Professional Documents
Culture Documents
IM Predavanja
IM Predavanja
Totalni timski rad Regionalni i segmentni model Globalni + lokalni Sistem podr ke odlu ivanju 3
Povezivanje sa kupcima Koncentri i se na proizvod i prodaju Koncentri i se na tr i te i kupce Primjenjuj masovni marketing Te i proizvodnji i prodaji Prodaj kupcima Tra i nove kupce Pove aj tr i no u e e Uslu i svakog kupca Komuniciraj pomo u medija masovnog komuniciranja Proizvodi standardizirane proizvode Biraj ciljne tr i ne segmente ili pojedince Te i kup evom zadovoljstvu i vrijednosti za kupca Razvijaj odnose sa kupcima Zadr i stare kupce Pove aj u e e u kup evim kupovinama Uslu i profitabilnog kupca, rje i se gubitnika Pove i se sa kupcima direktno Razvijaj proizvode prilago ene ciljnim kupcima
4
POVEZIVANJE SA PARTNERIMA Prepusti prodaji i marketingu brigu o zadovoljavanju kupaca Radi sve sam Anga uj sve funkcije da se brinu o zadovoljavanju kupaca Tra i partnerstvo sa drugim firmama Posluj lokalno i globalno Preuzmi dru tvenu odgovornost i odgovornost za o uvanje okoli a Marketing neprofitnih organizacija E-commerc na svim lokalitetima
5
POVEZIVANJE SA SVIJETOM OKO NAS Posluj lokalno Preuzmi odgovornost samo za profitabilno poslovanje Marketing profitnih organizacija Posluj na u im tr i nim lokalitetima
Razvoj strategije
Dr avne agencije
9
b)
JEDINICA ZA ISTRA IVANJE MARKETINGA DIREKTOR
SAVJETNICI
analiti ari
Divizioni
KLIJENTI
Divizioni KLIJENTI
10
1. Centralizovana jedinica istra ivanja marketinga Prednosti: - bolja podr ka vrhu - planiranje na nivou preduze a kao cjeline - kvalitetnija struktura kadrova - izolacija istra ivanja marketinga od operative
Nedostaci:
2. Centralizovana jedinica istra ivanja marketinga ali se istra iva i nalze i kod svojih klijenata Prednosti: Nedostaci: - bolja upoznatost sa tr i tem diviziona - br e prilago avanje problemu - problem je slabije podr an informacijama 11 sa marketing aspekta
3. Potpuna decentralizacija jedinice - mogu e samo u situaciji da jedinice istra ivanja merketingom raspola u sa odgovaraju im stru nim kadrom i da su divizioni dovoljno veliki da mogu finansijski podnijeti 4. Alternativno rje enje - istra iva i marketinga direkto vezani za generalnog menad era kao zasebna grupa
12
Odgovornost jedinice istra ivanja marketinga - jedinica odgovara pomo niku generalnog menad era za marketing - ili odgovara generalnom menad eru i nekome iz vrha menad menta zadu enog za planiranje i razvoj Unutra nja organizacija jedinice za istra ivanje marketinga zavisi od: - karakteristike preduze a - tr i ta na koje istupa - stila upravljanja firmom
13
UVOD
Da bi smo uop te mogli pitati koliko istra ivanje marketinga koristi nau ne metode potrebno je prvenstveno definisati ta je to nau na metoda. Nau ni metod je : 1.sistematsko 2.kontrolisano 3.empirisko 4.kriti ko Ispitivanje hipoteza o vjerovatnim odnosima o prirodnim pojavama.
15
Prvo se nailazi na problem, a zatim se postavlja hipoteza. Hipoteza je pretpostavka o mogu em rje enju formulisanog problema, bazirana na predhodnim saznanjima ste enim iz empirije i teorije. Pomo u dedukcije sagledati sve mogu e konsekvence gdje nas to rje enje mo e odvesti. Hipoteza se mora provjeriti u praksi tj. provjeriti da li zaista postoji zakonitost u me usobnom odnosu pojava.
PROBLEM HIPOTEZA DEDUKCIJA PRAKSA
16
17
4. Te ko e u primjeni eksperimenata sa ciljem . testiranja hipoteze (ko mo e kontrolisati sve faktore koji uti u na obim prodaje nekog proizvoda) 5. Te ko e preciznog predvi anja (hemi ar mo e predvidjeti ali marketar sa 100% sigurnosti ne mo e 6. Te ko e u obezbje ivanju potpune objektivnosti istra ivanja (istra iva je uvijek vi e zainteresiran za rezultate svoga istra ivanja nego to je to slu aj sa istra iva ima u prirodnim naukama)
19
20
3. Kori tenje znanja i saznanja iz nauka koje prou avaju kvantitativne metode statistika primjene teorije uzorka kod segmenta li ne potro nje njegova reprezentativnost smanjuje tro kove kod analize prikupljenih podataka srednja vrijednost tra ene distribucije vjerovatno e predvi anja posebno treba ista i primjenu trenda korelacije i regresione analize kod predvi anja Primjena modela na matematskoj osnovi koja predstavlja pojednostavljenu prezentaciju jedne operacije se primjenjuje u sljede im primjenama 1.fizi ka distribucija 1.fizi 2.pobolj 2.pobolj anje prodaje i smanjenje tro kova prodaje 3.planiranje 3.planiranje i kontrola istra iva kog procesa 4.rje 4.rje avanje problema promocione strategije 5.rje 5.rje avanje problema iz predvi anja prodaje
21
4. Kori tenje saznanja iz informacionih nauka brzine obrade podatka, klasificiranja, tabeliranja, pisanja izvje taja, kod analize ve skupljenih podataka koji se unose u kompjutere, radi brze i efikasnije analize koncipiranje i primjena kompjutera je prisutna i kod sistema podr ke odlu ivanju DSS
22
Proces, metodolo ka procedura koja podrazumjeva odre eni logi ni redosljed aktivnosti koje treba obaviti da bi se ostvario postavljeni cilj.
Odlu iti o tehnikama pomo u kojih emo do i do informacija Prikupiti i obraditi informacije Analizirati ih i interpretirati njihovo zna enje Prezentirati rezultate donosiocima odluka
23
Uo avanje problema Specificiranje problema Neformalno informisanje Definisanje problema Istra ivanje sekundarnih podataka Rje enje na eno Izvje taj Implementacija Ocjena i povratna sprega
Vrijeme i sredstva posve eni preciznom definisanju marketing problema dobra investicija
Rje enje nije na eno Plan istra ivanja Prikupljanje podataka Analiza i implementacija Izvje taj Implementacija Ocjena i povratna sprega
24
esto, dobro definisan problem predstavlja i rje enje za donosioca odluke odluke, pa daljnja istra ivanja nisu ni potrebna
FIRMA Vlasnik bazena za kupanje u naselju starom 20 godina Proizvo a be i nih telefona
PROBLEM DEFINISAN NA OSNOVU SIMPTOMA Stanovnici su se oprijedjelili za skuplje centre, negativan imi bazena za kupanje. Saznati od korisnika za koliko bi se cijene trebale smanjiti. ta treba izmjeniti u receptu na eg piva?
PRAVI PROBLEM
Demografske promjene: Djeca u ovom naselju su odrasla. Stariji stanovnici ne idu na plivanje. Menad ment prodaje: trgovci ne poznaju dovoljno proizvod da bi kupcima objasnili njegovu vrijednost Pakovanje: staromodno pakovanje uti e na percepciju ukusa.
25
Trgovci se ale da su cijene po kojima moraju prodavati suvi e visoke. Potro a i preferiraju ukus konkurentskih marki.
Pivara
MARKETING PROBLEMI Da li ponuditi potro a ima uslugu kupovine iz ku e, putem kablovske televizije? U kojoj od mogu ih varijanti ponuditi ovu uslugu? Koji tr i ni segment bi trebao biti ciljno tr i te?
ISTRA IVA KA PITANJA Da li su potro a i upoznati sa sistemima ku ne kupovine? Kakve su reakcije potro a a na sisteme ku ne kupovine? Kako potro a i reaguju na varijante A, B i C? Koje su uo ene prednosti svake od varijanti usluga? Da li e potro a i koristiti ovu uslugu? Kako esto? Da li se odgovori na gornja pitanja razlikuju po demografskim grupama?U kojoj su najbolje anse?
3.1. SADR AJ PLANA ISTRA IVANJA 1. ta je cilj istra ivanja? 2. Na koji na in emo taj cilj ostvariti? 3. Koliko je i kakvih resursa potrebno za ostvarivanje ciljeva? 4. U kojem vremenskom periodu je rezultate istra ivanja neophodno prezentirati donosiocima odluke? 3.1.1. NA IN NA KOJI EMO OSTVARITI I DEFINISATI CILJ Gdje mo emo na i podatke koji su nam potrebni? Kako emo prikupiti i analizirati te podatke? Kako emo organizovati rad u narednimfazama istra ivanja? 28
3.1.2. RESURSI POTREBNI ZA OSTVARENJE DEFINISANOG CILJA Materijalni resursi Ljudski resursi
29
Kao osnov za struktuiranje plana istra ivanja, mo e korisno poslu iti i sljede a ema:
plan/projekat istra ivanja
terminski plan
Podaci iz ra unovodstva i finansija PODACI IZ PREDUZE A - interni Podaci iz marketinga Podaci iz ostalih izvora u preduze u Podaci iz me unarodnih institucija OBJAVLJENI PODACI PODACI VAN PREDUZE A -externi Podaci iz me unarodnih institucija Podaci iz literature Baze podataka PODACI KOJI SE KUPUJU
Paneli
31
1. Ustanovi ta eli da sazna i ta ve zna o svom problemu. 2. Sa ini listu klju nih pojmova i imena. 3. Pretra i nekoliko op tih vodi a i imenika za izvore i podatke. 4. Kompiliraj literaturu koju si na ao. Koriguj ako je potrebno listu klju nih rije i i autora. 5. Konsultuj odgovaraju eg bibliotekara. Razmotri mogu nost pretra ivanja pomo u kompjutera. 6. Konsultuj vi e razli itih imenika i vodi a ako nisi na ao dovoljno podataka ili je problem specifi an. 7. Identificiraj eksperte za svoj problem i konsultuj ih.
32
PRIMARNI PODACI
Motivi
ta znaju i namjeravaju?
Poznavanje proizvoda, proizvo a a, oglasa i dr. Planovi za budu e kupovine i druge aktivnosti Pona anje u kupovini Pona anje u potro nji
34
Metode prikupljanja primarnih podataka Ispitivanje Posmatranje Ljudi kao izvori primarnih podataka Na ini komuniciranja sa izvorima podataka 1. Li no komuniciranje (struktuirano i nestruktuirano) 2. Komuniciranje dopisnim putem 3. Komuniciranje putem telefona
35
Strukturno li no komuniciranje
Unaprijed pripremljeni upitnici Manji tro kovi obuke ispitiva a na terenu Dr i se striktno pripremljenog upitnika
Nestrukturno li no komuniciranje
Prikupljanje podataka o motivima ispitanika Primjenjivanje indirektnih metoda Saznati ne to vi e nego to je mogu e drugim metodama Saznati to vi e o samoj li nosti ispitanika Podsjetnik kao sredstvo koje poma e ispitiva u Dubinski intervju Testovi asocijacije Tehnike igranih uloga
37
39
TELEFONSKO KOMUNICIRANJE
LI NI INTERVJU
DOPISNO KOMUNICIRANJE
Gre ke intervjuera Kontrola prikupljanja Dubina ispitivanja Ekonomi nost Mogu nost zavr avanja inervjua Odnos sa ispitanikom Kompletiranje uzorka Brzina dobijanja odgovora
3 2 1 3 2 1 1 2
2 1 2 1 1 2 2 1
1 3 3 2 3 3 3 3 40
1. Neadekvatno sastavljeni upitnici 2. Lo a interpretacija 3. Neadekvatan uzorak 4. Neadekvatne statisti ke metode 5. Prezentiranje rezultata koji se baziraju na injenicama
41
42
Redosljed razmi ljanja i akcija istra iva a, u sastavljanju upitnika, trebao bi da bude sljede i:
Odlu iti koje sve primarne podatke treba da prikupimo od ispitanika s obzirom na cilj istra ivanja odlu iti na koji na in emo komunicirati sa ispitanicima Sastaviti svako pojedino pitanje Napraviti najpovoljniji redosljed pitanja koja smo odlu ili da postavimo ispitanicima Kreirati formu upitnika tj. dati dredjena grafi ka rje enja, izvr iti raspored prostora
43
45
c) Sastavljanje pitanja
Da li je pitanje uop te potrebno? Da li je potrebno vi e pitanja umjesto jednoga? Posjeduje li ispitanik znanje potrebno da se odgovori na pitanja? Da li je sadr aj pitanja prilago en ispitanikovom predhodnom iskustvu? Mo e li se ispitanik sjetiti podataka? Da li ispitanik treba da ulo i poseban napor da odgovori na pitanje? Da li e ispitanik biti voljan da odgovori na pitanje?
46
2. Pitanja sa vi e mogu ih odgovora su takva pitanja koja kada postavite, istovremeno dajete mogu nost ispitaniku da od vi e ponu enih odgovora izabere jedan ili vi e ili da jednostavno pod rubrikom ostalih odgovori, dopi e ono to zna. Primjer: Koliko mjese no izdvajate za odr avanje postoje eg hardware-a i software-a? do l000 KM l000 2000 KM 2000 5000 KM 5000 KM i vi e ostali odgovori ____________ 3. Zatvorena (dihotomna) pitanja su takva pitanja koja daju najmanje dvije mogu nosti odgovora, da i ne. Ona su najlak a za dalju obradu, ali istovremeno daju i manje detaljne odgovore. Primjer: Nudi li kinkurencija bolju uslugu? 48 Odgovor DA NE
VRSTA PITANJA
RELATIVNA VJEROVATNO A Da pitanje bude nejasno Najni a Srednja Najvi a Da odgovor bude nejasan Najvi a Najni a Srednja
49
Centar za istra ivanje nacionalnog mi ljenja u SAD-u ima svoju klasifikaciju gre aka s obzirom na njihovu te inu:
R.Br. 1. 2. 3. 4. 5. 6. 7. Vrste gre aka Nedobijeni odgovori Irelevantan ili zaobi en odgovor Nedostatak potrebnih detalja Odgovor ne znam bez sondiranja Neuspjelo sondiranje Nekonzistentni odgovori na vi e pitanja Povr no postavljeno pitanje Te ina gre ke 3 3 2 1 1 1 1
Kvalitet rada svakog ispitiva a cijeni se dakle, u ovom slu aju ne to objektivnijim mjerilima. Sigurno je, me utim, da je svaka ocjena kvalitete ispitiva a u odre enoj mjeri i subjektivna.
50
Mjerenje stavova
Definicija Stavovi su nau ene predispozicije da odgovorimo na konzinstentno povoljan ili nepovoljan na in u odnosu na dati objekat Za to je potrebno mjerenje stavova? Skale kao sredstvo za mjerenje stavova Mogu nosti kori tenja skala u mjerenju stavova u istra ivanju marketinga Kako to objektivnije mjeriti stavove u konkretnim slu ajevima? y Mjerenje psiholo kih atributa ljudi! y Koju skalu koristiti u datim slu ajevima?
51
SKALE
MJERENJE PROSJEKA
Mod atribut koji se naj e e pojavljuje
Nominalna Redosljed
Ocjena potro a a na osnovu stepena svi anja bezalkoholnih pi a koriste i broj ane skale
Normalna skala Koje od bezalkoholnih pi a slijede oj listi volite? _________Coca Cola _________Pepsi _________Gold Cola _________Fanta _________Sinalco
53
Ordinalna skala Rangirajte bezalkoholna pi a na slijede oj listi dodijeljuju i broj 1 onome koje najvi e preferirate i broj 5 onome koje najmanje preferirate. __________Coca Cola __________Pepsi __________Gold Cola __________Fanta __________Sonalco
54
Intervalna skala Ocijenite, prema va em mi ljenju, svako od bezalkoholnih pi a odre uju i mu na slijede oj listi odgovaraju e mjesto na skali.
NE VOLIM NIKAKO Coca Cola Pepsi Gold Cola Fanta Sinalco
55
Proporcionalna skala Podijelite l00 bodova izme u navedenih bezalkoholnih pi a uzimaju i u obzir stepen svi anja. ________Coca Cola ________Pepsi ________Gold Cola ________Fanta ________Sinalco 100
56
Neki primjeri konstrukcije skala za mjerenje stavova u istra ivanju marketinga Definisati to je mogu e vi e tvrdnji bitnih za na cilj prva faza Asortiman u prodavnici je bogat Cijene su visoke Lokacija je povoljna Za kupovinu se ne gubi puno vremena Osoblje je neljubazno Nema dovoljno prostora Ima dovoljno mjesta za parkiranje Radno vrijeme je povoljno za zaposlene
57
Izabrati veliki uzorak ljudi koji e nam poslu iti kao iri druga faza A B C D E F G H I J K
Izra unati frekvenciju pojavljivanja svake tvrdnje u svakom pregradtku, kao i njihovu disperziju Ispitivanje potro a a i ocjena op eg stava prema na im prodavnicama
58
Apsolutno se ne sla em
Apsolutno se sla em
Ne sla em se
Sla em se
Cijene su visoke Lokacija je povoljna Osoblje je neljubazno Radno vrijeme je povoljno za zaposlene
Cijene su visoke Lokacija je nepovoljna Osoblje je neljubazno Radno vrijeme je nepovoljno za zaposlene Legenda: Prodavnica A Prodavnica B x x
Cijene su niske x Lokacija je povoljna Osoblje je neljubazno Radno vrijeme je nepovoljno za zaposlene
60
Me usobna komparacija ATRIBUT Cijena Lokacija Ljubaznost osoblja Radno vrijeme UKUPNO 100 Broj poena
62
Metoda posmatranja
Posmatranje ljudi, situacija i doga aja Tri bitne karakteristike sistematskog posmatranja: a) Sistematsko planiranje usmjereno na specifi ne ciljeve istra ivanja b) Sistematsko registrovanje svih doga aja koje posmatramo c) Pa ljiva provjera i kontrola radi saznanja o potpunosti i vijerodostojnosti posmatranja i vrijednosti dobijenih podataka U kojim slu ajevima istra iva markatinga mo e da primjeni metod posmatranja? Kod primjene metode posmatranja upotpunosti, razlikujemo: a) Struktuirano i nestruktuirano posmatranje b) Posmatranje u prirodnim i vje ta kim uslovima c) Posmatranje u uslovima kada ljudi znaju da su posmatrani i kada ne znaju
63
Na ini prikupljanja primarnih podataka metodom posmatranja a) Televizijski ure aji b) Audiometar c) Psihogalvanometar Prednosti i nedostaci metode posmatranja Podaci koje dobijamo posmatranjem objektivnih su po to odra avaju stvarno stanje stvari, a ne baziraju se na ne ijoj izjavi Metoda posmatranja omogu uje prikupljanje podataka o doga ajima u momentu kada se i de avaju Uticaj posmatra a na dobijene podatke nije ni pribli no tako intenzivan kao uticaj ispitiva a kod metode ispitivanja Kod primjene metoda posmatranja, u znatnoj manjoj mjeri zavisimo od volje ljudi da nam pru e odre ene 64 podatke.
Osnovni nedostaci metode posmatranja su: y Isklju ivo metodom posmatranja mo emo prikupljati samo podatke o injenicama. Statove ljudi i motive njihovog pona anja y Potrebno je ispuniti tri uslova da bismo odre ene podatke prikupili metodom posmatranja: Mora postojati mogu nost da se oni uo e posmatranjem Moraju biti repetativni ili mora postojati mogu nost da se predvidi vrijeme kada se mogu posmatrati Moraju se de avati u relativno kratkom vremenskom periodu. Tro kovi prikupljanja podataka posmatranjem, po pravilu su vi i nego to bi bili tro kovi prikupljanja istih podataka ispitivanja.
65
Doga aje koji dugo traju neracionalno je registrovati posmatrnjem Mada su podaci prikupljeni metodom posmatranja objektivniji u principu, to ne zna i da u odre enim situacijama i subjektivni uticaj posmatra a ne mo e do i do izra aja. Navedene prednosti i nedostaci metode posmatranja dozvoljavaju nam da na kraju damo jedan op i zaklju ak: Metodu posmatranja prilikom prikupljanja primarnih podataka treba primjeniti kada god je to mogu e ali e istra iva naj e e biti u situaciji da je kombinuje sa metodom ispitivanja i na taj na in iskoristi dobre strane obje metode.
66
MARKETING ISTRA IVANJE Uzorak je mali dio ne ega, namijenjen da poka e osobine, kvalitet i prirodu cjelina.
Primjena uzorka u prikupljanju primarnih podataka jedinica uzorka Jedinica uzorka statisti ka masa spisak jedinica uzorka
Spisak Jedinica Uzorka
Statisti ka masa
67
MARKETING ISTRA IVANJE Uzorak je mali dio ne ega, namijenjen da poka e osobine, kvalitet i prirodu cjelina.
Primjena uzorka u prikupljanju primarnih podataka
VRSTE UZORAKA
Ne na bazi
68
MARKETING ISTRA IVANJE Uzorak je mali dio ne ega, namijenjen da poka e osobine, kvalitet i prirodu cjelina.
Primjena uzorka u prikupljanju primarnih podataka
OSNOVNI FAKTORI
veli ina mase od koje treba prikupiti podatke zna aj podataka za ostvarenje cilja istra ivanja tro kovi prikupljanja podataka po jedinici ispitivanja potrebni stepen pouzdanosti podataka raspolo ivost sredstava i vremena za istra ivanje raspolo ivost kadrova
69
71
Citiran autor Dr.L.Andrews, naprimjer daje itavu listu preporuka za ispitiva e koji li no komuniciraju sa ispitanicima. Obuku kadrova vr e instruktori. To su osobe sa dugogodi njim radnim iskustvom u radu na terenu, profesionalci vezani za odre enu specijalizovanu instituciju za istra ivanje marketinga.
Obuka kadrova
DA:
Uvijek nosite sa sobom materijal za li nu identifikaciju. Intervjui ite nepoznate. itajte pitanja rije po rije , ta no kako su napisana. Slijedite redosljed pitanja u upitniku. Dajte ispitaniku koliko god eli vremena za razmi ljanje o svakom pitanju. Zapisujte pa ljivo i itko. Izbjegavajte prazne hodove koliko je mogu e.
NE:
Nikad ne pravite kompromis sa kvalitetom. Ne dozvoljavajte da li ni problemi uti u na va posao. Ne prihvatajte ponu ena alkoholna pi a. Ne koristite ponovo iste ispitanike Ne dozvoljavajte da vam ispitanik ita preko ramena Ne po injite rad ako niste snabdjeveni svim to vam je potrebno.
72
Po ispitaniku
75
Eksp.var.
Eksperimentalna jedinka
Zavis.var.
Mi dakle, obavljamo eksperiment na taj na in to Djelujemo eksperimentalnom varijablom na eksperimentalnu jedinku i mjerimo efekat tog djelovanja na zavisnoj varijabli. Npr. Ekperimentalna varijabla: Eksperimentalna jedinka: Zavisna variabla:
76
Novi na in pakovanja proizvoda A Prodavnica B u kojem emo uvesti novi na in pakovanja Obim prodaje proizvoda A, pakovanom po novom na inu u prodavnici B u odre enom vremenskom periodu
Ekperimentalna varijabla
Eksperimentalna jedinka
Ostale varijable Varijacije
77
a) Kao rezultat dejstva eksperimentalne varijable b) Kao rezultat dejstva ostalih varijabli koje mo emo kontrolisati c) Kao rezultat dejstva ostalih varijabli koje ne mo emo kontrolisati d) Kao rezultat gre aka u organizovanju eksperimenata X2-X1=E E=e1+e2+e3+e4
e1-Variranje obima prodaje kao stvarni rezultat uticaja novog rje enja pakovanja e2 Variranje obima prodaje kao rezultat dejstva ostalih varijabli koje mo emo kontrolisati e3 Variranje obima prodaje kao rezultat dejstva ostalih varijabli koje ne mo emo kontrolisati e4 Variranje obima prodje kao rezultat gre aka pri organizovanju samog eksperimenta 78
79
81
Nekontrolisani eksperiment Osnovna karakteristika nekontrolisanih ili kvazi eksperimenata je u tome to se dejstvo ostalih varijabli ne kontroli e. E = x2 xl
Kontrolisani eksperiment Kontrolisani eksperiment imamo ukoliko uspijevamo kontrolisati ili izolovati sve ostale varijable. E= (x2-xl)-(y2-yl) y2-yl = 0 y2-yl < 0 ili y2-yl > 0 x2-xl = Z
82
- Eksperiment je po pravilu veoma skupa organizaciona forma prikupljanja primarnih podataka; - Da bi se uspje no obavio jedan eksperiment posebno ako su metodolo ka rje enja suptilnija, potrebno je imati na raspolaganju i relativno dug period vremena; - Provo enje eksperimenta dovodi do niza organizacionih problema.
86
Deskpritivna analiza
INTERPRETACIJA
87
Potrebno je razgrani iti pojmove analize i interpretacije koji predstavljaju dvije razli ite aktivnosti, koje su istovremeno i veoma povezane. Analiza predstavlja takvo raspore ivanje podataka i njihovo prera unavanje, koje iz njih izvla i odre eni smisao. Zna i, sirovi podaci postaju informacije nakon to ih analiziramo na odre eni na in i ustanovimo njihove bitne karakteristike i odnose izme u njih. Interpretacija je povezivanje rezultata analize sa ostalim informacijama iz okru enja i ciljevima istra ivanja. Bez adekvatne interpretacije rezultati analize mogu biti potpuno bezvrijedni za donosioca marketing odluke. Istra iva marketinga mora imati tri bitne osobine ukoliko eli da pru i stvarnu podr ku donosiocima marketing odluka: da ima teoretsko znanje o metodologiji istra ivanja marketinga da dobro poznaje preduze e za koje se istra ivanje obavlja da dobro poznaje tr i te proizvoda / usluga ija se 88 problematika istra uje.
DESKRIPTIVNA ANALIZA
Kada je cilj istra ivanja da saznamo to vi e injenica o nekom problemu i na bazi toga izvedemo odre ene zaklju ke, deskriptivna analiza predstavlja transformaciju sirovih podataka u oblike koji e ih u initi laganje za shvatanje i interpretiranje; razmje tanje, odlaganje i manipulisanje podacima na na in koji obezbje uje dobijanje deskriptivnih informacija . Zna i, podaci se kategoriziraju, izdvajaju se oni va niji i proizvodi se niz poslova u njihovom sre ivanju da bi se u nastavku procesa istra ivanja (istra ivanja koja se ne zadovoljavaju samo opisivanjem postoje eg stanja) mogla upotrijebiti.
89
VRSTA PAKOVANJA KOJU PREFERIRAJU Starost ispitanika 25 i manje 25-45 46-65 66 i vi e Ukupno Broj % Broj % Broj % Broj % Broj % Ukupan broj lanova uzoraka 60 100 70 100 40 100 30 100 200 100 A 12 20 25 36 28 70 20 67 85 42.5 B 16 27 33 47 10 25 6 20 65 32.5 C 30 50 2 3 2 5 1 3 35 17.5 Ni jedno 9 13 1 3 10 5 Nema odgovora 2 3 1 1 2 7 5 2.5
Zna i, procente treba primjenjivati uvijek kada pojednostavljuju stvari i poma u u boljem uo avanju karakteristi nih odnosa izme u pojava.
91
b) Primjeni prosjeka Veoma esto, da bi smo sa eli broj podataka o nekoj pojavi, koristimo se tzv. mjerama centralne tendencije tj. prosjecima. Primjena Prosjeka poma e nam da veliki broj podataka uvedemo na samo jedan koji ih sve, na Odre eni na in, obja njava i znatno nam olak ava da razlu imo bitne stvari od nebitnih. Zna i, centralna tendencija ozna ava sredi nju ta ku distribucije podataka.
92
Mod
Mod nekog niza je vrijednost koja se najvi e puta javlja u tom nizu. Isto kao i kod medijane, potrebno je niz svrstati. 11122 333455 66666 7 888899 Mod ovog niza je 6. Mod se ne primjenjuje esto u analizi podataka jer u jednom nizu mo e biti vi e modova (111 22 3 444 566 777) ili da nema niti jednog moda jer svaki podatak ima jedinstvenu Vrijednost (123456789).
93
c)
Primjeni indeksa
Indeksima se pokazuje odnos neke bazne veli ine koja ima vrijednost 100 na drugim veli inama koje analiziramo. Klasi an primjer su indeksi cijena, kada baznu godinu npr. 1997. ozna imo sa 100, a zatim izra unavamo indekse rasta ili pada cijena u narednim godinama.
94
Definisanje hipoteze
U fazi analize, kada nam god cilj istra ivanja i podaci kojima raspola emo to omogu uju, postavljamo hipotezu i provjeravamo je na odre en na in. Dvije hipoteze: Nulta hipoteza (Tr i no u e e proizvoda A ne e biti ve e od 20%) Alternativna hipoteza (Tr i no u e e proizvoda A e biti ve e od 20%) Obje hipoteze mo emo matematski izraziti na slijede i na in: Ho : p < 0,20 Ho : p > 0,201
96
Definisanje hipoteze
Hipoteza je pretpostavka o mogu em rje enju formulisanog problema, bazirana na predhodnim saznanjima ste enim iz empirije i teorije. Sve radme hipoteze obi no polaze od pretpostavke da ne postoji nikakva razlika izme u osnovnog skupa i uzorka, tj.da je ta razlika jednaka 0 . Takvu hipotezu nazivamo nultom hipotezom. Pored definisanja nulte hipoteze, moramo definisati i alternativnu hipotezu. Ona obuhvata sve vrijednosti parametra p razli ite od 0. Primjer: Obje hipoteze sada mo emo matemati ki izraziti: Ho:p<0,20
97
Testiranje hipoteze
Primjena dvije vrste testa: Z test X2 - (Hi kvadrat) test
Primjenom Z testa , do i emo do odgovora na pitanje koje smo postavili na po etku izlaganja da li je rezultat dobijen na bazi na eg uzorka, karakteristi an za itavu statsti ku masu ili je to rezultat slu ajne varijacije uzorka. Primjer: Pretpostavimo da smo obavili tr i ni test u 625 prodavnica na odre enom regionu. U tih 625 prodavnica smo uveli novi proizvod i izmjerili njegovo tr i no u e e u ukupnom prometu svih maraka proizvoda iste namjene.
100
Analiza vi e varijabli
1. analize vi e varijabli koje su me usobno povezane vi estruka regresiona analiza diskriminaciona analiza 2. analiza vi e nezavisnih varijabli faktorska analiza analiza skupina multidimenzionalna mjerenja
101
5. 6. 7.
Dva osnovna cilja primjene vi estruke regresione analize u istra ivanju marketinga su: Predvi anja zavisne varijable pomo u ustanovljenih odnosa sa nezavisnom varijablom Sticanje to vi e saznanja o me usobnim odnosima izme u nezavisnih varijabli i zavisne varijable Vi estruka regresiona analiza ima velike mogu nosti primjene u istra ivanju marketinga a to je posebno do lo do izra aja kompjuterske tehnologije. Dakle, kompjuteri su stvorili uslove da se vi estruka regresiona analiza primjenjuje rutinski kao tehnika.
104
Diskriminaciona analiza
Diskriminaciona analiza je statisti ki metod koji se koristi u slu ajevima kada su varijable koje analiziramo sa nominalne skale. Kada npr. istra iva marketinga eli da segmentira tr i te odre enog proizvoda na intenzivne potro a e i one koje ga povremeno koriste, veoma mu je bitno da ocijeni koje su najzna ajnije osobine jednih i drugih. Da li je npr. mogu e pomo u podataka o njihovim prihodima, obrazovanju, mjestu boravka, poslu kojim se bave, psiholo kim karakteristikama i sl. predvidjeti kojim od ta dva segmenta potro a pripada. U ovom slu aju cilj diskriminacione analize je da se na bazi konkretnih podataka o karaketristikama potro a a formira model pomo u kojeg je mogu e predvidjeti kojem segmentu 105 pripadaju.
Di = k1x1i + k2X2i +
Gdje su: Xji Kj Di
knXni
vrijednost j te nezavisne varijable i tog potro a a diskriminacioni koeficijent za j tu varijablu diskriminacioni rezultati i tog potro a a
Svaki potro a se pomo u diskriminacione analize mo e svrstati u segment intenzivnih potro a a ili u segment povremenih potro a a.
106
Vidimo da 6 stavova te e ka 2 skupine, tj. faktora. Stavovi A, B i C su u visokoj me usobnoj korelaciji. Isti je slu aj sa stavovima D, E i F. Ve ina varijacija kod varijabli A, B i C povezana je sa nekim njihovim zajedni kim faktorom, a isti je slu aj sa varijablama D,E i F. Ako u na em primjeru pretpostavimo da su A stavovi u prostranosti automobila, B stavovi o lako i vo nje, a C stavovi o dizajnu sjedi ta bilo bi logi no zaklju iti da su svi stavovi vezani za komfor i nazvati upravo tako faktor X. S druge strane ako bi stavovi D bili o snazi motor, E o ubrzanju, a F o potro nji goriva, onda bi se factor Y mogao nazvati performanse automobila. Pomo u jednog od mnogih metoda mo emo do i do slijede ih odnosa.
109
Stav A B C D E F
Korelacija izme u faktora i varijabli naziva se punjenje faktora . R2AXY = r2AX + r2AY = 0,95 2 + 0,05 2 = 0,90 RAXY = h 2
110
Analiza skupina
U analizu skupine ulazimo sa neraspore enim ve im brojem varijabli nastojimo da ih razvrstamo u grupe na bazi odre ene razlike sli nosti i to ve e razlike izme u grupa. Ova tehnika je veoma pogodna za situacije u kojima treba segmentirati tr i te, a ne postoje kriterij za to. Ovom tehnikom otkrivamo sli nosti izme u subjekata koje prou avamo da bi ih razvrstali u posebne grupe. Metoda brzog grupisanja sastoji se od slijede ih faza pri formiranju skupina: zaokru iti najve u korelaciju u svakoj koloni prezentirane tabele prona i najve u zaokru enu korelaciju (po kolonama) prolazi se redovima gdje su zaokru ene najve e korelacije i tra i ima li neka zaokru ena korelacija pa i nju svrstava u prvu skupinu, ovim zavr avamo formiranje prve skupine. Ponavljamo proceduru tra e i najvi u slijede u korelaciju u preostalim kolonama. Izuzimaju se varijable iz prve skupine. 111 Tako formiramo skupinu 2.
8.OWENS 2. MARTIN 10. CLARK 5. PHILLIPS 7. D-X 3. SHELL 6. MOBIL 9. SKELLY 4. TEXACO 1. STANDARD 11. GULF
1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
112
STANDARD 1
1.STANDARD 2. MARTIN 3. SHELL 4. TEXACO 5. PHILLIPS 6. MOBIL 7. D-X 8. OWENS 9. SKELLY 10. CLARK 11. GULF 0,01 0,36 0,38 0,33 0,29 0,26 0,11 0,37 0,18 0,41
PHILLIPS
0,01 0,16 0,09 0,13 0,16 0,13 0,64 0,18 0,36 0,20
MARTIN 2
TEXACO 4
0,38 0,09 0,34 0,43 0,45 0,33 0,05 0,36 0,27 0,34
OWENS
SKELLY
MOBIL
CLARK
0,36 0,16 0,34 0,38 0,34 0,34 0,06 0,31 0,26 0,33
SHELL 3
GULF
DX 7
0,26 0,13 0,34 0,33 0,48 0,36 0,11 0,39 0,30 0,23
5
0,33 0,13 0,38 0,43 0,0,44 0,48 0,17 0,43 0,32 0,28
6
0,29 0,16 0,34 0,45 0,44 0,36 0,12 0,46 0,18 0,32
8
0,11 0,64 0,006 0,05 0,17 0,12 0,11 0,35 0,30 0,18
9
0,37 0,18 0,31 0,36 0,43 0,46 0,39 0,35 0,24 0,31
10
0,18 0,36 0,26 0,27 0,32 0,18 0,30 0,24 0,24 0,21
11
0,41 0,20 0,20 0,34 0,28 0,32 0,23 0,31 0,31 0,21 113
Multidimenzionalna mjerenja
Multidimenzionalna mjerenja su razli ite tehnike pomo u kojih prikazujemo razli ite percepcije i preferencije kao ta ke u geometrijskom prostoru. Osnovni princip je, dakle, da se objekti mjere u vi edimenzionalnom prostoru na bezi ocjene sli nosti stavova ispitanika. Razlike u stavovima se prikazuju udaljenostima izme u ta aka u prostoru prostoru.
Marka Automobila Ford Mustang Mercury Cougar Lincoln Continental Ford Thunderbird Ford Falcon Chrysler Imperial Jaguar AMC Javelin Plymounth Barracuda Buick la Sabre Chevrolete corvair 1 2 8 3 50 38 4 31 9 11 5 12 33 55 44 6 48 37 1 13 54 7 36 22 23 16 53 26 8 2 6 46 19 30 47 29 9 5 4 41 25 28 40 35 3 10 39 14 17 18 45 24 34 27 20 11 10 32 52 42 7 51 49 15 21 43
114
Multidimenzionalna mjerenja u prostroru poma u istra iva u da bolje objasni neke marketin ke fenomene kao to su: skrivene osobine proizvoda, kako ih vide kupci, kombinaciju osobina koje kupci najvi e preferiraju, zna ajne segmente koji postoje na tr i tu, tr i ne d epove, itd.
sportski
idealna ta ka za ispitanika A
7 1 9 5 11 6 10 8 2 4 3
luksuzan
Grafi ki prikaz
115
116
5. Voditi ra una o redosljedu izlaganja - zamisliti izvje taj u kome bi informacije i zaklju ci bili prakti no nabacani 6. Pisati jasno - cilj izvje taja nije da se impresionira itaoc nego da se ispostavi efikasna komunikacija izme u istra iva a i donosioca odluka 7. U initi izvje taj upe atljivim - parola pisca izvje taja bi trebala da bude: Neka bude dovoljno dug da pokrije sadr aj, a dovoljno kratak da bude interesantan . 8. U initi izvje taj psiholo ki logi nim - privu i pa nju itaoca najinteresantnijim detaljima
117
9.Kratak izvje taj - iznijeti najva nije, izostaviti detalje, pisati obi nim rije ima 10.Omogu iti da se izvje taj lako prati 11.Koristiti se svakodnevnim jezikom -izbjegavati sve ono to bi moglo zbuniti itaoce 12.Ukazivati na prakti ne akcije - koristiti se analogijom, specifi nim primjerima i pore enjima koji su bliski itao evom iskustvu 13. Koristiti vizuelna sredstva u pisanju izvje taja - grafikoni, slike
118
14.Koristiti razli ite vrste slova za naslove i najbitnije informacije koristiti velika i razmaknuta slova kako bi se privukla pa nja 15.Boje koriste se za isticanje centralnih ideja Redosljed izlaganja u izvje taju I Naslovna strana II Sadr aj izvje taja III Uvodno izlaganje IV Metodologija istra ivanja V Rezultat istra ivanja VI Zaklju ci i preporuke VII Prilozi
119
I Naslovna strana 1. Naziv organizacije i pojedinca koji su obavili istra ivanje 2. Naziv organizacije za koju je istra ivanje obavljeno 3. Naslov 4. Datum II Sadr aj izvje taja treba da obuhvati naslove i podnaslove u izvje taju, njihovu numeraciju i broj stranice na kojoj se naslovi i podnaslovi nalaze
III Uvodno izlaganje - treba da odgovori na dva bitna pitanja: 1. ta je predmet istra ivanja? 2. Koji su ciljevi istra ivanja?
120
IV Metodologija istra ivanja koji su izvori podataka kori teni, na in prikupljanja podataka statisti ke i matemati ke metode koje smo koristili na in organizovanja rada na terenu, broj i kvalitet instruktora i anketara V Rezultati istra ivanja rezultati trebaju biti prezentirani jasno, ilustrativno putem grafikona, slika uz dodatna tekstualna obja njenja VI Zaklju ci i preporuke davati ih samo onda kada se to tra i od istra iva a. VII Prilozi spisak nau ne i stru ne literature koja je kori tena
121
40
30
20
10
122
PROCESI OUTPUTI Selekcija Kvalitet Sa imanje donesenih Analiza Odluka na Alociranje svim nivoima Ocjena pouzdanosti Aktueliziranje Kontrola
123
Marketing okru enje Ciljna tr i ta Marketing kanali Konkurencija Javnost Snage makrookru enja
Distribucija informacija
Dijagnoza postoje eg stanja Koje informacije postoje? Unutra nji tokovi Informacija Komunikacija sa potro a ima
Prijedlog plana razvoja MIS-a Vrsta informacija Izvor informacija U estalost informacija Korisnici informacija
126
Vrsta Izvor U estalost informacija informacija informacija Zalihe gotovih proizvoda Novi zakoni i regulative od uticaja na poslovanje preduze a Skladi te gotovih proizvoda Poslovna slu ba U realnom vremenu (on line) Svakog prvog u mjesecu
Korisnici informacija Menad eri u prodaji Vrh menad menta, funkcionalni menad eri i menad eri dijelova preduze a Direktor sektora marketinga
127
Za preduze e su zna ajne dvije vrste predvi anja: Predvi anje op te ekonomske situacije na pojedinim tr i tima Predvi anje prodaje konkretnih proizvoda i usluga U itavom ovom procesu slu ba za istra ivanje marketinga ima veoma zna ajnu ulogu.
130
SIMPTOMATSKA STRATEGIJA Polazi od bazi ne pretpostavke da postoje odre enji simptomi u sada njosti koji ne odre uju ve nagovje tavaju budu a kretanja. kretanja. Pa ljivim pra enjem itavog niza ekonomskih pojava u du em vremenskom periodu u pro losti mo e se mnogo toga uo iti o vjerovatnim kretanjima u budu nosti SISTEMATSKA STRATEGIJA Poku ava prona i uzro no posljedi nu vezu izme u pojava u sada njosti i budu nosti Tipi ne metode koje se baziraju na sistematskoj strategiji su ekonometrijske metode ekonometrij
132
Vode i indikatori OECD a koji najpouzdanije nagovje tavaju budu a kretanja konjukture na danom tr i tu: Nove narud be Broj radnih sati sedmi no Indeksi proizvodnje Odnos zaliha prema isporukama Odnos uvoza i izvoza Prodaja trajnih potro nih dobara
134
Formalne metode Tehnolo ke metode Subjektivne metode Formalne metode Kauzalni metodi Metodi na bazi vremenskih serija
Kvalitativne metode
Kvantitativne metode
135
Kvantitativni metodi
Metode koje se baziraju na analizi vremenskih serija Ovaj metod se mo e koristiti za predvi anje prodaje u budu nosti samo za proizvode koji ve izvjestan period egzistiraju na tr i tu. Za potpuno nove proizvode koji se tek uvode na tr i te ne mo e se koristiti ovaj metod za predvi anj prodaje. Osnovna slabost koju ispoljava ovaj metod je da se uvijek polazi od pretpostavke da e kretanja u budu nosti biti ista kao i kretanja u pro losti, gdje je jedina nezavisna vrijabla vrijeme, to je u su tini pogre no jer su faktori koji utu u na prodaju datog proizvoda mnogobrojni.
136
Pored slabosti ovaj metod ima i neke razloge koji govore u prilog kori tenja ovih metoda, a to je: da nam pru aju odli nu orijentaciju u svim slu ajevima gdje je potro nja relativno stabilna i gdje se ne o ekuju velike izmjene; metode ove vrste uspje no koriguju gre ke iz pro losti. Najkarakteristi nije metode predvi anja na bazi vremenske serije su: Naivne metode; Ekstrapolacija trenda; Pokretni presjeci; Autoregresioni pokretni presjeci
137
Naivne metode Postoji vi e mogu nosti da se ovim metodama predvi a prodaja. 1. Prodaja u narednom periodu e biti ista kao i prodaja u predhodnom tj.: Xt + 1 = Xt 2. Prodaja u narednom periodu e se mijenjati u istom procentu kao i u prethodnom periodu tj. Xt Xt + 1 = Xt Xt-1 3. Prodaja u narednom periodu e se mijenjati u odre enom procentu (y) od promjena u pro lom periodu. Xt + 1 =(Yt Xt-1)
138
Ekstrapolacija trenda Kod ove metode karakteristi no je to da se podaci o prodaji u pro lost analiziraju i pronalazi se matemati ka funkcija koja najbolje odgovara tim kretanjima pa se zatim vr i ekstrapolacija. Naj e e se koristi metod najmanjih kvadrata da bi se odredio oblik funkcije. Krive koje se mogu odabrati su: - aritmeti ki trend; - semilogaritamski trend; - modificirani trend; - logisti ka kriva.
139
Pokretni presjeci Ako je period predvi anja kratak, slu ajnost ima zna ajnu ulogu. Jedan od na ina da se minimizira uticaj slu ajnosti je uprosje ivanje vi e predhodnih perioda. Primjenom ove metode mi ustvari smanjujemo uticaj niskih i visokih vrijednosti i aprokismiramo realan trend. Autoregresioni projektni presjeci Ovo je najkompleksnija grupa metoda koje se baziraju na analizi vremenske serije. Njen kvalitet je u injenici da se poku avaju minimizirati gre ke koje su u injene u prethodnim prognozama. Ovdje se uvodi vjerovatno a prognoze u model. Najpoznatiji 140 modeli ove vrste su oni koje su razvili Box i Jenkins.
Kauzalni modeli Kod kaunzalne metode mi poku avamo da analiziramo faktore koji uti u na prodaju tog proizvoda (nezavisne varijable) i na bazi toga predvi amo njihovu prodaju. Mi ustvari analiziramo povezanost odre enih ekonomskih i drugih pojava za prodajom na eg proizvoda, pa te ustanovljene veze izra avamo matemati kim putem u modelu. Te veze mogu biti izra ene pomo u jedne jedna ine ili pomo u sistema jedna ine.
141
Modeli sa jednom jedna inom U ovom slu aju nastoji se pomo u jedne jedna ine izraziti povezanost izme u jednog ili vi e faktora i prodaje datog proizvoda. Kod ovog modela mi ustvari prognoziramo kretanje nezavisne varijable, pa poznavaju i stepen njene povezanosti sa prodajom na eg proizvoda formiramo jednostavan model. Veoma esto nije dovoljna samo jedna nezavisna varijabla da bi smo mogli predvi ati prodaju.
142
Modeli sa sistemom jedna ina Ovi modeli naj e e se nazivaju ekonometriskim. Mogu se sastojati od vi e regresionih jedna ina koje se simultano rje avaju. Prednost ovih modela je to simultanim rje avanjem daju kompleksnu me uzavisnost varijabli. Njihova kompleksnost ini ih i skupim. Naj e e se ovi modeli koriste za predvi anje agregatnih ekonomskih veli ina, ukupne potro nje i sl.
143
Kvalitativne metode
Predvi anje prodaje na bazi subjektivnih procjena Ljudi koji se dugo vremena bave prodajom nekog proizvoda, kao to su rukovodioci, referenti, trgova ki putnici, veleprodavci i sl., znaju dosta o itavom nizu faktora koji mogu uticati na prodaju u budu nosti. Oni ta svoja znanja uokviruju u jednu subjektivnu percepciju onoga to e se desiti u budu nosti. Ne koriste se samo stavovi i mi ljenja eksperata ve i potro a . Na in na koji se vr i sakupljanje subjektivnih procjena je naj e e putem raznih vrsta anketa. Jedan od poznatih na ina je Delphi metoda.
144
Tehnolo ka predvi anja Istra iva i marketinga moraju pratiti tehnolo ki razvoj naro ito kada se bave dugoro nim predvi anjima prodaje. Tehnolo ka predvi anja e po mi ljenjima mnogih imati vi e uticaja na predvi anja prodaje niza proizvoda u budu nosti, naro ito u dugom roku. Osnovne pote ko e u primjeni prezentiranih metoda predvi anja - Koordinacija rada raznih stru nih slu bi koje treba da u estvuju u procesu predvi anja prodaje;
145
1.1.PREDINVESTICIONA ISTRA IVANJA Postoje tri vrste predinvesticionih istra ivanja koje su bitne u ve ini su ajeva: 1. Istra ivanje marketinga 2. Tehni ko tehnolo ka istra ivanja 3. Ekonomsko - finansijska istra ivanja Konflikt izme u istra iva a marketinga i tehnologija. Izuzetno je korisno predinvesticiona istra ivanja podijeliti u dvije faze koje vremenski slijede jedna drugu: 1. Preliminarno istra ivanje 147 2. Detaljno istra ivanje
1.1.1. Preliminarno istra ivanje Osnovni cilj preliminarnog istra ivanja je da se provjeri realnost i izvodivost odre ene investicione ideje prije nego se pristupi detaljnom istra ivanju za potrebe dono enja kona ne odluke. Osnovni princip rada u ovoj fazi istra ivanja su brzina i niski tro kovi
148
Kao rezultat preliminarnih predinvesticionih istra ivanja, istra iva i raznih specijalnosti trebali bi rukovodstvu preduze a prezentirati usagla ene informacije u slijede em: y Opis potrebe koju zadovoljava proizvod ija se proizvodnja predla e i njegove osnovne prednosti nad eventualnim supstitutima y Gruba procjena stanja tra nje i ponude na svjetskom i doma em tr i tu, kao i budu ih kretanja y Gruba procjena mogu nosti plasmana investitora y Opis mogu eg tehnolo kog rje enja za proizvodnju datog proizvoda I mogu nosti primjene tog rje enja s obzirom na kadrovske,pravne, ekolo ke i sli ne uslove y Pribli ni kapacitet koji se za datu tehnologiju smatra rentabilnim y Gruba procjena potrebnih investicionih ulaganja u osnovna i obrtna sredstva za predlo enu tehnologiju i kapacitet y Gruba procjena mogu ih tr i nih cijena, tro kova i ekonomskih efekata y Ocjena mogu nosti obezbje enja sredstava za investiciju i osnovnih potrebnih inputa u proizvodnju
149
1.1.2. Detaljno istra ivanje Po to nam preliminarna istra ivanja doka u da postoji realna ansa da je na a ideja izvodiva i opravdana sa tahni ko tehnolo kog, tr i nog i finansijskog aspekta mo e se pristupiti detaljnom predinvesticionom istra ivanju. Detaljna preliminarna istra ivanja se razlikuju od primarnih.
150
151
4.Kakve 4.Kakve su mogu nosti da se na tr i tu obezbijede svi neophodni inputi budu e investicije? Potrebno je naglasiti da te ina odgovora na prva tri pitanja zavisi od karakteristika tr i ta za konkretne proizvode i usluge. U tom pogledu mogu e su tri situacije: 1. Projekti s proizvodnjom za unaprijed nepoznatog kupca 2. Projekti s prozvodnjom za unaprijed poznatog kupca 3. Projekti s proizvodnjom za dru tveno definisanu potra nju. nju
152
Tra nja se posmatra kao funkcija ulaganja u marketing, a ne kao statisti ka veli ina:
154
2.2.l. Metoda prilago ene stvarne potro nje Ako istra iva markatinga ima na raspolaganju pouzdane podatke, najjednostavnije mu je da stvarnu potro nju uzme kao bazu za ocjenu tr i nog potencijala pa zatim tu veli inu koriguje za ocijenjeno pove anje ili smanjenje u budu nosti. nosti. Primjer ocjene tr i nog potencijala TV prijemnike. . Predndost ove metode je jednostavnost prora una kao i jednostavnost. Ograni enja metode prilago ene stvarne jednostavnost. potro nje su u njegovoj primjeni. Metoda direktnih podataka primjeni. ne koristi se esto iz dva razloga: razloga: 1. Detaljni podaci o prodaji nisu raspolo ivi za mnoge proizvode i usluge 2. Kada su podaci raspolo ivi, oni mo da nisu pogodni za ocjenu sada njeg potencijala zato to se odnose na pro lost. lost. 155
2.2.2.Metoda ocjene mogu e kupovine Po to podaci o stvarnoj prodaji nisu uvijek dostupni istra iva u, on ponekad mora izvr iti procjenu mogu e potro nje razmi ljaju i o tome ko su potencijalni kupci za dati proizvod. Primjer izdava ke djelatnosti: 41.254 x 0,10 x 0,60 = 2.475 komada 28.470 x 0,30 x 2 = 17.082 komada 3.470 x 0,25 x 0,30 = 2.602 komada
156
Procjena mogu e kupovine za ud benik iz istra ivanja marketinga bila: 2. 475 + 17. 082 + 2. 602 = 22. 159 Kada ne postoje pouzdani podaci o prodaji datog proizvoda, a kada je mogu e identifikovati najzna ajnije tr i ne segmente i dobiti podatke o njihovim aproksimativnim potrebama, direktnim ili indirektnim putem, metoda procjene mogu e kupovine je dobra metoda za mjerenje tr i nog potencijala.
157
Primjer potro nje piva. Metoda procjene tr i nog potencijala pomo u tzv. multikorelativnih indeksa koristi se za mjerenje relativnog zna aja pojedinih regiona na ukupnom tr i tu. Multikorelativni indeksi su posebno dobar indicator tr i nog potencijala za oping robu.
159
Primjer proizvo a a namje taja MKIj = 0,25Dj + 0,25Sj + 0,50Bj Duk Suk Buk
gdje je:
MKIj tr i ni potencijal regiona i u relativnom odnosu na ukupni tr i ni potencijal Dj - dohodak regiona Duk - ukupni dohodak Sj - stanovni tvo regiona Suk - ukupno stanovni tvo Bj - broj sklopljenih brakova u regionu Buk - ukupan broj sklopljenih brakova Za primjenu metode multikorelativnih indeksa moramo imati na raspolaganju podatke o svim faktorima koji predstavljaju indikatore tr i nog potencijala.
160
Poslovni cilj je stvoriti profit pomo u promocije, cijene, distribucije proizvod z koje postoji tra nja na tr i tu . Klju ne odluke da li i i na inostrano tr i te? na koja tr i ta i i? kako u i na odabrano inostrano tr i ta? kakav marketing program ponuditi na odabranom inostranom tr i tu? kako organizoati svoje me unarodne marketing aktivnosti
162
Specifi nosti istra ivanja marketing aktivnosti Marketing istra ivanje predstavlja sistemsko prikupljanje, registrovanje i analiziranje podataka u cilju obezbje enja informacija za dono enje marketing odluka DVA ISTRA IVANJA istra ivanje strane sredine (okru enja) istra ivanje inostranog marketinga sa aspekta marketing instrumenata PODACI KOJI SE KORISTE Primarni Sekundarni
163
enja sekundarnih
Podaci za svaku zemlju (World Business and Economic Review) usiness politi ka i ekonomska situacija struktura vlasti, jezici,novac, prostor i stanovni tvo osnovni ekonomski indikatori u posljednjih pet godina politi ki sistem, demografija, gradovi, mediji, kupovna mo vodi za bizmismene i vrijeme, klima, ulazna procedura, procedura, itd. 164
165
c) EKONOMSKO OKRU ENJE Op i nivo razvijenosti GNP, ekonomski rast, industrijski sector Uloga vanjske trgovine Platni biznis d) SOCIJALNO- KULTURNO OKRU ENJE SOCIJALNOPostotak pismenosti Postojanje srednje klase Jezik II FAZA: ANALIZA TR I NOG POTENCIJALA ZA DATU INDUSTRIJU INDUSTRIJU a) DOSTUPNOST TR I TA Ograni enja u trgovini i visina carina Zakoni i procedure uvoza Patenti Lokalni standardi, prakse i druge vancarinske barijere 166
b) TR I NI POTENCIJAL ZA PROIZVODE ) Potrebe i elje potro a a Doma a proizvodnja, uvoz potro nja Postojanje komplementarnih proizvoda Stavovi prema proizvodima iz drugih zemalja Uslovi lokalne proizvodnje III FAZA: ANALIZA PRODAJNOG POTENCIJALA PREDUZE A a) PREDVI ANJE OBIMA PRODAJE Veli ina i koncentracija segmenata potro a a Projekcija podataka o potro nji Ocjena konkurencija 167 O ekivanja lokalnih distributera
b) TRO KOVI VEZANI ZA UVOZ Tro kovi izvoznika u svakoj zemlji Doma i tro kovi distribucije Me unarodne prevozne tarife i osiguranja c) TRO KOVI VEZANI ZA DISTRIBUCIJU U ZEMLJE U KOJE SE IZVOZI Carine i dad bine Porezi na dodatne vrijednosti Mre e i provizije u trgovini Tro kovi promocije d) OSTALE DETERMINANTE PROFITABILNOSTI Postoje i nivoi cijene Snage i slabosti konkurencije Kreditni uslovi Sada nja i projektovana predvi anja cijena
168
NE
KRAJ
169
Svijet u kome komunikacijske tehnologije kreiraju globalnu konkurenciju Svijet u kome novac kupuje nove koncepte ili sredstva za njihovo kreiranje, umjesto novih ma ina Nova ekonomija software za umre eni svijet
Nova ekonomija
Dana nja, elektronski podr ana globalna ekonomija je najve i, najkompleksniji i adaptivni sistem ikada kreiran
Svijet toliko druga iji da se njegova pojava mo e opisati samo kao revolucija
Tr i ta se mijenjaju br e od marketinga kompanija Nova ekonomija-ekonomija bazirana na znanju! Kako to bolje razumjeti potro a e
170
Samo marketing sektor se bavi marketingom Gradi marke prvenstveno pomo u ekonomske propaganda Te i te na osvajanju kupaca Mjeri kup evo zadovoljstvo Obe aj vi e nego to mo e da bi prodao Kompanija u cjelini je jedinica za analizu
Povezivanje sa potro a ima Selektivno povezivanje Do ivotno povezivanje Direktno povezivanje Povezivanje sa partnerima u marketingu Povezivanje sa ostalim organizacionim dijelovima u kompaniji Povezivanje sa dobavlja ima i distribuerima Povezivanje u strate ke alijanse Povezivanje sa svijetom koji okru uje kompaniju Globalne povezanosti Povezivanje sa vrijednostima i odgovornostima irenje povezanosti
172
4.
5.
Smanjenje tro kova alternativnim komunikacijama Telefon, po ta Li no efikasnost usluga kupcima,telekomunikacije, smanjenje potreba za sastancima Ostalo objavljivanja, novine i sl.
Saradnja 6. 7. 8. 9. 10. Razvoj proizvoda Radni timovi Istra ivanje marketinga Sekundarni i primarni podaci Direktni marketing i ogla avanje Prodaja Kanali distribucije Informacija trgovcima i potro a ima Online prodaja Ostalo
174
Internet Brzina Strukturiranost informacija Usmjerenost informacija Op i kvalitet informacija Alati za pretra ivanje Podr ka korisniku Tro kovi mala do velike nije jako dobra veoma irok obuhvat nizak do visokog ograni eni i nekompletni ograni ena niski
Elektronske baze podataka velika veoma dobro struktuirane zavisi od baze, uglavnom uzak obuhvat visok do vrlo visokog ekstenzivni i pouzdani veoma dobra visoki do vrlo visoki
Online servisi mala do velika dobro strukturirane srednji dio irok obuhvat srednji do visokog uglavnom pouzdani dobra srednji
175
Mogu nost uvo enja na tr i te nove pe nice za pe enje, kao zamjene za klasni nu ta potro a i misle o novom prizvodu i da li e ga prihvati?
Rezultati
Obja njenja dolaze iz kreativnosti istra iva a, a mogu biti inspirisana podacima. Obja njenja mogu do i od drugih impulsa, kao to su iskustvo ili intuicija.
177
OBJA NJENJA PARTIKULARISTI KO UNIVERZALNO Svakodnevno Obja njenje na bazi zdravog razuma Nau no
Obim po etaka i veli ina uzroka nisu kriti ni faktor uspjeha Razumjeti potro a e zna i kreirati obja njenja koja mogu biti inspirisana podacima ali isto tako intuicijom Kriti ni faktor uspjeha je sposobnost i volja da se obja njenja suo e sa podacima na na in da podaci budu ozbiljan test za obja njenja. Ako jedno obja njenje pre ivi testiranje, ono je prihva eno ali i ne dokazano Ako obja njenje padne na testu, moramo kreirati bolje i testirati ga, to zna i da obja njenja evoluiraju u vremenu
178
Slide 105
179
Slide 106
180
Slide 107
181
Slide 108
182
Slide 109
183
Slide 110
184
Slide 111
185
Slide 112
186
Slide 113
187
Slide 114
188
Slide 115
189