सर्वेक्षण डेटाचे विश्लेषण करण्यासाठी मुख्य ड्रायव्हर्सचा उपयोग कसा करावा?

क्लायंट-फेसिंग रेकॉर्डसाठी प्रगत सर्वेक्षण पद्धती

प्रमुख डेटा विश्लेषणास म्हणून ज्ञात असलेल्या प्रक्रियेस सर्वेक्षणाचा डेटा अगदी योग्य असतो. की ड्रायव्हर्स ओळखणे आणि त्यांचे विश्लेषण करणे विपणकांना आणि जाहिरातदारांना प्रश्नांची उत्तरे शोधण्यास मदत करू शकते जसे की: माझ्या ग्राहकाने दुसर्या ब्रॅंडवर स्विच करण्यासाठी काय चालविले आहे? माझ्या उत्पादनाची खरेदी करण्यासाठी ग्राहकांच्या प्रवृत्तीचा काय योगदान आहे? कोणता ग्राहक समूह आमच्या सेवांशी सर्वाधिक संतुष्ट आहे?

कोणत्याही संशोधनाप्रमाणे, प्रारंभिक चरण सर्वेक्षणांना उत्तर देण्यासाठी डिझाइन केलेले प्रश्न ओळखणे आहे.

संशोधनाचे उद्दीष्ट अंदाजपत्रक, स्पष्टीकरणात्मक किंवा वर्णनात्मक (एखाद्या पाहणीसाठी दुर्मिळ) हे निश्चित करणे आवश्यक आहे. दोन्ही प्रकारचे उद्देश्य महत्वाचे असल्यास काय?

अडचण: सरासरी

वेळ आवश्यक: एक आठवडा

कसे ते येथे आहे:

1. नाते बद्दल सर्व आहे

   आश्रित आणि स्वतंत्र व्हेरिएबल्सचे विस्तृत वर्गीकरण की ड्राइव्हर विश्लेषण द्वारे अभ्यासले जाऊ शकते आणि विशेषत: विश्लेषण एक किंवा अधिक अवलंबित व्हेरिएबल्स आणि एकाधिक स्वतंत्र व्हेरिएबल्सवर केले जाते. हे संशोधन चे फोकस असलेल्या स्वतंत्र परिवर्तनावर स्वतंत्र वेरियेबिलचे सांख्यिकीय स्वरूपात लक्षणीय परिणाम आहे. एकीकडे, क्लायंटला स्वारस्याची एक धोरणात्मक वैशिष्ठ्य (मार्केट शेअर) आहे दुसऱ्या बाजूला, कामगिरी निर्देशक किंवा वर्णनात्मक गुणधर्मांचा एक संच आहे जो कोणत्याही प्रकारे मोक्याचा गुणधर्मांशी संबंधित असल्याचे मानले जाते.

2. की ड्राइव्हर विश्लेषण "उत्तर का?"

   निवडलेल्या संबंधित व्हेरिएबल्स आणि विश्लेषणात्मक पद्धतीने निवडलेल्या कीड डाइव्हर विश्लेषणासाठी मुख्यत्वे हे संशोधन उद्देशाचे एक कार्य आहे: स्पष्टीकरण, पूर्वानुमान, वर्णन.

   स्पष्टीकरण लक्ष्य असल्यास, निवडलेले स्वतंत्र व्हेरिएबल्स अवलंबित वेरियेबलमध्ये आढळलेल्या फरकांवर प्रभाव टाकतात असे मानले जाते. स्वतंत्र व्हेरिएबल्स सुद्धा कार्यवाही करण्यायोग्य असावीत. उदाहरणार्थ, ग्राहक सेवा (अवलंबित परिवर्तनीय) सह एकूण समाधान वेळेनुसार, रिटर्न्सची साधेपणा आणि रिफंड पॉलिसी (सर्व स्वतंत्र व्हेरिएबल्स आणि बदलण्यास प्रतिसाद, किंवा क्रिया) यांच्याशी संबंधित आहे.

1. की ड्राइव्हर विश्लेषण "काय तर?"

   जर अंदाज वर्तवला जात असेल तर अंदाजानुसार स्वतंत्र परिवर्तनांची मागणी केली जाते. या प्रसंगी, स्वतंत्र व्हेरिएबल्सची कार्यवाही करणे आवश्यक नाही. पूर्वानुमानित संशोधनात लक्ष्य अवलंबून परिवर्तनशील बदलत नाही, परंतु याबद्दल काहीतरी अनुमान लावणे उदाहरणार्थ, धुम्रपान प्रतिबंधक कार्यक्रमात सहभाग घेण्याअगोदर पूर्ववाचक कारणाचा विचार करण्याकरता मुख्य ड्रायव्हरचे विश्लेषण तयार केले जाऊ शकते, परंतु संशोधक स्वत: च्या वेगळ्या वेगळ्या संचाचे परीक्षण करू शकतात, जे त्यांच्या स्मोकिंग क्लब्स प्रोग्रॅमच्या यशस्वी दर सुधारण्यासाठी मानतात.

1. प्रमुख वाहनचालक सर्वेक्षण सर्वेक्षण आहे

   ब्रॅन्ड विशेषता नेहमी तीन पैकी एका श्रेणीमध्ये येतात: समाधान, करार किंवा कार्यप्रदर्शन रेटिंग. सर्वेक्षणाचे उत्तरदायित्व रेटिंग किंवा या श्रेण्यांमधील विशेषतांचे गुणधर्म रेकॉर्ड करण्यासाठी विविध प्रकारांचा वापर केला जाऊ शकतो. सर्वात सामान्य रेटिंग स्केल लिक्चर आहे, जे सहजपणे समाधान आणि करारनामा विवरणांवर लागू केले जाते. सर्वेक्षण सर्वेक्षणात दररोज अनेक उत्पादनांवरील किंवा सेवा किंवा गुणधर्मांचे गुणधर्म असलेल्या अनेक ब्रॅण्डमध्ये "होय" साठी बॉक्स तपासू शकतात, परिणामी डेटा 1/0 / हे बायनरी डेटा सहजपणे सांख्यिकीय विश्लेषणाच्या हेतूसाठी रूपांतरित केले जाते.

2. विविध बाजार विभागातील वेगवेगळ्या प्रमुख ड्रायव्हर्स

   बाजार विभाजन संशोधन असे सूचित करते की वेगवेगळ्या बाजारांमध्ये वेगवेगळे की चालक महत्वाचे असू शकतात आणि काही बाजारपेठांमध्ये काही प्रमुख ड्राइवर महत्त्वाचे असू शकतात. एका सर्वेक्षणात केवळ एकदाच एका विशेषतेसाठी विचारल्या जाऊ शकल्यापासून मुख्य ड्रायव्हर विश्लेषण सर्वेक्षण डिझाइन सुलभ करू शकते, परंतु परिणामी डेटा भिन्न "कप्पे" मध्ये मोडला जाऊ शकतो किंवा असंतुलित ग्राहक समूह दर्शविणार्या टचां उदाहरणार्थ, चेंडू जनसांख्यिकी, वय, लिंग, सामाजिक-आर्थिक स्थिती, उत्पन्न किंवा शैक्षणिक पात्रता स्तरांवर प्रभाव टाकू शकतो.

3. प्रमुख मूल्यांकनासह की ड्राइव्हर विश्लेषण वापरले जाऊ शकते

   विश्लेषणात्मक तंत्रज्ञानाची विविधता चा उपयोग मुख्य ड्राइवर विश्लेषण करण्यासाठी केला जाऊ शकतो. काही अवलंबित व्हेरिएबल्स स्पष्ट आहेत, मोजलेली नाहीत , आणि म्हणूनच रेखीय प्रतिगमन द्वारे विश्लेषण केले जाऊ शकत नाही. त्याऐवजी, रेखीय भेदभावपूर्ण विश्लेषण किंवा तार्किक प्रतिगमन वापरले जातात. अनुमानित आणि स्पष्टीकरण उद्दीष्टे असलेल्या सर्वेक्षणांमध्ये कॅरेब्रेजेटिव्ह व्हेरिएबल्सचा वापर केला जाऊ शकतो. ग्राहक समाधाने किंवा निष्ठा सर्वेक्षण बहुतेक वेळा सामान्य मूल्यांवर काम करतात जे दर्शवितात, उदाहरणार्थ, ग्राहक संबंधांची स्थिती (सक्रिय / नॉन-सक्रिय).

1. रेषेचा - एका गोष्टीकडे लक्ष द्या

   महत्त्वाची ड्राइव्हर म्हणजे अपेक्षित परिणाम किंवा मोक्याचा निष्कर्ष दर्शविणारी एक सांख्यिकीय महत्त्वपूर्ण संबंध. स्वतंत्र वेरियेबल एकरेषी मानले जाते जर त्यास अवलंबित वेरियेबल बरोबर थेट संबंध असेल एक उदाहरण किंमत लवचिकता असेल - उत्पादनांच्या बदलांची किंमत, या बदलांच्या प्रतिसादात विक्रीचे एक रेषेचा नमुना असतो. एखाद्या उच्च पातळीवर पूर्वानुमानित वैधतेची आवश्यकता नसल्यास, अधिक प्रगत तंत्रज्ञानाचा अवलंब न करता, एका सुरेखपणे तयार केलेल्या अभ्यासामध्ये, रेखीय डेटा प्रामाणिकपणे नॉन-लिनीयर डेटा दर्शवू शकतो.

2. की ड्राइव्हर विश्लेषणसाठी सॉफ्टवेअर अनुप्रयोग

   अनेक सॉफ्टवेअर संकुल की ड्राइव्हर विश्लेषणासाठी आवश्यक सांख्यिकीय प्रक्रिया पार पाडण्यासाठी डिझाइन केले आहेत. क्वार्क मॅगझिन सॉफ्टवेअर पुनरावलोकने प्रकाशित करते.

   येथे सूचीबद्ध केलेले दोन उपलब्ध पर्यायांचा परिक्षेत्र एसपीएसएस सारख्या व्यापक व्यासपीठांकरिता मायक्रोसॉफ्ट एक्सेल ऍड-इन्स म्हणून काम करण्यासाठी बनविलेल्या सर्वात मूलभूत ऍप्लिकेशन्स मधे वापरतात.

   आल्स्टॅट मायक्रोसॉफ्ट एक्सेलसाठी एक स्वस्त डेटा विश्लेषण आणि सांख्यिक समाधान आहे.

   एसपीएसएस मानक आहे आणि तो बर्याच सुधारणांसह आहे - ज्यापैकी एक आयबीएम एसएसपीएस डायरेक्ट मार्केटिंग मॉड्यूल बाजारात संशोधकांकरिता विशेषतः कार्यक्षम आहे असे दिसते.

1. की ड्राइवर विश्लेषण फायदे

   कीड डाइव्हर विश्लेषण कार्यक्षम आणि स्केल करण्यायोग्य आहे, त्यामुळे ते सर्वेक्षण डिझाईन आणि विश्लेषणाच्या अर्थसंकल्पीय आणि संसाधन सीमा राखण्यास मदत करते. विद्यमान ब्रॅंड ड्रायव्हर - म्हणा, जे दरवर्षी सर्वेक्षण घेणा-या ग्राहकांशी परिचित आहेत - ते सध्याच्या सर्वेक्षण फ्रेमवर्कमध्ये वापरले जाऊ शकतात; की ड्राइव्हर विश्लेषण रोजगार की जास्त किंवा अधिक क्लिष्ट करणे आवश्यक नाही क्लायंट-समोर असलेल्या प्रश्नावलीस मुख्य ड्रायव्हरच्या विश्लेषणाचे समायोजन करण्यासाठी लक्षणीय बदलण्याची गरज नाही. की ड्राइव्हर विश्लेषण वापरणारे एक कथा समजण्याजोगे आहे आणि प्रेझेंटेशनसाठी डेटाच्या व्हिज्युअल डिस्प्लेवर स्वत: ला देते.

2. संदर्भ

   Quirk's Market Research Review बाजार संशोधन विषयांच्या विस्तृत श्रेणीवर लेख प्रकाशित करते. डेटा वापराचे आणि संशोधन तंत्रे आणि ट्रेन्डवरील त्यांची माल विशेषत: संशोधनासाठी उपयुक्त आहे आणि सर्वेक्षण संशोधनाच्या बोल्टमध्ये रस घेतात.

   स्त्रोत

   • उत्क्रांतिविरोधी लेख # 20010104 - राजन Sambandam (सर्वेक्षण फॉरे वॉशिंग्टन, पीए) मधील प्रतिसाद केंद्राचे विश्लेषण पद्धती
   • विकिपीडिया लेख # 20010297 - > माइकल लिबरमन यांनी (बहुउपहलाचे सोल्यूशन्स, न्यूयॉर्कचे प्रमुख चालकाचे विश्लेषण)