început).
Urmărește delimitarea stărilor variabilei dependente a.î. să fie cât mai
omogene în interior și cât mai eterogene una față de celelalte și permite:
Definirea contribuția fiecărei variabile explicative la delimitarea stărilor;
Identificarea celor mai bune combinații de variabile explicative pentru
definirea fiecărei stări în parte;
Stabilirea de proceduri pentru repartizarea componentelor noi care nu au
făcut parte din eșantionul inițial;
Identificarea existenței unor diferențe semnificative între profilul stărilor
stabilite/convenite inițial;
Conceperea de hărți perceptuale.
04
Analiza Canonică
Studiază legătura liniară dintre un grup de variabile dependente și unul de
variabile independente ambele măsurate pe scale metrice sau nemetrice
determinând:
direcția intensitatea și semnificația corelației dintre cele 2 grupuri;
Identificarea combinațiilor liniare care maximizează corelația între seturi:
Explicarea și previzionarea variației setului de variabile dependente;
Contribuția relativă a fiecărei variabile independente la asocierea grupurilor
Numărul maxim al funcțiilor canonice este egal cu cel al variabilelor din grupul
cel mai mic.
05
Analiza multivariată a variației
Cuprinde un set de metode aparținând statisticii inferențiale/deductive
(proiectări factoriale, pătrate latine, pătrate greco-latine) ce permit analiza
efectelor variației mai multor variabile independente (factori) asupra
variabilelor dependente, ambele măsurate în scală metrică.
06
Analiza factorială
Cuprinde un set de metode statistice multivariate (metoda componentelor
principale, criteriul varimax, criteriul quartimax, metoda rotației exelor) care
urmăresc investigarea legăturilor de interdependență dintre mai multe
variabile care sunt caracteristice unui anumit fenomen prin crearea unui
nucleu de factori.
07
Analiza grupurilor
Grup de metode statistice multivariate de clasificare a componentelor unei
mulțimi eterogene în grupuri omogene pe baza unui anumit criteriu. Anterior
se folosește analiza factorială pentru reducerea numărului de factori.
08
Scalarea multidimensională
Proces care reprezintă fenomenele analizate sub forma unor puncte într-un
spațiu multidimensional ale cărui dimensiuni sunt interpretare ca atribute
utilizate în diferențierea acestor fenomene.
09
Analiza structurilor latente
Combină extragerea și definirea factorilor latenți cu clasificarea eficientă a
respondenților în grupuri omogene prin intermediul explicării variațiilor și
asociațiilor identificate în modul de a răspunde.
10
ACADEMIA DE STUDII ECONOMICE DIN BUCUREȘTI
CATEDRA DE MARKETING
Disciplina: Analiza
Analizadatelordatelorde de
marketing
marketingutilizând
utilizândSPSS SPSS
Lect. Univ. Dr.Cristi
Titular: lect.univ.dr. TATU
Cristi TATU MBA
Cursul numărul 8
www.cristitatu.ro
cristitatu@mk.ase.ro
www.facebook.com/tatuci
Raportul de cercetare
01
Raportul de cercetare
02
Raportul de cercetare
03
Tipologia rapoartelor de cercetare
04
Formatul raportului de cercetare
1. Pagina de titlu (titlul cercetării, beneficiar, cercetător, data);
2. Scrisoarea de înaintare (transmiterea oficială a sa către beneficiar);
3. Scrisoarea de autorizare (autorizarea cercetării, obiectivele convenite,
termeni contractuali);
4. Cuprinsul (structura raportului de cercetare, maxim diviziuni ordin III);
5. Rezumatul (sinteza raportului de cercetare);
6. Corpul raportului:
Introducerea;
Metodologia;
Rezultatele;
Limitele cercetării;
Concluzii și recomandări.
7. Anexe (materiale la care se face referire în corpul raportului);
8. Bibliografie (sursele de informații utilizate).
05
Aspectul raportului de cercetare
06
Structurile tabelare
Elemente obligatorii pentru prezentarea tabelară a rezultatelor:
Numerotarea continuă sau structurală prin cifre arabe (în anexe va
exista o listă a tabelelor);
Titlu scurt, clar și sintetic în partea superioară;
Subiectul și predicatul în capul de linii și coloane;
Sursa datelor în colțul din stânga jos (doar pentru date secundare);
Notă de subsol explicativă (opțional) după tabel înaintea sursei datelor
(de multe ori cu indici).
07
Graficele
Elemente obligatorii pentru prezentarea grafică a rezultatelor:
Numerotarea continuă sau structurală prin cifre arabe (în anexe va
exista o listă a graficelor);
Titlu scurt, clar și sintetic în partea inferioară a graficului;
Legenda pentru sistemul de axe, culori/texturi utilizate, ș.a.;
Sursa datelor în colțul din stânga jos (doar pentru date secundare);
Notă de subsol explicativă (mai rar, doar pentru grafice mai complexe)
după grafic înaintea sursei datelor (de multe ori cu indici).
08
Tipuri de grafice
Diagramă liniară
Diagramă stratificată
Cercul de structură (pie)
Diagrame prin benzi
sau coloane (bar)
Pătratul de structură
(sumarized bar)
Histograma
Hartă perceptuală
Matrice de poziționare
09
Prezentarea orală
Prezentarea orală urmărește comunicarea verbală a celor mai importante
rezultate ale cercetării, concluziilor și recomandărilor, în vederea diminuării
eventualelor neclarități ce pot să apară în înțelegerea raportului extins.
10
Prezentarea orală
Elaborarea prezentări orale:
profilul/specificul audienței (gradul de informare asupra temei cercetate,
implicarea în procesele decizionale, cunoștințele din domeniul
marketingului și analizei datelor, timpul avut la dispoziție);
Cele mai sensibile puncte ale problemei decizionale pentru beneficiar;
Obiectivele ascunse (surpriza cercetătorului);
Evitarea rezultatelor previzionate prin ipoteze sau a variabilelor cu erori
în măsurare/distribuție;
Se vor folosi elemente grafice și valori numerice procentuale rotunjite;
Raportul de extins de cercetare va fi distribuit anterior pentru a permite
beneficiarului să îl cerceteze și să formuleze întrebări;
Locația în care are lor prezentarea și echipamentele disponibile;
Expunerea va fi liberă, dinamică evitându-se lectura;
Se va urmări contactul vizual cu audiența iar prezentarea va fi alterată
pentru a lămuri situațiile neclare;
11
Prezentarea orală
Elaborarea prezentări orale (continuare…)
Atunci când este posibil va fi aleasă o persoană cu talent oratoric și
experiență în susțineri publice pentru prezentarea orală;
Limbajul ales trebuie să fie clar (sub nicio formă poetic), eficient și va fi
evitat vocabularul tehnic (marketing și cercetări);
Se va lăsa spațiu pentru lămuriri suplimentare după fiecare cadru;
Tonul va fi unul neutru cu urcări pentru subliniere și atenționare;
Rezultatele favorabile sunt apreciate însă cele nefavorabile aduc valoarea
cea mai ridicată (nu le evitați);
Se va folosi suport multimedia (succesiune de cadre) însă conținutul
acestuia nu va fi foarte detaliat (audiența va citi cadrul proiectat și nu va
mai asculta prezentarea) și se vor evita animațiile/clipurile video sau
fonturile foarte mici pentru a putea fi ușor vizualizate;
Se va transmite câte o idee odată către audiență în ordine logică;
Se va lansa invitația pentru întrebări și comunicare ulterioară.
12
ACADEMIA DE STUDII ECONOMICE DIN BUCUREȘTI
CATEDRA DE MARKETING
Disciplina: Analiza
Analizadatelordatelorde de
marketing
marketingutilizând
utilizândSPSS SPSS
Lect. Univ. Dr.Cristi
Titular: lect.univ.dr. TATU
Cristi TATU MBA
Cursul numărul 9
www.cristitatu.ro
cristitatu@mk.ase.ro
www.facebook.com/tatuci
Previziuni de marketing
Previziunile de marketing reprezintă estimări ale nivelurilor variabilelor
endogene sau exogene pentru perioadele viitoare realizate pe baza
examinării trecutului acestora și a identificării unui tipar repetitiv în
evoluția lor.
01
Previziuni de marketing
Acuratețea previziunilor este determinată de:
Specificitatea pieței;
Contextul realizării previziunilor;
Orizontul de timp avut în vedere (1-5 ani sau peste 5 ani);
Ciclicitatea fenomenului investigat;
Disponibilitatea datelor cu caracter istoric;
Numărul și tipul factorilor de influență considerați;
Nivelul de formalizare (cantitativ/calitativ);
Gradul de precizie dorit;
Intervalul de timp în care trebuie realizate previziunile;
Importanța previziunii pentru factorii decizionali;
Gradul de subiectivitate din datele istorice disponibile;
Suprafața geografică considerată (regional, național, internațional).
02
Clasificarea metodelor de previziune
1. Metode cantitative
Se folosesc atunci când:
Există informații istorice despre variabila în cauza cantitative sau
cuantificabile;
Este susținută ipoteza constanței configurației (variabila va avea o evoluție
similară celei din trecut, ciclicitate).
Pe baza relației dintre variabila considerată și timp sau alte variabile se va
alege metoda corespunzătoare.
În funcție de specificul teoriei statistice utilizate avem:
Metode informale (extrapolează valorile viitoare ale variabilei (nivel,
variații ciclice sezoniere, tendință) pe bază empirică utilizând istoricul
acesteia dar suferă de acuratețe redusă);
Metode formale (extrapolează valorile viitoare prin folosirea unor metode
standardizate optimizate pentru minimizarea erorii de previzionare).
03
Clasificarea metodelor de previziune
După tipul modelelor cantitative utilizate metodele cantitative de previzionare
pot fi:
Metode de analiză a seriilor dinamice (endogene): se bazează pe analiza
evoluției în trecut a variabilei și/sau a erorilor de previziune pentru
descoperirea configurației specifice a seriei dinamice fără a considera în
mod explicit factorii de influență; există 4 tipuri de configurații de bază:
configurație orizontală (staționară în jurul unei medii);
configurație tendință (trend, creștere/descreștere pe termen lung);
configurație sezonieră (fluctuații determinate de factori sezonieri);
configurație ciclică (variabilă pe lungime si amplitudine pe orizonturi
mai mari de timp).
Metode cauzale (exogene): presupun existența unei legături cauză-efect și
se elaborează previziunea pe baza acesteia presupunând că relația
identificată rămâne constantă.
04
Metode cantitative de previziune
1. Metode bazate pe analiza seriilor dinamice (nu sunt riguroase statistico-
matematic dar sunt flexibile, ușor de utilizat, ieftine cu precizie acceptabilă)
Metode naive (se bazează pe cele mai recente date și indicele de
sezonalitate);
Metoda modificării procentuale (pe baza unui indice de modificare anuală
pe baze sezoniere);
Metoda modificării procentuale mobile (se utilizează mediile mobile ale
schimbărilor procentuale);
Metoda mediilor mobile (folosește valorile medii pentru un număr fix de
date istorice și previzionează etapa viitoare pe baza mediilor celei mai
recente observări);
Metoda nivelării exponențiale (Brown, Holt sau Winter);
Metode de descompunere a seriilor dinamice (funcție de tendință,
sezonalitate și ciclicitate plus eroarea aleatoare);
Metode autoregresive.
05
Metode cantitative de previziune
2. Metode cauzale
Mult mai riguroase, cu complexitate ridicată și precizie sporită de previzionare
au la bază considerarea explicită a relației cauză-efect între variabila
previzionată și un număr de variabile independente.
06
Metode calitative de previziune
Suplimentează previziunile cantitative pentru confirmarea rezultatelor și
îmbogățirea informațiilor oferite. În condițiile unui mediu turbulent sunt mai
precise decât metodele cantitative, acestea din urmă bazându-se pe o evoluție
predictivă, cu hazard redus dar depind în foarte mare măsură de experiența
cercetătorului.
07
Și în sfârșit…despre examen
Suport de curs:
Iacob Cătoiu (coord) Cercetări de marketing. Tratat, Editura Uranus 2009
08
ACADEMIA DE STUDII ECONOMICE DIN BUCUREȘTI
CATEDRA DE MARKETING
www.cristitatu.ro
cristi@cristitatu.ro
www.facebook.com/tatuci
ACADEMIA DE STUDII ECONOMICE DIN BUCUREȘTI
CATEDRA DE MARKETING
Disciplina: Analiza
Analizadatelordatelorde de
marketing
marketingutilizând
utilizândSPSS SPSS
Lect. Univ. Dr.Cristi
Titular: lect.univ.dr. TATU
Cristi TATU MBA
Cursul numărul 11
www.cristitatu.ro
cristitatu@mk.ase.ro
www.facebook.com/tatuci
Utilizarea SPSS Syntax. De ce?
• Permite realizarea unui volum mare de activități
cu efort minim și în timp record;
• Ușurează semnificativ munca în cazul cercetărilor
longitudinale și atunci când suntem nevoiți să
realizăm raportări intermediare;
• Nu sunt necesare cunoștințe de programare;
• Codul SPSS Syntax este ușor de citit și intuitiv;
• SPSS generează automat codul aferent fiecărei comenzi realizate prin
interfața vizuală (atât pentru prelucrare cât și pentru analiză);
• Codul generat de SPSS poate fi editat în totalitate prin schimbarea
variabilelor țintă și a parametrilor;
• Utilizatorii cu experiență limitată pot progresa gradual de la copy-paste
către introducerea manuală a comenzilor;
• Editorul Syntax ajută utilizatorul prin intermediul funcției auto-
complete;
01
Command Syntax Reference
Acest ghid este inclus in kitul de instalare al SPSS și conține toate comenzile
Syntax grupate după scopul acestora în:
• Import de date;
• Salvare și export date;
• Adaptare date în format SPSS;
• Definirea datelor;
• Transformarea datelor;
• Editarea proprietăților documentului;
• Transformarea fișierului;
• Structuri logice de programare;
• Utilități de programare și generale;
• Operații cu structuri tabelare;
2502 pagini
• Afișarea rezultatelor;
• Generarea Graficelor;
• Serii de timp.
02
Command Syntax Reference
Suplimentar codul Syntax permite utilizarea modulelor suplimentare
precum:
• Statistics Base;
• Advanced Statistics;
• Regression;
• Custom Tables;
• Decision Trees;
• Categories;
• Complex Samples;
• Neural Networks;
• Forecasting
• Conjoint Analysis;
• Bootstrapping;
• Missiong Values
• Data Preparations.
03
Primii pași
• În cadrul cercetării pilot, odată e structura bazei de date este finalizată,
realizați de prelucrare și analiză a datelor pe date fictive (valori
introduce folosind generatorul de numere);
• Verificați rezultatele generate în fereastra Output și asigurați-vă că
acestea sunt într-o formă satisfăcătoare;
• Creați un document text în care salvați codul sintaxă generat de către
SPSS în fereastra output pe structura obiectivelor urmărite;
• Copiați din fișierul respectiv grupul de comenzi dorit în fereastra
”Syntax Editor” (File/New/Syntax);
• Selectați grupul de comenzi dorit și lansați în execuție apăsând butonul
RUN din panoul superior cu instrumente;
04
Principii de funcționare
• Începutul liniilor cu comentarii va fi marcat cu ”*” iar sfârșitul cu ”.”
(textul va fi afișat cu caractere de culoare gri);
• Comentariile la sfârșit de linie vor fi precedate de”/*” și încheiate cu ”.”
• Atunci când vor fi analizate mai multe variabile similare în același timp
codul acestora va fi separat printr-un caracter spațiu;
• SPSS este ”case sensitive”, nu folosiți majuscule;
• Nu folosiți indentații (stații libere la început de linie);
• Momentan diacriticele nu sunt acceptate;
• Fiecare comandă va începe pe o linie nouă de la capăt de rând și poate
continua pe câte rânduri este nevoie până la întâlnirea caracterului ”.”;
• Pentru a rula o comandă aceasta trebuie în prealabil selectată iar apoi
apăsat butonul săgeată verde Run (Ctrl+R);
• Fișierele sintaxă vor avea extensia .sps și pot fi editate utilizând orice
editor text/web (notepad, notepad++...);
08
Comprimarea comenzilor
• Prescurtați comenzile generate automat (”V1 to v10”, ”all”);
descriptives variables=v1 v2 v3 v4 v5 v6 v7 v8 v9 v10 v11
descriptives variables =v1 TO v24
v12 v13 v14 v15 v16 v17 v18 v19 v20 v21 v22 v23 v24
/statistics=mean stddev min max.
/statistics=mean stddev min max.
01
ACADEMIA DE STUDII ECONOMICE DIN BUCUREȘTI
CATEDRA DE MARKETING
Disciplina: Analiza
Analizadatelordatelorde de
marketing
marketingutilizând
utilizândSPSS SPSS
Lect. Univ. Dr.Cristi
Titular: lect.univ.dr. TATU
Cristi TATU MBA
Cursul numărul 12
www.cristitatu.ro
cristitatu@mk.ase.ro
www.facebook.com/tatuci
Python și SPSS
Limbajul de programare Python a fost integrat in SPSS începând cu
versiunea 14 pentru automatizarea proceselor de prelucrare și analiză a
datelor.
01
Give Python a Chance! It’s harmeless.
Comenzi Python pentru SPSS
01
De ce Python?
• Este printre cele mai importante limbaje de programare utilizate în
acest moment;
• Utilizatorii nu au nevoie de experiență în programare pentru utilizarea
comenzilor de bază și redactarea de secvențe scurte;
• Este disponibil sub licență Open Source;
• Este dezvoltat în permanență de către comunitate;
• Este un limbaj intuitiv și foarte ușor de învățat (comparabil cu Visual
Basic for Applications utilizat de MS Office pentru macro);
• Permite editarea de secvențe de cod scurte precum și a unor programe
cu un grad ridicat de complexitate (inaccesibil sintaxei SPSS);
• Este ușor de integrat în alte aplicații;
• Nu implică costuri suplimentare pentru utilizatori;
• Utilizatorii au acces gratuit către nenumărate surse de informare și
exemple disponibile online;
03
De ce este utilizat în SPSS?
• Automatizarea proceselor repetitive de analiză și prelucrare a datelor;
• Analiză instant în cazul cercetărilor longitudinale pentru raportarea
intermediară;
• Analiză instant în momentul finalizării colectării de date pe baza
scriptului proiectat în faza de planificare;
• Permite cercetătorilor să dezvolte instrumente de prelucrare și analiză
suplimentare inexistente in SPSS;
• Permite integrarea interogărilor MySQL pentru baze de date online și
locale, fișiere Excel;
• Permite salvarea/utilizarea unor modele de analiză personalizate dificil
de realizat prin interfața SPSS;
04
Cum poate fi utilizat?
1. Copy-Paste: sintaxa din fereastra Output a SPSS rezultată în urma unei
acțiuni realizate prin intermediul interfeței utilizator poate fi copiată,
editată și rulată din nou;
2. Editarea propriei sintaxe: odată cu acumularea experienței utilizatorii își
pot scrie propria sintaxă similară celei generate automat de SPSS;
3. Editarea propriilor funcții: seturile de comenzi utilizate frecvent pot fi
salvate sub forma unor funcții personalizate ce primesc anumiți
parametrii (nume de variabile, indicatori solicitați...);
4. Editarea propriului modul de cod: utilizatorii experimentați care au
cunoștințe de bază în programare pot scrie propriul modul în cos Python
(fără a mai depinde de sintaxa SPSS);
5. Crearea de ferestre de dialog și instrumente proprii: nivelul superior
rezervat celor cu aptitudini de programare și experiență în domeniu.
05
Programare Python v.s Python Scripting
Programare Python Script Python
(utilizată în principal pentru (utilizat în principal pentru
editare date și analiză) modificarea obiectelor din
fereastra Output a SPSS)
06
Integrare Python Scripting în SPSS
07
Principii de funcționare (programare)
• Codul Python va fi integrat între “begin program.” și ”end program.”
pentru a fi separat de sintaxa SPSS;
• Comentariile sunt precedate de caracterul ”#”;
• Interpretorul de cod Python este ”fully case sensitive” (!!!);
• Spațierea de la început de rând face parte din cod;
• Caracterul Backslash ”\” este caracter rezervat;
• Finalul comenzilor este marcat prin ”.”; în absența acestuia limbajul
presupune că finalul comenzii este la sfârșitul linei;
08
Principii de funcționare
01
#Step 1: Generate a master accessory list from the union of all sets of accessory codes of each record
ifile = open(‘JM_Family.txt’,’r’) #create a file object for the actual dataset(the report)
reportread = csv.reader(ifile, delimiter = ‘t‘) #create a reader object from the file object
acclookup = []
for row in reportread:
if reportread.line_num >1: #excluding the header row
#Pieces all the values of the variable (second column in the dataset and indexed to 1) and make the #result a big list
acclookup.extend(row[1].split(“, “))
acclookup = (list(set(acclookup))) #remove duplicates
acclookup.sort()
#Step 2: Create dummy variables and populate with 0 and 1 from acclookup and write the result to the file
www.cristitatu.ro
cristi@cristitatu.ro
www.facebook.com/tatuci