Система анализа маркетинговой информации и прогнозирования

Основу системы анализа маркетинговой информации и прогнозирования (системы АМИП) составляет комплекс следующих мероприятий (рис. 3.6):

  • 1) обработка данных и информации, поступающей в систему, – первым делом данные проверяются на достоверность, надежность и применимость, в дальнейшем идет очищение данных и статистическая корректировка;
  • 2) низкоуровневый анализ – расчет стандартных показателей для компании;
  • 3) высокоуровневый анализ – включает статистический анализ и анализ по известным или принятым моделям в компании; за последние несколько десятилетий теоретики, практики или просто маркетологи из различных компаний создали огромное количество моделей, призванных помогать ЛПР в области маркетинга лучше справляться с профессиональнами обязанностями. Несмотря на это, во многих компаниях фактически отсутствует подобный анализ;
  • 4) на основе информации, полученной из "системы анализа маркетинговых данных" (см. и. 3.1.3), составляются оценки и выявляются тенденции, происходит разработка рекомендаций для дальнейшей стратегии развития компании;
  • 5) прогнозирование, которое учитываются в рекомендациях.

Система анализа маркетинговых данных

Рис. 3.6. Система анализа маркетинговых данных

Подготовка данных к анализу

В систему анализа маркетинговой информации данные могут поступать из внутренних и внешних источников. К внутренним источником относится вся информация, находящаяся в корпоративных информационных системах, и чем более кропотливо и аккуратно вносятся данные, тем больше их полезность. Внутренние вторичные данные являются отправной точкой для поиска ответов на все вопросы, возникающие при стратегическом планировании и контроле. Они имеют существенное преимущество – готовы к использованию, т.е. обычно не требуют дополнительной обработки. Данные и информация, поступающая из окружающей среды или маркетинговых исследований, нуждаются в доработке. На рис. 3.7 представлен процесс подготовки данных к анализу.

Процесс подготовки данных к анализу [12]

Рис. 3.7. Процесс подготовки данных к анализу [12]

Проверка данных по критериям – надежность, достоверность, применимость.

Редактирование – обработка данных, повышающая точность и аккуратность. Процесс редактирования заключается в выявлении необработанных, неполных, логически непоследовательных или неоднозначных данных.

Кодирование информации – отображение (преобразование) некоторых объектов (событий, состояний) в систему конструктивных объектов (называемых кодовыми образами), совершаемое по определенном правилам. Кодирование данных упрощает последующий анализ данных. В случае если поступает уже закодированная информация, кодировка проверяется на правильность и применимость.

Преобразование данных – заключается в переносе закодированных данных из анкет или кодировании таблиц на диски или магнитные ленты (другие элементы СХД) либо введении их непосредственно в компьютер через клавиатуру. Если данные вводятся с использованием автоматизированных компьютерных систем, их преобразование не обязательно, поскольку они вводятся в СХД в процессе их сбора. Процесс преобразования проиллюстрирован на рис. 3.8.

Процесс преобразования данных

Рис. 3.8. Процесс преобразования данных

Очищение данных – тщательная и всесторонняя проверка состоятельности собранных данных и работа с пропущенными (недостающими) данными. Проверка состоятельности данных позволяет выявить данные, выходящие за пределы определенного диапазона, и логически непоследовательные данные либо определить экстремальные значения. Пропущенные данные – данные, недостающие для анализа, позволяют исследователю составить или пополнить список исследований, которые необходимы для ответов на поставленные ЛПР вопросы.

Статистическая корректировка данных – включает в себя следующие методы, которые позволяют упростить анализ или сделать его более точным:

  • 1) взвешивание – метод статистической корректировки данных, при котором каждому наблюдению (группе данных) в БД присваивается весовой коэффициент, отображающий степень его значимости по сравнению с другими наблюдениями;
  • 2) переопределение переменной – преобразование данных для создания новых переменных либо изменения существующих с тем, чтобы они точнее соответствовали основным задачам исследования. К важнейшим процедурам переопределения переменной относится также использование фиктивных переменных (переменные, способные принимать только два значения, обычно 0 или 1) для переопределения категории;
  • 3) шкалирование – создание континуума (последовательного ряда), на котором размещаются измеряемые объекты;
  • 4) преобразование шкалы – манипулирование значениями шкалы с тем, чтобы иметь возможность сравнивать ее с другими шкалами либо каким-либо другим образом преобразовывать данные и делать их подходящими для анализа;
  • 5) нормирование – корректировка данных для приведения их к одной и той же шкале вычитанием выборочного среднего и делением полученного значения на стандартное отклонение.
 
< Пред   СОДЕРЖАНИЕ     След >