Sn

1
REKAPITULACE VÝZKUMU POSTOJ FIREM A INSTITUCÍ
K MARKETINGOVÝM, ZAMESTNANECKÝM A OBDOBNÝM
PRUZKUMUM Podkladový materiál k
workshopu Zdenek Dytrt Focus - Centrum pro
sociální a marketingovou analýzu
2
ZÁKLADNÍ INFORMACE O VÝZKUMU

• Informace o výzkumu
• Výzkum mezi predstaviteli firem s dvaceti a více
  zamestnanci na téma využívaní ruzných typu
  výzkumu.
• Metoda CATI (telefonická interview). Rozhovory
  realizovaly Univerzity Palackého v Olomouci a
  operátori agentury Focus.

3
ZÁKLADNÍ INFORMACE O VÝZKUMU

• Zpusob výberu stratifikovaný náhodný výber z
  elektronické databáze firem (Albertina - Firemní
  Monitor) stratifikacní kriteria okres, velikost
  firmy pocet zamestnancu (20), OKEC.
• Termín sberu dat brezen 2010.

4
1. OD CATI SOUBORU K DATOVÉ MATICI
5
SUROVÝ VÝSTUP Z DOTAZOVÁNÍ
náhled promenných
náhled dat
6
KONTROLA SCREENINGOVÝCH OTÁZEK

• První krok k finální datové matici kontrola
  screeningových kriterií a eliminace odpovedí
  nevhodných respondentu.
• Na základe odpovedí na tzv. screeningové otázky v
  úvodu dotazníku postupne mažeme odpovedi
  dotázaných, kterí nesplnují kriteria, daná
  výzkumným zámerem (pracují v príliš malém
  podniku), nemají potrebné informace ci kompetence
  (rozhodování nebo celkový prehled o výzkumech)
  nebo nejsou ochotni spolupracovat (nemám cas,
  nechci odpovídat, neprepojím vás)

7
KONTROLA SCREENINGOVÝCH OTÁZEK
Ukázka screeningových otázek v dotazníku
8
ODSTRANOVÁNÍ NEPOUŽITELNÝCH ODPOVEDÍ

• V praxi lze provést procedurou Select Cases v
  SPSS, zvolíme variantu Unselected Cases Are
  Deleted.
• Postupujeme uvážlive, vše peclive kontrolujeme a
  nezapomeneme zálohovat zdrojovou matici! Hrozí
  smazání platných dat!
• Z 3255 rozhovoru získáme 1076 validních odpovedí
  (cases).

9
ODSTRANOVÁNÍ NEPOUŽITELNÝCH ODPOVEDÍ
vybíráme respondenty, kterí nesplnili príslušné
výberové kriterium a jejich odpovedi odstranujeme
z matice
10
FORMÁLNÍ A LOGICKÁ KONTROLA DAT

• Formální kontrola dat
• Díky použité metode (CATI) menší nároky na
  formální kontrolu, systém eliminuje lidské chyby
  a neumožní tazateli zadat neplatnou hodnotu,
  preskocit otázku, nedodržet filtr. Matici již
  dostáváme s názvy promenných a variant odpovedí
  (variable labels a value labels). Pokud
  dotazování probíhá bez použití pocítace, je
  formální kontrola dat nezbytná!

11
FORMÁLNÍ A LOGICKÁ KONTROLA DAT

• Logická kontrola dat
• Kontrola vazby mezi souvisejícími otázkami
• Napr. q11 (pocet realizovaných výzkumu rocne) vs.
  q16 (provádené typy výzkumu a analýz)
• Rešení zjištených nesrovnalostí opetovné
  kontaktování respondenta a overení nejasností

12
KONTROLA KVÓTY

• Kontrola kvótních znaku
• Porovnání shody kvótních znaku ve výberovém
  souboru a v základním souboru kraj, velikost
  firmy (pocet zamestnancu), OKEC.
• Porovnáváme strukturu kvótních znaku v našem
  souboru se strukturou všech firem s 20 a více
  zamestnanci v CR (získáme z elektronické
  databáze).
• Pokud se struktura liší, výberový soubor není
  reprezentativní (nevypovídá o základním souboru).

13
KONTROLA KVÓTY

• Rešení dle reálných možností (casových,
  personálních, financních
• ideálne dosber (cílene vyhledáváme a dotazujeme
  respondenty s chybejícími kvótními znaky)
• v urcitých prípadech lze použít jednofaktorové ci
  vícefaktorové vážení (odpovedi respondentu budou
  do analýzy vstupovat s vypoctenými koeficienty,
  které budou strukturu výberového souboru
  približovat strukture cílové populace)

14
DALŠÍ ÚPRAVY DAT

• Kódování a kategorizace otevrených a
  polootevrených otázek (napr. q8, var. 19
  ostatní cinnosti, vypište)
• Pro úcely smysluplné analýzy sloucíme podobné
  spontánní odpovedi do širších kategorií,
  kategoriím pridelíme císelné kódy
• Vytvorení nových promenných
• Pro usnadnení analýzy mužeme vytvorit umelou
  promennou, která nahrazuje nekolikanásobné
  filtrování a umožní rychlé roztrídení odpovedí
  promenná výzkumy (respondenti provádejí x
  neprovádejí výzkumy slucuje otázky q1 a q11.)

15
2. PRVOSTUPNOVÉ TRÍDENÍ
16
PRVOSTUPNOVÉ TRÍDENÍ

• Základní kámen každé analýzy, vždy se snažíme
  zvolit adekvátní zpusob prezentace (vhodný typ
  grafu, tabulka). Výstup v SPSS získáme vetšinou
  pomocí procedury Frequencies
• Pro vhodný zpusob zobrazení se rozhodujeme dle
  typu prezentovaných dat (otázka s jednou ci více
  možnostmi odpovedí, baterie souvisejících otázek,
  vícestupnová škála, císelná rada atd.)
• Grafy lze v programech MS Office (PowerPoint,
  Word, Excel) vytváret pomocí nabídky Vložit
  graf. Mnohem efektivnejší je kopírovat a editovat
  již vytvorené grafy

17
PRVOSTUPNOVÉ TRÍDENÍ

• Dbáme na prehlednost, názornost a umerenost
  výstupu méne je nekdy více (opatrne s použitím
  barev, primerená velikost grafu, užití
  neobvyklých a výrazných typu grafu dukladne
  zvážíme napr. 3D grafy

duležitost provádení výzkumu trhu
Frequency Percent Valid Percent Cumulative Percent
Valid velmi duležité 69 25,4 25,4 25,4
Valid spíše duležité 130 47,8 47,8 73,2
Valid spíše neduležité 58 21,2 21,2 94,4
Valid zcela neduležité 15 5,6 5,6 100,0
Valid Total 272 100,0 100,0
18
PRVOSTUPNOVÉ TRÍDENÍ UKÁZKY
duvody nespokojenosti pocet
nebylo podle našich predstav 4
neznají náš trh, nejdou do hloubky 1
byrokracie, zdržuje nás to 1
19
PRVOSTUPNOVÉ TRÍDENÍ ALTERNATIVNÍ VÝSTUPY

• Slovní mraky (word clouds) - ukázka možné
  alternativy pro prezentaci odpovedí, vhodné pro
  spontánní odpovedi (napr. asociace se znackou,
  zapamatované motivy reklamy, bariéry nákupu
  výrobku znacky XY atd). Velikost písma reflektuje
  procentuální zastoupení príslušné odpovedi. Méne
  informací oproti klasické tabulce, je ovšem
  prehlednejší a zaujme. Volne dostupná internetová
  aplikace.

20
PRVOSTUPNOVÉ TRÍDENÍ ALTERNATIVNÍ VÝSTUPY
Odpovedi na ot. 14 Z jakého duvodu jste dosud
nerealizovali žádný výzkum?
21
3. DRUHOSTUPNOVÉ TRÍDENÍ
22
DRUHOSTUPNOVÉ TRÍDENÍ

• Mapuje vzájemné souvislosti promenných -
  porovnáváme distribuci dat závisle promenné na
  základe kategorií nezávislé promenné.
• Výstupy z SPSS získáme napr. pomocí procedur
  General Tables, Tables of Frequencis, Crosstabs.
• Provádená druhostupnová trídení by mela
  korespondovat s našimi hypotézami a výzkumnými
  zámery, prípadne prezentovat zajímavá a významná
  zjištení.

23
DRUHOSTUPNOVÉ TRÍDENÍ

• Klasickými nezávislými promennými pro
  druhostupnová trídení jsou demografické a
  socioekonomické charakteristiky respondentu
  (pohlaví, vek, vzdelání, velikost obce bydlište,
  region, príjem, ekonomická aktivita ).
• Výstupy jsou prezentovány v ruzných typech grafu
  záleží na typu promenných.
• Ve výzkumu postoje firem k výzkumum byly jako
  nezávislé promenné používány hlavne pocet
  zamestnancu organizace a pusobení v B2B / B2C
  sektoru.

24
DRUHOSTUPNOVÉ TRÍDENÍ UKÁZKA
Mužete mi prosím ríct zda, vaše firma
v souvislosti s financní a ekonomickou krizí
pristoupil/a ke krácení investic do
marketingového výzkumu? (q24)
pocet zamestnancu
podnikání v B2B / B2C segmentu
, N 272, provedli alespon jeden výzkum
25
DRUHOSTUPNOVÉ TRÍDENÍ UKÁZKA
pohlaví
typ domácnosti
vek
pocet osob v domácnosti
vzdelání
velikost obce
využívání internetu
ekon. aktivita
socioek. status
mobil
cistý mesícní príjem dom.
region NUTS II
, N 1001 repre CR18
26
4. ÚPRAVA PROMENNÝCH
27
KATEGORIZACE A REKÓDOVÁNÍ PROMENNÝCH

• Redukujeme pocet variant odpovedí zjednodušení
  a zprehlednení výstupu. Užíváme u promenných s
  širším spektrem variant odpovedí (napr. rozhodne
  souhlasí spíše souhlasí ani souhlas, ani
  nesouhlas spíše nesouhlasí rozhodne
  nesouhlasí), u vícestupnových škál (ohodnotte na
  škále 1 10), u císelných rad (vek, príjem,
  délka studia v letech).
• V našem prípade bude kategorizace prvním krokem k
  vytvorení souctového indexu. Kategorizujeme
  promenné q16.a q16.k (typy výzkumu, které
  organizace realizuje).

28
KATEGORIZACE A REKÓDOVÁNÍ PROMENNÝCH
promenné q16.a q16.k promenné q16.a q16.k 1 realizujeme pravidelne, systematicky 2 již jsme jednou ci nekolikrát delali, není ale pravidlem 3 dosud jsme nedelali 9 neodpovedel/a Total
spokojenost zákazníku se službami/zbožím firmy 66 17 17 1 100
analýza velikosti a potenciálu trhu, tržních segmentu 28 25 46 2 100
výzkum názoru, postoju a potreb zákazníku 45 23 30 1 100
segmentace a typologie zákazníku ci spotrebitelu 24 21 54 2 100
testy reklamy a komunikacních kampaní 22 20 57 1 100
image a pozice vaší firmy (znacky) 22 22 55 0 100
pretest nových výrobku a obalu 10 11 77 2 100
analýza komunikace uvnitr vaší firmy 35 16 48 0 100
výzkumy názoru a postoju zamestnancu firmy 40 21 38 1 100
výzkum vzdelávacích potreb zamestnancu 33 17 49 1 100
analýza organizacní kultury vaší firmy 20 13 64 3 100
variantu prejmenujeme na nerealizujeme , kód 0
sloucíme do varianty realizujeme , kód 1
varianta zustává nezmenena, kód 9
29
KATEGORIZACE A REKÓDOVÁNÍ PROMENNÝCH

• Puvodní promenné v datovém souboru ponecháme
  nezmenené, pomocí procedur v SPSS vytvoríme sadu
  rekódovaných promenných. Pro zachování
  prehlednosti datové matice použijeme adekvátní
  názvy napr. q16a.rec, q16b.rec, q16c.rec
• Použijeme proceduru programu SPSS Recode into
  Different Variables. Lze rekódovat více
  promenných se stejnými variantami odpovedí
  najednou podle stejného schématu. Varianty nových
  promenných je duležité správne olabelovat.
• Nové promenné se vždy vytvárejí až na konci
  matice (za poslední promennou). Nepropadejme
  panice, jsou tam ?

30
KATEGORIZACE A REKÓDOVÁNÍ PROMENNÝCH
definujeme nové názvy promenných
definujeme nové varianty odpovedí
31
SOUCTOVÝ INDEX

• Z vetšího pocet promenných, které zkoumají ruzné
  dimenze téže vlastnosti, vytvoríme jednu
  souhrnnou promennou - souctový index.
• Pracujeme s ním jako s bežnou promennou. Casto
  bývá prezentován ve forme porovnání prumeru mezi
  ruznými kategoriemi respondentu (napr. prumerný
  pocet typu výzkumu, které realizovaly firmy z B2B
  sektoru oproti firmám z B2C segmentu).

32
SOUCTOVÝ INDEX
definujeme název nové promenné (indexu)
promenné, které do výpoctu indexu vstupují
(q16a_rec až q16k_rec)
varianta odpovedí, z níž se index
vypocítává (realizujeme pravidelne již jsme
delali)
33
PRÍKLAD PREZENTACE VÝSTUPU INDEXU
prumerný pocet provádených typu výzkumu
pocet provádených typu výzkumu pocet respondentu (N) v
0 11 4
1 14 5
2 24 9
3 25 9
4 23 8
5 32 12
6 31 11
7 44 16
8 22 8
9 19 7
10 19 7
11 7 3
celkem 272 100
graf s detailním clenením
strední hodnoty
prumer   5,5
medián 6
modus 7
precentily 25 3
  50 6
  75 7
graf s kategorizovanými hodnotami odpovedí
N 272, provedli alespon jeden výzkum
, N 272, provedli alespon jeden výzkum
34
PRÍKLAD PREZENTACE VÝSTUPU INDEXU
N
112
71
51
21
17
94
68
105
5
N (pocet respondentu) 272
112
71
51
21
17
94
68
105
5
prumerný pocet provádených typu výzkumu
20-49
50 - 99
100 199
200 - 499
500 a více
B2B
B2C
B2B B2C
neodpovedel/a
pocet zamestnancu
pocet zamestnancu
podnikání v B2B / B2C segmentu
podnikání v B2B / B2C segmentu
je vhodné doplnit pocty respondentu pro
jednotlivé kategorie (pri interpretaci je nutno
brát ohled na tato data, nedelat ukvapené závery
z odpovedí nekolika málo respondentu
celkový prumer - 4,0
variantu prejmenujeme na nerealizujeme , kód 0
35
(No Transcript)