|
SPSS для Windows
Аналитический процесс
Планирование исследований
Сбор данных
Доступ к данным и подготовка данных
Статистические методы анализа данных:
Описание данных
Прогнозирование числовых результатов
Использование сегментации и классификации для выделения групп
Сегментация/снижение размерности
Классификация
Повышение качества прогнозов
Представление результатов
Распространение результатов
Системные требования
|
|
Классификация
Эффективная идентификация целевых групп
Сталкиваетесь ли Вы с необходимостью выделять группы покупателей, наилучшим образом соответствующих Вашим предложениям или программам, чтобы более эффективно направлять рекламные акции?
Classification Trees позволяет, используя деревья решений, выделять сегменты и предсказывать, какие группы людей откликнутся на предложения. Четыре мощных алгоритма построения деревьев решений — CHAID, Исчерпывающий CHAID, Деревья классификации и регрессии и Quest — позволяют выделять сегменты и выявлять закономерности в данных. Например, можно установить, что состоящие в браке клиенты среднего возраста, которые приносят умеренную прибыль, более склонны откликаться на предложения, направляемые через Интернет.
При помощи Classification Trees можно выявлять, какие группы людей, вероятнее всего предпримут определенные действия, например, кто, вероятнее всего, купит, а кто не купит определенные товары. Поскольку Classification Trees автоматически осуществляет поиск зависимостей в данных, то может оказаться, что Вы обнаружите закономерности, которые не смогли заметить, проводя предварительный (описательный) анализ данных. Деревья решений выводятся в графической форме, что позволяет без лишних усилий увидеть сегменты и закономерности, обнаруженные в данных. Сводная информация о выделенных сегментах, доступная в
Classification Trees, позволяет оценить надежность результатов.
Результаты сегментации можно сохранить в базе данных или в файлах данных SPSS с использованием SQL или синтаксиса SPSS. Полученную информацию о принадлежности к группам можно использовать для принятия управленческих решений.
Выделение групп людей в соответствии с их прогнозируемыми действиями
В некоторых случаях зависимые переменные являются дихотомическими (имеют значения, например, купил и не купил, заплатил и не заплатил). Возможно, Вам необходимо предсказывать вероятности таких событий, как отклик или неотклик на предложение, либо участие или неучастие в программе. Например, компании, предоставляющей коммунальные услуги, может быть необходимо знать, какие предикторы указывают на возможную неоплату коммунальных услуг, чтобы создать специальные планы оплаты коммунальных услуг для потребителей, которые нуждаются в помощи.
Процедура бинарной логистической регрессии (в SPSS Regression Models) обеспечивает возможность подбора моделей прогноза для дихотомических зависимых переменных. Бинарная логистическая регрессия предоставляет широкие возможности задания параметров моделей и выбора порядка включения предикторов в модели. Шесть методов шагового включения и исключения переменных позволяют наилучшим образом отбирать переменные для включения в модели. Также можно задавать критерии включения и исключения переменных. Процедурой выдается пошаговый отчет о включении / исключении переменных.
Классификация по нескольким группам
Если у зависимой переменной более двух категорий, то Мультиноминальная логистическая регрессия (в SPSS Regression Models) поможет Вам точно предсказывать принадлежность к группам. Телекоммуникационная компания, например, может прогнозировать, какие услуги закажет клиент: определитель номера, голосовую почту, удержание вызова или несколько услуг сразу. Если модель предсказывает, что клиент закажет только определитель номера, такого клиента можно включить в прямую рассылку со специальным предложением услуги определитель номера. Это означает, что рекламные ресурсы не будут потрачены впустую на клиентов, которых заведомо не заинтересует предлагаемая услуга.
Прогнозирование порядковых переменных
Если необходимо прогнозировать значения порядковых переменных, например, удовлетворенность клиентов (не удовлетворен, скорее не удовлетворен, скорее удовлетворен, удовлетворен), в процедуре Политомические универсальные модели (PLUM в SPSS Advanced Models) есть все необходимое для построения таких прогнозов. Выбирая различные функции связи, можно подгонять различные модели: порядковую логистическую регрессию, порядковые пробит-модели и порядковые модели Коши. Процедура позволяет сохранить в файле данных все предсказанные вероятности для всех категорий зависимой переменной.
Другие процедуры для идентификации групп
- Логлинейные/логит модели и общий логлинейный анализ (в SPSS Advanced Models) — анализ частот в ячейках таблиц сопряженности. Например, в исследованиях рынка можно воспользоваться данными о предпочтениях товаров для выявления связей между рекламными акциями и позиционированием товаров на рынке.
- Логлинейный анализ для подбора модели (в SPSS Advanced Models) — позволяет выяснить, между какими категориальными переменными существует связь. Для построения моделей можно применять методы включения или исключения переменных.
- Логит-логлинейный анализ (в SPSS Advanced Models) — анализ связей между категориальными переменными — зависимыми (откликами) и независимыми (объясняющими).
- Пробит анализ (в SPSS Regression Models) — позволяет анализировать связь между зависимой переменной, в которой записаны доли отклика на некоторые воздействия и независимыми переменными, в которых записаны уровни воздействия.
- Категориальная регрессия (в SPSS Categories) — оцифровка категориальных данных путем присвоения категориям числовых значений и построение оптимального уравнения регрессии для преобразованных данных. Категориальная регрессия может применяться, например, для описания удовлетворенности покупателей в зависимости от простоты совершения покупки, цены и качества товара. Полученное уравнение можно использовать для предсказания удовлетворенности покупателей для любых сочетаний значений независимых переменных.
- SPSS Exact Tests — получение корректных результатов при анализе небольших наборов данных. SPSS Exact Tests применяется в следующих случаях: небольшое количество наблюдений, наличие переменных с большой долей ответов в одной категории, наличие в данных ярко выраженных подгрупп. SPSS Exact Tests также целесообразно применять при исследовании редких событий в больших наборах данных (например, семьи, в которых более 5-и детей).
|
