• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Программа повышения квалификации

Методы анализа и интерпретации количественных данных

Стоимость
20000 рублей

О курсе:

Насыщенный интенсив по анализу данных в SPSS. Мощный арсенал методов и техник, все самое ценное для вдумчивого и всестороннего анализа данных количественных маркетинговых исследований – начиная от организации базы и анализа таблиц сопряженности – до симуляторов Conjoint и прогностических моделей. 8 лекций, 8 домашних заданий, 1 итоговый проект

Чему Вы научитесь:

Глубоко разбираться в основных методах анализа данных, сравнивать их, уметь правильно подбирать метод под задачи, и выстраивать анкету и базу исследования под определенные методы

Применять арсенал основных методов анализа данных в SPSS, понимать возможности и ограничения методов, знать профессиональные тонкости и хитрости

Интерпретировать данные, строить содержательные выводы и рекомендации для бизнеса. Принимать решения на основе данных: data-driven подход

Емко и эффектно визуализировать результаты анализа данных, делать понятные презентации и объяснять их простым языком коллегам, незнакомым с методами

Кому подойдет:

  • Менеджерам по маркетинговым исследованиям на стороне Заказчика
  • Product-менеджерам, маркетологам, аналитикам
  • Сотрудникам исследовательских агентств всех уровней
  • И всем, кто хочет уметь разбираться в анализе данных

Базовые знания в области анализа данных приветствуются, но не являются обязательными. Главное – ваше желание и мотивация разбираться в анализе данных

Вам понадобится пакет SPSS не ниже 20-й версии

Изюминка курса:

Практика!

Курс максимально практический. 80% практики, 20% теории. В 20% теории входит: философия, методологическая подоплека, бизнес-задачи, для которых подходит тот или иной метод. Остальное – это практика, практика, практика. Методы, фишки, особенности, интерпретация, выводы для бизнеса. Практика на лекциях, практика в домашних заданиях, практика в итоговом проекте. Потому что анализом данных невозможно овладеть по-другому.

Все методы иллюстрируются кейсами. Все домашние задания строятся на данных синдикативных исследований агентства RADAR.

Итоговый проект выполняется на вашей базе, с которой вы сейчас работаете, и которая нужна вам для решения ваших бизнес-задач.

Формат занятий:

8 LIVE-лекций по 2 часа

Лекции проводятся в Zoom Webinar, вопросы задаются в чате

После каждой лекции задаются домашние задания

Итоговый проект выполняется в течение недели после завершающей лекции

Домашние задания и итоговый проект проверяются лично преподавателем

 

Поступление

Целевая группа

работники частных, в том числе исследовательских, компаний, образовательных и научных учреждений, имеющие высшее и (или) среднее профессиональное образование; лица, получающие высшее образование.

Документы для приема

Оригинал и копия паспорта или документа, заменяющего его

Оригинал и копия документа об образовании и квалификации или справка об обучении для лиц, получающих высшее образование

Оригинал и копия документа об изменении фамилии, имени, отчества (при необходимости)

Содержание программы

Лекция 1. Структура данных и анализ таблиц сопряженности

Учимся правильно организовывать базу и проводить ее первичный анализ с помощью простейших инструментов

  • Организация структуры данных в SPSS. Как правильно хранить в базе multiple-переменные. Прописывание параметров переменных и преобразования через синтаксис.
  • Взвешивание данных, работа с весами
  • Создание и работа с multiple response sets
  • Построение любых видов таблиц в Custom Tables
  • Анализ таблиц сопряженности. Основные меры связи для номинальных, порядковых и интервальных переменных
  • Значимые различия и доверительные интервалы. Z-test и T-test
  • Корреляция. Виды коэффициентов корреляции
  • Анализ стандартизованных остатков

 

 

Лекция 2. Анализ соответствий и построение карт восприятия

Учимся работать с самым простым и базовым методом анализа данных, работающим на любых таблицах сопряженности. Строим и интерпретируем карты восприятия. Учимся называть оси (латентные факторы). Формируем гипотезы о взаимосвязи переменных

  • Коротко об истории и философии анализа соответствий. Это важно, потому что метод создан социологом для социологов
  • Виды анализа соответствий: простой (CA), множественный (MCA), совместный (JCA), и другие
  • Основные понятия анализа соответствий: профили, массы, расстояния, инерция, снижение размерности, координаты, вклады, показатели качества решения
  • Принципы интерпретации результатов в анализе соответствий. Использование числовых статистик и графического решения
  • Использование дополнительных точек
  • «Хитрости» в анализе соответствий: одномерное и многомерные решения, ассиметричные карты, виды нормализации, нанесение на карты точек-респондентов, и т.д.

 

 

Лекция 3. Методы снижения размерности пространства

От работы с таблицами сопряженности переходим на индивидуальный уровень анализа. Ищем глубинные латентные факторы, которые могут скрываться за внешними проявлениями ответов на конкретные вопросы, шкалы, высказывания

  • Что дает снижение размерности пространства и зачем его делать? Философия подхода
  • Множественный анализ соответствий (MCA) как самый общий метод снижения размерности
  • Категориальный факторный анализ (CatPCA). Оцифровка переменных. Вращение осей в CatPCA
  • Разведочный факторный анализ с помощью метода главных компонент (PCA).
  • Работа с методами снижения размерности: выбор исходных переменных, матрица корреляций на входе, определение количества факторов, методы вращения, интерпретация результатов
  • Многомерное шкалирование (MDS): что оно дает? Можно ли его рассматривать как метод снижения размерности?
  • Альтернативный подход к снижению размерности: факторный анализ через команду Cluster. Когда можно применять и зачем?
  • Q-Factor: зачем все «переворачивать с ног на голову»?

 

 

Лекция 4. Сегментация с помощью методов кластерного анализа

От снижения размерности на уровне переменных переходим к снижению размерности на уровне респондентов. Разбиваем неоднородную совокупность респондентов на сегменты, где представители одного сегмента схожи между собой, и при этом максимально отличаются от других сегментов. Выбираем целевой(-ые) сегмент(ы)

  • Критерии успешной сегментации: решение бизнес-задач, дифференциация, устойчивость, идентификация, достижимость. Что скрывается за каждым из этих пунктов
  • Последовательность этапов при сегментации: (1) снижение размерности пространства, (2) кластеризация, (3) оценка устойчивости решения и поиск максимально дискриминирующих переменных, (4) интерпретация решения
  • Метод K-Means и его недостатки
  • Иерархические методы кластерного анализа
  • Выбор формы кластеров (метода кластерного анализа): что и когда использовать?
  • Выбор метрики пространства
  • Определение количества кластеров в решении
  • Оценка устойчивости решения
  • Принципы интерпретации кластерного решения
  • Использование дискриминантного анализа для интерпретации, оценки устойчивости и обучения классификации 
  • Итоговая интерпретация решения, портрет сегментов
  • Построение матрицы приоритизации сегментов и выбор целевых сегментов

 

 

 

Лекция 5. Построение деревьев классификации

Ищем интересные комбинации переменных, которые позволяют более или менее однозначно отнести респондента к тому или иному сегменту. Учимся использовать данные исследований для расчета финансовой модели продукта

  • Для чего нужны деревья классификации (деревья решений)? Пример из банковского скоринга
  • Основные алгоритмы деревьев классификации: CHAID, ECHAID, C&RT, QUEST. Техника, особенности, интерпретация
  • Критерии остановки дерева
  • Валидизация деревьев
  • Интерактивная работа с деревьями в SPSS Answer Tree. Сохранение узлов (nodes) в SPSS
  • Работа со взвешенными данными, учет реального размера узлов
  • Показатели качества решения деревьев классификации
  • Определение наиболее аффинитивных сегментов. Расчет финансовой модели продукта на основе деревьев классификации

 

Лекция 6. Построение регрессионных моделей

Строим и интерпретируем модели, показывающие, как одни переменные влияют на другие. Подбираем математическую функцию, оцениваем ее показатели качества, учимся строить прогнозы

  • Понятие связи и зависимости в анализе данных
  • Что может и чего не может регрессионный анализ. Как готовить переменные для использования в регрессии
  • Регрессионный анализ «на пальцах» в EXCEL
  • Основные виды регрессий: простая линейная, бинарная логистическая, порядковая регрессия, мультиномиальная логистическая регрессия. Какой вид когда использовать?
  • Подбор формы зависимости в регрессионных моделях
  • Показатели качества моделей в разных видах регрессий
  • Интерпретация регрессионных моделей и коэффициентов
  • Ограничения регрессионного анализа и как их преодолеть
  • Прогнозирование с помощью регрессионного анализа 

 

 

Лекция 7. Конструирование и оптимизация продукта с помощью Conjoint-анализа

Определяем, насколько конкретные характеристики важны при выборе продукта, и как изменятся потребительские предпочтения, если в продукте что-то изменить. Учимся работать с симулятором рынка

  • Проблема измерения реальной важности характеристик продукта. Предпосылки и очень краткая история появления Conjoint-анализа
  • Основные понятия Conjoint: атрибуты, уровни, профили, полезности уровней, важности атрибутов
  • Базовые виды Conjoint: RBC, ACA, CBC, MaxDiff Conjoint. Какой вид когда использовать?
  • Разработка экспериментального плана Conjoint при подготовке проекта. Ортогональные планы
  • Проведение Conjoint-анализа средствами SPSS: возможности и ограничения. Краткий обзор других софтов для Conjoint
  • Интерпретация результатов Conjoint. Что можно делать с полезностями
  • Идеальный продукт и оптимальный продукт. Принципы оптимизации продукта с использованием Conjoint-анализа
  • Разработка симуляторов Conjoint

 

 

Лекция 8. Анализ временных рядов

Работаем с данными в динамике за несколько лет наблюдений. Учимся находить и удалять из данных закономерности, объяснять динамику и ее причины, строить и оценивать прогнозы

  • Цели и стадии анализа временных рядов
  • Поиск и удаление тренда из данных
  • Декомпозиция сезонности. Сезонные коэффициенты
  • Автокорреляция и авторегрессия: что это, и как используется   
  • Построение моделей ARIMA: подготовка данных, настройка параметров
  • Подбор параметров моделей ARIMA: тренд, сезонность, разностные операторы, операторы сдвига, скользящее среднее, логарифмизация, и т.д.
  • Принципы интерпретации решения. Показатели качества моделей
  • Примеры использования моделей ARIMA при анализе эффективности рекламных кампаний  

Преподаватели

Шафир Марк Александрович
Кафедра методов сбора и анализа социологической информации: Приглашенный преподаватель

CEO&Founder исследовательского агентства RADAR
  • Закончил Вышку в 2006 году
  • В 2007 году основал исследовательское агентство RADAR
  • 17 лет в индустрии маркетинговых исследований
  • 13 лет преподавания в Вышке
  • Работает с компаниями: Metro Cash&Carry, Reckitt Benckiser, X5 Retail Group, МегаФон, Mail.ru Group, АльфаСтрахование, Альфа-Банк, и др.  

 

Ссылки:

Site: https://radar-research.ru/

TG: https://t.me/radarresearch

IG: https://www.instagram.com/markradaroff/

FB: https://www.facebook.com/mark.shaphir/

 

Документ об образовании

Скачать (JPG, 668 Кб)

 

Подать заявку

Вас могут заинтересовать