| Рис. 4. Карта многомерного шкалирования, показывающая параметры, продукты и сегменты |  |
Главный вопрос теперь - как выбирать эти обобщенные координаты. Можно, например, воспользоваться сечениями имеющихся многомерных данных, иными словами - просто выбрать два "наиболее важных" с точки зрения экспертов параметра балансов и таким образом отобразить на двумерной карте положение всех фирм. Для российских банков подобное представление информации практикует журнал "Эксперт" (см Рисунок 2). [c.190]
Остановимся подробнее на втором этапе. Как уже было сказано, множество возможных векторов визуально представляется своими двумерными сечениями (авторы метода называют их диалоговыми картами решений). Для того чтобы задать некоторое двумерное сечение многомерного множества, необходимо выбрать те два критерия, значения которых будут демонстрироваться на дисплей компьютера (так называемые координатные критерии). Затем следует зафиксировать некоторый набор значений остальных (некоординатных) критериев. Фиксируя различные наборы некоординатных критериев, будем получать соответствующие им двумерные сечения. Аналогичную процедуру можно осуществить для другой пары координатных критериев и т. д. По построенным таким способом двумерным сечениям в случае небольшого числа критериев (в основном, до пяти) можно получить наглядное представление обо всем многомерном множестве возможных оценок для того, чтобы осуществить в нем наилучший выбор. [c.167]
Многомерные карты используются в тем случае, когда имеется возможность определять одну и ту же качественную характеристику изделия в двух или более измерениях. Если, например, измеряется толщи-па листа, то замеры могут производиться в стольких точках поверхности, сколько требуется техническими условиями. Эти замеры могут быть одинаковыми, указывая на хорошую настройку, или могут различаться между собой, что характеризует вариацию толщины, наличие неровности и т. п. [c.139]
На многомерных картах отметка делается путем соединения линией крайних результатов, что показывает размах результатов измерения для данной единицы продукции. Длина и расположение линий, нанесенных для ряда изделий, составляющих выборку, показывают изменчивость отдельных изделий и изменчивость от одного изделия к другому. Сравнение линий различных выборок, производимых через одинаковые интервалы, позволяет обнаружить тренд, а также выявить изменение размаха вариации или рассеяния. [c.139]
Автор специально рассматривает те случаи контроля, которые являются довольно трудоемкими с точки зрения их рациональной организации. Одним из таких вариантов является применение многомерных карт контроля. [c.242]
На рис. 4.7 идеальная точка изображается как точка на карте. Однако, если используются многомерное шкалирование, основанное на атрибутах, и шкала типа "дорого—недорого", респондент старается ответить как можно правильнее. В этом случае "идеальная точка" будет изображена как идеальное направление, или вектор, а не как точка. [c.214]
Существуют десятки других моделей, которые представляют собой усовершенствованный вариант основной оценочной модели мнений. Некоторые из них, такие как модель идеальных точек зрения, основана на различных подходах к сбору данных и допущении того, что можно найти такую комбинацию уровней каждого атрибута, которая была бы "идеальной" для человека или рынка вообще. Эти модели включают в себя составление карт восприятия и процедур многомерного шкалирования, рассмотренных в главе 6 [22]. В свете этих моделей наиболее вероятной стратегией сообщения станет стремление приблизить рекламируемую марку к идеальной. Тактика данной стратегии обсуждается в главе 6. [c.263]
Например, в экономике этим вопросом традиционно занимается теория полезности и связанные с ней модели. В социальной психологии их обычно называют моделями оценочного мнения в познавательной структуре, чтобы подчеркнуть, что отношение — это продукт не только оценки свойств и мнений относительно того, каким их количеством обладает объект, но и существующих в познавательном понимании потребителя категорий товара. Параллельно с развитием оценочных моделей мнения разрабатывался класс моделей, в которых механизм оценки отношения основан на знании идеальной точки зрения для потребителя. Торговые марки или объекты, которые максимально приближаются к идеальному показателю на карте позиционирования (по многомерной шкале), считаются наиболее предпочтительными, а расположенные как можно дальше от него, — наименее предпочтительными. Сначала определяется идеальная точка зрения, а затем формируется отношение к объекту, находящемуся на некотором удалении от нее. [c.274]
Для построения карт-схем восприятия широко используется метод многомерного шкалирования. Многомерное шкалирование — это одно из направлений анализа данных, которые представляют собой матрицу близости между парами объектов (например, товаров). Его цель — изображение данных о сходстве объектов в виде системы точек в пространстве малой размерности, например на двумерной плоскости. Этот метод позволяет не только выявить значимые характеристики, влияющие на потребительские предпочтения, но также дает возможность показать графически результаты и существенно облегчить интерпретацию данных. В его основе лежит идея о том, что фиксируемые при опросе данные можно расположить в виде точек в некотором координатном пространстве. Оси этого пространства соответствуют латентным (скрытым) факторам, в совокупности адекватно описывающим ситуацию. Поиск координатного пространства осуществляется по данным, характеризующим различия или, наоборот, сходство рассматриваемых объектов (товаров). [c.142]
Количество сводных схем определяется количеством параметров, по которым производится позиционирование. В общем случае, таких схем должно быть п(п-1), но не менее чем (п-1), где п - количество параметров, выделенных для позиционирования. На рис. 72 (а) приведены формы схем позиционирования, а на рис. 72 (б) карты восприятия. Для анализа восприятия марок потребителями, из целевого рыночного сегмента строят карты восприятия, построенные на основе процедуры многомерного шкалирования. [c.169]
При использовании технологии нейронных сетей двумерная плоскость или n-мерная гиперплоскость множественной линейной регрессии заменяется гладкой n-мерной изогнутой поверхностью с пиками и провалами, хребтами и оврагами. Например, нам требуется найти оптимальное решение для набора переменных, и задача будет сводиться к построению многомерной карты. В нейронной сети решение достигается при помощи нейронов — взаимосвязанных нелинейных элементов, связи которых сбалансированы так, чтобы подгонять поверхность подданные. Алгоритм обучения производит регулировку весов связей для получения максимально вписывающейся в исходные данные конфигурации поверхности. Как и в случае со стандартной множественной регрессией, где коэффициенты регрессии необходимы для определения наклона гиперповерхности, для нейронной модели требуются параметры (в виде весов связей), чтобы обеспечить наилучшее совпадение построенной поверхности, всех ее возвышений и впадин, с входными данными. [c.254]
Описывать этапы многомерного шкалирования данных о восприятии потребителей, включая формулирование проблемы, получение исходных данных, выбор метода ММШ, принятие решения о размерности пространства, обозначение размерности и интерпретации конфигурации точек на карте, а также оценку надежности и достоверности. [c.775]
Маркетологи опросили посетителей универмага и получили оценку 10 различных универмагов по каждому из восьми критериев выбора, Эти оценки затем использовались для выведения степени сходства между магазинами. Для каждой пары магазинов вычислили евклидовы расстояния. С помощью многомерного шкалирования был анализ данных, в результате которого исследователи получили пространственные карты, отображающие восприятие [c.775]
Разработка нового товара. Многомерное шкалирование позволяет увидеть пробелы на пространственной карте, которые указывают потенциальные для размещения новых товаров. Кроме того, этот анализ чтобы с помощью тестирования оценить новый товар и торговые марки и таким образом определить, как потребители воспринимают новые идеи, заложенные в товаре. Доля предпочтений для каждого нового товара служит индикатором успеха этого изделия. [c.778]
Исследователь должен тщательно сформулировать проблему многомерного шкалирования, поскольку можно использовать большое разнообразие исходных данных. Задача маркетолога — определить форму для получения данных и выбрать метод многомерного шкалирования для их анализа. Важный аспект решения включает определение размерности для пространственной карты, того, следует обозначить оси координат на карте и интерпретировать выведенную на основе данных конфигурацию точек. И наконец, исследователь должен оценить качество полученных результатов Мы опишем каждый из этих этапов, на-с формулирования проблемы. [c.779]
Цель многомерного — получить пространственную карту с наименьшим количеством размерностей, которая наилучшим образом подходит для анализа исходных данных. Однако пространственные карты рассчитывают таким образом, что соответствие модели исходным данным увеличивается с ростом количества размерностей пространства. Поэтому идти на компромисс. Для определения того, насколько принятое в рамках ММШ решение соответствует точному отображению исходных данных, обычно используют показатель стресса. Он является мерой соответствия подогнанной модели исходным данным чем выше значение стресса, тем ниже качество подгонки модели. Для определения числа размерностей пространства нужно руководствоваться следующими принципами. [c.783]
После получения пространственной карты принимают, что расстояния между точками измерены в относительной шкале, а многомерные оси координат на карте выражены в [c.787]
Многомерное шкалирование, включая анализ соответствий, — не единственная для получения карт восприятий. Ранее мы уже обсудили два других метода — -анализ (глава 18) и факторный анализ (глава 19), которые также можно использовать для получения карт восприятий. [c.791]
Подобно многомерному шкалированию, совместный анализ опирается на субъективные оценки респондентов, если в объекты представляют собой изделия или торговые марки, в комбинации уровней характеристик объекта, определяемые Цель ММШ — разработать пространственную карту, объекты в многомерном пространстве восприятий или предпочтений. С совместного анализа маркетологи стремятся определить функции частной или полезности, описывающие полезность, которую потребители уровням каждой характеристики. Два метода взаимно дополняют один другого [21]. [c.792]
В третьей главе мы перейдем от прогнозирования процентных ставок к управлению портфелем активов. В ней Гвидо Дебок показывает, каким образом с помощью самоорганизующихся карт многомерные данные по взаимным инвестиционным фондам могут быть представлены в виде простых двумерных карт, доступных восприятию руководителей этих фондов. Основываясь на данных, публикуемых корпорацией Morningstar , он исследует паттерны (образы) в структуре данных о взаимных инвестиционных фондах. Несколько показателей из базы Morningstar используются им в качестве входных данных. Далее автор показывает, каким образом СОК позволяет упростить классификацию фондов и создать таблицы для обеспечения принятия решений, более информативные по сравнению с простыми сортированными списками, построенными исходя из единичных и множественных критериев. Данный подход иллюстрирует визуальное представление информации по взаимным инвестиционным фондам, построение эталонных тестов и выведение более приемлемых показателей для сравнения эффективности помещения средств в различные взаимные фонды. [c.34]
Возможно также объединение обоих типов кодирования. Например, очень богат приложениями метод топографических карт (или самоорганизующихся карт Кохонена - по имени предложившего их финского ученого) когда сами прототипы упорядочены в пространстве низкой размерности. Например входные данные можно отобразить на упорядоченную двумерную сеть прототипов так что появляется возможность визуализации многомерных данных. [c.71]
До сих пор нейроны выходного слоя были неупорядочены положение нейрона-победителя в соревновательном слое не имело ничего общего с координатами его весов во входном пространстве. Оказывается, что небольшой модификацией соревновательного обучения можно добиться того, что положение нейрона в выходном слое будет коррелировать с положением прототипов в многомерном пространстве входов сети близким нейронам будут соответствовать близкие значения входов. Тем самым, появляется возможность строить топографические карты чрезвычайно полезные для визуализации многомерной информации. Обычно для этого используют соревновательные слои в виде двумерных сеток. Такой подход сочетает квантование данных с отображением, понижающим размерность. Причем это достигается с помощью всего лишь одного слоя нейронов, что существенно облегчает обучение. [c.84]
В результате такого обучения мы получаем не только квантование входов, но и упорядочивание входной информации в виде одно- или двумерной карты. Каждый многомерный вектор имеет свою координату на этой сетке причем чем ближе координаты двух векторов на карте тем ближе они и в исходном пространстве. Такая топографическая карта дает наглядное представление о структуре данных в многомерном входном пространстве, геометрию которого мы не в состоянии представить себе иным способом. Визуализация многомерной информации является главным применением карт Кохонена. [c.85]
Напомним, что методом. дающим оптимальное представление информации в виде координат двумерной сетки, является построение топографических карт (карт Кохонена), о которых шла речь в Главе 4. Напомним в двух словах суть этой методики. В многомерное пространство данных погружается двумерная сетка. Эта сетка изменяет свою форму таким образом, чтобы по возможности точнее аппроксимировать облако данных. Каждой точке данных ставится в соответствие ближайший к ней узел сетки. Таким образом каждая точка данных получает некоторую координату на сетке. Такое отображение локально непрерывно близким точкам на карте соответствуют близкие точки в исходном пространстве (обратное, вообще говоря, не верно близким точкам в исходном пространстве могут соответствовать далекие точки на карте -такова цена понижения размерности). Таким образом, распределение данных на двумерной карте позволяет судить о локальной структуре многомерных данных. [c.192]
Синаптические веса нейрона в сети Кохонена являются его координатами в исходном многомерном пространстве. Обучение сети т.е. нахождение положения узлов карты в многомерном пространстве происходит в режиме "победитель забирает все". Данные по очереди подаются на входы всех нейронов и для каждого входа определяется ближайший к нему нейрон. Обучение состоит в подгонке весов нейрона-победителя и его ближайших соседей минимизурующих отклонение данных от нейронов-победителей. Постепенно сеть находит равновесное положение, оптимально аппроксимирующее данные (см. Рисунок 6). [c.192]
Вследствие недостатков вышерассмотренных подходов часто используется многомерное шкалирование, не требующее четкого выявления атрибутов, а определяющее сходство и различие исследуемых товаров по ним в целом. Например, потребителей на основе парного сравнения просят определить степень сходства каждой пары изучаемых товаров. В данном случае атрибуты в явном виде не используются. Затем исследуемые товары располагают в зависимости от степени их сходства в двух- или трехмерных координатах (строится карта восприятия). Например, в разделе о позиционировании товара приведены результаты изучения мнения потребителей корпорацией Крайслер относительно позиции марок легковых автомобилей. Было использовано два недостаточно четко определенных атрибута консервативность — одухотворенность и представительность — практичность. [c.245]
В этой книге, как и в большинстве зарубежных курсов микроэкономики, графические модели, картинки являются основным способом представления материала. Достоинство картинок в их компактности, наглядности, легкой обозримости всех взаимосвязей между переменными. Но у них есть и недостаток. Легко читаемые картинки двумерны, тогда как трехмерные читаются уже не так легко, а многомерных картинок вообще не существует. Это ограничивает до некоторой степени объясняющую способность графических моделей в экономической теории. [c.36]
Гхар и Торгерсон [97] рассмотрели применение многопараметрических контрольных карт, названных ими Q-карты, для прослеживания центральной тенденции определенного числа измеримых показателей качества на одной карте,. Поскольку квадратическая форма многомерного нормального распределения подчинена хи-квадрат, в подходящей доверительной области можно определить и разработать контрольные карты, чтобы отслеживать стабильность выбранной переменной. Как специальный случай Q-карт можно рассматривать двухпараметрнческие контрольные карты, которые были разработаны для того, чтобы идентифицировать наличие одной причины разладки данного параметра. Эффективность Q-карт несколько повышается в случаях, когда две или более характеристики коррелированы между собой. [c.139]
Измерения сходства просто отражают воспринятое сходство двух объектов в глазах респондентов. Например, каждого респондента можно попросить оценить степень сходства каждой пары объектов. Таким образом, респондент не имеет списка атрибутов, который неявно предлагает критерии, которые должны быть включены или исключены. Результат приведения данных всех респондентов к среднему арифметическому является оценкой сходства для каждой пары объектов. Потом многомерная программа шкалирования пытается расположить объекты в двух-трехмерном пространстве (при необходимости и больше). Такое пространство названо перцептуалъной картой. Программа пытается построить перцептуалъную карту так, чтобы два объекта с самым высоким сходством были отделены самым коротким расстояни- [c.205]
Маршрутная карта движения документооборота в первую очередь разрабатывается для основного производства. При необходимости такая карта может быть разработана для выполнения любых других организационно-хозяйственных мероприятий. Моделирование работы структурной единицы на основе движения документооборота позволяет максимально упростить обработку сложноустроенной организационно-хозяйственной информации, спроецировав ее на плоскость документооборота (документ становится однопараметрической переменной). Благодаря этому сложная многомерная задача обработки всей производственной информации преобразуется в одномерную линейную. [c.329]
Полезным инструментом для проведения позиционирования могут служить карты-схемы восприятия (англ. per eptual map), их часто называют также картами восприятия. Они предназначены для отображения в многомерном пространстве, сконструированном на базе изучения психологических факторов, связанных с образом товара, взаимного положения (близости) конкурирующих товаров, различных сегментов рынка. [c.142]
Метод многомерного шкалирования (MDS — multi-dimensional s aling) имеет очень специфическое, но мощное применение на рынках. MDS изучает ощущения и дает способ интегрировать собранные данные в карты восприятия. В этом случае обычно значимой характеристикой является ценность товара, например важность цвета для выбора hi-fi системы по сравнению с альтернативными. MDS-ана-лиз изучает концепции, чтобы найти ценную часть каждого элемента. Сила MDS состоит в способности выяснять эту информацию без обращения к исчерпывающему набору перестановок и комбинаций характеристик продукта. MDS дает результаты по каждому опрошенному лицу, которые анализируются в рамках выборки с помощью кластерного анализа, чтобы сформировать сегменты. Результат может показать, что один сегмент покупателей машин не готов платить за дополнительную мощность, но будет вполне рад заплатить за качества, облегчающие использование продукта. Напротив, другой сегмент может не пожелать платить за внешний вид, но с готовностью заплатит за улучшенные характеристики и мощность. [c.109]
Многомерное шкалирование похоже на кластерный анализ, поскольку тоже включает ряд методик, направленных на одну проблему, в данном случае на составление карт восприятия клиентами предложений на рынке. Рисунок 4 показывает типичную карту, изготовленную с помощью этого метода на основе информации по тематическим паркам отдыха. На этом рисунке пространство — не географическое расстояние между парками, а психологическое пространство. Карта показывает, насколько близко клиент видит центры отдыха в своем сознании, и параметры, которые он применяет. Помимо визуализации рынка карты, произведенные с помощью многомерного шкалирования, могут помочь позициони- [c.109]
Первые два примера показывают, как получают и карты восприятия, которые являются ядром многомерного шкалирования. Пример с карточкой omplete Master ard Amerite h демонстрирует компромиссы, на которые идут респонденты при оценке вариантов. Метод совместного анализа как раз и опирается на такие компромиссы. [c.777]
Пространственная карта (spatial map). Воспринимаемые взаимосвязи между торговыми марками или другими объектами, представленные в виде геометрических связей между точками в многомерном пространстве. [c.779]
Данные, касающиеся предпочтений респондентов. С данных о предпочтениях маркетолог-исследователь может увидеть порядок предпочтения объектов респондентами с точки зрения какого-либо их свойства. Обычный способ получения таких данных — ранжирование предпочтений. От респондентов требуется торговые марки в порядке снижения их предпочтения (от наиболее предпочитаемого к наименее). Альтернативно, респондентов можно попросить выполнить попарное сравнение и указать, какую торговую марку они предпочитают в данной паре. Другой метод сбора данных о предпочтениях — получение оценок предпочтений для разных торговых марок. (Ранжирование, попарное сравнение и определение рейтинга изложены в главах 8 и 9 при обсуждении методов шкалирования). Если в основе пространственной карты лежат данные о предпочтениях, то расстояние означает различие в предпочтениях. Конфигурация, из данных о предпочтениях, может сильно отличаться от конфигурации, полученной на основе данных сходства объектов. Две торговые марки можно воспринимать как различные на карте восприятий, и как одинаковые на карте предпочтений, и наоборот, зубные пасты rest и Pepsodent могут восприниматься группой респондентов как совершенно разные, и поэтому соответствующие им точки будут далеко отстоять друг от друга на карте восприятий. Однако респонденты могут в равной степени предпочитать эти две марки зубной пасты, и поэтому на карте предпочтений точки, соответствующие маркам этих зубных паст, находятся недалеко одна от другой. Чтобы проиллюстрировать процедуру многомерного шкалирования, мы используем данные восприятий, полученные в примере с зубной а затем рассмотрим шкалирование данных о предпочтениях. [c.782]
Один из способов проверки влияния рекламы на продажи продукции фирмы Pepsi заключается в использовании возможностей кабельного телевидения. С помощью многомерного шкалирования маркетологи могут показать сходства (или различия) семей и сформировать сегменты, однородные по своему отношению к безалкогольным напиткам. Другими словами, можно идентифицировать несколько рыночных сегментов и соответствующие им марки безалкогольных напитков (в виде точек) до и после рекламы нанести на двумерную карту. Затем на эту же карту можно нанести позиции продукта до и после рекламы. Один график строят для контрольной группы, а для экспериментальной, Для каждого из графиков можно изучить движение точек от до рекламы к позиции после рекламы, а затем сравнить полученные графики, чтобы иметь представление об эффективности рекламы. [c.830]
Самоорганизующиеся карты подсмотрены Тейво Кохоненом у природы. Они основаны на тех же принципах самоорганизации, что лежат в основе деятельности головного мозга. Многие, наверное, видели в учебниках по анатомии карты сенсорной или двигательной коры человеческого мозга, где каждому органу соответствует своя область мозга. Это соответствие возникло спонтанно благодаря пластичности мозга и его способности обучаться. Карты Кохонена также представляют собой пластичную обучающуюся поверхность, формирующую двумерный портрет сложных многомерных данных. Принцип их работы при желании легко понять, еще легче освоить этот удобный аналитический инструмент на практике. [c.14]