Диссертация: Выявление факторов, влияющих на выбор FMCG-товаров премиум класса в точках продаж

Для определения наличие и силу связи между вышеперечисленными независимыми и зависимой переменной будет использован анализ методом структурных уравнений, а также будет проведен факторный анализ для уменьшения размерности данных. При этом будут проверена все условия, необходимые для признания работоспособности данной модели и пригодности использования указанных видов анализа.

3.5 Результаты эмпирического исследования. Характеристика респондентов

Перед тем, как перейти к более углубленному анализу данных, стоит понять структуру выборки и базовые характеристики респондентов. Для удобства и наглядности была использована описательная статистика программного пакета SPSS.

Онлайн анкету заполнило 495 человек. Однако целевая аудитория исследования состояла из 398 респондентов. Самый первый вопрос, который видели опрашиваемые: «Покупали ли вы за последние 12 мес. товар, цена которого была значительно выше средней?». Те, кто отвечал «Нет», не отвечали на оставшиеся вопросы анкеты. При этом выборка была очищена от выбросов, аномалий и ответов с пропущенными значениями. Так, для глубинного анализа будет проанализировано 394 анкеты.

Таким образом, можно утверждать, что на начальном этапе обработки данных подтвердилась гипотеза №1. Более 80% респондентов приобретали за последний год FMCG товары премиум-класса.

Таблица 10 Проверка гипотезы 1

Женщины составили большую часть опрошенных. Это хорошо для анализа, так как по данным исследований [33], большинство лиц, принимающих решение о покупке товаров народного потребления - женщины.

Таблица 11 Распределение респондентов по полу

Оказалось, что 65% респондентов - это работающая аудитория. При чем часть из них и работают и учатся одновременно. В выборку попало всего 7% домохозяек. Это значит, что результаты могут быть не совсем достоверными относительно генеральной совокупность, так как по данным исследований [33] около 70% решений о покупке в супермаркете принимает женщина или супруга. Однако, учитывая тот факт, что доля опрашиваемых женщин составила 67%, можно утверждать, что результаты можно считать релевантными.

Рисунок 5 Распределение респондентов по роду занятий

Значения переменной «Уровень дохода» закодированы в программе SPSS следующим образом для удобства вывода данных на экран:

- денег не хватает даже на питание (1)

- на питание денег хватает, но одежду, обувь купить не могу (2)

- на одежду, обувь денег хватает, но крупную бытовую технику купить не могу (3)

- на бытовую технику денег хватает, но автомобиль купить не могу (4)

- на автомобиль денег хватает, но квартиру или дом купить не могу (5)

- на квартиру или дом денег хватает (6)

Из таблицы №11 ниже видно, что большинство респондентов являются представителями нижней границы среднего класса. Это хорошее распределение ответов, так как оно поможет ответить на один из вопросов исследования. А именно, понять, какие факторы могут влиять на выбор товаров народного потребления премиум-класса вне зависимости от уровня дохода. А срез респондентов из нижней границы среднего класса дает возможность проанализировать поведение среднестатистического россиянина.

Таблица 12 Распределение респондентов по уровню дохода

Более того, распределение значений данной переменной (Уровень дохода) приближено к нормальному. Данный факт показывает релевантность выборки относительно данной важной переменной.

Рисунок 6 Нормальность распределения переменной «Уровень дохода»

3.6 Построение базовои? схемы связи измеряемых конструктов и латентных переменных

Для того, чтобы продолжать анализ факторов, которые будут влиять на склонность к покупке FMCG товаров премиум класса, необходимо сгруппировать переменные, которые были использованы в опросе в укрупненные группы, которые будут являться факторами, влияющими на вероятность приобретения исследуемого продукта. Необходимо понять в какой мере структура полученных данных согласуется с теоретической моделью, которая была основана на классификации 4P. После данного шага можно будет приступать к Моделированию Структурными Уравнениями. Для этого будут использованы методы метрического факторного анализа и корреляционного анализа.

Метрический факторный анализ был осуществлен с помощью программы SPSS на переменных, которые являлись интервальной шкалой Лайкерта, где респондентов просили отметить степень влияния каждого фактора из теоретической исследовательской модели от 1 до 7. Структура латентных переменных выявлялась на 14 измеримых переменных. Факторный анализ был проведен методом вращения varimax.

Критерий Кайзера-Майера-Олкена позволяет оценить, насколько полно построенная факторная модель описывает структуру ответов респондентов [25]. Результаты проведенного факторного анализа действительны, так как критерий КМО равен 0,814 > 0,5. Значит, данные пригодны для использования метода главных компонент. Тест Бартлетта показывает, что между переменными, участвующими в анализе есть корреляционная зависимость и возможна их группировка на основании тесноты корреляции.

Таблица 13 КМО и критерий Бартлетта

Далее необходимо определить оптимальное число компонентов факторной модели. Характеристические числа (Evangelines) в столбце Total таблицы №14 показывают полноту изображения исходной информации в факторной модели. В нашем случае, 4 характеристики больше 1. Это значит, что факторная модель состоит из 4х факторов, которые называются латентными переменными модели. Выявленные латентные переменные объясняют 60,88% дисперсии, то есть сохраняют более 60% исходной информации массива. Это достаточно хороший показатель.

Таблица 14 Таблица общей объясненной дисперсии

Метод «Каменистой осыпи» также выделяет 4 фактора. График на рисунке №7 показывает зависимость между характеристическими числами и количеством компонентов факторной модели. Результат графического метода определения числа факторов подтвердил результаты расчетного метода.

Рисунок 7 график собственных значений

В таблице факторных нагрузок после вращения можно распределение исходных переменных в каждую компоненту и их коэффициенты корреляции с самой компонентой. Сгруппированные в факторы переменные выделены цветом для наглядности.

Таблица 15 Факторные нагрузки после ортогонального вращения varimax

Факторный анализ воспроизвел структуру латентных переменных, предложенных на этапе построения исследовательской модели по классификации 4P. При чем удалось не только на практике подтвердить теоретическую модель, но и уточнить и дополнить ее.

Ввиду того, что на для проверки элемента 4Р Price был составлен лишь один вопрос, его переменная попала в фактор, который автор назвал «Продвижение». Это очень логично, так как ценовое стимулирования одновременно может являться как элементом как категории Promotion, так и категории Price.

В ходе анализа переменные, отвечающие за характеристики товара, или Product в теоретической классификации 4P, были разделены на две компоненты, которые при всей кажущейся общности, на самом деле отличаются друг от друга по смыслу. А именно, сформировался фактор «Видимость товара на полке» и «Качество товара». В первую группу вошли переменные, отвечающие за видимость и качество упаковки, а также узнаваемость и популярность бренда. И действительно, это именно те характеристики товара, которые заставляют потребителя обратить внимание на товар в магазине. Во вторую группу вошли такие характеристики как качество и экологичность. Более того, интересно, что переменная «Информация на упаковке..» тоже вошла в эту группу. Это говорит о том, что есть категория потребителей, которые внимательно изучают упаковку, чтобы удостовериться в качестве продукта и его натуральности.

Все переменные, отвечающие за характеристики супермаркета были отнесены к компоненте Place, что также не вызывает вопросов у автора.

Автор предлагает следующую модель переменных для дальнейшего анализа с помощью метода моделирования структурными уравнениями. (См. Табл. 16).

Таблица 16. Предлагаемая структура латентных переменных