Documente Academic
Documente Profesional
Documente Cultură
11
Cătoiu , I. (coord), Cercetări de marketing – Tratat, Editura Uranus, București, 2009
2
Iacobucci, D., Marketing Models. Multivariate Statistics and Marketing Analytics, South-Western: Cengace Learning, 2013.
3
Cătoiu , I. (coord), 2009, op. cit.
4
Leeflang, P.S.H., Wittink, R.D., Builiding Models for Marketing Decisions: Past, Present and Future, International Journal of Research in
Marketing, Vol. 17, No. 2-3, 2000, pag. 105 – 126.
c. Ca formă de cunoaștere a fenomenului de marketing cercetat;
d. Ca fundament științific a deciziilor de marketing în general și cu privire la politicile de
marketing, planurile de marketing și programele de marketing, în particular.
e. Ca mijloc pedagogic ce facilitează transmiterea coerentă și eficace a informațiilor.
5
Eliashberg, J., Lilien, G.L., Mathematical Marketing Models: Some Historical Perspectives and Future Projections, Handbooks in Operations
Research and Management Science, Vol. 5, 1993, pag. 3 – 23.
2. Gradul de explicitare și forma de reprezentare
b. Modele explicite:
i. Modele verbale – sunt acele modele care sunt transmise pe cale orală (verbală), neavând
un suport fizic, vizibil;
ii. Modele grafice – reprezintă categoria de modele care sintetizează sistemul real studiat
în reprezentări grafice variate, după cum urmează: diagramă de tip schemă logică, diagramă PERT,
diagramă cauzală, diagramă de tip arbore de decizie, diagramă a relațiilor funcționale, diagramă
de tip feed-back sau răspuns;
iii. Modele matematice – sunt caracterizate prin cuantificarea dimensiunilor sistemului
real studiat și a relațiilor dintre ele sub forma unor ecuații matematice. La rândul lor, modelele
matematice pot fi împărțite într-o serie de subcategorii: liniare/nelinare (natura relațiilor dintre
variabilele studiate), statice/dinamice (abordarea factorului timp), deterministe/probabilistice
(abordarea relațiilor structurale ale variabilelor considerate), continue/discrete/mixte (tipul de
scală utilizat pentru măsurarea variabilelor considerate).
i. Modele iconice – sunt reprezentări vizuale ale sistemului real studiat, însă la o scală
mai mică; astfel de modele au avantajul de a oferi o perspectivă vizuală (în miniatură), de ansamblu
asupra sistemului real;
ii. Modele simbolice – fiecare dimensiune studiată a sistemului real este înlocuită printr-
un simbol, relațiile dintre dimensiuni (simboluri) fiind exprimate sub forma ecuațiilor matematice;
iii. Modele analogice – preiau caracteristici de la ambele tipuri de modele prezentate
anterior, ele reprezentând o înțelegere a sistemului real studiat prin intermediul unui model
(iconic/simbolic sau mixt) al altui sistem real.
Dezvoltarea propriu-zisă a unui model de marketing constituie o etapă din cadrul unui
proces ce formează un subdomeniu distinct al marketingului și anume modelarea în marketing.
Modelarea în marketing este considerată atât o artă, cât și o știință.
6
Uddin, N.M., Hamiduzzaman, M., The Philosophy of Science in Social Research, The International Journal of Social Research, Vol. 2, No. 6,
2009, pag. 655 – 664.
(1) Școala raționalistă – se bazează pe principiul conform căruia cunoașterea rezultă într-
o mare măsură din rațiune și nu din experiență. Plecând de la acest principiu, fenomenul de
marketing studiat este considerat o structură rațională ce este analizată prin intermediul unor
presupuneri fundamentale. Astfel, expresia fenomenului de marketing investigat poate lua forma
unui model dezvoltat pe bază de deducții logice și relații matematice, și care, având la baza ipoteze
incontestabile, nu trebuie validat prin date empirice.
(2) Școala empirică – este guvernată de principiul conform căruia cunoașterea este
datorată experienței și nu rațiunii. Adepții acestei școli de gândire consideră că mediul înconjurător
(universul) este unul ordonat, fiind alcătuit din evenimente discrete și observabile care urmează
reguli universal valabile, respectiv șabloane repetitive. Un model dezvoltat conform empirismului
presupune construcția sa inițială pe baza unui set de date observabile, respectiv rafinarea sa prin
validare sau nu pe baza altui set de date observabile. Ipotezele sau prespunerile teoretice ce nu au
fost verificate prin experiență sau experiment nu se bucură de încredere în cadrul empirismului;
singura constantă fiind experiența trăită.
(3) Școala pozitivistă – presupune că știința, în general, și științele sociale, în particular,
trebuie să își bazeze construcția pe instrumentele științelor naturale. Astfel, principiul după care se
ghidează școala pozitivistă consideră cunoașterea un efect doar al unor teorii confirmate prin
metode strict științifice (specifice științelor naturale) și nu al unor supoziții abstracte. Mediul
înconjurător este considerat a fi format din obiecte observabile supuse unor reguli care pot fi
indentificate, explicate și controlate. Modelele dezvoltate în conformitate cu pozitivismul sunt
caracterizate atât de o validitate empirică a ipotezelor pe care sunt construite, cât și de capacitatea
de a generaliza rezultatele obținute, dar și de a previziona stări viitoare ale obiectului cercetat.
(4) Școala fenomenologică – este fundamentată pe principiul conform căruia cunoașterea
rezultă din interpretarea cercetătorului a obiectului cercetat. Astfel, capacitatea de interpretare,
proprie subiectului cercetării este opusă instrumentarului logico-matematic al pozitivismului.
Mediul înconjurător este considerat a fi format din evenimente sociale, a căror succesiune și
interacțiune nu sunt guvernate de un set de reguli sau legi universale, ci de legi proprii contextului
dat. Modelele ce au la bază școala fenomenologică trebuie să surprindă complexitatea socială a
mediului înconjurător în dezvoltarea lor.
Tehnicile de analiză ce utilizează mai mult de două variabile în structurarea lor reprezintă
tehnici de analiză multivariată. Acestea diferă de tehnicile de analiză univariată și prin prisma
scopului lor, în sensul că primele pun accent pe studiul relațiilor dintre variabilele considerate
(direcție, intensitate și semnificație statistică), iar cele din urmă pe nivelul (tendința centrală) și
distribuția (variația) variabilei considerate.
O clasificare a tehnicilor de analiză multivariată este prezentată în figura de mai jos
(figura 2). Natura relației dintre variabilele considerate este un prim criteriu de clasificare; astfel,
7
Cătoiu, I., (coord.), 2009, op. cit.
variabilele se pot afla într-o relației de dependență (relație de tip cauză-efect) sau de
interdependență (relație de asociere) una față de cealaltă. În cazul relațiilor de dependență, poate
exista o singura variabilă dependentă, respectiv mai multe variabile dependente. Interdependența
variabilelor poate fi studiată prin intermediul variației lor comune, respectiv prin similitudinile
inter-obiecte.
Clasificare de mai sus este detaliată prin adăugarea unui nou criteriu, și anume: tipul de
scală utilizată pentru măsurarea variabilelor în cauză8. Desfășurea tehnicilor de analiză
multivariată este prezentată sub forma unei scheme logice cu trei niveluri decizionale în funcție de
cele trei criterii expuse (natura relației, existența unei sau mai multor variabile dependente și tipul
de scală utilizată pentru măsurarea variabilelor) (figura 3).
8
Cătoiu, I., (coord.), 2009, op. cit.
Figura 3. Clasificarea tehnicilor de analiză multivariată
Sursă: Cătoiu, I. (coord), Cercetări de marketing – Tratat, Editura Uranus, București, 2009
Metoda de analiză multivariată aplicate în cadrul marketingului
Metoda regresiei liniare multiple este considerată una dintre cele mai frecvent utilizate
metode de analiză în cadrul cercetărilor de marketing. Această metodă presupune dezvoltarea unei
funcții prin intermediul căreia se încearcă explicarea unei relații de dependență liniară între
dimensiunile unui fenomen de marketing studiat. Dimensiunile fenomenului de marketing studiat
sunt considerate variabile în cadrul funcției ce urmează a fi dezvoltată. Combinarea variabilelor
într-o relație de dependență se realizează pe baza teoriei economice, în general, respectiv pe baza
teoriei de marketing, în particula; exemple în acest sens ar fi: vânzările unei companii depind de
bugetul cheltuit pentru promovare, diferite forme ale ofertelor promoționale, numărul canalelor de
distribuție sau oferta generală a companiei.
Obiectivul principal al metodei regresiei liniare multiple este explicarea și previziunea
variației variabilei dependente în funcție de covariația ei cu variabilele independente. Astfel,
variabilele ce sintetizează dimeniunile fenomenului de marketing studiat, sunt împărțite în două
categorii: variabile dependente și variabile independente, clasificarea fiind realizată de către
cercetător pe baza teorie de marketing și a experienței sale. Variabila dependentă este considerată
un efect (variabilă efect) al interacțiunii dintre două sau mai multe variabile independente
(variabile cauză). Scala pe care este măsurată variabila dependentă trebuie să fie, în mod categoric,
de natură parametrică (interval sau proporțională), în timp ce variabilele independente pot fi
măsurate atât prin intermediul scalelor neparametrice (nominale și ordinale), cât și cu ajutorul
scalelor parametrice.
Forma sau modelul general al regresiei liniare multiple este cel prezentat mai jos:
9
Greene, W.H., Econometric Analysis. Fifth Edition, Pearson Education, Inc., 2003.
2. Analiza factorială
Analiza factorială este un nume generic dat unei categorii de metode statistice
multivariate al căror scop rezidă în cercetarea legăturilor de interdependență dintre mai multe
variabile ce caracterizează un anumit fenomen de marketing10, respectiv în reducerea numărului
de variabile la un nivel ce poate fi gestionat, cu o pierdere minimă de informație.
Principiul de bază al acestei tehnici este că fiecare bază de date (caraterizată de un număr
de variabile cu valorile aferente) poate fi redusă la un număr de variabile mai mic decât cel inițial
printr-o pierdere mai mare sau mai mică de informație. În alte cuvinte, se poate afirma că numărul
inițial de variabile poate fi condensat într-un număr mai redus de variabile (denumite factori sau
componente, denumiri folosite interschimbabil în cadrul prezentului subcapitol) cu care sunt în
corelație, respectiv împart informație cu aceștia. Alegerea unei metode din setul de metode ce
compun tehnica analizei factoriale ar trebui să se bazeze pe următoarele două criterii:
1. generalizarea sau nu a rezultatelor obținute în cadrul eșantionului la nivelul populației
și
2. explorarea datelor sau testarea unor ipoteze.
În cazul în care cercetătorul dorește explorarea unui fenomen de marketing doar pe baza
informațiilor specifice unui eșantion considerat, fără a dori extrapolarea rezulatelor la nivelul
populației, metodele analizei factoriale ce pot fi avute în vedere sunt: metoda componentelor
principale (în engleză: principle components), metoda factorilor principali (în engleză: pricipal
axis factoring) și image factoring.
Dacă elementele eșantionului utilizat sunt extrase în mod aleator din cadrul populației
țintă și eșantionul este reprezentativ din punct de vedere statistic pentru variabilele considerate,
cercetătorul poate folosi următoarele metode ale analizei factoriale asupra variabilelor în cauză:
metoda verosimilității maxime (în engleză: maximum-likelihood method) și Kaiser alpha factoring.
Aceste metode permit extinderea rezultatelor obținute pe baza eșantionului considerat la nivelul
populației investigate în funcție de setul de variabile avut în vedere. Ambele categorii de metode
prezentate (care permit/nu permit extrapolarea rezultatelor) au drept scop explorarea unui set de
variabile, respectiv a dimensiunilor unui fenomen de marketing, fiind calificate drept metode ale
analizei factoriale exploratorii.
Metodele de analiză factorială confirmatorie urmăresc testarea unor ipoteze cu privire la
structura unui set de variabile latente. În acest caz, interdependențele dintre variabilele considerate
se bazează pe un model teoretic, cercetătorul luând decizii cu privire la sensul și intensitatea
legăturii dintre variabile.
Scopul metodei componentelor principale este de a reduce un set inițial de variabile la un
set final de alte variabile (denumite factori) inferior numeric primului. Variabilele trebuie înțelese
ca dimensiuni prin care se încearcă măsurarea unui fenomen de marketing (spre exemplu:
loialitatea clientului poate fi măsurată prin latura sa atitudinală, respectiv prin latura sa
comportamentală; loialitatea atitudinală având la rândul ei trei dimensiuni, și anume: dimensiunea
cognitivă, afectivă și conativă). Un concept esențial al acestei metode este cel de comunalitate a
unei variabile (din engleză: communality). Comunalitatea unei variabile (o variabilă formează
alături de alte variabile setul inițial de variabile supuse metodei componentelor principale) trebuie
înțeleasă ca variația comună pe care această variabilă o deține cu restul variabilelor din setul
10
Cătoiu, I., (coord.), 2009, op. cit.
considerat. În alte cuvinte, se poate afirma că variația unei variabile (dintr-un set de variabile) este
divizată în două părți: variație comună sau comunalitate cu alte variabile și variație unică. La
rândul ei, variația unică a unei variabile este datorată unui factor unic (care induce variație unică
sistematică) și unui factor aleator (care determină variație unică aleatoare).
Comunalitatea variabilelor stă la baza transformării setului inițial de variabile într-un set
final de factori sau componente. Procedura de transformare este destul de complexă, pentru mai
multe detalii statistico-matematice se poate consulta Smith11. O sinteză a procedurii de
transformare este realizată în cele ce urmează. Astfel, comunalitatea variabilelor este exprimată
sintetic fie prin coeficienții de covariație sau coeficienții de corelație (diferența dintre coeficienții
de covariație și de corelație rezidă în faptul că valorile coeficienților de covariație devin, prin
standardizare, valorile coeficienților de corelație). Valorile acestora coeficienți (indiferent că sunt
de corelație sau covariație; pentru a evita confuziile, se vor considera în continuarea, valorile
coeficienților de corelație) pot fi grupate în cadrul unei matrici denumită R care are n X n linii și
coloane (unde n este numărul inițial de variabile considerate) și 1 pe diagonala principală. Pe baza
elementelor matricii R, se va identifica un număr de n vectori coloană formați din n linii pentru
care este validă egalitatea:
La o privire mai atentă a ecuație de mai sus, se poate observa că Eigenvectorii (sau
componentele extrase) nu sunt altceva decât vectori care, înmulțiti la stânga cu o matrice pătratică,
nu își modifică sensul, ci doar lungimea prin apariția Eigenvalue aferente. Denumirea de
Eigenvector este similară semantic noțiunii de componentă sau factor. Principalele proprietăți ale
Eigenvectorilor sunt: ortogonalitatea (fiecare Eigenvector este perpendicular pe restul
Eigenvectorilor) și faptul că pot fi extrași din anumite matrici pătratice. Proprietatea de
ortogonalitate prezintă o importanță ridicată în cadrul cercetărilor de marketing deoarece, prin
ortogonalitatea, se asigură independența factorilor (se elimină multicoliniaritatea lor), ei putând fi
utilizați ca intrare în cadrul altor tehnici de analiză multivariată, precum regresia multiplă liniară
sau analiza discriminantului liniar multiplu.
Pe baza ideilor enunțate mai sus, se poate considera că fiecare variabilă din setul inițial
de variabile poate fi reprezentată sub forma unei combinații algebrice liniare de factori, după cum
urmează:
11
Smith, L.I., A Tutorial on Principal Components Analysis, 2002.
După ce factorii au fost extrași, urmează o rotație a lor în funcție de un anumit unghi care
maximizează comunalitatea unor variabile față de anumiți factori, respectiv minimizează
comunalitatea lor față de alți factori. Factorii rezultați în urma procedurii de rotație pot fi
considerați dimensiuni care cuprind informația din setul inițial de variabile în altă formă. Pe baza
valorii Eigenvalue (se va exemplifica în cele ce urmează) proprie fiecărui factor de după rotație
(rotated Eigenvector) se pot reține spre analize viitoare un număr de factori redus față de cel al
variabilelor inițial, dar cu o anumită pierdere de informație.
3. Discriminantul liniar multiplu
O sinteză a celor prezentate mai sus este realizată în următorul tabel (tabel nr 1):
Metoda regresiei liniare multiple presupune estimarea unei relații liniare între o singură
variabilă dependentă, măsurată pe scală metrică, și un set de variabile independente (măsurate fie
pe scale metrice sau nemetrice). În cadrul regresiei liniare multiple, variabilele independente de
tip nemetric sunt codificate ca variabile Dummy în algoritmul de estimare a funcției de regresie.
Estimarea coeficienților de regresie se realizează prin minimizare valorilor reziduale, respectiv a
diferenței dintre valorile observate ale variabilei dependente și a valorilor estimate ale variabilei
dependente pe baza funcției de regresie.
Analiza multivariată a variației (Manova) are ca scop identificarea diferențelor ce apar în
cadrul unui set de variabile dependente (măsurate pe scale metrice) în funcție de categoriile sau
grupele unui set de variabile independente (măsurate pe scale de tip neparametric). Diferențierea
setului de variabile dependente se realizează pe baza raportului dintre variația (mai concret suma
pătratelor abaterilor) setului de variabile dependente dintre grupele variabilei independente și
variația setului de variabile dependente în cadrul grupelor variabilelor independente. Astfel, efectul
variabilei independente (prin grupele sale) asupra setului de variabile dependente se determină
raportând, în termeni relativi variația setului de variabile dependente datorată grupelor variabilei
dependente, la variația setului de variabile dependente datorată diferenței dintre observații din
cadrul fiecărei grupe a variabilei independente.
Discriminantul liniar multiplu este considerat metoda inversă Manovei în sensul că ea
urmărește discriminarea sau diferențierea grupelor unei variabile dependente (măsurată pe scală
de tip neparametric) pe baza unor funcții discriminant calculate ca și combinații algebrice liniare
ale variabilelor dependente (numite și predictori) măsurate pe scale de tip metric. Ineditul acestei
metode (comparativ cu Manova) este că poate determina măsura în care dependența dintre
variabilele independente poate diferenția grupele variabilei independente.