APLIKACE NÁSTROJE PASW SPSS 18.0 BASE V TRŽNÍ

Úvod a záměr práce APLIKACE NÁSTROJE PASW SPSS 18.0 BASE V TRŽNÍ SEGMENTACI Autor: Mgr. Ing. David Vít Faulta eletrotechnicá ČVUT v Praze, atedra eonomiy, manažerství a humanitních věd 1. Úvod a záměr práce Cílem této práce je posoudit možnosti prostředů shluové a fatorové analýzy softwarového nástroje PASW SPSS 18.0 Base v procesu tržní segmentace v návaznosti na závěry diplomové práce Využití shluové analýzy v maretingu. Diplomová práce se zabývala významem tržní segmentace v maretingovém strategicém plánování, použitím hierarchicé shluové analýzy při identifiaci tržních segmentů a navržení jejích vhodných metod v této problémové oblasti. V rámci práce byl navržen jednoduchý softwarový nástroj v jazyce Java, terý umožnil následné otestování chování hierarchicého polyteticého aglomerativního shluování AGNES s využitím metod jednoduché vazby, průměrné vazby, úplné vazby a Lance-Williamsovy míry podobnosti mezi shluy. Tento nástroj by dále doplněn o algoritmus hierarchicého monoteticého divizivního shluování MONA. Pro využití v tržní segmentaci posytovaly jlépe interpretovatelné výsledy algoritmus MONA a metoda průměrné vazby u metody AGNES. V rámci poračování práce byly s pomocí paní RNDr. Vlasty Kašové otestovány možnosti softwarového nástroje PASW SPSS 18.0 Base. Tento softwarový produt společnosti IBM představuje univerzální statisticý analyticý nástroj, umožňující provádění mnoha statisticých testů a analýz, přesahujících možnosti běžně dostupných prostředů typu Microsoft Excel. V rámci SPSS se jedná o hierarchicou shluovou analýzu (Hierarchical Cluster), zahrnutou v nabídce Analyze - Classify a fatorovou analýzu (Factor), zahrnutou v nabídce Analyze Dimension Reduction. Pro otestování těchto prostředů byla použita data z diplomové práce. Zísané výsledy zísané pomocí nástrojů posytnutých SPSS budou porovnány s výsledy zísanými výše zmíněným analyticým nástrojem vyvinutým jao součást diplomové práce.. Hierarchicá shluová analýza v SPSS V tržní segmentaci se stvují shluy dle objetů, če v SPSS odpovídá volba metody dle případů (Cases). K dispozici jsou následující metody stvení míry podobností mezi shluy: metody založené na míře podobnosti - between-group linage, within-group linage, arest ighbor, furthest ighbor (metoda úplné vazby), a metody založené na vzdálenosti centroid clustering, median clustering a Ward s method. Lze zvolit mezi třemi supinami měr podobnosti intervalovými (interval data), binárními (binary data) a ategoriálními (counts data). Záladním problémem je zde existující možnost volby míry podobnosti pro smíšená data, terá se obecně mohou vysytovat v maretingových dotaznících. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 1

Hierarchicá shluová analýza v SPSS Pro přímé použití těchto dat při analýze v SPSS lze zcela vyloučit binární míry, poud ní na datech provedena předchozí transformace na binární proměnné, podobně jao je prováděna v prvním rou metody MONA. Míry pro intervalová data jsou použitelné pro ategoriální data, boť vnášejí dodatečnou informaci o uspořádání (nominální data) a vzájemný poměr hodnot (ordinální a nominální data). Pro ategoriální data jsou dispozici dvě možné míry podobnosti chi-squared (Pearsonova statistia ) a phi-squared. Pearsonova statistia je definována následovně: K K l ( nrs M rs) nr. ns n., de M rs M n r1 s1 je četnost očeávaná v případě závislosti sledovaných proměnných, K l s1 sdružené absolutní četnosti a n r n rs a n rs K s n rs r1 nrs jsou jsou marginální četnosti zísané z ontingenční tabuly absolutních četností. Míra phi-squared se nazývá oeficient průměrné čtvercové ontingence. n Z výše uvedeného je zřejmé, že obě míry chi-squared i phi-squared jsou z hledisa tvorby shluového rozladu rovnocenné, rozdíl je pouze v absolutních hodnotách prvů použité matice podobnosti. V případě využití SPSS pro shluovou analýzu dat maretingových dotazníů je tedy zbytné provést transformaci všech proměnných na binární s tím, že lze následně využít napřílad binární verze Diceova oeficientu navrhovaného v rámci diplomové práce. To je ovšem spojeno s růstem veliosti úlohy a vzniem velého počtu binárních proměnných. Druhou možností je ompromisní použití buď míry chisquared s tím, že je ztracena informace sená v ordinálních a vantitativních proměnných bo něteré míry pro vantitativní data, SPSS nabízí pro tento typ dat jao výchozí míru čtvercovou eulidovsou vzdálenost (Squared Euclidan distance): D m i, j xi, x j, ) 1 (. V případě použití míry pro vantitativní data je vša mezi nominální proměnné zanášena dodatečná informace v podobě uspořádání a vzájemného vztahu hodnot a mezi ordinální proměnné informace o vzájemném vztahu hodnot. Vzhledem tomu, že převažující charater proměnných v maretingových dotaznících jsou nominální a ordinální typy, je vhodnější v tomto případě preferovat ategoriální míru chi-squared. V rámci této práce budou vytvořeny shluové rozlady s využitím metody úplné vazby pro míry chi-squared a squared euclidean distance. Poud se označí míra podobnosti mezi dvěma shluy i a j jao d i, j, je míra úplné vazby mezi shluy (Sorensen) mezi shluem a shluem (ij), terý vzninul sloučením původních shluů i a j definována následovně: 1 1 1 d, ( ij). d, i. d, j. d, i d, j. Tato míra má tendenci vytvářet velé sféricé shluy, v nichž jsou míry podobnosti jvíce podobných objetů zhruba stejně velé, tedy vytvořené Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána

Hierarchicá shluová analýza s Gowerovým oeficientem sféricé shluy mají podobný poloměr. Tato míra podle závěrů diplomové práce posytnula jlépe interpretovatelné výsledy. Při porovnání s mírou podobnosti implementovu ve vlastním analyticém nástroji v metodě AGNES, tedy Gowerovým oeficient u, nabízí s výjimou předchozí transformace na binární proměnné SPSS možnost přirozené míry pro smíšená data. 3. Hierarchicá shluová analýza s Gowerovým oeficientem Poud se v datovém souboru vysytují smíšená data, lze zvolit podobně jao v diplomové práci, vhodnou onstruci míry podobnosti, terá doáže zreslit použitá data. Nejznámějším přístupem onstruce míry podobnosti pro proměnné smíšeného typu obsahujícího ja vantitativní ta i ostatní typy proměnných je Gowerův oeficient u, terý je definován následovně: D i, j m wi, j. di, j 1 m wi, j 1, de i j d i, j je míra podobnosti mezi objety i x a x j na záladě proměnné, hodnota w, je rovna 0 pro případ, dy proměnná je asymetricá binární a alespoň jedna z hodnot x bo i, x je rovna nule bo chybí. V opačném případě je hodnota w j, i, j rovna 1. Smyslem této podmíny je vyloučení shody pro gativní výslede v případě asymetricých binárních proměnných, dy je zajímavá shoda pouze pro pozitivní výsledy. Míra podobnosti d i, j mezi objety x i a x j na záladě proměnné závisí na typu této proměnné: pro vantitativní proměnné v intervalové stupnici je definována jao podíl absolutního rozdílu hodnot proměnných u obou objetů a maximálnímu rozdílu hodnot proměnných pro tuto proměnnou d i, j max x p1,,..., n i, x p x j, min p1,,..., n x p pro binární a nominální proměnné je definována d [ xi, x j, ], tj. d i, j 1, poud x i, x j,, a d i, j 0, poud x i, x j,. i, j pro ordinální proměnné a vantitativní proměnné měřené v poměrové stupnici jsou pro všechny objety datového souboru hodnoty x, transformovány na hodnoty r,, teré představují pořadí této hodnoty r 1,,..., m i i m i,, de je Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 3

Hierarchicá analýza testovacího souboru maximální pořadí pro hodnotu -té proměnné. Toto pořadí je následně normalizováno na hodnotu ri, 1 x i,, m 1 terá je následně použita s mírou podobnosti určenou pro vantitativní data měřená v intervalové stupnici. Tato transformace pro použití míry podobnosti d, podle -té proměnné by měla být vždy použita pro ordinální data. Jde tedy i j faticy o normalizaci celočíselných hodnot do intervalu <0;1>. Vzhledem potenciálnímu rozsahu vantitativních dat měřených v poměrové stupnici je ovšem rozhodně vhodnější použít výše zmíněnou logaritmicou transformaci hodnot tohoto typu proměnných na vantitativní proměnnou měřenou v intervalové stupnici a její následnou normalizaci. Tato míra podobnosti je implementována spolu s metodou úplné vazby v analyticém nástroji. S výsledy této metody budou srovnány výstupy testovaných metod v PASW SPSS 18 Base. 4. Hierarchicá analýza testovacího souboru V rámci diplomové práce bylo provedeno vlastní maretingové dotazování mezi studenty předmětu Maretingový výzum (Y16MVY) přednášeného doc. Ing. Věrou Vávrovou, CSc. Jao předmět testování bylo zvoleno zhodnocení potřeb, požadavů a motivů na využití osobních počítačů a ů mezi studenty FEL ČVUT v Praze studijního oboru softwarové technologie a management a jeho cílem bylo zjistit závislosti mezi potřebami, požadavy a motivy oupě na jedné straně a technicými parametry a demograficými, geograficými, sociálně eonomicými hledisy na straně druhé. Ačoliv počet vrácených anetních lístů byl příliš velý, vznilý výsledný datový soubor postačoval na demonstraci implementovaných metod shluové analýzy a následnou disuzi výsledů. Odpovědi účastníů anety tvoří přílohu 1 této práce. Jednotlivá ritéria maretingového dotazníu jsou označena písmeny: možnosti využití počítače jsou označeny písmeny A1 až A6, požadavy na počítač písmeny B1 až B5, technicé parametry počítače písmeny C1 až C8, pořizovací hodnota počítače je označena písmem D1, existující funce počítače jsou označeny písmeny E1 až E8 a demograficé a sociálně-eonomicé údaje písmeny F1 až F6. Pro zpracování pomocí analyticého nástroje vytvořeného v rámci této práce byla tabula transformována podle požadavů vstupního souboru analyticého nástroje do číselné podoby. Zísaná ritéria můžeme logicy rozdělit do tří různých supiny ritérií: Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 4

Hierarchicá analýza testovacího souboru behaviorálních ritérií (A1 až A6, B1 až B5), přičemž vešerá behaviorální ritéria (A1 až A6, B1 až B5) jsou ordinálního charateru, demograficých ritérií (F1 až F6), dy ritéria F1 a F5 chápeme jao asymetricá binární, F jao ordinální, F4 a F6 jao nominální a F3 jao vantitativní ritérium, a funcí počítače (C až C8 bez počtu počítačů a E1 až E8), v jejichž případě za ordinální ritéria považujeme C3, C5, C7 a C8, nominální ritéria jsou C a C4 a ritérium C6 je vantitativní, ritéria E1 až E8 chápeme jao asymetricá binární, boť nás zajímá pozitivní shoda znau. Bohužel ja je patrné, tvoří všechny tři supiny ritérií proměnné rozdílné strutury typů. Zejména v případě behaviorálních ritérií máme dispozici pouze ordinální ritéria, zatímco u ostatních dvou supin je strutura typů smíšená, vysytují se i vantitativní ritéria a nominální ritéria. Poud bychom ritéria behaviorální supiny chápali i jen částečně jao nominální, ztratili bychom část dostupné informace, terou nám posytuje vyjádření preferencí a postoje respondentů maretingového dotazování. Vzhledem tomu, že máme velmi malý datový soubor, ve výsledu budeme uvažovat shluy menší ž 10 % rozsahu vstupního datového souboru, tedy nás budou zajímat pouze taové rozlady, de budou větší shluy ž 3 objety. Menší shluy budeme považovat za odlehlé objety a z rozladu je vyloučíme. V rámci posouzení výsledů vlastního analyticého nástroje pomocí polyteticé aglomerativní metody AGNES s metodou úplné vazby a SPSS budeme vytvářet shluové rozlady podle supiny behaviorálních ritérií, terá jsou všechna ordinální. 4.1 Rozlad metodou AGNES s Gowerovým oeficientem Při testech provedených na behaviorálních ritériích s pomocí vlastního analyticého nástroje byly zísány hierarchicé shluové rozlady uvedené v příloze. Jim odpovídající dendrogram je uveden v příloze 3. Z dendrogramů jsou patrné jednotlivé hlouby sloučení shluů. Taovýto dendrogram představuje vyniající pomůcu pro intuitivní stvení dostatečně velého segmentu. Na záladě rozboru jeho strutury je možno stvit hloubu slučování, v níž se provede příslušný řez. Napřílad u zvoleného rozladu můžeme zvolit hranici řezu ve hloubce 6. V důsledu toho zísáme celem 6 shluů, z nichž poslední dva jsou příliš malé a můžeme je chápat jao odlehlé objety: G1 = {, 3, 5, 8, 9, 10, 13, 18, 19, 6, 8, 9, 30, 3, 33, 35 }, G = { 1, 11, 1, 14, 17, 0, }, G3 = { 6, 1, 5, 7 }, G4 = { 15, 16, 3, 31 }, G5 = { 7, 4 }, G6 = { 34 }. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 5

Hierarchicá analýza testovacího souboru Tato zísaný shluový rozlad můžeme nyní porovnat s rozladem provedeným pomocí SPSS. 4. Rozlad pomocí SPSS se čtvercovou eulidovsou vzdáleností Data původního souboru byla jprve naimportována do vstupní databáze SPSS a následně v ní byly nastaveny typy proměnných podle požadované implementace. SPSS umožňuje nastavení ordinálního, nominálního a numericého typu s možností filtrování vypouštěných hodnot. U binárních proměnných ní možno rozlišit interpretaci symetricých a asymetricých případů, proto byly tyto definovány jao ordinální typ. Byla použita metoda Further ighbor (úplná vazba) s mírou podobnosti Chi-squared measure. Příloha 4 obsahuje postup hierarchicého slučování pro tuto metodu, v příloze 6 je pa graficy znázorněn postup slučování, ja jej vygeroval SPSS. Nejzajímavější údaje pa přináší příloha 8 zde je znázorněn dendrogram dle čtvercové eulidovsé vzdálenosti. V dendrogramu byl zvolen řez ve hloubce 7, terý posyt celem 6 shluů: E1 = { 3, 6, 9, 10, 15, 16,, 3, 30, 31, 35 }, E = { 1, 7, 11, 1, 14, 1, 5, 7 }, E3 = {, 5, 18, 19, 8, 9, 34 }, E4 = { 8, 4, 6, 3 }, E5 = { 13, 33 }, E6 = { 17, 0 }. Shluy E5 a E6 můžeme vzhledem jejich veliosti považovat za odlehlé. 4.3 Rozlad pomocí SPSS s Pearsonovou statistiou V rámci nastavení shluovací metody byla provedena transformace hodnot dle proměnných na defaultní Z scores, aby byly použity normalizované hodnoty všech proměnných. Byla použita metoda Further ighbor (úplná vazba) s mírou podobnosti Squared euclidean distance. Příloha 5 obsahuje postup hierarchicého slučování pro tuto metodu, příloha 7 pa graficy znázorňuje průběh tohoto rozladu. Je zřejmé, že při změně shluovací metody z vantitativní na ategoriální došlo zásadnímu rozdílu v průběhu. Dle vznilého dendrogramu uvedenému v příloze 9 je výsledný shluový rozlad zcela odlišný. V dendrogramu provedeme řez v hloubce 1, abychom zísali 6 shluů jao v předchozích metodách: Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 6

Porovnání výsledů rozladů SPSS a vlastního nástroje P1 = { 1, 3, 6, 7, 9, 10, 1, 14, 16,, 3, 5, 7, 30, 34, 35 }, P = { 5, 8, 18, 19, 6, 8, 9 }, P3 = {, 11, 13, 33 }, P4 = { 15, 0, 1, 31 }, P5 = { 4, 3 }, P6 = { 17 }. Shluy P5 a P6 budeme opět vzhledem male mohutnosti považovat za odlehlé. 5. Porovnání výsledů rozladů SPSS a vlastního nástroje V tabulce v příloze 10 jsou zvýrazněny příslušnosti objetů do 6 shluů na záladě shluových rozladů dle 3 porovnávaných metod. Barvy jsou použity pro zvýraznění přerývání shluů dle jednotlivých metod. Z tabuly je patrné, že se všechny použité metody výrazně rozcházejí, provedeme proto testy závislosti v ontingenční tabulce. Na záladě výsledů obou metod pro rozlad na 6 shluů vytvoříme 3 ombinační tabulu, de v řádcích budou uvedeny shluy dle jedné metody a ve sloupcích uvedeny shluy dle druhé. V polích ombinační tabuly pa budou uvedeny počty účastníů anety, teří byli přiřazeni do dané ombinace shluů dle obou algoritmů odpovídající danému poli tabuly. Nezávislost v ombinační tabulce bude otestována pomocí - testu závislosti v ombinační tabulce. Nulovou hypotézu o závislosti v ombinační tabulce dle tohoto testu zamítme, poud pro hodnotu testového ritéria s r i1 j 1 n ij n. r. r i i n. r. r platí, že je větší ž riticá hodnota veličiny pro stupeň volnosti f ( r 1).( s 1 ), de r je počet ategorií u řádové proměnné a s je počet ategorií u sloupcové proměnné. Hodnota n značí počet objetů ve statisticém souboru, hodnota n označuje počet dotazovaných dle i-té řádové a j-té sloupcové ategorie, tedy zařazených do i-tého shluu dle první metody a do j-tého shluu dle druhé metody, ni ri je relativní četnost výsytu i-té řádové ategorie a n j rj je relativní četnost n n výsytu j-té sloupcové ategorie. Testové ritérium ověříme na vhodných hladinách významnosti. Test je prováděn po 5 stupňů volnosti na velmi malém datovém souboru. Pro test závislosti shluových rozladů dle metody AGNES s Gowerovým oeficientem u a SPSS hierarchicé metody s eulidovsou vzdáleností na hladině významnosti 1 % zísáváme hodnotu testového ritéria t test = 44,5905, tato hodnota je vyšší, ž riticá hladina t (5) 44, 3141. Na hladině významnosti rit 1 % tedy vyvracíme nulovou hypotézu a tím proazujeme závislost shluového rozladu pomocí obou metod. j j ij Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 7

Porovnání výsledů rozladů SPSS a vlastního nástroje Pro test závislosti shluových rozladů dle metody AGNES s Gowerovým oeficientem u a SPSS hierarchicé metody s Pearsonovou mírou na hladině významnosti 10 % zísáváme hodnotu testového ritéria t test = 31,4007, tato hodnota je nižší, ž riticá hladina t (5) 34, 3816. Na hladině významnosti 10 % tedy rit můžeme vyvrátit nulovou hypotézu o závislosti shluového rozladu pomocí obou metod. Pro test závislosti shluových rozladů dle hierarchicých metod SPSS s eulidovsou vzdáleností a Pearsonovým oeficientem na hladině významnosti 1 % zísáváme hodnotu testového ritéria t test = 75,3981, tato hodnota je vyšší, ž riticá hladina t (5) 44, 3141. Na hladině významnosti 1 % tedy vyvracíme nulovou rit hypotézu a tím proazujeme závislost shluového rozladu pomocí obou metod. 5.1 Zhodnocení závěrů Ja již bylo uvedeno v úvodu, byly porovnávány shluové rozlady souboru, terý představuje do značné míry homogenní tržní mirosegment. Vzhledem tomu, že typ použitých proměnných byl ordinální, byla z hledisa metod nabízených v SPSS vhodnější eulidovsá vzdálenost. Z toho vyplývá i vyvrácení nulové hypotézy o závislosti shluových rozladů dle metody AGNES s Gowerovým oeficientem u a SPSS hierarchicé metody squared euclidean distance. Vzhledem transformaci ordinálních proměnných na normalizované pořadí odpovídá výpočet v případě čistě vantitativních proměnných použití normalizované Manhattansé vzdálenosti výsledů obou metod. m Di, j xi, x j,. Z toho důvodu vyplývá závislost 1 V případě Pearsonovy míry užité v SPSS dochází e ztrátě informace uspořádání hodnot jednotlivých ordinálních proměnných a proto jsou výsledy předvídatelné, tedy lze vyvrátit hypotézu závislosti shluového rozladu dle AGNES s Gowerovým oeficientem a SPSS hierarchicou metodou s Pearsonovou mírou. Tato míra ní vhodná pro zpracování datového souboru s vantitativními a ordinálními proměnnými. Zamítnutí závislosti shluových rozladů dle Pearsonovy míry a vadraticé eulidovsé vzdálenosti je jistým převapivým výsledem vzhledem zamítnutí závislosti tohoto rozladu s rozladem dle metody AGNES s Gowerovým oeficientem. Pravděpodobně tato vlastnost vyplývá z rozdílů vlastností normalizované Manhattansé vzdálenosti a vadraticé eulidovsé vzdálenosti. Vzhledem vysoé homogenitě preferencí respondentů anety pravděpodobně ztráta informace uspořádání hodnot ordinálních proměnných ní ta riticá u vadraticé eulidovsé vzdálenosti jao u vzdálenosti Manhattansé. Toto chování by bylo vhodné ověřit v budoucnu na větším datovém souboru případně porovnat chování Manhattansé a vadraticé eulidovsé vzdálenosti i na smíšených datech. Nicméně ověření těchto hypotéz považuji za slepou cestu vzhledem tomu, že pro smíšená data jsou Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 8

Využití fatorové analýzy v segmentaci trhu doporučovány speciální metriy typu Gowerovy míry podobnosti či optimalizační metody typu metody -prototypů. Závěry zísané z testování hierarchicých metod posytovaných produtem PASW SPSS 18.0 Base jsou velmi užitečné, boť z hledisa interpretace zísaných výsledů potvrzují předchozí závěry, teré se týají větší vhodnosti použití monoteticých hierarchicých shluovacích metod pro segmentaci trhu. Pomime-li sutečnost, že se výsledy různých polyteticých metod značně rozcházejí, je velmi obtížné definovat vhodnou míru podobnosti pro smíšená data, a tyto metody vyazují vysoou citlivost na míru podobnosti použitou sestavení matice podobnosti, interpretace shluových rozladů vytvořených libovolnou polyteticou shluovací metodou je velmi problematicá. Vzhledem charateru monoteticého shluování je interpretace nalezených shluů jao maretingových segmentů výrazně jednodušší. 6. Využití fatorové analýzy v segmentaci trhu V rámci testování vzorových dat s produtem PASW SPSS 18.0 Base byla posouzena i možnost apliace fatorové analýzy při stvování tržních segmentů. Hlavním cílem fatorové analýzy je hledání srytých fatorů, teré ovlivňují sledované proměnné datového souboru. Výsledem je jedna zmenšení rozměru úlohy pro shluovou analýzu a dále pa nahrazení velého počtu potenciálně srytě orelovaných proměnných něolia novými vzájemně buď vůbec orelovanými, případně málo orelovanými proměnnými fatory. V případě, že v datovém souboru jsou nalezeny vhodně interpretované orelované fatory, je možno tyto využít pro snazší popis nalezených shluů, tedy tržních segmentů. Velé množství behaviorálních preferenčních ritérií může být nahrazeno gericými ritérii, terá du množinu vzájemně orelovaných proměnných původního statisticého souboru vznilého na záladě maretingového dotazníu lépe vystihují. Fatorová analýza vznila v psychologii zejména na záladě prací Ch. Spearmana či Raymonda B. Cattella a jejím primárním využitím byla definice osobnostních fatorů. Pro využití v maretingu při stvení tržních segmentů může být fatorová analýza užitečná pro stvení popisu nalezených shluů. Otázou je, zda je vhodnější provést jprve fatorovou analýzu datového souboru a zmenšit ta počet sledovaných proměnných a pracovat s transformovanými hodnotami nových proměnných, bo provést shluovou analýzu na původních srytě orelovaných proměnných a zísané shluy pa popsat pomocí hodnot fatorů jednotlivých objetů. Vzhledem tomu, že pro optimální výsledy shluové analýzy je jvhodnější použít co jmenší počet vzájemně orelovaných proměnných, uazuje se jao jednoznačné východiso provést jprve fatorovou analýzu původního souboru pocházejícího z maretingového dotazníu, tím zmenšit veliost úlohy na něoli podstatných orelovaných proměnných, teré bude následně možno použít pro popis nalezených shluů modelů tržních segmentů. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 9

Využití fatorové analýzy v segmentaci trhu Mezi hlavní zmiňované dostaty fatorové analýzy patří jednoznačnost řešení, dy interpretace fatorů záleží na normování hodnot proměnných a volbě orelační či ovarianční matice. Korelační matice se používá v případě proměnných, teré mají různá měříta. Postup fatorové analýzy lze shrnout do následujících postupných roů: 1. Výpočet orelační matice mezi jednotlivými proměnnými, předpoládají se normalizované proměnné se střední hodnotou 0 a rozptylem 1.. Nalezení fatorů tato operace je založena na opaované regresní analýze, dy jsou postupně nalezeny závislé proměnné, teré jvíce reprezentují rozdílnost hodnot původních proměnných, v dalším rou se vždy hledá další dodatečná srytá proměnná, terá opět jvíce charaterizuje zbývající rozdílnost hodnot. V SPSS je stvena standardně stvena hodnota omunality proměnné (podíl rozptylu vysvětleného společnými fatory a rozptylu této proměnné) ve výši 1,0. Pro aždý nalezený fator je vypočteno vlastní číslo (eigenvalue). První nalezený fator má vždy vlastní číslo větší ž 1,0 a hodnota vlastního čísla pro další nalezené fatory lesá, přičemž pouze fatory s vlastními čísly většímu ž 1,0 jsou zajímavé. Poud má nalezený fator vlastní číslo menší ž 1,0, tedy menší ž omunalita původní proměnné, ta vysvětluje rozdíl hodnot méně ž původní proměnná. SPSS vypočte toli fatorů, oli je počet původních proměnných, nicméně pouze fatory s vlastními čísly většími ž 1,0 jsou důležité. 3. Nalezení vhodné rotace fatorů cílem je nalezení optimálního fatorového řešení, teré ní jednoznačné. Každá orelace dvou proměnných by měla být popsána co jmenším počtem fatorů. Zde existuje velé množství algoritmů, teré se snaží minimalizovat fatorové zátěže, ideálním stavem je nalezení tzv. jednoduché strutury, dy jvětší zátěž je na jediném fatoru a ostatní malé zátěže jsou na fatorech zbývajících. Fatory se standardně rotují pomocí ortonormálních rotací, teré zajišťují zachování jejich orelovsti. Jednoduchá strutura fatorů by měla umožnit snadnou interpretaci. V něterých případech je strutura fatorů taová, že je vhodnější v zájmu popisu povolit ortonormální rotaci, tedy připustit určitou míru orelace mezi fatory. V případě behaviorálních znaů může tato orelace mít i reálné odůvodnění. SPSS umožnuje nastavení možných parametrů odchyle od ortonormální rotace, poud lze tato dosáhnout jednodušší strutury výsledných fatorů. V ideálním případě by měla aždá z proměnných mít fatorovou zátěž u jediného fatoru větší ž 0,5 a u ostatních menší ž 0,. Tohoto stavu se u reálných dat praticy nidy dá dosáhnout. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 10

Využití fatorové analýzy v segmentaci trhu 4. Nalezení interpretace fatorů vzhledem tomu, že fatorová analýza posytuje jednoznačné výsledy, je možno v případě problémů s interpretací nalezených společných fatorů zoušet jiné ortonormální i ortonormální rotace. Interpretace fatorového řešení ní snadná a závisí na hluboé znalosti problémové oblasti. 6.1 Fatorová analýza behaviorálních proměnných Na datovém souboru z maretingového dotazování provedeného v rámci diplomové práce byla provedena pomocí SPSS funce Analyse Dimension Reduction Factor fatorová analýza s využitím metody hlavních ompont a výchozí metdou pro rotace VARIMAX. Byly použity proměnné A1, A, A3, A4, A5, A6, B1, B, B3, B4 a B5 s tím, že z výstupu byly vychány pro větší přehlednost hodnoty fatorových zátěží menší ž 0,1. Byly nalezeny celem čtyři fatory s vlastním číslem větším ž 1,0. Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % 1 3,45 31,385 31,385 3,45 31,385 31,385,306 0,966 0,966 1,589 14,448 45,833 1,589 14,448 45,833,54 0,490 41,455 3 1,35 1,90 58,13 1,35 1,90 58,13 1,433 13,07 54,48 4 1,09 9,358 67,481 1,09 9,358 67,481 1,430 1,999 67,481 5,833 7,577 75,058 6,787 7,157 8,15 7,661 6,01 88,7 8,405 3,679 91,906 9,391 3,555 95,46 10,300,77 98,189 11,199 1,811 100,000 Extraction Method: Principal Compont Analysis. Total Variance Explaid Compont Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Tyto fatory popisují celem 67,481% rozdílnosti ve výchozím souboru. Z hledisa interpretace pro tržní segmentaci lze říci, že tyto fatory jsou schopny popsat podstatné rozdíly v datovém souboru a zbývající část popsaných rozdílů by bylo možno ignorovat boť cílem shluové analýzy použité pro nalezení segmentů v datovém souboru je nalezení homogenních shluů, přičemž popsaná část rozdílů mezi objety datového souboru lze zahrnout do chápání homogenity. Je zřejmé, že původních 11 behaviorálních proměnných se podařilo zreduovat na 4 závislé fatory, teré popisují podstatnou část rozdílů v datovém souboru. Vliv podílu fatoru na celovém popisu rozdílnosti lze vidět v tzv. scree plot diagramu, terý vhodně vizualizuje lesající význam jednotlivých fatorů v popisu rozdílností. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 11

Využití fatorové analýzy v segmentaci trhu Následující tabula uazuje, jaý podíl mají jednotlivé fatory na popisu původních proměnných. Compont Matrix a Compont 1 3 4 A4,804 -,77,180 A6,787 -,87,140 -,38 A5,649 -,116 -,401 A3,641 -,05 -,486,173 A,618 -,516,04 B,516,447 -,145 B5,167,789,164,387 A1,117,618 -,6 -,544 B1,497 -,173,65 B3,451,304,507 B4,46,3,54 Pomocí metody VARIMAX byla dále v SPSS provedena ortonormální rotace původních fatorů ta, aby bylo dosaženo jednodušší strutury fatorů pro zjednodušení jejich popisu. Z výsledu vyplývá, že tato rotace posytnula optimální výsledy, boť proměnné B, B4 a A5 výrazněji závisí na 3 rotovaných fatorech. Nalezení smysluplné Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 1

Využití fatorové analýzy v segmentaci trhu interpretace těchto dat musí být snadné. Jao přílad můžeme uvést interpretaci fatoru 4, terý významněji ovlivňuje proměnné A1 (hraní PC her) a A5 (telefonování přes intert) a B (velý výon, valitní grafia). Naproti tomu fator 1 výrazněji ovlivňuje proměnné B1 (variabilní mobilní připojení), A4 (brouzdání po webu), A6 (využití pro zaměstnání) a B3 (snadná mobilita). Naopa závislost proměnné A1 (hraní PC her), B4 (omfortní práce) a B (velý výon) ní na fatoru ta výrazná. Fator 1 by tedy bylo možno interpretovat jao požadave na mobilitu. Rotated Compont Matrix a Compont 1 3 4 B1,810,135 -,18 A4,74,480 A6,73,435 -,181,181 B3,603 -,137,34,46 A3,113,839 A,83 B5,88,01 B4,144,45,575 -,100 A1 -,16,844 A5,403,381,533 B,163,304,358,495 Extraction Method: Principal Compont Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 7 iterations. Z tabule závislosti proměnných na původních a rotovaných fatorech je zřejmý smysl rotace, tedy zjednodušení závislosti proměnných na fatorech. Úloha nalezení taové rotace, terá bude jednoduše interpretovatelná v problémové oblasti, je velmi ompliovaná. Následující tabula popisuje transformační vztahy mezi původními a rotovanými fatory, nové rotované fatory jsou liární ombinací fatorů původních: Compont Transformation Matrix Compont 1 3 4 1,673,658,198,74 -,1 -,51,73,597 3,69 -,659,170 -,40 4 -,151,63,630 -,715 Extraction Method: Principal Compont Analysis. Rotation Method: Varimax with Kaiser Normalization. Na obrázu jsou zaresleny jednotlivé proměnné v prostoru vymezeném prvními třemi rotovanými fatory. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 13

Využití fatorové analýzy v segmentaci trhu 6.1 Fatorová analýza proměnných s výjimou D1 a F3 Pro ilustraci byl obdobný test zopaován pro všechny proměnné s výjimou D1 a F3 (pořizovací cena počítače a čistý měsíční příjem). Datový soubor je velmi malý, nicméně je zajímavé, oli srytých fatorů ovlivňuje původních 3 proměnných. Podle grafu scree plot pro tento případ je zřejmé, že bylo nalezeno 1 srytých fatorů. Datový soubor obsahoval ja behaviorální, ta popisné proměnné a technicé parametry počítačů. Zajímavé tedy bude hlavně zjištění závislosti ritérií jednotlivých supin na srytých fatorech po jejich rotaci. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 14

Využití fatorové analýzy v segmentaci trhu Z níže uvedené tabuly závislosti původních proměnných na již rotovaných fatorech vyplývá, že na jednotlivých fatorech závisejí různou měrou proměnné z různých supin ritérií maretingového dotazníu. Těchto 1 srytých fatorů nahrazuje původních 3 proměnných a vysvětluje celem 81,74 % rozdílů v datovém souboru. 1 3 4 5 6 7 8 9 10 11 1 B1,83,178,184 A6,691,349,34,134 -,190 A4,688,351,39,196 -,141 -,141,05 E6,579,06,339,67,38,18,197,04,06 C5,534,407,16,118,47 -,5,405,39 -,18 E3,447 -,340,411,155,5 -,186,116 -,414 A3,133,899 Rotated Compont Matrix a A,130,714,7,148 -,07 F5,586 -,149 -,131 -,339,39 -,44 C,919 -,119 -,13 C8,197,176,87,177,13,158 C6,68 -,617,10 -,55,41,336 -,04 E1,1 -,198 -,56,155,36,133,178 -,39 -,40 C7,868,133 -,139,104 E4,306 -,134 -,133,710,1,18 -,7,16 -,159 A5,119,307,145,559,197 -,45,304 -,115,113,45 -,134 B4,07,174,138,777,63,178 E8,41,11,697,443 F,163 -,19 -,417,640 -,137,145 -,159,46 E -,184 -,109,809,10,11 E7,106,08,791 -,194 -,165,340 E5,441 -,139 -,55 -,173,189,657 -,116 C1,16,817,165,168 F6 -,160 -,11,144,1,656 -,50 -,17 -,64 A1,831,155 -,33 C4 -,194 -,331,165,158 -,181,4,617,146 -,314,157 B,191,349 -,6,53 -,194,40,40,371 B5,116,18,883,140 F4 -,67 -,163,41,159 -,104,834 C3,379 -,151 -,9 -,79 -,18,354,475 B3,84,01,51,80 F1,108 -,175,890 Extraction Method: Principal Compont Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 33 iterations. Compont Pro ilustraci se zaměřme na proměnnou F1, terá určuje pohlaví. Tato proměnná je popsána fatorem číslo 1 s fatorovou zátěží 0,890. Významnější vliv má tato proměnná na proměnnou A1 (hraní PC her) a B (velý výon a valitní graficý výstup). Nebo fator 7 má velý vliv na proměnnou C1 (počet vlastněných PC) a F6 (jvyšší dosažené vzdělání). Z tohoto příladu vyplývá, že tato zísané fatory jsou velmi problematicé pro další interpretaci a pravděpodobně by byla vhodnější jiná rotace, případně i ortonormální. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 15

Význam fatorové analýzy pro segmentaci trhu 7. Význam fatorové analýzy pro segmentaci trhu Fatorová analýza, ja byla pomocí produtu PASW SPSS 18.0 Base otestována na datech maretingového dotazování, přináší pro exatní přístup e shluové analýze trhu velé možnosti zejména při popisu zjištěných shluů. Předpoládejme, že z maretingového dotazování je zísán datový soubor obsahující ja behaviorální, ta i popisná ritéria. V souladu s Kotlerovým pojetím tržní segmentace je provedena shluová analýza podle behaviorálních ritérií, na jejímž záladě jsou identifiovány jednoznačné shluy. Poud je provedena fatorová analýza srytých fatorů, lze na záladě identifiované závislosti jednotlivých proměnných na daných fatorech zonstruovat projecí přes fatorové rovnice popis shluů, terý využije pouze ty proměnné desriptivní ategorie, teré významně závisí na daných fatorech. Tím se proces interpretace identifiovaných shluů značně zjednoduší. V případě, že je fatorová analýza provedena před vlastní shluovou analýzou a je nalezena vhodná rotace shluů, terá se blíží jednoduché strutuře fatorů, pracuje vlastní shluová analýza s již velmi homogenizovanými daty. Jestliže je navíc pro tyto společné fatory nalezena smysluplná a jednoznačná identifiace, jsou přímo na záladě výsledu shluové analýzy zísané shluy přímo jednoduše popsatelné. Pro vlastní návrh využití fatorové analýzy v rámci segmentace trhu jao doplňové analyticé metody e shluové analýze je ovšem zbytné provést dostatečné množství empiricých testů na datových souborech maretingového dotazování. Na záladě těchto zušeností bude možno tyto roy zobecnit. Dosud zísané výsledy z hledisa interpretace nabízejí široé možnosti dalšího výzumu využití této metody v maretingu. Ačoliv použití prostředů shluové analýzy implementovaných v produtu SPSS je pro účely segmentace trhu problematicé, zejména vzhledem omezeným možnostem interpretace měr podobností pro smíšená data, vzhledem tomu, že fatorová analýza je založena na rozboru normalizované orelační matice proměnných, je tato analyticá metoda ta, ja je implementována v SPSS a zejména možnostem nastavení parametrů pro výpočet fatorů a hledání rotací fatorů, dále využitelná jao dílčí metoda pro exatní stvení tržních segmentů. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 16

Použitá literatura Použitá literatura TOMEK, G.,VÁVROVÁ, V. Mareting od myšleny realizaci. Praha: Professional Publishing 008 KOTLER, P., KELLER, K. L. Mareting management, 1. vydání. Praha: Grada Publishing 007 ŘEZANKOVÁ, H., HÚSEK, D., SNÁŠEL, V. Shluová analýza dat. Praha: Professional Publishing 007 EVERITT, B.S., LANDAU, S., LEESE, M. Cluster analysis, 4th edition. London: Arnold, a member of the Hodder Headli Group 001 HEBÁK, P., HUSTOPECKÝ, J., PECÁKOVÁ, I., PRŮŠA, M., ŘEZANKOVÁ, H., SVOBODOVÁ, A., VLACH, P. Vícerozměrné statisticé metody (3). Praha: Informatorium 006 Electronic Statistics Textboo [onli]. Tulsa: StatSoft 007. Dostupný z WWW: http://www.statsoft.com/textboo/stathome.html PALLANT, J. SPSS Survival Manual, 3rd Edition. Maidenhead: Open University Press 007 ŘEHÁK, J., BARTÁKOVÁ, I. Statistia pro výzum trhu a mareting. Praha: Centrum výuy SC&C 1997 ÜBERLA, K. Fatorová analýza. Bratislava: Alfa 1974 DARREN, K., MALLERY, P. SPSS for Windows Step-by-Step: A Simple Guide and Reference, 10.0 Update (3rd Edition). Prentice Hall 000 VÍT, D. Využití shluové analýzy v maretingu: master thesis, Prague: CTU FEE 009 VÍT, D. Vliv maretingového dotazování na identifiaci tržních segmentů. Prague: Mareting & omuniace. 009, roč. XIX, č. 4, s. 17-19. VÍT, D. Interpretation of monothetic and polythetic clustering method results for mareting questionaire processing : paper draft for Acta Polytechnica. Prague: CTU FEE 009. Word Document. Unpublished. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 17

Seznam příloh Seznam příloh Příloha 1 přehled odpovědí účastníů dotazování Příloha shluový rozlad AGNES pomocí vlastního nástroje Příloha 3 dendrogram AGNES dle vlastního nástroje Příloha 4 SPSS se čtvercovou eulidovsou vzdáleností Příloha 5 SPSS s Pearsonovou mírou Příloha 6 SPSS rozlad dle čtvercové eulidovsé vzdálenosti Příloha 7 SPSS rozlad dle Pearsonovy míry Příloha 8 SPSS dendrogram dle čtvercové eulidovsé vzdálenosti Příloha 9 SPSS dendrogram dle Pearsonovy míry Příloha 10 Tabula příslušnosti objetů e shluovým rozladům dle jednotlivých metod Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 18

Obsah Obsah 1. ÚVOD A ZÁMĚR PRÁCE... 1. HIERARCHICKÁ SHLUKOVÁ ANALÝZA V SPSS... 1 3. HIERARCHICKÁ SHLUKOVÁ ANALÝZA S GOWEROVÝM KOEFICIENTEM... 3 4. HIERARCHICKÁ ANALÝZA TESTOVACÍHO SOUBORU... 4 4.1 Rozlad metodou AGNES s Gowerovým oeficientem... 5 4. Rozlad pomocí SPSS se čtvercovou eulidovsou vzdáleností... 6 4.3 Rozlad pomocí SPSS s Pearsonovou statistiou... 6 5. POROVNÁNÍ VÝSLEDKŮ ROZKLADŮ SPSS A VLASTNÍHO NÁSTROJE... 7 5.1 Zhodnocení závěrů... 8 6. VYUŽITÍ FAKTOROVÉ ANALÝZY V SEGMENTACI TRHU... 9 6.1 Fatorová analýza behaviorálních proměnných... 11 6.1 Fatorová analýza proměnných s výjimou D1 a F3... 14 7. VÝZNAM FAKTOROVÉ ANALÝZY PRO SEGMENTACI TRHU... 16 POUŽITÁ LITERATURA... 17 SEZNAM PŘÍLOH... 18 OBSAH... 19 PŘÍLOHA 1 PŘEHLED ODPOVĚDÍ ÚČASTNÍKŮ DOTAZOVÁNÍ... 0 PŘÍLOHA SHLUKOVÝ ROZKLAD AGNES POMOCÍ VLASTNÍHO NÁSTROJE... 3 PŘÍLOHA 3 DENDROGRAM AGNES DLE VLASTNÍHO NÁSTROJE... 4 PŘÍLOHA 4 SPSS SE ČTVERCOVOU EUKLIDOVSKOU VZDÁLENOSTÍ... 5 PŘÍLOHA 5 SPSS S PEARSONOVOU MÍROU... 6 PŘÍLOHA 6 SPSS ROZKLAD DLE ČTVERCOVÉ EUKLIDOVSKÉ VZDÁLENOSTI... 7 PŘÍLOHA 7 SPSS ROZKLAD DLE PEARSONOVY MÍRY... 8 PŘÍLOHA 8 SPSS DENDROGRAM DLE ČTVERCOVÉ EUKLIDOVSKÉ VZDÁLENOSTI... 9 PŘÍLOHA 9 SPSS DENDROGRAM DLE PEARSONOVY MÍRY... 30 PŘÍLOHA 10 TABULKA PŘÍSLUŠNOSTI OBJEKTŮ KE SHLUKOVÝM ROZKLADŮM DLE JEDNOTLIVÝCH METOD... 31 Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 19

Příloha 1 přehled odpovědí účastníů dotazování Příloha 1 přehled odpovědí účastníů dotazování Následující tabula obsahuje shrnutí odpovědí jednotlivých účastníů anety, je zároveň dispozici v eletronicé podobě formě doumentu pro Microsoft Excel jao součást CD přiloženého diplomové práci. Vzhledem velému počtu ritérií je tabula s odpověďmi rozdělena na dvě následující strány. Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 0

1 3 4 5 6 7 8 9 10 11 1 13 14 15 16 17 18 19 0 1 3 4 5 6 7 8 9 30 31 3 33 34 35 A1 utrální utrální utrální silný utrální utrální utrální A utrální A3 utrální A4 utrální A5 utrální utrální utrální utrální utrální utrální utrální utrální utrální utrální A6 Vyhodnocení anety Možnost využití počítače či u Požadavy na počítač či Technicé parametry počítače B1 utrální silný utrální utrální utrální B silný utrální utrální silný utrální utrální utrální utrální B3 utrální utrální B4 utrální utrální utrální utrální utrální utrální utrální utrální utrální utrální B5 utrální utrální utrální utrální utrální utrální utrální utrální C1 1 1 1 1 1 3 4 4 1 4 1 1 1 1 1 3 1 3 1 1 3 C stolní počítač stolní počítač stolní počítač stolní počítač stolní počítač stolní počítač stolní počítač stolní počítač stolní počítač stolní počítač C3 jednojádrový čtyřjádrový čtyřjádrový eonomicý jednojádrový eonomicý eonomicý jednojádrový jednojádrový eonomicý jednojádrový vím jednojádrový čtyřjádrový jednojádrový C4 více ž 17" vím 10"-14,3" více ž 17" 10"-14,3" více ž 17" 10"-14,3" více ž 17" více ž 17" 10"-14,3" 10"-14,3" více ž 17" 10"-14,3" 10"-14,3" více ž 17" 10"-14,3" 10"-14,3" 10"-14,3" Příloha 1 přehled odpovědí účastníů dotazování Veliost obrazovy Typ procesoru Druh počítače Počet vlastněných PC Velá apacita pro uchování dat Komfortní práce (pohodlná lávesnice, velý display apod) Snadná mobilita, výdrž baterií, nízá hmotnost Velý výon, valitní graficý výstup Variabilní mobilní připojení intertu deoliv Využití pro zaměstnání Telefonování přes intert Brouzdání po webu, email, chat Příprava e studiu Multimediál ní apliace (filmy, hudba) Hraní PC her Líste Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 1

1 3 4 5 6 7 8 9 10 11 1 13 14 15 16 17 18 19 0 1 3 4 5 6 7 8 9 30 31 3 33 34 35 C5 51 MB - 103 MB 048 MB a více 104 MB - 047 MB 048 MB a více 048 MB a více 104 MB - 047 MB 104 MB - 047 MB 048 MB a více 048 MB a více 048 MB a více 51 MB - 103 MB 104 MB - 047 MB 104 MB - 047 MB 104 MB - 047 MB 104 MB - 047 MB 104 MB - 047 MB vím 048 MB a více 048 MB a více 104 MB - 047 MB 104 MB - 047 MB 104 MB - 047 MB 048 MB a více 104 MB - 047 MB 048 MB a více 048 MB a více 104 MB - 047 MB 048 MB a více 048 MB a více 104 MB - 047 MB 048 MB a více 048 MB a více 104 MB - 047 MB 048 MB a více 048 MB a více C6 600 1 04 10 18 768 80 160 370 10 50 40 160 10 10 360 40 160 00 10 10 00 80 1 80 130 50 10 10 30 160 500 50 50 160 30 C7 více ž 3,5 g vím 1 g - 1,9 g 1 g - 1,9 g vím g - 3,5 g g - 3,5 g vím g - 3,5 g více ž 3,5 g g - 3,5 g vím g - 3,5 g 1 g - 1,9 g vím vím vím více ž 3,5 g g - 3,5 g vím vím 1 g - 1,9 g více ž 3,5 g g - 3,5 g g - 3,5 g g - 3,5 g g - 3,5 g g - 3,5 g 1 g - 1,9 g více ž 3,5 g 1 g - 1,9 g vím g - 3,5 g 1 g - 1,9 g 1 g - 1,9 g C8 žádná žádná - 5 hodin - 5 hodin žádná do hodin do hodin žádná do hodin žádná - 5 hodin do hodin do hodin do hodin žádná více ž 5 hodin vím - 5 hodin - 5 hodin do hodin žádná do hodin žádná do hodin do hodin do hodin žádná - 5 hodin do hodin žádná - 5 hodin do hodin - 5 hodin více ž 5 hodin - 5 hodin Poř. cena PC D1 10 000 0 000 39 457 0 000 19 000 5 000 35 000 30 000 5 000 4 000 5 000 30 000 5 000 3 000 8 000 000 40 000 0 000 000 30 000 30 000 30 000 0 000 35 000 40 000 30 000 5 000 0 000 4 000 9 000 E1 vím E vím E3 vím vím Vyhodnocení anety Technicé parametry počítače Existující funce počítače Údaje o respondentovi E4 vím vím vím E5 vím vím E6 vím E7 vím vím vím E8 vím F1 žena žena žena žena F 50 000-149 000 10 000-49 999 1 000 000 a více 1 000 000 a více 1 000 000 a více 1 000 000 a více 10 000-49 999 1 000 000 a více 1 000 000 a více 1 000 000 a více 1 000 000 a více 1 000 000 a více 150 000-999 999 do 1000 50 000-149 000 1 000 000 a více 10 000-49 999 do 1000 1000-9999 1 000 000 a více 1 000 000 a více 50 000-149 000 1 000 000 a více 1000-9999 1000-9999 50 000-149 000 10 000-49 999 1000-9999 1 000 000 a více 1000-9999 50 000-149 000 10 000-49 999 10 000-49 999 150 000-999 999 do 1000 F3 10 000 0 000 8 000 18 000 000 5 000 15 000 3 000 8 000 9 000 10 000 3 000 9 000 7 000 17 000 6 000 5 000 7 000 6 000 5 000 3 000 8 000 15 000 7 000 F4 částečný pracovní úvaze příležitostné brigády příležitostné brigády částečný pracovní úvaze vlastní podniání částečný pracovní úvaze vlastní podniání vlastní podniání částečný pracovní úvaze plný pracovní úvaze vlastní podniání žádné příležitostné brigády částečný pracovní úvaze žádné příležitostné brigády příležitostné brigády částečný pracovní úvaze částečný pracovní úvaze příležitostné brigády částečný pracovní úvaze příležitostné brigády vlastní podniání žádné částečný pracovní úvaze příležitostné brigády žádné příležitostné brigády žádné příležitostné brigády žádné částečný pracovní úvaze žádné vlastní podniání částečný pracovní úvaze F5 vím vím vím vím vím vím F6 technicá SŠ technicá SŠ jiné technicá SŠ technicá SŠ technicá SŠ technicá SŠ technicá SŠ technicá SŠ Příloha 1 přehled odpovědí účastníů dotazování Nejvyšší dosažené vzdělání Plány po doončení baaláře Zaměstnání Čistý měsíční příjem Veliost obce Pohlaví Web amera TV tur Opticá mechania Čteča pamě tových aret Infračervený port Bluetooth Síťová arta Wifi Pořizovací hodnota počítače Výdrž baterie v hodinách Hmotnost počítače Kapacita pevného disu Veliost operační paměti Líste Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána

Příloha shluový rozlad AGNES pomocí vlastního nástroje Příloha shluový rozlad AGNES pomocí vlastního nástroje Následující tabula obsahuje optimální shluové rozlady pomocí aglomerativní hierarchicé shluové analýzy provedené vlastním analyticým nástrojem pro behaviorální soubor ritérií. Ve sloupcích tabuly jsou počty shluů v daném shluovém rozladu, v řádcích jsou uvedeny objety původního datového souboru. Příslušnost objetů e shluům je v polích tabuly vyznačena číslem shluu, do nějž daný objet v rámci uvedeného rozladu patří. objet Počty shluů při aglomerativních shluování 33 3 31 30 9 8 7 6 5 4 3 1 0 19 18 17 16 15 14 13 1 11 10 9 8 7 6 5 4 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 1 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3 3 3 3 1 6 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 4 4 4 4 4 3 1 1 1 7 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 5 5 5 5 5 1 1 1 1 1 8 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 6 6 6 3 3 3 1 9 8 8 8 8 8 8 8 8 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 1 10 9 9 9 9 9 9 9 9 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 7 7 7 6 1 11 10 10 10 10 10 10 10 10 9 9 9 9 9 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 11 11 11 11 11 11 11 11 10 10 10 10 10 9 9 9 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 13 1 1 1 1 1 1 1 1 11 11 11 11 11 10 10 10 9 9 9 9 9 9 7 6 6 6 3 3 3 1 14 13 13 13 13 13 13 10 10 9 9 9 9 9 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 15 14 14 14 14 14 14 13 13 1 1 1 1 1 11 11 11 10 10 10 10 10 10 9 8 8 8 7 6 5 4 3 1 16 15 15 15 15 15 15 14 13 1 1 1 1 1 11 11 11 10 10 10 10 10 10 9 8 8 8 7 6 5 4 3 1 17 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 18 16 16 16 16 16 16 15 14 13 13 13 13 13 1 1 1 11 11 3 3 3 3 3 1 19 17 17 17 17 17 17 16 15 14 14 14 11 11 10 10 10 9 9 9 9 9 9 7 6 6 6 3 3 3 1 0 18 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 19 18 18 18 18 18 17 16 15 15 15 14 14 13 13 13 1 1 11 5 5 5 5 4 4 4 4 4 4 3 1 1 1 0 19 19 19 19 19 18 17 16 16 16 15 15 14 14 14 13 13 1 11 11 1 1 1 1 1 1 1 1 1 1 1 1 3 1 0 0 0 0 0 19 18 17 17 17 16 16 15 15 15 14 14 13 1 1 11 10 9 8 8 7 6 5 4 3 1 4 1 1 1 1 1 0 19 18 18 6 6 6 6 6 6 6 6 6 6 6 6 6 5 5 5 5 5 1 1 1 1 1 5 3 18 18 18 17 16 15 15 15 14 14 13 13 13 1 1 11 5 5 5 5 4 4 4 4 4 4 3 1 1 1 6 4 3 3 1 7 5 4 18 18 18 18 17 16 15 15 15 14 14 13 13 13 1 1 11 5 5 5 5 4 4 4 4 4 4 3 1 1 1 8 6 5 4 3 3 1 0 19 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3 3 3 3 1 9 7 6 5 4 4 3 1 0 19 18 17 17 16 16 1 30 8 7 6 5 5 4 3 1 0 19 18 18 17 8 8 8 8 8 8 8 8 8 7 7 7 6 1 31 9 8 7 6 6 5 4 3 1 0 19 19 18 17 16 15 15 14 13 10 10 9 8 8 8 7 6 5 4 3 1 3 30 9 8 7 7 6 5 4 3 1 0 0 19 18 17 16 7 7 7 7 7 7 6 6 6 3 3 3 1 33 31 30 9 8 7 6 5 4 3 1 0 0 19 18 17 16 7 7 7 7 7 7 6 6 6 3 3 3 1 34 3 31 30 9 8 7 6 5 4 3 1 1 0 19 18 17 16 15 14 13 1 11 10 9 1 1 1 1 1 1 1 1 35 33 3 31 30 9 8 7 6 5 4 3 18 17 8 8 8 8 8 8 8 8 8 7 7 7 6 1 Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 3

Příloha 3 dendrogram AGNES dle vlastního nástroje Příloha 3 dendrogram AGNES dle vlastního nástroje Dendrogram metody úplné vazby pro behaviorální data Hlouba spojení 1 3 4 5 6 7 8 9 10 1 17 0 0 11 14 1 1 1 1 34 34 34 34 34 34 7 4 1,17 1,17,0 11,14 11,14 7,4 7,4 6 6 6 1,11,14, 17,0 1,11,1, 14,17,0 1,11,1, 14,17,0, 1,11,1, 14,17,0,,34 7,4 7,4 7,4 7,4 1,7,11, 1,14,17, 0,,4, 34 1,6,7, 11,1,14, 17,0,1,,4,5, 7,34 1 7 1,7 1,5,7 6,1,5, 7 6,1,5, 7 6,1,5, 7 6,1,5, 7 6,1,5, 7 5 5 3 3 3 15 15,16 16 31 31 15,16,31,6 6,6,9 15,16,3, 31 15,16,3, 31 15,16,3, 31 1,,3,5, 6,7,8,9, 10,11,1, 13,14,15, 16,17,18, 19,0,1,,3,4, 5,6,7, 8,9,30, 31,3,33, 34,35 9 9 3 9 18 18 10 10 30 35 5 8 3,9 30,35 3,9,18 10,30,35,3,9, 18,6,9 10,30,35 5,8 5,8 5,8,3,9, 10,18,6, 9,30,35,3,5,8, 9,10,13, 18,19,6, 8,9,30, 3,33,35,3,5,8, 9,10,13, 15,16,18, 19,3,6, 8,9,30, 31,3,33, 35,3,5,8, 9,10,13, 15,16,18, 19,3,6, 8,9,30, 31,3,33, 35,3,5,8, 9,10,13, 15,16,18, 19,3,6, 8,9,30, 31,3,33, 35 13 13,19 13,19 19 8 8 3 8,3,33 3,33 33 8,13,19, 3,33 5,8,13, 19,8,3, 33 Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 4

Příloha 4 SPSS se čtvercovou eulidovsou vzdáleností Příloha 4 SPSS se čtvercovou eulidovsou vzdáleností Stage Agglomeration Schedule Stage Cluster First Cluster Combid Coefficients Appears Cluster 1 Cluster Cluster 1 Cluster Next Stage 1 3 34,000 0 0 5 4 7,014 0 0 1 3 4 6,016 0 0 13 4 14 30,017 0 0 19 5 3 9,07 1 0 11 6 17 8,035 0 0 16 7 1,045 0 0 17 8 1 11,054 0 0 0 9 1 3,055 0 0 30 10 5 8,060 0 0 1 11 3 15,061 5 0 19 1 4 33,068 0 18 13 0 4,076 0 3 3 14 5 31,078 0 0 15 7 3,088 0 0 16 17 18,103 6 0 7 17 9 1,10 0 7 1 18 4,1 0 1 7 19 3 14,16 11 4 6 0 1 6,138 8 0 5 1 5 9,154 10 17 6 7 5,157 15 14 30 3 13 0,158 0 13 5 4 16 19,194 0 0 33 5 1 13,199 0 3 8 6 3 5,1 19 1 9 7 17,30 18 16 9 8 1 10,54 5 0 3 9 3,300 7 6 31 30 7 1,319 9 31 31 7,405 9 30 3 3 1,530 8 31 33 33 1 16 1,000 3 4 0 Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 5

Příloha 5 SPSS s Pearsonovou mírou Příloha 5 SPSS s Pearsonovou mírou Stage Agglomeration Schedule Stage Cluster First Cluster Combid Coefficients Appears Cluster 1 Cluster Cluster 1 Cluster Next Stage 1 14 30,49 0 0 15 4 7,460 0 0 19 3 3 34,471 0 0 8 4 1 15,51 0 0 11 5 1,531 0 0 11 6 5 8,585 0 0 0 7 5 6,590 0 0 1 8 3 9,596 3 0 14 9 4 6,61 0 0 14 10 11 33,657 0 0 13 11 1 1,665 4 5 13 1 5 8,737 7 0 3 13 1 11,759 11 10 3 14 3 4,777 8 9 1 15 14 0,798 1 0 5 16 3 31,80 0 0 8 17 17 18,835 0 0 7 18 3,847 0 0 4 19 4 7,877 0 0 0 4 5,941 19 6 7 1 3 13 1,009 14 0 3 9 1,046 1 0 6 3 1 5 1,11 13 1 6 4 1 1,139 18 0 3 5 14 19 1,11 15 0 9 6 1 3 1,56 3 8 7 4 17 1,88 0 17 30 8 1 3 1,469 6 16 9 9 1 14 1,611 8 5 31 30 4 10 1,613 7 0 31 31 1 4 1,770 9 30 3 3 1 1,988 31 4 33 33 1 16,55 3 0 0 Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 6

Příloha 6 SPSS rozlad dle čtvercové eulidovsé vzdálenosti Příloha 6 SPSS rozlad dle čtvercové eulidovsé vzdálenosti Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 7

Příloha 7 SPSS rozlad dle Pearsonovy míry Příloha 7 SPSS rozlad dle Pearsonovy míry Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 8

Příloha 8 SPSS dendrogram dle čtvercové eulidovsé vzdálenosti Příloha 8 SPSS dendrogram dle čtvercové eulidovsé vzdálenosti Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 9

Příloha 9 SPSS dendrogram dle Pearsonovy míry Příloha 9 SPSS dendrogram dle Pearsonovy míry Apliace nástroje PASW SPSS 18.0 Base v tržní segmentaci Strána 30