Многомерный анализ данных: Тренинг

День 1. Азы аналитики. Подготовка данных для анализа

• Классификация "Цель анализа - Метод анализа"
• Типы исходных данных (шкалы)
• Основные статистические показатели и графики, применяемые для описания исходных данных различных типов: среднее и доля, медиана и квартили, стандартное отклонение и дисперсия, стандартная ошибка,    доверительные интервалы, столбиковая и круговая диаграмма (bar chart, pie chart), гистограмма (histogram), ящичная диаграмма (boxplot),
• диаграмма рассеяния (scatter plot)
• Алгоритм описательного анализа в зависимости от типа шкалы
• Определение размера выборки для описательного анализа данных в различных шкалах

Кейсы:

• Пример в SPSS. Ищем выбросы в исходных данных с помощью различных графиков.
• Пример в SPSS. Проводим описательный анализ покупателей по различным характеристикам, выбираем адекватные показатели и интерпретируем полученные результаты.
• Пример в Excel. Определяем возможный способ отбора и оцениваем необходимый размер выборки для решения задач слушателей.
• Пример. Разбираем типичные ошибки определения размера выборки при проведении маркетинговых исследований.

День 2. Моделирование влияния факторов

• Метод регрессионного анализа для учета (моделирования) одновременного влияния различных факторов: требования к виду и количеству исходных данных, необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода, требования к факторам, которые планируется учитывать в анализе,пошаговый алгоритм регрессионного анализа, способ проверки адекватности модели, интерпретация результатов: как влияют факторы на отклик, ранжирование по силе влияния
• Особенности моделирования при недостатке информации о факторах, техника dummy-переменных
• Дисперсионный анализ - метод учета эффектов взаимодействия факторов: требования к виду и количеству исходных данных, понятие случайных и фиксированных эффектов, необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода, способ проверки адекватности модели, интерпретация полученных результатов
• Деревья классификации для учета (моделирования) одновременного влияния различных факторов на неколичественный отклик: требования к виду и количеству исходных данных, необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода, способ проверки адекватности модели, интерпретация результатов: как влияют факторы на отклик, и определение условий достижения желаемого результата по построенному дереву

Кейсы:

• Пример в SPSS. Подготавливаем исходные данные о цене товара и влияющих на нее факторов для применения метода регрессионного анализа. Проводим графический анализ влияния факторов на цену. Анализируем взаимовлияние факторов. Строим регрессионную модель. Проверяем качество модели и, при необходимости, улучшаем ее. Интерпретируем результаты регрессионного анализа. Прогнозируем цену в зависимости от факторов на основе построенной модели.
• Пример в SPSS. Строим различные варианты дерева факторов, влияющих на удовлетворенность потребителей. Учимся "читать" построенные деревья. Выбираем лучшее из нескольких вариантов решений. Интерпретируем результаты моделирования: формулируем условия повышения уровня удовлетворенности клиентов.
• Пример в SPSS. Строим модель доходности торговой точки в зависимости от ее характеристик и прогнозируем доходность на основе построенной модели.
• Пример в SPSS. Определяем правила отнесения торговой точки к определенному типу с использованием деревьев классификации.
• Пример в SPSS. Выясняем наличие эффекта взаимодействия факторов, влияющих на сумму покупки, и интерпретируем их.

День 3. Методы многомерной классификации

• Дискриминантный анализ - метод прогнозирования принадлежности к группе (классу, типу, сегменту и т.п.): требования к виду и количеству исходных данных, необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода, способ проверки адекватности модели, прогнозирование на основе построенной модели
• Кластерный анализ - три статистических инструмента сегментации с учетом большого объема разнородной информации: требования к виду и количеству исходных данных, необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы инструментов, условия выбора метода кластерного анализа в конкретной ситуации, валидация полученных результатов и описание выделенных сегментов
• Факторный анализ - метод получения новых обобщающих факторов на основе большого объема информации: требования к виду и количеству исходных данных, необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы метода, валидация и интерпретация полученных результатов
• Анализ соответствий - позиционирование с помощью карты восприятия: требования к виду и количеству исходных данных, необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы метода; валидация и интерпретация полученных результатов

Кейсы:

• Пример в SPSS. Прогнозируем тип торговой точки на основе имеющейся статистики.
• Пример в SPSS. По результатам опроса выделяем группы потребителей с учетом большого числа различных характеристик разными методами.
• Пример в SPSS. Сегментируем товары с одновременным учетом ряда их свойств. Сравниваем полученные группы и описываем их.
• Пример. Учимся быстро определять адекватный метод кластерного анализа в конкретной ситуации.
• Пример в SPSS. Определяем ключевые стратегии выбора продукта по результатам анализа потребительского поведения.
• Пример в SPSS. Выявляем и группируем взаимосвязанные личностные характеристики сотрудников на основе опроса.
• Пример в SPSS. Выявляем ассоциации потребителя с нашим продуктом.
• Пример в SPSS. Позиционируем продукт среди конкурентов глазами потребителя.

День 4. Методы моделирования для анализа потребительских предпочтений

• Логистическая регрессия - метод моделирования бинарного и частотного отклика: виды моделей: logit и probit, требования к виду и количеству исходных данных для каждой модели, необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы метода, валидация и интерпретация полученных результатов
• Многомерное шкалирование как метод выявления сходства (различий) объектов на основе их оценок респондентами путем выделения латентных факторов: требования к виду и количеству исходных данных, интерпретация карты позиционирования, полученной в результате анализа

Кейсы:

• Пример в SPSS. Прогнозируем удовлетворенность клиента обслуживанием с учетом различных факторов.
• Пример в SPSS. По результатам опроса фокус-группы выясняем, каким должны быть конкретный продукт, чтобы соответствовать ожиданиям потребителя.
• Пример в SPSS. По результатам опроса респондентов определяем истинные признаки классификации объектов.

После окончания обучения с помощью SPSS вы сможете:

• Правильно подготавливать исходные данные для анализа
• Рассчитывать и грамотно интерпретировать статистические показатели и графики, характеризующие потребителей / продукты
• Проводить классификации любых объектов с учетом многообразия их свойств и описывать полученные классы
• На основе имеющейся информации получать новые агрегированные показатели
• Моделировать и прогнозировать исследуемый показатель в зависимости от различных факторов и их взаимодействий
• Строить карты восприятия с целью позиционирования объектов

После обучения вы получите:

• Пошаговые инструкции по применению каждого метода
• Сертификат на 4-месячную бесплатную консультационную поддержку

Требования к участникам:

• Высшее образование
• Опыт работы в Excel на уровне пользователя