Использование программы SPSS при проведении маркетинговых исследований

Сбор вторичной информации по предмету исследования, как правило, предшествует сбору первичной информации. По критериям доступности, стоимости, оперативности получения вторичная информация имеет преимущества перед первичной. Однако неполнота, неполная адекватность задачам анализа, несвоевременность данных являются недостатком вторичной информации. Например, данные переписи населения содержат демографические характеристики жителей, однако не содержат сведений об их марочных предпочтениях.

Сбор первичной информации, как правило, дороже и длительнее по времени, однако в результате можно получить более ценную и детальную информацию. Выбор между вторичной и первичной информацией связан с затратами, валидностью и эффективностью этих вариантов. В действительности многие проекты маркетинговых исследований комбинируют вторичную и первичную информацию для получения полного ответа на маркетинговые вопросы.

Для сбора первичной информации разрабатывается план выборки -- система решений о единице, размере и процедуре выборки. Сначала необходимо решить, что изучать. Предположим, необходимо провести опрос потребителей. Обычно делают выводы о больших группах объектов (потребителей, компаний) путем изучения малых образцов, или выборки, из общей совокупности этих объектов. Вся группа объектов (людей в данном случае), которые исследователи хотят изучить, называется популяция (population). Так, например, для политической кампании популяцию составляют все избиратели. Для исследования рынка йогуртов -- все потребители йогурта.

Поскольку опросить всех потребителей невозможно, выбирается лишь часть всех потребителей, или образец, отражающий свойства всей группы. Этот образец называется выборкой. Выборка ( sample) -- это часть исследуемой группы объектов (потребителей), выбранная для маркетингового исследования и представляющая всю группу. Выборка должна отражать целевой рынок, т. е. представлять его характеристики, или быть репрезентативной.

План выборки содержит ответы на три вопроса: Божук С.Г., Ковалик Л.Н. Маркетинговые исследования. - СПб.: Питер, 2003.

1. Во-первых, это единица выборки ( sampling unit), т. е. кого нужно опрашивать. Исследователь должен определить, какая информация необходима и кто наиболее вероятно ею располагает. Так, например, если нужно исследовать поведение потребителей сотовых телефонов, стоит вопрос: кого опрашивать -- студентов, бизнесменов, школьников, врачей, продавцов или всех их?

2. Второй вопрос плана выборки -- как много людей должно быть опрошено, или размер выборки ( sample size). Большие выборки дают более надежные результаты, чем малые. Однако для надежных результатов совсем необязательно опрашивать большинство людей популяции. Хорошо сформированная выборка, составляющая менее одного процента популяции, часто может дать хорошую надежность.

3. Третий вопрос плана выборки: как выборка должна формироваться, или процедура выборки ( sampling procedure). Выборка может быть случайной, вероятностной ( probability sample), или неслучайной, невероятностной ( nonprobability sample). Случайная выборка дает каждому члену совокупности, или популяции, известный и одинаковый шанс быть выбранным, и ошибка выборки может быть измерена. Однако если случайная выборка слишком дорого обходится или требует слишком длительного времени, может использоваться неслучайная выборка. Хотя ошибка неслучайной выборки не может быть измерена. Метод выборки зависит от потребностей исследования. Нередко методы комбинируются.

После составления плана выборки принимается решение об инструментах исследования. Основные инструменты -- опросный лист и электронно-механические средства. Опросный лист -- традиционное средство сбора первичной информации: лично, по телефону или через Интернет. Нужно решить, какие вопросы задавать, в каком порядке их расположить. Закрытые вопросы (с вариантами выбора) дают ответы, легко табулируемые и интерпретируемые. Открытые вопросы (со свободной формой ответа) более полезны в предварительном, разведывательном исследовании. Первый вопрос листа должен пробуждать интерес респондента, а последний может быть наиболее трудным. Электронно-механические инструменты -- сканеры, счетчики посещений веб-страниц считывают информацию автоматически.

Собранная информация должна быть подготовлена к последующему анализу -- ведется поиск ошибок и их устранение. Так, например, анкеты с пропущенными ответами либо признаются недействительными и не используются в дальнейшем, либо дорабатываются с респондентами при повторном контакте, если это возможно.

1.5. Анализ, интерпретация данных и презентация результатов исследования.

2.1 Модули программы SPSS

Основу программы составляет базисный модуль, предоставляющий разнообразные возможности регистрации и изменения информации. Он содержит методы анализа, которые применяются чаще всего. Этот модуль входит в базовую поставку и включает все процедуры ввода, отбора и корректировки данных. Наряду с простыми методиками статистического анализа данных - частотный анализ, расчет статистических характеристик, таблицы сопряженности, корреляции, построение графиков - этот модуль включает непараметрические тесты (непараметрические тесты не учитывают параметры распределения, т.е. средние значения и дисперсию), а также усложненные методы анализа данных: многомерный линейный регрессионный анализ, дискриминационный анализ, факторный анализ, кластерный, дисперсионный. Традиционно вместе с базисным модулем поставляются еще два модуля: Advanced Models (усложненные модели) и Regression Models (регрессионные модели). Эти три модуля охватывают тот спектр методов анализа данных, который входил в раннюю версию программы для больших ЭВМ.

Regression Models. Данный модуль включает в себя различные методы регрессионного анализа, такие как бинарная и многозначная логистическая регрессия, нелинейная регрессия и пробит-анализ.

Advanced Models. В этот модуль входят различные методы дисперсионного анализа (многомерный, с учетом повторных измерений), необходимые после применения общих линейных моделей, включая метод Каплана-Майера и регрессию Кокса, а также логлинейные модели.

Наряду с упомянутыми модулями существует еще ряд специальных дополнительных модулей и самостоятельных программ, число которых постоянно увеличивается. Перечислим существующие на сегодняшний день модули и программы, расширяющие возможности SPSS.

Tables. Модуль служит для создания презентационных таблиц. Здесь предоставляются более широкие возможности по сравнению с упрощенными частотными таблицами и таблицами сопряженности, которые строятся в базисном модуле.

Amos. (Analysis of moment structures - анализ моментных структур.) Включает методы анализа с помощью линейных структурных уравнений. Целью программы является проверка сложных теоретических связей между различными признаками случайного процесса и их описание при помощи подходящих коэффициентов. Проверка проводится в форме причинного анализа и анализа траектории. При этом пользователь в графическом виде должен задать теоретическую модель, в которую вместе с данными непосредственных наблюдений могут быть включены и так называемые скрытые элементы. Программа Amos включена в состав модулей расширения SPSS как приемник LISREL (Linear Structural RELationships - линейные структурные взаимоотношения).

Answer Tree (дерево решений). Включает 4 различных метода деления популяции на отдельные семейства (сегменты) с помощью заранее заданных категориальных переменных. Деление проводится таким образом, что зависимая переменная в различных сегментах принимает значимо различающиеся значения. Типичным примером применения данного метода является создание характерных профилей покупателей при исследовании потребительского рынка.

Categories. Модуль содержит различные методы для анализа категориальных данных, а именно: метод анализа соответствия и три метода оптимального масштабирования (анализ однородности, нелинейный анализ главных компонентов, нелинейный канонический анализ корреляции).

Clementine. Это программа для моделирования процесса распространения информации, в которой пользователю предлагаются многочисленные подходы к построению моделей (нейронные сети, виды регрессионного анализа).

Conjoin (анализ совместимости). Применяется при исследовании рынка для изучения потребительских свойств продуктов на предмет их привлекательности. При этом опрашиваемые респонденты должны по своему усмотрению расположить предлагаемые наборы потребительских свойств продуктов в порядке предпочтения. На основании этого выводятся так называемые частичные показатели полезности отдельных категорий каждого потребительского свойства.

Data Entry (ввод данных). Программа предназначена для быстрого составления вопросников и ввода данных. Этот модуль генерирует анкеты и шаблоны для ввода данных с монитора, в которых выбранные ранее вопросы и категории ответов опросника потом используются в качестве меток переменных и значений.

Точные тесты. Этот модуль служит для точного вычисления вероятности ошибки (величины р) в условиях ограниченности данных при проверке по критерию ч-квадрат, а также при непараметрических тестах.

GOLD MineR. Программа содержит специальную регрессионную модель для регрессионного анализа упорядоченных зависимых и независимых переменных.

Sample Power. При помощи данной программы может быть определен оптимальный размер выборки для большинства статистических анализов, используемых в SPSS.

SPSS Missing Value Analysis. Данный модуль служит для анализа и восстановления закономерностей, которым подчиняются отсутствующие значения. Он предоставляет различные варианты замены недостающих значений.

Таким образом, можно сказать, что программно - аналитический комплекс SPSS является на сегодняшний день наиболее универсальным инструментом для осуществления статистической обработки разнообразных социологических данных с учетом их специфики.

Главное окно программы SPSS представляет собой электронную таблицу с панелью инструментов и пунктами меню, в которой и предстоит работать пользователю (аналогичная сетке программы Excel). Для дальнейшей работы необходимо либо загрузить уже имеющиеся данные из файла с расширением *.sav, либо ввести новые данные, сохранив их в файле ИМЯ.sav . При вводе каждой переменной необходимо задать:

· имя переменной;

· тип переменной;

· пропущенные значения;

· метку переменной.

2.2 Основные методы статистического анализа, применяемые в SPSS

Кластерный анализ.

Кластерный анализ -- метод классификации объектов по заданным признакам. Задача кластерного анализа состоит в формировании групп:

• однородных внутри (условие внутренней гомогенности);

• четко отличных друг от друга (условие внешней гетерогенности).

Целью кластерного анализа в маркетинге является определение целевых групп потребителей, для которых было бы целесообразно разработать специальное торговое предложение, т.е. уникальную комбинацию инструментов маркетинга.

Пример: курильщики сигар, возраст и уровень доходов которых известны, исследуются на предмет возможности их разделения на однородные группы (кластеры) (рис. 2).

В варианте В однородные кластеры не выявлены. Следовательно, целенаправленная дифференциация торгового предложения невозможна.

В варианте А выявлены две однородные группы курильщиков сигар: «старые и бедные», «молодые и богатые», которых можно считать двумя целевыми группами потребителей. В этом случае целесообразно разработать два специальных торговых предложения -- уникальных по цене, уровню качества продукции, упаковке, системе продвижения товара и т.д. Элементы, включаемые в один и тот же кластер, имеют разную степень схожести (уровень отличия друг от друга). Техника кластерного анализа заключается в выявлении уровня схожести всех исследуемых элементов и последовательном объединении элементов в порядке возрастания уровня различия между ними. Число выявленных кластеров зависит от заданного уровня схожести (различия) элементов, включаемых в один кластер.

Техника кластерного анализа может быть проиллюстрирована дендограммой, составляемой при помощи статистической компьютерной программы, втом числе SPSS (рис. 3).

На рис.3 изображен, в качестве примера, результат кластерного анализа 18 предприятий розничной торговли, которые предлагают в качестве «особого предложения» (товары со скидками) один и тот же набор продуктов (примерно 50 наименований): молочные продукты, чистящие средства, косметика и т.д.

Целью кластерного анализа в данном случае является ответ на вопрос: возможно ли разделение исследуемых предприятий розничной торговли на кластеры в зависимости от их ценовой политики в плане формирования «особых предложений»

В результате проведения кластерного анализа было выявлено три кластера: А, В и С (рис. 3). Предприятия розничной торговли 6, 18, 16, 1,5, 15 (кластер А), так же как и 12, 2, 9, 17, 10 (кластер С), проводят одинаковую ценовую политику при формировании «особых предложений» (это, в частности, магазины торговых сетей EDEKA и REWE).

Предприятия розничной торговли, вошедшие в кластер В («Прочие»), не имеют одинаковой ценовой политики, но, тем не менее, их «особые предложения» имеют схожую ценовую структуру. Их можно объединить в одну группу только при задании определенного допустимого уровня их отличия друг от друга.

При повышении допустимого уровня отличия исследуемых элементов (снижении требований к однородности кластера) возможно объединение кластеров В и С, а затем присоединения к ним кластера А.

Дискриминантный анализ.

Дискриминантный анализ проводится с целью выявления различий между исследуемыми группами. Например, могут быть исследованы группы потребителей конкурирующих товаров (или покупатели конкурирующих брендов) на предмет того, существуют ли различия между исследуемыми группами по заданным признакам. Иными словами, цель анализа -- выяснить, можно ли составить «типичный портрет покупателя» для каждой исследуемой группы по заданным характеристикам.

Пример. Владельцев BMW и VW возраст и доходы которых известны, исследуют на предмет того, можно ли разделить их (дискриминация) на две группы -- «типичных владельцев BMW» и «типичных владельцев VW», так, чтобы группы владельцев характеризовались определенным уровнем дохода и возрастом (рис.4).

На рис. 4 в системе координат заданных характеристик отмечены сочетания возраста и дохода каждого исследуемого владельца автомобилей (BMW и VW).

В ходе дискриминантного анализа предпринимается попытка разделить существующие группы автовладельцев по возрасту и уровню дохода при помощи дискриминантной линии. Дискриминантная линия должна быть проведена таким образом, чтоб комбинации характеристик владельцев автомобилей разных марок оказались расположенными по разные стороны линии и возможных пересечений было бы как можно меньше. В этом случае можно составить портрет «типичного владельца автомобиля определенной марки» по заданным характеристикам.

В варианте В возможны различные положения дискриминантной линии, при которых число пересечений будет в равной степени многочисленным. В данном случае невозможно разделить владельцев BMW и VW по уровню дохода и возрасту, т.е. не существует «портрета типичного владельца» BMW или VW.

В варианте А большая часть комбинаций уровней дохода и возраста владельцев VW лежит слева от дискриминантной линии, а владельцев BMW -- справа. Это говорит о том, что владельцы BMW характеризуются более высоким уровнем дохода и относительно молоды по сравнению с владельцами VW.

Характеристики «типичного потребителя», выявленные в результате проведения дискриминантного анализа, используются при прогнозировании поведения покупателей. Руководствуясь выявленными характеристиками «типичного покупателя», можно спрогнозировать, в пользу какого именно товара будет принято решение о покупке. В нашем примере (см. рис. 4) молодого человека с высоким уровнем дохода, желающего приобрести автомобиль, можно рассматривать как потенциального владельца BMW.

Если кластерный анализ выявляет возможность разбиения совокупности респондентов на группы, то дискриминантный анализ выявляет возможность установления различий уже существующих групп респондентов.

В настоящее время на практике для прогнозирования поведения потребителей используется более совершенный статистический метод -- логистической регрессии. Этот метод позволяет не только ответить на вопрос, какой именно товар потребитель выберет скорее всего, но и определить вероятность, с которой потребитель выберет тот или иной товар (зависимая переменная Y). В варианте В существует много возможностей проведения регрессионной линии, когда сумма квадратов расстояний от точек эмпирических значений до регрессионной линии будет примерно одинаковой. Возникает так называемый эффект пропеллера. В этом случае линейная зависимость между исследуемыми переменными отсутствует.

В варианте А можно найти наилучший вариант положения регрессионной линии при помощи метода наименьших квадратов. В этом случае действительно существует прямая линейная зависимость между уровнем доходов населения и объемом розничной.

Результаты регрессионного анализа используются для составления прогнозов изменения количественных переменных путем перенесения выявленных тенденций на будущие периоды.

Использование регрессионного анализа в прогнозировании сопряжено с рядом проблем:

Во-первых, исходя из наличия достаточно устойчивой статистической зависимости не всегда можно делать выводы о существовании каузальной (причинно-следственной) взаимосвязи. В нашем примере результаты регрессионного анализа не доказывают того, что растущий уровень доходов населения является причиной роста объемов оборота розничной торговли.

Во-вторых, результаты регрессионного анализа могут быть использованы для построения прогнозов только в случае верности «гипотезы стабильности во времени», т.е. если не происходит никаких структурных изменений. Гипотеза стабильности во времени предполагает изменение во времени только исследуемых переменных, все прочие величины являются постоянными. В приведенном выше примере рассматривается влияние уровня дохода на оборот розничной торговли. Предполагается, что степень влияния прочих факторов (например, цены, склонности потребителей к накоплению и т.д.) остается неизменной.

На практике результаты регрессионного анализа используются для составления прогнозов, как правило, в сочетании с опросами.

Регрессионный анализ.

Регрессионный анализ -- метод выявления статистической зависимости между исследуемыми переменными. На основе анализа эмпирических данных (данных, собранных в ходе проведения исследования) описывается не только сам факт существования статистической зависимости, но также описывается и математическая формула функции зависимости исследуемых переменных.

Современная техника регрессионного анализа позволяет описывать функции зависимости исследуемых переменных различных видов. Самая простая -- линейная функция, определяемая при помощи линейного регрессионного анализа.

Стандартная модель простой линейной регрессии имеет вид:

Y=a+b*X

где X -- независимая переменная (фактор, влияющий на объект исследования);

Y -- зависимая переменная (объект исследования);

a, b -- постоянные величины (параметры модели).

Определение параметров модели (а, b) осуществляется путем применения метода наименьших квадратов. Регрессионная линия должна быть проведена в «облаке эмпирических значений» таким образом, чтобы сумма квадратов вертикальных и горизонтальных расстояний от каждой точки до регрессионной линии была бы минимальной (рис. 5).

На рис. 5 показана технология выявления зависимости между исследуемыми переменными: уровнем дохода населения (независимая переменная X) и объемом оборота розничной торговли.

Такая комбинация количественных и качественных методов маркетинговых исследований соединяет точность математических расчетов со знаниями и интуицией экспертов.

Факторный анализ.

Факторный анализ -- метод, который позволяет сгруппировать большое число переменных (факторов, влияющих на предмет исследования) и свести их к минимальному числу «обобщающих факторов». Группировка данных производится по принципу:

· переменные, имеющие между собой высокую степень корреляции (тесную взаимосвязь), объединяются в один фактор;

· переменные, отнесенные к разным «обобщающим факторам», имеют между собой низкую степень корреляции (слабую взаимосвязь).

Факторный анализ производится в том случае, если существует огромный массив данных, который необходимо уменьшить («сжать») для проведения дальнейших исследований.

Например, существует база данных по результатам опроса, в ходе которого туристы, отдыхающие в курортной зоне «Баварский лес», оценивали эту курортную зону. Респонденты оценивали степень важности для них каждого из 13 предложенных мотивов выбора места отдыха (табл. 1).

Предположим, исследователям необходимо провести кластерный анализ туристов, отдыхающих в курортной зоне «Баварский лес», по таким характеристикам, как гражданство, уровень дохода и мотив выбора места отдыха. Проведение кластерного анализа затруднительно из-за больших размеров массива данных, содержащего информацию о мотивах проведения отпуска в «Баварском лесу», и из-за ограничений мощности вычислительной техники. Для удобства проведения кластерного анализа необходимо уменьшить объем («сжатие») данных при помощи факторного анализа.

В ходе факторного анализа осуществляется попарное сравнение исследуемых переменных с целью определения их схожести друг с другом, а также определяется число «группирующих факторов». В табл. 1 представлены результаты факторного анализа в рассматриваемом примере. Заданные 13 мотивов выбора места отдыха объединены в 4 фактора, определяющих выбор туристов в пользу «Баварского леса»:

1. Гостеприимство по приемлемым ценам;

2. Общение с природой;

3. Специальное предложение Восточной Баварии;

4. Культурная программа.

Также в табл. 1 представлены коэффициенты корреляции, которые характеризуют степень взаимосвязи между группируемыми переменными и группирующими факторами. Значения коэффициентов корреляции изменяется от-1 до +1.

Значение коэффициента корреляции, близкое к нулю, указывает на низкую степень взаимосвязи. Например, национальный колорит и самобытность «Баварского леса» (фактор «Специальное предложение Восточной Баварии») не обусловливается приемлемым уровнем цен (коэффициент корреляции 0,00055).

Отрицательное значение коэффициента корреляции указывает на существование обратной взаимосвязи. Например, приемлемые цены слабо отрицательно влияют на привлекательность «Баварского леса» с точки зрения общения с природой (коэффициент корреляции 0,01297). Это объясняется тем, что приемлемые цены привлекают множество туристов, что не способствует созданию атмосферы общения с природой.

Значение коэффициента корреляции, близкое к -1, указывает на наличие сильной обратной взаимосвязи. Такие случаи в рассматриваемом примере отсутствуют.

Таблица 1 Результаты факторного анализа, проводимого при оценке курортной зоны «Баварский лес»

Если значение коэффициента корреляции близко к +1, это свидетельствует о существовании плотной прямой взаимосвязи. Например, возможность заниматься пешим туризмом в лесу во многом определяет привлекательность рассматриваемого региона для тех, кто ценит общение с природой (коэффициент корреляции 0,81047) (см. табл. 1).

Характеристики объекта исследования объединяются в один обобщающий фактор при наличии высокой степени корреляции -- как позитивной, так и негативной (в рассматриваемом примере встречается только сильная позитивная корреляция). Например, приемлемые цены, вкусная еда, гостеприимство и комфорт отдыха с детьми обобщаются в один фактор привлекательности курорта -- «Гостеприимство по приемлемым ценам».

При допуске определенной потери информации (в данном случае 30%) впоследствии анализируются не 13 факторов, а только четыре. Такое «сжатие» данных существенно упрощает дальнейшее проведение исследования без существенной потери информации.

Факторный анализ целесообразно проводить только в том случае, если он предшествует применению других методов статистического анализа.

На практике факторный анализ всегда применяется в комбинации с другими статистическими методами обработки информации. Его можно охарактеризовать как вспомогательный метод, позволяющий упростить исследования путем сокращения анализируемой информации.

Дисперсионный анализ.

Дисперсионный анализ -- метод, при помощи которого исследуется влияние одной или нескольких независимых переменных на одну или несколько зависимых переменных.

Например, один и тот же продукт продается в нескольких регионах в упаковке разных типов (табл. 2). На основе данных объема продаж, сгруппированных по указанным признакам, нужно определить, имеют ли существенное влияние на результаты продаж:

• регион и тип упаковки (основной эффект);

• комбинация этих факторов (интерактивный эффект).

Таблица 2 . Дисперсионный анализ (зависимые и независимые переменные).

Возможно, что исследуемые факторы влияют на объект исследования только в сочетании друг с другом. Например, упаковка, предназначенная для помещения в микроволновую печь, может способствовать значительному увеличению объемов продаж только в крупных городах.

Различают несколько видов дисперсионного анализа -- в зависимости от числа исследуемых переменных (табл. 3).

Таблица 3. Виды дисперсионного анализа.

Пример постановки вопроса однофакторного дисперсионного анализа: влияет ли тип рекламы (плакаты, объявления в средствах массовой информации и др.) на число посетителей в кинотеатре?

Пример постановки вопроса двухфакторного дисперсионного анализа (см. табл. 3): влияет ли регион и тип упаковки на объем продаж определенного товара?

Пример постановки вопроса многомерного дисперсионного анализа: влияют ли регион и тип упаковки на объем продаж и число жалоб потребителей определенного товара?

В основе техники проведения дисперсионного анализа лежит сравнение средних величин в разных группах. Например, для того чтобы определить, влияет ли пол студента на успеваемость, необходимо сравнить среднюю успеваемость юношей и девушек. Если средняя успеваемость девушек отличается от средней успеваемости юношей, то можно утверждать, что пол студента влияет на успеваемость, и наоборот.

Приведенный пример сравнения средних величин в двух группах (юношей и девушек) осуществляется при помощи Т-теста. Т-тест является частным случаем дисперсионного анализа, в ходе которого осуществляется сравнение средних величин в нескольких группах.

Свое название дисперсионный анализ получил благодаря одному из условий сравнения средних величин в разных группах: дисперсии исследуемых величин в разных группах должны быть равны. Дисперсия -- показатель, характеризующий рассеяние значений количественного признака вокруг своего среднего значения.

Заключение

В странах с развитой рыночной экономикой, где темпы роста рынков отдельных товаров и услуг незначительны или рост вообще отсутствует, конкурирующие фирмы работают в условиях жесткой борьбы за потребителя. Для достижения успеха в этой борьбе активно используется весь спектр современных технологий маркетинговых исследований, в том числе предполагающих обработку информации при помощи статистических методов анализа. Современные маркетологи должны владеть знаниями в области статистического анализа и навыками работы с соответствующими программными продуктами, наиболее популярным из которых является программа SPSS.

В ходе проделанной работы , поставленные задачи выполнены:.. Можно сделать резюме:

1. Маркетинговое исследование - любая исследовательская деятельность, обеспечивающая потребности маркетинга, то есть система сбора, обработки, сводки, анализа и прогнозирования данных, необходимых для конкретной маркетинговой деятельности. Цель проведения подобного исследования - уменьшение неопределенности, сопутствующей принятию маркетинговых решений.

2. Состоит из нескольких этапов - определение проблемы и постановка цели исследования; проведение предварительного исследования и формулирование гипотез; разработка дизайна (плана, схемы) исследования; анализ вторичной и сбор первичной информации; интерпретация данных и презентация результатов исследования.

3. SPSS облегчает понимание и упрощает работу с данными обследований на базе сложных выборок. Можно анализировать данные и интерпретировать полученные результаты с использованием интуитивно понятного интерфейса. Результаты исследования могут многократно использоваться впоследствии.

4. SPSS облегчает обработку массивов данных при проведении маркетинговых исследований, позволяет делать прогнозы.

Список использованных источников

1. Анурин В., Муромкина И., Евтушенко Е. Маркетинговые исследования потребительского рынка: уникальный отечественный опыт. - СПб.: Питер, 2004.

2. Алешина И.В., Пошаговый процесс маркетингового исследования, http://www.iteam.ru/publications/marketing/section_22/

3. Беляевский И. Маркетинговое исследование: информация, анализ, прогноз. - М.: Финансы и статистика, 2001.

4. Божук С.Г., Ковалик Л.Н. Маркетинговые исследования. - СПб.: Питер, 2003.

5. Голубков Е.П. Маркетинговые исследования: теория, практика и методология. - М.: Финпрес, 1998.

6. Котлер Ф, Основы маркетинга. Краткий курс. Пер. с англ. -- М.: Издательский дом "Вильямс", 2007.

7. Киселева Т.В., SPSS: основы анализа социологических данных, Учебное пособие, Иваново 2008

8. Моосмюллер Г., Ребик Н.Н. Маркетинговые исследования с SPSS: Учеб. пособие. - М.: ИНФРА-М, 2009. - 160

9. Таганов Д. SPSS: статистический анализ в маркетинговых исследованиях. - СПб.: Питер, 2005.

10. Токарев Б.Е. Методы сбора и использования маркетинговой информации. - М.: Юристъ, 2001.

11. Черчилль Г.А. Маркетинговые исследования . - СПб.: Питер, 2000.

12. Ядов В.А. Стратегия социологического исследования. М., 1999.

13. Попов Е. В., Маркетинговые исследования, http://www.iteam.ru/

14. В. Пциорковский, В. Пциорковская. SPSS для социологов. Учебное пособие. - М: ИСЭПН РАН, 2005.

15. http://www.learnspss.ru/handbooks.htm

Размещено на Allbest.ru