Размещено на http://www.allbest.ru/

ПЕРМСКИЙ ФИЛИАЛ ФЕДЕРАЛЬНОГО ГОСУДАРСТВЕННОГО АВТОНОМНОГО ОБРАЗОВАТЕЛЬНОГО УЧРЕЖДЕНИЯ

ВЫСШЕГО ОБРАЗОВАНИЯ

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет экономики, менеджмента и бизнес-информатики

Выпускная квалификационная работа - БАКАЛАВРСКАЯ РАБОТА

студента образовательной программы бакалавриата

«Экономика предприятия»

по направлению подготовки 38.03.01 Экономика

Влияние качества сайта компании на результаты ее деятельности

Рецензент - Даунинг Джеффри Дейл

Ph.D., доцент департамента финансов, НИУ ВШЭ - Санкт-Петербург

Руководитель - Молодчик Мария Анатольевна

к.э.н., доцент департамента экономики и финансов

Пермь, 2019 год

Оглавление

• Аннотация
• Abstract
• Введение
• 1. Теоретическое обоснование
• 1.1 Качество сайта компании и способы его измерения
• 1.2 Взаимосвязь качества сайта компании и результатов ее деятельности
• 2. Постановка исследовательской проблемы
• 3. Методология исследования
• 3.1 Дизайн проведения исследования
• 3.2 Описание данных
• 4. Результаты исследования
• Заключение
• Список использованных источников

Аннотация

Данная работа исследует влияние качества сайта компании на результаты ее деятельности. Способность компании строить и развивать эффективные взаимоотношения в цифровой среде особенно актуальна в условиях современной экономики. Сайт компании выступает ее лицом в интернете и помогает выстраивать отношения с потребителями и повышать уровень их лояльности. В работе проанализированы веб метрики, оценивающие уровень качества сайта, и их влияние на результаты деятельности компании. Цели исследования достигаются с помощью проведения регрессионного анализа с использованием базы данных, предоставленной международной лабораторией экономики нематериальных активов. Результаты исследования могут быть использованы как доказательство позитивного взаимоотношения качества сайта компании и результатов ее деятельности. Кроме того, полученные результаты могут быть использованы на практике с помощью контроля веб метрик и косвенного влияния на них для повышения результатов компании.

Abstract

This paper explores website quality impact on companies' performance. Companies' ability to build effective relations in a digital environment and ways it can be measured with are important issues in the context of modern economy conditions. Website is a company's “face” in a digital environment which helps to communicate with customers and gain their loyalty. Website metrics and its impact on the company's performance are analyzed by conducting linear regressions. Regressions are based on a database provided by international laboratory of intangible-driven economy. The result of research may be used as an evidence of a positive relationship between website quality and the companies' performance. Moreover, it has important managerial implications using website metrics as the company performance driver.

Введение

Тема активности в цифровой среде уже не нова, но находится на пике популярности, что делает вопрос о связи качества сайта компании и результатов ее деятельности крайне актуальным в современных реалиях.

По последним данным число пользователей интернета превышает 4 миллиарда, что составляет более 50% мирового населения, хотя еще в 2010 году данный процент был равен только 30% (Internet Users in the World). При этом количество созданных в интернете сайтов сегодня составляет 1.5 миллиарда, увеличив свое число с 2010 года больше чем в 7 раз (Total Number of Websites). Кроме того, только за последний год онлайн продажи выросли на 18% (Young, J., 2019). Такая статистика показывает, что цифровизация экономики значительно ускорила изменения, происходящие во внешней среде, сделав стремительный поток новой информации и технологий нормой для бизнеса. Способность быстро адаптироваться к таким условиям внешней среды позволяет компаниям оставаться конкурентоспособными.

Интернет является площадкой для максимально эффективного взаимодействия людей, что делает его самым конкурентным местом. Своей эффективностью при минимальной затрате ресурсов он привлекает компании, представляющие разные сферы деятельности от ритейла до машиностроения и добычи полезных ископаемых. Наличие сайта в интернете становится современным бизнес стандартом, а большинство компаний не только присутствуют в интернете, но и ведут активную деятельность.

Таким образом, цель данной работы - определить влияние качества сайта компании на результаты ее деятельности.

Для достижения цели исследования необходимо выполнение следующих задач:

1) Проанализировать литературу по теме влияния качества сайта компании на результаты ее деятельности

2) Определить индикаторы для оценки качества сайта компании

3) Проанализировать данные о качестве сайтов компаний из списка Forbes Global 2000

4) Выявить зависимость между качеством сайта и результатами деятельности компаний

5) Сделать выводы на основе полученных данных

Объектом в рамках данной работы выступает качество сайта компании. Предметом работы является влияние качества сайта компании на результаты ее деятельности.

В первой части данной работы рассмотрены способы оценки качества сайта компании, а также его взаимосвязь с результатами деятельности компании. Опираясь на теоретическое обоснование, выдвинуты гипотезы и исследовательский вопрос. Далее приведены методология исследования и описание данных. Основным методом в данной работе является регрессионный анализ, который проводится с использованием базы данных, предоставленной международной лабораторией экономики нематериальных активов. В заключительной части работы представлены результаты, сделаны обобщающие выводы и намечены возможные пути развития исследования.

Практическое применение полученных результатов представляется крайне важным для поддержания конкурентоспособности компаний, обеспеченной с помощью мониторинга и косвенного контроля веб метрик.

1. Теоретическое обоснование

качество сайт компания

На сегодняшний день, в развитых странах, экономика строится на знаниях и значительную часть стоимости компаний составляют именно нематериальные активы. В развивающихся странах, напротив, ключевую роль до сих пор играют материальные активы, однако также наблюдается положительная взаимосвязь результатов деятельности компании и интеллектуального капитала (Chun?Yao и др., 2005, S. Firer и др., 2003). Так, в современной экономике интеллектуальный капитал компании становится долгосрочным конкурентным преимуществом. В то же время, цифровизация экономики вынуждает компании развивать свою деятельность именно в цифровой среде. Несмотря на актуальность вопроса влияния качества сайта компании на ее финансовые результаты, данный вопрос остается недостаточно изученным.

1.1 Качество сайта компании и способы его измерения

Цифровизация экономики создает новую среду для взаимодействий компаний со своими контрагентами. Компаниям необходимо совершенствовать стратегии управления цифровыми активами, чтобы оставаться конкурентоспособными в современных реалиях. Интернет является местом для коммуникации компаний и общества (Kent and Taylor, 1998), где сайт является «лицом» компании, а также каналом связи между компанией и ее потребителями. Поэтому крайне важно обращать внимание на уровень качества сайта компании, который заключается в степени привлекательности сайта, как представителя компании, для потребителей.

Работы, исследующие качество сайта компании, можно разделить на два сегмента по типу используемого способа сбора информации.

К первой группе исследований можно отнести работы, которые собирали информацию с помощью проведения опросов (Jo, S. и др., 2003, Smithson, S. и др., 2011, Srinivasan, S.S. и др., 2002). В одной из таких работ респондентам предлагалось выбрать наиболее привлекательный для них вариант сайта среди двух опций, в результате чего было показано, что более высокий уровень интерактивности сайта вместе с мультимедиа ориентированностью приводят к более эффективному построению диалога между компанией и публикой (Jo, S. и др., 2003). В другой работе респондентам предлагалось забронировать номер на сайте отеля за ограниченное время (Smithson, S. и др., 2011). Кроме данного теста авторы также включили информацию о наполнении сайта отелей: информация об онлайн резервировании, об объекте, контактная информация, управление сайтом. В результате было продемонстрировано, что онлайн видимость положительно влияет на количество резерваций отеля в интернете, а значит и на лояльность потребителей. Авторы третьей работы разработали системы из 8 метрик, которые оказывают влияние на лояльность покупателей в сети (Srinivasan, S.S. и др., 2002). Так, все рассмотренные исследования продемонстрировали положительную зависимость лояльности потребителей от качества сайта, что приводит к выводу о том, что сайт компании помогает выстраивать эффективное взаимодействие с внешним миром.

К другой группе можно отнести исследования, которые для оценивания сайта компании использовали анализ сайта, основанный на различных показателях, примеры которых представлены в таблице 1.

Таблица 1

Использование индикаторов в различных исследованиях

Источники	Используемые индикаторы
Paklina S. и др., 2018	· SEMrush rank · Trust flow · MozRank · Авторитетность домена · Количество проиндексированных страниц в Google и Yandex · Индекс тематического цитирования Yandex · Alexa rank
Aljumah, A. and Kouchay, S.A.,2015	· Traffic Rank · Inlinks · % поиска · Посетители по странам · Уровень доступности · Google page rank · SEMrush rank
Kent, M.L. и др., 2003 Park, H. and Reber, B.H., 2008 Taylor, M. and Kent, M.L., 2004	· Dialogic Loop · Usefulness of Information · Generation of Return Visits · Intuitiveness/Ease of Interface · Conservation of Visitors
Merono-Cerdan, A.L. и др., 2007 Shuai, J.J. and Wu, W.W., 2011 Zhu, K. and Kraemer, K.L., 2002	· Информационный (E-information) · Коммуникационный (E-communication) · Трансакционный (E-transaction)

Стоит отметить, что при выборе индикаторов оценки качества сайта многие исследователи использовали принципы, основанные на теории общественных отношений, а именно пять принципов для построения эффективных взаимоотношений компании и общественности в интернете, предложенные в рамках статьи Кента и Тейлора (1998). В их число вошли:

1) Dialogic Loop (возможность пользователям сайта задавать вопросы, а компании отвечать на поступившие запросы)

2) Usefulness of Information (содержание на сайте общедоступной ценной для пользователей информации)

3) Generation of Return Visits (заставляющие пользователей снова обратиться к сайту условия, такие как обновляющаяся информация, форумы и тд.)

4) Intuitiveness/Ease of Interface (удобность сайта для пользователя)

5) Conservation of Visitors (способность сайта удержать пользователя)

Другим, не менее популярным набором индикаторов, стали метрики электронной коммерции, которые одними из первых упомянули Лиу, Арнетт, Капелла и Битти в своем исследовании (1997). В число метрик вошли три показателя:

1) Информационная часть (корпоративная, коммерческая информация, карта сайта, поиск по сайту)

2) Коммуникационная часть (возможность задать вопрос и получить ответ)

3) Трансакционная часть (онлайн заказ, электронная оплата)

Оставшиеся работы в основном использовали в исследованиях метрики поисковой оптимизации, которые можно разделить на две категории: видимость и надежность (Paklina S. и др., 2018). Видимость отражает, насколько легко сайт может быть найден в поисковых системах и может включать в себя следующий набор показателей:

1) Количество проиндексированных страниц в Яндекс (количество страниц сайта, которые могут быть найдены с помощью Яндекс),

2) Количество проиндексированных страниц в Google (количество страниц сайта, которые могут быть найдены с помощью Google),

3) Тематический индекс цитирования от Яндекс (отражает авторитетность сайта, учитывая количество ссылок на сайт с различных источников),

4) Alexa Rank (показатель, основанный на учете посещаемости сайта).

Уровень надежности сайта зависит от качества и количества ссылок на сайт из внешних источников, а также от наполнения сайта и может включать следующие метрики:

1) SEMrush Rank (опирается на оценку месячного трафика сайта, полученного с помощью органического поиска),

2) Trust Flow (основывается на близости сайта к доверенным сайтам),

3) MozRank (основывается на частоте ссылок на сайт),

4) Domain Authority (оценивает качество использованного домена и количество ссылок на сайт).

Точные методики расчета указанных выше метрик не раскрываются, однако совершенствуются и развиваются своими создателями.

Так, во-первых, следует заключить, что исследования, собирающие информацию с помощью проведения опросов хоть, на первый взгляд, и выглядят лучшим способом определить привлекательность сайта для пользователя, однако носят весьма субъективный характер и имеют достаточно малые размеры выборки, что ставит под сомнения полученные результаты. Такие работы могут быть полезны при формировании гипотез относительно влияния качества сайта компании на ее результаты.

Во-вторых, анализируя второй блок исследований, важно отметить, что метрики, основанные на принципах теории общественных отношений, действительно, позволяют оценить наполнение сайта, но не анализируют качество составляющих частей сайта. Сайт может содержать форумы и формы для вопросов и ответов, но, в то же время, никак не анализируются качество их исполнения и простота поиска, которые могут не только не удержать пользователя, но и оттолкнуть их. Подобными недостатками обладает также и метрики электронной коммерции. Такие метрики оценивают сайты всех компаний по одинаковому списку показателей, не учитывая особенности деятельности определенных компаний.

Метрики поисковой оптимизации позволяют решить указанные выше проблемы. Веб метрики отражают реальное восприятие сайтов компаний пользователями, независимо от того, есть ли там определенный элемент или нет. Сайты компаний ранжируются по степени привлекательности для пользователей, автоматически учитывая реальные веса важности каждого элемента. Таким образом, сайт, который собирает большее число посетителей и ссылок из внешних источников, а соответственно который наиболее привлекателен и популярен, будет иметь хорошие показатели согласно метрикам поисковой оптимизации независимо от наличия или отсутствия на нем определенных блоков. Поэтому метрики поисковой оптимизации представляются наиболее эффективным способом отражения качества сайта компании.

1.2 Взаимосвязь качества сайта компании и результатов ее деятельности

После анализа способов оценки качества сайта компании представляется интересным рассмотреть его связь с результатами деятельности компании.

Несмотря на растущую роль цифровых технологий в современном мире, вопрос влияния деятельности компании в цифровой среде на ее финансовые результаты остается недостаточно изученным.

Стоит отметить, что только небольшое число работ демонстрируют, что на результаты компании могут повлиять такие метрики, как видимость сайта в сети (Melo и др., 2017, Smithson и др., 2011), метрики электронной коммерции (Merono-Cerdan, Soto-Acosta, 2007), количество ссылок на сайт из внешних источников (Wang, Vaughan, 2014) и веб метрики (Paklina и др., 2018). Все данные работы демонстрируют разноплановые подходы к существующей проблеме, которые представлены в таблице 2.

Таблица 2

Подходы к оценке влияния качества сайта компании на ее результаты

Источник	Данные	Модель	Результаты
Melo et al., 2017	408 организаций Франции	Влияние видимости вебсайта и ряда контрольных переменных на эффективность компании	Видимость сайта компании положительно влияет на эффективность ее работы
Smithson et al., 2011	105 отелей малого и среднего размера в Испании	Влияние возраста, размера компании, наличия у нее сайта и его видимость в интернете на ROA	Выявлено наличие положительного влияния онлайн-видимости на эффективность организации
Merono-Cerdan et al., 2007	288 фирм малого и среднего бизнеса Испании	Влияние индустрии, числа работников и метрик электронной коммерции на величину добавленной стоимости	Была обнаружена положительная связь между содержанием сайта компании и показателем ее эффективности
Wang et al., 2014	1331 фирма из базы данных COMPUSTAT	Влияние видимости в сети и контрольных переменных на эффективность рекламы и на величину нематериальных активов, рассчитанных с помощью Q-Тобина	Была выявлена положительная взаимосвязь между видимостью сайта компании и ее результатами в краткосрочном и долгосрочном периоде
Paklina и др., 2018	Панельные данные более 1000 российский компаний за 2010-2016 годы	Влияние веб метрик и контрольных переменных на выручку компании	Выявлено значимое влияние веб метрик на результаты деятельности компании

Как отмечено в таблице большинство рассмотренных работ основывают свой анализ на определенной индустрии или стране. Например, 108 французских организаций (Melo и др, 2017), 105 малых и средних отелей Испании (Smithson и др., 2011) или всего девять компаний из сферы компьютерного и программного обеспечения (Merono-Cerdan, Soto-Acosta, 2007). Такие жесткие географические и индустриальные ограничения приводят к невозможности расширения результатов исследования до других стран или индустрий.

В качестве зависимой переменной также выступают различные индикаторы эффективности деятельности компании. Начиная с уровня удовлетворенности владельца бизнеса, измеренного с помощью опроса (Melo и др., 2017) и ROA (Smithson и др., 2011), заканчивая эффективностью рекламы, величиной нематериальных активов компании (Wang, Vaughan, 2014) и выручкой компании (Paklina и др., 2018).

В целом, большинство проведенных исследований демонстрируют позитивное взаимоотношение между качеством сайта компании и результатами ее деятельности. Так, согласно одному из исследований популярность сайта компании в сети может увеличить эффективность ее деятельности (Melo и др., 2017). В тоже время, другие исследователи показывают, что не только популярность вебсайта имеет значение, но и его содержание (Merono-Cerdan и Soto-Acosta, 2007). Также, есть работы, демонстрирующие значимость влияния качества сайта компании на ее результаты как для краткосрочного периода, так и для долгосрочного периода (Wang, Vaughan, 2014). Основным для данной работы являются исследование Paklina и др. (2018), демонстрирующее положительное влияние веб метрик на выручку российских компаний.

Однако исследователями не было выработанного единого подхода как к оценке качества веб сайта, так и к оценке его влияния на результаты деятельности компании. Большинство исследований имеют узкую региональную или индустриальную специфику, анализируя малые выборки компаний. Поэтому оценка влияния качества сайта компании с использованием веб метрик на результаты ее деятельности на основе широкой выборки, включающей компании из разных регионов и секторов, представляется крайне актуальной.

2. Постановка исследовательской проблемы

Целью данной работы является ответ на следующий исследовательский вопрос: как качество сайта компании влияет на результаты ее деятельности, и каким образом можно повлиять на него, увеличивая конкурентоспособность компании?

Большинство проведенных исследований демонстрируют позитивное взаимоотношение между качеством сайта компании и результатами ее деятельности. Поэтому, опираясь на рассмотренную литературу, следует предположить, что у компаний с более высоким уровнем качества сайта, измеренным с использованием веб метрик, эффективность работы будет также более высокой:

Н1: Качество сайта компании оказывает значимое положительное влияние на результаты ее деятельности.

Для формирования вывода по первой гипотезе представляется необходимым провести регрессионный анализ с использованием показателей результатов деятельности компании в качестве зависимой переменной и контрольными переменными и показателем качества сайта в качестве регрессоров.

Для практического применения полученных результатов необходимо понимать, какие именно метрики представляют наибольший интерес и оказывают наибольшее влияние. Так, можно предположить что:

Н2: Отдельные веб метрики оказывают значимое положительное влияние на результаты деятельности компании.

Данная гипотеза может быть подтверждена с помощью построения регрессии с включением в анализ каждой из использованных веб метрик и анализа получившейся значимости коэффициентов.

3. Методология исследования

3.1 Дизайн проведения исследования

Для достижения целей исследования необходимо проанализировать влияние качества сайта компании на результаты ее деятельности.

В качестве индикаторов качества сайта компании в рамках данной работы выступают метрики поисковой оптимизации, продемонстрированные в таблице 3.

Таблица 3

Метрики поисковой оптимизации

Показатель	Определение	Значения
Web of Trust	Отражает уровень доверия к сайту	1-5
MozRank	Рейтинг сайта, основанный на количестве и качестве страниц ссылающихся на него	0-10
Trust flow	Рейтинг сайта, основанный на количестве доверенных сайтов ссылающихся на него	0-100
Citation Flow	Мера значимости сайта, измеряемая с помощью количества сайтов ссылающихся на него	1-100
Number of Indexed Pages by Google	Количество страниц сайта, которые могут быть найдены с помощью Google	Не ограничено
Number of Indexed Pages by Bing	Количество страниц сайта, которые могут быть найдены с помощью Bing	Не ограничено
Alexa Rank	Мера видимости сайта, измеряемая посредством сравнительного анализа миллионов сайтов	Не ограничено
SEMrush Rank	Показывает рейтинг доменов в сети, основанный на объеме полученного трафика (1 для наиболее надежных сайтов)	Не ограничено

Метрики поисковой оптимизации позволяют максимально объективно оценить качество сайта, учитывая реальные реакции людей на него, а также количество и качество ссылок из других источников. Точные методики расчета каждой из веб метрик не раскрываются их владельцами, однако постоянно совершенствуются и представляются наиболее эффективным способом оценки качества сайта.

В рамках данной работы в число метрик поисковой оптимизации вошли восемь метрик. Web of Trust принимает значения от одного до пяти, отражая уровень доверия к сайту, измеренный с помощью различных характеристик. MozRank принимает значения от нуля до десяти, отражая рейтинг сайта по количеству и качеству ссылающихся на него страниц. Trust flow измеряет удаленность сайта по ссылкам от определенного списка доверенных сайтов в диапазоне от 1 до 100. Citation flow отражает значимость сайта, опираясь на количество сайтов из которых исходят ссылки на данный сайт. Alexa Rank является мерой видимости сайта в поисковых системах, рассчитываемой посредством сравнительного анализа огромной базы данных страниц в сети. SEMrush Rank показывает рейтинг доменов и принимает неограниченный диапазон значений.

Для определения эффекта влияния качества сайта компании на ее результаты производится регрессионный анализ, в котором в качестве объясняющих переменных выступают веб метрики.

Кроме объясняющих переменных в виде веб метрик в модель включаются контрольные переменные, в число которых вошли регион, сектор, количество работников, размер и рентабельность активов и возраст (таблица 4).

Для проверки первой гипотезы необходимо определить методику расчета индекса, который отразит качество сайта компании. Для этого, данные нормализуются с использованием следующей формулы:

(1)

где - новое значение переменной,

- исходное значение переменной.

Таблица 4

Контрольные переменные

Название	Показатель	Описание
Region	Регион	1. Америка 2. Азия 3. Европа 4. Австралия 5. Африка
Sector	Сектор	1. Товары не первой необходимости 2. Товары первой необходимости 3. Энергетический сектор 4. Финансовый сектор 5. Здравоохранение 6. Индустриальный сектор 7. Информационные технологии 8. Материалы 9. Недвижимость 10. Телекоммуникации 11. Коммунальные услуги
Employees	Количество работников	Количество работников в компании
Assets	Активы	Величина активов в млн. рублей
ROA2010	Рентабельность активов 2010 года	Отношение прибыли к величине активов
Age	Возраст	Количество лет с основания компании

Итоговое значение переменной представляет собой сумму восьми получившихся баллов.

В качестве зависимой переменной используются выручка компании, рентабельность активов компании за 2017 год и рыночная стоимость на 29 марта 2018 года.

Так как данные имеют разные порядки значений, в модели используется логарифмирование, что также позволяет интерпретировать коэффициенты модели как эластичности. Финальные спецификации модели выглядят следующим образом:

(2)

(3)

где: i - номер компании,

salesi - величина выручки компании i в 2017 году,

MVi - рыночная стоимость компании i на 29 марта 2018 года.

В модели с рентабельностью активов в качестве зависимой переменной использование логарифмирования затруднено отрицательными значениями ROA, поэтому для уравнивания порядков значений переменных данные стандартизируются, чтобы среднее каждой переменной стало равной нулю, а стандартное отклонение равнялось единице:

, (4)

где - новое значение переменной,

- первоначальное значение переменной,

- среднее значение,

- стандартное отклонение.

После стандартизации данных спецификация модели выглядит следующим образом:

(5)

где - рентабельность активов компании i в 2017 году.

Чтобы проконтролировать разницу влияния качества сайта компании на результаты ее деятельности среди различных индустрий и регионов на первом этапе строится модель без включения региона и сектора. Затем данные переменные включаются в модель, так становится возможным увидеть их вклад в модель, а также отследить значимость различий между разными уровнями.

Для проверки второй гипотезы, в первую очередь, данные стандартизируются с использованием формулы 4, указанной выше.

Спецификации модели для определения веб метрик, которые имеют большее влияние, выглядят следующим образом:

(6)

(7)

(8)

Затем все построенные модели сравниваются и формируются выводы.

3.2 Описание данных

Для практической части работы была использована база данных, предоставленная международной лабораторией экономики нематериальных активов. База данных включает в себя информацию по восьми веб метрикам по 2000 крупнейшим компаниям мира по версии журнала Forbes за 2017 год. Кроме того, для отражения финансовых результатов были использованы списки Forbes Global 2000 2010 года и 2018 года, взятые из открытых источников.

После отсечения наблюдений с пропусками значений в данных остались 1088 компаний, которые являются представителями 56 стран, которые были разделены по регионам (таблица 3). Отметим, что примерно треть компаний в базе данных из США, а вся Америка составляет почти 40% наблюдений. Европейские компании, также занимают почти треть наблюдений, однако с более равномерным распределением внутри, где максимальный процент набрало Соединенное королевство (6%). На третьей позиции среди частей света расположилась Азия (25% компаний), с максимальным значением у Японии (7%).

Таблица 5

Статистика по регионам

Регион	Число компаний	Страна	%
Америка	427 (39%)	США	33%
		Канада	3%
		Бразилия	1%
		Мексика	1%
		Другие	1%
Европа	354 (33%)	Соединенное Королевство	6%
		Франция	4%
		Германия	4%
		Швейцария	3%
		Швеция	2%
		Италия	2%
		Россия	2%
		Другие	9%
Азия	272 (25%)	Япония	7%
		Индия	4%
		Китай	3%
		Гонконг	2%
		Южная Корея	2%
		Другие	7%
Австралия	26 (2%)	Австралия	2%
Африка	9 (1%)	Южная Африка	1%

Компании из базы данных ведут деятельность более чем 80 индустриях, которые объединены в 11 секторов (таблица 6). Четверть компаний из базы данных ведут финансовую деятельность, при этом максимальный процент составляют региональные банки (11%). По 16% компаний вошли в сектор товаров не первой необходимости и индустриальный сектор. Далее следуют сектор производства материалов, и информационные технологии, которые составили по 9% и 7% соответственно.

Таблица 6

Статистика по секторам

Сектор	Число компаний	Индустрия	%
Финансовый сектор	270 (25%)
		Региональные банки	11%
		Ведущие банки	4%
		Инвестиционные услуги	3%
		Страхование	3%
		Другие	4%
Второстепенные потребительские товары	168 (16%)
		Уход за собой и домом	2%
		Автозапчасти	2%
		Авто производители	2%
		Электроника	1%
		Другие	9%
Индустриальный сектор	163 (16%)
		Бизнес и персональные услуги	3%
		Конгломераты	2%
		Авиалинии	2%
		Строительство	2%
		Другие	7%
Материалы	99 (9%)
		Добыча полезных ископаемых	2%
		Специализированные химические вещества	2%
		Многоотраслевые химические вещества	2%
		Другие	3%
Информационные технологии	80 (7%)
		Полупроводники	2%
		Программное обеспечение	2%
		Компьютерные услуги	2%
		Другие	1%
Энергетический сектор	70 (6%)
		Нефтегазовые операции	4%
		Другое индустриальное оборудование	1%
		Нефтяные услуги и оборудование	1%
Товары первой необходимости	65 (6%)
		Производство продуктов питания	3%
		Розничная торговля продуктами питания	3%
Здравоохранение	64 (6%)
		Фармацевтические препараты	3%
		Другие	3%
Коммунальные услуги	48 (4%)
		Электричество	3%
		Природный газ	1%
Телекоммуникации	34 (3%)
		Телекоммуникации	3%
Недвижимость	27 (2%)
		Недвижимость	2%

Описательные статистики контрольных переменных представлены в таблице 7. Средний возраст компаний превысил 70 лет с максимальным значением 545. Максимальное количество работников превысило 600 тысяч человек при среднем около 56 тысяч. При этом среднее значение выручки составляет примерно 22 миллиарда долларов, а активов около 114 миллиардов долларов.

Таблица 7

Описательные статистики переменных

	Среднее	Стандартное отклонение	Минимум	Максимум
Возраст (лет)	70.45	54.12	1.00	545.00
Количество работников (чел.)	55 766.83	84 402.75	7.00	626 715.00
Активы (млн. долларов)	113 812.95	338 900.65	0.00	4 210 900.00
ROA2010	0.04	0.08	-0.46	1.05
Выручка (млн. долларов)	22 229.90	34 841.13	11.00	321 800.00
ROA2017	0.05	0.12	-0.30	3.42
Рыночная стоимость (млн. долларов)	36 580.84	69 405.96	337.00	926 900.00

Описательные статистики веб метрик представлены в таблице 8. Стоит отметить сильную неоднородность данных. В то время как значение Web of Trust изменяется только от одного до пяти и имеет среднее 4.51, максимальное количество проиндексированных страниц в Bing превышает 2 миллиарда при среднем в 73 миллиона.

Таблица 8

Описательные статистики веб метрик

	Среднее	Стандартное отклонение	Минимум	Максимум
Citation Flow	45.69	10.19	10.00	95.00
Number of Indexed Pages by Google	233 809.86	5 189 781.32	0.00	167 000 000.00
Number of Indexed Pages by Bing	2 962 046.43	73 443 297.49	1.00	2 290 000 000.00
Alexa Rank	6 089.26	52 074.87	6.00	903 833.00
SEMrush Rank	726 373.94	2 963 600.80	0.00	48 515 994.00
MozRank	6.33	0.64	0.00	8.71
Trust Flow	50.93	17.71	5.00	97.00
Web of Trust	4.51	0.62	1.00	5.00

Корреляционная матрица веб метрик представлена в таблице 9. Преимущественно все веб метрики имеют слабую прямую связь. Исключением является SEMrush, так как у данной метрики минимальное значение соответствует максимально высокому уровню качества сайта, поэтому связь с другими метриками является обратной.

Таблица 9

Корреляционная матрица веб метрик

	MozRank	Alexa	Citation Flow	Google	SEMrush	Trust Flow	Bing	Web of Trust
MozRank	1.00
Alexa	0.18	1.00
Citation Flow	0.49	0.36	1.00
Google	0.06	0.61	0.18	1.00
SEMrush	-0.25	-0.03	-0.27	-0.01	1.00
Trust Flow	0.47	0.21	0.80	0.10	-0.26	1.00
Bing	0.09	0.49	0.17	0.21	-0.01	0.09	1.00
Web of Trust	0.27	0.08	0.41	0.03	-0.12	0.44	0.03	1.00

Для лучшего понимания структуры данных о качестве сайта компаний, проводится кластерный анализ. В первую очередь, используется иерархический метод с помощью построения дендрограммы (рисунок 1).

Рис. 1. Дендрограмма

Такое графическое представление данных позволяет понять, на каких уровнях данные группируются и имеют минимальные различия. Так, представляется эффективным разделить данные на три кластера по уровню качества сайта.

График суммы квадратов расстояний по кластерам представлен на рисунке 2 и также подтверждает предположение об эффективности выделения трех кластеров.

Рис. 2. График суммы остатков

После определения оптимального количества кластеров, происходит само разделение на кластеры с помощью метода k-средних, которое заключается в минимизации отклонений точек от центра кластера. Отклонение рассчитывается с использование евклидового расстояния точек x и y в n-мерном пространстве:

, (9)

Для получения корректных результатов перед формированием кластеров данные стандартизируются, чтобы среднее каждой переменной стало равной нулю, а стандартное отклонение равнялось единице:

, (10)

где - новое значение переменной,

- первоначальное значение переменной,

- среднее значение,

- стандартное отклонение.

84% наблюдений были отнесены к одному и тому же кластеру с использованием иерархического подхода и метода k-средних. Описательные статистики показателей по каждому кластеру, определяемому с помощью метода k-средних, представлены в таблице 10.

Так, стоит отметить, что в первый кластер попали компании с самым низким уровнем качества сайтов, в то время как в третьем кластере компании с максимальными средними значениями веб метрик. Самым многочисленным, как и следовало ожидать, оказался кластер с компаниями со средним уровнем качества сайта.

Таблица 10

Средние величины показателей по кластерам

Кластер	1	2	3
Citation Flow	35.77	46.14	60.13
Google	5 458.27	18 785.20	1 227 506.86
Bing	3 517.25	32 677.86	16 257 450.83
Alexa	352.30	1 381.20	29 017.82
SEMrush	1 838 303.66	357 169.84	42 952.46
MozRank	5.81	6.41	6.92
Trust Flow	30.22	54.70	72.78
Web of Trust	4.00	4.63	4.97
N	313	578	197
	29%	53%	18%

Далее необходимо по каждому получившемуся кластеру сравнить показатели эффективности, в число которых вошли рентабельность активов (ROA), оборачиваемость активов, выручка и рыночная стоимость компании. В сравнении участвуют медианные, а не средние значения, так как они менее подвержены влиянию выбросов. Сравнение показатели эффективности среди кластеров представлено в таблице 11.

Таблица 11

Сравнение показателей эффективности компаний по кластерам

Кластер	1	2	3
Рентабельность активов (ROA)	0.03	0.04	0.05
Оборачиваемость активов	0.37	0.48	0.60
Выручка	7 200	11 700	17 800
Рыночная стоимость	9 700	18 200	38 000

Заметно, что кластеру с низким уровнем качества сайта соответствуют также более низкие показатели эффективности деятельности, а с ростом уровня растут и показатели эффективности.

Простого сравнения медиан недостаточно, так как они могут различаться, но незначительно. Поэтому далее необходимо провести тест Краскела-Уоллиса для проверки равенства медиан. Нулевой гипотезой данного теста является предположение о равенстве медиан среди нескольких выборок. Результаты представлены в таблице 12.

Таблица 12

Тест на равенство медиан

	Значение статистики	P-value
Рентабельность активов (ROA)	4.02	0.13
Оборачиваемость активов	21.60	0.00
Выручка	103.59	0.00
Рыночная стоимость	192.03	0.00

Гипотеза о равенстве медиан выручки, рыночной стоимости и оборачиваемости активов среди кластеров отвергается на любом уровне значимости. Вывод о различиях рентабельности активов среди трех кластеров можно сделать лишь на 15% уровне значимости. Таким образом, можно подтвердить, что компании с более высоким уровнем качества сайта имеют более высокие показатели эффективности работы.

4. Результаты исследования

Для проверки гипотез, в первую очередь, рассчитывается общий индекс, отражающий уровень качества сайта, учитывающий значения восьми веб метрик. Описательные статистики данного индекса представлены в таблице 13. Индекс принимает значения от 160 до 678, со средним чуть больше 350.

Таблица 13

Описательные статистики рассчитанного индекса

	Медиана	Среднее	Стандартное отклонение	Минимум	Максимум
Website Quality	354.3	351.8	48.5	160.4	678.2

В таблице 14 представлены корреляции веб метрик с рассчитанным индексом. Стоит отметить, что индекс качества сайта, рассчитанный с использованием восьми веб метрик, имеет достаточно сильную прямую связь со всеми веб метриками кроме SEMrush, связь с которым является обратной. Кроме того, имеют отличия Bing и Google, связь с которыми ниже чем с другими показателями, что может быть связано с несогласованностью данных метрик с другими.

Таблица 14

Корреляции индекса и веб метрик

	Website Quality
MozRank	0.61
Alexa	0.42
Citation Flow	0.87
Google	0.26
SEMrush	-0.38
Trust Flow	0.88
Bing	0.24
Web of Trust	0.67

Включение в модель таких факторов как регион и сектор подразумевает наличие различий в значениях качества сайта компании на разных уровнях. Для контроля влияния качества сайта компании на регионах и секторах в таблице 15 отмечены медианы используемого индекса, демонстрирующего уровень качества сайта компании. В связи с недостаточностью простого сравнения медиан также в таблице представлены результаты теста Краскела-Уолиса на равенство медиан в нескольких выборках.

Таблица 15

Медианы индекса на уровне регионов и секторов

Уровень	Медиана	Тест Краскела-Уоллиса
Информационные технологии	397.38	Значение статистики
Телекоммуникации	373.32	117.68
Здравоохранение	366.30	p-value
Второстепенные потребительские товары	360.77	0.00
Индустриальный сектор	360.59
Первостепенные потребительские товары	346.80
Финансовый сектор	346.09
Материалы	345.36
Энергетический сектор	344.28
Коммунальные услуги	338.06
Недвижимость	319.66
Америка	365.80	Значение статистики
Европа	354.75	61.18
Австралия	354.26	p-value
Азия	342.48	0.00
Африка	318.41

Как и следовало предполагать, максимальное медианное значение соответствует сектору информационных технологий. Также высокие значения уровня качества сайта имеют компании из таких секторов, как: телекоммуникации, здравоохранение и индустриальный сектор. Минимальные значения медиан индекса соответствуют сектору коммунальных услуг и недвижимости. Тест Краскела-Уолиса показал, что гипотеза о равенстве медиан отвергается на любом уровне значимости. Среди регионов результаты проверки медиан индекса оказались также достаточно очевидны. Максимальное значение соответствует Америке, затем следует Европа, Австралия и Азия. Африке соответствует минимальное значение. Результаты теста Краскела-Уолиса также показали, что гипотеза о равенстве медиан отвергается на любом уровне значимости.

Результаты построения регрессии для оценки влияния качества сайта компании на результаты ее деятельности для проверки первой гипотезы с использованием выручки в качестве зависимой переменной представлены в таблице 16.

Таблица 16

Результаты регрессионного анализа c использованием выручки в качестве зависимой переменной

	модель 1 (y=sales)
	оценка	p-value	оценка	p-value	оценка	p-value	оценка	p-value
Качество сайта	0.92***	0.00	0.74***	0.00	0.51***	0.00	0.40**	0.01
Константа	-3.58***	0.00	-3.35***	0.00	-2.20**	0.01	-1.93**	0.03
Возраст	-0.02	0.40	-0.02	0.47	0.01	0.66	0.01	0.62
Количество работников	0.45***	0.00	0.45***	0.00	0.29***	0.00	0.29***	0.00
Активы	0.30***	0.00	0.31***	0.00	0.58***	0.00	0.58***	0.00
Регион			вкл.	4/4 знач.			вкл.	2/4 знач.
Сектор					вкл.	7/10 знач.	вкл.	7/10 знач.
R2	0.60		0.60		0.72		0.73
adj R2	0.60		0.60		0.72		0.72
N	1086		1086		1086		1086

Коэффициент значим *на уровне 10%; ** на уровне 5%, *** на уровне 1%

В первую очередь, стоит отметить, что из данных были исключены два наблюдения с нулевыми активами. Так, количество наблюдений составило 1086. Модель демонстрирует, что возраст компании не оказывает значимого влияния на размер выручки, однако количество работников и активы положительно влияют на выручку. Качество сайта также оказалось положительно связано с размерами выручки компании. Включение в модель таких факторов как сектор и регион, в которых осуществляет деятельность компания, позволяет сделать вывод о существовании значимых отличий между различными регионами и секторами, так как большая часть включенных переменных оказалась значима.

Таблица 17

Результаты регрессионного анализа c использованием рыночной стоимости в качестве зависимой переменной

	модель 2 (y=MV)
	оценка	p-value	оценка	p-value	оценка	p-value	оценка	p-value
Качество сайта	2.62***	0.00	2.29***	0.00	1.81***	0.00	1.59***	0.00
Константа	-9.80***	0.00	-7.92***	0.00	-6.59***	0.00	-4.85***	0.00
Возраст	-0.09***	0.00	-0.09***	0.00	-0.03	0.33	-0.03	0.31
Количество работников	0.18***	0.00	0.19***	0.00	0.04**	0.06	0.05**	0.02
Активы	0.27***	0.00	0.28***	0.00	0.56***	0.00	0.57***	0.00
Регион			вкл.	0/4 знач.			вкл.	2/4 знач.
Сектор					вкл.	6/10 знач.	вкл.	5/10 знач.
R2	0.37		0.39		0.51		0.53
adj R2	0.36		0.39		0.50		0.52
N	1086		1086		1086		1086

Коэффициент значим *на уровне 10%; ** на уровне 5%, *** на уровне 1%

Также стоит отметить, что качество модели является достаточно высоким, без включения сектора и региона скорректированный коэффициент детерминации имеет значение 0.6, а в финальной модели уже 0.72.Результаты второй модели с использованием рыночной стоимости компании говорят об обратной зависимости возраста компании и ее рыночной стоимости, а также о прямой зависимости количества работников и величины активов. Индекс, отражающий уровень качества сайта компании значим с положительным знаком. Включение в модель факта принадлежности компании к определенному региону или сектору значительно улучшило качество модели, повысив скорректированный коэффициент детерминации с 0.36 до 0.52.

Таблица 18

Результаты регрессионного анализа c использованием рентабельности активов в качестве зависимой переменной

	модель 3 (y=ROA2017)
	оценка	p-value	оценка	p-value	оценка	p-value	оценка	p-value
Качество сайта	0.12***	0.00	0.10**	0.01	0.03	0.41	0.02	0.57
Константа	0.00	1.00	-0.36	0.27	0.44***	0.00	0.34	0.28
Возраст	-0.08**	0.02	-0.08**	0.03	-0.03	0.40	-0.04	0.29
Количество работников	0.01	0.77	0.01	0.72	-0.06	0.11	-0.06	0.11
ROA2010	0.28***	0.00	0.28***	0.00	0.18***	0.00	0.18***	0.00
Регион			вкл.	0/4 знач.			вкл.	0/4 знач.
Сектор					вкл.	6/10 знач.	вкл.	6/10 знач.
R2	0.10		0.10		0.24		0.25
adj R2	0.09		0.09		0.23		0.23
N	705		705		705		705

Коэффициент значим *на уровне 10%; ** на уровне 5%, *** на уровне 1%

Кроме того, из данных результатов можно также сделать вывод о существовании значимого различия между регионами и секторами. В третьей модели зависимой переменной стала рентабельность активов за 2017 год. Количество наблюдений было сокращено до 705 из-за необходимости включения индикатора прошлых результатов деятельности (ROA2010). Отметим, что в модели была обнаружена обратная зависимость рентабельности активов от возраста компании. Влияние количества работников оказалось незначимым. Рентабельность активов 2010 года и качество сайта оказывают значимое влияние с положительным знаком. Включение в модель дамми на регион и сектор привело к потере значимости всех переменных кроме рентабельности активов 2010 года, что заставляет отказаться от использования данных факторов. Кроме того, стоит отметить достаточно низкое качество модели с использованием рентабельности активов по сравнению с другими моделями, указанными выше.

Отметим, что качества сайта оказалось значимым для всех трех моделей. Таким образом, можно подтвердить первую гипотезу о значимом положительном влиянии качества сайта компании на результаты ее деятельности. Кроме того, для двух моделей подтвердили свою значимость переменные, отвечающие за отметку о принадлежности компании к определенному сектору или региону.

Для проверки второй гипотезы и определения наиболее значимых метрик строится модель с включением отдельных веб метрик, результаты которой представлены в таблице 19.

Прежде всего, отметим, что влияние контрольных переменных аналогично модели с использованием индекса качества сайта компании. При зависимой переменной выручке значимы оказались пять из восьми веб метрик, однако одна из них оказалась значима с отрицательным знаком. При использовании рыночной стоимости компании как показателя результатов деятельности компании также пять метрик подтвердили свою значимость, среди которых MozRank также имеет отрицательный знак. В третьей модели с рентабельностью активов в качестве зависимой переменной лишь одна метрика оказалась значима. Качество данной модели снова оказалось ниже по сравнению с использованием выручки или рыночной стоимости как показателей деятельности компании.

Таблица 19

Результаты регрессионного анализа с включением отдельных метрик

	модель 1 (y=sales)	модель 2 (y=mv)	модель 3 (y=ROA2017)
	оценка	p-value	оценка	p-value	оценка	p-value
MozRank	-0.09***	0.00	-0.17***	0.00	0.07*	0.08
Alexa	0.07*	0.05	0.17***	0.00	0.07	0.24
Citation Flow	0.11**	0.01	0.33***	0.00	0.01	0.85
Google	0.05*	0.07	0.20***	0.00	-0.07	0.16
SEMrush	-0.01	0.79	-0.01	0.60	0.00	0.95
Trust Flow	0.11**	0.01	0.00	0.93	0.04	0.49
Bing	-0.01	0.68	0.13***	0.00	-0.04	0.29
Web of Trust	-0.01	0.63	0.00	0.86	0.03	0.39
Константа	0.00	1.00	0.00	1.00	0.00	1.00
Возраст	0.03	0.23	-0.02	0.45	-0.08**	0.02
Количество работников	0.44***	0.00	0.18***	0.00	0.01	0.69
ROA2010					0.28***	0.00
Активы	0.24***	0.00	0.23***	0.00
R2	0.42		0.45		0.11
adj R2	0.41		0.45		0.09
N	1086		1086		705

Коэффициент значим *на уровне 10%; ** на уровне 5%, *** на уровне 1%

Таким образом, для всех трех моделей значимой переменной оказался только MozRank и лишь в одной с положительным знаком. В двух из трех моделей значимыми с положительным знаком оказались: Alexa, Citation Flow, количество проиндексированных страниц в Google. Кроме того, в отдельных моделях значимыми стали Trust Flow и количество проиндексированных страниц в Bing. Так, вторая гипотеза может быть частично отвергнута. Отрицательная зависимость некоторых веб метрик может быть объяснена нелинейностью их связи с показателями результатов деятельности компании. Для проверки этого предположения в модель включаются квадраты исследуемых веб метрик (таблица 20). Стоит отметить, что в модели остались квадраты только тех веб метрик, которые оказались значимы.

Таблица 20

Результаты регрессионного анализа с включением квадратов веб метрик

	модель 1 (y=sales)	модель 2 (y=mv)	модель 2 (y=ROA2017)
	Оценка	p-value	оценка	p-value	оценка	p-value
MozRank	-0.46***	0.00	-1.58***	0.00	0.06	0.12
MozRank2	0.37**	0.01	1.45***	0.00
Alexa	0.86***	0.00	1.50***	0.00	0.15**	0.04
Alexa2	-0.73***	0.00	-1.25***	0.00
Citation Flow	0.31*	0.07	0.16***	0.00	0.89**	0.01
Citation Flow2	-0.28*	0.09			-0.99***	0.00
Google	0.09**	0.01	-0.49	0.24	3.76**	0.01
Google2			0.72*	0.08	-3.74**	0.01
SEMrush	-0.01	0.68	-0.16***	0.00	0.02	0.69
SEMrush2			0.12**	0.02
Trust Flow	0.11**	0.01	0.02	0.51	-0.40*	0.09
Trust Flow2					0.47*	0.06
Bing	-0.37**	0.01	-0.77***	0.00	-5.97**	0.01
Bing2	0.29**	0.02	0.89***	0.00	5.32**	0.01
Web of Trust	-0.02	0.51	-0.02	0.49	0.03	0.54
Константа	0.00	1.00	0.00	1.00	0.00	1.00
Возраст	0.04	0.13	0.00	0.98	-0.08**	0.02
Количество работников	0.43***	0.00	0.15***	0.00	0.01	0.73
ROA2010					0.28***	0.00
Активы	0.25***	0.00	0.24***	0.00
R2	0.44		0.58		0.12
adj R2	0.43		0.58		0.10
N	1086		1086		705

Коэффициент значим *на уровне 10%; ** на уровне 5%, *** на уровне 1%

Так, в первой модели квадратичную зависимость подтвердили MozRank, количество проиндексированных страниц в Bing, Alexa rank и Citation Flow. Во второй - Citation Flow, SEMrush и количество проиндексированных страниц в Google и Bing, Alexa. В третьей - Trust Flow и количество проиндексированных страниц в Bing, Citation Flow и количество проиндексированных страниц в Google. Качество каждой из трех моделей, измеренное с помощью скорректированного коэффициента детерминации, стало выше после включения квадратов некоторых веб метрик, при этом влияние контрольных переменных остается стабильным.

Таким образом, можно подвести итоги по каждой веб метрике (таблица 21).

Таблица 21

Результаты значимости отдельных веб метрик в регрессиях

	Модель 1 (y = Sales)	Модель 2 (y = ROA)	Модель 3 (y = MV)
	Без кв.	С кв.	Без кв.	С кв.	Без кв.	С кв.
MozRank	Знач. ( -)	Знач. (+)	Знач. ( -)	Знач. (+)	Знач. (+)
Alexa	Знач. (+)	Знач. (-)	Знач. (+)	Знач. (-)		Лин. Зав. (+)
Citation Flow	Знач. (+)	Знач. (-)	Знач. (+)	Лин. Зав. (+)		Знач. (-)
Google	Знач. (+)	Лин. Зав. (+)	Знач. (+)	Знач. (+)		Знач. (-)
SEMrush				Знач. (+)
Trust Flow	Знач. (+)	Лин. Зав. (+)				Знач. (+)
Bing		Знач. (+)	Знач. (+)	Знач. (+)		Знач. (+)
Web of Trust
(+) Линейная зависимость с положительным знаком / квадратичная зависимость с ветвями вверх	(-) Линейная зависимость с отрицательным знаком / квадратичная зависимость с ветвями вниз

Исходя из таблицы, можно сделать следующие выводы:

· MozRank оказался значим в трех регрессиях при исследовании линейных зависимостей, однако в двух с отрицательным знаком. Включение в модель квадрата данной метрики позволило обнаружить квадратичную зависимость с ветвями вверх.

· Квадратичную зависимость с Alexa rank удалось обнаружить в двух из трех моделей, в обеих с ветвями вниз, положительная линейная зависимость была обнаружена также в двух моделях.

· Квадрат Citation Flow значим в двух моделях с отрицательным знаком и также в двух моделях была обнаружена положительная линейная зависимость.

· Количество проиндексированных страниц в Google показало достаточно противоречивые результаты. Без включения в модель квадрата метрики, она была значима с положительным знаком в двух моделях, при включении квадрата метрики в одной из модели коэффициент оказался положительным, в то время как в другой отрицательным. Такой эффект может быть объяснен спецификой деятельности отдельных компаний. Так, например, наибольшее число проиндексированных страниц составило 167 миллионов и было отмечено у Amazon, который является крупнейшим рынком электронной коммерции.

· SEMrush оказался незначим почти для всех моделей.

· У Trust Flow в одной модели была обнаружена положительная линейная зависимость, и также в одной квадратичная с ветвями вверх.

· Квадрат количества проиндексированных страниц в Bing оказался положительным для всех трех моделей.

· Web of Trust не подтвердил свою значимость ни в одной из моделей, что может быть вызвано малой вариативностью наблюдений, так как 1074 из 1088 наблюдений получили балл 4 или 5.

Таким образом, можно подтвердить наличие квадратичной зависимости для MozRank, количества проиндексированных страниц в Bing, Alexa rank и Citation Flow. Первые две из отмеченных метрик имеют положительный знак перед квадратом переменной, что говорит о том, что для максимизации результатов деятельности необходимо максимизировать и эти метрики. Третья и четвертая метрики имеют отрицательные знаки. Так как перед расчетами данные были стандартизированы, то необходимы дальнейшие расчеты для определения оптимальных значений данных метрик. Кроме того, стоит отметить значимое прямое влияние на результаты деятельности компании следующих метрик: количество проиндексированных страниц в Google и Trust Flow.

Подводя итог, необходимо отметить, что было продемонстрировано, что качество сайта компании оказывает значимое положительное влияние на результаты деятельности компании, что позволяет подтвердить первую гипотезу. Кроме того, было определено, что шесть из восьми исследуемых метрик заслуживают большего внимания, что частично подтверждает вторую гипотезу. Также было показано, что некоторые из выделенных метрик имеют нелинейную связь с результатами деятельности компании.

Заключение