Skuteczność pomiaru w metrycznych i niemetrycznych narzędziach predykcyjnych

• Autorzy: Mariusz Łapczyński

Warianty tytułu

Effectiveness of Metric and Non-Metric Predictive Tools

• Języki publikacji: PL

Abstrakty

Wyniki badań przeprowadzonych wśród specjalistów do spraw badań marketingowych w Stanach Zjednoczonych pokazują, że narzędzia do budowy modeli predykcyjnych, data mining oraz nowe narzędzia i modele statystyczne zostały zaliczone do zestawu czynników, mających istotny wpływ na rozwój badań marketingowych w XXI w. Termin "predykcja" często pojawia się m.in. w literaturze marketingowej, statystycznej czy ekonometrycznej i mimo że intuicyjnie wiadomo, co to pojęcie oznacza, to jednak istnieją pewne rozbieżności definicyjne. Dla uproszczenia w niniejszym artykule przyjmuje się, że predykcja jest procesem wnioskowania o przyszłości. Jest to o tyle uzasadnione, że nawet w przypadku budowy modeli statycznych menedżer po to chce poznać prawidłowości na danym rynku, aby w przyszłości podejmować trafniejsze decyzje biznesowe. To wnioskowanie o przyszłych wydarzeniach dokonuje się tutaj w sposób pośredni. Celem artykułu jest przedstawienie miar jakości dopasowania modeli do danych oraz, w przypadku modeli niemetrycznych, różnych współczynników trafności predykcji. Ze względu na złożoność zagadnienia rozważania autora zostają zawężone do skuteczności metod ilościowych (matematycznych) w predykcji zmiennych metrycznych i niemetrycznych. Przytoczona tu charakterystyka będzie dotyczyć modeli statycznych (nieuwzględniających zmiennej czasowej) i warunkowych (takich, gdzie bada się wpływ zestawu zmiennych niezależnych na zmienną zależną). Modele te nazywane są również modelami przyczynowo-skutkowymi (bądź symptomatycznymi, jeśli związek między zmiennymi niezależnymi a zmienną zależną nie ma charakteru przyczynowo-skutkowego, a jedynie korelacyjny) lub modelami regresyjnymi. (fragment tekstu)

EN

The paper begins with a brief description of research tradition in marketing research. The considerations are based on clear classification of multivariate statistical techniques (using measuring scales of dependent and independent variables). The classification of conventional methods was completed with tools deriving from psychometrics, econometrics, marketing, machine learning, artificial intelligence and data mining. The author attempted to present measures of effectiveness metric and non-metric predictive tools. (original abstract)

Słowa kluczowe

PL

Badania marketingowe; Pomiary; Metody pomiarowe; Metody ilościowe; Prognozowanie; Uczenie maszynowe; Modele statystyczne

EN

Marketing research; Measurement; Measuring methods; Quantitative methods; Forecasting; Machine learning; Statistical models

• Czasopismo: Zeszyty Naukowe / Akademia Ekonomiczna w Poznaniu
• Rocznik: 2006
• Numer: nr 71
• Strony: 196-205

Twórcy

autor

Mariusz Łapczyński

• Akademia Ekonomiczna w Krakowie

Bibliografia

• Bąk A., Zależności regresyjne w modelach conjoint analysis, w: Zależności przyczynowo-skutkowe w badaniach rynkowych i marketingowych, red. S. Mynarski, Wydawnictwo AE w Krakowie, Kraków 2002, s. 156.
• Ferber R.A., Statistical Techniques in Marketing Research, 1949.
• Franses R.H., Paap R., Quantitative Models in Marketing Research, Cambridge University Press, 2001, s. 63-65.
• Gatnar E., Symboliczne metody klasyfikacji danych, Wydawnictwo Naukowe PWN, Warszawa 1998, s. 57-59.
• Green P.E., Johnson R.M., Neal W.D., The Journal of Marketing Research: Its Initiation, Growth, and Knowledge Dissemination, "Journal of Marketing Research" vol. XL, 2003, February, s. 1-9.
• Łapczyński M., Modele predykcyjne w data mining, w: Analiza i prognozowanie zjawisk o charakterze niemetrycznym, red. E. Gatnar, "Prace Naukowe AE w Katowicach", Katowice 2003, s. 115-126.
• Makridakis S., Wheelwright S.C., Forecasting: Issues & Challenges for Marketing Management, "Journal of Marketing" 1977, October, s. 34-35.
• Mynarski S., Badania rynkowe w warunkach konkurencji, Fogra, Kraków 1995, s. 70.
• Palda K.S., The Evaluation of Regression Results, w: Multivariate Analysis in Marketing. Theory and Application, ed. D.A. Aaker, Wadsworth Publishing Company, Belmont 1971, s. 35.
• Rószkiewicz M., Narzędzia statystyczne w analizach marketingowych, Wydawnictwo C.H. Beck, Warszawa 2002, s. 91.
• Stanisz A., Przystępny kurs statystyki w oparciu o program STATISTICA PL na przykładach z medycyny, t. II, Statsoft Polska, Kraków 2000, s. 205.
• Struse D., Marketing Research's Top 25 Influences, "Marketing Research", Winter 1999/Spring 2000, s. 6.
• Walesiak M., Metody analizy danych marketingowych, Wydawnictwo Naukowe PWN, Warszawa 1996, s. 74.