Разработка методологии прогнозирования коммуникационной эффективности рекламы на рынках услуг с высокой вовлеченностью (на примере банковского рынка)
Дипломная работа - Маркетинг
Другие дипломы по предмету Маркетинг
В±очая база данных с агрегированными данными. Под агрегированными данными в данной работе будут пониматься процентные распределения основных показателей успеха наружной рекламы (подсказанное знание банка, подсказанное знание рекламы, желание воспользоваться услугами банка и т.п.)
Что касается формы вопросов, то практически все были заданы в дихотомической форме относительно каждого банка, который был назван респондентом в вопросе о знании банка (т.е. подсказанное знание). Например, Планируете ли вы в будущем воспользоваться услугами Банка1?, и т.д.
4.3 Характер взаимосвязей между переменными модели прогнозирования коммуникационной эффективности рекламы
Итак, приступая к анализу агрегированной базы данных, в первую очередь, посмотрим, действительно ли делать выводы по подсказанному знанию для рынков с высокой степенью вовлеченности лучше, чем по спонтанному знанию. Для этого просто построим графики знания (спонтанного и подсказанного, в процентном соотношении) для одного из популярных в Уральском ФО банков.
Как видим, показатели существенно различаются: если спонтанное знание колеблется в проделах 20%, то подсказано намного выше и находится в промежутке от 60% до 100% (т.е. такое количество опрошенных сказали, что они знают о существовании Банка №1).
Далее проверим наличие связи между некоторыми показателями. Посмотрим, есть ли связь между:
.знанием банка и желанием воспользоваться его услугами;
.знанием рекламы банка и желанием воспользоваться его услугами;
.знанием банка и лояльностью к нему;
.тем, является ли человек клиентом данного банка и лояльностью к банку.
Для этого проверим наличие связи с помощью коэффициента Пирсона (т.к. переменные в данном случае можно считать интервальными). Как видно из таблиц (см. Таблицы 2-5, Приложение 1) все из выше перечисленных зависимостей можно считать значимыми (в целом, на уровне 90%), что говорит о том, что чем выше знание банка и его рекламы, тем выше желание воспользоваться предоставляемыми банком услугами, и чем выше уровень знания банка и рекламы, тем выше уровень лояльности. Другими словами, с ростом знания у людей возникает желание воспользоваться услугами банка, т.е. чем больше людей знает и интересуется услугами банка, тем выше вероятность того, что они воспользуются его услугами в скором времени. Так же можно принять гипотезу о том, что если человек является клиентом Банка №1, то его лояльность к нему высокая (Таблица 5, Приложение 1).
На Графике 4 можно увидеть определенную закономерность в изменениях кривых основных показателей, выбранных нами для анализа эффективности. С первой по третью волны у всех показателей наблюдается рост (третья волна - пик для всех показателей, кроме желания воспользоваться услугами банка в будущем, для него пик приходится на пятую волну), далее - довольно плавный спад.
И если мы обратимся к Графику 5, на котором показана динамика изменения процента людей, ответивших, что видели наружную рекламу Банка №1, то сможем увидеть, что на третью волну там тоже приходится пик, однако потом показатель резко падает. Это объясняется, скорее всего, запуском новой рекламной кампании, которая пришлась на период после проведения опроса для второй волны.
Однако проблема заключается в том, что постоянной медиа-активности для компаний, основным каналом распределения для которых является наружная реклама, нет. В этом как раз и заключается одно из ключевых различий между схемами оценки эффективности рекламы для рынков товаров и услуг с разной степенью вовлеченности. Для оценки, например, телевизионной рекламы исследователю необходимо знать, когда реклама была в эфире и как долго ее помнили (для любого рынка товаров с низкой степенью вовлеченности). Для рынка же банковского же рынка наблюдается иная ситуация, т.к. содержание наружной рекламы не меняется также часто, как телевизионной, и кроме того, она не может в такой же степени надоесть, т.к. человек.
4.4 Прогнозирование изменения основных параметров коммуникативной эффективности наружной рекламы
Далее перейдем к анализу временных рядов основных показателей в модели (все графики и расчеты приведены в Приложении 2). Сначала нам необходимо построить графики временных рядов для каждой из переменных (подсказанное знание банка, подсказанное знание рекламы, спонтанное знание банка, желание воспользоваться услугами банка, нежелание пользоваться услугами банка и доверие банку).
Уже исходя из построенной кривой, мы можем примерно представлять, какого рода регрессия может лучше описывать наблюдаемые данные. Однако лучше посмотреть на коэффициент детерминации R2 и на уровень значимости. Например, для описания показателя подсказанное знание о банке, была выбрана линейная регрессия, т.к. она объясняет примерно 42% общей вариации данных, а полученные коэффициенты модели значимы отличаются от нуля.
Дальнейший анализ модели связан с исследование остатков. Во-первых, нужно определить, можно ли считать остатки некоррелированными, а во-вторых, посмотреть насколько их распределение отличается от нормального. В первом случае нам понадобиться вычисление автокорреляционной функции, из графика которой (для всех важных для нас переменных) можно понять, что нет основания считать остатки коррелированными, так как полученные оценки лежат внутри полученного доверительного интервала для нулевых значений автокорреляционной функции. Во-вторых, для проверки распределения остат