Йенс Нордфальт - Ритейл-маркетинг: Практики и исследования

Я столь детально описываю это различие, поскольку именно в нем кроется главная причина, почему бóльшая часть «традиционного маркетинга» не работает в сфере розничной торговли. Например, в типичном эксперименте, измеряющем воздействие рекламы, в среднем используется пять видов рекламы, а время демонстрации превышает 25 секунд (Питерс и Ведель, 2008). Это имеет мало общего с обстановкой в реальном магазине, где десятки тысяч упаковок товаров соперничают за внимание посетителя. В крупном супермаркете примерно с 15 000 покупателями в неделю каждой отдельно взятой ассортиментной позиции удается получить в общей сложности 300 секунд внимания за этот период (Х. Соренсен, 2009). Когда человек окидывает взглядом широкий ассортимент представленных в магазине товаров, фактическая точка фокусировки его взгляда составляет намного меньше одного процента от поля обзора (Я. Сухер и Х. Соренсен, 2010). Таким образом, розничная торговля нуждается в собственной маркетинговой теории, поскольку принятие решений в магазинах в значительной степени определяется действующими раздражителями.

Коротко о статистике

В этом разделе я вкратце познакомлю читателей с азами статистики, чтобы облегчить им дальнейшее чтение книги.

Я знаю, что не все люди обладают математическими способностями. Я также знаю, что многие считают статистику скучной или невероятно сложной. Между тем в этой книге много статистики. Но хочу вас успокоить: форма ее подачи предельно проста. Это не значит, что данные будут представлены в упрощенном виде; это значит, что я стану их использовать только для того, чтобы проиллюстрировать результаты исследований. Например, если я пишу, что рост оказался значительным, то могу доказать это с помощью таблицы, где будет указана цифра 572 %. Это позволит судить о масштабе произошедших изменений.

Чтобы успокоить вас еще больше, ниже я объясню некоторые статистические термины, релевантные для нашего контекста. Иногда в книге могут встречаться отклонения от представленных здесь рассуждений, и я обязательно буду обращать ваше внимание на такие моменты.

На протяжении всей книги вам регулярно будет встречаться термин «статистическая значимость». Если результат является статистически значимым, например, на уровне 5 %, значит, вероятность того, что он мог появиться чисто случайно, составляет всего 5 %. В этой книге вы встретите следующие уровни статистической значимости: 1 % (в таблицах обозначается символами ***), 5 % (**) и иногда 10 % (*).

Но из этого основного правила есть исключения. В некоторых случаях, когда я ставлю одну звездочку (*), фактически уровень статистической значимости может находиться где-то между 1 % и 10 %. Иногда я вынужден так делать просто потому, что в оригинальной статье данный показатель не был указан. С этим вы столкнетесь уже в таблице 2.1.

Статистическая значимость также может быть выражена в виде р-уровня. В этом случае используется латинская буква p, что является сокращением слова probability – вероятность. P-уровень, равный 0,01, соответствует статистической значимости в 1 % и означает, что вероятность ошибки – случайного возникновения результата – составляет 1 % и меньше. Это можно записать как p ≤ 0,01. Преимущество такого способа записи по сравнению со звездочками в том, что можно точно указать значение p-уровня, например: p ≤ 0,07. Чем меньше цифра, тем ниже вероятность того, что данный результат появился чисто случайно. Преимущество использования звездочек в том, что они занимают меньше места в таблицах. Вы просто должны знать об обоих способах.

Многие термины говорят сами за себя, например такой, как «сравнение средних значений». Даже неосведомленный человек может примерно понять, о чем идет речь. Сравнение средних значений будет приводиться во многих таблицах. С другой стороны, термин «регрессионный анализ» у многих вызывает страх – причем абсолютно необоснованно, поскольку за ним скрывается довольно простая вещь. Для пользователей статистики главная проблема состоит в понимании, какой метод что делает и что для этого требуется. Понять результаты, как правило, довольно легко.

В этой книге будет представлено несколько таблиц, содержащих результаты регрессионного анализа. Они могут выглядеть, как таблица 1.1. Ее вы увидите снова в главе 7.

Таблица 1.1. Пример результатов регрессионного анализа

Главное, что вы должны знать о регрессионном анализе: он представляет собой метод моделирования измеряемых данных с целью исследования, как некая независимая переменная или несколько переменных (множественная регрессия) влияют на некую зависимую переменную. В таблице 1.1 в качестве последней выступает «активация». Зависимая переменная почти всегда указывается в верхней строке таблицы. Ниже идут независимые (объясняющие) переменные. Их также называют коэффициентами регрессии. В таблице 1.1 мы видим, что «беспорядочность» не статистически значимая величина, поэтому мы ее просто проигнорируем. Остальные факторы являются статистически значимыми. Значение коэффициента показывает, какое влияние на «активацию» оказывает его увеличение на одну единицу. Если степень новизны повышается на одну единицу, активация возрастает на 0,35. Как видите, все просто. Чем выше значение статистически значимого коэффициента регрессии, тем интереснее для нас этот коэффициент.

Коэффициент детерминации (R2) показывает, какая доля вариаций зависимой переменной объясняется моделью. Вероятно, не все поняли эту фразу, поэтому ниже я постараюсь объяснить ее значение.

Чтобы немного упростить, используем следующий пример. Предположим, большое количество покупателей заполняет анкету о степени активации. Ответы даются по шкале от 1 до 7. Также при помощи шкалы они оценивают, в какой степени воспринимаемая ими обстановка в магазине является «новой», «разнообразной» и т. д. (см. таблицу 1.1). Окажется, что одни люди испытывают более высокую степень активации, другие – более низкую. Эта величина будет в разной степени коварьировать с разными объясняющими переменными. Например, если большинство тех, кто указал высокую степень активации, также отметили, что воспринимают пространство магазина как большое, то ковариация будет высокой. Если нет никакой взаимосвязи между объясняющей переменной и зависимой – например, обстановка в магазине охарактеризована как «беспорядочная», а степень активации названа высокой, – ковариация будет низкой.