آمار 411 بازدید

یکی از روش‌هایی که در «تحقیقات بازار» (Market Research) صورت می‌گیرد، تجزیه و تحلیل تلفیقی آماری است. در این روش، نحوه استفاده از یک خدمت یا خریداری محصول بین افراد مختلف با ویژگی‌های متفاوت مورد بررسی قرار می‌گیرد. به کمک تجزیه و تحلیل تلفیقی آماری به این سوال پاسخ خواهیم داد که چه ترکیبی از ویژگی‌های مرتبط، توسط خریداران یا مصرف‌کنندگان خدمات ترجیح داده می‌شوند. به همین علت موضوع این نوشتار از مجله فرادرس را اختصاص به معرفی و آشنایی با تجزیه و تحلیل تلفیقی آماری داده‌ایم تا کسانی که در بازار کسب و کار به فعالیت می‌پردازند، پس از کسب آشنایی، از آن استفاده کرده و مزیتی نسبت به رقبا پیدا کنند.

برای آشنایی بیشتر با اصطلاحات آماری به کار رفته در این متن، بهتر است نوشتارهای دیگر مجله فرادرس با عنوان‌های جدول توافقی و کاربردهای آن در SPSS — از صفر تا صد و  آزمون‌ نیکویی برازش (Goodness of Fit Test) و استقلال — کاربرد توزیع کای۲ را مطالعه کنید. همچنین خواندن مطالب رگرسیون لجستیک (Logistic Regression) — مفاهیم، کاربردها و محاسبات در SPSS و رگرسیون خطی — مفهوم و محاسبات به زبان ساده نیز خالی از لطف نیست.

تجزیه و تحلیل تلفیقی آماری

تجزیه و تحلیل تلفیقی یک «روش آماری پیمایشی» (Survey-based Statistical Method) است که در تحقیقات بازار مورد استفاده قرار می‌گیرد. این روش به تعیین چگونگی ارزش‌گذاری افراد براساس ویژگی‌های مختلف یک محصول یا خدمات (خصوصیات منحصر به فرد، نحوه عملکرد، منافع و سودآوری) کمک می‌کند.

هدف از تجزیه و تحلیل تلفیقی تعیین ترکیبی تاثیر گذار از ویژگی‌های محصولات یا خدمات در انتخاب یا تصمیم‌گیری پاسخ دهندگان یا مشتریان است. برای انجام این گونه بررسی‌ها، معمولا مجموعه‌ای کنترل شده از محصولات یا خدمات را برای پاسخ‌دهندگان ارسال یا ارائه می‌دهند و با تجزیه و تحلیل چگونگی انتخاب بین این محصولات را مورد بررسی قرار می‌دهند. به این ترتیب می‌توان از عناصر مجزایی که محصول یا خدمات را آماده فروش می‌کند، ارزیابی ضمنی ایجاد کرد.

شناخت از این ارزش‌گذاری‌های ضمنی (سودمندی‌ها یا ارزش‌های جزئی) می‌تواند ایجاد مدل‌های بازار و بازاریابی را تسهیل بخشد و منجر به کسب بیشتری از سهم بازار در نتیجه سودآوری بیشتر برای کسب و کارهای جدید شود.

در تصویر ۱، گزینه‌های مطرح برای یک طرح فروش بستنی با استفاده از چهار گزینه (به همراه ویژگی‌های بستنی و قیمت آن) طرحی ریزی شده است. گزینه‌های مربوط به پاسخ‌های وابسته به طعم و قیمت و همچنین وزن بسته می‌شود.

conjoint experiment
تصویر 1: یک طرح بررسی تمایل به نوع بستنی

«روانشناسی برمبنای علم ریاضی» (Mathematical Psychology) سرچشمه اصلی در ایجاد و به کارگیری تجزیه و تحلیل مشترک است. این تکنیک‌ها توسط استاد بازاریابی «پل گرین» (Laul E. Green) در دانشکده وارتون دانشگاه پنسیلوانیا (Wharton School of the University of Pennsylvania) توسعه یافت. از سایر پیشگامان برجسته تجزیه و تحلیل مشترک، می‌توان به پروفسور «سردیواسان» (V. Seenu Srinivasan) از دانشگاه استنفورد اشاره کرد که یک روش برنامه نویسی خطی (LINMAP) را برای داده‌های مرتب‌شده رتبه‌ای، ابداع کرد.

از طرفی «ریچارد جانسون» (Richard Johnson) در دهه ۸۰ میلادی روش «تجزیه و تحلیل مشترک سازگار» (Adaptive Conjoint Analysis) را توسعه داد. همچنین «جردن لووایر» (Jordan Louviere) از دانشگاه آیووا رویکردهای مبتنی بر انتخاب را برای ترکیب تجزیه و تحلیل و تکنیک‌های مرتبط مانند مقیاس بهترین-بدترین (Best-Worst Scaling) ابداع و توسعه داد.

امروزه تکنیک‌های مربوط به تجزیه و تحلیل مشترک، در بسیاری از بخش‌های علوم اجتماعی و کاربردی از جمله بازاریابی، مدیریت محصول و تحقیق در عملیات استفاده می‌شود . این روش حتی در آزمایش مربوط به پذیرش مشتری از طراحی محصولات جدید، ارزیابی جذابیت تبلیغات و طراحی خدمات استفاده می شود. حتی به شکلی تجزیه و تحلیل مشترک در جایابی محصول در قفسه‌های فروش نیز بهره برداری شده است.

همچنین ممکن است از تکنیک های تجزیه و تحلیل مشترک به عنوان ابزار انجام «مدل‌سازی ترکیبی چندتایی» (Multi attribute Compositional Modeling)، «مدل سازی انتخاب گسسته» (Discrete Choice Modelling) یا «وضعیت در تحقیقات ترجیحی» (Stated Preference Research) مورد استفاده واقع شود.

روش‌های مختلف ریاضی مانند «فرآیندهای سلسله مراتبی تحلیلی» (Analytic Hierarchical Process) به صورت مخفف AHP نامیده می‌شوkد و همچنین الگوریتم‌ تکاملی (Evolution Algorithm) از دیگر ابزارهای تجزیه و تحلیل مشترک محسوب می‌شوند.

طرح تجزیه و تحلیل تلفیقی

یک محصول یا خدمات با مشخص کردن ویژگی‌های آن توصیف می‌شود. به عنوان مثال، یک تلویزیون ممکن است دارای ویژگی‌های اندازه صفحه نمایش، قالب صفحه (تخت، محدب و مقعر)، نام تولید کننده، قیمت و غیره باشد. سپس هر یک از این ویژگی‌ها می‌توانید به تعدادی سطوح دیگر تقسیم شوند. به عنوان مثال، نوع صفحه نمایش ممکن است یکی از گونه‌های LED ، LCD یا پلاسما باشد.

به پاسخ‌دهندگان طرح تجزیه و تحلیل مشترک، مجموعه‌ای از محصولات، نمونه‌های اولیه، ماکت‌ها نشان داده می‌شود و از آن‌ها درخواست می‌شود که از بین کالاهای معرفی شده انتخاب خود را انجام داده یا آن‌ها را رتبه‌بندی کنند.

نمونه‌های معرفی به اندازه کافی مشابه هستند که مصرف‌کنندگان آنها را به عنوان جایگزینی برای یکدیگر بدانند و از طرفی به اندازه کافی متفاوت هستند که آن‌ها بتوانند ترجیحاً اولویت‌بندی در انتخاب خود را تعیین کنند. هر نمونه از ترکیبی منحصر به فرد از ویژگی‌های محصول تشکیل شده است. داده‌ها جمع‌آوری شده از پاسخ‌دهندگان، ممکن است شامل رتبه‌بندی‌های ترجیحی، رتبه‌بندی اختصاصی یا رتبه‌های ترکیبی و جایگزین باشد.

4-points-likert-scale

طراحی تجزیه و تحلیل مشترک شامل چهار مرحله متفاوت است:

  • تعیین نوع مطالعه
  • انتخاب ویژگی های مربوطه
  • سطوح صفات مربوط به ویژگی‌ها
  • طراحی پرسشنامه

در ادامه به هر یک از این مراحل پرداخته و زیرگام‌های اجرایی آن‌ها را مورد بررسی قرار می‌دهیم.

تعیین نوع مطالعه

انواع مختلفی از مطالعه وجود دارد که محقق یکی یا ترکیبی از آن‌ها را می‌تواند برای انجام امر تحقیقی خود بخصوص در تجزیه و تحلیل مشترک به کار برد.

  • ترکیب مبتنی بر رتبه‌بندی
  • پیوند مبتنی بر رتبه‌بندی
  • ترکیب مبتنی بر انتخاب

تعیین ویژگی‌های مربوطه

هر یک از ویژگی‌های مربوط به کالا و خدمات که در تجزیه و تحلیل مشترک مورد استفاده قرار می‌گیرد، باید با مشخصاتی که در زیر فهرست شده‌اند، مطابقت داشته باشد. این فهرست به خصوصیاتی اشاره دارد که درک ویژگی‌ها را تسهیل کرده و نتایج حاصل را قابل درک‌ می‌کند.

  • قابلیت درک: برای مدیریت ویژگی‌ها قابل درک بوده و با موضوع سرمایه‌گذاری مرتبط باشد.
  • تنوع: در زندگی واقعی سطوح ویژگی‌‌ها مورد قبول متنوع و مختلفی دارند، بهترین و موثرترین آن‌ها را انتخاب کنید.
  • تاثیرگذاری: ویژگی‌ها باید در انتخاب مشتریان تاثیرگذار بوده و بتوانند نحوه انتخاب او را مدل سازی کنند.
  • وضوح و شفافیت: ویژگی‌ها باید کاملاً مشخص و قابل اندازه‌گیری یا نمایش باشند.
  • عدم وابستگی: ویژگی‌ها ترجیحاً با یکدیگر وابستگی نداشته باشند.

سطوح صفات مربوط به ویژگی‌ها

واضح است که هر ویژگی یا خصوصیات کالا یا خدمات، دارای سطوح مختلف و متنوعی هستند. کاهش تعداد سطح یا افزایش آن‌ها باید به شکل مناسب صورت گیرد تا علاوه بر نمایش اختلاف، گزینه‌های متعدد و سردرگم کننده را هم ارائه ندهند. معمولا چهار تا هفت گزینه یا سطح برای هر یک از ویژگی‌ها مناسب است. هنگام سطح‌بندی به نکات زیر دقت و توجه داشته باشید:

  • جذاب برای مدیریت: آنچه که به نظر مدیریت مناسب سطح مناسب از کیفیت یا کمیت محسوب می‌شود در گزینه‌ها در نظر گرفته شود.
  • بدون ابهام: سطوح و گزینه‌های مربوط به هر ویژگی نباید همپوشانی داشته و کاربر را در انتخاب، دچار سردرگمی کند.
  • بیطرفانه: انتخاب‌ها به شکل باشند که تمایل و اریبی در نتایج ایجاد نکنند. مثلا همه عیوب یک محصول را در ویژگی‌ها گنجانده و برای محصول دیگر همه مزایا را در سطوح خصوصیات آن ذکر کنیم.
  • تفکیک به اندازه کافی: تعداد گزینه‌ها و فاصله پاسخ‌ها از یکدیگر، نشانگر وجود تفاوت واضح و شفاف در ویژگی‌ها است. بنابراین متناسب با فاصله ویژگی‌های کالا و خدمات، سطوح را مشخص و تعیین کنید.
  • واقع بینی: بدون آنکه بخواهیم واقعیت را به شکل دیگری نشان دهیم، سطوح هر یک از ویژگی‌ها را مشخص کنید به گونه‌ای که هیچ صفتی را نتوان از قبل برنده انتخاب‌ها در نظر گرفت. استفاده از گزینه‌های دو پهلو و خارج از عدالت باعث شکست طرح تجزیه و تحلیل مشترک آماری خواهد شد.

در تصویر ۲، نتایج جمع‌بندی شده از نظرخواهی در مورد نوع بستنی دلخواه مشتریان مشخص شده است. همانطور که مشاهده می‌کنید یک نمودار ساده می‌تواند گویای بسیاری از ناگفته‌ها باشد.

Sample output of conjoint analysis
تصویر ۲؛ تمایل به نوع خاصی از بستنی با توجه به رتبه‌های استاندارد شده

طراحی پرسشنامه

با افزایش تعداد ترکیبات صفت و سطح، تعداد پروفایل‌های بالقوه، بصورت نمایی افزایش می‌یابد. در نتیجه، معمولاً از «طراحی فاکتوریل» (Factorial Design) برای کاهش تعداد پروفایل‌هایی که باید ارزیابی شوند، استفاده می‌شود. این کار توسط «جدول‌های متعامد» (Orthogonal Design) نیز صورت می‌گیرد. توجه داشته باشید که این کار باید حالتی انجام شود که اطمینان از وجود داده‌های کافی برای تجزیه و تحلیل آماری وجود داشته باشد. به این ترتیب مجموعه ای از «پروفایل»‌ (profile)  با دقت کنترل شده برای پاسخ دهنده در نظر گرفته می‌شود.

انواع روش‌های تجزیه و تحلیل تلفیقی آماری

اولین شکل‌ تجزیه و تحلیل مشترک، همان چیزی است که به عنوان مطالعات و تحقیق‌های «پروفایل کامل» (Full Profile) شناخته می‌شوند. در این تحلیل، مجموعه کوچکی از ویژگی‌ها (به طور معمول 4 تا 5) برای ایجاد پروفایل‌هایی که برای پاسخ‌دهندگان نشان داده می‌شود ، اغلب در کارت‌های جداگانه‌ای ثبت می‌شوند. سپس پاسخ‌دهندگان این پروفایل‌ها را رتبه‌بندی یا طبق‌بندی می‌کنند. با استفاده از روش «تحلیلی رگرسیونی طبقه‌ای» (Categorical Regression) با استفاده از «متغیرهای مجازی» (Dummy Variables)، پروفایل‌ها مورد بررسی و تجزیه و تحلیل قرار می‌گیرند. در نتیجه ویژگی‌ها یا سطوح با اهمیت شناسایی شده و در ادامه به کار گرفته می‌شوند. این امر دو محدودیت در تجزیه و تحلیل تلفیقی ایجاد می‌کند.

  1. تعداد صفات مورد استفاده به شدت محدود شده و ابعاد مسئله کاهش می‌یابد. با وجود تعداد زیادی ویژگی‌ها، وظیفه در نظر گرفتن همه پاسخ‌ها بسیار حجیم شده و حتی با طرح فاکتوریل، تعداد پروفایل‌های ارزیابی می‌تواند به سرعت افزایش یابد. به منظور استفاده از ویژگی‌های بیشتر (حداکثر 30)، تکنیک‌های ترکیبی و کاهش ابعاد تهیه شدند که بخصوص در رگرسیون طبقه‌ای، کارآمد و موثر عمل می‌کنند ولی با حذف بعضی از ویژگی‌ها ممکن است مدل مناسبی ارائه نشود.
  2. انتخاب موثر‌ترین ویژگی‌ها به منظور کارایی مدل و تجزیه و تحلیل تلفیقی از نکات دیگر در به کارگیری پروفایل‌ها است. در شرایط واقعی، این کار به نوعی انتخاب واقعی بین گزینه‌های مختلف است تا رتبه‌بندی‌ها به درستی و صحت انجام شوند. «جوردن لووایر» پیشگام رویکردی بود که فقط از یک کار انتخاب استفاده می‌کرد و اساس «تحلیل تلفیقی مبتنی بر انتخاب» (choice-based conjoint analysis) و «تجزیه و تحلیل انتخاب گسسته» (discrete choice analysis) را پایه‌ریزی نمود .

این گونه روش تجزیه و تحلیل، با مدل سازی اقتصادسنجی مرتبط است و می تواند با اولویت‌های تعیین شده، مدل مناسبی ارائه دهد. در ابتدا، «تجزیه و تحلیل تلفیقی آماری مبتنی بر انتخاب» قادر به ارائه مدل و ایجاد الگوی خدمات در سطوح جداگانه نبود، زیرا انتخاب‌های مختلف در بازار به صورت جمعی روی یکدیگر اثر می‌گذارند. این امر برای مطالعات مربوط به تقسیم‌بندی و ایجاد طبقه‌های بازار مناسب نیست. با استفاده از تکنیک‌های جدیدتر «تجزیه و تحلیل سلسله مراتبی بیزی» (Hierarchical Bayesian Analysis Techniques)، همه پروفایل‌ها و سطوح مختلف به صورت جداگانه یا جمعی می‌توانند برای به کارگیری داده‌های با سطوح جداگانه مورد استفاده قرار گیرند.

جمع‌آوری اطلاعات برای تجزیه و تحلیل تلفیقی

داده‌ها برای تجزیه و تحلیل تلفیقی، معمولاً از طریق بررسی تحقیقات بازار جمع آوری می‌شوند، اگر چه تجزیه و تحلیل تلفیقی نیز می‌تواند برای یک گروه کنترل یا داده‌هایی که در یک طرح از پیش طراحی شده نیز به کار گرفت و آزمون‌های مربوط به بازارهای آزمایشی مناسب را طراحی کرد. قوانین تحقیقات بازار با توجه به اندازه و دقت نمونه‌گیری آماری هنگام طراحی مصاحبه‌های یا جمع‌آوری پرسشنامه‌ها باید در نظر گرفته شود.

اندازه پرسشنامه تحقیق بستگی به تعداد ویژگی‌هایی دارد که باید در یک طرح تجزیه و تحلیل تلفیقی مورد ارزیابی واقع شوند.زمان پر کردن یک پرسشنامه معمولی سازگار با 20-25 ویژگی ممکن است بیش از 30 دقیقه طول بکشد. ترکیب مبتنی بر انتخاب گزینه‌ها، با استفاده از یک مجموعه کوچکتر از ویژگی‌ها و سطوح محدود در پاسخ‌ها در کل نمونه، ممکن است باعث شود چنین پرسشنامه‌ای در کمتر از 15 دقیقه تکمیل شود. آزمون‌های انتخابی ممکن است به عنوان یک طرح از نوع فروشگاه الگو و پیشرو یا در برخی از محیط‌های خرید شبیه سازی شده دیگر نمایش داده شوند.

روش تجزیه و تحلیل تلفیقی آماری

بسته به نوع مدل، می‌توان از روش‌های مختلف اقتصاد سنجی (Econometrics) و آماری برای تخمین کارکردهای طرح‌های مختلف و تلفیقی استفاده کرد. این گونه روش‌ها، نشان دهنده ارزش درک شده از ویژگی و چگونگی درک و ترجیحات مصرف کننده نسبت به تغییرات در ویژگی‌های محصول را نشان می‌دهند. روش تخمین پارامتر، بستگی به طراحی کار و پروفایل برای پاسخ دهندگان، در نوع مشخصات و مقیاس سنجش برای آن ویژگی‌ها دارد. برای مثال می‌توان از شاخص‌های نسبت، رتبه بندی و نحوه انتخاب استفاده کرد که در نتیجه دامنه محدودی‌تری برای ویژگی‌ها در نظر گرفته می‌شود. برای خدمات یا محصولاتی که دارای مشخصات کامل و بیشتری هستند، رگرسیون خطی ممکن است مناسب باشد، همچنین برای بررسی‌های مبتنی بر انتخاب، تخمین‌های «حداکثر درستنمایی» (Maximum Likelihood) معمولاً به همراه «رگرسیون لجستیک» (Logistic Regression) بطور معمول مورد استفاده قرار می گیرند.

روش‌های اصلی آنالیز یا تحلیل واریانس (ANOVA) یا برنامه‌ریزی خطی نیز از دیگر تکنیک‌هایی هستند که در روش تجزیه و تحلیل تلفیقی آماری و همچنین تحقیقات بازار نیز به طور کامل به کار گرفته می‌شوند. نسخه‌های مختلط این گونه مدل‌ها به همراه اصلاحاتی در بیشتر نرم‌افزارهای تجزیه و تحلیل تلفیقی آماری پیاده‌سازی شده‌اند. برای مثال کتابخانه‌های معروفی در زبان‌های برنامه‌نویسی R و پایتون برای اجرای مدل‌ها و «برآوردگرهای بیزی» (Bayesian estimators) و «سلسله مراتبی بیزی» (Hierarchical Bayesian) وجود دارد.

example conjoint task
تصویر ۳: خصوصیات (ویژگی‌ها) و محصولات به همراه سطوح هر یک از خصوصیات

مزایا و معایب تجزیه و تحلیل تلفیقی آماری

مانند هر یک از روش‌های دیگر تجزیه و تحلیل اطلاعات، طرح‌های مطالعاتی به شیوه تجزیه و تحلیل تلفیقی آماری برای بررسی و تحقیقات بازار، معایب و مزایای خاص خود را دارد. در ادامه به صورت فهرست‌وار به بعضی از مزایا و معایب موجود در این شیوه تحقیقی می‌پردازیم.

مزایا

  • معاملات روانشناختی را که مصرف کنندگان هنگام ارزیابی چندین ویژگی با هم انجام می دهند تخمین می‌زند.
  • ترجیحات را در سطح فردی و جداگانه اندازه‌گیری می‌کند.
  • جنبه‌های واقعی یا پنهانی از خصوصیات فردی یا اجتماعی افراد را کشف می‌کند که ممکن است برای خود مخاطب آشکار نباشد.
  • انتخاب واقع بینانه برای خرید کالا یا استفاده از خدمات از سوی مشتریان رخ می‌دهد.
  • قابلیت استفاده از اهداف قابل لمس و مشهود برای مدیریت بوجود می‌آید.
  • در صورت طراحی مناسب، از توانایی مدل سازی تعامل بین صفات می‌توان برای توسعه تقسیم یا دسته‌بندی‌های مبتنی بر نیاز، استفاده کرد.

معایب

  • طراحی مطالعات تلفیق می‌تواند پیچیده باشد.
  • با وجود گزینه‌های بسیار زیاد، پاسخ دهندگان به استراتژی‌های ساده‌سازی متوسل می‌شوند و پاسخ‌های مناسب در داده‌ها، بوجود نمی‌آیند.
  • استفاده از آن برای تحقیقات در مورد جایابی محصول دشوار است، زیرا هیچ روشی برای تبدیل ادراک در مورد ویژگی‌های واقعی به ادراک در مجموعه کاهش‌یافته از ویژگی‌های اساسی وجود ندارد.
  • پاسخ دهندگان قادر به بیان نگرش نسبت به مقوله‌های جدید نیستند، یا ممکن است مجبور شوند در مورد موضوعاتی فکر کنند که برایشان اهمیت زیادی ندارد.
  • مطالعات با طراحی ضعیف ممکن است متغیرهای عاطفی را نیز در مدل لحاظ کنند که در این صورت نتایج رضایت بخش نخواهند بود.
  • شیوه تحقیق تلفیقی، تعداد اقلام موجود در هر خرید را در نظر نمی‌گیرد، بنابراین می‌تواند توصیف ضعیفی از سهم بازار را به دست آورد.

کاربردهای تجزیه و تحلیل مشترک آماری

یک مثال کاربردی از تجزیه و تحلیل تلفیقی در تجزیه و تحلیل کسب و کار، در  مثال زیر آورده شده است.

مثال: یک سازنده املاک و مستغلات علاقه‌مند است یک مجتمع آپارتمانی مرتفع در نزدیکی دانشگاه شهری بسازد. برای اطمینان از موفقیت این پروژه ، یک شرکت تحقیقاتی در بازار استخدام می‌شود تا کار-گروه‌های متمرکزی را با دانشجویان فعلی برگزار کند. دانشجویان بر اساس سال تحصیلی (دانشجوی سال اول، کلاس‌های برتر، تحصیلات تکمیلی) و میزان کمک‌های دریافتی مالی تقسیم می‌شوند.

به شرکت‌کنندگان در مطالعه یک سری کارت‌های شاخص داده می‌شود. هر کارت دارای 6 ویژگی برای توصیف پروژه ساختمان در حال ساخت است که شامل ؛مجاورت دانشگاه»، «هزینه»، »ارتباط یا سیستم حمل و نقل عمومی»، «گزینه‌های لباسشویی»، «امکانات طبقه همکف» و «ویژگی های امنیتی» می‌باشد. هزینه تخمین زده شده برای ساخت ساختمان شرح داده شده در هر کارت معادل است. از شرکت‌کنندگان خواسته می‌شود کارت‌ها را از حداقل تا جذاب‌ترین گزینه انتخاب کنند. این کار رتبه‌بندی را به طور غیر مستقیم با حفظ اولویت‌ها و ترجیحات شرکت‌کنندگان، نشان می‌دهد. برای نمایش ارتباط این گزینه‌ها با یکدیگر می‌توان از تحلیل رگرسیون چند متغیره استفاده و برای تعیین قدرت ترجیحات در بخش‌های بازار هدف استفاده کرد.

خلاصه و جمع‌بندی

در این نوشتار با مفهوم تجزیه و تحلیل تلفیقی بخصوص از جنبه آماری آشنا شدید. واضح است که با توجه به رشد تحقیق و پژوهش در حوزه‌های مختلف، به ویژه تحقیقات بازار برای کالا و خدمات ارائه شده از سوی شرکت‌ها تجزیه و تحلیل تلفیقی امری واجب و علمی برای پیش‌بینی رفتار مشتریان و در نتیجه سودآوری شرکت‌ها خواهد بود. به این ترتیب مشخص شد که رگرسیون و طرح‌های متعامد می‌تواند بیشترین کاربرد را در این گونه بررسی‌ها داشته باشد. در انتها همچنین نقاط ضعف و مزایایی استفاده از تجزیه و تحلیل تلفیقی را بازگو کرده و کاربردهای این روش‌ها را با استفاده از یک مثال به خوبی روشن کردیم.

اگر مطلب بالا برای شما مفید بوده است، مطالب دیگر از مجله فرادرس و همچنین آموزش‌های ویدیویی زیر نیز به شما پیشنهاد می‌شود:

آرمان ری بد (+)

«آرمان ری‌بد» دکتری آمار در شاخه آمار ریاضی دارد. از علاقمندی‌های او، یادگیری ماشین، خوشه‌بندی و داده‌کاوی است و در حال حاضر نوشتارهای مربوط به آمار و یادگیری ماشین را در مجله فرادرس تهیه می‌کند.

آیا این مطلب برای شما مفید بود؟

نظر شما چیست؟

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *