Любовь Лашкевич - Записки маркетолога. Чертеж вашего бизнеса

Порой руководство компаний перегружает сотрудников процессами, которые не важны для клиентов, а на значимые процессы у консультантов не остается времени и сил.

Принцип однородности должен соблюдаться, в том числе, и когда вы проводите кабинетные исследования. Когда вы планируете «пройтись» по конкурентам, изучая их работу. В книге принцип однородности исследования будет встречаться часто, и вы увидите примеры, где мы подробно разберем важность соблюдения этого принципа.

Понятие репрезентативности известно уже давно. А калькулятор расчета ошибки выборки доступен любому пользователю Интернета. Тем не менее, часто маркетологи очень вольно обращаются с понятием репрезентативности. Выборку порой назначают (не рассчитывают, а именно назначают) из собственного внутреннего ощущения. Понятие внутренних ощущений в научном труде, (а исследование – это научный труд), сродни вождению автомобиля в нетрезвом виде. Исследователь, который вольно обращается с базовыми принципами, – потенциальный убийца бизнеса. Ведь на основе полученных данных будут построены стратегия и дальнейшие шаги развития компании. И вольное обращение с базовыми принципами построения исследования ведет к весьма вредным для бизнеса последствиям, так как исследование основано на субъективных данных, полученных на основе ощущений одного человека.

Рассуждения о том, стоит ли правильно считать выборку, – то же самое, что обсуждать правила математических вычислений на уровне «нравится – не нравится».

Рассмотрим пример из практики. Специалисты отдела маркетинга компании Z (компания работает в массовом сегменте) решили провести исследование в регионе с населением 2,5 млн человек и посчитали, что 350 респондентов достаточно для получения результатов.

Ошибка выборки в данном случае составит ± 5,24% при расчетах в натуральном выражении. В случае расчета в долях, процентах, ошибка выборки рассчитывается в процентных пунктах (п. п.)

Максимальное отклонение от истины в размере 5,24% возможно только в том случае, если результат исследований находится в точке «В», а истина находится в точке «А» или «С» (рис. 2).

Например, мы вычислили, что доля использования антифриза владельцами автомобилей старше 1997 г. в. составляет 10,6% – это результат. Значит истина находится в диапазоне от 5,36% до 15,84%. Вычисление диапазона при получении результата в процентах:

Нижнее значение диапазона: 10,6% – 5,24 п. п. = 5,36%

Верхнее значение диапазона: 10,6% +5,24 п. п. = 15,84%

При расчетах в натуральном выражении, например, результат равен 100 автовладельцам, истина находится в диапазоне от 95 до 105 автовладельцев. Расчет:

Нижнее значение диапазона:

100 автовладельцев – 5,24% = 95 автовладельцев.

Верхнее значение диапазона:

100 автовладельцев +5,24% = 105 автовладельцев.

Большое это расхождение или маленькое? Возможно ли при таком отклонении делать объективные выводы для эффективной работы бизнеса?

В целом, ошибка допустимая. И с полученными данными можно работать. Но! Дальше – интереснее. Сотрудники маркетингового отдела компании Z принимают следующее решение. Так как исследование по региону происходило в определенных населенных пунктах, то почему бы не провести аналитику полученных данных по каждому населенному пункту?

Такое решение принимают без учета того, что ошибку выборки необходимо пересчитывать заново, уже под конкретный населенный пункт.

Например, в городе с населением 250 тыс. человек было опрошено 20 респондентов. Ошибка выборки в данном случае составит уже ± 21,91% (рис. 3).

Что мы получаем в итоге. У нас есть результат исследований: доля потребления антифриза владельцев автомобилей старше 1997 г. в. составляет 10,6%. Вычисляем крайние значения, в которых может находиться истина:

Нижнее значение диапазона:

10,6% – 21,91 п. п. = отрицательное число.

Верхнее значение диапазона:

10,6% +21,91 п. п. = 32,51%

Значит истина находится в диапазоне от 0% до 32,51%.

При такой ошибке не стоит опираться на полученные цифры. Невооруженным взглядом видно, что при такой ошибке использование данных для принятия важных управленческих решений может привести к колоссальной ошибке в бизнесе.

Лучше в этой ситуации принять решение интуитивно. Риски будут те же, зато можно сэкономить деньги и потратить их на что-то более нужное – например, на канцелярию.

Достаточно часто в маркетинге используют понятие «средних», – в среднем по рынку в среднем «X» пользователей предпочитают «Y» товаров, и так далее. Понятие «средних» прочно вошло в жизнь бизнеса, на них строятся маркетинг-планы. На средние показатели ориентируются бизнес-стратегии. И мы настолько привыкли к этим средним, что порой не видим опасности, которую они скрывают.

Рассмотрим пример. В среднем по сети показатель уровня клиентского обслуживания составляет 85%. Хорошая цифра. Можно с гордостью эту цифру демонстрировать и спокойно жить до следующего исследования, аналитика которого построена на средних. Только почему-то, несмотря на высокую оценку клиентского обслуживания, проблемы не решаются, и клиенты недовольны. И самое главное – в процессе работы компании возникают вопросы, на которые нет ответов. Исследование, которое выдало столь высокую оценку, в итоге не дает инструмента для ответов на вопросы. Что произошло? А произошло то, что средние величины бывают коварны и таят в себе множество подводных камней. Ориентироваться на средние показатели стоит лишь в том случае, если вы работаете с узкими, четко описанными сегментами.

Давайте посмотрим, как средние величины могут обмануть исследователя, привести его к ошибочным выводам и неправильным управленческим решениям.

На рис. 4 мы видим, что были проведены исследования уровня клиентского обслуживания на четырех торговых точках. Результаты были рассчитаны с помощью средних величин. Торговая точка 4 показала самые низкие результаты. А остальные три торговые точки показали примерно одинаковые высокие результаты. Итогом такого исследования стало решение руководства премировать торговые точки 1, 2 и 3. А торговой точке 4 объявить взыскание за самый низкий показатель клиентского обслуживания.