Marketingovy Vyzkum

Radek Tahal a kolektiv
Marketingový
výzkum
Postupy, metody, trendy
■ Řízení výzkumného projektu
■ Analýza dat a statistické metody
■ Výzkum značky
■ Segmentace a studie životního stylu
■ Reprezentativní vzorek populace
■ Technologie rozpoznání emocí
■ Měření výkonu reklamy

Tato elektronická kniha byla zakoupena v internetovém knihkupectví Grada.cz
Jméno a příjmení kupujícího: Polina Tuniakina

E-mail: polyatunyakina@yandex.ru
Upozorňujeme, že elektronická kniha je dílem chráněným podle autorského zákona, a je

určena jen pro osobní potřebu kupujícího. Kniha jako celek ani žádná její část nesmí být
volně šířena na internetu, ani jinak dále zveřejňována. V případě dalšího šíření
neoprávněně zasahujete do autorského práva s důsledky podle platného autorského
zákona a trestního zákoníku.
Velmi si vážíme, že e-knihu dále nešíříte. Jen díky Vašim nákupům dostanou autoři,
vydavatelé a knihkupci odměnu za svou práci. Děkujeme, že tak přispíváte k rozvoji
literatury a vzniku dalších skvělých knih.
Máte-li jakékoli otázky ohledně použití e-knihy, neváhejte nás prosím kontaktovat na
adrese eknihy@grada.cz
Radek Tahal a kolektiv
Marketingový
výzkum
Grada Publishing
Polina Tuniakina (polyatunyakina@yandex.ru) [1320903]

Nakladatelství Grada děkuje za podporu při vydání publikace společnostem:
Nielsen Admosphere, a.s.
www.nielsen-admosphere.cz
Sdružení agentur pro výzkum trhu

a veřejného mínění SIMAR
www.simar.cz
Mgr. Radek Tahal, Ph.D., a kolektiv

Marketingový výzkum
Vydala Grada Publishing, a.s.
U Průhonu 22, 170 00 Praha 7
tel.: +420 234 264 401, fax: +420 234 264 400
www.grada.cz
jako svou 6643. publikaci
Autorský kolektiv:
Mgr. Radek Tahal, Ph.D. – vedoucí autorského kolektivu, autor kapitol – 2, 4, 11
Mgr. Tereza Šimečková – autorka kapitoly – 7.2
Ing. Hana Říhová – autorka kapitol – 10, 12.1, 12.3, 12.5, 12.6, 13.1–13.5
Ing. Hana Huntová – autorka kapitol – Úvod, 3, 14
Mgr. Nikola Hořejš – autor kapitol – 1, 12.9, 13.6
Mgr. Katarína Varju – autorka kapitol – 6, 7.1, 8, 9.1
RNDr. Tomáš Hanzák, Ph.D. – autor kapitol – 5, 9.2
Mgr. Hana Friedlaenderová – autorka kapitol – 12.4, 12.8
Ing. Richard Hospodský – autor kapitoly – 12.7
Ondřej Herink – autor kapitol – 12.2, 12.3
Odpovědný redaktor Petr Somogyi
Sazba a grafická úprava Milan Vokál
Návrh a zpracování obálky Ondřej Mikulecký
Počet stran 264
První vydání, Praha 2017
Vytiskly Tiskárny Havlíčkův Brod, a.s.
© Grada Publishing, a.s., 2017
Cover Photo © Depositphotos/agsandrew
ISBN 978-80-271-9868-9 (ePub)
ISBN 978-80-271-9867-2 (pdf)
ISBN 978-80-271-0206-8 (print)
Upozornění pro čtenáře a uživatele této knihy

Všechna práva vyhrazena. Žádná část této tištěné či elektronické knihy nesmí být reprodu-
kována a šířena v papírové, elektronické či jiné podobě bez předchozího písemného souhlasu
nakladatele. Neoprávněné užití této knihy bude trestně stíháno.
5
Obsah
O autorech . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Úvod: Význam marketingového výzkumu v marketingu . . . . . . . . . . . . . . . . . . . . . . 13
1. Zadání a řízení výzkumného projektu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

1.1 Správná formulace výzkumných otázek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2 Zadání výzkumu v praxi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3 Výzkumný brief. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4 Analýza problému a debrief . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5 Řízení výzkumného projektu, výzkumný tým a proces . . . . . . . . . . . . . . . . . . . 22
1.6 Problematická místa v řízení výzkumu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2. Základní členění marketingového výzkumu . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.1 Data a informace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.1 Tvrdá a měkká data. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.2 Interní a externí data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.3 Primární a sekundární data. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 Deklarativní a nedeklarativní metody. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3 Kvalitativní a kvantitativní výzkum. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4 Pozorování, dotazování, experiment. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.1 Pozorování. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.4.2 Experiment. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3. Kategorizace typů výzkumu a jejich využití . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3.1 Základní třídění výzkumů . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2 Poznávací cíl. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2.1 Explorativní výzkum. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2.2 Deskriptivní výzkum. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2.3 Kauzální a relační výzkum. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.3 Výzkumná oblast . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4. Sběr dat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.1 Kvalitativní výzkum. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.1.1 Proces přípravy kvalitativního výzkumu. . . . . . . . . . . . . . . . . . . . . . . . . 42
4.1.2 Realizace rozhovorů. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.1.3 Používané techniky. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.2 Kvantitativní výzkum. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2.1 Jednorázové a kontinuální výzkumy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2.2 Výzkum versus anketa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.2.3 Úplné a výběrové šetření . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6
4.2.4 Metody výběru respondentů. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

4.2.5 Tvorba dotazníku. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.2.6 Techniky sběru dat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5. Panel respondentů . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.1 Co je panelový výzkum a proč se používá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.2 Druhy panelů . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.3 Výstavba panelu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.4 Správa panelu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.5 Reprezentativita panelu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.6 Obměna panelu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.7 Úskalí panelových šetření. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6. Analýza dat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.1 Základní metody analýzy dat (tabulky, grafy, vážení) . . . . . . . . . . . . . . . . . . . 76
6.1.1 Typy proměnných. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.1.2 Úprava a čištění dat, chybějící hodnoty. . . . . . . . . . . . . . . . . . . . . . . . . . 78
6.1.3 Vážení. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.1.4 Průzkumová analýza dat. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.2 Pokročilejší statistické metody. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
6.2.1 Závislost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
6.2.2 Závislosti kategoriálních proměnných – kontingenční tabulky. . . . . . 90
6.2.3 Korelační koeficient. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.2.4 Regresní analýza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.2.5 Shluková analýza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.2.6 Faktorová analýza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
7. Software pro analýzu a prezentaci dat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

7.1 Statistický software (SPSS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
7.2 Interaktivní zobrazovací a prezentační software pro marketéry
a obchodníky. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
8. Inovativní prvky při tvorbě závěrečné zprávy . . . . . . . . . . . . . . . . . . . . . . . . 117

8.1 Interaktivní výstupy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
8.2 Infografika. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
9. Česká populace, její klasifikace a segmentace . . . . . . . . . . . . . . . . . . . . . . . . 123

9.1 Klasifikace české populace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
9.1.1 Generace. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
9.1.2 Profese. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
9.1.3 Typologie životního cyklu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
9.1.4 Psychodemografické typologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
9.1.5 Behaviorální segmentace. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
9.2 Socioekonomická klasifikace ABCDE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
9.2.1 Socioekonomické klasifikace. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

7
9.2.2 Historie ABCDE klasifikací v České republice. . . . . . . . . . . . . . . . . . 131

9.2.3 Konstrukce nové ABCDE klasifikace. . . . . . . . . . . . . . . . . . . . . . . . . . 132
9.2.4 Vlastnosti nové ABCDE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
9.2.5 Socioekonomické klasifikace v zahraničí. . . . . . . . . . . . . . . . . . . . . . . 137
10. Interpretace kvalitativního výzkumu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
11. Struktura výzkumné zprávy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
12. Další moderní metody výzkumu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

12.1 Výzkum komunit ve virtuálním prostředí . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
12.1.1 Obsah sdělení. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
12.1.2 Profil členů komunity. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
12.2 Neuromarketing. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
12.2.1 Metody neuromarketingu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
12.2.2 Jak vypadá běžný neuromarketingový výzkum. . . . . . . . . . . . . . . . . . 153
12.2.3 Výstupy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
12.2.4 Výhody a nevýhody neuromarketingu. . . . . . . . . . . . . . . . . . . . . . . . . 154
12.3 Eye-tracking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
12.3.1 Komerční výzkumy dráhy zraku. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
12.3.2 Jak to vlastně funguje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
12.3.3 Typy výzkumů. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
12.3.4 Výběr respondentů, vzorek a typický průběh výzkumu. . . . . . . . . . . 159
12.4 Měření médií a mediální výzkumy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
12.4.1 Různá kritéria dělení médií. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
12.4.2 Měření médií a výzkumy sledovanosti (one currency) . . . . . . . . . . . 161
12.4.3 Měření médií versus mediální výzkum . . . . . . . . . . . . . . . . . . . . . . . . 162
12.4.4 Mediální výzkumy sledovanosti – nejčastěji využívané metody. . . . 163
12.4.5 Měření elektronických médií – televize, rádia. . . . . . . . . . . . . . . . . . . 164
12.4.6 Měření televizní sledovanosti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
12.4.7 Metody měření a výzkumu poslechovosti rádií . . . . . . . . . . . . . . . . . 170
12.4.8 Měření návštěvnosti internetu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
12.4.9 Výzkum čtenosti tisku. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
12.4.10 Měření venkovní reklamy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
12.4.11 Aktuální trendy a výzvy mediálních výzkumných projektů
a měření: crossmediální zásah. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
12.4.12 Příklady měření médií a mediálních výzkumů v České republice. . 174
12.5 Pozorování, asistované nákupy, mystery shopping . . . . . . . . . . . . . . . . . . . . . 178
12.5.1 Pozorování. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
12.5.2 Asistovaný nákup. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
12.5.3 Mystery shopping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
12.6 Etnografie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
12.7 Conjoint analýzy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
12.7.1 Conjoint: základní informace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
12.7.2 Princip conjointu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
8
12.7.3 Stručná historie conjointu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190

12.7.4 Conjoint a cenová elasticita substituce. . . . . . . . . . . . . . . . . . . . . . . . . 193
12.7.5 Conjoint: shrnutí výhod a nevýhod. . . . . . . . . . . . . . . . . . . . . . . . . . . 194
12.8 Kombinace výzkumných metod a datových zdrojů. . . . . . . . . . . . . . . . . . . . . 194
12.8.1 Proč je dnes kombinace trendy?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
12.8.2 Kombinace výzkumných metod nebo zdrojů dat?. . . . . . . . . . . . . . . 196
12.8.3 Kombinace výzkumných metod. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
12.8.4 Kombinace datových zdrojů . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
12.9 Další inovativní metody výzkumu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
12.9.1 Simulační, testové a „behaviorální“ metody . . . . . . . . . . . . . . . . . . . . 206
12.9.2 Implicitní metody. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
12.9.3 Big Data. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
12.9.4 Analýza řeči a textu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
13. Aplikace marketingového výzkumu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211

13.1 Produktový výzkum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
13.1.1 Nápad, hledání inspirace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
13.1.2 Koncept produktu, novinka k testování. . . . . . . . . . . . . . . . . . . . . . . . 213
13.1.3 Analýza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
13.2 Cenové testy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
13.2.1 Gabor Granger. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
13.2.2 Van Westendorp (Price Sensitivity Meter). . . . . . . . . . . . . . . . . . . . . . 222
13.2.3 BPTO (Brand-Price Trade Off). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
13.2.4 Conjoint analýza v cenovém testování. . . . . . . . . . . . . . . . . . . . . . . . . 225
13.3 Pre-testy a post-testy reklamních kampaní. . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
13.3.1 Pre-testy reklamních kampaní. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
13.3.2 Post-testy reklamních kampaní. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
13.4 Výzkum značky. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
13.4.1 Výzkum vizuální komunikace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
13.4.2 Image značky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
13.4.3 Positioning. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
13.5 Usage & Attitudes, segmentace a studie životního stylu. . . . . . . . . . . . . . . . . 238
13.5.1 Usage & Attitude. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
13.5.2 Segmentace. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
13.5.3 Studie životního stylu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
13.6 Kontinuální výzkum. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
13.6.1 Typické kontinuální projekty. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
13.6.2 Analýzy kontinuálního měření a modelování. . . . . . . . . . . . . . . . . . . 247
14. Výběr výzkumné agentury . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249

14.1 Externí a interní tým pro výzkumný projekt . . . . . . . . . . . . . . . . . . . . . . . . . . 250
14.2 Výběr agentury a cíle projektu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
14.3 Typy výzkumných agentur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
14.4 Postup při výběru agentury. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
9
15. Etika v marketingovém výzkumu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255

15.1 Ochrana subjektů údajů. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
15.2 Chování vůči zadavatelům . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
15.3 Odpovědnost široké veřejnosti. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
Rejstřík . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
10 Marketingový výzkum
O autorech
Mgr. Radek Tahal, Ph.D.

Vedoucí autorského kolektivu, autor kapitol: 2, 4, 11
Pracuje na katedře marketingu na Fakultě podnikohospodářské
VŠE v Praze. Je vedoucí Centra marketingového výzkumu a tržních
analýz. Marketingu se profesně věnuje od roku 1998. Nejprve pra-
coval v Komerční bance a České spořitelně, poté v oblasti výzku-
mu trhu ve společnostech STEM/MARK a GfK. Na Vysoké škole
ekonomické v Praze se v současnosti věnuje realizaci smluvních
projektů marketingového výzkumu, pedagogické činnosti a základ-
nímu výzkumu v oblasti zákaznické loajality.
Mgr. Tereza Šimečková

Autorka kapitoly: 7.2
Od roku 2001 je předsedkyní představenstva výzkumné agen-
tury Nielsen Admosphere (dříve Mediaresearch). Vystudovala
Matematicko-fyzikální fakultu UK. Mediálnímu a marketingové-
mu výzkumu se věnuje od roku 1991, pracovala ve výzkumných
agenturách STEM, AISA (nyní Kantar TNS CZ) a AISA MEDIA
(nyní MEDIAN). Společně s několika kolegy a společníky vybudo-
vala výzkumnou agenturu realizující nejen marketingové výzkumy
a monitoring reklamy, ale zejména peoplemetrové měření v České
republice, v Bulharsku a v Arménii.
Ing. Hana Říhová

Autorka kapitol: 10, 12.1, 12.3, 12.5, 12.6, 13.1–13.5
Vystudovala Vysokou školu ekonomickou v Praze, od roku 1997
se začala věnovat oboru výzkumu trhu. V průběhu let se specializo-
vala na poradenství v oblasti strategického marketingu, pomáhala
významným značkám s uvedením na český trh. Dlouhodobě se
věnuje rozvoji metodik výzkumu efektivity reklamy a měření síly
značky. Působila ve společnostech GfK, Kantar TNS a MEDIAN,
v současné době se věnuje kvalitativnímu výzkumu ve společnosti
GfK.
O autorech 11
Ing. Hana Huntová

Autorka kapitol: Úvod, 3, 14
Od roku 1993 pracovala ve vydavatelství The Prague Post, pak
v reklamních agenturách (Saatchi&Saatchi, Ogilvy, Mindshare)
a ve společnosti Unilever, kde vedla mezinárodní týmy a vytvářela
odborné školicí programy. Od roku 2007 pracuje jako nezávislá
konzultantka a lektorka se zaměřením na marketing, marketin-
govou komunikaci a marketingový výzkum. Jako výkonná ře-
ditelka Sdružení SIMAR se stará o profesionalitu oboru a jeho
další rozvoj.
Mgr. Nikola Hořejš

Autor kapitol: 1, 12.9, 13.6
Působí na katedře psychologie FF UK a pracuje jako poradce
v kampaních neziskových i komerčních organizací a jako kon-
zultant výzkumné agentury Millward Brown. Spoluzakládal vý-
zkumnou firmu Fast Connect (nyní PerfectCrowd), je spoluauto-
rem řady sociologických studií: například o českém marketingu,
o proměnách české společnosti v posledních 25 letech, o chování
v krizových situacích. Je členem redakční rady Central European
Business Review.
Mgr. Katarína Varju

Autorka kapitol: 6, 7.1, 8, 9.1
Zastává pozici Head of Research výzkumné agentury Nielsen
Admosphere (dříve Mediaresearch). Vystudovala Matematicko-
-fyzikální fakultu UK. Mediálnímu a marketingovému výzkumu
se věnuje od roku 2007, pracovala jako statistik peoplemetrového
měření v České republice i jako statistik měření internetové ná-
vštěvnosti v České a Slovenské republice. V Nielsen Admosphere
je zodpovědná za statisticko-metodickou stránku všech projektů
výzkumu trhu, za řízení vybraných projektů, včetně prezentace
a interpretace výsledných dat.
RNDr. Tomáš Hanzák, Ph.D.

Autor kapitol: 5, 9.2
Zastává pozici Hlavní analytik – statistik výzkumné agentury
Nielsen Admosphere (dříve Mediaresearch). Vystudoval Matema-
ticko-fyzikální fakultu UK. Mediálnímu a marketingovému výzku-
mu se věnuje od roku 2006, od roku 2014 je členem mezinárodního
statistického týmu Nielsen. V Nielsen Admosphere je zodpovědný
za statistické činnosti v oblasti metodiky a algoritmů pro měření
sledovanosti a dalších projektů nejen v České republice, ale i v ji-
ných zemích. Je tvůrcem segmentace popsané v kapitole 9.2.
Mgr. Hana Friedlaenderová

Autorka kapitol: 12.4, 12.8
Zastává pozici Senior Research and Development Manager vý-
zkumné agentury Nielsen Admosphere (dříve Mediaresearch).
Vystudovala Matematicko-fyzikální fakultu UK. Mediálnímu
a marketingovému výzkumu se věnuje od roku 1994, pracova-
la ve výzkumné agentuře MEDIAN. V Nielsen Admosphere se
zabývá realizací výzkumných projektů se zaměřením na média,
děti, internet, životní styl a mnoho dalších témat. Je spoluautorkou
publikací Češi na prahu nového tisíciletí (Slon, 2000), Evropa na
prahu sjednocení (MEDIAN, KMR 2001), Jak se máte Slováci, ako
sa máťe Česi? (MEDIAN 2003).
Ing. Richard Hospodský

Autor kapitoly: 12.7
V oblasti výzkumu trhu pracuje od roku 1997. Vystudoval VŠE
v Praze se zaměřením na marketing, management a sociologii
a psychologii v řízení firem. Pracoval postupně v několika agentu-
rách pro výzkum trhu, od roku 2013 je spolumajitelem agentury
g82. Zaměřuje se především na optimalizační úlohy.
Ondřej Herink
Autor kapitol: 12.2, 12.3
Pracuje ve výzkumné agentuře GfK, kde zastává pozici vedou-
cího kvalitativních služeb CZ a SK. Výzkumem trhu se zabývá
od roku 2000, kdy v České republice začínal s výzkumem oční
kamerou. Je zodpovědný za rozvoj nových nástrojů a metodik,
v GfK rozvíjel například analýzu mimiky, neuromarketing nebo
UX testování.
Úvod: Význam marketingového výzkumu v marketingu 13
Úvod: Význam marketingového

výzkumu v marketingu
Marketing je založen na vzájemně výhodné výměně hodnot mezi příjemcem a někým, kdo
nabízí nějaký produkt či službu. Příjemcem je člověk, tedy konečný spotřebitel (Business
to Consumer, B2C), nebo také organizace, tedy zákazník (Business to Business, B2B).
Příjemce hledá produkt, který co nejlépe uspokojí jeho potřeby, a je připraven za něj po-
skytnout protihodnotu, obvykle ve formě peněz. Na druhé straně výměny stojí organizace
či případně jednotlivec, který vytvoří, nabídne a prodá svůj produkt spotřebiteli za určitou
hodnotu. Podmínkou dlouhodobé úspěšnosti výrobce či poskytovatele služeb je dobrý
vhled do potřeb spotřebitelů a orientace na trhu, na kterém podnikají, a schopnost pružně
reagovat na změny ve spotřebitelských preferencích a podmínkách v příslušné kategorii.
Může se zdát, že v době informační společnosti není nic jednoduššího, než si patřičné
informace pro rozhodování a řízení podniku obstarat v dostupných databázích a na inter-
netu. V manažerském rozhodování se však ukazuje, že problémy jsou mnohdy komplexní,
dynamika změn se zvyšuje a míra neurčitosti a rizika je vysoká. Pochopení potřeb a cho-
vání spotřebitelů, získávání informací o trhu, postavení firmy v porovnání s konkurencí,
informace o nových trendech či technologickém vývoji vyžadují specifický přístup, který
poskytne objektivní, podložené a systematické podklady pro manažerské rozhodování.
Vzdělanost v oboru a využití informačních technologií může tuto úlohu ulehčit. Pro sku-
tečně efektivní řízení a rozhodování je však třeba systémový přístup, který Kotler (2016)
a jiní nazývají Marketingový informační systém, MIS.
Marketingový informační systém zahrnuje aktivity a připojuje zodpovědnosti lidí, kteří
se zabývají hodnocením informačních potřeb, tvorbou a zpracováním informací a čin-
nostmi, které napomáhají manažerům při rozhodování na základě objektivních informací.
Podle zdroje informací se MIS dělí na interní data, marketing intelligence a marketingový
výzkum.
Marketingové informační systémy (zdroj: autor)
Interní data Marketing Intelligence Marketingový výzkum

●● prodejní a transakční data ●● informace o konkurenci ●● chovaní a potřeby
●● zákaznické databáze (CRM) ●● informace o spotřebitelích zákazníků
●● interní reporting (např. ●● informace o trendech ●● postavení na trhu,
prodejní tým) ve společnosti monitoring konkurence
●● data z vlastních webových a technologiích ●● podklady a informace
stránek a sociálních médií ●● monitoring sociálních sítí o specifických aspektech
●● ekonomické ukazatele a situacích v marketingu
– 4P
Jak je patrné z obrázku, prvním zdrojem informací v rámci firmy jsou interní data, často
dostupná z prodejních transakcí, zákaznického servisu, nebo třeba z vlastních interneto-
vých stránek. Taková data jsou nejdostupnějším a důležitým zdrojem informací o obratu
a zisku organizace, tedy o tvrdých ukazatelích, které v konečném důsledku hodnotí úspěch
či neúspěch každé marketingové aktivity. Firma sbírá informace o profilu svých zákazníků,
interně monitoruje spokojenost s kvalitou svých výrobků či služeb, pravidelně získává
zprávy od oddělení, jež přicházejí do styku se zákazníky či obchodními partnery. Jedná se
o klíčové informace, bez nichž se rozhodování o krátkodobé strategii organizace neobejde.
Chybí v nich však hlubší vhled do potřeb stávajících a budoucích zákazníků i externího
marketingového prostředí.
Druhá oblast zdrojů, marketing intelligence (zpravodajské informace z externích
zdrojů), jsou obecné informace o vývoji marketingového prostředí. Mohou být získávány
z denního či odborného tisku a jiných sdělovacích prostředků, z informací prodejců či
obchodních zástupců, méně systematickými rozhovory se zákazníky, dodavateli a dalšími
zdroji, které tvoří jisté know-how dané organizace. Tyto zdroje jsou jakýmsi tykadlem, jež
vyhledává obecné informace, identifikuje možné nové příležitosti a monitoruje případné
hrozby v externím marketingovém prostředí, které danou organizaci obklopuje. Výhodou
těchto informací je, že při troše úsilí je možné zjistit zajímavé poznatky o spotřebitelích,
trendech a konkurenci bez nákladné a časově náročné realizace vlastních studií. Nevýhodou
je však přesný opak právě řečeného – sledování lze charakterizovat spíše jako nepřímé, tedy
bez specifického cíle a metody sběru informací, je spíše neformální, náhodné, ovlivněné
jistou subjektivitou při sběru dat.
Třetím zdrojem informací, které vytvářejí objektivní podklady pro manažerské rozhodo-
vání v organizaci, je marketingový výzkum. Snad nejjednodušší definice marketingového
výzkumu (ESOMAR, 1989) je formulována takto:
„Marketingový výzkum je o naslouchání spotřebitelům.“
V naslouchání je náznak jisté pokory a jasné pochopení principů, na kterých stojí zá-
kaznicky orientovaná firma. Prvním předpokladem budování skutečně kvalitní znalosti
trhu a spotřebitelů dané kategorie je právě schopnost oddělit vlastní, subjektivní názor
na věc od informací, které jsou vytvořeny nezávisle a objektivně. Pro interní tým firmy
(organizace), která již delší dobu pracuje v určitém oboru, je velmi snadné získat pocit, že
o „svém“ oboru již vše vědí a není tedy tolik třeba zjišťovat potřeby zákazníků. Marketin-
gové prostředí se však neustále proměňuje a organizace, která bude svá rozhodnutí stavět
na znalostech získaných v minulosti, v novém prostředí nemusí uspět. Marketing si pro
tuto situaci dokonce vytvořil termín, který ve svém článku v roce 1960 poprvé pojmenoval
profesor Theodore Levitt: marketing myopia (marketingová slepota/krátkozrakost).
Jak však takové naslouchání realizovat co nejpřesněji? Samozřejmě by bylo ideální
naslouchat všem současným a novým zákazníkům. To by však bylo časově náročné a ná-
kladné. A díky technikám výzkumu trhu i zbytečné. Výzkum trhu totiž nabízí prověřené,
na vědeckých základech postavené postupy, které nám pomohou tento úkol zjednodušit,
urychlit a zlevnit. Lze tak získat kvalitní a objektivní podklady pro rozhodování, jež jsou
důležitým podkladem pro manažerské rozhodování, inspirují a poskytují vysvětlení spo-
třebitelského chování a dějů v marketingovém prostředí.
Výzkum trhu, stejně jako další oblasti profesionálních konzultačních a podpůrných
služeb pro podnikání, se díky technologickým a společenským změnám významně pro-
Úvod: Význam marketingového výzkumu v marketingu 15
měňuje. Obor, který v minulosti stál zvláště na postupech, jež vyžadovaly aktivní účast
respondentů, dnes zahrnuje i získávání dat využívající automatizaci, nebo stojí na pasivním
sběru dat. Principy výzkumu trhu jako oboru však nadále zůstávají stejné. Stojí na zjišťování
objektivních informací podpořených vědeckými postupy, vyžaduje sociologickou imaginaci
při získávání informací od subjektů i při interpretaci dat a klade důraz na využitelnost
výstupů v manažerském řízení.
Posun v definici výzkumného trhu k práci s různými typy informací a dat je patrný
i v definici oboru, kterou ESOMAR (celosvětová organizace, jež již od roku 1952 podporuje
a rozvíjí výzkum trhu a veřejného mínění) publikoval ve svém nově upraveném Kodexu.
Výzkum zahrnuje všechny formy výzkumu trhu a veřejného mínění, sociálního vý-
zkumu a datové analytiky. Je to systematické shromažďování a vyhodnocování informací
o jednotlivcích a organizacích. Využívá statistické a analytické metody a techniky apli-
kovaných sociálních, behaviorálních a datových věd, generuje porozumění a podporuje
rozhodování poskytovatelů zboží a služeb, vlád, neziskových organizací a široké veřejnosti
(ESOMAR, 2016).
Marketingový výzkum – jako třetí pilíř marketingových informačních systémů – je
tak důležitým oborem, který pomáhá porozumět trhu a spotřebitelům, inspiruje k tvorbě
lepších a nových služeb a produktů na trhu a je skryt v každém manažerském rozhodování,
které je podpořeno racionálními argumenty. Každá organizace, jež chce v proměnlivém
prostředí uspět, musí umět svým zákazníkům naslouchat.
KAPITOLA 1
1. Zadání a řízení
výzkumného projektu
V románu Stopařův průvodce po galaxii postaví nejinteligentnější bytosti v galaxii

nejvýkonnější počítač, kterému zadají, aby odpověděl na základní „otázku života,
vesmíru a vůbec“. Tento počítač jim po sedmi a půl milionu letech vydá odpověď, která
zní: „čtyřicet dva“.
Snad každý výzkumník někdy v praxi zažil podobný pocit, kdy po měsících náročné
práce odevzdal zadavateli výsledky výzkumu, aby se dozvěděl, že výstup je podle něj nepo-
užitelný, nesrozumitelný, odpovídá na špatnou otázku anebo nepřináší vůbec nic nového.
Zadání výzkumu je v praxi i v učebnicích to nejméně atraktivní téma. Přesto na špatném
zadání ztroskotají i zkušení výzkumníci a marketéři. S nadsázkou lze říci, že kdo správně
definuje zadání výzkumu, má 90 % práce hotovo.
Příklady
Firma si objedná „zmapování trhu s online reklamou malých a středních podniků“. Agentura
přinese základní popis tohoto segmentu a navrhne úpravy služeb. Firma ale svoje služby
upravit nemůže (příliš nákladné) a chtěla především vědět, jakými kanály se zákazníky
komunikovat, což nebylo ve výzkumu zahrnuto.
●●●
Výrobce ovocných nápojů má v úmyslu spustit reklamní kampaň v televizi na oblíbenou

značku ovocného nápoje. Výzkumnou agenturu požádá, aby „reklamu otestovala“. Agentura
přinese výsledek, že reklama je vnímána potenciálními diváky hůře (naplní cíl podprůměr-
ně) než ostatní reklamy této značky. Zadavatel má ale již domluvené s reklamní agenturou,
že reklamu natočí. Od agentury ve skutečnosti potřeboval vědět, jak reklamu zlepšit, aby
vyjádřila atributy značky.
Následně si tedy popíšeme, jakými kroky lze postupovat při každém zadání, ať je to tendr,
požadavek uvnitř firmy, nebo akademický projekt. Je samozřejmé, že každé zadání výzkumu
se liší. Před zadavatelem stojí modelově tři typy situací:
■■ Potřebuji odpověď na konkrétní otázku. V tomto případě většinou hledám interního

nebo externího výzkumníka, který najde nebo zařídí přesnou formulaci otázky a sběr
určitých dat. Například: Jaký je podíl mojí firmy na trhu?
■■ Potřebuji řešit nějaký obchodní, marketingový nebo produktový problém. To zname-
ná, že výzkumník problém analyzuje, deduktivním uvažováním převede na výzkumné
otázky či hypotézy a navrhne, jak k výzkumu přistoupit – bude mít tak i částečně kon-
zultační roli. Například: Jak zvýšit prodeje hrnců seniorům?
■■ Potřebuji zmapovat terén. Hledám komplexní informace o trhu, segmentu produktů či
zákazníků, abych se inspiroval nebo přišel na nové možnosti rozvoje podnikání. V tomto
případě se hodí spíše proces induktivního uvažování, které z různých zdrojů přináší
plastický obraz dané oblasti a umožňuje mi promýšlet strategické směřování, inovace
a vývoj. Například: Jakým způsobem se změní nakupování potravin během pěti let?
Zadání a řízení výzkumného projektu 19
První situace je nejjednodušší, ale může se také snadno stát, že dostanu „správnou“ odpo-
věď na špatnou otázku. Odborník na marketingový výzkum by měl být ideálně přítomen
u definování problému od začátku a snažit se pracovat v modelu druhém (deduktivním)
či třetím (induktivním). To je u externích výzkumníků obtížnější. Přesto i u nich se vyplatí
„pustit si je do kuchyně“. Čím větší je důvěra mezi zadavatelem a výzkumníkem, tím větší
přináší spolupráce hodnotu. V moderním marketingovém výzkumu hraje proto stále
častěji výzkumník roli konzultanta a ne jen dodavatele dat či odpovědí.
1.1 Správná formulace výzkumných otázek

Ať už uvnitř společnosti, s externím dodavatelem nebo na univerzitě, klíčové je během
procesu zadání dojít ke správným otázkám, na které hledáme odpovědi.
Marketingové výzkumy totiž často vznikají z nějakého mlhavého požadavku nebo jako
potřeba dosáhnout obchodních cílů, případně pozorování problematických projevů, jak
dokresluje obrázek 1.1.
Symptom Oblast Obchodní Realistická Potřeba Výzkumný

problému možnosti rozhodnutí informací problém
klesá podíl klesá nový změna pomůže je obal
na trhu prodej prodejní obalu změna atraktivnější
roste podíl v OC u žen kanál reklama obalu? než X pro
levnější konkurence nová pro muže co by skupinu Y?
konkurence nabízí skupina kupovali mapováni
výrobky zákazníků muži? preference
pro muže nový mužů v
výrobek kosmetice?
…
Obrázek 1.1: Od projevů obtíží k výzkumnému problému (zdroj: autor, převzato a modifi-
kováno podle Grover a Vriens, 2006)
V prvním kroku je potřeba co nejlépe popsat, jaký problém má marketingový výzkum

pomoci vyřešit. Druhý a třetí krok se opomíjejí nejčastěji: zadavatel by si měl udělat přehled
možných akcí, které mohou problém vyřešit, a zúžit možnosti na ty, jež dávají z praktické-
ho i obchodního hlediska smysl. Jestliže ví, co jeho společnost může s problémem reálně
udělat, bude potom klást otázky, které mu umožní se rozhodnout. V tom spočívá užitečnost
marketingového výzkumu. Na základě možných akcí zadavatele se definuje, jaké informace
potřebuje. Z nich potom zadavatel či výzkumník dokáže vytvořit výzkumné otázky – tedy
kostru výzkumného projektu.
1.2 Zadání výzkumu v praxi

V praxi se výše popsaný proces rozděluje mezi různé lidi v různých fázích zadávání vý-
zkumu. Tyto kroky a otázky si výzkumník a zadavatel vyjasňují při vzniku výzkumného
briefu, při analýze briefu a dalším dotazování (debrief). V realitě se správné určení
20 -
Marketingový výzkum
výzkumného problému někdy protáhne až do fáze nabídky výzkumu nebo tvorby otázek.
U složitějších výzkumů se zadání dále upřesňuje po jednotlivých fázích sběru dat, nebo
se ověřuje v tzv. předvýzkumu.
Obrázek 1.2 shrnuje kroky, které se odehrávají při typickém zadávání projektu – přede-
vším pokud jde o externího výzkumníka či výzkumnou agenturu. Podrobně v této kapitole
vysvětlíme kroky 2 (brief) až 4 (debrief). Nabídku a schválení nabídky popisuje kapitola 14,
která se věnuje výběru výzkumné agentury. Další části procesu – výběr metody a tvorbu
dotazníku – popisují kapitoly 2 a 5.
Definice problému Žádost o výzkum/ Analýza briefu Debrief

(interní zadání) Brief
Interní výzkum/ Schválení otázek/

Nabídka Schválení nabídky
Pilotáž/Workshop scénáře
Zadání ve Zadání pro další výzkum, nebo další fázi

Výzkum 1
výzkumném týmu výzkumu
Obrázek 1.2: Praktický postup zadání výzkumu (zdroj: autor)
1.3 Výzkumný brief

Brief1 je shrnutí všech podstatných informací, které jsou potřeba ke spuštění výzkumného
projektu. Neexistuje univerzálně uznávaná struktura a obsah briefu. Mnoho velkých zada-
vatelů výzkumu má svoje interní formuláře a předepsané parametry dokumentu. Obecně je
možné doporučit, aby brief odpovídal na otázky: proč zkoumat, co zkoumat, jaké skupiny
se týká, co již víme o problému, kdy je potřeba výsledek a jaká cena či metody jsou očeká-
vány. Někdy se brief rozděluje na žádost o nabídku výzkumu (Request for Proposal, RFP),
která obsahuje pouze informace nutné k výběru metodologie a určení ceny, a podrobný
brief je až následně zaslán výzkumné agentuře, jež byla vybrána v tendru. Brief je dobré
strukturovat do následujících klíčových částí (příklady jsou uvedeny v závorkách, brief
má obvykle i několik hustě popsaných stránek):
■■ Celková situace: Popisuje, v jaké je zadavatel situaci z hlediska prodeje, vývoje či mar-
ketingu a jaký je relevantní kontext. (Firma ABC je jedničkou na trhu s gumovými med-
vídky, podíl trhu X %, ale lokální konkurence vyvolává tlak na cenu a snižuje tak marže,
což způsobí pokles o Y %. Konkurencí je především značka EFG, nejvíce je tlak patrný
v prodeji v supermarketech atd.)
■■ Důvody pro výzkum: Co má výzkum zadavateli přinést, s čím má pomoci, nebo upřes-
nění problému. (Firma ABC zvažuje různé kroky: reklamní kampaň, nový výrobek, POS
1 Výraz vznikl zkrácením anglického výrazu research brief a u nás se v praxi nepřekládá. Lze nahradit
výrazem „zadání výzkumu“.
materiály, anebo změnu balení, aby její produkt zůstal u zákazníků prémiovým výrobkem.
Výzkum má pomoci vybrat jednu či více cest a doporučit provedení.)
■■ Cíle výzkumu:
□□ Obchodní cíl: Čeho se snaží firma pomocí výzkumu dosáhnout. (Zvýšit vnímání
prémiovosti výrobku u zákaznického segmentu A. Zvýšit prodeje u zákaznického seg-
mentu B apod.)
□□ Výzkumný cíl: Popisuje, na co má marketingový výzkum odpovědět. Může jít o jednu
klíčovou a obecnou otázku, nebo o sérii několika spolu souvisejících otázek. (Výzkum
má odhalit faktory, jež ovlivňují výběr výrobku v produktové kategorii a jejich váhu
na rozhodování. Nebo: Jaké jsou nákupní zvyklosti konzumentů gumových medvídků?
Jaké je vnímání značek v této kategorii výrobků?)
■■ Cílová skupina: Koho se výzkum týká. Může se definovat jak podle spotřebního chování,
tak podle sociodemografických kritérií. (Zákazníci, kteří alespoň jednou za měsíc kupují
gumové medvídky; muži i ženy starší 16 let; celá Česká republika apod.)
Brief by měl uvádět i očekávané technické parametry a míru, nakolik jsou závazné. Napří-
klad: v jakém časovém období má výzkum proběhnout, jaký je očekávaný nebo maximální
rozpočet, zda zadavatel předem preferuje nějakou metodu výzkumu, jak je zastoupena
cílová skupina v populaci (důležité pro nacenění sběru dat), případně jaká má projekt
další omezení.
Doporučuje se, aby zadavatel také uvedl, jaké výstupy očekává (prezentace, konzultace,
písemná zpráva, ale i třeba konkrétní ukazatele, grafy). Užitečné je také uvést, zda existují
a jaké jsou případné předešlé výzkumy a předešlá zjištění.
Výzkumný brief – praktické tipy:
■■ Postupujte v briefu odzadu. Nesoustřeďte se na problém, ale na okamžik, kdy budete

výsledky výzkumu potřebovat pro rozhodování. Zkuste si odpovědět na otázku: Pomo-
hou nám výsledky? Budou dostačující?
■■ Zadavatel výzkumu bude s výsledky výzkumu dále pracovat. Bude je vysvětlovat a v rám-
ci firmy předávat ostatním útvarům, srovnávat s předchozími výzkumy. Pokud má
výzkumník v briefu předem od zadavatele k dispozici tabulku, vzorovou prezentaci
nebo jiný formát, jak se s výsledky bude pracovat, může zajistit, aby výstupy byly kom-
patibilní a nemusely se složitě „převádět“ či „překládat“.
■■ Pokud si zadavatel není při zadání úplně jist definovanou výzkumnou otázkou a me-
todou, měl by tuto aktivitu přenechat výzkumné agentuře a následně ji konzultovat.
V prostředí, kde má „klient vždy pravdu“, můžete dostat špatnou službu jen proto, že
vám chce výzkumník vyjít vstříc.
■■ Nechte si od výzkumníka zadání (brief) přepsat do odborného, ale zároveň srozumi-
telného jazyka a schvalte si ho v nabídce výzkumu tak, aby porozumění nebylo jen
formální.
■■ Co není v briefu či nabídce výzkumu, nemělo by se později ve výzkumu řešit či přidávat.
Riskujete tak, že hlavní otázky nebudou správně zodpovězeny.
■■ Vyjadřujte se co nejjasněji. Někdy bývá užitečné popsat nejen to, co od výzkumu oče-
káváte, ale klidně i to, co nechcete a co se do výzkumu nemá zahrnovat.
1.4 Analýza problému a debrief

Po obdržení briefu a důkladném seznámení s jeho obsahem by si výzkumník měl doplnit
případné informace, které mu v briefu chybí, a ujistit se o jednoznačnosti a srozumitel-
nosti zadání. Některé výzkumné agentury (například Millward Brown) mají vlastní interní
schémata, podle nichž informace z briefu analyzují. Analýza by v ideálním případě měla
obsahovat:
■■ Jaká je hlavní otázka, na kterou se má výzkum prioritně zaměřit.

■■ Podle jakých KPI bude zadavatel posuzovat, že udělal úspěšné rozhodnutí. (Nejčastěji
zadavatelé uvádí nárůst objemu prodejů, ale jejich cílem může být také nárůst marží
apod.)
■■ Jaká jsou omezení v použití výzkumu, tedy co může a co nemůže na základě výzkumu
klient udělat. Nemá cenu například zjišťovat, zda je vhodné změnit značku produktu,
když to zadavatel nikdy neudělá a nechce udělat.
■■ Kdo budou příjemci informace a jak s ní budou pracovat.
■■ Hypotézy pro výzkum, tedy jaké předpoklady chceme ověřit. Pokud výzkum definu-
jeme v hypotézách, nikoliv pouze v otázkách, je to velká výhoda. Z výzkumné otázky
„Kdy budou lidé více nakupovat dražší biovýrobky?“ se vytváří výzkum obtížněji než
z hypotézy: „Nákup biopotravin závisí na příjmu, počtu dětí v rodině a vzdělání hlavy
rodiny.“ Anebo ještě z konkrétnější hypotézy: „Rodiče malých dětí, kteří žijí ve větších
městech, jsou ochotní zaplatit o 20 % vyšší cenu za biovýrobky.“ (Marketingové výzkumy
bývají často velmi rozsáhlé a hypotézy se proto obvykle formulují jen pro hlavní otázky.)
■■ Všechny relevantní informace, které se zjistily v minulosti. Opakování je sice matka
moudrosti, ale pracně přinášet dokola ta samá zjištění je ztráta času.
K doplnění informací, které výzkumník postrádá v briefu, může využít analýzu sekundár-
ních dat (také označovanou jako desk research), případně může požádat o jejich doplnění
přímo zadavatele. Často následuje i osobní schůzka, která se někdy nazývá debrief. Může
se jednat i o rozsáhlejší workshop, kde se společně skládají informace, které zadavatel
a výzkumník zná z minulosti, formuluje se přesné zadání, hledají se možná řešení pro-
blému a hypotézy.
1.5 Řízení výzkumného projektu, výzkumný tým

a proces
Řízení výzkumného projektu se v podstatě neliší od principů obecného projektového řízení.
Probíhá v projektovém cyklu, vede ke stanoveným a měřitelným cílům a všechny náklady
a vstupy musí být předem dobře odhadnuty a rozvrženy. V této části stručně popíšeme,
kdo a jak se do výzkumného projektu nejčastěji zapojuje, a připojíme tipy pro situace,
které v řízení často přinášejí problémy.
Zadání, analýza,
Dotazník Sběr dat Zpracování dat Výstupy Doporučení
nastavení projektu
Manažer výzkumu
Výzkumník Výzkumník
Projektový manažer Statistik
Programátor Manažer sběru dat Kodér, datař

dotazníku
Tazatelská síť Ověření dat
Obrázek 1.3: Příklad výzkumného týmu a rolí jeho členů (zdroj: autor)
Do výzkumu se samozřejmě mohou zapojovat experti z různých odborností, od ekonomů

přes psychology, odborníky na určitou kategorii zboží či služeb po kreativní agentury, me-
diální analytiky, apod. Dnes se marketingový výzkum nepovažuje za výlučnou disciplínu,
která by měla probíhat izolovaně od ostatních konzultačních činností pro management,
marketing a prodej.
Obrázek 1.3 ukazuje příklad řízení a týmu u projektu kvantitativního průzkumu zákaz-
níků se sběrem primárních dat. Role v týmu se většinou dělí na analytickou část, tedy ty,
kteří výzkum navrhují, zadávají, analyzují a supervizují, a na část výkonnou, jež projekt
realizuje. Manažer výzkumu (anglicky Account Manager) má především za úkol, aby vý-
zkum skutečně odpověděl na potřeby zadavatele, provádí i supervizi týmu. Výzkumník
(anglicky například Research Executive) koordinuje výzkum v detailech, ladí otázky, předává
informace v týmu a zpracovává data po věcné stránce. Za praktickou stránku výzkumu
většinou odpovídá další osoba, obecně projektový manažer nebo přímo manažer sběru
dat. Umožňuje to, aby výzkumný tým zvládl několik projektů paralelně.
1.6 Problematická místa v řízení výzkumu

Ztráta informací a informační šum
Podobně jako při zadávání výzkumu, i při samotné práci ve výzkumném týmu dochází
k častým ztrátám informací a jejich nepřesnému překladu.
Příklad
Výzkum zjišťuje vnímání reklamy. Obsahuje otevřenou textovou otázku: „Jaké měla reklama
hlavní sdělení?“ Výzkumná část týmu ví poměrně přesně, co chce na této otázce ověřit. Hledá
například, zda je výraz „fofola“ brán jako příliš dětinský, podivný. Ale ten, kdo informaci
zapisuje nebo odpovědi kóduje (třídí), nemá hlubokou znalost otázky a může klidně podat
takový obraz, že se jeví, že výraz je pouze hravý, legrační, zábavný.
Předcházet takovýmto situacím pomáhá například důkladný interní briefing, kdy se celý
tým (ideálně včetně tazatelů, kodérů a analytiků) dozví, jaké hypotézy se ověřují. Dále je
dobré mít u složitějších výzkumů připraveny příklady odpovědí a jejich analýzy.
Zapojení zadavatele
Zadavatel výzkumu často chce zasahovat do samotného výzkumu. To je vhodné, pokud

mezi ním a výzkumníkem existuje vzájemný respekt a důvěra. Naopak není vhodné, pokud
zadavatel začne uprostřed výzkumu měnit metody, formulace otázek, cíle výzkumu a další
parametry. Prevencí jsou jasně nastavená pravidla spolupráce a dostatek „pilotních“, před-
-výzkumných či testovacích kroků, kde se ověří, zda skutečně panuje shoda o tom, k čemu
výzkum slouží. Podobné komplikace může způsobit zapojení dalších subdodavatelských
agentur a příjemců výzkumu.
KAPITOLA 2
2. Základní členění
marketingového výzkumu
P ři realizaci marketingového výzkumu pracujeme s rozdílnými typy dat. Data mohou

pocházet z různých zdrojů a mohou sloužit různým účelům dalšího využití. Některá
data již před zahájením výzkumného projektu existovala, jiná data je třeba teprve posbírat;
některá data mohou být obsahem firemních databází, jiná je potřeba získat z prostředí
mimo firmu. Data mohou vznikat různými způsoby. Některá například vzniknou registrací
nového zákazníka nebo pořízením objednávky zboží, další zase mohou být výsledkem
odpovědi respondenta na položenou otázku. Typ použitých dat a také jejich zdroj pak
často dává pojmenování celé metodě marketingového výzkumu.
Tato kapitola si klade za cíl přinést základní přehled o typologii dat, jejich povaze,
třídění a klasifikaci. Je dobré si uvědomit, že na konkrétní data se obvykle můžeme dívat
a můžeme je klasifikovat současně z různých úhlů pohledu. Konkrétní množinu dat tedy
můžeme popsat zároveň podle toho, zda mají číselnou nebo verbální povahu, zda byla
pořízena uvnitř, nebo vně firmy, zda byla pořízena automatickým datovým záznamem
nějaké transakce, nebo zda vznikla na základě rozhovoru s respondentem apod.
2.1 Data a informace

Než přistoupíme k popisu a členění metod marketingového výzkumu, podívejme se na
dva spolu související pojmy: data a informace. Často bývají navzájem zaměňovány nebo
nesprávně užívány.
Data jsou v podstatě záznamy čísel, slov, zvuků nebo obrazů. Jsou uložena na zázna-
mových médiích, ať už v papírové nebo elektronické podobě. V případě marketingového
výzkumu jsou data obsažena například ve vyplněných dotaznících. Pokud respondent na
škále označí číselnou hodnotu, pokud označí některé z nabídnutých variant odpovědí,
jedná se o pořízení dat. Jako data označujeme také verbální vyjádření respondentů na
otevřené otázky. Data mohou mít ale i povahu obrázku, zvukové nahrávky či videa. Z nich
pak získáváme informace obvykle kvalitativní povahy, jako například pochopení jednání
člověka v určité situaci.
Informace jsou pak výsledkem analýzy pořízených dat, kdy z množství čísel a slov
získáme uživatelsky relevantní výstupy. Pokud se jedná o analýzu numerických dat (tedy
dat kvantitativní povahy), může být výstupem informace o průměrné hodnotě nějaké
veličiny, o četnosti výskytu nějakého jevu v populaci apod. Pokud se jedná o analýzu dat
kvalitativní povahy, jsou získané informace výsledkem obsahové analýzy zaznamenaných
slov, videí nebo grafických podkladů.
2.1.1 Tvrdá a měkká data

Toto členění popisuje data podle způsobu jejich vzniku a nepřímo i podle přesnosti, s jakou
postihují zkoumanou skutečnost.
Tvrdá data jsou obvykle pořizována automatizovaným záznamem firemních transakcí.
Každý pohyb zboží ve firmě, jeho nákup či prodej, je evidován v informačním systému
podniku, ve firemní databázi. Z té je pak možné získat informace o počtu a objemu pro-
duktů a produktových skupin, o frekvenci zákaznických návštěv, opakovaných nákupech
apod. Obecně jsou tvrdá data považována za vysoce přesná a spolehlivá, protože nejsou
Základní členění marketingového výzkumu 27
ovlivněna subjektivním pohledem člověka. Jako tvrdá data můžeme označit i ta, která byla
získána vyčerpávajícím šetřením jasně definovaných hodnot, tedy pokud byla získána
z celého základního souboru. Jako příklad můžeme uvést data Českého statistického úřadu
o počtu obyvatel, věkovém složení a genderové struktuře.
Měkká data obvykle vznikají dotazováním nebo pozorováním vybraného vzorku jed-
notek. Mohou být také výsledkem záznamu verbálního vyjádření respondentů, ať už ve
zcela doslovné podobě, nebo mírně jazykově upravená. Měkká data vyjadřují subjektivní
názory, mínění, postoje, jsou závislá na situaci.
2.1.2 Interní a externí data

Tento způsob klasifikace dat je úzce spjat s firemním prostředím. Je na rozhodnutí řídi-
cích pracovníků, která data bude firma uchovávat a jaké analýze je dále podrobí (samozřej-
mě při dodržení právních a etických mantinelů). Klasifikace dat na interní a externí bývá
využívána relativně často, ale zároveň je dobré předeslat, že najdeme množství hraničních
případů, kdy může být jednoznačná klasifikace obtížná.
Interní data můžeme charakterizovat jako ta, která jsou obsahem existujících firemních
databází. Jejich typickým znakem je, že je firma pořídila vlastními silami. Obvykle se jedná
o velké objemy dat, která jsou generována firemními účetními a obchodními systémy.
Uveďme například data týkající se návštěvnosti webových stránek, firemního e-shopu
apod. Jako interní data můžeme ale označit také například výsledky automatizovaného
dotazování, kdy je každý klient po uskutečnění nákupu v e-shopu dotázán na zákaznickou
spokojenost.
Příklad
Využití interních dat: Banka působící na českém trhu má ve své databázi údaje o 1,2 milionu
klientů, kteří byli nebo jsou jejími zákazníky. Management banky se rozhodne zvýšit podíl
banky na trhu v oblasti poskytování hypotečních úvěrů. Aby banka mohla zpřesnit zacílení
nabídky tohoto druhu úvěru, její analytici vyberou z databáze banky náhodným výběrem
800 klientů, kteří si v minulosti hypoteční úvěr vzali. K analýze použijí interní data o těchto
klientech – tedy ta, jež má banka ve své databázi. Z těchto dat zjistí, jaký je profil typického
klienta, který si vzal v nedávné minulosti hypoteční úvěr. Zjistí obvyklý věk klienta, jeho
kreditní obrat, místo a velikost bydliště, výši a přesný účel úvěru, délku splácení apod. Tato
data banka použije jako vstup do pravděpodobnostního modelování. Zacílení marketingové
kampaně pak bude přesnější a počet nově poskytnutých hypotečních úvěrů bude vyšší, než
kdyby banka nabízela hypoteční úvěry svým klientům plošně.
Externí data jsou taková, která vznikla zkoumáním jednotek nebo záznamem jevů mimo
firmu. Podnik potřebuje mít nejen informace na základě analýzy vlastních aktivit, ale pro
úspěšné podnikání je třeba neustále monitorovat vývoj okolního trhu, makroekonomické
ukazatele i představy cílové skupiny stávajících a potenciálních zákazníků o dalším smě-
řování trhu a spokojenosti s uplynulým vývojem.
Marketingový výzkum můžeme na tomto základě členit na marketingový výzkum

založený na interních datech a marketingový výzkum založený na externích datech. Ve
výzkumné praxi je ale obvykle užitečné u výzkumných projektů použít za účelem získání
komplexních informací kombinaci interních a externích datových zdrojů.
2.1.3 Primární a sekundární data

Další užitečné a v praxi často používané členění dat se provádí podle jejich původu vzhle-
dem k realizovanému výzkumnému projektu. Data z tohoto pohledu dělíme na primární
a sekundární. Základní definice může znít následovně: „Sekundární data jsou taková,
která existovala již před započetím našeho výzkumu, primární jsou ta, která v souvislosti
s naším výzkumem sami pořídíme.“
Sekundární data
Tento typ dat zcela záměrně uvádíme jako první. Sekundární data bývají v procesu mar-
ketingového výzkumu obvykle rychlejší a levnější cestou, jak se v dané problematice
zorientovat.
Sekundární data je možné získat z nepřeberného množství zdrojů. Z logiky věci můžeme
zdroje sekundárních dat rozčlenit na – již zmíněné – externí a interní.
■■ Pokud jde o externí zdroje, obvykle se jedná o data z výročních zpráv, odvětvových
reportů a statistik, obchodního rejstříku apod. Sekundární data jsou taková, která již
existují, a je jen na kreativitě, zkušenostech a možnostech výzkumníka, jaká data využije,
s jakými zdroji se rozhodne pracovat.
■■ Oproti tomu interní zdroje sekundárních dat jsou různé již existující databáze uvnitř
naší firmy. Většinou se jedná o data obchodního charakteru nebo účetní povahy. Jako
příklad můžeme uvést evidenci tržeb, informace o zákaznících, vyhodnocení reklamací
apod.
Práce se sekundárními daty, jejich vyhledávání a analýza se také nazývá „výzkum od stolu“.
Často se používá i původní anglický název desk research.
Je důležité si uvědomit, že sekundární jsou i taková data, která byla sebrána v souvislosti
s nějakým v minulosti již realizovaným, konkrétním marketingovým výzkumem. Pokud
tedy někdo jiný (případně i my sami) už dříve realizoval výzkum pro nějaké účely a nyní
jsou stejná data znovu využita pro další účel a analýzu, nejedná se již o data primární, ale
o data sekundární.
Je užitečné, pokud se výzkumník na začátku výzkumného projektu pokusí zjistit, zda
k dané problematice existují nějaké důvěryhodné sekundární zdroje. Analýza sekundár-
ních zdrojů výzkumníkovi pomůže při orientaci v problematice, při správném sestavení
dotazníku či scénáře pro sběr primárních dat. Práce je pak efektivnější a někdy se dospěje
ke zjištění, že ani není nutné investovat další prostředky do sběru primárních dat, protože
stávající sekundární data jsou pro účely daného výzkumu z velké části dostačující.
Příklady
Obchodní společnost zabývající se prodejem sportovních potřeb provozuje v současné době

dvě pobočky v Jihočeském kraji. Majitelé firmy se rozhodnou expandovat do Středočeského
kraje. Aby co nejvíce eliminovali obchodní riziko spojené se zakládáním nové pobočky,
rozhodnou se nakoupit od agentury zabývající se geomarketingem data, na jejichž zákla-
dě je možné modelovat dostupnost místa individuální a hromadnou dopravou, stávající
konkurenci v dané lokalitě a kupní sílu obyvatel. Kromě toho manažeři firmy prostudují
nabídku realitních severů, aby si udělali přehled o výši nájmů obchodních prostor v několika
lokalitách Středočeského kraje. Na základě analýzy všech těchto údajů vytipují místo, které
je pro otevření nové pobočky nejvýhodnější.
●●●
Zahraniční firma zabývající se výrobou a prodejem vlasové kosmetiky by ráda expandovala

na český trh. Než však definitivně učiní toto strategické rozhodnutí, je pro ni důležité mít
detailní informace o stávající ekonomické situaci v České republice a o konkurenčních
firmách v oboru. Protože zahraniční firma nezná dokonale české informační zdroje a je
zde i jazyková bariéra, obrátí se na výzkumnou agenturu, aby jí s tímto úkolem pomohla.
Pracovníci výzkumné agentury analyzují existující informace ze tří základních zdrojů:
1. Z internetových stránek Českého statistického úřadu zjistí, jak se v období posledních

několika let vyvíjejí spotřebitelské výdaje českých domácností v příslušné produktové
kategorii.
2. Následuje analýza stávajících výzkumů, které se zabývají trendem výdajů českých spo-
třebitelů za kosmetiku. Některé tyto informace extrahují pracovníci agentury z vlastních
databází, další informace získají ze studií jiných agentur, jejichž výzkumné zprávy za
tímto účelem zakoupí.
3. Pracovníci výzkumné agentury dále analyzují data ze sbírky listin ve veřejném rejstříku
podnikatelských subjektů. Z rozvahy a výsledovky zjistí, jaká je výše finančního obratu
firem podnikajících ve sledovaném oboru, jaký je zisk či ztráta těchto firem a jak se
finanční ukazatele konkurenčních firem vyvíjely v čase.
Následně výzkumná agentura ze všech získaných údajů sestaví komplexní výzkumnou

zprávu, která bude pro zadavatelskou firmu sloužit jako důležité vodítko při rozhodování,
zda na český trh vstoupit.
Primární data
Pokud hovoříme o primárních datech, jde o data, která v dané podobě dříve neexistova-
la. Jako primární označujeme veškerá data, jež pořídíme za účelem našeho konkrétního
výzkumu. Ať již data sbíráme formou dotazování, pozorování, experimentu či rozhovoru
v kvalitativním výzkumu, jde vždy o data, která jsme pořídili nyní, pro potřeby konkrétního
výzkumu, konkrétní analýzy.
Mějme ale stále na paměti, že pokud někdo primární data použije následně k dalším
účelům, již jsou to pro něho data sekundární.
Nespornou výhodou primárních dat je jejich originalita. Nemusíme spoléhat na validitu
sekundárních dat ani ověřovat jejich původ. U primárních dat nemůže nastat konflikt
s jejich neoprávněným použitím či nesprávnou citací.
Primární data svým obsahem a povahou korespondují s cílem daného výzkumu, jsou
aktuální a originální. Zejména při řešení marketingových problémů, které se mohou v čase
rychle vyvíjet (jako například chování a názory zákazníků), mají primární data velkou
výhodu díky své aktuálnosti a relevantnosti k dané situaci.
Na druhé straně je ale dobré si uvědomit, že příprava a realizace sběru primárních dat
bývá – ve srovnání s vyhledáním dat sekundárních – časově i finančně náročnější.
Na tomto místě je dobré učinit drobnou terminologickou vsuvku: v praxi se často se-
tkáváme s pojmem „primární výzkum“. Pokud někdo tento termín použije, má téměř jistě
na mysli výzkum, který využívá primární data. Proto je doporučováno, aby se v odborné
praxi spíše používalo označení „výzkum založený na primárních datech“. Podtrhneme
tím správnou významovou interpretaci, kdy slovo „primární“ označuje typ dat (jejich
původnost a originalitu).
2.2 Deklarativní a nedeklarativní metody

Nedeklarativní metody pracují s daty, která přesně odrážejí okolní realitu, nejsou zkreslena
subjektivním pohledem člověka (respondenta). Informace vycházející z nedeklarativních
dat byla pořízena jiným způsobem než verbálním či písemným vyjádřením názorů re-
spondentů. Informace, která není deklarací, je tedy oproštěna od subjektivního hodnocení
a pohledu zákazníků.
Naopak deklarativní metody pracují s daty, jež vznikla záznamem subjektivních názorů
a pocitů respondentů. Výzkum, který je založen na deklaraci respondentů, svou povahou
používá data, jež můžeme klasifikovat jako data měkká.
Vhodnost využití výzkumných metod založených na deklaraci: Při realizaci vý-
zkumného projektu je na jeho počátku potřeba důkladně zvážit, jakou metodu je vhodné
použít. Zadavatelé výzkumu mají často tendenci preferovat metody výzkumu založené na
dotazování. Impulzem k častému nadužívání deklarativních technik bývá logická úvaha, že
zákazník je klíčový faktor marketingového mikroprostředí a že je to právě on, kdo může
zodpovědět všechny otázky ohledně dalšího vývoje produktů a strategického směřování
firmy.
Kdy deklarace přináší užitek: Zamysleme se nad tím, kdy zákazník dokáže přesně
a spolehlivě okomentovat situaci nebo produkt, na který je dotazován. Člověk v sobě nese
pozitivní či negativní zážitky z užívání nějakého produktu či služby relativně dlouhou dobu.
Poměrně spolehlivě také lidé dokážou popsat své spotřební návyky, frekvenci a účel užívání
produktů. Pokud se tedy jedná o témata výzkumu, která se nedotýkají důvěrných, intimních
či tabuizovaných oblastí života, a zároveň je předpoklad, že si respondent bude své zážitky
ze zkoumané oblasti pamatovat a vybavovat, jsou metody založené na deklaraci vhodné.
Kdy deklarativní metody nejsou vhodné: Zároveň si ale je dobré uvědomit, že exis-
tuje mnoho oblastí života, o nichž lidé neradi hovoří, za svůj názor se někdy stydí, jindy
jej považují za nevhodný nebo dokonce za morálně či právně neakceptovatelný. Do této

skupiny témat můžeme zařadit otázky týkající se zdravotního stavu, náboženského vy-
znání, sexuální orientace, finančního příjmu, ale často i témata týkající se politiky nebo
stranických preferencí. U odpovědí respondentů na taková témata je třeba počítat s velkou
nevýběrovou chybou – tedy s tím, že i když byl vzorek respondentů dobře vybrán a z ja-
zykového hlediska byly otázky dobře formulované, respondenti se mohou při odpovídání
stylizovat nebo dokonce vědomě uvádět nepravdivé odpovědi.
2.3 Kvalitativní a kvantitativní výzkum

Detailnímu popisu kvalitativního a kvantitativního výzkumu se budeme věnovat v ka-
pitole 4, proto nyní uvedeme jen jejich stručnou charakteristiku za účelem základního
popisu těchto výzkumných metod. Členění marketingového výzkumu na kvalitativní
a kvantitativní vychází z typu dat, s nimiž se pracuje.
Kvalitativní výzkum se zaměřuje na hledání motivů, příčin a postojů. Typicky je jeho
cílem odpovědět na otázku proč. Výzkumníci zde pracují s menšími skupinami respon-
dentů nebo s jednotlivci. Cílem kvalitativního výzkumu je rozkrýt asociace, které v cílové
skupině zkoumané téma či objekt vyvolává, zjistit důvody, jež vedou cílovou skupinu
k nákupu nebo pozitivnímu vztahu k předmětu výzkumu, nebo ji od něho naopak odrazují.
Používané techniky kvalitativního výzkumu jsou nejčastěji skupinové diskuse, individu-
ální hloubkové rozhovory, expertní rozhovory. Spadá sem ale také například etnografický
výzkum, což je výzkum chování člověka v jeho přirozeném prostředí.
Data kvalitativní povahy se podrobují obsahové analýze: je potřeba data věcně uspo-
řádat a kategorizovat a najít v nich relevantní informace, které se váží k tématu výzkumu.
Kvantitativní výzkum odpovídá na otázku kolik. Zjišťuje se, kolik jednotek (jednotlivců,
domácností apod.) má určitý názor, chová se určitým způsobem. Data kvantitativní povahy
mohou vznikat dotazováním respondentů, ale také měřením, záznamem transakcí apod.
Kvantitativní data jsou statisticky zpracovatelná a vyhodnotitelná. Využít se ale také
samozřejmě mohou data z existujících firemních databází nebo jiná transakční data, která
ve firmě při jejím chodu vznikají. Výstupem kvantitativního výzkumu jsou obvykle tabulky
a grafy založené na statistické analýze dat.
2.4 Pozorování, dotazování, experiment

Poslední z často užívaných klasifikací marketingového výzkumu je jeho členění na pozo-
rování, dotazování a experiment. Je vždy třeba zvážit, která z těchto metod se v konkrétní
situaci nejvíce hodí. Někdy je nejvhodnější dotazování, některé skutečnosti a způsoby
chování lidí je lépe sledovat (pozorovat) v reálném prostředí, jiné obchodní záměry firmy,
pokud to jejich povaha umožňuje, je zase lépe vyzkoušet (experimentovat).
Metodě dotazování se budeme podrobněji věnovat v kapitole 4. Nyní se proto krátce
zastavme u metod pozorování a experimentu.
2.4.1 Pozorování
Je důležité, aby pozorování probíhalo pokud možno v reálném, přirozeném prostředí.
Objekt (obvykle zákazník), který je předmětem pozorování, by neměl být přítomností
pozorovatele nebo techniky nijak rušen.
Pozorování obvykle probíhá na základě předem připraveného scénáře. Výzkumník
(pozorovatel) má dopředu stanoveno, jakých skutečností si má všímat a odkud (z jakého
místa) má pozorování uskutečnit.
K pozorování se také často využívá mobilní elektronika. Například pohyb zákazníků
v rámci hypermarketu je možné pozorovat prostřednictvím RFID čipů umístěných na
nákupních vozících.2
Pokud pozorování realizuje výzkumník osobně, obvykle má v takovém případě připra-
vený záznamový arch, do něhož pozorované skutečnosti zaznamenává. Častým tématem
výzkumných projektů, u nichž se uplatňuje technika pozorování, je například pohyb
zákazníků v určité venkovní lokalitě nebo uvnitř obchodních prostor.
Mezi metody pozorování řadíme také etnografické výzkumy, spočívající v pozorování
cílové skupiny v jejím přirozeném prostředí. Cílem etnografických výzkumů je, aby firmy
porozuměly zákazníkovu chování v kontextu reálného prostředí a poznaly vlivy, jež na
užívání produktu působí.
V posledních letech hovoříme o metodě pozorování také v souvislosti s internetem,
zejména se sociálními sítěmi. I ve virtuálním prostředí firmy často systematicky a záměrně
pozorují chování stávajících i potenciálních zákazníků.
2.4.2 Experiment
Výzkum formou experimentu realizujeme obvykle v marketingových situacích, kdy chceme
otestovat dopad nějaké zamýšlené změny. Chceme například zjistit, jaký obchodní dopad
bude mít přecenění některých položek, změna provozní doby, úprava interiéru provozovny
apod. V takových případech by dotazování respondentů z povahy zkoumané skutečnosti
nemuselo přinést přesné výsledky, protože se jedná zejména o situace, kdy bychom se
respondentů ptali stylem: „Jak byste se zachovali v budoucnu, kdyby se parametr pro-
duktu nebo služby změnil určitým způsobem?“ Ve výzkumu je obecně velmi diskutabilní
využívat dotazování, jestliže se ptáme na budoucí chování, na nějakou hypotetickou či
imaginární záležitost.
Při experimentu, pokud je to možné, by měl existovat experimentální a kontrolní vzorek
(kontrolní skupina). Na experimentálním vzorku danou změnu či inovaci otestujeme.
Kontrolní vzorek slouží k tomu, abychom – pokud možno ve stejných podmínkách –
mohli sledovat, jak se chová strukturně stejná skupina, pokud ji experimentu nevystavíme.
Výsledek experimentu totiž může být ovlivněn množstvím externalit, které odfiltrujeme
právě tím, že jako výsledek experimentu bereme hodnoty naměřené na experimentálním
vzorku očištěné od změny hodnot naměřených na kontrolním vzorku.
Pokud tedy například chce banka otestovat, zda se sníží návštěvnost poboček, jestliže
zkrátí otevírací dobu, je dobré nejprve udělat tuto změnu na jedné pobočce (experimen-
2 Tento druh pozorování bývá ve výzkumnické praxi také často označován termínem „měření“.
tální skupina) a na ostatních pobočkách (kontrolní skupina) ponechat během trvání

experimentu otevírací dobu beze změny. Po skončení experimentu, který může trvat na-
příklad jeden měsíc, se vyhodnotí, jaký byl rozdíl návštěvnosti v experimentální pobočce
a v kontrolních pobočkách. Je totiž možné, že například vlivem nepříznivého počasí lidé
navštěvovali všechny pobočky méně. Pokud by při výzkumném projektu kontrolní (někdy
též označovaná jako referenční) skupina neexistovala, byla by nižší návštěvnost přisuzo-
vána jen zkrácené otevírací době, zatímco takto může být naměřená hodnota očištěna
o externalitu, kterou je v našem konkrétním případě nepříznivé počasí.
Experiment ale může mít i další podoby, zmiňme třeba tzv. A/B testování (viz část
3.2.3). Typicky se dnes používá při vývoji webových stránek nebo komunikačních mate-
riálů. Princip A/B testování spočívá ve vytvoření několika testovacích variant, kdy se na
dostatečně velkém vzorku respondentů testuje efektivita každé z nich. Vítězná varianta je
pak nasazena do ostrého provozu.
KAPITOLA 3
3. Kategorizace typů
výzkumu a jejich využití
3.1 Základní třídění výzkumů

Upřesnění účelu výzkumu a detailní formulace cílů na počátku projektu je velmi důle-
žitá, protože ovlivní celý výzkumný proces a nastavení projektu. Užitečným předpokladem
k precizní formulaci výzkumných cílů je dobrá znalost kategorizace očekávaných výsledků
a typů výzkumu. Výsledky projektů je možné dělit podle několika různých kritérií, na-
příklad podle různých druhů poznávacího cíle, podle oblasti výzkumu nebo třeba časové
dimenze. Výzkumy se též liší podle paradigmatu nebo metody a způsobu získávání dat.
V této kapitole je blíže vysvětlen poznávací cíl a výzkumná oblast, další kategorizace je
zařazena do příslušných kapitol o metodice výzkumných šetření.
Tabulka 3.1: Kategorizace výzkumů podle očekávaných výsledků a typů výzkumů
Poznávací cíl Explorativní, deskriptivní, případně korelační či kauzální.

Oblast výzkumu Spotřebitelské chování, životní styl, hodnocení značky, měření
vztahů a spokojenosti, mystery shopping…
Časová dimenze Jednorázový, opakovaný, dlouhodobý (monitorovací) výzkum.
Paradigma Kvantitativní, kvalitativní, případně kombinované/integrované.
Metoda a způsob získávání dat Dotazování, pozorování, experiment. Primární, sekundární data.
Zdroj: autor
3.2 Poznávací cíl

Uvažování nad poznávacím cílem výzkumného šetření lze uvést jednoduchými otázkami:
1. Jaká je úroveň znalostí o daném trhu a spotřebiteli?

2. Existují nějaké nové, ještě neodhalené příležitosti?
3. Jsou základní parametry daného trhu a spotřebitelského chování již popsány, nebo je
třeba je nejprve dobře definovat?
4. Existuje konkrétní, spíše praktická otázka či jistá oblast, jejíž řešení pomůže optimali-
zovat nastavení některého z elementů marketingového mixu?
5. Lze vysledovat příčiny, nebo závislosti mezi jednotlivými parametry?
Zatímco první dvě otázky jsou typické pro explorativní výzkum, třetí a čtvrtá otázka bude
spíše zapadat do deskriptivní kategorie a pátá otázka je z korelační či kauzální oblasti.
V této fázi je také vhodné poznamenat, že při hledání odpovědí na stanovené otázky
se mohou některé prvky daného výzkumného plánu překrývat. Obecně lze však uvažovat
tak, že na poli mezi explorativním a deskriptivním výzkumem se poznávací cíl pohybuje
od identifikace nových příležitostí a odhalení možných problémů k hledání konkrétních
odpovědí na specifické aspekty marketingových aktivit. První přístup (explorativní) tedy
problémy spíše identifikuje, druhý přístup (deskriptivní) problémy řeší.
Kategorizace typů výzkumu a jejich využití 37
3.2.1 Explorativní výzkum

Explorativní výzkum lze považovat za první fázi zjišťování. Typicky napomáhá základní
orientaci v dané problematice, odhalí nové příležitosti a může vést k podnětům pro další
zkoumání rozebírané oblasti. V prvotní fázi projektu, například při vstupu na nový trh nebo
při hledání nových inovačních konceptů či spotřebitelských trendů, je často třeba předběž-
ně prozkoumat výchozí situaci a zmapovat různé aspekty a možnosti dané problematiky.
Takový výzkum bude vyžadovat větší flexibilitu v otázkách a bude méně strukturovaný, aby
zachytil co nejvíce nových, neznámých skutečností. Bude hledat vysvětlení a často obsaho-
vat otázky „Proč?“ a „Jakým způsobem?“. Výsledkem explorativního výzkumu může být
formulace hypotéz, které se v dalších kvantitativních výzkumech potvrdí nebo nepotvrdí.
Explorativní studie často zahrnuje následující fáze:
■■ sběr a studium sekundárních zdrojů informací a dat,

■■ expertní rozhovory s osobami, které mají o dané oblasti konkrétní znalosti, případně
skupinové diskuse s vybranými segmenty spotřebitelů,
■■ porovnání s podobnými oblastmi či situacemi.
Příklad
Nábytkářská společnost, která své výrobky doposud nabízela výhradně v kamenných prodej-
nách, zvažuje jejich prodej v online obchodě. Informace o obchodování online již existují,
ale pro kategorii nábytku prozatím chybí. Online prostředí se v této kategorii doposud pou-
žívalo spíše jako katalog či výkladní skříň, kde si spotřebitel mohl udělat obrázek o portfoliu
nábytkářské společnosti a získat informace o nabízených produktech. Online jako prodejní
kanál je však pro nábytek a danou konkrétní společnost bílým místem na mapě. Je tedy třeba
tuto problematiku předběžně prozkoumat a na základě explorativního výzkumu identifikovat
klíčové parametry, které jsou pro úspěšné vybudování online prodejního kanálu nezbytné,
případně zaznamenat další specifické otázky, týkající se potřeb dané cílové skupiny, jež si
mohou vyžádat další výzkumné šetření.
Uvedený příklad je drobným výletem ve velmi konkrétní oblasti zkoumání, v realitě by
se jednalo o obsáhlejší studii, která bude například studovat nové spotřebitelské trendy,
aby poskytla mnohem širší pole pro zjišťování nových skutečností. Explorativní studie sice
může být pro inovátorskou firmu velmi inspirativní, vykazuje však často menší konkrétní
využitelnost v praktickém marketingovém rozhodování.
3.2.2 Deskriptivní výzkum

Deskriptivní, neboli popisný výzkumný plán je založen na empirickém rozboru již exis-
tujících systémů a vychází z předchozí znalosti dané problematiky. Takový projekt si klade
si za cíl co nejvěrněji popsat jevy, charakteristiky a procesy, případně je kvantifikovat,
zaznamenat například četnost či intenzitu nějakého chování. Často se jedná o práci s čísly,
k jejichž zpracování se využívají matematické a statistické metody. Tým realizující deskrip-

tivní výzkum obvykle hledá odpovědi na otázky typu co, kdo, kdy, kde a jak.
Příklad
Nábytkářská společnost může v popisném výzkumném šetření měřit četnost nákupu ná-
bytku online, porovnávat, jaké kategorie nábytku jsou v online prodeji neúspěšnější, zjišťo-
vat a analyzovat sociodemografický profil spotřebitelů, kteří preferují nakupování online,
a monitorovat či porovnávat výkony konkurence. Takový výzkum může zjišťovat podíl na
trhu v kamenných i online prodejnách v kategorii nábytek, lze monitorovat vývoj v kate-
gorii a úspěšnost nově vybudovaného online prodejního kanálu v porovnání s ostatními
konkurenty v kategorii.
Typickými příklady deskriptivního výzkumu jsou třeba kvantifikované podíly na trhu,

cenový monitoring nebo šetření, které zjišťuje úspěšnost distribuce určitého výrobku. Na
základě takových informací může firma zjistit své komparativní postavení na trhu nebo
monitorovat, zda dosahuje stanovených cílů. V omezené míře lze se znalostí dynamiky
daného trhu také odhadovat budoucí vývoj. Je však třeba si uvědomit, že ze získaných de-
skriptivních ukazatelů nelze usuzovat na vzájemné souvislosti mezi jednotlivými ukazateli,
při interpretaci zjištěných skutečností je proto třeba jisté opatrnosti.
3.2.3 Kauzální a relační výzkum

Pro zjišťování příčin určitých jevů nebo vzájemných souvislostí mezi jednotlivými pro-
měnnými slouží kauzální, neboli příčinný výzkum. Pokud jsou příčiny jistých jevů známé
a vztahy mezi jednotlivými elementy jsou dobře popsány, lze na základě takové znalosti
lépe předpovídat budoucí vývoj a efektivně ovlivňovat zjištěné faktory kýženým směrem.
K dokázání příčiny se často používá experiment. Nejprve je totiž nutné se ujistit, že
mezi dvěma proměnnými je skutečně příčinná závislost a že se nejedná o pouhou shodu
okolností či tzv. nepravou korelaci. V experimentu se zkoumá vliv jedné skupiny faktorů
(příčinné faktory) na druhou skupinu faktorů (ovlivněné faktory) za předpokladu, že
ostatní podmínky jsou neměnné. Lze tak například testovat, co se stane, pokud snížíme
ceny výrobků o 10 % v určitém vymezeném regionu a v druhém, porovnatelném regionu
jsou ceny ponechány v původní výši. Výsledek takového testu prokáže, zda se prodeje
díky cenovému snížení zvýší natolik, že výsledný zisk i s nižší výrobkovou marží bude
díky obratu vyšší, nebo nikoliv.
Do kategorie experimentu patří také takzvané A/B testování, přístup známý hlavně
díky on-line prostředí. V A/B testu se souběžně testuje několik testovacích variant, při-
čemž například polovině cílové skupiny se zobrazuje jedna verze internetových stránek,
zatímco druhá polovina vidí odlišný návrh. Úspěch v testování pak bude mít ta stránka,
která bude dosahovat lepších konverzních parametrů, tedy například více návštěvníků
stránek dospěje k uskutečnění nákupu (konverze).
Kategorizace typů výzkumu a jejich využití 39
Relační výzkumný plán hledá možné vztahy mezi zkoumanými jevy a zjišťuje, jak jsou
tyto vztahy těsné. Takové šetření využívá pokročilé matematické a statistické postupy,
některé jsou vysvětleny v kapitole 6, věnované analýze dat.
3.3 Výzkumná oblast

Výzkum trhu nabízí vhledy do mnoha problematik, které napomáhají různým aspektům
marketingového rozhodování. Například poskytne informace o spotřebitelích/zákaznících,
jejich chování a potřebách, zmapuje postavení firmy v porovnání s konkurencí, nebo popíše
postavení značek na trhu. Časté typy výzkumných oblastí jsou tyto:
■■ měření povědomí, postojů, vnímání značky (výzkum komunikace),

■■ hodnocení výrobků a služeb spotřebitelem,
■■ sledování nákupních a uživatelských zvyklostí spotřebitelů,
■■ diagnostika problémů,
■■ podpora strategického rozhodování.
Podrobnější seznam některých využívaných výzkumů spolu s některými měřenými para-

metry je uveden v následující tabulce.
Tabulka 3.2: Oblasti výzkumu a typické zjišťované veličiny
Oblast výzkumu Zjišťované veličiny – příklady

Charakteristika kategorie Podíly na trhu, velikost trhu, růst/pokles kategorie.
či trhu
Krátkodobé Potenciál trhu, predikce dynamiky vývoje trhu.
a dlouhodobé predikce
prodejů
Segmentační studie Identifikace uživatelů dané kategorie, uživatelů konkurenčních značek, stu-
die životního stylu, studie zákaznických preferencí a potřeb.
Nákupní a uživatelské Frekvence užití, způsob užití, situace, kdy se výrobek používá atd.
zvyklosti spotřebitelů
Nákupní a spotřebitelské V jaké fázi rozhodování se zákazníci nacházejí, například povědomí o znač-
chování ce/produktu, zvažování alternativ, vyzkoušení/plánování nákupu, nákup,
opakovaný nákup.
Měření zákaznické Vztah se zaměstnanci, obchodními klienty, spokojenost spotřebitelů, napří-
spokojenosti a věrnosti klad dotazníkové šetření ponákupní spokojenosti, zjišťování frekvence opa-
kovaného nákupu, výběr mezi alternativami atd. Oblast se využívá zvláště
u dražších kategorií, může se jednat i o „mystery shopping“, kdy je prodejce
testován hypotetickým zákazníkem.
Testování nových Testují se produktové koncepty nebo hotové výrobky a jejich obaly. Vybírá
produktů a obalů se nejlepší produktový koncept z několika nabízených, zjišťují se kladné
a negativní stránky, přijatelnost, ochota k nákupu.
Positioning značky, Potřeby a výhody značky důležité pro spotřebitele. Porovnání pozice s kon-
positioning nového kurencí. Hledání konkurenční výhody. Vlastnosti a výhody výrobku/služby/
produktu /značky.
▶
Oblast výzkumu Zjišťované veličiny – příklady

Hodnocení nebo vnímání Jaká je hodnota značky? Jakou sílu má daná značka, jak si stojí v porovnání
značky s konkurencí? Jaké je povědomí o značce, kvalitě výrobků/služeb, jaké aso-
ciace se značkou existují? Jak věrní jsou zákazníci dané značky?
Studie efektivity Efektivita komunikace, zapamatovatelnost a jasnost sdělení. Vliv komu-
marketingové nikace na hodnotu značky. Ochota si značku koupit atd. Vnímání značky
komunikace (mediální v různých komunikačních kanálech.
kanály a obsah
komunikace)
Testování komunikace Testování komunikačních konceptů. Testování hotové komunikace, napří-
klad televizních spotů.
Měření distribuce Procentní pokrytí trhu v jednotlivých typech obchodů.
Cenové testy, studie Ochota spotřebitelů koupit si výrobek za danou cenu. Odhad cenové elas-
cenové elasticity ticity, zvýšení a snížení poptávky v závislosti na ceně.
Zdroj: autor
KAPITOLA 4
4. Sběr dat
N yní se budeme zabývat metodami a technikami, které se pro sběr dat používají při
kvalitativním a kvantitativním výzkumu. Sběr dat je jedna z klíčových fází výzkumné-
ho procesu. Obvykle se jedná o finančně nejnákladnější fázi. Zahrnuje přípravu dotazníku
nebo scénáře (v případě skupinových diskusí pronájem a provoz potřebných prostor),
odměny tazatelům i respondentům. Zároveň je to fáze, která se dá jen obtížně opakovat
(důvodem je časové i finanční hledisko), proto je třeba postupovat precizně a věnovat její
přípravě maximální úsilí. Pokud by byly otázky naformulované špatně a byli by i špatně
vybraní respondenti, odrazí se to v chybných datech – a tyto chyby jsou pak již prakticky
neodstranitelné.
4.1 Kvalitativní výzkum

Cílem kvalitativních výzkumů je porozumět způsobu rozhodování zákazníků a myšlen-
kovým pochodům, jež toto rozhodování doprovází. Je důležité porozumět motivátorům,
bariérám, pozitivním i negativním asociacím, které se pojí k předmětu výzkumu, které
ovlivňují, zda si člověk daný produkt koupí či mu vyjádří své sympatie, nebo zda bude
preferovat nabídku konkurence. Kvalitativní výzkumné techniky nám pomáhají získat
tzv. měkká data a nalézt v nich informace, jež firmám pomohou při vývoji produktu
a správném nastavení marketingové komunikace.
Kvalitativní výzkum přináší odpovědi na otázku „proč?“. Na rozdíl od výzkumů kvanti-
tativních, které se zaměřují na statistickou analýzu dat, je smyslem kvalitativního výzkumu
zejména obsahová analýza pořízených dat.
Kvalitativní výzkum probíhá na základě strukturovaného rozhovoru mezi výzkumníkem
(označovaným obvykle jako moderátor) a menšími skupinami respondentů nebo jednot-
livci. Musí být veden odborníkem se znalostmi sociologie, který musí mít i schopnosti řídit
rozhovor z hlediska věcného obsahu a délky trvání. Moderátor musí umět během diskuse
získat informace o tom, jakým způsobem respondenti z cílové skupiny o daném tématu
přemýšlejí, jak zkoumaný problém vnímají.
Velikost vzorku u kvalitativního výzkumu čítá obvykle několik desítek respondentů.
Respondenti jsou pro výzkum vybíráni na základě stanovených rekrutačních kritérií.
Rekrutační kritéria vymezí cílovou skupinu tak, aby respondenti, kteří budou vybráni do
výzkumu, byli schopni se ke zkoumanému tématu vyjádřit.
4.1.1 Proces přípravy kvalitativního výzkumu

Strukturovaný scénář
Jedním z klíčových materiálů při realizaci kvalitativního výzkumu je předem připravený

strukturovaný scénář. Moderátor podle tohoto scénáře postupuje při vedení rozhovoru.
Scénář obsahuje oblasti a jednotlivá dílčí témata, která při rozhovoru moderátor s re-
spondenty postupně prochází a diskutuje. Scénář by měl obsahovat také časovou osu
(počet minut), která určuje, jaký prostor jednotlivým okruhům věnovat, aby byla dodržena
požadovaná celková délka rozhovoru.
Sběr dat 43
V úvodní části scénáře má obvykle moderátor připravenu krátkou pasáž, ve které in-
formuje o tématu rozhovoru (diskuse), požádá o spontánní reakce (neexistují správné ani
špatné odpovědi), vybídne respondenty ke kreativitě, informuje o přítomnosti nahrávací
techniky. Pokud se respondenti vzájemně neznají, každý se krátce představí. Zároveň
moderátor respondenty ujistí, že výstupy diskuse slouží výhradně pro potřeby výzkumu
a nikde nebudou zveřejněny jejich tváře, jména ani kontakty.
Pokud by scénář nebyl dobře připraven a neexistovala by časová osa, je riziko, že roz-
hovor tematicky uhne nebo že se respondenti v některé jeho části zdlouhavě rozhovoří
a na zbylé tematické okruhy již nebude dostatek času.
Rekrutace respondentů
Pro zdárný průběh kvalitativního výzkumu (ať již formou skupinové diskuse nebo indivi-
duálních rozhovorů, viz dále) je důležité, aby byli respondenti dobře vybráni. Respondenti
musí zastupovat požadovanou cílovou skupinu a je třeba, aby byli schopni se k tématu
vyjádřit.
Rekrutace probíhá na základě připravených výběrových kritérií. Stanovení výběrových
kritérií je třeba věnovat velkou pozornost – správně rekrutovaní respondenti jsou pro
úspěch celého výzkumného projektu stěžejní.
Ve výzkumných agenturách obvykle bývá na tuto činnost vyčleněna zvláštní pracovní
pozice, tzv. rekrutátor. Má za úkol potenciální respondenty vytipovat, oslovit a vysvětlit
jim potřebné organizační náležitosti spojené s realizací výzkumu.
Rekrutační kritéria jsou u kvalitativního výzkumu v podstatě obdobou filtračních otázek
u kvantitativního výzkumu. Základem je jejich jasná formulace. Hledáme tedy například
lidi, kteří v posledním roce uzavřeli smlouvu o stavebním spoření; kteří za týden vypijí
alespoň dva litry piva; kteří mají řidičský průkaz a s vozem najezdí ročně alespoň pět tisíc
kilometrů apod.
Kvalitativní výzkum ale často probíhá i v sektoru B2B,3 což znamená, že respondenty
nejsou spotřebitelé, ale zástupci firem a profesionálů, kteří zkoumaný produkt využívají
nebo prodávají v rámci své profese, svého zaměstnání. Rekrutačním kritériem pak může
například být, že hledáme manažery z firem s ročním obratem nad 10 milionů Kč, kteří
ve firmě rozhodují o dodavateli výpočetní techniky; praktické lékaře apod.
Jediným předpokladem, že budou naplněny výzkumné cíle, jsou tedy správně a ze
správné cílové skupiny vybraní respondenti.
4.1.2 Realizace rozhovorů

Po přípravě scénáře a rekrutaci respondentů přichází na řadu realizace rozhovorů. Realizace
rozhovorů má několik typických forem:
■■ Skupinová diskuse: Moderátor vede diskusi se skupinou čítající obvykle 8–12 respon-
dentů.
3 B2B je zkratka anglických slov Business to Business a rozumí se tím mezifiremní trh.
■■ Individuální hloubkový rozhovor: Výzkumník realizuje rozhovory postupně, vždy

s jedním respondentem. Používáme obvykle u výzkumných projektů, které se týkají
citlivých témat, nebo pokud by bylo logisticky obtížné sezvat respondenty na jedno
místo ke skupinové diskusi.
■■ Expertní rozhovor: Obdoba individuálního rozhovoru, ale nikoliv se spotřebitelem,
nýbrž s odborníkem či profesionálem v dané oblasti.
■■ Miniskupiny: Někdy také nazývané dyády či triády, podle počtu účastníků. Důvodem
k realizaci obvykle bývají logistické a organizační důvody.
Skupinová diskuse
Jde zřejmě o nejčastější formu kvalitativního výzkumu. Moderátor řídí diskusi podle při-
praveného scénáře. Obvykle se najednou účastní 8–12 respondentů. Je běžné, že v rámci
jednoho výzkumného projektu proběhne i několik skupinových diskusí, pokaždé s jinými
respondenty, aby byla co nejlépe zachycena struktura cílové skupiny.
Délka trvání jedné skupinové diskuse obvykle bývá 60–90 minut. Na úvod moderátor
respondenty informuje o tématu výzkumu, stručně je seznámí se zásadami a průběhem
diskuse a požádá respondenty, aby se představili, obvykle křestním jménem, a řekli o sobě
pár slov.
Následuje samotná diskuse podle připraveného scénáře. Je důležité, aby moderátor řídil
diskusi tak, aby se ke slovu rovnoměrně dostali všichni účastníci a aby respondenti řekli
k tématu maximum svých názorů a pocitů. V této souvislosti používáme pojem dynamika
skupinové diskuse. Je vhodné, aby respondenti aktivně reagovali i jeden na druhého, aby
diskuse přinesla výsledky v podobě asociací, které dané téma v respondentech vyvolává,
aby zadavateli výzkumu přinesla hlubší porozumění, jak lidé z cílové skupiny produkt či
službu vnímají, proč jej kupují či naopak odmítají.
Ze skupinové diskuse se obvykle pořizuje videozáznam pro potřeby vyhodnocení vý-
zkumu a sepsání závěrečné zprávy.
Je také důležité, aby v průběhu skupinové diskuse nebyly v místnosti žádné objekty, které
by mohly rozptylovat pozornost. Je třeba zkontrolovat i zdánlivé maličkosti, jako třeba
zda je občerstvení na stole, zda jsou psací potřeby i všechny případné ostatní pomůcky
zbaveny loga, aby tím respondenti nemohli být ovlivněni.
Expertní rozhovor a individuální hloubkový rozhovor
Expertní rozhovor a individuální hloubkový rozhovor mají k sobě svou podstatou blízko,
hlavní rozdíl ale spočívá v charakteristice respondentů.
V případě expertního rozhovoru jsou respondenty profesionálové v dané oblasti. Mo-
hou to být ředitelé firem, manažeři, lékaři, IT odborníci apod. Respondenty expertních
rozhovorů nejsou tedy koncoví spotřebitelé, ale zástupci firem nebo podnikatelé, pro něž
je objekt výzkumu předmětem nebo součástí jejich podnikání.
Expertní rozhovor probíhá na základě scénáře. Délka trvání je zpravidla 20–40 minut.
I zde se obvykle z rozhovoru pořizuje audiozáznam či videozáznam.
Expertní rozhovory probíhají (až na výjimky) formou individuálního setkání s každým
respondentem. Důvodem je, že bývá obtížné sezvat větší počet expertů ve stejnou dobu na
Sběr dat 45
stejné místo a zároveň tito experti obvykle nechtějí otevřeně hovořit ve skupině, z důvodu
zachování důvěrnosti firemního know-how.
Individuální hloubkové rozhovory se někdy označují zkratkou IDI, což je zkratka
anglických slov Individual Depth Interview. Respondenty jsou zde koncoví spotřebitelé.
Důvody pro individuální realizaci rozhovorů jsou ve své podstatě dvojího druhu. Buď –
obdobně jako u expertních rozhovorů – je z organizačních a časových důvodů obtížné
svolat více respondentů na jedno místo, nebo je tématem rozhovoru nějaké citlivé téma
(zdravotní stav, existenční problémy), o němž by mohlo být respondentům nepříjemné
hovořit ve skupině.
Miniskupiny
Miniskupiny jsou v podstatě kompromisem mezi individuálními rozhovory a skupinovou

diskusí. Podle počtu respondentů v takové skupině je někdy také označujeme jako dyády
(v případě dvou respondentů) nebo triády (v případě tří respondentů).
Výzkum formou miniskupin často používáme v situacích, kdy tématem výzkumu je
produkt, u něhož je kupující a uživatel různá osoba. Tedy například typicky mužský nebo
ženský produkt, který člověk opačného pohlaví kupuje jako dárek. Zde je dobré jak porozu-
mět motivům ke koupi takového produktu, tak znát reakce obdarovaného, jak a zda vůbec
pak produkt využívá. Miniskupiny se hojně používají i při práci s dětmi jako respondenty.
Praxe ukázala, že při individuálních rozhovorech se děti ostýchají hovořit, ve větší skupině
existuje naopak riziko, že děti ztratí rychle koncentraci.
4.1.3 Používané techniky

V rámci kvalitativního výzkumu je snahou výzkumníka, aby přiměl respondenty podívat
se na zkoumanou problematiku v různých souvislostech; aby respondenti řekli (případně
napsali nebo nakreslili), jaké myšlenkové pochody a jaké asociace v nich testovaný produkt
nebo služba vyvolává.
V rámci rozhovoru s respondenty se používají techniky, které mají původ v sociologii,
psychologii nebo dokonce psychiatrii. Cílem je přimět respondenty podívat se na zkou-
manou problematiku novým, neotřelým způsobem a vyjádřit souvislosti, které by jinak
zůstaly skryté.
Projektivní techniky: Tyto techniky se snaží přimět respondenty, aby se odpoutali od
tradičního způsobu myšlení a popisu zkoumané problematiky. Moderátor navodí situaci,
při níž respondenti nepopisují zkoumanou věc sami za sebe, ale vkládají výroky a názory
do úst nějaké jiné, imaginární osobě. Respondent se tak snáze zbaví ostychu, že prozradí
něco důvěrného o sobě, a sdělí i názory, které by jinak možná zůstaly nevyřčeny.
Technika „mimozemšťan“: Moderátor vyzve respondenty, aby produkt popsali tak,
jako by jej měli přiblížit někomu, kdo jej nikdy neviděl, kdo nepochází z naší společnosti,
z naší planety. Respondenti tak popisují a hovoří o naprosto elementární podstatě zkou-
maného jevu. Přitom vychází na povrch asociace a názory, které by jinak neřekli, protože
je vnitřně považují na naprosto elementární, ale pro zadavatele výzkumu bývá takový
popis často klíčový.
Bublinový test: Úkolem respondentů je podívat se na obrázek, který zobrazuje situaci

související s předmětem výzkumu. Do „bublin“ vkládají výroky, jež osoby na obrázku po-
dle nich říkají. Někdy jsou u postavy na obrázku bubliny dvě, jedna znázorňuje, co osoby
říkají, a druhá, co si myslí.
Personifikace/animalizace: Respondenti přiřazují hodnoceným produktům a službám
lidské vlastnosti, případně je přirovnávají ke zvířatům. Dozvíme se tak, že firma může být
touto optikou viděna jako seriózní starší dáma, zbrklý mladík nebo třeba jako moudrá sova
či hyena. Uplatňují se i další techniky jako například „večírek značek“, kdy respondenti
říkají, která značka by na pomyslném setkání značek měla hlavní slovo, která by nesměle
seděla v koutě, která by přišla pozdě apod. Obdobnou technikou je také „životopis pro-
duktu“: respondenti značku personifikují a říkají, kde a kdy se narodila, jaké má povolání,
jaké povahové rysy, jaké koníčky atd.
Techniky, využívající grafický projev: Při realizaci rozhovoru nebo diskuse může mo-
derátor, v souladu s připraveným scénářem, požádat respondenty, aby část svých reakcí
vyjádřili grafickou formou. Jednak to obvykle pro respondenty bývá zajímavá změna ak-
tivity a jednak to při výzkumu pomůže získat ještě komplexnější pohled na problematiku.
Grafický projev se často používá například při testu obalů. Obal má kromě své základní
funkce (ochrany zboží) i funkci komunikační. Proto se často používají testy zapamatování,
kdy má respondent nakreslit nebo v základních rysech načrtnout prvky, kterých si na obalu
všiml, zaujaly ho, případně naopak navrhnout vylepšení.
Obdobné techniky využívající grafický projev respondentů se mohou použít například
při testech komunikačních kampaní a různých vizuálů.
4.2 Kvantitativní výzkum

Smyslem kvantitativního výzkumu je přinést odpověď na otázku „kolik?“. Výstupem jsou
nejčastěji grafy a tabulky, které přináší informace o zastoupení sledovaného jevu nebo
názoru v cílové populaci, a to buď formou absolutní četnosti (přesný počet lidí nebo jed-
notek, jež vykazují nebo deklarují daný rys nebo způsob chování), nebo častěji formou
relativní četnosti (což je vyjádření v procentech).
Kvantitativní výzkum může pro sběr dat používat pozorování (například fyzicky sčítáme
počet lidí nebo dopravních prostředků, které projedou vymezenou lokalitou) či experiment
(například upravíme ceny produktů v prodejně a zjišťujeme, jaký vliv bude mít změna ceny
na objemy prodeje). V praxi se ale velmi často používá metoda sběru dat dotazováním (kdy
respondenti výzkumu deklarují své názory a postoje odpovídáním na otázky v dotazníku).
Kvantitativní výzkum se používá i pro testování hypotéz. Statistickou analýzou můžeme
zjistit, zda dvě nebo více množin dat vykazují vůči sobě statisticky významné rozdíly –
a tím hypotézu buď potvrdit, nebo nepotvrdit.
4.2.1 Jednorázové a kontinuální výzkumy

Účelem výzkumného projektu může být buď realizovat jednorázový výzkum vztahující se
ke konkrétní momentální tržní situaci, nebo realizovat výzkum periodický, tedy takový,
jehož výstupem jsou informace o trendech, čili o vývoji nějakého jevu v čase.
Sběr dat 47
Jednorázový výzkum také označujeme jako ad hoc výzkum. Obvykle souvisí s nějakým
chystaným manažerským rozhodnutím ve firmě, může mít vazbu na uvedení nového
produktu na trh apod. (viz dále v této knize).
Kontinuální výzkumy4 jsou realizovány v pokud možno pravidelných intervalech (tý-
denní, měsíční, čtvrtletní). Jejich účelem je mapovat trendy ve vývoji sledované veličiny.
Zjišťujeme například, jak se vyvíjí v čase znalost naší značky, spokojenost zákazníků, počet
reklamací, návštěvnost webových stránek atp. Při realizaci kontinuálních výzkumných
projektů je důležité, abychom zachovali ve všech jeho vlnách naprosto stejnou metodiku.
Pokud metodiku kontinuálního výzkumu v jeho průběhu (u jednotlivých vln) změníme, již
bychom správně měli mluvit o novém kontinuálním výzkumu na základě nové metodiky,
nikoliv o další vlně existujícího výzkumu.
Příklad
Výrobce mobilních telefonů průběžně monitoruje, jaká je u zákazníků preference jeho značky
ve srovnání s konkurenčními výrobci. Za tímto účelem realizuje výzkum v pravidelných
čtvrtletních vlnách. Zákazníků se ptá na otázku: „Jakou značku mobilního telefonu byste
volili při koupi nového přístroje?“ Graf na obrázku 4.1 naznačuje, jak může vypadat shrnující
výstup tohoto kontinuálního výzkumu. Hodnoty ukazují, kterou značku mobilního telefonu
respondenti spontánně zmínili na prvním místě.
Jakou značku telefonu byste preferovali u nového přístroje?

30 %
25 %
Naše značka
20 %
Konkurenční značka 1
15 %
10 %
5%
0%
leden duben červenec říjen
Obrázek 4.1: Ukázka grafu zobrazujícího výsledky kontinuálního výzkumu (zdroj: autor)
V této souvislosti je třeba zmínit ještě longitudinální výzkum. Tento typ výzkumu má
klíčové uplatnění zejména v medicíně a sociologii, nicméně je užitečné jeho existenci
zmínit i v souvislosti s marketingovým výzkumem. Stejně jako u kontinuálního výzkumu
sledujeme i u longitudinálního výzkumu vývoj určitého jevu v čase. Klíčovým rysem
longitudinálních výzkumů je, že každé vlny longitudinálního výzkumu se účastní stejní
4 Pro kontinuální výzkumy se také často používá termín trackingové výzkumy.

respondenti. Smyslem longitudinálního výzkumu je změřit, jak se na konkrétních jedincích

projeví, pokud jsou dlouhou dobu vystaveni působení nějakého vlivu. V tom se liší od
kontinuálních výzkumů, kde v každé vlně musí být stejná struktura výběrového souboru,
nikoliv nutně stejní respondenti.
4.2.2 Výzkum versus anketa

Anketa je založena na dotazníku. Ten je respondentům volně dostupný na nějakém místě,
a to buď v papírové, nebo elektronické formě. Člověk, který přijde s anketním dotazníkem
do kontaktu, se sám rozhodne, zda jej vyplní a stane se tak respondentem, nebo zda anketu
nechá bez povšimnutí. V souvislosti s anketou se používá termín „samovýběr respondentů“.
Protože v případě ankety respondenti nejsou vybíráni a oslovováni výzkumníkem,
ale sami se rozhodují, zda vyplní anketní dotazník, s nímž přišli do kontaktu, dostáváme
odpovědi od vzorku populace, který nemáme možnost nijak významně ovlivnit.
Anketní dotazník vyplní takoví respondenti, kteří mají k dotazovanému tématu silné
emoční zaujetí či osobní vztah. Praxe ukazuje, že obvykle se zapojí respondenti, kteří chtějí
vyjádřit svůj nesouhlas, kritiku nebo své pobouření ohledně dotazovaného tématu. V menší
míře se zúčastní i lidé, kteří naopak tématu chtějí vyjádřit svůj souhlas, podporu, sympatie.
Marketingový výzkum vždy využívá předem stanovenou metodiku výběru respondentů.
Platí základní pravidlo, že aby se jednalo o výzkum, respondent musí být výzkumníkem
vybrán a osloven. Není možné, aby se respondent do konkrétního výzkumu zařadil sám.
Někdy se setkáváme s tím, že výsledky ankety bývají nesprávně vydávány za výsledky
marketingového výzkumu. Je třeba zdůraznit, že ani v případě, kdy k anketě přidáme otázky
týkající se sociodemografického profilu respondenta, respondent je vyplní a následně jsou
podle nich vyhodnoceny odpovědí od různých skupin populace, se stále nejedná o mar-
ketingový výzkum, nýbrž o anketu. I pokud získáme profil respondentů a provedeme jeho
analýzu, stále jde o názory lidí, kteří se na základě silného emočního zaujetí sami rozhodli
odpovídat a nebyli vybráni a osloveni výzkumníkem na základě předem připravené me-
todiky výběru respondentů.
Anketa je však ve srovnání s marketingovým výzkumem levný a ve správně zvolených
případech i velmi efektivní nástroj. Zejména v situacích, kdy chceme zjistit názory kritiků
a odmítačů zkoumaného tématu na jedné straně a názory příznivců a fanoušků na straně
druhé. Výstupy ankety mohou být užitečným podkladem pro následný marketingový
výzkum.
Pokud například bude majitel restaurace chtít zjistit, co si návštěvníci myslí o jeho pod-
niku, může na každý stůl v restauraci umístit anketní dotazníky. Existuje velká pravděpo-
dobnost, že lidé, kteří jsou s něčím nespokojeni nebo naopak chtějí provozovatele restaurace
za něco pochválit, možnost vyjádřit své názory prostředním anketního dotazníku využijí.
4.2.3 Úplné a výběrové šetření

V rámci přípravy výzkumného projektu je nutné rozhodnout, zda budeme data získávat
od všech jednotek základního souboru, nebo jen od vybraných jednotek.
Sběr dat 49
Základní soubor označuje množinu všech prvků, na něž chceme vztahovat výsledky
výzkumu. V případě marketingových výzkumů budou těmito prvky obvykle jednotlivci
nebo domácnosti.
Například u předvolebních výzkumů nás budou zajímat názory všech obyvatel, kteří
mají volební právo. V jiných případech budou předmětem našeho zkoumání jen někteří
vybraní jedinci, například budeme zkoumat názory a chování lidí, kteří aktuálně splácí
nějaký úvěr či půjčku, kteří vlastní chatu nebo chalupu apod. Základní soubor je tedy
skupina všech jednotek (lidí, domácností), kteří jsou cílem našeho statistického zkoumání.
Označujeme jej symbolem N.
Základní soubor označujeme také termínem populace nebo universum, případně také
anglickým termínem universe.
Úplné šetření
Z hlediska přesnosti získaných informací je samozřejmě nejlepší, pokud získáme odpo-

vědi (data) od všech jednotek základního souboru. Takovému výzkumu říkáme úplné
(vyčerpávající) šetření.
V případě úplného šetření se výběrová chyba a interval spolehlivosti rovnají nule, to
znamená, že získaná data a informace naprosto přesně reprezentují názory či vlastnosti
základního souboru, není třeba počítat s žádnou odchylkou.
V praxi se realizuje úplné šetření jen zřídka. V případě marketingového výzkumu se
jedná o situace, kdy jsou všechny prvky základního souboru dostupné a zároveň je je-
jich počet takový, že je reálné všechny zahrnout do výzkumu a získaná data vyhodnotit.
S vyčerpávajícím šetřením se v reálné praxi nejčastěji setkáme u výzkumů založených
na interních datech, kdy výzkumné šetření realizujeme například na všech zákaznících
evidovaných ve firemní databázi.
Další situací, kdy se uplatňuje úplné šetření, je například sčítání lidí, domů a bytů, reali-
zované Českým statistickým úřadem. Při tomto výzkumu jsou dotázáni všichni obyvatelé
(všechny domácnosti) České republiky. Zde však již může být předmětem diskuse, zda se
jedná o úplné šetření nebo spíše o census.
Census je proces získávání údajů o počtu jednotek základního souboru a charakteri-
stických vlastnostech těchto jednotek (prvků). Pokud jde o obyvatelstvo, provádí census
Český statistický úřad. Pokud je ale objektem výzkumu nějaká specifická cílová skupina,
která doposud blíže poznána nebyla, bývá census realizován výzkumnou agenturou.
V komerční výzkumné praxi je census aplikován například při maloobchodním auditu
(což je celonárodní výzkum objemů prodeje spotřebních produktů a podílů značek na
trhu), který realizují některé, obvykle nadnárodní výzkumné agentury. Pokud je například
maloobchodní audit zaměřen na produktovou kategorii „malé domácí spotřebiče“, je nutné
mít přesnou informaci o tom, kolik prodejců s tímto sortimentem v České republice působí,
užitečné může být získat o nich i další informace, například finanční obrat.
Výběrové šetření
Princip výběrového šetření spočívá v tom, že v rámci výzkumu provádíme sledování

(měření, dotazování) zkoumané vlastnosti jen u některých jednotek základního souboru.
Výběrový soubor by měl být stanoven metodikou, která zabezpečí, že vybraní jedinci
(vybrané prvky) budou tvořit množinu, jež bude co možná nejvěrnější zmenšeninou zá-
kladního souboru. Takovouto množinu nazýváme výběrový soubor. Prvky výběrového
souboru označujeme symbolem n.
Abychom dosáhli co možná nejvyšší reprezentativity výběrového souboru, musí záro-
veň platit, že každý z prvků základního souboru musí mít nenulovou šanci být zařazen
do výběrového souboru.
Většina kvantitativních marketingových výzkumů je založena právě na výběrovém
šetření. Důvodem je hledisko časové, organizační a v neposlední řadě i finanční.
V souvislosti s výběrovým šetřením je dobré zmínit i pojem opora výběru. Používá se
zejména u výzkumů, při nichž výběr respondentů podléhá náročnému algoritmu, kdy jsou
respondenti vybíráni podle velkého množství kritérií. Oporu výběru můžeme definovat
jako seznam jednotek základní populace, z něhož je vybírán zkoumaný vzorek.
Opora výběru se používá například při výzkumu televizní sledovanosti, kde zahrnuje
cca 198 000 adres českých domácností. Z těchto adres (jež tvoří oporu výběru) je pak
vybráno cca 12 000 domácností ročně, s nimiž je realizován kvantitativní zaváděcí vý-
zkum (Establishment Survey). Oporu výběru pro cca 1800 domácností, které se v daný
okamžik výzkumu sledovanosti účastní, pak tvoří databáze domácností, do níž jsou každý
rok doplněny informace z dalších 12 000 domácností, ve kterých byl realizován zaváděcí
výzkum. Protože domácnosti zařazené do výzkumu se neustále pozvolna obměňují, jsou
nové domácnosti doplňovány právě z opory výběru.
4.2.4 Metody výběru respondentů

Většina projektů marketingového výzkumu je založena na výběrovém šetření. Pro stanovení
výběrového souboru se nabízí několik statistických postupů. Každý z nich má své klady
i zápory – klíčovým faktorem v reálném marketingovém prostředí je dostupnost jednotek
základního souboru a informace, jež jsou o jednotkách (respondentech) k dispozici.
Nyní si přiblížíme následující statistické postupy pro tvorbu výběrového souboru:
■■ prostý náhodný výběr,

■■ kvótní výběr,
■■ systematický výběr,
■■ stratifikovaný výběr,
■■ další postupy (metoda sněhové koule, úsudkový výběr).
Prostý náhodný výběr
Prostý náhodný výběr je – z pohledu statistiky – nejlepší metodou, jak vytvořit zmenše-
ninu základního souboru. Princip spočívá v tom, že z celkové množiny prvků základního
souboru náhodně vybereme požadovaný počet prvků do výběrového souboru. Zda bude
konkrétní jednotka do výzkumu vybrána, je pouze výsledkem matematického algoritmu,
výběr není nijak ovlivněn úsudkem výzkumníka.
V reálném prostředí je ale prostý náhodný výběr možné realizovat jen v případech,
pokud máme k dispozici kompletní seznam všech jednotek (lidí) ze základního souboru
Sběr dat 51
a můžeme z nich náhodně vybírat. Taková situace nastává v praxi zejména při interních
výzkumech, kdy je základní soubor tvořen zákazníky, kteří jsou evidováni v databázi firmy.
Kvótní výběr
Při kvótním výběru vytváříme výběrový soubor pomocí kvótních znaků (kvótních proměn-
ných). Jaké kvótní znaky se při výzkumném projektu využijí, závisí na úsudku realizátora.
Podmínkou však je, abychom měli o všech jednotkách základního souboru informace
o hodnotě stanovaných kvótních proměnných. Pokud tedy například bude jako kvótní
proměnná sloužit pohlaví, musíme vědět, jaké je zastoupení jejích jednotlivých hodnot
(muž, žena) v základním souboru.
Výhoda kvótního výběru spočívá ve skutečnosti, že nemusíme mít seznam všech jed-
notek základního souboru. Musíme ale mít přesné informace o hodnotách jednotlivých
kvótních proměnných (respektive o jejich přesném zastoupení v základním souboru).
V praxi se kvótní výběr často využívá při výzkumech, v nichž je základním souborem
obecná populace (tedy všichni občané republiky nebo vybraného regionu). Kvótními
proměnnými v případě výzkumů na obecné populaci bývají:
■■ pohlaví,
■■ věk,
■■ vzdělání,
■■ místo bydliště,
■■ velikost místa bydliště.
Jako kvótní proměnnou je samozřejmě možné použít i jakýkoliv jiný charakteristický znak
jednotek základního souboru. Vždy ale platí, že musíme přesně vědět, jakým procentem
je daný charakteristický znak v populaci zastoupen.
Negativum kvótního výběru spočívá v tom, že nikdy nemůžeme s jistotou prohlásit, že
vybrané kvótní znaky jsou ty správné. Je například možné, že pohlaví či věk nejsou pro kon-
krétní výzkum tak významné proměnné jako například frekvence využívání platební karty
nebo nějaký jiný charakteristický rys, který ale výzkumník jako kvótní znak nestanovil.
Jednoduché a křížené kvóty: V případě kvótního výběru respondentů nestačí jen kvóty
dobře nastavit, ale je třeba i v průběhu sběru dat dodržovat určité zásady jejich naplňování.
Prvotní nastavení kvótních požadavků je vždy na výběrový soubor jako celek, podle po-
vahy a účelu výzkumu jsou ale někdy stanoveny i detailnější požadavky na plnění hodnot
kvótních proměnných, konkrétně na jejich hlubší vnitřní provázanost.
Jednoduché kvóty: V případě jednoduchých kvót jsou kvótní požadavky stanoveny na
výběrový soubor jako celek. Je zde tedy například požadavek, že po ukončení sběru dat
má výběrový soubor obsahovat 49 % mužů, 51 % žen; 17 % respondentů ve věku 25–34 let
a podobně. Již ale striktně netrváme na tom, kolik procent mužů má být v jakém věkovém
pásmu, kolik procent žen s konkrétním vzděláním apod. Kvótní požadavky na výběrový
soubor pak mohou vypadat například jako v tabulce 4.1.
Tabulka 4.1: Ukázka kvótního listu s jednoduchými kvótami
Muž 49 %
Pohlaví
Žena 51 %
15–24 14 %
25–34 17 %
Věk 35–49 26 %
50–64 24 %
65 a více 19 %
základní 19 %
střední bez maturity 35 %
Vzdělání
střední s maturitou 33 %
vysokoškolské 13 %
Zdroj: autor
Při procesu sběru dat je ale třeba u jednoduchých kvót dbát na rovnoměrnost jejich
průběžného naplňování. Pokud bychom průběh plnění kvót během výzkumu aktivně
neřídili, přinesly by jednoduché kvóty velmi zkreslené výsledky. Důvodem by bylo, že
zástupci jednotlivých skupin populace nejsou stejně sdílní a dosažitelnost jednotlivých
skupin je různá. Ženy jsou obecně sdílnější než muži, lidé se středním vzděláním jsou
sdílnější nežli vysokoškoláci apod. Neřízeným sběrem dat bychom ve vzorku respondentů
tak mohli mít téměř všechny ženy ve vyšším věku a naopak muži v tomto věku by téměř
nebo úplně chyběli atd.
Pokud ale při sběru dat dbáme na rovnoměrné naplňování hodnot jednotlivých kvót-
ních proměnných, případně plníme s mírným předstihem požadované hodnoty kvótních
proměnných vztahujících se k obtížněji oslovitelným nebo dosažitelným skupinám popu-
lace, pak bude výsledná struktura výběrového souboru velmi dobře odpovídat struktuře
základního souboru.
Křížené kvóty: Požadavek na křížené kvóty klade na proces sběru dat daleko větší
nároky. Křížené kvóty využíváme v případě, kdy existují přísnější požadavky nejen na
složení výběrového souboru jako celku, ale i na vazbu jednotlivých hodnot kvótních
proměnných mezi sebou.
Křížené kvóty požadujeme zejména v případech, kdy při následném procesu analýzy
dat chceme výběrový soubor podrobit třídění druhého a vyššího stupně. To znamená, že
nás například zajímají nejen názory mužů nebo žen, ale také například mužů v konkrét-
ním věku, žen s konkrétním vzděláním apod. a chceme si být opravdu jisti, že i při tomto
vyšším stupni třídění budeme mít zaručen v dané kategorii dostatečný počet respondentů.
Pokud jsou stanoveny křížené kvóty, je sběr dat poměrně pracný. Proto je vždy dobré
nejprve důkladně promyslet, zda je opravdu smysluplné klást na sběr dat tak vysoké ná-
roky a zda zvýšená pracnost i cena sběru dat bude při následné analýze dat odpovídajícím
způsobem využita.
Sběr dat 53
Tabulka 4.2: Příklad kvótního listu s kříženými (kombinovanými) kvótami
Muž 15–24 8%
Muž 25–34 8,5 %
Muž 35–49 13,5 %
Muž 50–64 11 %
Muž 65 a více 8%
Pohlaví vs. věk
Žena 15–24 6%
Žena 25–34 8,5 %
Žena 35–49 12,5 %
Žena 50–64 13 %
Žena 65 a více 11 %
Zdroj: autor
Systematický výběr
Systematický výběr využíváme ve výzkumné praxi v situacích, kdy nemáme k dispozici

seznam všech jednotek základního souboru (abychom mohli realizovat prostý náhodný
výběr), ani nemáme informace o struktuře a složení základního souboru (abychom mohli
realizovat kvótní výběr).
Principem systematického výběru je, že ze základního souboru vybíráme pro výzkum
jednotky (respondenty) podle pevně zvoleného kroku. První respondent (prvek) je vy-
brán náhodně (mluvíme o výběru náhodného počátku), všechny další jednotky jsou pak
vybírány ve stejných intervalech. Systematický výběr je někdy nazýván variací na prostý
náhodný výběr.
Systematický výběr je velmi dobře využitelný při marketingovém výzkumu realizo-
vaném v terénu, obvykle formou osobního dotazování. Představme si situaci, že potře-
bujeme zjistit, jaké je složení návštěvníků nějakého nákupního centra, prodejny nebo
městské lokality. Nemáme k dispozici žádný seznam těchto osob, ani předem neznáme
jejich sociodemografické znaky. Základním souborem jsou tedy všichni lidé, kteří navští-
ví obchodní centrum. V takové situaci je systematický výběr ideálním řešením. Tazatel
například stojí u vchodu do obchodního centra, osloví každého padesátého návštěvníka
a požádá jej o rozhovor. Pokud odmítne, oslovuje tazatel každého dalšího návštěvníka tak
dlouho, dokud se rozhovor neuskuteční. Pak osloví zase padesátého a postup se opakuje.
Aplikováním systematického výběru je zaručeno, že tazatel bude vybírat respondenty bez
subjektivního ovlivnění.
Stratifikovaný výběr
Tento typ výběru respondentů se užívá v případě, že respondenty je pro potřeby výzkumu
nutné rozdělit do několika podmnožin, které se neprolínají. Takovéto podskupiny nazý-
váme strata. Pro strata platí podobná charakteristika jako pro segmenty, tedy že prvky
v rámci stejného strata si musí být podle zvolené charakteristiky podobné a zároveň se
musí odlišovat od prvků jiného strata.
Respondenty přiřazené podle charakteristických znaků do jednotlivých strat pak dále
oslovujeme některou výše uvedenou metodikou, obvykle prostým náhodným nebo sys-
tematickým výběrem.
Například majitel autosalonu plánuje realizovat výzkum spokojenosti zákazníků. Do
jednoho strata budou zařazeni zákazníci, kteří si koupili nový vůz, do druhého strata pak
zákazníci, kteří navštívili servis.
Další postupy výběru respondentů
Ve výzkumné praxi se okrajově můžeme setkat i s dalšími postupy pro vytvoření výběro-
vého souboru.
Metoda sněhové koule: Používáme ji v situacích, kdy je obtížné vyhledat respondenty
s požadovanými charakteristickými rysy. Principem je, že oslovený respondent je požádán,
aby poskytl kontakt na dalšího respondenta, případně mu odkaz na výzkum sám poslal.
Z tohoto principu „nabalování“ respondentů je odvozen i název této metody.
Úsudkový výběr: Patří mezi tzv. nestatistické výběry. V marketingovém výzkumu se
využívá velmi zřídka. Výběrový soubor je stanoven výzkumníkem podle jeho subjektivního
úsudku. Používáme ho v situacích, kdy hledáme respondenty se specifickými charakteris-
tikami. Výzkumník sám posoudí a rozhodne, kteří jedinci (které prvky) se pro zařazení
do výzkumu hodí.
Panelem respondentů pak rozumíme množinu respondentů, na které má výzkumná
agentura kontakt a má o nich ve své databázi informace týkající se jejich demografie, spo-
třebního chování, životního stylu atp. Více se o panelu respondentů dočtete v kapitole 5.
Smyslem tvorby panelu respondentů je zvýšení efektivity výzkumů. Agentura nemusí
pro jednotlivé výzkumy respondenty vždy znovu v populaci vyhledávat, ale respondenty
s potřebnými charakteristickými znaky vybere z panelu a požádá je o účast ve výzkumu.
Velikost panelu výzkumné agentury čítá často i několik desítek tisíc respondentů. Re-
spondenti jsou obvykle oslovování s výzkumy realizovanými přes internet nebo telefon.
V souvislosti s výzkumy, pro něž jsou respondenti vybíráni z panelu, se hovoří o jevu
nazývaném panelový efekt (viz část 5.7). Jedná se o negativní průvodní jev, kdy odpovědi
panelistů mohou být ovlivněny pravidelnou účastí ve výzkumech, aniž si to ovšem často
sami uvědomují. Na některé otázky mohou odpovídat mechanicky, nebo se i ve svém
běžném životě více zaměřují na jevy, které jsou často předmětem výzkumů, a tím jsou
pak jejich názory ovlivněny.
4.2.5 Tvorba dotazníku

Dotazník patří v marketingovém výzkumu mezi často používané nástroje pro sběr dat.
Nyní se podívejme na některá základní pravidla, která je dobré dodržet, aby získaná data
měla požadovanou kvalitu a vypovídací hodnotu.
Sběr dat 55
Hlavní pravidla:
■■ Respondentů se ptejme se na to, co skutečně potřebujeme vědět. Nevkládejme nadby-

tečné otázky, o nichž předem víme, že je při vyhodnocování nepoužijeme.
■■ Dotazník by měl být sestaven tak, aby respondent měl chuť odpovídat. Důležité jsou
stručně, ale přitom jasně formulované otázky.
■■ Mějme na paměti, že odpovědi v dotazníku jsou deklarací respondenta. Pokládejme
proto otázky, na něž je respondent ochoten a schopen odpovědět.
Časté chyby v koncepci dotazníku:
■■ Chceme vědět, jak se respondent zachová v budoucnu a navíc v situaci, která je jen rám-
cově specifikována. Zadavatel výzkumu chce často vědět, zda o připravovaný produkt
bude zájem, ale produkt je popsán jen v základních obrysech.
■■ Dotazník se týká citlivého tématu. Na otázky, týkající se zejména zdravotního stavu
nebo společensky tabuizovaných témat, respondent často uvádí nepravdivé odpovědi.
■■ Zadavatelé často do dotazníků vkládají otázky typu: „Odkud jste před nákupem získával
informace?“ Respondent sice na otázku odpoví, ale validita takové výpovědi může být
omezena. Zejména pokud jde o získávání informací o produktech, lidé obvykle kom-
binují různé zdroje (vlastní zkušenost, reklama, diskusní fóra, reference od známých)
a zpětně těžko vyhodnotí, které jejich nákupní rozhodnutí ovlivnily a v jak velké míře.
Délka dotazníku
Zadavatel výzkumu má požadavky zejména na počet a typ otázek.

Z pohledu respondenta je ale dobré se na délku dotazníku dívat spíše v minutách
než podle počtu otázek. Každá otázka je totiž jinak časově náročná. Jestliže je založena
na výběru z variant ano/ne, je zodpovězena za několik sekund. Pokud je ale například
respondent požádán, aby sestavil pořadí deseti značek podle obliby, zabere zodpovězení
otázky podstatně delší čas.
Doba, po níž je respondent schopen udržet pozornost, se pohybuje v rozmezí 10–15
minut. Jestliže délka dotazníku přesahuje cca 25 minut, existuje již poměrně velké riziko,
že respondent bude otázky procházet jen letmo a odpovědi vyznačovat bezmyšlenkovitě.
Pokud je přesto nutné, aby dotazník trval několik desítek minut (děje se tak například při
testování obliby písní a pořadů pro rozhlasové stanice), je doporučeno, aby byla respon-
dentovi dána možnost dotazování přerušit a pokračovat později.
Členění dotazníku
Dotazník by měl být uspořádán do sekcí, které na sebe logicky navazují. Pro respondenta
je tak zajištěna přehlednost a pro výzkumníka efektivita sběru dat.
■■ Úvod: Krátká informace v rozsahu 1–2 vět. Respondenta oslovíme, sdělíme mu název
firmy, jejímž jménem se dotazujeme, a informujeme ho o účelu dotazování a orientační
délce dotazníku v minutách. Úvod je důležitý také z toho důvodu, že obvykle respon-
denty oslovuje paralelně několik tazatelů a je nutné co nejvíce sjednotit jejich projev
a vystupování.
■■ Filtrační (screeningová) otázka: Smyslem této otázky je určit, zda daný respondent
spadá do cílové skupiny, kterou pro výzkum potřebujeme. Odpověď respondenta na tuto
otázku rozhodne, zda budeme dál pokračovat v dotazování, nebo zda dotazování v tomto
místě ukončíme z důvodu, že nevyhovuje výběrovým kritériím, a poděkujeme mu za
ochotu. Je důležité, aby filtrační otázka byla jednoznačně formulována, aby vyloučila
nejednoznačný výklad. Dobře formulovaná filtrační otázka je například: „Pořídil jste si
v letošním roce nový mobilní telefon?“ Otázka je jasně formulována – je vymezeno, jaká
skutečnost a v jakém období měla nastat. Špatně formulovaná otázka by byla: „Koupil
jste si v poslední době nový telefon?“ Z takové formulace není jasné, co tazatel myslí
„poslední dobou“, a respondenti si budou otázku vykládat různě.
■■ Kvótní otázky: Do dotazníku je zařazujeme, pokud je použit kvótní výběr respondentů.
Obvykle se týkají pohlaví, věku, vzdělání. Přestože respondenti mohou tyto otázky někdy
považovat za důvěrné, je vhodné zařadit je na začátek dotazníku, abychom v případě
naplnění některé kvótní hodnoty neplýtvali časem respondenta.
■■ Meritorní otázky: Jedná se o klíčovou část dotazníku. Obsahuje otázky, které se týkají
vlastního tématu výzkumu. Otázky je vhodné seskupit do logických celků a postupovat
od obecného ke konkrétnímu.
■■ Identifikační otázky: Obvykle zařazujeme na konec dotazníku. Při analýze dat slouží
ke třídění respondentů do skupin. Jedná se například o otázky na místo bydliště, příjem.
Pokud je výzkum zaměřen na respondenty z firemního sektoru, můžeme se zde ptát na
obrat firmy, počet zaměstnanců atd.
Typy otázek
V dotazníku, který je jedním ze základních nástrojů kvantitativního výzkumu, používáme

zejména uzavřené otázky. Uzavřené otázky nabízejí respondentovi předem připravené
varianty odpovědí. Získaná data jsou pak statisticky vyhodnocována. Protipólem jsou
otevřené otázky. Ty nabízejí respondentovi možnost vyjádřit odpověď na otázku vlastními
slovy. Získané odpovědi je pak ale nutné utřídit a najít v nich společné rysy i zajímavosti.
Škála: Jedná se o typ uzavřené otázky, jejímž prostřednictvím respondent vyjadřuje
míru souhlasu s nějakým výrokem. Škála může být číselná nebo slovní. Číselnou škálu
obvykle sestavujeme s lichým počtem stupňů (1–5 nebo 1–7). Důvodem je, aby bylo mož-
né vyznačit i prostřední hodnotu. U slovní škály oproti tomu často používáme jen čtyři
stupně (určitě souhlasím; spíše souhlasím; spíše nesouhlasím; určitě nesouhlasím). Praxe
totiž ukazuje, že pokud slovní škála obsahuje i prostřední hodnotu typu „ani souhlasím,
ani nesouhlasím“ respondenti ji nadměrně často vybírají jako nejjednodušší a v podstatě
únikovou variantu. Přesné znění slovní škály je samozřejmě nutné přizpůsobit konkrétní
otázce. Může tedy být formulována například „velmi se mi líbí“, „spíše se mi líbí“, …,
„naprosto spokojen“, „spíše spokojen“ apod.
Výběr z variant: Otázka nabízí několik variant možných odpovědí, z nichž respondent
jednu nebo několik označí. Pokud to dovolí technické možnosti, je vhodné nechat varianty
odpovědí náhodně rotovat, abychom vyloučili, že respondent bude mít tendenci prioritně
označovat varianty, které mu jsou nabídnuty nejdříve.
Sběr dat 57
Polootevřená otázka: Vychází z otázky typu „výběr z variant“, ale navíc je ještě nabíd-
nuta možnost „jiné, vypište…“. Používáme ji v případě, že je předpoklad, že respondenti
budou sami přidávat odpovědi, které nejsou předem nabídnuty. S tímto typem otázky je
ale potřeba zacházet obezřetně. Pokud totiž variantu „jiné, vypište…“ zvolí velké množství
respondentů, komplikuje se tím statistické vyhodnocení odpovědí.
Další typy otázek: Výzkumník může zařadit i další typy otázek, které jsou často závislé
na technických možnostech dotazníku a kreativitě výzkumníka. Jmenujme například
sémantický diferenciál, kdy respondent na škále či grafickým posuvníkem označuje,
které z krajních variant se jeho názor blíží (například líbí či nelíbí; důvěryhodný či nedů-
věryhodný apod.). Dále zmiňme ještě řazení podle důležitosti, kdy respondent označuje
priority nebo přesouvá výroky podle toho, jakou jim přiřazuje v souvislosti se zkoumaným
tématem důležitost.
Zpracováním typů těchto otázek se zabývají další kapitoly této knihy.
Chyby ve formulaci otázek
V marketingovém výzkumu používáme termín nevýběrová chyba. Vzniká zejména v dů-

sledku nepřesně nebo nejasně formulovaných otázek. Získaná data pak přinášejí zkreslené
a nepřesné informace. Nevýběrová chyba se s velikostí vzorku nezmenšuje. I kdybychom
dotázali všechny respondenty ze základního souboru, zkreslení informací získaných ze
špatně sestavené otázky se tím neodstraní.
V jedné otázce se ptáme na více věcí: Autor otázky někdy ve snaze po stručnosti spojí
dvě otázky do jedné věty. Například: „Jíte alespoň jednou týdně ovoce a zeleninu?“ Re-
spondent, který jí rád jen ovoce nebo jen zeleninu, pak nemá možnost svůj postoj vyjádřit.
Zápory v otázce: Pokud je v otázce zápor nebo dokonce více záporů, bývá těžké určit,
co vlastně znamená odpověď „ano“ a „ne“. Například gramaticky správně formulovanou
otázku „Domníváte se, že neznalost práce s počítačem by neměla být překážkou při žádosti
o zaměstnání?“ mohou lidé chápat z hlediska polarity odpovědi rozdílně.
Dlouhá otázka: Pokud je otázka tvořena velmi dlouhou větou nebo je složena z několika
vět, existuje riziko, že respondent nebude mít chuť otázku číst, pak bude i jeho odpověď
vykazovat nízkou vypovídací schopnost.
Odborné výrazy: Jsou na místě, pokud cílovou skupinou představují odborníci z oboru.
Pokud ale dotazujeme obecnou populaci, je dobré se odborným nebo cizojazyčným (na-
příklad latinským) slovům vyhnout. Vždy je třeba otázky formulovat jednoduše, jazykem,
kterému cílová skupina rozumí.
Velikost výběrového souboru
Velikost výběrového souboru úzce souvisí s požadovanou přesností získaných informací.

Za předpokladu, že správně zvolíme a aplikujeme metodiku výběru respondentů, budou
výsledky výzkumu tím přesnější, čím větší bude výběrový soubor.
Mějme ale na paměti, že pokud respondenty vybereme špatným algoritmem, tedy ne-
budou kvalitně reprezentovat základní soubor, velikost vzorku již tuto chybu nenapraví.
Pokud respondenty pro výzkum vybereme nepřesně, označujeme tuto skutečnost termínem
výběrová chyba.
Čím větší je vzorek respondentů, tím vyšší je vypovídací schopnost získaných dat.
(Důležitou roli ovšem hraje i zastoupení zkoumaného jevu v populaci. Při nízkém za-
stoupení zkoumaného jevu je třeba vzorek navýšit.) S větším vzorkem správně vybraných
respondentů se zužuje interval spolehlivosti. To znamená, že hodnota jevu naměřeného na
výběrovém souboru se bude více blížit jeho skutečnému zastoupení v základním souboru.
Velikost výběrového souboru ve výzkumné praxi odvodíme od:
■■ požadované hodnoty intervalu spolehlivosti,

■■ počtu stupňů třídění, které chceme aplikovat,
■■ časových a finančních možností.
Ve výzkumné praxi se počet jednotek (respondentů) výběrového souboru obvykle pohy-

buje ve stovkách.
Interval spolehlivosti se zužuje se zvětšující se velikostí výběrového souboru. Na druhou
stranu ale má na interval spolehlivosti naprosto minimální vliv velikost základního sou-
boru. Pokud tedy děláme shodný výzkum například na obecné populaci v České republice
a v Německu (které má cca osmkrát více obyvatel), dosáhneme při stejné velikosti výbě-
rového souboru stejné velikosti intervalu spolehlivosti (není tedy nutné velikost vzorku
navyšovat, abychom dosáhli stejné přesnosti získaných hodnot). Vztahy mezi velikostí
výběrového souboru, základního souboru a intervalem spolehlivosti přibližuje tabulka 4.3.
Stupeň třídění označuje, do kolika vnořených podskupin chceme data rozdělit a ana-
lyzovat. Hodnotu sledovaného jevu můžeme analyzovat za výběrový soubor jako celek.
Můžeme ale například analyzovat, jak odpovídali muži a jak ženy (1. stupeň třídění). Dále
můžeme analyzovat, jak odpovídali muži podle věkových kategorií (2. stupeň třídění) atd.
Tabulka 4.3: Příklady intervalů spolehlivosti pro různé velikosti základního a výběrového
souboru5
Velikost výběrového Interval spolehlivosti Interval spolehlivosti Interval spolehlivosti

souboru při velikosti při velikosti při velikosti
základního souboru základního souboru základního souboru
20 000 500 000 10 000 000
100 9,78 9,80 9,80
200 6,90 6,93 6,93
500 4,33 4,38 4,38
1 000 3,02 3,10 3,10
5 000 1,20 1,38 1,39
Zdroj: autor
5 Hodnoty odpovídají 50% zastoupení zkoumaného jevu v populaci.

Sběr dat 59
4.2.6 Techniky sběru dat

Technikou sběru rozumíme způsob, jak data pořídíme. Pokud je výzkum založen na do-
tazování, máme na výběr tři základní techniky (případně jejich kombinaci):
■■ Osobní: Tazatelé se osobně setkávají s respondenty, jejich odpovědi zapisují do papíro-

vých formulářů nebo do počítače. V případě papírového dotazníku označujeme techniku
zkratkou PAPI (Paper Assisted Personal Interviewing), v případě záznamu do počítače,
notebooku nebo tabletu pak zkratkou CAPI (Computer Assisted Personal Interviewing).
■■ Telefonické: Tuto techniku označujeme zkratkou CATI (Computer Assisted Telephone
Interviewing).
■■ Po internetu: Pro tento typ dotazování používáme zkratku CAWI (Computer Assisted
Web Interviewing).
Existují i techniky, které jsou založeny na automatizovaném sběru dat. Jako příklad mů-
žeme jmenovat monitorování návštěvnosti webových stránek.
KAPITOLA 5
5. Panel respondentů
5.1 Co je panelový výzkum a proč se používá

Ve statistice představují tzv. panelová data soubor pozorování nějakého znaku (či více
znaků) na skupině stejných jednotek (osob, domácností, firem, států, apod.) v průběhu
času. Příkladem panelových dat tedy jsou například údaje o průměrné roční míře neza-
městnanosti ve čtrnácti krajích České republiky v průběhu let 1993 až 2016. Panelová data
tak kombinují prvky časových řad (pozorování v průběhu času) a průřezových (cross-se-
ctional) dat (pozorování pro jednotlivé jednotky souboru).
Analogicky tomu ve výzkumu panelem rozumíme skupinu respondentů podstupujících
určité dotazování či měření opakovaně (či kontinuálně) po jistou delší dobu (od několika dní
až po mnoho let). Takto organizovaný výzkum se pak nazývá panelovým šetřením (někdy
se též používá termín longitudinální studie). Panelová šetření v České republice provádí
Český statistický úřad, akademické a jiné veřejné instituce a v neposlední řadě výzkumné
agentury na komerční bázi jako rozsáhlé mediální a spotřebitelské výzkumy, případně jako
výzkumné panely pro ad hoc marketingové výzkumy (viz část 5.2, Druhy panelů).
Na panel v dané fázi sběru dat lze pohlížet jako na jakýkoliv jiný vzorek respondentů
běžného výzkumu. Jako u každého výzkumu závisí použitá výzkumná metoda (viz kapito-
la 4, Sběr dat) na okolnostech, stejně jako způsob zpracování a analýzy dat (viz kapitola 6,
Analýza dat). Specifikem panelových šetření oproti „běžným“ výzkumům je dlouhodobá
spolupráce výzkumné agentury se stálou (či jen postupně se v čase obměňující) skupi-
nou respondentů, panelistů. Tato spolupráce zahrnuje jak samotné opakované či konti-
nuální dotazování či měření, tak další komunikaci, jako je aktualizace základních údajů
o respondentech, jejich průběžné odměňování za účast ve výzkumu či operativní řešení
nastalých problémů, urgence apod. (více viz část 5.4, Správa panelu).
Co je motivací pro realizaci panelových šetření oproti běžným výzkumům? Je-li cílem
zachytit vývoj zkoumané oblasti v čase, lze samozřejmě použít kontinuální výzkum reali-
zovaný například v kvartálních vlnách, vždy tvořených novým vzorkem respondentů. To je
příklad mediálních výzkumů Media projekt či Radioprojekt (více o nich viz část 12.4).
Takto je možné reportovat například vývoj čtenosti či poslechovosti daného mediálního
titulu, aniž by bylo nutné pracovat se stálou skupinou respondentů. Co nás tedy vede
k volbě panelového šetření?
Existují minimálně tři důvody pro použití panelu, které však samozřejmě mají v kon-
krétních případech různou váhu. V mnoha případech pak tyto důvody nepřeváží nevýhody
spojené s použitím panelu (viz také část 5.7, Úskalí panelových šetření) a rozumnější
volbou jsou v čase opakované vlny výzkumu.
Prvním důvodem, který může favorizovat použití panelu, je úspora nákladů. Někdy je
proces vyhledání, rekrutace a počátečního zaškolení respondentů tak pracný a nákladný, že
se ekonomicky vyplatí takto získaného respondenta vytěžovat po delší dobu. Tento argu-
ment je platný především tehdy, je-li dotazování či měření prováděno téměř kontinuálně
(například každý den). V tom případě by bylo nákladově naprosto neúnosné každý den
oslovit zcela nový vzorek respondentů.
Snad nejlepším příkladem je kontinuální elektronické TV-metrové měření sledovanosti
(viz část 12.4). Získat novou domácnost ke spolupráci na tomto panelovém měření je – při
respektování podmínek nezávislého náhodného výběru – samo o sobě nákladné. Dalším
krokem je instalace měřicích zařízení během osobní návštěvy vyškoleného technika a dů-
kladné proškolení domácnosti ve věci její potřebné spolupráce. Celkové náklady na získání
Panel respondentů 63
nové domácnosti do panelu tak násobně převyšují náklady na udržení existující domác-
nosti v panelu po dobu dalšího roku. Proto v tomto typu měření spolupracují domácnosti
v panelu typicky v průměru 4 až 5 let (ale jedna konkrétní domácnost třeba i 10 let).
Druhým možným důvodem pro použití panelového šetření je přímo potřeba získat
data pro totožné respondenty napříč časem. Například v sociologických výzkumech
je někdy zajímavé sledovat vývoj charakteristik (zaměstnání, příjem apod.) respondenta
v průběhu času. Z takových dat je pak možné pokoušet se usuzovat na časovou kauzalitu
jednotlivých faktů v životě respondenta. Není při tom možné získat dostatečně validní
údaje od respondentů jednorázově zpětně (retrospektivně), například proto, že si je přesně
nepamatují. Řešením je právě longitudinální studie.
Jiným příkladem je opět TV-metrové měření sledovanosti, kde je pro určení zásahu
(reach) reklamní kampaně třeba pozorovat její (ne)zásah u jednotlivých respondentů. Proto
je potřeba sledovat stejného respondenta alespoň po dobu trvání dané reklamní kampaně
(například měsíc). Obdobně je pak možné reportovat například týdenní či měsíční zásah
jednotlivých televizních stanic. U ne-panelových výzkumů, jako jsou již zmíněné Media
projekt či Radioprojekt, je toto řešeno například retrospektivním dotazem, zda respondent
četl/poslouchal daný mediální titul v posledním měsíci (pochopitelně validita takovýchto
retrospektivních odpovědí je obecně nižší).
Třetí výhodou panelových šetření je snížení statistické chyby změny reportovaných
údajů v čase. Při opakovaných vlnách mediálního výzkumu vždy na novém vzorku respon-
dentů dochází ke kolísání ukazatelů konzumace vybraného mediálního titulu, z důvodu
statistické (výběrové) chyby. Jednoduše řečeno, v každé vlně výzkumu je díky čiré náhodě
mírně jiné zastoupení konzumentů daného titulu. Toto náhodné kolísání časových řad
pak nepříjemně komplikuje analýzu trendů konzumace. V případě panelového šetření
nedochází mezi dvěma obdobími ke kompletní výměně reportujícího vzorku a výběrová
chyba je tedy podstatně eliminována. Tento pozitivní efekt je o to silnější, čím nižší je
obměna panelu v čase (viz též část 5.6, Obměna panelu) a čím stabilnější je chování re-
spondentů v čase.
5.2 Druhy panelů

Jednotlivé výzkumné panely se liší v mnoha směrech: velikostí vzorku, způsobem výstav-
by (rekrutace) panelu, dobou spolupráce respondenta, výzkumným tématem, metodami
sběru dat, formou a mírou komunikace výzkumné agentury s členy panelu, způsobem
odměňování panelistů atd.
Někdy jsou členy panelu jednotlivci, jindy celé domácnosti. Závisí to na povaze zkouma-
ného jevu, na způsobu získávání dat (včetně potřebné spolupráce ze strany panelistů) a na
možnostech rekrutace panelu. Například v TV-metrovém panelu je z důvodů ekonomic-
kých, organizačních i výzkumných důležitá spolupráce všech členů domácnosti zapojené
do měření sledovanosti televize. V jiných případech je vyhovující zapojení jednotlivých
osob a nucení do spolupráce celých domácností by bylo bezúčelné až kontraproduktivní.
Uveďme nyní jednotlivé typy panelů (panelových výzkumů/dat), s nimiž se můžeme
v dnešní době setkat.
„Běžné“ panelové výzkumy: Tímto označením máme na mysli panelová šetření, kte-
rá se nejvíce podobají běžným „nepanelovým“ výzkumům. Jde tedy o klasické šetření
za pomoci dotazníku (dotazníků), ať už formou osobního rozhovoru s tazatelem, nebo

samovyplňováním respondentem. Specifikem je pouze to, že stejní respondenti (jed-
notlivci či domácnosti) jsou za účelem dotazování oslovováni opakovaně, například po
dobu několika let. Pochopitelně část respondentů z první vlny již odmítne účast ve vlně
následující atd. Příklady takových výzkumů v České republice jsou „Životní podmínky
EU-SILC“ (ČSÚ; zkoumá příjmy, bydlení, pracovní a materiální podmínky atd.; průběžně
obměňovaný panel cca 8 tisíc domácností dotazovaných jednou za rok po dobu čtyř let) či
„Proměny české společnosti“ (SOÚ AV ČR, CERGE-EI a FSS MU; zkoumá životní pod-
mínky, zkušenosti a postoje domácností; v roce 2015 dotázáno 5212 domácností, v roce
2016 více než 4000 z nich, zbývají vlny v letech 2017 a 2018). V minulosti pak například
„Generations and Gender Survey“ (výzkum mezigeneračních a partnerských vztahů, dvě
vlny v letech 2005 a 2008) či „Rodina 1989–98“ (sledoval životní a profesní dráhu dětí po
skončení základní školy).
TV-metrové panely: Kontinuální elektronické měření sledovanosti televize za pomoci
fixních měřicích zařízení (TV-metrů), umístěných u jednotlivých televizorů ve spolupra-
cujících domácnostech. Obnáší spolupráci všech členů domácnosti starších (většinou) čtyř
let (často i hostů v těchto domácnostech) formou přihlašování se k přítomnosti v místnosti
pomocí speciálního dálkového ovladače. Tato forma měření sledovanosti televize se používá
v drtivé většině vyspělých zemí a jedná se o jedny z technicky i metodicky nejkomplexněj-
ších a nejdůležitějších panelových výzkumů. TV-metrové panely mají nejčastěji velikost
1000 až 2000 domácností, ve velkých bohatých evropských zemích (Německo, Velká
Británie, Francie, Itálie) pak dokonce 5000 až 6000 domácností. Obměna těchto panelů
činí typicky 20–25 % ročně. Více o českém projektu elektronického měření sledovanosti
televize najdete v části 12.4.
Panely mobilních měřidel: Respondenti (jednotlivci) nosící u sebe buď speciální elek-
tronické měřicí zařízení, nebo měřidlo v podobě aplikace v chytrém mobilním telefonu.
Slouží nejčastěji k měření poslechovosti rozhlasu (například v USA, Kanadě, Norsku,
Švédsku, Švýcarsku či Dánsku), sledovanosti televize mimo domov (například v Norsku),
výjimečně k měření veškeré sledovanosti televize (v Kanadě). V České republice je pří-
kladem panel adMeter 2012 1000 respondentů výzkumné agentury MEDIAN či výzkum
mobility obyvatel v rámci projektu Impact (Nielsen Admosphere a MGE data). Obměna
těchto panelů je obvykle rychlejší než u TV-metrových panelů díky náročnější spolupráci,
případně častější obměně chytrých mobilních telefonů.
Online panely: Panely jednotlivců s měřicím softwarem na jejich počítačích, chytrých
mobilních telefonech či tabletech (někdy i na několika typech těchto zařízení). Slouží
k zachycení internetové mediální konzumace na těchto zařízeních. U panelů sdílených
zařízení (počítače a tablety) je někdy potřeba spolupráce více členů domácnosti zahrnující
identifikaci osoby, jež v danou chvíli měřené zařízení používá. Velikost takových panelů,
provozovaných například agenturami Nielsen či Kantar Media, se pohybuje od jednotek
po desítky tisíc. Obměna online panelů je opět rychlejší než u TV-metrových panelů. Pří-
kladem kvalitativně mírně jiného online panelu je pop-up cookie panel v rámci projektu
NetMonitor (viz část 12.4).
Deníčkové výzkumy: Skupina respondentů zaznamenávajících po jistou dobu své
aktivity v požadovaném detailu do papírových či online deníčků (může být použita i je-
jich kombinace). Nejčastější využití deníčků slouží pro výzkum poslechovosti rozhla-
su (například Velká Británie, Belgie, Nizozemsko, Finsko), avšak zkoumána může být
i sledovanost televize (do současnosti používáno na lokálních trzích v USA) či mediální

konzumace v celé šíři (viz Crossmediální studie, 2015) či zcela jiný typ aktivit (spotřební
chování, životní styl atd.). Spolupráce na takovém výzkumu je pro respondenty poměrně
náročná, a proto je většinou předem časově omezena (u rozhlasového výzkumu obvykle
na jeden týden). Deníčkové šetření může být jednorázové či opakované (ovšem již s nově
rekrutovanými respondenty). Příkladem kontinuálního deníčkového výzkumu v České
republice je výzkum „Statistika rodinných účtů“ (ČSÚ), v jehož rámci soubor 3000 do-
mácností zapisuje po dobu jednoho roku veškeré příjmy a výdaje do tiskopisu sešitového
formátu na příslušný měsíc.
Spotřebitelské panely: Panely většinou celých domácností sloužící k zachycení jejich
spotřebitelského (nákupního) chování. Nejběžnější metodou sběru dat je použití speciál-
ní čtečky čárových kódů z obalů výrobků, která současně odesílá údaje na sběrný server
výzkumné agentury. Společnost Nielsen (v rámci své „Buy“ větve) provozuje takový pa-
nel ve více než 25 zemích světa (například v USA, Kanadě či Itálii). V Itálii jde o projekt
„Homescan“, který zahrnuje 9000 spolupracujících domácností, tvořících reprezentativní
panel italských domácností. V České republice provozuje spotřebitelský panel o velikosti
2000 domácností agentura GfK (ta provozuje obdobné panely například i v Německu
a Rakousku).
Výzkumné panely: Rozsáhlé databáze osob (desítky tisíc) ochotných účastnit se opa-
kovaně marketingových a jiných výzkumů formou internetových dotazníků. O členech
panelu jsou známy a pravidelně aktualizovány základní údaje: odpadá tak nutnost je zjiš-
ťovat v každém jednotlivém výzkumu. Také je možné konkrétním dotazníkem (probíhá
e-mailem) oslovit pouze předem vybranou skupinu osob (například vlastníci osobního
automobilu). Vzorkem jednotlivých výzkumů (každý většinou na jiné téma) tedy – na
rozdíl od všech předchozích typů panelů – není celý panel, ale většinou jen jeho malá
část. V České republice jde například o „Český národní panel“ (společný panel agentur
Nielsen Admosphere, NMS a STEM/MARK) či panel „mymap“, provozovaný výzkumnou
agenturou Kantar TNS CZ.
Big Data „panely“: Výstavba a provozování jakéhokoliv panelu je pochopitelně náklad-
ná záležitost a vždy se musí vypořádávat s nástrahami ohrožujícími kvalitu získávaných
dat, zvláště závisí-li na kvalitě spolupráce ze strany zapojených respondentů. Při nedo-
statečných velikostech panelů jsou navíc výsledky zatíženy výraznou statistickou chybou.
Možným řešením je čím dál tím častější využívání tzv. Big Data, sbíraných automaticky
(elektronicky) z velice rozsáhlých vzorků osob či domácností, bez potřeby jakékoliv jejich
vědomé spolupráce. Příklady jsou velice pestré: tzv. Return Path Data (data o přepíná-
ní televizních stanic zákazníků konkrétního operátora), transakční data klientů banky
či telefonního operátora, data o zákaznících obchodního řetězce (skrze různé klubové
karty) či například data o uživatelích různých internetových služeb. Tato data analyzují
primárně pro své interní potřeby společnosti, používáním jejichž služeb vznikají. Můžeme
se ale setkat i s jejich výzkumným využitím pro další subjekty: například nástroj BigPlan
pro venkovní reklamu využívající data operátora O2 o pohybu jeho zákazníků, majitelů
mobilních telefonů, či produkt Nielsen Digital Ad Ratings využívající data z Facebooku
pro určení velikosti a sociodemografického profilu zásahu reklamními kampaněmi na
počítačích, mobilech a tabletech.
5.3 Výstavba panelu

Realizace panelového šetření obsahuje všechny základní fáze, stejně jako každý „běžný“
výzkum (například vymezení cíle výzkumu, příprava výzkumných technik, sběr dat, zpra-
cování dat apod.). Kromě toho však zahrnuje i specifické činnosti výzkumné agentury,
dané právě dlouhodobostí spolupráce s respondenty výzkumu (viz například část 5.4,
Správa panelu). Nyní se zaměřme na důležitou fázi výstavby výzkumného panelu. Ta může
u rozsáhlých výzkumů trvat i mnoho měsíců a vyžaduje často značné personální kapacity
tazatelské sítě či call centra, ale i aktivitu ze strany projektového a analytického řízení
výzkumu.
U běžných, ne-panelových výzkumů je většinou prvotní oslovení respondenta (v případě
jeho souhlasu) ihned následováno samotným dotazováním; tím spolupráce s respondentem
prakticky končí (až na případné pozdější ověřování validity získaných dat). U panelových
výzkumů jde většinou pouze o úvodní kontakt, tzv. rekrutaci. Ta může proběhnout tele-
fonicky, e-mailem, osobně, klasickou poštou. Vše záleží na povaze výzkumu a na zdrojové
databázi kontaktů, s níž agentura pracuje.
Cílem a náplní rekrutačního kontaktu bývá:
■■ Ověřit příslušnost osoby (či domácnosti) ke zkoumané populaci (například že spadá

do daného věkového intervalu, používá výrobky a služby, jichž se výzkum týká, apod.).
Pokud tato podmínka není splněna, další komunikace je bezpředmětná. I v případě
následného odmítnutí účasti ve výzkumu je však užitečné informaci o přípustnosti
respondenta získat, proto je řazena na začátek rozhovoru.
■■ Popsat potenciálnímu respondentovi výzkum (kdo ho realizuje, kdo je zadavatelem
apod.) a především nároky, kladené během výzkumu na respondenta. S tím souvisí
i minimální požadovaná délka spolupráce a systém odměňování za účast v panelu.
Toto je obvykle kritická fáze, kdy většina kontaktovaných svoji účast v panelu odmítá.
Je proto klíčové vést komunikaci profesionálním a milým způsobem. Nároky kladené
na respondenta však není záhodno příliš bagatelizovat, jelikož takto nekorektně rekru-
tovaní respondenti často svoji účast ve výzkumu odmítnou či ukončí v dalších fázích,
případně bude kvalita od nich získaných dat nižší.
■■ V případě souhlasu s účastí v panelu získat o respondentovi další údaje, například jeho
podrobnější sociodemografický popis či další kontaktní údaje. Pokud již byly některé
údaje o respondentovi známy předem, dochází k jejich ověření/aktualizaci.
■■ V závislosti na dalším postupu může dojít k úvodnímu detailnějšímu proškolení re-
spondentů ohledně jejich spolupráce v panelu. Někdy je však toto proškolení součástí
až další fáze komunikace, například při osobní schůzce zahrnující předání či instalaci
měřicích zařízení.
■■ Domluvit další kroky: Další telefonát, osobní návštěvu tazatele, zaslání e-mailu s dal-
šími pokyny apod.
Rekrutační rozhovor by však nikdy neměl být příliš dlouhý, aby nezatížil (a tím negativně
nenaladil) respondenta hned v samotném úvodu spolupráce na výzkumu. Například v pří-
padě telefonního hovoru bychom se měli vejít do cca 10 minut. Je třeba počítat s tím, že
respondent stejně není schopen účinně vstřebat příliš mnoho informací a není tedy žádoucí
zacházet do přílišných detailů. Podstatné je získat „informovaný souhlas“ respondenta

(někdy jde o souhlas vyslovovaný za celou domácnost) se zapojením do panelu a získat/
/ověřit potřebné údaje o něm.
Procentuální úspěšnost rekrutací je pečlivě vyhodnocována a jsou na ni používáni jen
pracovníci s nejlepšími výsledky. Vyšší návratnost rekrutací může nejen přispět k repre-
zentativnějším výsledkům výzkumu, ale může agentuře ušetřit i nemalé náklady na kon-
taktování dalších a dalších potenciálních respondentů.
Ještě před samotným procesem rekrutace je třeba zajistit vhodný zdroj kontaktů na po-
tenciální respondenty. Může jít o existující databázi kontaktů, náhodné generování tele-
fonních čísel, kvótní výběr za pomoci tazatelské sítě apod. Může ale také jít o respondenty
nějakých předcházejících výzkumů, ať již souvisejících se samotným panelovým šetřením,
či nikoliv. Například domácnosti do TV-metrového panelu jsou ve většině zemí (Českou
republiku nevyjímaje) rekrutovány výhradně z těch domácností, které se účastnily tzv.
zaváděcího výzkumu (Establishment Survey), jenž bývá nedílnou součástí projektu měření
televizní sledovanosti. Proto bývá součástí jeho dotazníku i předběžná otázka na ochotu
zapojení se do měřeného panelu.
Pro zvýšení návratnosti rekrutačního procesu je někdy respondentům nabízena úvodní
finanční či kvazi-finanční odměna za vstup do panelu, vyplacená například ihned po pře-
vzetí/instalaci měřicího zařízení. Její časová bezprostřednost má motivovat respondenty
k navázání spolupráce a často je skutečně účinnější než příslib odměn v delším časovém
horizontu. Je však třeba se vyvarovat situace, kdy by výše této úvodní odměny motivovala
ke vstupu do panelu i osoby, které ihned po jejím vyplacení spolupráci ukončí. Výše úvodní
odměny může být pro různé skupiny respondentů různá, podle toho, jakou citlivost na
finanční motivaci vykazují a nakolik jsou v panelu nedostatkové. Výzkumné agentury se
pochopitelně snaží maximalizovat úspěšnost rekrutace, avšak současně šetřit své náklady.
Vhodná výše odměn je otázkou zkušenosti agentury a vzhledem ke specifičnosti každého
výzkumu často i otázkou hledání stylem pokus-omyl.
Jak již bylo řečeno, výstavba panelu často představuje proces trvající několik měsíců,
často v několika oddělených vlnách. Předem není známá procentuální úspěšnost rekrutací
a tedy ani počet osob (domácností), které bude třeba oslovit pro dosažení cílové velikosti
panelu. Je tedy třeba mít v záloze flexibilně navýšitelnou rekrutační bázi, případně ade-
kvátně upravovat proces rekrutace a výši odměn tak, aby bylo cíle dosaženo.
Kromě dosažení velikosti panelu je většinou potřeba docílit i toho, aby se jeho struktura
příliš neodchylovala od zkoumané populace (více viz část 5.5, Reprezentativita panelu).
Během výstavby panelu je tak často třeba jednotlivé rekrutační vlny cílit podle aktuální-
ho stavu již zrekrutovaného panelu a podle odhadované návratnosti rekrutací v různých
cílových skupinách.
Potřebná forma a obsah počátečního proškolení panelistů ohledně jejich spolupráce
v panelu pochopitelně přímo závisí na povaze této spolupráce – vyplňování deníčku, ob-
sluha měřicího zařízení (fixního či mobilního) apod. Klíčová pravidla jsou respondentům
připomínána po celou dobu jejich účasti v panelu, avšak v případě zanedbání počátečního
proškolení může u panelistů dojít k ustálení nežádoucích zlozvyků, které se pak obtížněji
napravují.
5.4 Správa panelu

Účast v některých typech panelů (například TV-metrové, online, spotřebitelské) je dlou-
hodobá (jednotky let) a obnáší pro respondenty (někdy celé domácnosti) nějakou formu
kontinuálního měření (často s využitím speciální měřicí technologie) či poskytování dat.
Aby tento proces mohl dlouhodobě hladce fungovat a bylo dosahováno potřebné kvality
získaných dat, je třeba s respondenty průběžně komunikovat a řešit flexibilně jakékoliv
nastalé problémy. V této souvislosti hovoříme o tzv. správě panelu (panel management).
Výzkumné agentury realizující dlouhodobé rozsáhlé panelové výzkumy mají pro tento
účel vybudované speciální týmy, speciální postupy, softwarové a jiné nástroje. Účelem
správy panelu je:
■■ Řešení jakýchkoliv nastalých problémů v dotazování/měření, odesílání dat apod. (pro-

blém může být detekován výzkumnou agenturou anebo nahlášen samotným panelistou).
■■ Průběžné připomínání pravidel spolupráce v panelu, a to buď při podezření na jejich
neplnění, čistě preventivně, anebo při jejich změně (upřesnění).
■■ Dbát na to, aby se panelisté cítili v panelu příjemně a byli motivováni ve spolupráci
setrvat a zachovat úroveň její kvality.
■■ Administrace systému odměňování panelistů.
■■ Aktualizace údajů o panelistech. Může jít o základní sociodemografický popis anebo
o údaje potřebné pro správné nastavení procesu měření/dotazování.
■■ Nabízet členům panelu (nepovinou) účast v doplňkových modulech výzkumu (na-
příklad měření sledovanosti na počítačích či „výzkum životního stylu“ v případě TV-
-metrového panelu).
Frekvence a technický způsob komunikace s panelisty závisí ve velké míře na povaze vý-
zkumu. Může jít o komunikaci telefonickou, e-mailovou či poštovní (zasílaní deníčkových
listů či jiných tištěných materiálů). Tato komunikace musí být efektivní, srozumitelná,
nekonfliktní, laskavá a ve výsledku tak co nejméně obtěžující. Obecně vnímají někteří
panelisté příliš častou komunikaci jako nežádoucí nadměrnou zátěž. Někdy oceňují, pokud
je komunikace s nimi vedena stále stejným členem týmu výzkumné agentury, který má
na starosti management panelu (panel management tým). Členové týmu jsou vybíráni
s ohledem na komunikační dovednosti, i když je pochopitelně potřeba, aby se orientovali
i v problematice dotyčného výzkumu.
Pro efektivní vedení komunikace s panelem používají výzkumné agentury vhodné
softwarové nástroje. V nich je zaznamenána historie komunikace s panelistou, úkoly z ní
vyplývající (například návštěva technika), případně důležité poznámky ohledně vhodné
doby volání, vhodného oslovení apod. Některé telefonáty mohou být nahrávány pro poz-
dější interní analýzu v rámci panel management týmu, či společně s analytikem-metodikem
výzkumu. Jedním ze způsobů, jak eliminovat zbytečnou komunikaci s členy panelu, jsou
různé automatické systémy detekce možných problémů v měření či dodávce dat.
Tzv. technická správa panelu zahrnuje řešení problémů s měřicím zařízením, je-li takové
ve výzkumu použito (TV-metr, přenosné měřidlo, čtečka čárových kódů apod.). V jedno-
dušších případech vyřeší problém sám panelista po telefonní konzultaci se zaměstnancem
správy panelu (například zapojí TV-metr zpět do elektrické sítě). Jindy je problém vzdáleně
analyzován specialisty technické správy panelu a pokud není jiná možnost, je s panelistou
domluvena osobní schůzka, například osobní návštěva speciálně vyškoleného technika

přímo v jeho domácnosti. Do doby odstranění problému by neměla být data od dotyčného
panelisty (domácnosti) součástí reportovaných výsledků měření.
Klíčovou motivací pro členství v panelu bývá pro spousty respondentů pocit užitečnosti
a zájem podílet se na zajímavém projektu. Kromě toho je však třeba je za účast v panelu
i hmotně/finančně odměňovat. Panelistům to mimo jiné přináší i psychologicky důležitý
pocit, že si výzkumná agentura jejich spolupráce cení a je ochotná ji spravedlivě a důstoj-
ně odměnit. Pokud by ale samotná finanční motivace byla dominantní, projekty by to
mohlo prodražit a navíc by mohlo docházet k narušení reprezentativity panelů směrem
k nízkopříjmovým skupinám populace.
Výše odměny za účast ve výzkumu může záviset na různých parametrech: délka pobytu
v panelu, počet měřených zařízení, počet členů domácnosti, účast v doplňkových částech
výzkumu, vzácnost daného panelisty z hlediska řízení struktury panelu apod. Frekvence
vyplácení (při vstupu do panelu, průběžně, jednou ročně apod.) a podoba odměn (věcné
dárky, nákupní poukázky, účast ve slosování apod.) se liší panel od panelu. V případě
věcných dárků by jejich povaha neměla nijak ovlivňovat život panelistů ve směru měře-
né/zkoumané oblasti (například TV-metroví panelisté logicky nemohou jako odměnu
dostávat předplatné kabelové televize).
Součástí reportovaných dat z panelových měření jsou i popisné údaje o respondentech
(pohlaví, věk, vzdělání, ekonomická aktivita apod.). Pomocí těchto údajů mohou uživatelé
dat tvořit v analytických softwarech cílové skupiny a analyzovat zkoumané mediální či
jiné chování napříč například věkovými či vzdělanostními kategoriemi. Proto je důležité,
aby tyto údaje o všech panelistech byly v každou chvíli správné a aktuální. Kvůli tomu
mívají členové panelů povinnost hlásit výzkumné agentuře neprodleně jakékoliv změny
těchto údajů (například ukončení vzdělání, svatba, ztráta zaměstnání apod.). Kromě toho
výzkumná agentura často sama pravidelně (například alespoň každý rok) kontaktuje členy
panelu s cílem provést ověření správnosti a aktuálnosti všech údajů. Například v TV-me-
trovém panelu představují klíčové změny v domácnosti pořízení nového televizoru (je
třeba ho opatřit měřicím zařízením) či změna složení domácnosti (například odstěhování
některého člena).
5.5 Reprezentativita panelu

Tak jako u každého výzkumu, i u panelových šetření je velice důležitá jejich reprezentativita
vůči zvolené cílové populaci. Jedině tak lze korektně extrapolovat výsledky z výběrového
vzorku na celou populaci, aniž bychom se dopouštěli systematické chyby. Cílová populace
může být definována různě, nejčastěji jde o nějakou věkovou skupinu obyvatel daného
státu. Někdy je však výzkum zúžen například jen na soukromé domácnosti s alespoň jed-
ním televizorem (TV-metrový panel) či na jednotlivce používající alespoň jednou měsíčně
internet v mobilním telefonu (Electronic Mobile Measurement).
Existují i panely, jež reprezentují ještě úžeji pojaté populace, například všechny jednot-
livce starší 15 let, kteří alespoň jednou za měsíc sledují nějaký televizní pořad na počítači.
Umožní to naměřit při stejné velikosti panelu větší objem aktivit a tím zvýšit „jemnost“
(přesnost) reportovaných výsledků. Praktickým problémem pak ale je neustálé vyhod-
nocování, zda člen panelu stále tuto podmínku splňuje. Pokud ne, měl by být z panelu
vyřazen. Nesmí to ale panelisty motivovat plnit tuto podmínku účelově jen proto, že se
jim líbí být členy panelu. Dále hrozí nesoulad při zjišťování splnění podmínky v nějakém
podpůrném deklaratorním výzkumu a jejím vyhodnocování z naměřeného chování. Na-
konec při prudkém rozmachu daného typu aktivit v celé populaci hrozí výrazná změna
struktury takto behaviorálně definované populace, vyžadující zvýšené úsilí o udržení
reprezentativity panelu, včetně jeho vyšší obměny.
Speciálním případem z hlediska řízení reprezentativity jsou výzkumné panely (viz
část 5.2, Druhy panelů). V jejich případě není primárně důležitá struktura těchto panelů
jako celku, jelikož pro jednotlivé výzkumy se vždy používá jen výběr například 500 či
1000 respondentů z panelu o velikosti v řádu desítek tisíc. Na tento výběr se aplikují kvóty
a poté vážení vzorku, aby byl reprezentativní vůči konkrétní cílové populaci daného jed-
noho výzkumu. Struktura celého výzkumného panelu je důležitá jen proto, aby výzkumná
agentura měla v zásobě dostatek respondentů ve všech potřebných cílových skupinách.
Pokud má celý panel sloužit jako reportující vzorek, je třeba průběžně monitorovat a řídit
jeho strukturu. Proměnným, z jejichž pohledu je struktura řízena, říkáme kontrolní znaky
či normové proměnné panelu. Jde o analogii kvótních proměnných v běžném výzkumu
s tím rozdílem, že zde se vše odehrává dynamicky v čase během provozu panelu po delší
období. Kontrolní znaky jsou voleny tak, aby měly nějaký vztah ke zkoumané/měřené
tematice, avšak existuje i množství dalších hledisek, na jejichž základě je seznam norem
stanoven. Například u TV-metrového panelu se mimo jiné hlídá věkové složení, jelikož
celkový objem sledovanosti i preference televizních stanic nejvíce závisí na věku osob.
Dále se pak sleduje například počet televizorů v domácnosti, počet osob v domácnosti,
vzdělání jednotlivců a mnoho dalších proměnných.
Monitoring struktury probíhá na úrovni předem definovaných kategorií proměnných
(například věkových kategorií) s předepsanými populačními četnostmi (získáno buď
z oficiálních statistik ČSÚ, nebo z podpůrných výzkumů, či jejich kombinací). Realizátor
výzkumu sleduje zvolený ukazatel odchylky struktury panelu od těchto četností (například
součet absolutních procentuálních odchylek) a snaží se je minimalizovat, resp. udržet
v mezích definovaných například smlouvou s objednatelem výzkumu. K tomu má v zásadě
dvě možnosti: cílené zaměření rekrutace nových domácností do aktuálně nedostatkových
kategorií a vyřazování domácností z nadbytečných kategorií z panelu. Jelikož kontrolních
znaků je větší množství (i přes 10 proměnných), jde o jistou formu vícekriteriální optimali-
zace. Pro tyto účely mají agentury speciální softwarové nástroje, s jejichž pomocí provádějí
optimální výběr domácností (z dostupné rekrutační báze) k oslovení s žádostí o zapojení
do panelu. Panel tedy není čistě náhodným výběrem, ale vždy se kombinuje s principem
kvótního výběru (řízené struktury).
Sebelepší systém řízení struktury panelu nemůže zajistit přesnou shodu jeho struktu-
ry s cílovou populací. Proto je například TV-metrový panel každý den ještě vážen (viz
část 6.1.3, Vážení). Vážení se provádí každý den znovu, protože vzorek domácností tvo-
řících tzv. čistý (reportující, funkční) panel se ze dne na den mírně mění v závislosti na
tom, které domácnosti vykazují některou z chyb vyřazujících je z čistého panelu. Seznam
vážicích proměnných a jejich kategorií obvykle kopíruje používané normové proměnné
panelu, čímž je dosaženo dovážení s rozumným rozsahem vah. Extrémní váhy, tak jako
u všech výběrových vzorků, zvyšují velikost statistické chyby (snižují tzv. efektivní velikost
panelu) a ztěžují interpretaci výsledků.
V souvislosti s normami a vážením panelu je důležitá i aktuálnost hodnot vážicích pro-

měnných na panelu, jejich srovnatelnost se zdrojem teoretických četností a v neposlední
řadě také pravidelná (například jednou za rok) aktualizace teoretických četností a vážicích
univerz. Jedině tak lze docílit, že panel skutečně bude v každou chvíli reprezentativní a bude
zachycovat aktuální stav zkoumané populace.
5.6 Obměna panelu

Podstatou panelu sice je stálý vzorek respondentů v průběhu času, tento vzorek ale v praxi
nikdy nemůže být 100% stálý delší dobu. Někteří respondenti v průběhu výzkumu z něja-
kého důvodu své členství v panelu ukončí a jejich výpadek je třeba doplnit rekrutací nových
respondentů. Hovoříme tak o obměně panelu (panel replacement, renewal, rotation).
Důvody vedoucí k obměně konkrétního panelisty (či domácnosti) jsou různé:
■■ Vlastní rozhodnutí respondenta ukončit spolupráci na výzkumu (již ho spolupráce

nebaví, příliš zatěžuje apod.).
■■ Přetrvávající technické či logistické problémy spojené s členstvím respondenta v panelu
(například slabý signál mobilních operátorů, špatná dostupnost bydliště respondenta,
výpadky elektrického proudu atd.).
■■ Nedostatečná kvalita spolupráce respondenta na výzkumu (neplnění povinností, ne-
komunikace s agenturou apod.).
■■ Aktivní řízení struktury panelu ze strany výzkumné agentury (nucené vyřazení respon-
denta z nadbytečných kategorií).
■■ Respondent opustí zkoumanou populaci (zestárne, zemře, přestane vlastnit televizor,
odstěhuje se ze země apod.).
Ideálním kandidátem na vyřazení z panelu je samozřejmě respondent, který naplňuje

hned několik z výše uvedených důvodů k obměně. Například nekvalitně spolupracující
respondent, který navíc není svými charakteristikami z hlediska struktury panelu „vzácný“.
Obměna panelu se většinou děje průběžně, nikoliv nárazově. Je to výhodné pro plynulejší
rozložení práce výzkumné agentury (panel management, technická správa, rekrutace),
ale i pro vyšší stabilitu dat v čase (absence „skoků“ způsobených náhlou obměnou větší
části panelu).
Vyšší obměna panelu logicky snižuje výhody panelového výzkumu (viz část 5.1, Co
je panelový výzkum a proč se používá), zvyšuje náklady výzkumu (vyšší rekrutační báze,
náklady rekrutace a proškolení nových respondentů), komplikuje analýzy zahrnující delší
období dat z panelu a zvyšuje kolísavost časových řad (například časové řady sledovanosti
jednotlivých epizod televizního seriálu). Na druhou stranu jistá úroveň obměny panelu
je potřebná pro zachování potřebné úrovně spolupráce respondentů a reprezentativity
panelu. Kompromisem je pak optimální výše obměny garantující co nejlepší kvalitu dat
při daných nákladech výzkumu.
Rychlost obměny panelu se vyjadřuje jako % velikosti panelu, které je obměněno za jeden
rok. Například u TV-metrových panelů činí typicky 20 až 25 %. Zajímavé je, že výzkumné
agentury jsou v některých zemích zavázány k naplnění jisté minimální úrovně obměny
panelu a v jiných zemích naopak musí garantovat zadavateli, že roční obměna nepřekročí
jistou hranici. Při roční obměně panelu 25 % je potřeba, aby respondenti v panelu v prů-
měru setrvali čtyři roky. Mnoho respondentů v něm však setrvá třeba jen dva roky, a proto
je třeba, aby v něm jiní vydrželi naopak například šest let.
U přenosných měřidel či online panelů bývá obměna rychlejší kvůli tomu, že v nich
respondenti nejsou ochotni setrvávat v průměru takovou dobu (spolupráce je náročnější,
více narušuje jejich běžnou denní rutinu), případně díky rychlejší obměně chytrých mo-
bilních telefonů (jsou-li nosiči měřicí aplikace).
V některých zemích požaduje zadavatel TV-metrového měření, aby žádná domácnost
v panelu nesetrvala déle než jistý počet let – vyskytují se limity 4 až 10 let. Někdy nejde
o striktní limit, jen jsou při obměně panelu preferovány ty domácnosti, které se v něm
nacházejí již delší dobu. V jiných zemích (například Velká Británie) naopak stojí o účast
domácností v panelu po co nejdelší dobu. V některých zemích existují domácnosti „slou-
žící“ v TV-metrovém panelu i přes 20 let.
Motivací pro zavedení limitu délky členství v televizním panelu bývá obava zadavatelů
měření z jisté únavy panelistů z dlouhodobé spolupráce. A to i přesto, že analýzy v několika
zemích (například Nizozemsko, Česká republika) tyto obavy nepotvrdily. Na Ukrajině
byla motivací obava z delšího setrvání domácnosti v panelu z důvodu vyššího rizika jejího
zkorumpování. K takovým pokusům bohužel například v některých zemích východní
Evropy skutečně občas dochází (proto je velice důležité identitu zapojených domácností
střežit). Jindy je za požadavkem limitu délky členství v panelu spíše psychologická rovina
vnímání „starého“ panelu jako něčeho a priori nežádoucího.
5.7 Úskalí panelových šetření

V části 5.1, Co je panelový výzkum a proč se používá jsme zmínili výhody panelového
výzkumu oproti opakovaným výzkumům na vždy novém vzorku respondentů. Použití
panelu má v konkrétních situacích ale pochopitelně i své nevýhody.
První problém byl již naznačen v části 5.6, Obměna panelu – jde o nemožnost udržet
po delší dobu panel bez obměny. Při výpočtech nad daty zahrnujícími delší období je
tedy vždy třeba se nějak vypořádat s tím, že nepracujeme s dokonalým fixním vzorkem
respondentů, ale že někteří respondenti v jednotlivých dnech, týdnech či vlnách výzkumu
v datech chybí. Závažnost tohoto problému pochopitelně narůstá s vyšší rychlostí obměny
panelu a s délkou období, které potřebujeme analyzovat.
Kupříkladu u TV-metrových panelů je běžně třeba počítat zásah (reach) televizní re-
klamní kampaně, trvající například měsíc či dva. Přitom někteří panelisté během této
doby panel opustí a jiní se v něm nově objeví (navíc dochází k mezidenní fluktuaci čistého
panelu). S touto nestálostí vzorku se pak jednotlivé analytické softwary na práci s daty
sledovanosti televize (viz kapitolu 7) vypořádávají různě, někdy dochází k mírnému pod-
hodnocení zásahu kampaně právě kvůli dnům, kdy jistý respondent nebyl členem čistého
panelu a my tedy nevíme, zda zrovna v daný den neshlédl příslušný televizní spot.
Dlouhodobá spolupráce respondenta v panelu může vést k jeho „únavě“ a v důsledku
toho ke klesající kvalitě spolupráce. Například se snižuje jeho míra soustředění a pečlivosti
při vyplňování dotazníků nebo svědomitost při obsluze měřicího zařízení (například v pa-
nelu přenosných měřidel respondent častěji zapomíná nosit měřidlo u sebe).
Řešením by mohla být cílená rekrutace pouze respondentů natolik nadšených, discipli-
novaných, obětavých, kteří nemají obavy o své soukromí, aby vydrželi v panelu po dlouhou
dobu bez výrazného poklesu kvality jejich spolupráce. Zde ovšem narážíme na otázku
skutečné reprezentativity takto konstruovaného panelu. Osoby nadšené do výzkumu jisté
oblasti mívají k dané oblasti v průměru kladnější vztah: například osoby ochotné vstoupit
do TV-metrového panelu mají v průměru vyšší televizní sledovanost. Obecně může na-
růstat kritika, že tak dlouho budou spolupracovat v panelu jen „zvláštní lidé“, kteří jistě
nemohou věrně reprezentovat „normální“ populaci.
Dalším nebezpečím je tzv. „profesionalizace“ respondentů. Po jisté době pobytu v panelu
se u některých respondentů vyvine schopnost či záliba například vyplňovat dotazníky
specifickým (nepřirozeným) způsobem:
■■ S aktivistickou snahou „zlepšovat“ výsledky výzkumu, například podpořit své oblíbené

médium, pořad či značku.
■■ S pokušením v rámci svého pobytu v panelu experimentovat, testovat mechanismy
dotazníku či kontroly kvality ze strany výzkumné agentury.
■■ Snaha potěšit výzkumnou agenturu („Tak já si pustím rádio, ať jim to také něco naměří“).
■■ Snaha zvýšit vlastní odměnu za pobyt v panelu (proto by nikdy výše odměn neměla být
přímo navázána na míru vykonávání zkoumaných aktivit).
■■ Rychle a pohodlně (nikoliv nutně poctivě podle reality).
Změnám v chování respondentů, které jsou důsledkem jejich pobytu ve výzkumném

panelu, se souhrnně někdy říká „panelový efekt“. Například v případě TV-metrových
panelů se v mnoha zemích potvrdilo mírně jiné chování domácností v prvních několika
měsících pobytu v panelu, kdy je jimi vykazovaná sledovanost vyšší než posléze. Hypotéza,
která se snaží tento jev vysvětlit, počítá s úvodním „nadšením“ a zvědavostí z přítomnosti
měřicího zařízení v domácnosti a v důsledku toho s častějším zapínáním televizoru. Mimo
jiné i proto je žádoucí, aby obměna panelu probíhala kontinuálně, tedy aby byl udržován
přibližně stálý mix čerstvých a déle sloužících respondentů.
S konkrétním příkladem panelového efektu se potýkají provozovatelé výzkumných
panelů v situaci, kdy totožný respondent odpovídá na dotazník na podobné téma poně-
kolikáté. Nejzřejmější je tento problém u otázek na spontánní či dotázanou znalost nějaké
značky, služby či výrobku. Hovoříme o nežádoucí „edukaci“ panelistů. Nejen že se rozšiřuje
jejich povědomí o často zkoumaných tématech, ale mohou se pod vlivem této nechtěné
propagace dokonce stát i jejich uživateli.
Navázání dlouhodobého užšího vztahu s výzkumnou agenturou (včetně například
občasné telefonické komunikace) může teoreticky u některých respondentů představovat
nežádoucí pocit vystoupení z anonymity. Kvůli tomu pak mohou, ať již podvědomě nebo
záměrně, začít eliminovat či zamlčovat některé citlivé skutečnosti, jako jsou výdaje za al-
kohol, konzumace pornografie, ztráta zaměstnání apod.
KAPITOLA 6
6. Analýza dat
6.1 Základní metody analýzy dat (tabulky, grafy,

vážení)
Následující kapitola by měla být nápomocná při základním zpracování dat výzkumu.
Po přípravě dotazníku, volbě metody oslovení respondentů a samotném sběru dat se
dostáváme k analytické práci s daty. Pokud byla zvolena metoda, která pracuje s elek-
tronickým dotazníkem, je zpravidla jeho výstupem datová matice. V případě použití
papírových dotazníků máme několik možností: můžeme využít software pro skenování
dotazníku a následný převod odpovědí do elektronické datové matice, nebo lze využít lid-
ské zdroje a data převést do elektronické podoby (matice) ručním přepisem (tzv. pořídit).
Abychom se vyvarovali chyb vzniklých přepisem, doporučuje se alespoň část dotazníku
přepsat (neboli pořídit) dvakrát nezávisle na sobě, s následným srovnáním a kontrolou
odchylek, a použít i další dodatečné kontroly správnosti (Sdružení agentur pro výzkum
trhu a veřejného mínění, SIMAR, například ve svých standardech doporučuje minimálně
30 % vzorku pořídit dvakrát).
6.1.1 Typy proměnných

Detail a způsob zpracování dat se liší podle typu proměnné, proto je potřeba si na začátku
proměnné lépe představit. Proměnná představuje pro výzkumníka vždy jeden údaj, jednu
odpověď v dotazníku.
Příklad
Proměnná „Pohlaví“ reprezentuje v dotazníku odpověď na jednovýběrovou otázku, zda je

respondent muž, nebo žena.
Multivýběrová otázka (možnost více odpovědí) má následující podobu: „Kde všude jste
v posledním týdnu sledoval zpravodajství?“
■■ V televizi.
■■ Na internetu (videa, články).
■■ V rozhlase.
■■ V tisku.
V datech je prezentovaná čtyřmi proměnnými. (Otázka zkoumá čtyři údaje: sledoval v po-
sledním týdnu zpravodajství v televizi – ano/ne, atd.).
Polootevřená otázka: „Jaká zařízení používáte nejčastěji pro čtení elektronických knih?“
■■ Stolní počítač anebo notebook (1).

■■ Tablet (2).
■■ Elektronická čtečka knih (3).
■■ Smartphone (tzv. chytrý mobil) (4).
■■ Jiné (uveďte jaké): … (5).
Analýza dat 77
Na polootevřené otázky se v datech pohlíží jako na dvě samostatné otázky. V tomto přípa-
dě je v datech jedna proměnná, která odpovídá jednovýběrové otázce (s možnostmi 1–5),
a druhá textová proměnná, která v případě zvolení odpovědi 5 (Jiné) obsahuje napsaný text.
Podle typu odpovědí se proměnné dělí na kvalitativní a kvantitativní.

Kvalitativní, nebo také kategoriální proměnné, jak již název naznačuje, vyjadřují
pouze zařazení do tříd/kategorií. Podle vztahu mezi těmito kategoriemi se dále dělí na
dvě podskupiny:
■■ Nominální proměnná obsahuje pouze rovnocenné varianty. Jednotlivé kategorie (jako

například pohlaví, druh používaného výrobku, navštěvovaný zpravodajský portál atd.)
tak nelze vzájemně poměřovat. Lze jen konstatovat, že jsou různé. U nominální pro-
měnné nemá smysl se ptát, která kategorie je vyšší (lepší, silnější…), ani cokoliv počítat
(součet, průměr…).
■■ Ordinální (pořadová) proměnná je kategoriální proměnná, u níž lze určit pořadí jejích
kategorií (například stupeň dosaženého vzdělání, frekvence nákupu, velikost místa byd-
liště, velikost oblečení atd.). Lze tedy říci, jestli je daná kategorie vyšší (lepší, silnější…),
ale vyčíslení, o kolik je vyšší (lepší, silnější…) již smysl nemá.
Zvláštním typem kvalitativní proměnné je proměnná dichotomická (binární, alternativní),

která má pouze dvě kategorie (například zná/nezná, spokojen/nespokojen).
Proměnné kvantitativní jsou proměnné měřitelné: lze u nich jasně určit, o kolik je daná
kategorie vyšší (lepší, silnější,…). Dělí se dvěma způsoby:
■■ Jednak můžeme kvantitativní proměnné dělit podle způsobu definice rozdílu hodnot
na proměnné intervalové (lze určit rozdíl hodnot, například teplota ve stupních Celsia)
a poměrové (lze vypočíst podíl hodnot, například počet členů domácnosti).
■■ Dále se kvantitativní proměnné mohou dělit podle hodnot, jichž nabývají, a to na
diskrétní (nabývají celočíselných hodnot, například počet dětí) a spojité (nabývající
libovolných reálných čísel, například počet hodin strávených u televize).
Numericky smysluplně INTERVALOVÉ/

vyjádřené rozdíly mezi POMĚROVÉ
kategoriemi
Smysluplné řazení kategorií ORDINÁLNÍ
Odlišné kategorie NOMINÁLNÍ
nejnižší stupeň nejvyšší stupeň
Obrázek 6.1: Rozdíl v „měřitelnosti“ proměnných podle jejich typu (zdroj: De Vaus, D.,
2002, upraveno autorem)
Hodnoty nominálních proměnných se v datových maticích zadávají jako číselné kódy,

ale neprovádí se s nimi aritmetické operace, číslo představuje pouze kódovaný „název“
kategorie. U ordinálních proměnných se hodnoty z důvodu zachování informace o pořadí
zadávají jako čísla.
6.1.2 Úprava a čištění dat, chybějící hodnoty

Vraťme se nyní k úpravě dat. Prvním krokem při zpracování je identifikování otevřených
a polootevřených otázek (tedy otázek s volnou odpovědí nebo s jednou možností kategorie
volné odpovědi). V tomto kroku je nutné zvážit, jaký výstup je z dané otázky požadován,
tedy zda a do jakého detailu je smysluplné odpovědi kódovat (tedy přiřadit odpovědi
číselný kód).
Příklad
Otevřená otázka: „Jaké značky ochucených minerálních vod znáte?“ Uvedené možnosti
konkrétních značek není problém kódovat a poté vyhodnotit jako nominální proměnné.
Otevřená otázka: „Jaký je váš názor na setrvání České republiky v Evropské unii?“ Tuto
otázku je naopak problematické kódovat, protože názory budou velmi pravděpodobně
unikátní. Lze však například zjednodušit kódování na pozitivní, negativní či neutrální názor.
Obvykle je u kódování potřeba projít všechny otevřené odpovědi a vybrat ty, které se
častěji opakují. K jedné odpovědi lze přidat i více než jeden kód (obzvlášť pokud jde
o názorovou otázku). Ke kódování otevřených otázek lze použít software na rozeznávání
klíčových slov – ani ten ale neřeší vše a jeho použití není vždy vhodné. Kódování je časově
náročná práce a někdy je přidělování kódu velmi individuální a závisí na osobě kodéra.
Proto nesmí chybět záznam o použitých kódech a vysvětlení, aby v případě potřeby šlo
stejné kódování použít znovu.
Velkou pozornost bychom měli věnovat definování proměnných (více v části 7.1 vě-
nované statistickému softwaru): jejich pojmenování, popisu hodnot, definování typu
proměnných a především analýze chybějících hodnot (missing values).
Obecně v datech rozlišujeme systémové chybějící údaje a uživatelem definované chybě-
jící údaje. Systémové chybějící údaje (system missing values) znamenají, že respondentovi
nebyla otázka položena. Zde je potřeba uvést, že důvody systémových chybějících údajů
jsou různé podle toho, jestli pracujeme s elektronickým, nebo papírovým dotazníkem.
V elektronickém dotazníku je nejčastějším a v podstatě jediným důvodem (mimo předčasné
ukončení dotazování) vzniku systémové chybějící hodnoty to, že je otázka pod filtrem jiné
otázky (například na návštěvnost konkrétních webových stránek se ptáme jen těch, kteří
internet využívají – tedy u respondentů, kteří internet nevyužívají, u této otázky hodnota
chybí). V případě správně nastaveného filtru považujeme takto definovanou chybějící
hodnotu za naprosto korektní. U papírového dotazníku může být důvodů více: chyba
Analýza dat 79
tazatele, který nepoloží otázku, nebo chybně zaznamená odpověď. Tyto chybějící hodnoty
by měly být následně předmětem čištění dat.
Uživatelem definovaná chybějící hodnota (user missing) vzniká, pokud byla respon-
dentovi otázka položena, ale on na ni odmítl odpovědět, nebo odpověď nezná, nebo žádná
z uvedených možností nekoresponduje s jeho odpovědí.
Při zpracování údajů vždy musíme myslet na to, zda chceme danou proměnnou zpra-
covat se zahrnutím chybějících hodnot, nebo ne. Pokud máme u proměnné větší počet
uživatelem definovaných chybějících hodnot (typicky nad 3–5 %), je potřeba analyzovat
důvod a podle toho s odpovědí pracovat.
Příklad
Jaký operační systém ve svém chytrém telefonu (smartphonu) využíváte?

Základ: Uživatelé smartphonu, N = 1010
0% 10 % 20 % 30 % 40 % 50 % 60 % 70 % 80 % 90 %
Android 79 %
Windows Phone 10 %
iOS (Apple iPhone) 5%
Symbian OS 2%
Blackberry OS 0,5 %
Jiný 0,2 %
Nevím 4%
Obrázek 6.2: Příklad uživatelem definované chybějící hodnoty u otázky na operační systém
telefonu (zdroj: Nielsen Admosphere)
U respondentů, kteří nepoužívají chytrý telefon, jsou v datech systémové chybějící hodnoty.
Uživatelem definovaná chybějící hodnota (v tomto případě „nevím“) se v datech objevuje
u 4 % respondentů. V této situaci ale odpověď „nevím“ nese informaci o tom, kolik % lidí
nemá přehled, jaký operační systém ve svém chytrém telefonu využívají. Lze například
sledovat meziroční změny, pokles neinformovanosti v této oblasti apod. V tomto případě
není uživatelem definovaná chybějící hodnota předmětem čištění dat a je korektní s ní
v analýzách pracovat.
Pokud se ale uživatelem definovaná chybějící hodnota objeví v otázce: „Jak často při-
stupujete k internetu?“, je třeba při čištění zvážit, jak s danou chybějící hodnotou naložit.
Neexistuje jednoznačný návod na to, jak u čištění chybějících hodnot postupovat. Každý
případ je nutné posuzovat individuálně, s důrazem na nezkreslování výsledků. Vždy je
důležité posoudit, o jak klíčovou otázku se jedná, kolik dalších otázek na ni případně
navazuje a jaká je kvalita dalších vyplněných odpovědí u problematických respondentů.
V prvním kroku čistění chybějících hodnot je potřebné brát zřetel na konzistentnost

a vyplněnost celých dotazníků u problematických respondentů a zvážit vyloučení dotazníků
nejproblematičtějších respondentů z dat z důvodu nevalidních odpovědí (právě z tohoto
důvodu doporučujeme ve fázi sběru dat mírně navýšit vzorek nad finálně požadovanou
velikost).
Dále je potřeba zvážit, jestli jsou v dotazníku otázky, které nám mohou pomoci dodefi-
novat chybějící odpověď. Pokud ne, můžeme použít některou ze sofistikovanějších metod,
jejichž popisem se zabývají celé kapitoly specializované literatury: nahrazení průměrem,
nahrazení skupinovým průměrem, nahrazení podle vzoru apod.
Předmětem další úpravy dat jsou různé nekonzistentnosti v dotazníku, které v něm
nebyly doladěny nebo vznikly chybným dotazováním. U nich postupujeme stejným způ-
sobem jako u čištění chybějících hodnot.
6.1.3 Vážení
Dalším krokem před samotným zpracováním dat je jejich navážení.
Vzhledem k hlavnímu cíli výzkumu – odhadnout vlastnosti celé populace na základě
výběrového vzorku – se obecně vždy snažíme o konstrukci co „nejlepšího“ vzorku. Nej-
lepší v tomto případě znamená co možná nejpodobnější (nejreprezentativnější), vzhledem
k populaci, o níž mají být učiněny závěry. Vzorek a jeho reprezentativitu popisujeme setem
vybraných znaků (proměnných neboli kvót) a jejich tzv. teoretickými četnostmi (jejich
známé zastoupení v populaci), z nichž pak lze stanovit vychýlení vzorku.
U stanovení vhodných kvót je třeba vždy přihlížet k předmětu výzkumu i k velikosti
zkoumaného vzorku. Za základní set proměnných pro hlídání reprezentativity se považují:
pohlaví, věkové skupiny, vzdělání, kraj a velikost místa bydliště, případně socioekonomický
status (například ABCDE klasifikace) a velikost domácnosti.
Vždy je potřebné volit kvóty s ohledem na zkoumané téma, například pro výzkum
o preferenci pohádek v domácnosti přihlížet k věku dětí v domácnosti, u výzkumu na téma
trávení volného času ohlídat složení vzorku vzhledem k velikosti a složení domácnosti
(například přes typologii životního cyklu).
U menších vzorků je potřeba zvážit dostatečné zastoupení v jednotlivých kategoriích
zvolených kvót. Při následném určování teoretických četností stanovených kvót je potřeba
využívat vždy důvěryhodné a aktuální zdroje (například Český statistický úřad), protože
zvolené hodnoty mají zásadní vliv na kvalitu výsledných dat.
Žádná ze zvolených výběrových metod výzkumu ale nepovede ve výsledku k napros-
to dokonalé reprezentativitě vzorku. Proto se v drtivé většině případů přistupuje k tzv.
vážení dat. Každému respondentovi v datovém setu je přiřazena váha (reálné číslo) tak,
aby se zvýšila reprezentativita dat a aby reálné četnosti kvót ve vzorku (to, v jaké struktuře
jsme data nasbírali) odpovídaly jejich teoretickým četnostem. Nejčastěji jsou váhy kon-
struovány algoritmem Iterative Proportional Fitting (IPF), známým též pod názvy rim
weighting, raking či Deming-Stephanův algoritmus.
Takto vzniká tzv. vážený vzorek, z nějž je možné počítat vážené četnosti a úhrny (místo
prostého počtu respondentů v dané kategorii použijeme součet vah těchto respondentů).
V případě celočíselných vah si to můžeme představit jednoduše jako virtuální replikování
daného respondenta ve vzorku na tolik jeho „klonů“, kolik činí hodnota jeho váhy. Ne-
Analýza dat 81
vážený vzorek je vlastně vážený vzorek, kde jsou váhy všech respondentů shodné. Někdy
je vhodné použití tzv. projekčních vah, které vyjadřují, kolik lidí z dotazované populace
reprezentuje jeden respondent.
Většina statistických softwarů umí pracovat s váhami a zpracovat výsledky z vážených
dat.
Příklad
Uvažujme vzorek 120 lidí ve věku 15–20 let z Prahy, který má být reprezentativní z hlediska
pohlaví. V nasbíraném vzorku je 40 žen a 80 mužů. Podle teoretických četností (zdroj: ČSÚ
k 31. prosinci 2015) je ale složení v této cílové skupině 51 % mužů a 49 % žen, tedy ideálně
bychom měli mít 61 mužů a 59 žen. Pokud všem ženám přiradíme váhu 1,48 a mužům váhu
0,76, vážené četnosti budou odpovídat teoretickým četnostem. Pokud bychom chtěli kon-
struovat projektované váhy, víme, že v Praze žije 55 087 obyvatel ve věku 15–20 let (z toho
27 856 mužů a 27 231 žen), projekční váha mužů je 348 a žen 681, tedy jedna žena v našem
vzorku reprezentuje cca 700 osob v cílové skupině.
Vážením dat se vylepšuje reprezentativita vzorku. V některých případech ale může váže-
ní kvalitě dat výrazně uškodit. Proto je při konstrukci vah potřeba hlídat jejich základní
statistické vlastnosti (minimum, maximum, průměr, rozptyl) a vyvarovat se především
vysokých hodnot vah, které ubírají z dat variabilitu (například pokud mají ve vzorku
vysokoškoláci průměrnou váhu 3, pak je jeden respondent v celkovém váženém vzorku
zastoupen svými odpověďmi vlastně třikrát). Na přípustný/vhodný interval vah existují
různé názory. Obecně se za dobré považují u náhodného výběru váhy v intervalu (0,4–2),
u kvótního výběru by se váhy měly pohybovat v užším rozmezí.
Příklad
Vzorek je reprezentativní vzhledem k obecné populaci 15+ podle křížení pohlaví × věk,
dále podle vzdělání, kraje a velikosti místa bydliště.
Tabulka 6.1: Vážení dat
VLASTNOSTI NORMOVANÝCH VAH:

Průměr 1
Minimum 0,81
Maximum 1,25
Směr. odchylka 0,08
Univerzum 8 937 230
Pravidlo % % % Průměrná Projekce

neváženo váženo norma váha
15–24 let 6% 6% 6% 0,98 556 198
25–34 let 8% 8% 8% 1,03 742 912
Muži 35–44 let 10 % 10 % 10 % 0,98 902 013
45–54 let 7% 8% 8% 1,04 692 532
55 a více let 16 % 16 % 16 % 1,01 1 461 807
15–24 let 6% 6% 6% 1,03 530 874
25–34 let 8% 8% 8% 0,99 703 029
Ženy 35–44 let 9% 10 % 10 % 1,01 853 946
45–54 let 8% 7% 7% 0,95 667 851
55 a více let 21 % 20 % 20 % 0,99 1 826 068
ZŠ + vyučen 53 % 54 % 54 % 1,01 4 796 725
Vzdělání SŠ s maturitou 32 % 32 % 32 % 0,99 2 834 320
VŠ 15 % 15 % 15 % 1,00 1 306 185
méně než 1000 obyvatel 11 % 17 % 17 % 1,01 1 524 234
1000–4999 obyvatel 22 % 22 % 22 % 1,00 1 948 727
Velikost
místa 5000–19 999 obyvatel 18 % 18 % 18 % 1,00 1 641 532
bydliště
20 000–99 999 obyvatel 24 % 22 % 22 % 0,92 1 955 013
100 000 a více obyvatel 19 % 21 % 21 % 1,00 1 867 724
Praha 12 % 12 % 12 % 1,00 1 076 579
Středočeský kraj 12 % 12 % 12 % 1,00 1 094 512
Jihočeský kraj 6% 6% 6% 0,98 540 425
Plzeňský kraj 6% 5% 5% 0,99 489 865
Karlovarský kraj 3% 3% 3% 0,99 254 806
Ústecký kraj 8% 8% 8% 0,99 694 492
Liberecký kraj 4% 4% 4% 1,04 370 150
Region
Královéhradecký kraj 5% 5% 5% 1,00 468 688
Pardubický kraj 5% 5% 5% 0,99 437 701
Kraj Vysočina 5% 5% 5% 1,02 433 791
Jihomoravský kraj 11 % 11 % 11 % 1,02 996 979
Olomoucký kraj 6% 6% 6% 1,00 540 813
Zlínský kraj 6% 6% 6% 0,99 500 298
Moravskoslezský kraj 12 % 12 % 12 % 0,99 1 038 131
Zdroj: autor
Pokud všechny předchozí kroky proběhly zdárně, můžeme přistoupit k samotné analýze
dat.
Analýza dat 83
6.1.4 Průzkumová analýza dat

Jak již bylo uvedeno na začátku této kapitoly, způsob analytického zpracování se liší podle
typu proměnné. Průzkumová analýza dat spočívá v určení četnosti, míry polohy (ukazatel
středu) a míry variability (rozložení hodnot kolem středu).
Nominální proměnná
Četnost (absolutní četnost, frekvence, frequency) je definovaná jako počet výskytů dané
kategorie jedné proměnné v datech. Četnost nám říká, kolik respondentů jako odpověď
na otázku zvolilo právě danou konkrétní hodnotu.
Relativní četnost (relativní frekvence, relative frequency) popisuje, jaká část ze všech
odpovědí připadá na danou kategorii. Typicky se vyjadřuje v procentech.
Pokud jsou v datech definované chybějící hodnoty, můžeme použít i tzv. validní četnost
(valid frequency), což je poměr absolutních četností vztažených k počtu validních odpovědí
(bez chybějících hodnot). Vyjadřuje se v procentech.
U relativních četností je vždy důležité v kontextu uvést, z jakého základu jsou vypočteny
nebo jakému počtu odpovídají. Bez uvedení základu může dojít k dezinterpretaci dat. Jinou
vážnost budeme dávat výsledku 50 %, pokud je základní vzorek 500 lidí, a jinou, pokud
je vzorek 10 lidí. Jestliže v grafu nebo tabulce relativních četností není velikost vzorku
uvedena, je třeba zvážit, jde-li o omyl, nebo o úmysl.
Nejčastější chybou, s níž se u relativních četností setkáváme, je sčítaní či průměr re-
lativních četností, které nemají stejný základ. Například ve dvou různých vzorcích („Ve
městě XY centrum“ a „Ve městě XY okolí“) položíme otázku: „Máte doma psa?“ V první
skupině na otázku odpovědělo kladně ze 100 lidí 50, tedy 50 %, ve druhé skupině čítající
50 lidí odpovědělo kladně 20 lidí, tedy 40 %. Výsledkem za celé město XY (centrum i okolí)
je ale 70/150= 47 %, nikoliv – jak by se mylně mohlo zdát – průměr procent, tedy 45 %.
Typickým zobrazením četností jsou tzv. frekvenční tabulky (frequency tables).
Příklad
Frekvenční tabulky pro nominální proměnnou:
Tabulka 6.2: Příklad frekvenční tabulky
Které z možností odrážejí očekávání ohledně vaší finanční situace v budoucnu?

Základ: Internetová populace 15+ s vlastním příjmem Absolutní četnost Relativní četnost
Bude lepší než dnes 131 28 %
Bude stejná jako dnes 227 48 %
Bude horší než dnes 59 13 %
Nevím 55 12 %
Total 473 100 %
Zdroj: autor
Doporučení: Přehledná tabulka vždy musí obsahovat znění otázky, aby bylo jasné, jakou
otázku analyzujeme, v ideálním případě i popis vzorku respondentů, kteří na danou otázku
odpověděli.
Jediná míra polohy, tedy pomyslný „střed“ proměnné, kterou lze zkoumat u nominálních
proměnných, je modus. Modus (mode) nominální proměnné představuje kategorii s nej-
větší četností, tedy nejčastěji uváděnou odpověď na otázku. V příkladu frekvenční tabulky
je modem kategorie „Bude stejná jako dnes“.
Míra variability pro nominální proměnné (například variační poměr, nominální rozptyl,
entropie) přesahuje rámec základních pojmů a ve výzkumné praxi se obvykle nepoužívá.
Typickým, ve srovnání s tabulkami pro mnohé lépe čitelným zobrazením výsledků jsou
grafy. Základním typem grafů pro nominální proměnné jsou grafy sloupcové/pruhové
(bar charts) nebo grafy koláčové (pie charts). Také pro graf (stejně jako pro tabulku) platí,
že musí obsahovat znění otázky, aby bylo jasné, jakou otázku analyzujeme, ideálně i popis
vzorku respondentů, kteří na danou otázku odpověděli.
Pro jednovýběrové otázky, kde součet odpovědí tvoří 100 %, volíme typicky některou
z variant koláčových grafů nebo skládaných sloupcových/pruhových grafů. Pro multivý-
běrové otázky, kde se vyhodnocuje každá položka zvlášť, se nejčastěji používají sloupcové/
/pruhové grafy, v nichž jsou zobrazeny všechny možnosti, a součet je tedy víc než 100 %.
Příklad
Obrázky 6.3a, b, c, d: Ukázky různých typů grafů: (a) sloupcový, (b) pruhový graf, (c) varianty
koláčových grafů, (d) sloupcový skládaný graf, (e) sloupcový graf pro multivýběrovou otázku
(zdroj: autor)

Základ: Internetová populace 15+ s vlastním příjmem, N = 473
a) sloupcový b) pruhový
60 %
48 % Bude lepší
28 %
50 % než dnes
40 % Bude stejná
jako dnes 48 %
28 %
30 %
Bude horší 13 %
20 % než dnes
13 % 12 %
10%
Nevím 12 %
0%
Bude lepší Bude stejná Bude horší Nevím 0% 10 % 20 % 30 % 40 % 50 % 60 %
než dnes jako dnes než dnes

Analýza dat 85

c) varianty koláčových grafů
12 % 12 %
28 % 28 %
13 % 13 %
Bude lepši než dnes

48 % Bude stejná jako dnes 48 %
Bude horší než dnes
Nevím

d) sloupcový skládaný graf

Bude lepší než dnes Bude stejná jako dnes Bude horší než dnes Nevím
28 % 48 % 13 % 12 %
0% 10 % 20 % 30 % 40 % 50 % 60 % 70 % 80 % 90 % 100 %
Na kterých sociálních sítích/komunikátorech máte účet?

Základ: Internetová populace 15+, N = 512
e) sloupcový graf pro multivýběrovou otázku

90 %
80 % 77 %
70 %
60 %
50 %
38 %
40 %
30 %
20 %
20 % 15 % 16 %
14 %
9%
10 % 6%
0%
0%
Facebook Youtube Whatsapp Twitter Instagram Snapchat Periscope Jiné Nemá
účet na žádné
sociální síti
Ordinální proměnná
Pro popis ordinální proměnné se používají stejné popisné charakteristiky jako pro no-
minální proměnné (četnosti, relativní četnosti, modus). Navíc jsou z definice ordinální
proměnné (uspořádání kategorií proměnné) definovány také kumulativní četnost a rela-
tivní kumulativní četnost.
Pro definování kumulativní četnosti je nutné logické uspořádání kategorií „od nej-
menšího po největší“. Kumulativní četnost (cumulative frequency) je postupně nasčítaná
četnost jednotlivých vzestupně uspořádaných hodnot.
Relativní kumulativní četnost (cumulative relative frequency) je opět jen relativním
vyjádřením kumulativní četnosti, tedy kumulativní četnost je vydělena celkovým počtem
odpovědí. Udává se typicky v procentech.
Příklad
Kumulativní četnost „nejmenší“ kategorie „méně než 1000 obyvatel“ je totožná s klasickou
četností. Kumulovaná četnost kategorie „1000–4999 obyvatel“ je definovaná jako součet
85 + 109 = 194. Interpretace kumulativní četnosti je: v obcích menších než 4999 obyvatel
bydlí 194 respondentů. Relativní kumulovaná četnost kategorie „1000–4999 obyvatel“ je
tedy 194 / 500 = 39 %.
Tabulka 6.3: Relativní a kumulativní četnost
Velikost místa bydliště

Základ: Četnost Relativní Kumulativní Relativní
Internetová populace 15+ četnost četnost kumulativní
četnost
méně než 1000 obyvatel 85 17 % 85 17 %
1000–4999 obyvatel 109 22 % 194 39 %
Velikost místa
5000–19 999 obyvatel 92 18 % 286 57 %
bydliště
20 000–99 999 obyvatel 109 22 % 396 79 %
100 000 a více obyvatel 104 21 % 500 100 %
Zdroj: autor
I pro grafické zobrazení ordinální proměnné platí vše, co bylo uvedeno pro nominální
proměnné.
Kvantitativní proměnná
V případě, že hodnoty kvantitativní proměnné kategorizujeme, lze použít všechny cha-

rakteristiky definované pro ordinální proměnné. Více informací nám ale přinese využití
ukazatelů definovaných pro nekategorizované kvantitativní proměnné.
Analýza dat 87
Aritmetický průměr (mean, average) je nejpoužívanější mírou polohy kvantitativní

proměnné. Vyjadřuje průměrnou hodnotu kvantitativní proměnné (například průměrný
příjem, průměrný věk) a jeho hodnotu získáme tak, že se hodnoty proměnné vynásobí
četnostmi dané hodnoty a vydělí se celkovým počtem odpovědí. Dále známe harmonický
průměr a geometrický průměr. Pro účely zpracování výzkumu se ale používají jen zřídka.
Používat průměr bez dalších informací může být zavádějící, je totiž citlivý na extrémní
hodnoty. Z definice rovněž plyne, že u menších vzorků dojde ke zkreslení jednou extrémní
hodnotou snáze než u vzorků větších.
Příklad
Na otázku: „Kolik balení čokolády jste zkonzumoval/a v posledním týdnu?“ odpověděly

dvě nezávislé skupiny lidí. Pro zjednodušení uvažujme vzorky po 5 lidech a odpovědi (10,
0, 0, 0, 0), (2, 0, 4, 3, 1). Průměr obou skupin je 2, přičemž odpovědi obou skupin jsou zcela
rozdílné.
Mírou polohy, která je méně citlivá na odlehlé/extrémní hodnoty, je modus a medián. Jeli-
kož je medián (median) ve své definici 50% kvantil, popíšeme nejdříve výběrové kvantily
obecně. Výběrový kvantil (quantile) rozděluje uspořádaný výběr na dvě části. První z nich
je menší než daný kvantil a druhá část je větší nebo rovna danému kvantilu. Pokud se tedy
podíváme na 50% kvantil – medián, ten rozděluje datový soubor tak, že polovina odpovědí
je menších než medián a polovina odpovědí je větších než medián, nebo se mu rovnají.
Pokud se mluví o kvartilech, myslí se tím 25% kvantil (dolní kvartil nebo 1. kvartil),
50% kvantil (medián) a 75% kvantil (horní nebo 3. kvartil). Takto kvantily rozdělí výběrový
soubor na čtyři přibližně stejně početné skupiny. Decily (10% kvantil, 20% kvantil, …,
90% kvantil) rozdělují soubor na deset přibližně stejných částí. Percentily (1% kvantil až
99% kvantil) rozdělí analogicky datový soubor na sto přibližně stejných části.
Míra variability nám v podstatě říká, jak velká je rozptýlenost hodnot proměnné od
„středu“, tedy jak dobře „střed“ reprezentuje proměnnou. Základní mírou variability je
tzv. variační rozpětí (range), které je definováno jako rozdíl mezi maximální a minimální
hodnotou proměnné v souboru.
Z kvantilů vychází i definice další míry variability mezikvartilového rozpětí (IQR)
(interquartile range): rozdíl mezi 75% a 25% kvantilem, který se dále používá například
pro konstrukci tzv. krabicových grafů (viz dále).
Nejrozšířenější mírou variability je výběrový rozptyl (sample variance) a jeho odmoc-
nina, výběrová směrodatná odchylka (sample standard deviation). Výběrový rozptyl
vyčísluje absolutní variabilitu a je definován jako podíl, kde se v čitateli nachází součet
kvadrátu odchylek všech naměřených hodnot od jejich průměru, ve jmenovateli je velikost
vzorku snížená o jedničku. Vzhledem k tomu, že se při výpočtu využívá druhá mocnina,
je jednotkou rozptylu druhá mocnina jednotky proměnné (například pokud je proměnná
„čistý příjem respondenta“ v Kč, je rozptyl uveden v Kč2). Proto se častěji používá jeho
odmocnina: výběrová směrodatná odchylka.
Pro srovnání variability dvou proměnných v různých jednotkách má smysl používat
variační koeficient (coefficent of variation), který vyjadřuje relativní míru variability.
Definuje se podílem směrodatné odchylky a průměru a uvádí se v procentech. Vyjadřuje,

z kolika procent se směrodatná odchylka podílí na průměru.
U kvantitativních proměnných má smysl definovat i tzv. míry koncentrace, mezi něž
patří výběrová šikmost (skewness), jež vyjadřuje asymetrii rozložení hodnot kolem prů-
měru, a výběrová špičatost (kurtosis), jež vyjadřuje koncentraci hodnot kolem průměru.
Základním grafickým znázorněním kvantitativních proměnných je histogram a kra-
bicový graf. Pokud používáme pro zobrazení kvantitativní proměnné tabulky, obsahují
většinou základní popisné charakteristiky definované výše.
Histogram je grafické zobrazení intervalů kvantitativní proměnné (stejné šíře), přičemž
výška sloupců vyjadřuje četnost v daném intervalu.
Příklad
Tabulka 6.4: Tabulka kvantitativní proměnné
Statistic
Projektovane váhy
Valid 512
N
Missing 0
Mean 10 938,41
Median 10 802,40
Mode 10 709,00
Range 7 890,00
Minimum 7 383,00
Maximum 15 273,00
25 9 881,30
Percentiles 50 10 802,40
75 11 807,14
Zdroj: autor
60
Histogram
50
40
Frekvence
30
20
10
0
6 000 8 000 10 000 12 000 14 000 16 000
Obrázek 6.4: Histogram kvantitativní
Projektované váhy
proměnné (zdroj: autor)
Analýza dat 89
Krabicový graf (box plot, box with whiskers plot) je v literatuře možné najít v různých
podobách. Graf ve společném pohledu zobrazuje polohu mediánu a kvartilů, „vousy“ nám
zobrazují variabilitu dat pod prvním a nad třetím kvartilem. Hranice „vousů“ je možné
definovat různými způsoby:
■■ minimum, maximum,
■■ vnitřní hradby: identifikují odlehlé pozorování definované jako vzdálenost 1,5 IQR od
horního a dolního kvartilu,
■■ 1% kvantil, 99% kvantil.
Příklad
Krabicový graf
Projektované váhy – krabicový graf

N = 512
16 000
15 000 maximum
14 000
13 000
12 000
3. kvartil
11 000 IQR
medián
10 000
1. kvartil
9 000
8 000
minimum
7 000
6 000
Obrázek 6.5: Ukázka krabicového grafu (zdroj: autor)
6.2 Pokročilejší statistické metody

Cílem této části není přesně a hlavně statisticky exaktně popsat použité metody, ale spíše
zvýšit povědomí o jejich existenci a přiblížit možnosti jejich použití. Jak píše ve své knize
Disman (2011), „důležité je vědět, že takový přístup je možný, a ještě důležitější je být
zadobře se statistiky.“
V předchozí části jsme popsali, jak lze analyzovat a zkoumat každou proměnnou jed-
notlivě, podle jejího typu. Cílem výzkumu nebývá analyzovat otázky samostatně, nýbrž
zkoumat především souvislosti a vazby mezi jednotlivými odpověďmi.
Než přejdeme k metodám, jak tyto vztahy odhalit a jak závislost kvantifikovat, uveďme
si několik poznatků o závislostech obecněji.
6.2.1 Závislost
Uvažujme dva zkoumané znaky, X a Y. Pokud znak X působí na znak Y a znak Y působí
na znak X (a nelze tedy jednoznačně určit příčinu a důsledek), mluvíme o oboustranné
(symetrické) závislosti. Pokud znak X působí na znak Y, ale znak Y nepůsobí zpětně na
znak X, mluvíme o závislosti jednostranné (asymetrické).
Příklad
Příkladem oboustranné závislosti může být vztah názoru partnera (X) a partnerky (Y).
Příkladem jednostranné závislosti může být vztah mezi výškou (X) a váhou (Y), vztah
nejvyššího dosaženého vzdělání (X) na vyjádřený názor (Y).
Při analýze dat je třeba vždy pamatovat na možné zkreslení, kterého se můžeme dopustit.
Mezi nejčastější zkreslení, jež se u výzkumu objevují při zkoumání vztahů proměnných,
patří tzv. nepravá korelace. Ta popisuje závislost mezi proměnnými, které reálně žádnou
souvislost nemají. Vzniká teprve tehdy, pokud existuje třetí, nepozorovaná (neanalyzo-
vaná) proměnná, jež ovlivňuje oba zkoumané jevy. Dalšími zkresleními ve vztahu dvou
proměnných mohou být: vývojová sekvence, chybějící třetí člen a dvojí příčina, které
popisují různé působení třetího nezkoumaného jevu ve zkoumaných vztazích.
K popisovaným zkreslením dochází do jisté míry téměř u všech závislostí, proto při
interpretaci vzájemných vztahů nespoléháme jen na výsledky statistických analýz a vždy
se kriticky zamýšlíme, jestli nebyl opomenut nějaký důležitý aspekt.
Příklad
Nepravá korelace: V datech existuje silná závislost mezi prodejem zmrzliny a počtem úmrtí
následkem utopení. Na obojí má vliv třetí znak – teplé počasí.
6.2.2 Závislosti kategoriálních proměnných – kontingenční

tabulky
Základním „pracovním nástrojem“ pro analýzu závislosti u kategoriálních dat je tzv. třídění
dat II. stupně (tříděním I. stupně jsou základní frekvenční tabulky), při němž jsou data
přehledně zobrazena v tzv. kontingenční tabulce.
Kontingenční tabulka (contingency table, cross tabulation) vzniká překřížením dvou
proměnných, přičemž první proměnná (X) a její kategorie jsou umístěny v řádcích a druhá
proměnná (Y) se všemi kategoriemi ve sloupcích. Tabulka může zobrazovat několik typů
údajů: absolutní četnosti (absolute counts) pro každou kombinaci kategorií proměnných
v řádcích (X) a sloupcích (Y) a tzv. marginální četnosti (marginal counts), které udávají
četnosti jednotlivých kategorií proměnné X a Y.
Analýza dat 91
Příklad
Tabulka 6.5: Příklad kontingenční tabulky – absolutní četnost
Máte účet na sociální síti Facebook?

Internetová populace 15+, N = 505 Ano Ne Celkem
Počet Počet Počet
15–24 let 74 3 77
25–34 let 97 11 108
Věk 35–44 let 97 28 125
45–54 let 56 32 88
55 let a více 63 44 107
Celkem 387 118 505
Zdroj: autor
Absolutní četnost: 74 lidí je ve věku 15–24 let a mají účet na Facebooku. Marginální četnost
kategorie 15–24 let je 77 lidí, marginální četnost kategorie „Účet na sociální síti Facebook –
Ano“ je 387 lidí.
Relativní četnosti (tabulková procenta, table percentages) jsou určeny jako podíl absolutní
četnosti dané kombinace kategorií k celkovému počtu odpovědí. Součet procent v celé
tabulce je 100 %.
Příklad
Tabulka 6.6: Příklad kontingenční tabulky – relativní četnost

% tabulková % tabulková % tabulková
15–24 let 15 % 1% 15 %
25–34 let 19 % 2% 21 %
Věk 35–44 let 19 % 6% 25 %
45–54 let 11 % 6% 17 %
55 let a více 12 % 9% 21 %
Celkem 77 % 23 % 100 %
Zdroj: autor
Interpretace: Z celého vzorku 505 respondentů je 15 % těch, kteří jsou ve věku 15–24 let
a mají profil na Facebooku.
Řádkové relativní četnosti (řádková procenta, row percentages) udávají relativní četnost
kategorie Y (sloupce) za předpokladu, že X (řádek) nabývá určité varianty. Je definovaná
podílem absolutní četnosti a marginální četnosti v odpovídajícím řádku. V tomto případě
je součet v každém řádku rovný 100 %.
Příklad
Tabulka 6.7: Příklad kontingenční tabulky – řádková relativní četnost

% řádková % řádková % řádková
15–24 let 96 % 4% 100 %
25–34 let 90 % 10 % 100 %
Věk 35–44 let 78 % 22 % 100 %
45–54 let 64 % 36 % 100 %
55 let a více 59 % 41 % 100 %
Celkem 77 % 23 % 100 %
Zdroj: autor
Interpretace: 96 % respondentů ve věku 15–24 let má profil na sociální síti Facebook.
Graf: obvykle zobrazujeme data z kontingenční tabulky ve 100% skládaných sloupcových/
/pruhových grafech, lze použít i klasický sloupcový graf.
Ano Máte účet na sociální síti Facebook?

Ne
100 % 96 %
15–24 let 96 % 4% 90 %
80 % 78 % 77 %
25–34 let 90 % 10 %
64 %
59 %
35–44 let 78 % 22 % 60 %
Věk
41 %
45–54 let 64 % 36 % 40 % 36 %
55 let a více 59 % 41 % 22 % 23 %
20 %
10 %
Celkem 77 % 23 % 4%
0%
0% 20 % 40 % 60 % 80 % 100 % 15–24 let 25–34 let 35–44 let 45–54 let 55 let Celkem
a více
Věk
Obrázek 6.6: Ukázka pruhového a sloupcového grafu (zdroj: autor)
Sloupcové relativní četnosti (sloupcová procenta, column percentages) udávají relativní

četnost kategorie X (řádky) za předpokladu, že znak Y (sloupce) nabývá určité varianty.
Jsou definovány podílem absolutní četnosti a marginální četnosti v odpovídajícím sloupci.
V tomto případě je součet v každém sloupci rovný 100 %.

Analýza dat 93
Příklad
Tabulka 6.8: Příklad sloupcových relativních četností

% sloupcová % sloupcová % sloupcová
15–24 let 19 % 3% 15 %
25–34 let 25 % 9% 21 %
Věk 35–44 let 25 % 24 % 25 %
45–54 let 14 % 27 % 17 %
55 let a více 16 % 37 % 21 %
Celkem 100 % 100 % 100 %
Zdroj: autor
Interpretace: 19 % z těch, kteří mají profil na sociální síti Facebook, je ve věku 15–24 let.
Grafy lze opět použít jak ve skládané verzi, tak ve verzi klasické.
Analýzou tabulek a grafů v uvedených příkladech můžeme dospět k závěru, že vlastnictví

účtu na Facebooku souvisí s věkem respondenta. Orientačně nám poslouží například
výpočet statistických chyb (podle velikosti vzorku u všech věkových kategorií spočteme
statistickou chybu znaku „Facebook – ano“ pro každou věkovou kategorii zvlášť. Je patrné,
že součet chyb je menší než rozdíl podle věkových kategorií u kategorie „Facebook – ano“).
a) sloupcový graf Máte účet na sociální síti Facebook?

40 % 37 %
15–24 let 25–34 let 35–44 let 45–54 let 55 let a více
35 %
30 % 27 %
25 % 25 % 25 %
25 % 24 %
21 % 23 %
19 %
20 % 17 % 16 %
15 % 14 %
15 %
9%
10 %
5% 3%
0%
Celkem Ano Ne
Obrázek 6.7a Ukázka sloupcového grafu (zdroj: autor)


b) skládaný graf
15–24 let 25–34 let 35–44 let 45–54 let 55 let a více
100 %
16 %
90 % 21 %
37 %
80 % 14 %
70 % 17 %
60 % 25 %
50 % 25 % 27 %
40 %
30 % 25 % 24 %
21 %
20 %
10 % 9%
15 % 19 %
0% 3%
Celkem Ano Ne
Obrázek 6.7b Ukázka skládaného grafu (zdroj: autor)
Pokud ale chceme mluvit o statistické závislosti, potřebujeme v tomto případě provést
tzv. statistické testování hypotéz. Pro tento účel si nejdříve definujme pojmy: očekávaná
četnost a reziduum. Očekávaná četnost (theoretical distribution) je četnost, kterou bychom
předpokládali, pokud by proměnné byly nezávislé. Reziduum (residual) je rozdíl mezi
naměřenou a očekávanou četností. Čím větší rezidua jsou, tím více se reálný výsledek liší
od očekávaných výsledků.
Tabulka 6.9: Příklad reálné a očekávané četnosti
Internetová Máte účet na sociální síti Facebook?

populace 15+,
N = 505 Ano Ne
Reálné Očekávané Rezidua Reálné Očekávané Rezidua
četnosti četnosti četnosti četnosti
Věk 15–24 let 74 77 * 0,77 = 59 74 – 59 = 15 3 77 * 0,23 = 18 3 – 18 = –15
25–34 let 97 83 14 11 25 –14
35–44 let 97 96 1 28 29 –1
45–54 let 56 67 –11 32 21 11
55 let 63 82 –19 44 25 19
a více
Zdroj: autor
V našem příkladu budeme chtít zkoumat závislost, zda vlastnictví účtu na Facebooku sou-
visí s věkem respondenta. Víme, že na celém vzorku má účet na Facebooku 77 % a 23 %
účet nemá. Pokud jsou proměnné nezávislé, pak by tento poměr měl být zachován ve všech
věkových skupinách. Tedy očekávaná četnost v kategorii 15–24 let s účtem na Facebooku
je 77 %, tedy 77 * 0,77 = 59. Reziduum pro tuto kategorii je 74 – 59 = 15.
Analýza dat 95
U kategoriálních proměnných nejčastěji využíváme χ2 (chí-kvadrát) test nezávislosti (chí

sqaured test), ve kterém testujeme hypotézu, že mezi očekávanou a reálnou četností nejsou
rozdíly, tedy proměnné jsou vzájemně nezávislé.
Základním předpokladem pro použití testu je:
■■ Odpověď jednoho respondenta je u každé proměnné zařazena právě do jedné kategorie.

■■ Většina (80 %) absolutních četností je větší než 5 a žádná není menší než 1. (Pokud
tomu tak není, je na místě sloučení kategorií).
Test pracuje se statistikou Pearsonův χ2 (chí-kvadrát) a signifikancí α (alfa) této statistiky

a jejich výpočet je dostupný ve všech statistických softwarech. Signifikance (significancy
level) nám zjednodušeně říká, jak velkou chybu můžeme udělat, pokud přijmeme hypo-
tézu, že jsou proměnné závislé (tzv. alternativní hypotézu). Při spolehlivosti testu 95 %
srovnáváme signifikanci α s hodnotou 0,05. Pokud je signifikance α menší než 0,05, potom
existuje méně než 5% pravděpodobnost, že uděláme chybu, když přijmeme alternativní
hypotézu, že závislost existuje. Ve výsledku tedy prohlásíme proměnné za závislé.
χ2 (chí-kvadrát) testem zjistíme, zda existuje mezi proměnnými závislost, neměří ale, jak
velká tato závislost je. K tomu slouží až tzv. korelační koeficienty (correlation coefficient).
6.2.3 Korelační koeficient

Existuje velké množství korelačních koeficientů, jejich definice se liší pro různé kombinace
proměnných podle jejich typu a počtu kategorií (viz například De Vaus, 2002, s. 275–278).
Korelační koeficient obecně slouží k odhalení a měření vzájemného vztahu mezi dvěma
proměnnými.
Pokud hledáme souvislost mezi ordinálními či intervalovými proměnnými, hodnoty
korelačního koeficientu se pohybují v intervalu od –1 do +1. I zde platí, že čím blíže je
hodnota blízko +1 nebo –1, tím silnější je mezi proměnnými vztah, přičemž znaménko
korelačního koeficientu nám určuje „směr“ korelace. Korelace s kladným znaménkem
značí pozitivní korelaci, tedy čím větší hodnota proměnné X, tím větší hodnota proměn-
né Y. Korelace se záporným znaménkem značí negativní korelaci, tedy čím větší hodnota
proměnné X, tím menší hodnota proměnné Y.
Nejznámější Pearsonův korelační koeficient pro ordinální a kvantitativní proměnné
popisuje jen lineární závislost. Tedy pokud je korelační koeficient 0, znamená to pouze,
že mezi proměnnými neexistuje lineární závislost.
Při zkoumání korelačních koeficientů vždy zkoumáme nejdříve bodový graf, který
nám může pomoci odhalit nelineární závislosti či podezřelé hodnoty, jež mohou ovlivnit
korelační koeficient (některé koeficienty, například nejpoužívanější Pearsonův koeficient,
jsou citlivé na odlehlé pozorování, viz následující příklad).
Příklad
Korelační koeficient = 1 Korelační koeficient = –1 Korelační koeficient = 0
Y Y Y
X X X
Korelační koeficient = 0,9 Korelační koeficient = 0,6
Y Y
X X
Obrázek 6.8: Příklady bodových grafů, Pearsonův koeficient korelace (zdroj: autor)
6.2.4 Regresní analýza

Analýza závislosti je jen prvním krokem v analýze vzájemných vztahů. Dalším krokem
bývá zpravidla regresní analýza, případně faktorová, shluková či jiné pokročilé analýzy.
Regresní analýza (regression analysis) je jednou z nejpoužívanějších statistických technik
analýzy dat. Regrese, podobně jako korelační analýza, zkoumá vztah mezi dvěma proměn-
nými, navíc ovšem rozlišuje, která proměnná je závislá (vysvětlovaná) a které proměnné
jsou nezávislé (vysvětlující), tzv. regresory. Na rozdíl od korelace dokáže nejen popsat
vztah mezi dvěma proměnnými, ale také říci:
■■ jak velký vliv má nezávislá proměnná na proměnnou závislou,

■■ jakou konkrétní hodnotu máme očekávat u závislé proměnné, když budeme vědět,
jakou hodnotu má nezávislá proměnná/proměnné – dokáže tedy z hodnot nezávislé
proměnné predikovat hodnoty závislé proměnné.
Obecně se v regresi snažíme o vytvoření konkrétního modelu – rovnice, která co nej-

přesněji popíše závislost proměnné. Podle počtu nezávislých proměnných rozlišujeme
modely jednoduché regrese a vícenásobné regrese. Jednoduchá regrese popisuje závislost
vysvětlované proměnné na jednom regresoru. Vícenásobná regrese řeší situaci, kde závislá
proměnná závisí na více než jednom regresoru. Podle typu regresní funkce pak lze dále
rozlišit modely lineární a nelineární.
Analýza dat 97
Než samotný regresní model začneme popisovat, doporučujeme vzájemný vztah mezi
dvěma proměnnými ověřit bodovým grafem, který nám může pomoct při volbě modelu
(typu regresní funkce).
Nejčastěji regrese popisují závislost kvantitativní proměnné na nezávislých kvantitativ-
ních proměnných. Statistická analýza si ovšem poradí i s případy, kde závislou proměnnou
je nějaká kategoriální proměnná (například logistická regrese), podobně ani regresory
nemusí být pouze spojité proměnné. Pro účely pochopení regrese si ale blíže rozeberme
příklad jednoduché lineární regrese.
Jednoduchá lineární regrese (simple linear regression), jak je již z názvu patrné, předpo-
kládá, že mezi závislou a nezávislou proměnnou existuje lineární vztah. Pokud si předsta-
víme bodový graf obou proměnných, má regresní model tvar přímky, která je proložena
vzniklými body. Pokud nejde o dokonalou lineární závislost, přímka nemůže procházet
všemi body zároveň. Cílem je ale dostat takové proložení, jež nějakým způsobem nejlépe
vystihuje data. Je tedy třeba určit způsob/metodu, kterou se bude počítat, jak dobře přímka
data popisuje. Nejpoužívanější je tzv. metoda nejmenších čtverců (method of least squares).
Ta určí takovou přímku, která minimalizuje součet druhých mocnin „svislých“ odchylek
jednotlivých bodů od přímky (v odborné literatuře se pro odchylky jednotlivých bodů od
přímky používá pojem rezidua, residuals).
Kvalitu regresního modelu popisuje koeficient determinace R2 (coefficient of deter-
mination, R-squared) který udává, kolik procent rozptylu závislé proměnné je vysvětleno
modelem a kolik zůstalo nevysvětleno.
Doporučení a poznámky pro regresní analýzu:
■■ Před samotnou analýzou vždy zkoumáme bodové grafy, abychom identifikovali nejen
tvar závislosti, ale i odlehlé/vychýlené body, které mohou mít silný vliv na odhadovanou
funkci regresního modelu.
■■ Extrapolace na základě regresního modelu (tedy odhad mimo interval naměřených
hodnot, predikce apod.) je vždy spojena s rizikem, že mimo tento interval model po-
zbývá své platnosti.
Příklad
Zkoumáme závislost prodeje zmrzliny na venkovní teplotě. Prodané porce zmrzliny před-
stavují závislou proměnnou, teplota je nezávislá proměnná. Podle bodového grafu je jasná
lineární závislost. Jednoduchou lineární regresi je možné provádět i v Excelu, pro hlubší
pohled doporučujeme spíše SPSS (viz kapitolu 7 této knihy).
Tabulka 6.10: Příklad lineární regrese
Model Summary
Model R R Square Adjusted R Square Std Error of the Estimate
1 ,950* ,902 ,898 24,38457
* Predictors: (Constant), teplota
Zdroj: autor
R je korelační koeficient, R Square je index determinace. Platí: R Square=R2.
Tabulka 6.11: Příklad statistické významnosti
Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients
B Std. Error Beta t Sig.
1 (Constant) –32,190 14,975 –2,150 ,041
,950
teplota 10,887 ,719 15,132 ,000
a Dependent Variable: zmrzlina
Zdroj: autor
Signifikance T testu významnosti proměnných (hypotéza: proměnná patří do modelu), pro
zařazení proměnné do modelu požadujeme obvykle Sig. < 0,05. Na základě této tabulky lze
zapsat tedy regresní rovnici:
Počet prodaných porcí zmrzliny = 10,889 * teplota – 32,19
Tedy s každým stupněm teploty se prodá v průměru o necelých 11 porcí zmrzliny více.
350
300
y = 10,887x – 32,19
250 R2 = 0,9016
Prodané porce zmrzliny
200
150
rezidua
100
50
0
5 10 15 20 25 30 35
Teplota v °C
Obrázek 6.9: Příklad grafického znázornění závislosti (zdroj: autor)

Analýza dat 99
O dalších, zde stručně popsaných pokročilých metodách platí ještě o něco více než o přede-
šlých, že bychom je neměli provádět bez dostatečných zkušeností a bez hlubšího pochopení
statistiky, protože se vystavujeme nebezpečí chybné interpretace.
6.2.5 Shluková analýza

Shluková analýza (cluster analysis) je vícerozměrná statistická metoda, která se používá ke
klasifikaci objektů. Slouží k třídění objektů do skupin (shluků) tak, aby si objekty náležící
do stejné skupiny byly podobnější než objekty z různých skupin. Typickým příkladem
může být segmentace zákazníků, rozlišení komunit uvnitř velkých skupin apod.
U shlukové analýzy tedy seskupujeme jedince do skupin na základě jejich podobnosti,
přičemž je několik způsobů definice této podobnosti (korelační míry, míry vzdálenosti
a míry asociace).
Mimo volby míry podobnosti je potřeba zvážit i metodu shlukování. Podle způsobu
shlukování se metody rozdělují na hierarchické a nehierarchické.
Hierarchické metody (hierarchical clustering) mají velkou výhodu v přehledném grafic-
kém znázornění (dendrogram). Tyto metody jsou založeny na tzv. postupném shlukování:
dva objekty s nejnižší vzdáleností se spojí do prvního shluku. Následně se přepočtou
vzájemné vzdálenosti tak, že jsou vynechány objekty prvního shluku, a tento shluk je
naopak zařazen jako nový objekt. Celý postup se opakuje, dokud všechny objekty netvoří
jeden shluk, nebo dokud nezůstane předem určený počet shluků. (Existuje i postup, který
postupuje přesně opačně: od jednoho shluku k jednotlivým objektům.) Pro výpočet vzdá-
lenosti mezi shluky opět existuji různé metody (například metoda průměrného spojení
pro mezishlukové vzdálenosti, metoda nejbližšího souseda, metoda nejvzdálenějšího
souseda apod).
U nehierarchických postupů (non-hierarchical clustering) je nejpoužívanějším algo-
ritmem tzv. K-means shlukování (prvním krokem je volba středů, pak jsou postupně
jednotlivé objekty přiřazovány do skupin s nejbližším středem. Následně se přepočítá
poloha středu a proces se opakuje až do vzniku K shluků).
Doporučení a poznámky pro shlukovou analýzu:
■■ Ne v každých datech jsou shluky.

■■ Většina metod shlukové analýzy je velmi citlivá na odlehlé/extrémní pozorování.
■■ Hierarchické postupy nejsou vhodné pro velké datové soubory.
■■ Před samotnou shlukovou analýzou je ještě potřeba zvážit tzv. standardizaci dat, pro-
tože většina měr podobnosti je citlivá na měřítka proměnných. Typicky se provádí
standardizace dat na takzvané Z-skóre (tedy odečtení průměru a vydělení směrodatnou
odchylkou).
■■ Je potřeba si uvědomit, že často největší výzvu pro výzkumníka představuje pojmenování
a interpretace shluků. Pomoci nám mohou tzv. těžiště shluků, které by měly vystihovat
povahu a vlastnosti shluku.
Příklad
Dendrogram shlukové analýzy – typologie podle nákupního chování a preference u naku-

pování potravinových doplňků.
Dendrogram
0 5 10 15 20 25
složení
přírodnost
reference
forma
chuť
cena
dostupnost
známost značky
země původu
obal
Obrázek 6.10: Příklad dendrogramu (zdroj: autor)
6.2.6 Faktorová analýza

Faktorová analýza (factor analysis) vychází z předpokladu, že závislosti mezi sledovanými
proměnnými jsou důsledkem působení tzv. společných faktorů (common factors) – men-
šího počtu v pozadí stojících neměřitelných veličin/proměnných. Tyto společné faktory
jsou definované jako lineární kombinace původních proměnných. Faktorová analýza se
vytvářením nových proměnných snaží o snížení rozsahu (redukci) dimenze dat, a to s co
nejmenší ztrátou informací. Cílem je, aby tyto faktory co nejlépe a nejjednodušeji vysvět-
lovaly pozorované závislosti, tedy aby byl počet faktorů co nejmenší a aby každá proměnná
korelovala s co nejnižším počtem faktorů.
Hlavním vstupem do analýzy je korelační matice proměnných. Počet faktorů je pro tuto
metodu nutné znát předem (pomoci nám mohou například Kaiserovo pravidlo, sutinový
graf, tzv. Scree plot atd.). Pro extrakci faktorů – určení faktorů a jejich tzv. faktorových
zátěží (míra spojení proměnné s tímto faktorem) – lze použít jednu z metod: metoda
hlavních komponent (principal component), metoda hlavnících os (principal axis), metoda
nejmenších čtverců (method of least squares), metoda maximální věrohodnosti (maximum
likelihood). Následně lze provádět tzv. rotace faktorů pro účely lepší interpretace.
Doporučení a poznámky pro faktorovou analýzu:
■■ metoda je citlivá na odlehlé/extrémní pozorování,

■■ nejtěžší úkol je opět na výzkumníkovi – pojmenovat a interpretovat odhalené faktory.
KAPITOLA 7
7. Software pro analýzu

a prezentaci dat

7.1 Statistický software (SPSS)

Pro zpracování a analýzu dat máme v dnešní době na výběr hned z několika softwarových
možností. Ve výzkumné praxi je zjevně nejvyužívanější software IBM SPSS Statistics (pů-
vodně je zkratka odvozena z anglického Statistical Package for the Social Sciences), který ve
svých modulech obsahuje vše potřebné pro analýzu výzkumných dat (viz obrázky PASW).
Umožňuje jak jejich základní úpravu, tak i pokročilejší statistické analýzy.
Především u některých specifických statistických analýz dává část analytiků přednost
programům R, STATISTICA, SAS nebo Matlab.
A proč vlastně vytěžovat speciální software, když lze použít pro základní zpracování i po-
kročilejší analýzy typu regrese a korelace některé běžné kancelářské programy? Nespornou
a klíčovou výhodou těchto speciálních programů je, že jsou šité na míru potřebám práce
s výzkumnými daty. Pro práci a analýzu dat doporučujeme pracovat spíše s programy, jež
v nějaké podobě umožňují zaznamenávat veškeré kroky, které byly s daty prováděny, a to
tak, aby bylo bez problémů dohledatelné, co se v kterém kroku s daty dělo a proč (například
SPSS prostřednictvím takzvaných syntaxí).
Tato kapitola si neklade za cíl popsat všechny funkce programu SPSS ani poskytnout
manuál k tomuto programu, ale přiblížit základní stavbu programu a možnosti, které nabízí.
Program IBM SPSS Statistics využívá čtyři typy oken, přičemž každé z nich má jinou
funkci:
■■ Datové okno (Data Editor Window) s dvěma záložkami pro práci s daty a proměnnými,
datový formát .sav.
■■ Výstupové okno (Output Viewer Window) pro zobrazení všech výstupů programu,
datový formát .spv.
■■ Syntaxové okno (Syntax Editor Window) je určeno pro práci se syntaxí (speciální jazyk
sloužící k zadávání příkazu), datový formát .sps.
■■ Skriptovací okno (Script Window) pro tvorbu skriptů k automatizaci činností.
Datové okno je určeno pro práci s proměnnými a daty. Obsahuje dvě záložky: Data View
a Variable View.
Data View nám nabízí pohled na vstupní data, kde jsou v prvním řádku obsaženy názvy
proměnných a na dalších řádcích jsou samotná data (co řádek, to odpovědi jednoho respon-
denta). Ve sloupcích tedy najdeme jednotlivé hodnoty dané proměnné, jichž v datovém
souboru nabývá. V tomto okně lze i editovat jednotlivé hodnoty. Na data se v tomto okně
lze dívat jako na číselné hodnoty proměnné i jako na textové hodnoty (labely).

Software pro analýzu a prezentaci dat 103
Obrázek 7.1: SPSS – datové okno, Data View (zobrazení číselné a textové, zdroj: autor)
Obrázek 7.2: SPSS – datové okno, Variable View (zdroj: autor)

Variable View zobrazuje v jednotlivých řádcích názvy a vlastnosti proměnných v datovém

souboru:
■■ Name: název proměnné (nutno zadat bez mezer a speciálních znaků).

■■ Type: typ proměnné (číselná, datum, text apod.).
■■ Width: počet míst (počet číslic, šířka textu apod.).
■■ Decimals: počet desetinných míst.
■■ Label: popis proměnné (tento se bude dál zobrazovat v tabulkách a grafech).
■■ Values: popis hodnot proměnné.
■■ Missing: definice chybějících hodnot.
■■ Columns: šířka sloupce v datové matici.
■■ Align: zarovnaní hodnot v datové matici.
■■ Measure: volíme typ proměnné (Scale, Nominal, Ordinal).
■■ Role: role proměnné, užitečné pro některá dialogové okna.
Výstupové okno: Do tohoto okna se zaznamenávají všechny výstupy programu (tabulky,

grafy, chybová a systémová hlášení apod.). Detail zobrazovaných informací lze nastavit
(Edit – Options – Viewer), stejně jako způsob zobrazování tabulek a grafů (zobrazování
názvu proměnných nebo jejich popisu, totéž o jednotlivých hodnotách proměnných).
V levé části jsou jednotlivé výstupy zobrazeny pro větší přehlednost ve stromové struktu-
ře, lze je skrývat a zobrazovat. Výstupy lze v tomto okně i formátovat (dvojklik na objekt,
zvýrazněno červenou šipkou), případně exportovat (jednotlivé objekty i celý výstup) do
jiného formátu (například .xslx).
Obrázek 7.3: SPSS – výstupové okno (zdroj: autor)

Pro základní ovládání programu je v datovém a výstupovém okně k dispozici panel záložek
a editovatelný panel nástrojů, jejichž prostřednictvím se dostaneme k většině možností,
které program nabízí.
Pro úpravu dat jsou nejdůležitější záložky Data a Transform, v nichž můžeme definovat
proměnné, překódovat a počítat nové proměnné, třídit a filtrovat data nebo různě spojovat
více datových souborů.
Vše potřebné pro analýzu dat je k dohledání ve složce Analyze, od základních frek-
venčních a křížených tabulek až po regresní modely a klasifikace.
Po rozkliknutí zvolené možnosti nás program provádí dalším nastavením v dialogových
oknech. Dialogová okna lze po výběru některé z možností následně potvrdit nebo využít
možnosti Paste, která sice příkaz neprovede, ale vytvoří záznam v syntaxovém okně
v takzvaném syntaxovém jazyce (viz příklad a obrázek 7.4). Právě syntax doporučujeme
využívat pro záznam provedených kroků.
Příklad
V dialogovém okně Frekvence se možností Paste vytvoří označený zápis v syntaxovém okně.
V syntaxovém okně dále vidíme zápis výpočtu nové proměnné a její definování.
Obrázek 7.4: Syntaxové okno (zdroj: autor)

Po krátkém seznámení se syntaxovým jazykem lze toto okno využít i pro přímé psaní
(bez nutnosti využití dialogových oken), lze i doplňovat komentáře. V syntaxovém okně
pak lze označením postupně nebo najednou spouštět příkazy. Výsledky jsou standardně
zaznamenávány ve výstupovém okně. Další nadstavbou nad syntaxí jsou pak skripty, které
slouží k další automatizaci.
Pro podrobnější popis práce se softwarem SPSS doporučujeme dále samotný manuál
a tutoriál k programu nebo specializovanou literaturu, která se programem SPSS a analýzou
dat zabývá podrobněji (například Hana Řezanková, 2011).
7.2 Interaktivní zobrazovací a prezentační software

pro marketéry a obchodníky
Zajímavou variantu, v jaké formě poskytovat výstupy z výzkumů, představuje zobrazovací
interaktivní software. Příkladem je software Tableau, jehož verze pro čtení je veřejně do-
stupná jako freeware. Uživateli (výzkumnému klientovi) umožňuje software Tableau přes
grafické rozhraní zobrazovat výsledky, které mu připravil výzkumník, v různé granularitě.
Na obrázcích 7.5a až 7.5g vidíte ukázky softwaru Tableau (zdroj: autor).
Obrázek 7.5a
Obrázek 7.5b
Obrázek 7.5c

Obrázek 7.5d
Obrázek 7.5e
Obrázek 7.5f
Obrázek 7.5g
U dlouhodobých výzkumů může výzkumník definovat vzory reportů, které se výzkumné-

mu klientovi vždy automaticky aktualizují po načtení dat za novou vlnu výzkumu.
V poslední době je trendem využívat pro analýzu dat cloudová řešení. Příkladem ta-
kového řešení je uživatelský software Adwind Kite. Software je postaven na konceptu
cloud computingu, kdy jsou veškerá data uložena na serverech poskytovatele (například
výzkumné agentury), kde jsou rovněž prováděny všechny náročné výpočty. Uživatelé
(výzkumní klienti) se přihlašují přes své uživatelské jméno a heslo a zadávají požadavky
na výpočet v lokálně instalované klientské části. Tyto požadavky jsou po spuštění výpočtu
odeslány přes internet na server. Zde se vyhodnotí a výsledek je poslán zpět (opět přes
internet), kde je zobrazen.
Na serverech poskytovatele jsou rovněž uloženy všechny analýzy jednotlivých uživate-
lů, přístupné podle jejich uživatelských práv. Každý uživatel má tedy po přihlášení svým
uživatelským jménem a heslem k dispozici vlastní analýzy, nezávisle na tom, na jakém
počítači program spouští.
Koncept cloud computingu zajistí následující:
■■ Všichni uživatelé mají přístup k datům ve stejném okamžiku.

■■ Uživatelé mají k dispozici neustále celou historii dat, nezávisle na tom, odkud se při-
pojují.
■■ Data jsou zálohována a uživatel o ně (ani o své analýzy) nepřijde ani v případě havárie
nebo odcizení počítače.
■■ Rychlost výpočtů, která není závislá na počítači uživatele a která je při náročnějších ana-
lýzách (i za několik let) ve srovnání s konvenčními analytickými softwary mimořádná.
■■ Uživatelé v rámci jedné společnosti spolu mohou sdílet nastavení analýz, filtry a podobně.
■■ Oprávnění uživatelé mají k datům přístup obvykle v den, kdy je jejich právo oznámeno
poskytovateli.
■■ V případě obavy ze zneužití dat lze konkrétní účet zablokovat v řádu minut od nahlá-
šení zneužití.
Software Adwind Kite umožňuje pracovat s různými datovými zdroji, kromě dat z běžných
výzkumů také s daty z TV-metrového měření sledovanosti televize nebo s daty z monito-
ringu reklamy. Různé typy dat jsou obvykle zpracovávány v různých modulech (analýzách).
Mezi společné vlastnosti všech v softwaru dostupných analýz patří:
■■ Možnost třídit tabulky jednoduše kliknutím na záhlaví sloupce, a to i podle více kritérií
(sloupců).
■■ Výsledek lze exportovat do Excelu, CSV, PDF nebo přes schránku do jakéhokoliv pro-
gramu.
■■ Do Excelu se všechna čísla exportují jako přesné hodnoty a časové údaje jako čas. Jejich
formát tak lze kdykoliv změnit i v Excelu, není kvůli tomu třeba analýzu znovu počítat
a exportovat z Kitu.
■■ Informace o nastavení analýzy lze exportovat přehledně do samostatného listu Info.
■■ Možnost otevřít a případně i vypočítat více analýz najednou. Analýzy se zobrazují
přehledně v záložkách.
■■ Jednoduché a okamžité podmíněné formátování.
■■ Rychlé vyhledávání v tabulkách, cílových skupinách a seznamech proměnných.
■■ Efektivní práce s reportovanými proměnnými – seznam dostupných proměnných se
zobrazuje podle zvoleného období analýzy, včetně skupin proměnných definovaných
v datech. Skupiny proměnných navíc pracují s časovou platností, takže jedna proměnná
může být v různých obdobích zařazena do různých skupin. Uživatel tak jednoduše vidí,
jaké proměnné byly v daném období k dispozici, a to i pro více projektů najednou.
■■ Jednotlivé filtry jsou reprezentovány tlačítky, která umožňují rychlé a jednoduché mo-
difikace výstupů.
■■ Jednoduché a okamžité zobrazení hodnot ve všech buňkách (opakování popisků).
Základní analytický modul pro práci s daty z výzkumů
Modul Adwind Kite umožňuje výzkumnému klientovi počítat základní analýzy na datech
ve formě kontingenčních tabulek. Analýza umožní dávat proměnné do řádků, sloupců
a listů, a to i ve více úrovních. Umožní zobrazovat celkové i dílčí souhrny u proměnných,
kde to má smysl.
Proměnné je možné analyzovat v jednotlivých dimenzích dvěma způsoby:
■■ Vnořeně (například muži a jejich vzdělání, ženy a jejich vzdělání).

■■ Nezávisle (počet mužů a žen ve výzkumu či cílové skupině, pod tím počty respondentů
podle vzdělání nezávisle na pohlaví).
Pro vytváření cílových skupin (skupin respondentů) je k dispozici pokročilý editor, který
umožňuje kombinovat demografické proměnné o jednotlivcích. Kromě standardního výbě-
ru relačních operátorů A, NEBO umožňuje pracovat s negacemi a závorkami. Použití dále
usnadňuje možnost vracet zpět úpravy (UNDO/REDO), zapisovat definici přímo syntaxí
a okamžité zobrazování velikosti dané cílové skupiny k poslednímu dni vybraného období.
Obrázek 7.6: Editor cílových skupin (zdroj: Adwind Software)

Výstupními ukazateli jsou počty respondentů a jejich projekce s možností současně zob-
razit:
■■ základní ukazatele,
■■ řádková procenta z celkového souhrnu a nebližšího dílčího souhrnu,
■■ sloupcová procenta z celkového souhrnu a nebližšího dílčího souhrnu,
■■ tabulková neboli bazická procenta.
Obrázek 7.7: Analýza místa nejčastějšího nákupu z LSS dat v aktuálním roce a v předchozích
dvou letech pro cílovou skupinu 15+ po krajích (zdroj: Adwind Software)
Analytický modul Adwind Kite pro práci s daty z měření sledovanosti

televize
Ve světě je k dispozici několik softwarových nástrojů zpracovávajících data z měření

sledovanosti televize (viz také část 7.2). Jedním z takových nástrojů je software Adwind
Kite. Jednotlivé programy se liší rozsahem analýz, rychlostí, způsobem práce s daty apod.

Například software Adwind Kite zpracovává:
■■ demografická data o domácnostech a respondentech,

■■ živou sledovanost i odloženou sledovanost na televizorech i na počítačích,
■■ popisná data o pořadech, upoutávkách a spotech (včetně individuálních dat uživatele),
■■ census data o sledovanosti na internetu.
K těm lze počítat výpočetní ukazatele, uvedené v obrázku 7.8.
Výpočetní ukazatele Pořady a upoutávky Spoty Časy

Rating (%, 000) + + +
Share + – +
TRP, TRP 000 + + –
TRP bloku, TRP bloku 000 – + –
Total Rating (%, 000) + – –
ATS + + +
Afinita (i k více afinitním CS) + + +
Profil + + +
Obrázek 7.8: Výpočetní ukazatele analytického modulu Adwind Kite (zdroj: Adwind Soft-
ware)
Obrázek 7.9: Časová analýza pro rok 2015 po měsících (zdroj: Adwind Software)
Typickými analýzami při zpracování dat z TV-metrového měření sledovanosti televize jsou
časová analýza, analýza časových průběhů, detailní analýza pořadů a reklamních spotů
a různé kombinace analýz včetně jejich propojení s grafickými informacemi zobrazujícími,
jaký obsah byl zrovna vysílán.
Obrázek 7.10: Průběhová analýza pro všechny neděle v jednom měsíci s třemi samostatný-
mi kanály, dvěma skupinami kanálů a zobrazeným ukazatelem share v souhrnném sloupci
(zdroj: Adwind Software)
Obrázek 7.11: Videoanalýza časového úseku 18:30–22:00 jednoho dne na čtyřech televizních
stanicích kombinovaná s časovou a průběhovou analýzou (zdroj: Adwind Software)
KAPITOLA 8
8. Inovativní prvky při

tvorbě závěrečné zprávy
I nterpretace výsledků je završením celého výzkumného procesu. Cílem interpretace je

poskytnout klientům odpovědi na hypotézy a otázky (specifikované v zadání) přijatelnou
formou. Rozdíl ve výstupu se bude lišit nejen podle toho, zda jde o osobní prezentaci nebo
písemnou zprávu, ale také je potřeba pečlivě zvážit, pro koho má být výsledek určen. Jinou
formu bude mít výstup, který bude sloužit jako podklad analytikům, jinou pak výstup pro
potřeby ředitele marketingového oddělení.
Opět tedy platí, že komunikace s klientem je důležitá až do posledního kroku, aby
podoba výsledku odpovídala klientovým představám a potřebám.
Základní typy výstupů jsou následující:
■■ data, případně tabulky s definovaným křížením,

■■ prezentace (grafická podoba výstupu se stručnými komentáři a doporučením), typicky
ve formátu .pptx, nebo .pdf,
■■ závěrečná zpráva (rozsáhla zpráva s podrobnými komentáři, často s grafickou a tabul-
kovou přílohou), typicky ve formátu .docx, .pdf,
■■ interaktivní reporty.
Standardní formát prezentací a závěrečných zpráv lze doplnit o netypické a interaktiv-

ní prvky (například grafy s využitím map, bodové grafy, pavučinové grafy, mraky slov,
tzv. Word Cloudy, atd.). I zde ovšem platí, že výstup musí být hlavně srozumitelný a přesný.
8.1 Interaktivní výstupy

V poslední době mezi klienty stoupá poptávka po interaktivních reportech a zprávách,
kde se kombinují data nejen z výzkumu, ale z více zdrojů (typicky například kombinování
dat z trackingu značek, výdajů na reklamu a prodejů).
U tvorby interaktivních reportů je potřeba klást velký důraz na srozumitelnost zobraze-
ných čísel a přehlednost tak, aby pokud možno nedošlo k dezinterpretaci dat. V interak-
tivních reportech jsou většinou navrženy základní pohledy, které umožňují interaktivitu
s daty prostřednictvím filtrů a detailnějších pohledů podle vybraných parametrů.
Tradičně se používají zobrazení, jež v sobě kombinují několik čísel a v jednom pohledu
dokáží poskytnout ucelenou informaci (viz následující příklad).
Softwarová řešení (tzv. Business Intelligence Software), která se v roce 2017 s ohledem
na interaktivitu reportů zmiňují nejčastěji, jsou Tableau (viz část 7.2), MicroStrategy apod.
Příklad
Jednoduchý interaktivní graf v sobě nese více informací: zobrazuje jednak podpořenou
znalost značky X (44 %), ale obsahuje i informace o celé kategorii, takže na první pohled
víme, jak si značka X stojí ve srovnání s konkurencí, minimální podpořená znalost značek
v kategorii je 24 %, maximální je 78 %, průměr v kategorii je 51 %.
Inovativní prvky při tvorbě závěrečné zprávy 119
Značka značka X
Podpořená znalost značky X

průměr v kategorii
44 % 51 %
78 %
maximum
24 %
minimum
Obrázek 8.1: Příklad interaktivního grafu (zdroj: autor)
Obrázek 8.2: Ukázka interaktivního reportu (zdroj: Nielsen Admosphere)
8.2 Infografika
Pro výzkum využíváme často jako shrnutí nejzajímavějších výsledků nebo „oživení“ zá-
věrečných zpráv i infografiky. Pokud je infografika vytvořena správně, pomůže adresátovi
zapamatovat si nejdůležitější informace.
Lidé v dnešní době prokazatelně upřednostňují kratší, výstižnější texty s přehlednou
grafickou podobu. Infografiky v sobě obvykle kombinují grafy, obrázky a nezbytné množ-
ství konkrétních statistik, objevují se v nich i interaktivní prvky. Obecně lze říct, že se
infografiky mohou týkat čehokoliv, stejně různorodá může být i jejich forma.
Na co při tvorbě infografiky nesmíme zapomenout?
1. Pro koho je infografika určena a jaký je její účel.

2. Minimum textu: cílem je množství textu minimalizovat a informace podávat vizuální
formou.
3. Postupnost: zásadní je jednoznačná návaznost informací.
4. Jednoduchý, čistý vizuál: jednoduchá sjednocená barevnost, rozumné množství gra-
fických detailů.
5. Přesnost: informace uvedené v infografice by měly být přesné a nezavádějící; u infografik
z výzkumu musí platit, že je vždy uveden zdroj dat, velikost vzorku a cílová skupina.
Obrázek 8.3: Infografika z výzkumu na téma Fastfood (zdroj: Nielsen Admosphere)

Inovativní prvky při tvorbě závěrečné zprávy 121
Obrázek 8.4: Infografika z výzkumu na téma Drogerie (zdroj: Nielsen Admosphere)
Obrázek 8.5: Infografika z výzkumu na téma Lékárny (zdroj: Nielsen Admosphere)
Polina Tuniakina (polyatunyakina@yandex.ru)

KAPITOLA 9
9. Česká populace, její

klasifikace a segmentace

9.1 Klasifikace české populace

Základní motivací pro „třídění“ respondentů bývá zpravidla zpřehlednění výsledků, vi-
zualizace a hlavně jednodušší interpretace. Typologie mohou být tvořeny buď jednou
z pokročilých statistických metod, nebo expertně – přesně definovanými pravidly.
Statistická klasifikace představuje hierarchicky uspořádané třídění především ekono-
mických, sociálních nebo demografických jevů či procesů. Zkoumané jevy jsou v klasifi-
kacích uspořádány a rozčleněny do tříd a podtříd, kdy se vyšší stupeň struktury rozkládá
na podrobnější nižší stupně. Příkladem je klasifikace ekonomických činností, klasifikace
zaměstnání, klasifikace vzdělání apod.
Pojem typologie vychází spíše z psychologie, kde je v oborovém slovníku definován
jako „rozčlenění soustavy osob, objektů či jevů do skupin podle určitého kritéria, znaku
či souboru znaků“. Ve světě výzkumu tedy na základě vypozorovaných jevů (kombinací
hodnot několika proměnných) vytváříme skupiny respondentů. Na rozdíl od klasifikací
neexistuje jasná hierarchie mezi jednotlivými skupinami. Typologie jsou buď standardizo-
vané, nebo specifické. Standardizované typologie jsou takové, jež mají širší použití napříč
výzkumy na různá témata a většinou jsou definované na základě sociodemografických
znaků. Většina standardizovaných typologií je aplikovatelná na celou populaci. Specific-
ké typologie jsou většinou vytvářeny, jak jejich název napovídá, pro specifické účely, na
specifické téma, pro specifický výzkum.
Klasifikovat a rozdělovat lze na základě kritérií několika oblastí, pro využití ve výzkumu
jsou však nejdůležitější následující:
■■ Geografická kritéria: Na základě státu, regionu, oblasti, jazyku, velikosti obce, typu
osídlení apod. Česká republika je z geografického pohledu relativně homogenní, pro
další třídění má smysl použít především velikost místa bydliště.
■■ Demografická kritéria: Pohlaví, věk, velikost domácnosti a fáze životního cyklu rodi-
ny. Demografická kritéria jsou nejčastějším základem pro další třídění a segmentace.
■■ Socioekonomická kritéria: Příjem, povolání, vzdělání.
■■ Etnografická kritéria: Náboženství, rasa, národnost.
■■ Psychografické třídění: Na základě osobnostních rysů či hodnot, jde o vzorec, podle
něhož lidé žijí, tráví čas. Vychází z toho, že lidé ve stejné sociodemografické skupině
mohou mít značně odlišné psychografické charakteristiky.
■■ Behaviorální kritéria: Podle chování, například postoj k produktu, loajalita apod.
Některými vybranými typologiemi se nyní budeme zabývat podrobněji.
9.1.1 Generace
Třídění na základě věku je jednou z nejtriviálnějších typologií. V marketingu se ovšem
často setkáváme s různými názvy generací, případně cílením marketingové kampaně na
určitou generaci. Proto se na myšlenku této typologie podíváme blíže.
Rozdělení společnosti na základě věku do tzv. kohort (generací) vychází z přesvědčení, že
každá generace je ovlivněna dobou, v níž vyrůstala – určujícími událostmi doby, politikou,
hudbou atd. Lidé sdílejí v rámci jedné generace stejné zkušenosti, jsou v přibližně stejné

Česká populace, její klasifikace a segmentace 125
fázi životního cyklu, zastávají podobné názory a vyznávají podobné hodnoty. Definuje se
na základě věku.
■■ Tichá generace (silent generation; osoby narozené v letech 1925–1945) je poznamenaná

druhou světovou válkou a hospodářskou krizí. Tato generace si cení loajality a vyznačuje
se důvěrností, vyznává tradiční role a tradiční rodinu. Klíčovým produktem doby je
osobní automobil.
■■ Generace populační exploze (generation baby boomers; osoby narozené v letech 1946–
1964) je ovlivněná poválečnou dobou. Typická je pro toto období velká kupní síla, do-
konalé pracovní návyky, vysoká zaměstnanost žen a odklon od tradičních rolí v rodině.
Tato generace si cení pohodlí. Klíčovým produktem doby je televize.
■■ Generace X (generation X; osoby narozené v letech 1965–1985, některé zdroje uvádějí
do roku 1977), nazývaná také „ztracená generace“, na území bývalého Československa
také „Husákovy děti“, zažívala období politické a ekonomické nestability. Lidé z této
generace mají rádi jistoty, nevyhovují jim změny. Hlavním cílem je pro ně rovnováha
mezi prací a osobním životem, klíčovým produktem doby je počítač. Představují první
generaci, která přišla do kontaktu s výpočetní technikou a později i s internetem.
■■ Generace Y (generation Y, millennials; osoby narozené v letech 1986–1995) vyrostla
v kultuře politických a technologických změn. Její příslušníci se změn nebojí a jsou fle-
xibilní. Peníze považují za prostředek, jak si užívat života, častěji mění pracovní místa.
Komunikují převážně pomocí mobilů, internetu, na vše mají vlastní názor a rádi ho sdě-
lují ostatním. Klíčovým produktem doby je mobilní telefon, později tablet a smartphone.
■■ Generace Z (generation Z; osoby narozené v letech 1996–2015) se obejvila se v době,
kdy je běžné být neustále připojen k internetu a využívat každodenně mobilní zařízení,
kanály YouTube, blogy, Skype a sociální sítě. Technologie tito jedinci nevnímají jako
nástroje, jsou pro ně přirozenou součástí života a ovlivňují jejich myšlení, chování
i způsob učení. Jejich myšlení a charakteristika se teprve utváří.
9.1.2 Profese
Individuální klasifikace, která rozděluje ekonomicky aktivní jednotlivce podle zaměření
a „odbornosti“ jejich zaměstnání, se definuje na základě sociálního postavení, postavení
v zaměstnání a klasifikace zaměstnání.
Klasifikace zaměstnání (dříve KZAM, nově CZ-ISCO) každému zaměstnání přiřadí
jednu z kategorií, toto třídění je velice podrobné (příklad: kategorie 8 Obsluha strojů
a zařízení, 81 Obsluha stacionárních strojů a zařízení, 811 Obsluha zařízení na těžbu
a zpracování nerostných surovin, 8111 Obsluha důlních zařízeni, 81117 Obsluha důlních
vrtacích strojů a rypadel). Klasifikace podle profese tuto klasifikaci zjednodušuje zahr-
nutím i sociálního postavení:
■■ Podnikatelé: OSVČ, podnikatelé se zaměstnanci.

■■ Vedoucí pracovníci: Vedoucí pracovníci, manažeři, ředitelé.
■■ Profesionálové: Programátoři, lékaři, analytici, architekti, projektanti, právníci, eko-
nomové, finančníci, učitelé středních a vysokých škol apod.
■■ Odborní pracovníci (netechničtí): Učitelé mateřských a základních škol, zdravotní

sestry, policisté, dozorci, hasiči, sociální pracovníci apod.,
■■ Technici: Elektrotechnici, strojírenští, stavební, výpočetní, bezpečnostní a jiní technici,
laboranti, kontroloři jakosti apod.
■■ Odborná administrativa, obchod: Účetní, fakturanti, obchodní zástupci, personalisté,
administrativní pracovníci apod.
■■ Úředníci, sekretářky: Nižší úředníci, sekretářky, zapisovatelky, nižší účetní, pokladní
apod.
■■ Provoz a obsluha ve službách a obchodu: Prodavači v obchodech, číšníci, kuchaři, ob-
sluha na přepážce, telefonisté, poštovní doručovatelé, kadeřníci, průvodčí, vrátní apod.,
■■ Řemeslníci, kvalifikovaní manuální pracovníci: Řemeslníci, svářeči, zedníci, autome-
chanici, truhláři, instalatéři, elektrikáři, školníci, švadleny, chovatelé apod.
■■ Řidiči, obsluha strojů a zařízení: Řidiči nákladních a dodávkových automobilů, řidiči
veřejné dopravy, taxikáři, jeřábníci, montážní dělníci, obsluha zemědělských strojů apod.
■■ Pomocníci a nekvalifikování pracovníci: Uklízeči, nekvalifikovaní dělníci a pracovníci,
manipulační dělník ve skladech apod.
■■ Řadoví zaměstnanci blíže neurčitelní: Zaměstnanec bez podřízených v blíže nespe-
cifikované profesi apod.
■■ Ekonomicky neaktivní, nezaměstnaní: Děti, nepracující studenti, osoby na rodičovské
dovolené, osoby v domácnosti, nezaměstnaní, nepracující důchodci apod.
Vedoucí a řídící
pracovníci Profesionálové
Podnikatelé (bez i se
zaměstnanci)
Odborní pracovníci Odborná administrativa,

(netechničtí) Technici
obchod
Úředníci, sekretářky
Provoz a obsluha
ve službách a obchodu
Řemeslníci, kvalifikovaní Řidiči, obsluha

manuální pracovníci strojů a zařízení
Pomocní a nekvalifikovaní
pracovníci
Obrázek 9.1: Hierarchie klasifikace podle profese (zdroj: Nielsen Admosphere)

9.1.3 Typologie životního cyklu

Cílem je vytvořit typologii, která odpovídá typickým fázím životního cyklu člověka. De-
finuje se na základě sociálního postavení, věku, velikosti domácnosti, věku nejstaršího
dítěte do 19 let.
150
singles/páry
Aktivní
100
50
0
150
rodiny
Mladé
100
50
0
150
Střední
rodiny
100
50
0
150
Starší
rodiny
100
Typologie životního cyklu

50
0
150
Ostatní
rodiny
100
50
0
150
100
Děti
50
0
150
Studenti
100
50
0
150
důchodci
Osamělí
100
50
0
Důchodci žijíci
ve vícečlenné
150
domácnosti
100
50
0
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85
Obrázek 9.2: Závislost typologie životního cyklu a věku (zdroj: autor)

Do definice typologie nevstupuje proměnná „rodinný stav“ vzhledem k tomu, že při

nižší atraktivitě institutu manželství v dnešní době a vysoké rozvodovosti nemá formální
rodinný stav dobrou vypovídací hodnotu o tom, zda osoba žije samostatně, nebo v páru.
Kategorie jsou následující:
■■ Aktivní singles či páry: Mladí, doposud bezdětní jednotlivci (věk kolem 30 let) či páry
s již odstěhovanými dětmi (věk kolem 55 let).
■■ Mladé rodiny: Většinou rodiče dětí do 6 let (věk kolem 35 let), minoritně ve stejné
domácnosti žijící prarodiče (věk kolem 60 let).
■■ Střední rodiny: V drtivé většině rodiče dětí od 7 do 13 let (věk kolem 38 let), minoritně
ve stejné domácnosti žijící prarodiče a nestudující sourozenci starší 19 let.
■■ Starší rodiny: Většinou rodiče dětí od 14 do 19 let (věk kolem 41 let), spolu s nestudu-
jícími sourozenci staršími 19 let.
■■ Ostatní rodiny: Nestudující dospělé děti (věk kolem 25–30 let) a jejich rodiče (věk
kolem 50–55 let).
■■ Děti: Kompletní věková skupina 4–14 let.
■■ Studenti: Skupina přibližně 15–26 let, studující.
■■ Osamělí důchodci: V drtivé většině starobní důchodci kolem 71 let.
■■ Důchodci žijící ve vícečlenné domácnosti: Převážně starobní důchodci kolem 66 let,
část invalidních či pozůstalostních důchodců (nižší věk).
9.1.4 Psychodemografické typologie

Nejznámější psychodemografické typologie pocházejí ze Spojených států a mají několik
lokálních variací.
■■ Metoda seznamu hodnot (List of Values), vyvinutá vědeckým týmem Michiganské uni-
verzity, rozděluje lidi podle hodnot, které v životě uznávají a považují za nejdůležitější.
Definovaný seznam hodnot je: pocit sounáležitosti, vzrušení, dobré vztahy s okolím,
seberealizace, respekt, zábava a radost v životě, bezpečí, sebeúcta a pocit úspěchu.
■■ Metoda VALS (Values and Life Styles) vznikla na Stanfordově univerzitě a jejím cílem
je vysvětlit chování spotřebitelů na základě jejich hodnotových systémů. Lidé se člení
podle „zdrojů“, jež mají k dispozici (vzdělání, příjem, sebevědomí, spotřební chování,
zdraví apod.), podle osobních postojů a podle toho, jak si přejí být společností vnímaní.
Příklad
Lifestylové typologie jsou tvořené na základě sady výroků a faktorové analýzy. Typologie
jsou pojmenovány podle jednoho z pólů, který popisují, a mají stejné názvy kategorií, jež
označují míru, s níž se respondent k danému pólu blíží. Kategorie jsou „silný“, „spíše silný,
„spíše slabý“ a „slabý“.
Preference
Důraz na nízkou Důraz na práci aktivního Aktivní práce
Péče o vzhled
cenu sportování s informacemi
Důraz na
Záliba duchovní Důraz na Extrovert
Dominance ekologii (x introvert)
v cestování hodnoty
(x materialismus)
Důraz na Impulzivita,
finanční Gurmánství ovlivnitelnost Koníčky Kutilství
zodpovědnost v nakupování
Důraz na kvalitu, Důraz na

Zájem o kulturu Optimismus Péče o zdraví
značku zdravou výživu
(Kladný vztah
Racionalita Zájem k alkoholu
v nakupování Důraz na rodinu o technologie a společenským
večerům)
Obrázek 9.3: Ukázka lifestylové typologie (zdroj: autor)
9.1.5 Behaviorální segmentace

Dalším pojmem, jenž se často používá, je segmentace. Obzvlášť u zákaznických výzkumů
mluvíme o segmentaci zákazníka, která rozdělí velký trh na menší homogenní celky (cílové
skupiny), jež se vzájemně liší svými potřebami, charakteristikami a nákupním chováním.
Cílem je tedy vytvořit segmenty co nejvíce homogenní a mezi sebou co nejvíce heterogenní
(hlavně z pohledu nákupního chování). Segmentace trhu se obvykle využívá při plánování
reklamních kampaní, vývoji nového produktu, tvorbě věrnostních programů apod. Pro
ilustraci si uvedeme několik segmentací založených na behaviorálních kritériích.
Na základě uživatelského statusu lze respondenty segmentovat na:
■■ neuživatel značky,
■■ bývalý uživatel,
■■ potenciální uživatel,
■■ nový uživatel,
■■ pravidelný uživatel.
Segmentace na základě míry používaní produktu:
■■ silný uživatel produktu,

■■ mírný uživatel produktu,
■■ slabý uživatel produktu.

Věrnostní status nám umožňuje segmentovat respondenty na:
■■ nezlomní věrní (loajální k jedné značce),

■■ rozpolcení věrní (věrnost dvěma/třem značkám),
■■ přelétaví věrní (přenášejí věrnost na různé značky),
■■ střídající (neprojevují věrnost žádné značce).
Na základě postoje k výrobku lze vytvořit segmenty:
■■ nadšený,
■■ pozitivní,
■■ lhostejný,
■■ negativní,
■■ nepřátelský.
Příklad
Net Promoter Score je užitečným ukazatelem potenciálu, který agreguje renomé, zkušenosti
a postoje respondentů ke konkrétním značkám. Umožňuje snadné srovnání mezi jednotli-
vými značkami. Lze ho použít také k jednoduché segmentaci zákazníků.
Net Promoter Score vychází z otázky: „Na základě svých zkušeností s touto značkou,
doporučil/a byste ji svým známým/přátelům?“ Na otázku lze odpovědět výběrem hodnoty
od 0 do 10, kde volba 10 znamená „s vysokou pravděpodobností doporučím“, a volba 0
„s vysokou pravděpodobností nedoporučím“. Respondent se vyjadřuje k těm značkám,
s nimiž měl zkušenost v posledním roce.
Na základě odpovědí jsou respondenti rozděleni do tří skupin:
■■ obhájci (promoters): hodnocení volbou 9 nebo 10,

■■ pasivní (passives): hodnocení volbou 7 nebo 8,
■■ odrazující (detractors): hodnocení volbou 6 a horší.
Čisté skóre značky, Net Promoter Score (NPS), pak získáme rozdílem odrazujících a dopo-
ručujících. NPS může být minimálně –100 (každý je detractor) a maximálně +100 (každý
je promoter). Pozitivní NPS (tedy vyšší než nula) se považuje za dobrý výsledek, NPS nad
+50 za vynikající.
9.2 Socioekonomická klasifikace ABCDE

9.2.1 Socioekonomické klasifikace
Velmi často používanými klasifikacemi v marketingových či mediálních výzkumech jsou
tzv. socioekonomické klasifikace. Smyslem takové proměnné je ordinálně segmentovat
jednotlivce (či celé domácnosti) především podle jejich ekonomické síly, vzdělání a profes-
ního postavení. Tyto věci spolu pochopitelně souvisí, stejně jako spotřební chování zamě-
řené na kvalitu, používání moderních technologií, aktivní životní styl, společenská prestiž
a vliv či sebevědomí a životní optimismus. Společnost však není jednorozměrná, jednotlivé
dimenze spolu korelují jen do jisté míry. Řešením je konstrukce souhrnné socioekonomické
klasifikace agregací vybraných dílčích proměnných (s ohledem na možnosti dotazování).
Častým dilematem bývá otázka rozložení důrazu mezi „sociální“ status (vzdělání, profese,
postavení v zaměstnání) a status „ekonomický“ (příjem, kupní síla, majetek).
Socioekonomická klasifikace by rozhodně měla pozitivně korelovat se vším výše uve-
deným. Jinou věcí je, na základě kterých proměnných bude tato klasifikace definována.
Některé informace jsou například obtížně dotazovatelné, respondenti mají zábrany je
sdělovat (jako výše příjmu). Praktickým požadavkem je vycházet z toho, co již je obsaženo
v dostupných datových balících a/nebo co příliš nezatíží budoucí respondenty. Nejčastěj-
šími vstupy bývají vzdělání, sociální postavení (nezaměstnaný, důchodce, zaměstnanec,
podnikatel apod.), postavení v zaměstnání (řadový zaměstnanec, vedoucí pracovník),
konkrétní profese a vlastnictví vybraných předmětů dlouhodobé spotřeby.
Socioekonomická klasifikace vyjadřuje vertikální strukturu společnosti – od socioeko-
nomicky „nejvyšších“ po „nejnižší“ skupiny. Neměli bychom však za tímto tříděním vidět
nějaký explicitní morální soud ve smyslu „vyšší = lepší“. Jde pouze o praktický nástroj,
vycházející z dostupných dat a obsahující navíc vždy i prvek statistického předsudku. Tyto
klasifikace se ve výzkumných datech používají jako další třídicí proměnné (například vedle
pohlaví a věku), často pak k cílení a vyhodnocování reklamních kampaní či porovnávání
jednotlivých mediatypů, mediálních titulů, produktů apod. z hlediska socioekonomického
složení jejich konzumentů.
Co očekáváme od kvalitní socioekonomické klasifikace? Předně samozřejmě silnou
(a monotónní) socioekonomickou diverzifikaci populace, která je výsledkem efektivního
využití dostupných dílčích proměnných. Zároveň však oceníme stručnou a transparentní
definici, využívající jen precizně uchopitelné a realisticky zjistitelné informace o respon-
dentech. Praktičnost klasifikace pak závisí na rozumném počtu a velikosti jejích kategorií.
Zajímat nás může případný dlouhodobý (ne)vývoj velikosti těchto kategorií v populaci.
9.2.2 Historie ABCDE klasifikací v České republice

V České republice má používání socioekonomických klasifikací především v mediálních
výzkumech dlouhou historii. Tradičně se taková proměnná nazývá ABCDE klasifikace,
podle označení jednotlivých skupin velkými písmeny A (nejvyšší) až E (nejnižší). Prosadily
se klasifikace na úrovni celých domácností, kdy členové jedné domácnosti sdílejí stejné
zařazení. Je to podpořeno tezí, že tyto osoby spolu do velké míry sdílejí socioekonomickou
úroveň.
Do roku 2005 se v jednotlivých mediálních výzkumech používaly různé definice ABCDE
klasifikací, což znesnadňovalo práci především mediálním agenturám, plánujícím reklamní
kampaně napříč jednotlivými mediatypy. Požadavek na standardizaci napříč jednotlivými
výzkumy vedl k ustavení speciální pracovní skupiny zástupců výzkumných a mediálních
agentur a mediálních asociací. Jejím výstupem byly dvě ABCDE klasifikace: „ESOMAR“
(ES) verze a „Česká národní“ (CZ) verze, s kategoriemi A, B, C1, C2, D, E1, E2 a E3, které
se od roku 2006 začaly v Česku standardně používat.
ES verze byla volnou adaptací ESOMAR Social Grade z roku 1997.6 Pracovala s povolá-
ním a vzděláním hlavy domácnosti (osoba v domácnosti s nejvyšším příjmem) a vybavením
domácnosti deseti vybranými předměty v případě ekonomicky neaktivních hlav. Při adap-
taci došlo k úpravě škály vzdělání hlavy, seznamu předmětů vybavenosti, ale i klíčového
prvotního rozřazení domácností podle ekonomické aktivity hlavy (celoživotní ekonomická
neaktivita byla nahrazena momentální ekonomickou neaktivitou). Vzniklá klasifikace
měla velmi silnou vazbu na vzdělání hlavy domácnosti, avšak nelogicky penalizovala její
ekonomickou aktivitu. Tato vnitřní nekonzistence pak logicky vedla k množství dalších
paradoxů. CZ verze kombinovala ES verzi s příjmem domácnosti, čímž vznikla alespoň
elementárně použitelná socioekonomická klasifikace, stále však trpící vnitřními rozpory.
Tyto dvě ABCDE klasifikace představovaly v Česku standard trhu až do roku 2012, kdy
hráči televizního trhu souhlasili se zavedením zcela nové ABCDE klasifikace z dílny vý-
zkumné agentury Nielsen Admosphere (tehdy ještě Mediaresearch) do dat TV-metrového
měření. Od dubna 2014 jde pak o jedinou ABCDE klasifikaci používanou v televizním
měření, postupně se objevila i ve zbývajících velkých mediálních výzkumech: NetMonitor
(internet), Radioprojekt (rozhlas) a MEDIA PROJEKT (tisk). Tím došlo k faktické změ-
ně standardu socioekonomického třídění v mediálních výzkumech v České republice.
Od té doby se opakovaně vynořují úvahy o vytvoření obdobné ABCDE klasifikace i pro
Slovensko, zatím se tak však nestalo. Na jaře roku 2016 byla obdobná proměnná zavedena
do dat televizního měření agentury Nielsen Admosphere v Bulharsku.
9.2.3 Konstrukce nové ABCDE klasifikace

Cílem při návrhu nové ABCDE klasifikace v roce 2012 bylo napravit nedostatky před-
chozích klasifikací, ovšem vycházet při její konstrukci pokud možno z proměnných již
dostupných v dotyčných výzkumech a zajistit i jistou míru kontinuity pro uživatele těchto
klasifikací. Zachován byl princip ordinální klasifikace na úrovni domácnosti, rozřazující
je (a jejich členy) do osmi kategorií označených velkými písmeny A až E v kombinaci
a arabskými číslicemi.
Snahou bylo zjednodušit dotazovou situaci potřebnou k získání dat k výpočtu klasifika-
ce. V definici nové ABCDE klasifikace se již nepoužívá měsíční příjem domácnosti, avšak
korelace s příjmem domácnosti není horší než u dřívější CZ verze klasifikace. Ve výpočtu
se rovněž nepoužívá konkrétní povolání hlavy domácnosti. Nejen díky tomu je definice
nové ABCDE klasifikace jednodušší a transparentnější.
Jisté kontroverze během diskusí o podobě nové proměnné vyvolávalo východisko
neexistence „sociálních tříd“ ve smyslu homogennějších a od sebe oddělených vrstev
společnosti. Proto byla otázka počtu a velikosti kategorií ABCDE klasifikace viděna čistě
jako otázka praktického používání této klasifikace (například žádná kategorie by neměla
být extrémně malá ani velká). Diskutováno bylo též opuštění jakýchkoliv snah o srovna-
telnost se socioekonomickou klasifikací v kterékoliv jiné zemi (o předchozí ES verzi se
mylně tradovalo, že je srovnatelná s podobnými klasifikacemi v zahraničí). Bylo také jasně
6 ESOMAR (1997): Standard Demographic Classification: A System of International Socio-Economic
Classification of Respondents to Survey Research.
proklamováno, že ABCDE klasifikace není nástrojem ke sledování vývoje společnosti v čase

z hlediska její socioekonomické struktury. Socioekonomický status byl nově explicitně
pojímán jako relativní, vztahující se k danému času a místu (zemi).
Základem ABCDE klasifikace podle Nielsen Admosphere je tzv. socioekonomické
skóre domácnosti. Jde o agregaci vstupních informací o domácnosti do podoby spojitého
skóre (indexu), jež vyjadřuje očekávanou (odhadovanou, predikovanou) úroveň příjmu
domácnosti ve vztahu k jejímu složení. Z tímto účelem definujme nejprve referenční
příjem domácnosti následujícím způsobem:
referenční příjem = 9000 + 9000 × dospělí + 4500 × (děti 0–18 let)
kde „dospělí“ je počet osob ve věku 19 let a starších v domácnosti a „děti 0–18 let“ je
počet dětí ve věku 0 až 18 let (včetně) v domácnosti. Volba konkrétních částek (paušál na
domácnost, dospělá osoba, dítě) nemusí nutně odpovídat typickým příjmům či nákladům
na danou osobu či domácnost. Jde pouze o „referenční“ příjem, vůči kterému je porovnáván
skutečný příjem domácnosti:
příjmový index = příjem domácnosti / referenční příjem domácnosti
„Příjmem domácnosti“ myslíme čistý měsíční příjem domácnosti ze všech různých typů
příjmu. Příjmový index tedy značí, kolikrát je domácnost příjmově bohatší, než odpovídá
jejímu referenčnímu příjmu (odpovídajícímu její velikosti a složení).
Socioekonomické skóre domácnosti představuje odhad jejího příjmového indexu
na základě znalosti hodnot proměnných vstupujících do výpočtu skóre. To nám poskytuje
objektivní vodítko pro určení „vah“ jednotlivých složek vstupujících do výpočtu socioeko-
nomického skóre a současně zajišťuje vysokou míru korelace výsledku právě s příjmovým
indexem domácnosti (zjednodušeně řečeno „příjmem na hlavu“), i když příjem domácnosti
do samotného výpočtu skóre nevstupuje.
Vzorec pro výpočet skóre byl na základě teoretických úvah a analýzy dat zvolen ve tvaru
(jde pouze o symbolický zápis):
složení domácnosti + profesní status hlavy + vybavenost
skóre = × vzdělávání × kraj
referenční příjem
„Složení domácnosti“ zohledňuje počet členů domácnosti, počet ekonomicky aktivních

členů a počet členů ve věku 0–18 let. „Vybavenost“ je váženým součtem vlastnictví těchto
předmětů: automobil mladší 10 let, chata/chalupa, internetové připojení v domácnosti,
elektrická vrtačka a mikrovlnná trouba. Proměnná „kraj“ vstupuje do výpočtu skrze
(vhodně transformovanou) průměrnou mzdu v kraji bydliště domácnosti podle údajů
ČSÚ. „Vzdělání“ je efekt vzdělání hlavy domácnosti na škále základní, vyučen bez maturity,
středoškolské s maturitou, vyšší odborné či bakalářské, vysokoškolské magisterské a vyšší.
„Profesní status hlavy“ má následujících deset kategorií:
■■ nezaměstnaný,
■■ student, v domácnosti, na rodičovské dovolené apod.,
■■ nepracující důchodce,
■■ zaměstnanec bez podřízených,
■■ zaměstnanec – nižší vedoucí (1–5 podřízených),

■■ zaměstnanec – vyšší vedoucí (6 a více podřízených),

■■ zaměstnanec – vrcholový manažer, ředitel podniku,
■■ soukromý podnikatel bez zaměstnanců (OSVČ),
■■ soukromý podnikatel s 1–5 zaměstnanci,
■■ soukromý podnikatel s 6 a více zaměstnanci.
Získané hodnoty skóre jsou ještě vynásobeny vhodnou kladnou konstantou tak, aby jejich
průměr na vzorku všech domácností byl roven 1. Obrázek 9.4 ukazuje histogram hodnot
socioekonomického skóre. Hodnoty se pohybují od cca 0,3 do 3, rozdělení má lehce klad-
nou šikmost (delší pravý chvost).
700 000
600 000
500 000
400 000
300 000
200 000
100 000
0
0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0 2,2 2,4 2,6 2,8
Socioekonomické skóre domácnosti (2016)
Obrázek 9.4: Socioekonomické skóre domácností (zdroj: Nielsen Admosphere)
Samotná ABCDE klasifikace podle Nielsen Admosphere je definována jako kategorizace

socioekonomického skóre domácností. Obsahuje osm kategorií A, B, C1, C2, C3, D1, D2
a E (tedy došlo k jisté změně názvů kategorií) rovnoměrně zastoupených v populaci všech
domácností Česka. Následující dva grafy (obrázek 9.5) ilustrují zastoupení jednotlivých
ABCDE kategorií (v detailním členění a v agregaci na pět písmenných nadskupin A, B,
C, D a E) v populaci domácností České republiky.
25% 45%
40% 37,5 %
20% 35%
12,5 %
12,5 %
12,5 %
12,5 %
12,5 %
12,5 %
12,5 %
12,5 %
30%
15% 25 %
25%
20%
10%
15% 12,5 % 12,5 % 12,5 %
5% 10%
5%
0% 0%
A B C1 C2 C3 D1 D2 E A B C D E
Obrázek 9.5: Zastoupení jednotlivých ABCDE kategorií v populaci domácností ČR (v de-

tailním členění a v agregaci na pět písmenných nadskupin A, B, C, D a E) (zdroj: autor)
Konstantní velikosti ABCDE kategorií v čase je dosahováno každoroční mírnou úpravou

mezí pro skóre definující jednotlivé kategorie. Tím je zohledněn absolutní vývoj (nárůst)
socioekonomické úrovně české populace a zachován stálý relativní význam jednotlivých
kategorií klasifikace. Aktuální kompletní definice ABCDE klasifikace je vždy k dispozici
na webu agentury Nielsen Admosphere. V budoucnu může dojít k aktualizaci předmětů
vybavenosti, které postupem času mohou zastarávat a mohou se naopak objevit nové,
relevantnější. V blízké budoucnosti například přichází v úvahu zařazení vlastnictví myčky
nádobí na úkor mikrovlnné trouby.
9.2.4 Vlastnosti nové ABCDE

Přestože nová ABCDE klasifikace je konstruována jako nejlepší přiblížení se příjmovému
indexu domácnosti (bez použití příjmu samotného), nejde o klasifikaci čistě ekonomickou
(příjmovou). Neméně podstatné je, ze kterých proměnných se klasifikace fakticky počítá
(což jsou proměnné ekonomické i sociální). Spearmanův koeficient pořadové korelace
ABCDE klasifikace s dílčími ukazateli socioekonomické úrovně na vzorku domácností
České republiky je následující:
Vzdělání hlavy domácnosti: 0,598

Příjmový index: 0,733
Procento ekonomicky aktivních osob v domácnosti: 0,801
Vybavenost (počet z pěti předmětů použitých v definici): 0,604
Vidíme, že klasifikace koreluje poměrně silně jak s mírou ekonomické aktivity, příjmem
a vybaveností domácnosti, tak se vzděláním její hlavy. Jde tedy skutečně o klasifikaci
„socioekonomickou“ s tím, že o něco větší důraz je kladen na aspekt ekonomický než na
aspekt sociokulturní (reprezentovaný zde vzděláním).
Následující přehled a z něho odvozené slovní popisy (viz obrázek 9.6) charakterizují
typické příslušníky jednotlivých ABCDE nadskupin A, B, C, D a E (pro zjednodušení
vyjadřování používáme spojení „příjem na hlavu“ namísto „příjmový index“).
Skóre domácnosti Hlava domácnosti

%
ABCDE domácností Ekonomicky Podnikatel, Minimálně
Průměr Od Do v populaci aktivní vedoucí Maturita Bakalář
A 1,63 1,38 12,5 % 99,5 % 71,7 % 93,8 % 70,5 %
B 1,27 1,19 1,38 12,5 % 96,9 % 45,2 % 81,0 % 35,7 %
C 1,02 0,86 1,19 37,5 % 84,0 % 14,4 % 52,8 % 15,0 %
D 0,73 0,63 0,86 25,0 % 22,7 % 0,8 % 39,3 % 5,4 %
E 0,57 0,63 12,5 % 0,3 % 0,0 % 5,9 % 0,5%
Obrázek 9.6: Charakteristika typických příslušníků jednotlivých ABCDE nadskupin A, B,

C, D a E (zdroj: Nielsen Admosphere)
Skupina A: Lidé s nejvyšším socioekonomickým statusem, 1/8 nejbohatších českých do-

mácnosti (a všichni jejich členové) z hlediska odhadovaného příjmu domácnosti na hlavu:
minimálně 1,38krát vyšší než průměr celé české populace, v průměru dokonce 1,63krát
vyšší. Drtivá většina hlav jsou ekonomicky aktivní, v 72 % případů vedoucí pracovníci,
manažeři či podnikatelé, minimálně s maturitou. Zbylé hlavy jsou profesionálové s vy-
sokoškolským vzděláním. Vysoká vybavenost domácností.
Skupina B: 1/8 domácností s druhým nejvyšším socioekonomickým statusem (skóre

v rozmezí 1,19- až 1,38násobku průměru). Nadprůměrný životní standard z hlediska
příjmu na hlavu v domácnosti: v průměru 1,27krát vyšší než u průměrné české domácnosti.
Jde nejčastěji o domácnosti, jejichž hlava je řadovým zaměstnancem s vysokoškolským
vzděláním nebo vedoucím pracovníkem či podnikatelem se středním vzděláním.
Skupina C: 3/8 domácností, jejichž odhadovaný příjem na osobu je průměrný, v in-

tervalu 0,86–1,19násobku průměru. Podle skóre dělíme na tři podkategorie: C1 (mírně
nadprůměrné), C2 (průměrné) a C3 (mírně podprůměrné). Typická povolání pro hlavu
domácnosti jsou kancelářské či technické profese a práce v obchodě a službách. Většinou
se jedná o řadové zaměstnance bez podřízených s nižším či úplným středním vzděláním.
Stále převažují domácnosti s ekonomicky aktivní hlavou, zhruba 1/6 domácností tvoří
dobře vybavené a vzdělané domácnosti důchodců.
Skupina D: 1/4 z hlediska odhadovaného příjmu na osobu podprůměrných domácností,

příjem na osobu se pohybuje kolem 0,73násobku průměru. Zde již převládají domácnosti
s ekonomicky neaktivní hlavou – v důchodu (zhruba 77 % domácností). U ekonomicky
aktivních domácností se jedná zejména o méně kvalifikované či nekvalifikované manu-
ální pracovníky s nižším vzděláním. Skupina se dále podle socioekonomické úrovně dělí
na kategorie D1 a D2 (každá 1/8 domácností).
Skupina E: V této kategorii se nachází z hlediska odhadovaného příjmu na osobu 1/8 nej-
chudších domácností, jejichž příjmový index je v průměru 0,57krát nižší než průměr celé
české populace domácností. Tuto kategorii tvoří téměř výhradně domácnosti s ekono-
micky neaktivní hlavou. Jedná se zejména o nejchudší a nejméně vybavené důchodce,
případně domácnosti nezaměstnaných hlav, osob v domácnosti, na rodičovské dovolené
či nepracujících studentů.
Kvalita socioekonomických klasifikací se často posuzuje podle toho, jak dobře di-
verzifikují vlastnictví vybraných předmětů (a tedy například dokážou cílit na silnější
spotřebitele):7
Televizor podporující
Televizor zobrazující
připojení k internetu
Notebook, netbook,
přehrávač/dekordér
přehrávač/dekordér
Digitální fotoaparát
plazmový televizor
2 a více televizorů
Zařízení s funkcí
LCD, LED nebo
Chytrý mobilní
ultrabook
TimeShift
3D obraz
telefon
Tablet
Video
A 81 % 6% 13 % 11 % 27 % 17 % 56 % DVD 23 % 53 % 77 % 82 %
MEDIARESEARCH
ABCDE klasifikace
B 78 % 6% 11 % 7% 28 % 19 % 57 % 19 % 40 % 72 % 70 %
C1 79 % 4% 11 % 7% 35 % 19 % 62 % 20 % 34 % 66 % 70 %
C2 75 % 5% 10 % 5% 37 % 19 % 57 % 15 % 28 % 58 % 64 %
C3 74 % 2% 8% 4% 35 % 20 % 57 % 12 % 19 % 45 % 52 %
D1 72 % 3% 6% 4% 34 % 20 % 48 % 8% 12 % 28 % 38 %
D2 60 % 2% 3% 2% 16 % 15 % 32 % 4% 9% 18 % 22 %
E 45 % 1% 2% 1% 11 % 8% 23 % 4% 7% 13 % 10 %
Celkem 71 % 3,6 % 8,0 % 5,2 % 28 % 17 % 49 % 13 % 25 % 47 % 51 %
Obrázek 9.7: Vlastnictví/vybavenost u typických příslušníků jednotlivých ABCDE skupin

(zdroj: ATO – Mediaresearch, 2014)
Vidíme, že % vlastnictví jsou ve všech případech monotónní vůči klasifikační škále, se

značnou strmostí závislosti (vyjma dvou a více televizorů, video a DVD přehrávače, což
nejsou příznaky vyššího socioekonomického statusu). Z tohoto pohledu tedy lze říci, že
nová ABCDE klasifikace plní svoji roli.
9.2.5 Socioekonomické klasifikace v zahraničí

Ve světě se používá velké množství různých klasifikací, které nesou přívlastek „socioeko-
nomická“, případně se používají pojmy jako social class, social grade, social status, socio-
-economic level apod. Prakticky v každé zemi se používá proměnná se specifickou definicí
a vlastnostmi, často však je v dané zemi standardizovaná napříč více (například mediální-
mi) výzkumy. Existovaly a existují i pokusy o vytvoření mezinárodně standardizované
7 Mediaresearch, tisková zpráva, 10. prosince 2014: Plochý televizor je v českých domácnostech již
standardem, vyšší sociální skupiny odlišuje vlastnictví tabletu či smartphonu. http://www.nielsen-
admosphere.cz/press/tz-plochy-televizor-je-v-ceskych-domacnostech-jiz-standardem-vyssi-socialni-
skupiny-odlisuje-vlastnictvi-tabletu-ci-smartphone-2.
a tudíž srovnatelné socioekonomické klasifikace. Zde bývají problémem výrazné rozdíly

ve vzdělávacích systémech zemí (a z toho vyplývající problémy se začleněním informace
o vzdělání osob), rozdíly v socioekonomickém postavení profesí či obecně rozdílná ekono-
mická úroveň, kulturní zvyklosti apod., kvůli nimž je obtížné definovat společný seznam
předmětů vybavenosti pro různé země.
Uveďme si zde jen několik příkladů socioekonomických klasifikací z velkých západo-
evropských zemí.
Snad nejznámější ABCDE klasifikací je Social Grade, vyvinutý před více než padesáti
lety v rámci National Readership Survey a doposud používaný jako standard ve Velké
Británii.8 Jde o proměnnou se šesti třídami A, B, C1, C2, D a E založenou na informacích
o povolání a postavení v zaměstnání osoby s nejvyšším příjmem v domácnosti. Kategorie
A a E mají poměrně nízké zastoupení v populaci, proto se většinou pracuje se hrubšími
skupinami AB, C1, C2 a DE.
V Německu, ve výzkumu best for planning (rozsáhlý výzkum životního stylu a spotřeb-
ního a mediálního chování) jsou k dispozici tzv. Sozioökonomische Segmente.9 Vychází
z příjmu domácnosti (sedm intervalů), profesního postavení hlavy domácnosti a vzdělání
respondenta. Každé hodnotě vstupní proměnné je přiřazeno bodové ohodnocení, takto
získané body se sečtou a podle výsledku je respondent zařazen do jedné ze sedmi kategorií
označených prostě čísly 1 (nejvyšší) až 7 (nejnižší). Meze kategorií jsou aktualizovány tak,
aby zastoupení kategorií v populaci bylo stále přibližně rovnoměrné.
V Itálii, například v měření sledovanosti televize, se používá proměnná classe socio-
-economica (CSE).10 Klasifikace je definována na úrovni domácností a tvoří ji šest kategorií
podle kombinace disponibilního příjmu a vzdělanostní úrovně. Názvy kategorií se skládají
vždy ze dvou písmen A, M a B (z italského alta = vysoká, medio = střední a bassa = nízká),
první písmeno se vztahuje k disponibilnímu příjmu, druhé k úrovni vzdělání. Kategorie
jsou AA (nejvyšší), MA, AB, BA, MB a BB (nejnižší).
Ve Španělsku byla v roce 2015 provedena revize socioekonomické klasifikace,11 kdy
původní letitou proměnnou založenou jen na vzdělání a povolání hlavy domácnosti na-
hradil tzv. índice socioeconómico, vycházející navíc z počtu všech a počtu ekonomicky
aktivních členů domácnosti. Index je konstruován jako regresní odhad příjmu domácnosti
s následnou kategorizací do sedmi skupin IA1, IA2, IB, IC, ID, IE1 a IE2 zastoupených
v populaci domácností po řadě 7,5, 15, 15, 20, 15, 15 a 7,5 %.
Nová česká ABCDE klasifikace se svým pojetím nejvíce blíží nové klasifikaci španělské
(která se tou českou v jistých aspektech možná i inspirovala). Česká ABCDE používá však
navíc vybavenost domácnosti a informaci o kraji bydliště. Podstatným rozdílem je též fakt,
že české socioekonomické skóre odhaduje „příjmový index“ (tedy příjem domácnosti
vztažený k počtu členů domácnosti), zatímco španělský socioekonomický index odhaduje
absolutní velikost příjmu domácnosti. Kvůli tomu španělská klasifikace znatelně zvýhod-
ňuje početnější domácnosti.
8 http://www.nrs.co.uk/nrs-print/lifestyle-and-classification-data/social-grade
9 http://www.b4p.media/fileadmin/b4p/upload/insights/download/b4p_2015_Sozioökonomische_
Segmente_Bildungsvorschriften.pdf
10 http://www.auditel.it/pubblici-analizzati
11 http://www.aimc.es/Jose-Andres-Gabardo-Social-Class.html
KAPITOLA 10
10. Interpretace kvalitativního

výzkumu
K valitativní výzkum se zaměřuje přednostně na porozumění vnímání nějakého jevu

respondenty a na pochopení, jak o tématech respondenti přemýšlejí.
Rolí moderátora – bez ohledu na to, jakou techniku používá – je získat co možná nej-
pravdivější výpovědi od respondentů. Rozhovor vede způsobem, aby se respondenti co
nejméně stylizovali a aby se sérií kladených otázek dozvěděl skutečné názory a postoje.
Moderátor používá předem připravený scénář otázek, který má sloužit hlavně jako pamě-
ťové vodítko. Formulace otázek může být volná a zkušený moderátor je může doplňovat
anebo spontánně nahradit některou z technik podle toho, jak na dané téma respondenti
reagují. Na rozdíl od kvantitativního výzkumu, kde je striktně dodržováno kladení otázek,
se v rámci kvalitativního výzkumu primárně zaměřujeme na vytěžení tématu, přičemž
není vždy nutné dodržet předem připravený postup.
Úkolem moderátora je zároveň nejen klást otázky a reagovat na odpovědi, ale také po-
zorovat bezprostřední reakce a vyhodnocovat, zda respondenti odpovídají pravdivě nebo
se stylizují. Jakmile moderátor zjistí, že se respondent spíše stylizuje, pokládá dodatečné
otázky, aby se ujistil o motivech takového chování, nebo se ideálně dobral skutečných
postojů. Výsledky svého pozorování zapracuje do analýzy.
Hlavním výstupem z kvalitativního výzkumu je textová zpráva. Ani při větším počtu
realizovaných individuálních rozhovorů či skupinových diskusí nikdy neprovádíme kvanti-
fikaci a je nutné se vyhnout jakémukoliv zobecňování mimo dotazovanou skupinu. Sdělení
respondentů jsou vyhodnocována obsahovou analýzou. Provádíme slovní rozbor toho, co
nám bylo respondenty řečeno, porovnáváme získané informace a interpretujeme význam
sdělení v celkovém kontextu, ve kterém nám respondent jev zmínil, s ohledem na tonalitu
sdělení a s přihlédnutím k pozorování, která učiníme při sledování reakcí respondentů.
Při interpretaci sdělení bereme v úvahu, zda se na popisovaném jevu shodla celá sku-
pina respondentů, jen jejich část, nebo byl zmíněn ojediněle. Zároveň porovnáváme, zda
se výpovědi odlišují mezi různými skupinami respondentů (například mladí vs. starší,
uživatelé vs. neuživatelé, skupina z Prahy vs. skupina z jiného města).
Ať se již jedná o skupinové diskuse nebo individuální rozhovory, snažíme se je vyhod-
notit jako celek. Analytik kvalitativního výzkumu hledá jednak podobnosti ve výpovědích,
vyvozuje závěry a formuluje hypotézy (nebo teorie) a zároveň se soustředí na odlišnosti
a vysvětlení, proč jsou některé jevy chápány či vnímány odlišně (co je diferencující faktor).
Pro účely interpretace se pořizují audio- a videozáznamy rozhovorů. V ojedinělých
případech si dělá moderátor poznámky, ale tento přístup ho silně limituje v možnostech
reagovat na to, co respondent říká; také přichází o detaily, které se mohou následně při
analýze projevit jako důležité. Z audio- a videozáznamů se připravují přepisy, tzv. tran-
skripty. Rozlišujeme tyto podoby transkriptů:
■■ Doslovná transkripce: Doslovně zaznamenáme projev včetně všech výrazů (nespisovná

slova, přeřeknutí, slang apod.).
■■ Komentovaná transkripce: Doslovná transkripce doplněná o nonverbální projevy
(intonace, emoční výraz respondenta, odmlka apod.). Tato pozorování se dopisují do
sloupečku vedle přepisovaného textu.
■■ Redigovaná transkripce: Stylisticky upravený doslovný přepis, kde jsou nahrazeny
hovorové výrazy. Při této transkripci doplňujeme do záznamu pozorování neverbálního
projevu (pláč, smích, vyděšený výraz apod.).
Interpretace kvalitativního výzkumu 141
■■ Shrnující protokol: Doslovně jsou přepsány pouze důležité pasáže, zestručněny jsou
části, které nejsou podstatné pro kontext nebo se nevztahují k tématu (tzv. vata).
■■ Selektivní protokol: Přepisujeme pouze relevantní pasáže pro předmět výzkumu. Vše
ostatní není přepisováno vůbec.
Volba konkrétní transkripce, kterou analytik použije při přípravě zprávy, vychází z účelu
výzkumu, složitosti výpovědí respondentů a jeho odborné zkušenosti.
Transkripty slouží výzkumníkovi pro účely kódování výskytu jevu a pro analýzu vý-
znamu sdělení. Pro snazší orientaci v přepisech může výzkumník využít některé z metod
zpracování dat, které uvádíme níže. Mezi jednotlivými zjištěními by měl být vzájemný
vztah a zjištění by měla být zasazena do celkového kontextu výpovědí. Protože se v kva-
litativním výzkumu pracuje s malými počty případů, je nutné dát si pozor na tendenci
subjektivní interpretace. Mezi analytiky kvalitativního výzkumu platí nepsané pravidlo,
že dávají své závěry před dokončením zprávy přečíst zkušenému kolegovi, který nebyl do
výzkumu zapojen.
Nejčastěji používané metody analýzy kvalitativních dat jsou následující:
■■ Časové osy: Zakreslení vývoje vyprávění, zachycení posloupnosti výskytu jevů.

■■ Metoda vytváření trsů: Do skupin se k sobě seskupují výroky na základě podobnosti.
■■ Metoda zachycení vzorců: Vyhledávají se shodné vzorce, témata a struktury, které se
v transkriptech vyskytují.
■■ Metoda kontrastů a srovnávání: Hledání rozdílů mezi jednotlivci či skupinami.
■■ Metoda užívání metafor: Data se převedou do podoby metafor a tím se zredukují
a zobecní.
■■ Metoda faktorování: Analýzou textu se snaží analytik odhalit implicitní faktory, které
nejsou přímo vysloveny nebo pozorovány, ale jsou výsledkem dedukce.
■■ Metoda zakotvené teorie: Používá se pro integraci kvalitativních dat získaných různými
metodami, hledají se návaznosti, které vedou k vytvoření určité teorie.
■■ Narativní rekonstrukce: Na základě analýzy kvalitativních dat se pokoušíme rekon-
struovat určitý jev v procesu jeho vývoje (rekonstruujeme příběh).
Asociační a projektivní techniky: V části věnované výzkumu značky se zmiňujeme o kon-

krétním využití projektivních a asociačních technik a jejich interpretaci. Na tomto místě
bychom rádi připomněli, že v psychologickém výzkumu se používají spíše spontánní
asociace. Jejich analýzou se zabývají odborníci a hledají souvislosti v kontextu konkrétního
pozorovaného jedince. Naopak v marketingovém výzkumu nám jde o porozumění vnímání
určitého jevu u větší skupiny osob a formulaci hypotéz. Spontánní asociace využíváme
jednak pro samotný sběr hodnocení od respondentů, jednak pro následnou interpretaci.
Pro potvrzení či vyvrácení hypotéz se musí vždy realizovat kvantitativní výzkum.
Za tímto účelem se osvědčily podpůrné prostředky, které byly v čase testovány a u nichž
známe předem interpretační rámec (například červená barva = agrese, muž objímající ženu
= láska, lev = síla). Používají se proto, že zkracují čas výzkumu (moderátor už neověřuje,
zda všichni za obrázkem vidí to samé, ale přebírá interpretaci přiřazenou k obrázku). Tyto
obrázky usnadňují vyjádření emocí, vztahu, nálady, vlastností nebo příslušnosti k určitému
segmentu lidí. Vizualizace pomáhají překlenout bariéru mezi kreativním přemýšlením,
emocionálním cítěním a verbalizací. Sady obrázků, které se pro výzkum a interpretaci

používají, mívají podobu například barev, zvířat, krajin, lidských emocí, lidských tváří
(tzv. archetypů), lidí nebo zvířat ve vzájemných interakcích, nálad vyjádřených kolážemi
atd.
Každý moderátor musí jejich použití předem zvážit a vybrat pro daný účel vhodnou
sadu. Ačkoliv je jejich použití při interpretaci velkým přínosem, nelze se na ně spolehnout
stoprocentně. Proto doporučujeme vždy získat i spontánní vyjádření k danému objektu.
Příklad
Při hodnocení nového konceptu reklamy bude velmi účelně použit validovaný set vyjadřující
emoce (štěstí, nuda, zlost apod.). Budeme-li naopak porovnávat různé značky kosmetiky,
bude vhodné využít validovaný set se zvířaty (za účelem posouzení vnímání síly značky)
nebo set s vyobrazením vztahů, který usnadní respondentovi formulaci charakteru a inten-
zity jeho postoje ke značce.
Interpretace koláží a grafického projevu: Při interpretaci výsledků kvalitativního výzku-

mu se mnohdy využívají individuální práce, které na dané téma respondenti připravují.
Mají obdobnou funkci jako validované sety, protože pomáhají vyjádřit emoce a postoje,
jež by respondenti formulovali obtížně.
S vyobrazeními se pracuje tak, že analytik hledá symboliku jednotlivých vyjádření
a pomocí známého interpretačního rámce zasazuje poznatky do celkového kontextu
rozhovoru. Pro správnost pochopení je ale vždy nezbytné získat i verbální zhodnocení
vizualizace respondentem, popřípadě se na jednotlivé symboly přeptat, proč byly použity.
Analýza grafických projevů je svěřena pouze zkušeným analytikům, kteří mají rozsáhlou
teoretickou znalost i empirickou zkušenost s interpretací. Při analýze celého souboru
respondentů se vyhledávají podobné symboly, které vedou k formulaci hypotézy a roz-
dílnosti (a jejich důvody).
KAPITOLA 11
11. Struktura výzkumné

zprávy

M arketingový výzkum má tři základní etapy: sběr dat, jejich analýzu a prezentaci
výsledků. Právě na třetí etapu – prezentaci výsledků – se zaměříme nyní.
V reálném prostředí marketingu zadavatel výzkumu s různou intenzitou participuje
i na prvních dvou etapách, tedy na stanovení metodiky sběru dat (například spolupráce
na sestavení dotazníku) a na analýze dat (kdy zadavatel může přinášet své náměty na typ
a hloubku požadované analýzy dat).
Závěrečná prezentace výsledků je pro zadavatele výzkumu vyústěním celého projektu
a právě při ní se často rozhodne o objemu a intenzitě případné další spolupráce mezi vý-
zkumnou agenturou a zadavatelem. Závěrečná prezentace má formu písemné výzkumné
zprávy, která bývá doplněna o osobní prezentaci výsledků. Výzkumná zpráva je v naprosté
většině případů vytvořena v grafickém prezentačním softwaru. Ze soudobých nástrojů
nejčastěji používáme MS PowerPoint. Vhodný je ale samozřejmě i jakýkoliv jiný software,
který umí prezentovat textová pole, grafy, obrázky.
Výzkumná zpráva by v sobě měla skloubit vysokou odbornost, přehlednost a uživatel-
skou srozumitelnost. Umění vytvořit přehlednou prezentaci, která uživatelsky atraktivní
formou přinese přesné a zajímavé informace, je pro celkový úspěch výzkumného projektu
klíčové. Analytické oddělení zadavatele často vyžaduje i dodání „surových“ dat z výzkumu
pro případnou další analytickou práci. Marketéři a obchodníci ale potřebují obdržet data
transformovaná do přehledných a jasných informací a doporučení.
Oddíly výzkumné zprávy: Pokud má zadavatel specifické požadavky na výzkumnou
zprávu, je samozřejmě třeba primárně dodržet jeho zadání. V naprosté většině případů ale
sestavujeme výzkumnou zprávu ve více méně ustálené struktuře. Je dobré mít na paměti,
že výzkumnou zprávu budou využívat pracovníci zadavatelské firmy napříč různými
odděleními. Výzkumná zpráva musí přinést srozumitelné informace i těm pracovníkům,
kteří se na realizaci výzkumu nepodíleli, ale výsledky výzkumu mají posloužit jako jeden
z podkladů pro jejich práci. Jedná se například o produktové manažery, segmentové
a brand manažery, pracovníky útvaru reklamy apod. Výzkumná zpráva se obvykle skládá
z těchto sekcí:
■■ úvodní list,
■■ marketingový cíl, výzkumný cíl,
■■ metodika,
■■ detailní výsledky,
■■ závěry a doporučení,
■■ manažerské shrnutí,
■■ kontaktní informace.
Úvodní list: Uvedeme název výzkumného projektu, loga a názvy společností zadavatele
a výzkumné agentury, případně i jména a názvy dalších firem či poradců, kteří se na vý-
zkumu významným způsobem podíleli.
Marketingový cíl, výzkumný cíl: Obvykle stačí několik vět, ze kterých čtenář pochopí,
k čemu mají firmě výsledky výzkumu sloužit a co bylo předmětem zkoumání. Marketin-
govým cílem může být například proniknutí do nového zákaznického segmentu, uvedení
nového produktu na trh, rozšíření produktové řady apod. Pochopitelně, za tím vším je
obvykle základní smysl podnikání, a tím je tvorba zisku.
Struktura výzkumné zprávy 145
Výzkumný cíl je podřízen cíli marketingovému. Ve výzkumné zprávě nás informuje,

co přesně bylo předmětem a tématem výzkumu. Pokud například marketingovým cílem
automobilky bude navýšení tržního podílu v zákaznickém segmentu mladých lidí do třiceti
let, bude výzkumným cílem pravděpodobně zmapování funkcionalit a parametrů, které
od automobilu mladí lidé očekávají, k jakým cestám automobil nejvíce využívají apod.
Metodika: Pokud je výzkumná zpráva vytvořena v prezentačním programu, věnujeme
metodice obvykle 1–2 snímky, nebo obdobně velký prostor v textovém dokumentu. Zá-
kladem je informace, o jaký typ výzkumu se jednalo, zda byly použity kvalitativní nebo
kvantitativní metody a techniky. Opět samozřejmě záleží na konkrétní situaci, jaké para-
metry výzkumu je vhodné do výzkumné zprávy uvést, obvykle ale uvádíme následující:
■■ Kvantitativní výzkum:
□□ Technika sběru dat: Uvedeme, zda byl sběr dat realizován osobně (PAPI, CAPI),
telefonicky (CATI), přes internet (CAWI), případně kombinací metod, nebo nějakou
jinou technikou (například automatizovaným sběrem).
□□ Období sběru dat: Uvedeme, odkdy a dokdy sběr dat probíhal. Je to důležité zejména
z důvodu, že výzkum mohl časově odpovídat nějaké významnější události (jako vstup
významné značky na trh nebo naopak její stažení, volby, změna legislativy apod.)
která může mít významný vliv na mínění cílové skupiny respondentů.
□□ Velikost vzorku: Je důležité podat informaci o počtu respondentů, aby bylo zřejmé,
s jak velkým intervalem spolehlivosti se při vyhodnocování výsledků pracuje.
□□ Metoda výběru respondentů a struktura vzorku: Uvedeme, zda se jednalo o kvótní,
systematický, stratifikovaný nebo některý další způsob výběru respondentů. Pokud
byl výběr kvótní, můžeme uvést kvótní hodnoty, pokud stratifikovaný, uvedeme
charakteristiku strat atd.
□□ Výběrové kritérium: Pokud byla použita nějaká filtrační otázka, uvedeme její znění.
Pokud nebyla, je dobré informovat, že výzkum byl realizován na obecné populaci.
□□ Další informace: Pokud realizátor uzná za vhodné, že je dobré ve výzkumné zprávě
uvést i další údaje, charakterizující výzkum, zde je na to prostor.
■■ Kvalitativní výzkum:
□□ Forma realizace: Uvedeme, zda byl výzkum realizován formou skupinové diskuse,
individuálních nebo expertních rozhovorů apod.
□□ Počet a charakteristika respondentů: Podobně jako u kvantitativního výzkumu
uvedeme, s kolika respondenty byl výzkum realizován a kolik a jak velkých skupin
(pokud byly skupinové rozhovory) proběhlo.
□□ Rekrutační kritéria: Zde uvedeme, podle jakých výběrových kritérií byli respondenti
vybráni.
□□ Termín konání rozhovorů: Stejně jako u kvantitativního výzkumu, i zde je důležitý
termín realizace rozhovorů, aby bylo možné zasadit výsledky výzkumu do kontextu
relevantních událostí.
□□ Další informace: Případné doplňující informace, které s realizací výzkumu souvisí.
Detailní výsledky: Tato pasáž výzkumné zprávy bývá nejobsáhlejší. Přináší vyhodnocení
a prezentaci výsledků jednotlivých otázek u kvantitativního výzkumu, nebo jednotlivých
témat rozhovoru u kvalitativního výzkumu.
Kvantitativní výzkum: Základem je přehledné grafické vyhodnocení každé otázky

dotazníku. Bývá dobré dodržovat jednotnou koncepci snímků. Ustálená zvyklost je, že
snímek (slide) obsahuje:
■■ Název snímku: Heslovitě shrneme jeho téma.

■■ Grafy: Můžeme použít buď klasické sloupcové, čárové, nebo koláčové grafy. Prezentaci
je ale možné zpestřit i jinou formou grafického zobrazení (můžeme například formou
obrázku a doplňujícího textu vykreslit profil typického klienta, který z výzkumu vzešel,
apod.).
■■ Zajímavosti: Na snímku je dobré také stručně uvést jednu nebo několik málo zajíma-
vostí, které se k prezentované informaci hodí, ale z grafů nejsou na první pohled patrné.
■■ Přesné znění otázky: Do zápatí snímku uveďme přesné znění otázky i její číslo v do-
tazníku. Čtenář si často chce v dotazníku něco dohledat a podívat se, jak byla otázka
respondentovi prezentována.
Kvalitativní výzkum: V případě kvalitativního výzkumu obvykle postupně prezentujeme

reakce respondentů na jednotlivá témata, diskutovaná ve scénáři. Také zde je zvykem pou-
žívat grafický prezentační software. Koncepce tvorby jednotlivých snímků bývá následující:
■■ Název snímku: Dílčí téma scénáře, které bylo předmětem diskuse a které je na snímku
prezentováno.
■■ Vyvozené závěry pohledem výzkumníka: Jak bylo zdůrazněno, vedení rozhovoru i jeho
následná analýza musí být provedena odborníkem se znalostmi sociologie. V této části
snímku (nebo série snímků) se prezentují hlavní zjištění, jež z rozhovoru s respondenty
k danému dílčímu tématu vyplynula. Pokud bylo diskutováno téma, k němuž respon-
denti vyjadřovali pozitivní a negativní komentáře, bývá přehledné graficky (například
na zeleném podkladě) prezentovat pozitivní názory a reakce respondentů, vedle (napří-
klad na červeném podkladě) pak prezentovat, co na diskutovaném produktu či službě
respondenti naopak hodnotili kriticky a negativně.
■■ Doslovné citace a výroky respondentů: Je velmi užitečné (a podstatně to zvyšuje dů-
věryhodnost a hodnotu výzkumné zprávy), pokud uvedeme i doslovné citace výroků
respondentů, které v rámci diskuse (rozhovoru) zazněly. Tyto výroky je dobré použít
pro dokreslení pozitivních a negativních názorů na diskutované téma.
Zejména u kvantitativního výzkumu je vhodné vložit i sérii snímků (slidů), v nichž jsou
data dána do vzájemných souvislostí. Nejen tedy vyhodnotit každou otázku izolovaně, ale
spočítat sílu závislostí mezi proměnnými z různých otázek (korelace, regrese apod). Pro
zadavatele bývá zajímavá i prezentace výsledků třídění – tzn. vyhodnocení výsledků nejen
za výběrový soubor jako celek, ale například i podle sociodemografických proměnných
(pohlaví, věk apod.).
Závěry a doporučení: Tato část výzkumné zprávy má opodstatnění zejména v pří-
padech, kdy tématem výzkumu je potenciál a očekávání trhu v nějaké oblasti, ať už jde
o uvedení nového produktu nebo inovace produktu stávajícího. Obvykle v této části shr-
neme pozitivní a negativní názory respondentů na zkoumanou problematiku. Pokud se
jedná o naši značku, negativní názory transformujeme do doporučení, co je třeba zlepšit,
a pozitivní ohlasy do doporučení, co je třeba udržet. Pokud bylo předmětem výzkumu
Struktura výzkumné zprávy 147
i zajišťování názorů na konkurenční značky, negativní názory na konkurenční značku

obvykle transformujeme do doporučení, jakou konkurenční výhodu naší značky komu-
nikovat a naopak, pozitivní ohlasy na konkurenční značky mohou být doporučením pro
další inovace naší značky.
Manažerské shrnutí: Mějme na paměti, že ve firmě, jež výzkum zadala, bude řada lidí,
kteří se rádi v rychlosti s výsledky výzkumu seznámí, ale není pro ně nezbytně nutné číst
podrobně celou výzkumnou zprávu. Proto je vhodné na ploše cca dvou snímků shrnout
to nejpodstatnější, co výzkum přinesl, jaké hlavní závěry z provedené analýzy vyplývají.
KAPITOLA 12
12. Další moderní metody

výzkumu
12.1 Výzkum komunit ve virtuálním prostředí

Rozvoj digitálních technologií zaznamenal v posledních pěti letech neuvěřitelný progres
a nabídl lidem zcela nové možnosti. Zejména v oblasti komunikace jsme své zvyklosti
značně změnili. Díky virtuálním platformám dnes můžeme v jeden okamžik sdílet své
názory, myšlenky a zkušenosti s mnoha tisíci až miliony lidí najednou. Co dříve trvalo
hodiny a dny a vyžadovalo svolání kongresů, je dnes možné v řádech sekund.
Virtuální platformy jsou – jako každý komunikační kanál – velmi zajímavé pro disci-
plínu marketingového výzkumu. Protože zde dochází k interakcím, zajímáme se jednak
o obsah sdělení v rámci virtuálních platforem, jednak o profil lidí, kteří se zde vyskytují,
a o frekvenci návštěv.
12.1.1 Obsah sdělení

Virtuální platformy dnes představují jeden z nejbohatších a pro mnoho lidí také nejdů-
věryhodnějších kanálů pro získání informací a rad. Můžeme zde sledovat diskuse nad
výrobky, doporučení ohledně užívání nebo třeba právní a ekonomické poradny, ale také
do důsledku reklamu a prodej. Z pohledu témat jsou virtuální platformy úžasným zdrojem
materiálu o přemýšlení a názorech lidí.
V rámci výzkumu obsahu sdělení na sociálních sítích nebo dalších virtuálních plat-
formách jde především o klasickou obsahovou analýzu. Specializované agentury pořizují
záznamy z platforem a analyzují, o čem si zde lidé povídali, zasazují debaty do kontextu
a vyhodnocují tonalitu sdělení. Sledování těchto chatů je možné provádět retrospektivně
nebo online, jednorázově anebo kontinuálně.
Pro obsažnost sledování je nejdůležitější dostat se na co nejvíce relevantních chatova-
cích platforem. Jde-li o témata komunikovaná v rámci velmi malých komunit, je hledání
cílových zdrojů ztížené a stává se prvním krokem výzkumu.
Obsahová analýza diskusí a chatů je dnes nedílnou součástí sekundárního výzkumu
a slouží jako vstup do jakéhokoliv tématu. Jde o nejlevnější a nejdostupnější zdroj, kde
lze získat výčet relevantních témat, která se pak v rámci primárního výzkumu ověřují
a hlouběji zkoumají.
Příklad
Firma, která plánuje vstoupit na trh s novým preparátem v oblasti péče o zdraví, si nechá
zpracovat obsahovou analýzu, aby zjistila, jaké jsou potenciální potřeby, o jakých těžkostech
lidé nejčastěji hovoří nebo jaké produkty si na vyřešení problému mezi sebou doporučují.
S těmito znalostmi pak mnohem efektivněji zformuluje nabídku a mimo jiné ji bude moci
umístit právě na platformách, kde potenciální zákazníci o problematice chatují.
Obdobně bývá obsahová analýza využívána pro doplnění obrázku o vnímání image a po-
věsti značek a společností. Firmy sledují, jak často a jaké konkrétní zmínky se o jejich
značkách nebo o nich samých vyskytují na sociálních sítích a jaké náladové tendence
Další moderní metody výzkumu 151
tyto chaty vytvářejí. Výsledky pak využívají pro korekce a usměrňování toku a tonality
informací. Prakticky se jedná o formu moderního PR.
Aby se mohl výzkumník k některým tématům dostat, je možné, že se bude muset na ně-
které stránky zaregistrovat anebo aktivně vstoupit do diskuse. V takovém případě mluvíme
o experimentu a je potřeba zdůraznit, že musí jednat velmi opatrně, aby nemanipuloval
komunitu a aby se neprozradila jeho skutečná identita.
12.1.2 Profil členů komunity

Kromě sdíleného obsahu nás v rámci komunitního výzkumu zajímá také frekvence: vývoj
návštěvnosti chatovacích stránek v čase, velikost komunity přispěvovatelů, počet návštěv-
níků stránek a jejich profil.
Pro sociologický výzkum je zajímavé pochopit, kdo jsou lidé, kteří se na stránkách
vyskytují. Někdy je možné řadu informací vysledovat a odhadnout z analýzy sdíleného
obsahu, přesnější bude ale kvantitativní sledování pomocí cookies. Cookies jsou textové
soubory vytvářené webovým serverem a ukládané prostřednictvím prohlížeče. Princip
cookies umožňuje odlišovat jednotlivé uživatele a díky němu vznikají statistiky a měřicí
systémy. Do cookies se mimo jiné ukládají identifikátory návštěvníka, které se na dalších
stránkách ukládají a doplňují, a tak lze pohyb trackovat.
Na trhu je k dispozici řada řešení, která nabízejí informace o návštěvnosti určité stránky.
Uvádíme přehled žádaných informací:
■■ počet návštěvníků za daný časový úsek,

■■ statistika o návštěvnících,
■■ aktivita návštěvníků,
■■ zdroj příchodu návštěvníka (jak se na stránku dostal),
■■ délka trasy: jakou cestu urazil, aby se dostal na cílovou stránku,
■■ konverze: jak se proměnily podněty (reklama) do nákupního chování.
Běžné cookies mohou o návštěvníkovi stránky mnohé prozradit, ale řada konkrétních
osobních informací o něm a jeho životním stylu zůstává utajena. Proto se dnes pro iden-
tifikaci a poznání návštěvníka (segmentaci) propojují statistické a další popisné informace
o lidech z velkých výzkumných on-line panelů (na bázi dobrovolnosti) s údaji získanými
z konkrétní webové stránky.
Takový výzkum přináší možnost nejen vyhodnocení, jak vypadá typický návštěvník
stránky, jaký je jeho životní styl a další informace, ale také umožňuje vyhodnotit velmi
detailně a přesně konverzi zásahu (například reklamní sdělení) do nákupu. Ve srovnání
s běžně dostupnými analytikami si tento výzkum vyžádá úzkou spolupráci zadavatele
s agenturou (vlastník online panelu).
V praxi to znamená, že je třeba umístit na web zadavatele značku, která se do cookies
návštěvníka zapíše. Využití spolupráce s členy panelu navíc umožňuje realizovat navazující
dotazování a doptávání se na důvody a okolnosti nákupního rozhodování.
Spolupráce s respondenty z online panelů není obtížná, pro úspěšnou analýzu je ale
potřeba zapojit skutečně velký počet lidí. Úskalím je totiž omezený výskyt spontánní ná-
vštěvy konkrétní stránky respondenty z řad panelistů. Aby tento jev nastal v dostatečném
množství případů, může trackování zabrat i několik měsíců.
12.2 Neuromarketing
Neuromarketing je pojem označující metodologický přístup ke zjišťování emočních reakcí
na podněty pomocí několika samostatných technik. Z toho důvodu nelze neuromarketing
definovat jako jasně danou a přesně ohraničenou kombinaci metodik, různé výzkumné
agentury používají rozdílné techniky. To, co fenomén neuromarketingu sjednocuje, je
hlavní myšlenka: vědecky změřit dopad testovaného stimulu na emoční prožitek. Odtud
také název „metody“ – vytváření funkční komunikace pomocí měření nervové (neuro-
nové) aktivace.
K čemu je tento výzkumný přístup dobrý? Proč se nestačí na emoční reakce jednoduše
zeptat? Protože speciálně ve výzkumech komunikace lidé často nemluví pravdu. Je to
částečně způsobeno antimanipulativní obranou, která nás chrání před manipulativním
působením reklamy. Z části se snažíme o sobě neprozradit příliš mnoho, neboť otázky
často odhalují naše základní hodnoty a postoje (vnímání image, prestiže, postavení, luxusu
apod.). Míra stylizace je tak při výzkumech komunikace velmi vysoká, ochota připustit si,
že jsem ovlivnitelný člověk, naopak poměrně nízká.
Dalším důležitým důvodem, proč měřit emoce, je skutečnost, že si mnohdy konkrétní
detail, který v nás nějakou emoci spustil, ani neuvědomujeme. Může to být zvuk, krát-
ký záběr, letmé gesto hrdiny, jež nastartuje změnu nálady, ale my sami ho nedokážeme
identifikovat. Neuromarketing slouží i k odhalení těchto komunikačně důležitých prvků.
12.2.1 Metody neuromarketingu

Zjednodušeně lze říci, že všechny metody, které dokážou měřit emoční odezvu (ať již
v mozku nebo v perifériích) bez zapojení vlastní, vědomé interpretace respondenta, jsou
součástí neuromarketingu. Za centrum tvorby emocí je považována amygdala, párový
orgán umístěný ve střední části spánkového laloku. Měření její činnosti pro účely komerč-
ního výzkumu je velmi náročné, je v podstatě možné dvěma způsoby: povrchově pomocí
elektroencefalografu (EEG) či „hloubkově“ pomocí funkční magnetické rezonance (fMRI).
Vzhledem k velké organizační, časové a finanční náročnosti společně s rizikem ovlivnění
chování respondenta v „tunelu“ se fMRI v běžné praxi výzkumu trhu téměř nepoužívá.
EEG je z hlediska pořízení i provozu výrazně dostupnější, díky rozvoji technologie suchých
elektrod současně představuje pro respondenty minimální zatížení z hlediska nutnosti
nasazovat EEG čepice a vstřikovat k elektrodám vodicí gel.
Emoční prožitek se však neprojevuje jen v mozku, na vzruch reagují i další systémy:
zvýší se srdeční tep, ekrinní žlázy vylučují více mazu, vzroste lehce tělesná teplota, zrychlí
se dýchání. Měřením změn v těchto periferních systémech získáváme data, jež lze kombi-
novat s údaji z amygdaly a která významně zvyšují spolehlivost výstupů neuromarketingu.
Volba jednotlivých technik je pak jakýmsi kompromisem mezi tím, jak přesné výsledky
potřebujeme, a tím, kolik měřicích zařízení chceme na respondenta „zavěsit“, aniž bychom
výrazněji ovlivnili jeho chování.
Mezi časté kombinace patří EEG a měření kožního odporu (zmíněná činnost ekrinních
žláz). GfK Czech k tomu přidává ještě fotopletysmograf (sleduje srdeční činnost) a měření
tělesné teploty. Správně by v neuromarketingu měla být zakomponována i oční kamera,
abychom měli jistotu, který vizuální prvek způsobil vzrušení (například při testu televiz-
ního spotu na nový automobil si u mužských respondentů nemůžeme být jisti, jestli nárůst
zájmu způsobil nový vůz, nebo modelka vedle něj).
12.2.2 Jak vypadá běžný neuromarketingový výzkum

Mezi nejčastější testované podněty patří televizní spoty. Jejich produkce i nasazení v tele-
vizi je velmi drahé, proto má smysl hledat ideální podobu a ladit je tak, aby neobsahovaly
žádné chyby. Vzhledem ke kombinaci obrazu a zvuku patří k nejsilněji působícím stimu-
lům a reakce na ně jsou dobře měřitelné. Optimální je testovat spoty ještě před vysílám,
formou tzv. pre-testů. Vzhledem k obvykle velmi „našponované“ době na jejich výrobu
a spuštění se častěji neuromarketingový výzkum provádí až při kampani nebo dokonce po
ní (mnohdy v okamžiku, kdy se už ví, že kampaň nedosahuje očekávaných výsledků a je
třeba hledat důvody proč). V tomto případě jde tedy o post-test kampaně.
I u neuromarketingu platí, že pro správné zhodnocení testovaných stimulů je třeba
získat co nejrealističtější chování respondentů. Abychom neovlivnili přístup respondentů
k výzkumu, nesmějí vědět, co je skutečným cílem studie. Neprozrazuje se ani kategorie
(televizní spoty), aby se respondenti oproti „normálu“ na blok reklam nezaměřili a ne-
sledovali jej pečlivěji, než by činili v přirozeném prostředí. Nejčastěji se testované osoby
zvou na testování televizního vysílání.
Standardní sezení trvá kolem jedné hodiny, obdobně jako u eye-trackingu jde o kombi-
naci měření tvrdých dat (neuromarketing) a „měkkého“ vnímání a hodnocení (hloubkový
rozhovor). Respondentovi je po příchodu vysvětlena metodologie, tedy jaké senzory mu
budou nasazeny a proč, následně je pak uveden do studia, kde je křeslo/gauč, televize a stůl
s měřicím zařízením. Po pohodlném usazení respondenta se mu nasadí senzory a naka-
librují se přístroje. Pak již začne sledování stimulu – obvykle cca patnáctiminutového videa
s částí pořadu a reklamním blokem, který obsahuje testovaný spot či spoty.
Za respondentem sedí po celou dobu výzkumník, který na počítači sleduje průběh jed-
notlivých křivek (EEG, fotopletysmograf, kožní odpor) a zaznamenává do připraveného
výtisku rozfázovaného testovaného spotu důležité emoční změny.
Po skončení sledování televize si respondenta přebírá další výzkumník, moderátor ná-
sledného rozhovoru, a odvádí jej do vedlejšího studia. Současně si od kolegy přebírá záznam
emočních křivek a je tak na rozhovor vybaven základními informacemi o tom, jak testo-
vaný spot na respondenta působil. Při rozhovoru může porovnat výpovědi s naměřenými
daty a v případě rozporů se zaměřit na důvody rozdílné interpretace a skutečných hodnot.
Stejně jako u jiných metod i zde platí, že respondenti musejí odpovídat cílové skupině,
na níž testovaná reklama útočí. Nemá smysl testovat emoční odezvu na spot nabízející
psí granule u člověka, který nesnáší zvířata. Vzorek testovaných osob se mezi agenturami
může lišit, vzhledem ke kombinaci tvrdého a měkkého měření by však mělo jít řádově
o desítky osob.
Neurotestování lze aplikovat v zásadě na všechny typy komunikace, limitem může

být v podstatě mizivá či nulová schopnost nosiče nějakou emoci vyvolat. Nicméně i to je
zjištění, které může tvůrcům komunikace přinést důležitou zpětnou vazbu.
12.2.3 Výstupy
Výstupy neuromarketingového výzkumu jsou dvojího charakteru: tvrdá data z neuro
přístrojů mají nejčastěji podobu emočních křivek a ukazují odchylky „od normálu“, vý-
povědi z rozhovorů se pak zpracovávají standardně kvalitativní analýzou. Zásadní zde
však je porovnání obou typů výsledků a především nalezení důvodů rozporu či rozporů.
Neuromarketingové metody poskytují informace o emocích ve dvou rozměrech – po-
laritě a aktivaci. Emoční polarita ukazuje výkyvy od nuly jak do pozitivního, tak nega-
tivního rámce. Zjednodušeně lze říci, že informuje o tom, jak se daný záběr líbí či nelíbí
(například obrázek romantického západu slunce versus pohled na autonehodu). Polaritní
křivka vykazuje během svého průběhu většinou velké množství změn, každý nový záběr
vyvolává určitou reakci a ta se může od té předchozí výrazně lišit. Druhým, z hlediska
motivační síly spotu důležitějším výstupem je tzv. aktivační křivka. Ta ukazuje schopnost
stimulu vzbudit silnější, méně proměnlivou emoci – zjednodušeně řečeno zájem o službu
či produkt. Průběh aktivační křivky je zásadním ukazatelem schopnosti spotu ovlivnit
nákupní rozhodování.
Průběh obou neuro křivek je nutné porovnat s výstupy z hloubkových rozhovorů, jak
již bylo řečeno, a to s důrazem na místa, kde se data rozcházejí. Tyto momenty/záběry
bývají totiž často stěžejními tvůrci emoce, která sice může být kognitivně (přemýšlením)
upravována, nicméně jejímu působení je cílová skupina vystavena. Při finálním nákupním
rozhodování bývá často taková emoce hlavním spouštěčem, aniž bychom si to vždy nut-
ně museli uvědomit. Často bývá taková volba označena za „pocitovku“, člověk se prostě
rozhodl „tak nějak podle citu“.
12.2.4 Výhody a nevýhody neuromarketingu

Hlavní výhodou neuromarketingových výzkumů je možnost testovat dopad komunikace
na emoce. Všechny ostatní metody ukazují to, co jsou respondenti ochotni či schopni
o sobě prozradit. Neuromarketing měří skutečný prožitek respondenta v okamžiku kon-
taktu s testovaným stimulem.
Neuromarketing je nejefektivnější v kombinaci s tradiční metodou výzkumu trhu –
rozhovorem. Ten dokáže mnoho důvodů chování objasnit (momenty, kdy respondent
nemá důvod lhát a současně si své motivy uvědomuje). Kombinace s rozhovorem ale také
odhalí momenty, kdy se výstupy liší, a poskytne tak vodítko, které scény či záběry hrají
pro rozhodování zásadní roli.
Nevýhod neuromarketingu není mnoho. Lze mezi ně započítat cenu, která ale v po-
rovnání s tradičními metodami (kvalitativní výzkum pomocí skupinových diskusí či
kvantitativní online výzkum) výzkum prodražuje v průměru pouze o jednotky až malé
desítky procent. Druhou nevýhodou může být fakt, že neuromarketing lze hůře aplikovat
v přípravné fázi (například animatiky u televizních spotů či drátové modely webových

stránek), neboť u nich bývá emoční odezva nižší.
Příklad
Nadnárodní farmaceutická společnost se v televizním spotu propagujícím volně prodejný

přípravek pro muže zaměří na cílovou skupinu žen – partnerek potenciálních uživatelů
přípravku. Televizní kampaň nepřinese kýžený nárůst prodeje, a tak se společnost obrátí
na výzkumnou agenturu s otázkou: „Je to vina našeho spotu?“ Pro zodpovězení této otázky
zvolí agentura kombinaci neuromarketingu s hloubkovým rozhovorem. Studie následně
odhalí kritickou scénu spotu, která výrazně snižuje motivační schopnost reklamy. Agentura
doporučí tuto scénu předělat, případně vystřihnout.
12.3 Eye-tracking
V části věnované eye-trackingu se seznámíme s tím, jak se tato metoda, původně využívaná
v jiných odvětvích, uplatnila v komerčním světě marketingového výzkumu, proč je vlastně
důležité sledovat něčí pohyby očí a k čemu lze eye-tracking využít.
Ekvivalent anglického výrazu eye-tracking má v češtině více podob, nejpřesnější překlad
je zřejmě „sledování/stopování dráhy zraku“, metodologicky se často mluví také o vý-
zkumech oční kamerou. Jde o výzkumnou metodu zaměřující se na sledování pohybu
očí, konkrétně potom ostrého (centrálního) vidění, v němž vidíme předměty ostře, jsme
schopni rozpoznat drobné nuance a číst plynulý text.
Proč vlastně sledovat něčí pohyby očí? K čemu je tato metoda dobrá? Velmi zjedno-
dušeně lze říci, že pokud chceme zmapovat působení jakékoliv komunikace či reklamy,
musíme začít ověřením, že ji oslovený vůbec postřehl. Současně potřebujeme vědět, jak
moc ji registroval. Co viděl? Jak dlouho? Kolikrát se na reklamu podíval? V jakém pořadí
sledoval či četl jednotlivé části? Co přehlédl?
Vzhledem k tomu, že lidské oko udělá v orientační fázi za sekundu 5–6 skoků, nelze
odpovědi na tyto otázky získat jinými metodami (například klasickým dotazováním),
protože lidský mozek není schopen „uložit“ do paměti tolik vizuálních dat. Drtivá většina
informací je tak okamžitě vypouštěna, do paměťové stopy se uloží pouze zlomek z toho, co
vidíme, navíc mnohdy ve velmi nepřesné podobě. Z toho důvodu byla třeba přijít s meto-
dou, která dokáže změřit veškeré pohyby zraku, a přinést tak přesné informace o tom, co
a jak dlouho bylo skutečně viděno.
Ačkoliv se v této kapitole budeme věnovat komerčnímu využití eye-trackingu, je důležité
zmínit, že stopování lidského zraku se využívá i v jiných odvětvích. Mezi ty nejvíce prospěš-
né patří určitě zdravotnictví, konkrétně pomoc tělesně postiženým osobám s nemožností
pohybu končetin v podobě ovládání zařízení zrakem (tato metoda například umožňuje
ovládání PC: krátký pohled přesune kurzor, dlouhý pohled znamená dvojité kliknutí).
Abychom eye-trackingu správně porozuměli, měli bychom alespoň v hrubých rysech
vědět, jak funguje lidský zrak. Přestože naše zorné pole zabírá více než polovinu kruhu
(200–220°), opravdu ostře vidíme pouze v cca 5° výseku přímo uprostřed (zmíněné centrál-
ní vidění). Čím více je objekt v zorném poli vzdálen od tohoto středu, tím je rozostřenější.
V periferním vidění (cca 10–110°) nejsme tedy schopni vidět věci ostře, jsme zde ale daleko
citlivější na objekty s vysokým kontrastem a také na pohybující se prvky. Mozek v podstatě
podvědomě vybírá z periferního vidění podnět, na nějž ostré (centrální) vidění přesune.
Stejně tak je důležité si uvědomit, že oko buď skáče, nebo stojí. Pozorování tedy není
plynulý pohyb, jak se často mylně domníváme, ale je to série velmi rychlých přeskoků očí
(sakád) a krátkých zastavení (fixací). Sakády trvají pouhé tisíciny až setiny vteřiny a lidský
mozek při nich nedokáže vizuální informaci vstřebat. K tomu slouží až zmíněné fixace,
tedy zastavení oka, které navzdory svému názvu netrvají dlouho, většinou jde o desetiny
sekundy. Nicméně to jsou jediné momenty, při kterých mozek dokáže obrazovou informaci
rozluštit. Právě na ně se zaměřuje eye-tracking.
12.3.1 Komerční výzkumy dráhy zraku

Historie eye-trackingu ve výzkumu trhu sahá přibližně do sedmdesátých let 20. století,
kdy se v USA začaly výzkumy dráhy zraku používat pro optimalizaci tiskovin. Přibližně
o dekádu později se dostaly do Evropy, v Česku se používají od roku 2000, kdy marketin-
gová agentura Dimar do svých služeb začlenila i výzkum oční kamerou.
První eye-trackery dnes již vyvolávají úsměv. Stejně jako v celém odvětví elektroniky,
i zde přinesl technologický vývoj výrazné zmenšení zařízení, zásadně zjednodušil ovládání
a automatizoval výpočet a zobrazení dat. Sledování očí se, byť ve zjednodušené podobě,
používá například i v automobilech (kontrola mikrospánku) či u mobilních telefonů
(prodloužení času rozsvíceného displeje).
Ve výzkumu trhu se používají nejčastěji dva typy eye-trackerů: brýlový (dříve nazývaný
„náhlavový“, head-mounted) a vzdálený (remote, případně zabudovaný, built-in).
Obrázek 12.1: Brýlový eye-tracker (zdroj: GfK Czech)

Obrázek 12.2: Vzdálený eye-tracker (zdroj: GfK Czech)
Brýlové systémy pro komerční výzkum sledují většinou jedno oko (jsou tedy monokulár-
ní), neboť u zdravého člověka běhají oči zcela synchronně. Na trhu najdeme i binokulární
systémy sledující obě oči, tento typ se však používá spíše ve vědeckých výzkumech, kdy je
nutná vyšší přesnost či je nutné sledovat případné rozdíly mezi očima. Největší výhodou
brýlových systémů je jejich univerzálnost, dají se v podstatě použít všude a pro všechny
typy reklamních nosičů. Mezi jejich hlavní nevýhody patří nutnost nasadit je respondentovi
na obličej a nemožnost, případně výrazná složitost automatizace výpočtu a zobrazení dat.
Vzdálené oční kamery jsou ideálním nástrojem pro testování promítaných stimulů, ať
již jde o e-komunikaci (weby, e-mailingy, newslettery), aplikace či reklamní spoty. Jsou
buď zabudované přímo do rámu monitoru, nebo se k němu připevňují. Ty odnímatelné lze
pak spojit i s jinými promítacími zařízeními (datový projektor, televizor), takže poskytují
opět větší rozsah použití.
Oba typy se sice liší, jejich úkol je však stejný – zmapovat oční pozornost respondentů
při kontaktu s konkrétním nosičem (leták, inzerce, billboard, webová stránka, televizní
spot apod.) a pomoci zjistit, zda daný nosič funguje tak, jak má. Mnohdy se totiž stává,
že představy tvůrců komunikace se nepotkávají s výsledným očním chováním zákazníků
a dopad komunikace je pak zcela odlišný. Pokud známe dráhu zraku zákazníka, dokážeme
říci, zda komunikace funguje, a především pokud ne, tak proč.
Polina Tuniakina (polyatunyakina@yandex.ru)

12.3.2 Jak to vlastně funguje

Eye-tracking je sledování zraku za současného snímání zorného pole. Abychom zjistili,
na co se člověk dívá, musíme kromě jeho očí (oka) mapovat i pozorovanou scénu. Z toho
důvodu se brýlové eye-trackery skládají ze dvou kamer – oční (snímající oko respondenta)
a scénické (snímající scénu, tedy zorné pole respondenta). Oba výstupy se následně proloží
do jednoho obrazu, takže výsledný záznam ukazuje pozorovaný objekt (časopis, direct
mail, citylight, uličku v obchodě) s pohybujícím se kurzorem (kolečko, kříž), znázorňují-
cím centrální vidění respondenta. Dále mohou brýle obsahovat i další senzory, případně
komunikátory s doplňkovými zařízeními, ty se však již nevztahují k eye-trackingu.
U vzdálených eye-trackerů nahrazuje scénickou kameru samotné promítací zařízení
(monitor PC, plátno, televizor), oční modul pak snímá oči respondenta na dálku. Obsahuje
většinou i tzv. kompenzátor pohybu hlavy, který zabraňuje zkreslení očních dat drobnými
pohyby celé hlavy (předklon, úklon). Tím, že se u remote kamer pozorovaná scéna nemění
(respondent hledí stále na stejný monitor či televizor), umožňují tyto systémy tzv. auto-
matické zpracování dat: program si dráhu zraku sám spočítá a téměř okamžitě poskytne
vizualizaci naměřených hodnot. Vznikají tak známé teplotní mapy (heat maps), méně
známé inverzní mapy (opacity maps) či zrakové trajektorie (gaze trajectories).
Obrázek 12.3: Heat mapa a inverzní mapa – ukázka vyhodnocení (zdroj: GfK)
12.3.3 Typy výzkumů

Nadneseně lze říci, že oční kamerou lze testovat vše, co je určené k předání vizuální in-
formace. Z pohledu výzkumu trhu se eye-tracking nejčastěji používá ve třech oblastech:
uživatelské testování (User eXperience, zkratka UX), optimalizace tiskovin (print optimi-
zation) a nákupní chování (shopper research), kam spadá i komunikace v místě prodeje.

Smyslem UX testů je zmapování interakce uživatele s testovaným podnětem. Tím může

být webová stránka, online formulář, e-mailingová kampaň, ale i televizní spot. Při tomto
typu výzkumu se zkoumá celý proces, nejde tedy většinou pouze o hodnocení vizuální
přitažlivosti jednotlivých prvků (logo, obrázek, headline, text), jako je tomu u výzkumu
tiskovin, ale o srozumitelnost názvosloví, intuitivnost struktury, schopnost navigace a snad-
nost dosažení cíle (například objednání zboží). Uživatelské výzkumy tak ukazují, kde se
respondenti ztrácejí, kde se zacyklí, které prvky narušují logičnost ovládání, které animace
strhávají pozornost a zhoršují navigační schopnosti webu, kdy a kde uživatel již ztrácí tr-
pělivost a stránky opouští. Pro UX testování se nejčastěji používají vzdálené oční kamery.
Optimalizace tiskovin je typ výzkumu, při němž se hodnotí schopnost nosiče zaujmout
a předat stěžejní sdělení v co nejkratším čase a co nejsrozumitelnější cestou. Vzhledem ke
krátkým pozorovacím či čtecím časům věnovaným tiskovinám rostou nároky na zajíma-
vost kreativního zpracování, které by ideálně mělo podporovat předání hlavní myšlenky
komunikace. Oční kamerou se při tomto typu výzkumu hodnotí vizuální atraktivita jednot-
livých prvků, jejich souhra pro zmíněné předání stěžejního sdělení, schopnost vést pohled
čtenáře po stránce a současně jej dostatečně motivovat pro další krok (ideálně nákup). Pro
optimalizaci tiskovin se používají nejvíce brýlové typy eye-trackerů.
Eye-tracking při nákupním rozhodování, nejčastěji realizovaný přímo v místě prodeje,
je důležitým nástrojem pro testování prodejní plochy, rozmístění či uspořádání zboží a in-
-storové komunikace. Přestože mnoho zákazníků přichází do prodejny s jasnou představou,
co si chce odnést, u většiny výsledný nákup přesně neodpovídá původnímu „seznamu“. Co
se přesně při nákupu děje, kudy zákazník prochází prodejnou, které vizuální prvky (design
produktu, obal, POS materiál, cenovka, uspořádání regálu) ovlivňují volbu produktu, jsou
otázky, na něž může odpovědět právě tento typ výzkumu oční kamerou.
12.3.4 Výběr respondentů, vzorek a typický průběh výzkumu

Důležitou podmínkou pro úspěšnou realizaci výzkumu je zachování co největší přiroze-
nosti situace. Pokud by respondent věděl, čeho se výzkum týká a jaký materiál se testuje,
mohlo by jeho chování být ovlivněné natolik, že by naměřená data (počet a délka fixací)
neměla se skutečným chováním nic společného. Z toho důvodu se přesný cíl studie dopře-
du nikdy neprozrazuje, respondenti vědí pouze na obecné úrovni, že jde o výzkum webu,
časopisů, televizního vysílání či nákupního chování.
Dalším důležitým faktorem úspěchu je měření odpovídající cílové skupiny, tedy osob,
pro něž je daná služba či produkt (a tím i komunikace) relevantní. Jinými slovy, nemá smysl
testovat katalog cestovní kanceláře na člověku, který z principu nikam nejezdí.
Počet respondentů neboli vzorek se liší v závislosti na typu výzkumu a především na
časových a finančních možnostech zadavatele. Vzhledem k povaze měření – tedy sbírání
objektivních (tvrdých) dat – by eye-tracking spadal do kvantitativního výzkumu, typická
studie by tedy měla čítat stovky osob.
Obdobný výzkum by však byl organizačně, časově a finančně velmi náročný. Současně
je dráha zraku konstantnější veličina než subjektivní názory, postoje a preference, proto
se výzkumy oční kamerou provádějí většinou v rámci kvalitativního šetření, tedy spíše
na jednotkách až desítkách testovaných osob. Toto zařazení ovlivňuje i skutečnost, že
eye-tracking se nejčastěji kombinuje s hloubkovým rozhovorem, který doplňuje tvrdá

data o zmíněné subjektivní vhledy. Přes veškeré výhody nedokáže výzkum oční kamerou
objasnit jednu zásadní věc: proč k danému očnímu chování vlastně dochází. Doptání se na
důvody například opakovaného pročítání popisu produktu je nezbytnou součástí celého
sezení. V rámci UX testů je navíc možné testované osobě ihned po skončení eye-trackingu
ukázat její vlastní dráhu zraku a nechat ji dané chování vysvětlit (tzv. retrospective thinking
alound, RTA). Komentování vlastního počínání nejen pomáhá rozpomenout se na jed-
notlivé fáze prohlížení stimulu, současně také silně eliminuje tendence lhát či stylizovat
se (například tvrzení, že cena nehraje žádnou roli versus opakované prohlížení cenovky).
Příklad
Velká česká banka připravuje novou verzi internetového bankovnictví (IB). Vzhledem k zá-
sadní změně prostředí se obává negativních reakcí ze strany stávajících uživatelů aplikace.
Aktuálně má připravenu rozpracovanou verzi nového internetového bankovnictví, u níž
potřebuje ověřit, že přes zcela jinou grafickou podobu dokáže navigovat aktuální klienty do-
statečně intuitivně k cíli. Aby se přesvědčila, zda tomu tak je, zvolí kombinaci eye-trackingu
a hloubkového rozhovoru. První metoda ukáže reálné ovládání nové aplikace, rozhovor pak
objasní případné problémy s použitím, současně také poskytne obrázek o tom, jak změnu
IB vnímají stávající zákazníci z pohledu designu, modernosti a příslušnosti ke značce.
Klíčový poskytovatel energií v České republice má ze zákaznické linky dlouhodobě mnoho
negativních ohlasů na vyúčtování služeb. Zákazníci si stěžují, že vyúčtování není přehledné,
nerozumí jednotlivým položkám, dlouho hledají výsledek (přeplatek versus nedoplatek),
nechápou tvorbu konečné ceny, současně kritizují délku dokumentu a malou velikost písma.
Z toho důvodu se energetická společnost rozhodne vylepšit stávající vyúčtování a připraví
tři varianty „faktury“, každou jinak dlouhou a s jiným umístěním stěžejní informace.
12.4 Měření médií a mediální výzkumy

V této části se budeme věnovat měření sledovanosti médií a mediálním výzkumům. Pojem
média se v současné době používá velice často, je však třeba si uvědomit, že jeho definice
je poměrně volná a široká. Abychom se vyhnuli z toho plynoucím nedorozuměním, vy-
mezíme hned na začátku, co si pod pojmem média budeme v této části představovat my:
rozumíme tím sdělovací prostředky masové komunikace, jejichž hlavním cílem je šíření
informací a zábavy mezi široké vrstvy obyvatelstva. Jednou z významných funkcí médií
je i funkce nosiče reklamního (propagačního) sdělení.
12.4.1 Různá kritéria dělení médií

Média můžeme rozdělovat podle řady kritérií:
■■ Média elektronická: rádio, televize, internet (šíření obrazu i zvuku).

■■ Média tištěná: noviny, časopisy, knihy.
■■ Ostatní média: kino, venkovní reklama atd.
Z hlediska dostupnosti a interaktivity je rozdělujeme na:
■■ Tradiční média (offline): televize, tisk, rozhlas, venkovní reklama (outdoor).

■■ Nová (digitální, online) média: internet (včetně veškerého zvukového, tištěného i psa-
ného obsahu, původně produkovaného pro tradiční média). Hlavním znakem nových
médií je dostupnost a interaktivita. Obsah je šířen prostřednictvím různých digitálních
zařízení nemobilních (statických) jako počítače, notebooky, nebo mobilních jako na-
příklad smartphone (chytrý telefon s dotykovou obrazovkou) nebo tablet.
Podle způsobu a podoby šíření (přenosu) informací rozdělujeme média do následujících

několika základních mediatypů:
■■ Televize: Jednotlivé televizní stanice, například ČT1, ČT2, Nova, Prima atd.
■■ Tisk: Deníky a časopisy, konkrétně například MF Dnes, Právo, Reflex atd.
■■ Rádia: Zahrnuje jednotlivé rozhlasové stanice na trhu, například ČRo1 – Radiožurnál,
Evropa 2, Impuls atd.
■■ Internet: Jedná se spíše o platformu pro šíření informací a mediálního obsahu, v rámci
pojmu mediatyp zahrnuje webové stránky (provozovatele) nabízející mediální obsah
včetně reklamního prostoru, zahrnuje původní nová internetová média (např. Seznam,
YouTube, Google) a klasická média, vytvářející vlastní internetová média.
■■ Outdoor: Venkovní reklamní nosiče, které se nacházejí kdekoliv venku ve veřejném
prostoru, dělí se jednak z hlediska jednotlivých vlastníků ploch, jednak z hlediska růz-
ných typů nosičů (billboardy, bigboardy, citylighty atd.).
■■ Indoor: Označení pro reklamní nosiče, které se nacházejí v uzavřených prostorách,
například v nákupních centrech, obchodech atd.
Ještě si připomeňme, že média dělíme i podle jejich vlastnictví na:
■■ Komerční média, která jsou vlastněna soukromým subjektem či osobou. Komerční

média jsou financována nejčastěji z reklam, případně z přímých prodejů či obou zmí-
něných způsobů, jejich cílem je generování finančního zisku.
■■ Veřejnoprávní média (v případě České republiky se jedná o Český rozhlas a Českou
televizi) jsou financována z veřejných peněz prostřednictvím koncesionářských po-
platků. Jsou zřizována státem a mají plnit tzv. veřejnou službu, tedy zejména přinášet
objektivní, vyvážené a nestranné informace všem občanům.
12.4.2 Měření médií a výzkumy sledovanosti (one currency)

Média, jako každý jiný komerční (i nekomerční) subjekt na trhu, potřebují pro svůj rozvoj
a strategická rozhodnutí podrobné a spolehlivé informace o svých konzumentech, jejich
množství, chování a preferencích. Stejně jako další subjekty získávají tyto informace mimo
jiné prostřednictvím různých metod výzkumu trhu. Vzhledem k tomu, že média šíří me-
diální obsah a jejich cílem je získat co nejvíce diváků, čtenářů, posluchačů či návštěvníků,
je řada běžných výzkumů týkajících se médií zaměřena na hodnocení atraktivity obsahu
pro konzumenty. Jedná se o například o testování hudebních ukázek, nových pořadů či
titulních stran časopisů. Hledají se cesty, jak si udržet konzumenty a získat nové. Výzkum-
né agentury dnes nabízejí médiím celou škálu různých výzkumných metod a technik, od
standardních kvantitativních (in-hall testy hudebních ukázek, CAWI či CATI dotazovaní)
či kvalitativních (klasické i online skupinové diskuse, blogy a individuální rozhovory) až
po úplně nové, jako je neuroscience, využívání očních kamer atd.
V této části se však nebudeme věnovat běžným výzkumům jednotlivých médií, vycháze-
jícím z jejich aktuálních potřeb, kde se vhodný výběr metodiky výzkumu řeší individuálně
právě na základě těchto potřeb (stejně jako u jiných segmentů), ale budeme se věnovat
zejména velkým mediálním výzkumům a měřením, jež vycházejí z potřeby trhu znát počet
lidí, které dané médium nebo reklama v něm odvysílaná mohla zasáhnout. Zásah médií
se odvíjí od počtu diváků, čtenářů, posluchačů či návštěvníků webů za určité období a od
celkového času stráveného danou mediální aktivitou – konzumací obsahu. Pro stanovení
zásahu se využívá celé řady specifických mediálních ukazatelů jako například reach (neboli
zásah, udávající počet nebo podíl unikátních diváků, posluchačů či čtenářů, kteří alespoň
jednou za určité období viděli, poslouchali či četli dané médium), frekvence zásahu da-
ným médiem za určité období, share (neboli podíl na trhu), rating (neboli sledovanost)
a mnoho dalších.
Různé metody výzkumů a měření dávají vždy poněkud odlišné výsledky, takže pokud
souběžně existuje více výzkumů měřících výkon (zásah) médií, jejich výsledky se vždy
více či méně odlišují. To vede samozřejmě k nejistotám ohledně toho, které výsledky pro
ocenění reklamního trhu jsou ty „správné“. Proto mají všechny vyspělé trhy zájem na tom,
aby existoval jeden trhem uznávaný výzkum na základě společně odsouhlasené metodiky,
který by přinášel jedny uznávané výsledky o výkonech jednotlivých médií zařazených do
výzkumu. Zadavatelem takovýchto mediálních měření/výzkumů bývají často profesní
nebo oborová sdružení různých, většinou konkurenčních subjektů, médií, mediálních
agentur a dalších (v České republice je to například Unie vydavatelů, Asociace televizních
organizací nebo Sdružení pro internetový rozvoj atd.). Ne vždy však musí stát za jednot-
ným měřením médií oborová asociace, v některých zemích, například v USA, jsou tyto
výzkumy dlouhodobě realizovány určitým nezávislým subjektem (výzkumnou agenturou)
a výsledky jsou potom trhem akceptovány, i když si je každý subjekt kupuje od realizátora
zvlášť. Trhem uznávané mediální výzkumy a měření bývají také někdy označovány jako
one currency (jednotná měna), protože slouží k získání jednotné představy o výkonu jed-
notlivých médií v daném segmentu (mediatypu).
12.4.3 Měření médií versus mediální výzkum

Jak již bylo řečeno v předchozí části, jedná se o velké, většinou kontinuální výzkumy, jejichž
cílem je stanovit výkon určité skupiny médií. Kromě předplatného je většina komerčních
médií financována zejména z prodeje reklamního prostoru (pro některá média jsou příjmy
z reklamy dokonce jediným zdrojem financí). Výsledky one currency výzkumů slouží jako
důležitý podklad k tvorbě ceníků reklamního prostoru médií. Kromě samotných médií
pracují s výsledky těchto výzkumů zejména mediální agentury, ale i někteří zadavatelé
reklam (výrobci a distributoři). Jsou základním informačním zdrojem pro mediální pláno-
vání reklamních sdělení a tvorbu tzv. mediamixu (výběru vhodných médií pro maximální
zásah cílové skupiny definované zadavatelem reklamy).
Motivace k účasti na měření poslechovosti a sledovanosti se u veřejnoprávních médií

a komerčních médií liší. V případě veřejnoprávních médií tyto výzkumy přinášejí zpětnou
vazbu o programové skladbě a úspěšnosti jednotlivých pořadů a slouží také jako doklad
o plnění veřejné služby, zatímco v případě komerčních médií slouží výzkumy one curren-
cy sice také jako zpětná vazba naplnění programové skladby, ale zejména jsou určujícím
faktorem ocenění reklamního prostoru daného média.
Metody výzkumu a měření sledovanosti médií se liší podle mediatypu. Každý mediatyp
má svá specifika. Možnosti měření jsou dány jak dostupnými a vhodnými technologiemi,
tak i finančními prostředky, které jsou zadavatelé měření ochotni do výzkumu investovat.
Než se ale budeme věnovat konkrétním metodám pro odhad mediálního zásahu, po-
dívejme se trochu blíže na význam některých pojmů. U různých typů velkých mediálních
výzkumných projektů hovoříme často o měření médií. Ne vždy se však jedná o „měření“
v pravém slova smyslu. Přestože jednoznačná definice odlišující měření médií a mediální
výzkum neexistuje, zkusíme si vymezit tyto pojmy pouze pro potřeby této knihy.
Měřením médií rozumíme zaznamenávání mediálního chování respondentů pro-
střednictvím měřicích zařízení nebo softwarů po určitou vymezenou dobu, případně
kontinuálně. Jedná se například o měření sledovanosti televize nebo rádia prostřednictvím
speciálních měřicích zařízení (tzv. peoplemetrů nebo audiometrů), měření návštěvnosti
internetu (vybraných webových stránek) s využitím speciálních softwarů atd.
Pojem měření se také někdy využívá ve spojení s velkými mediálními výzkumy, i když
ve skutečném slova smyslu měřeními nejsou a jedná se spíše o klasické deklarativní vý-
zkumy. Příkladem může být výzkum „měření“ poslechovosti rádií metodou CATI nebo
výzkum „měření“ čtenosti tisku metodou F2F. Naopak příkladem skutečného mediálního
měření v České republice je NetMonitor (oficiální výzkum měření návštěvnosti českého
internetu) a TV-metrový projekt, měření televizní sledovanosti (PEM – projekt elektro-
nického měření).
Mediální výzkum je založený většinou na klasickém dotazování respondentů prostřed-
nictvím standardních i nových kvantitativních výzkumných metod. Stejně jako u ostatních
výzkumů může být kvantitativní mediální výzkum jednorázový, s cílem zjistit aktuální
stav zkoumané reality, nebo kontinuální (tedy dlouhodobý), s cílem reflektovat změny
zkoumané reality v delším časovém horizontu. Kontinuální výzkumy často trvají rok či
několik let, dotazování probíhá většinou v průběhu celého roku (s výjimkou specifických
období jako například vánoční svátky), případně v několika uzavřených vlnách ročně.
12.4.4 Mediální výzkumy sledovanosti – nejčastěji využívané

metody
Dvě nejčastěji rozšířené metody v rámci mediálních výzkumů jsou deníčkový výzkum
a tzv. recall. Při deníčkovém výzkumu vybraný reprezentativní vzorek respondentů vždy
po určitou dobu (týden, čtrnáct dní, měsíc i déle) zaznamenává denně svoji mediální
konzumaci (poslech, četbu apod.) do dotazníku, tzv. deníčku. Deníček může být klasický,
papírový, v takovém případě jej v pravidelných intervalech vybírá od respondenta tazatel,
případně jej respondent sám každý týden odesílá na adresu realizátora výzkumu. V dnešní
době se však stále častěji využívají online deníčky, které respondenti vyplňují na webovém
rozhraní a které jsou tím pádem okamžitě odesílány realizátorovi. Příkladem mediálního
výzkumu s využitím deníčkové metody v Česku může být Crossmediální studie 2015, o níž
se dozvíte více v další části této kapitoly.
Tzv. recall je metoda, při níž jsou respondenti dotazováni na mediální konzumaci,
například poslech rádií, sledování televize atd. v uplynulém časově vymezeném období.
V případě rádií, televizí a tisku s denní periodicitou se využívá dotazování day after recall,
kdy se ptáme respondentů na mediální konzumaci včerejšího dne, v případě tisku s vyšší
periodicitou (týdeníky, čtrnáctidenníky, měsíčníky) se ptáme i na čtenost titulů v delším
období (1 týden, 14 dní, měsíc atd.). Metoda recall se nejčastěji realizuje prostřednictvím
osobního dotazování F2F (face to face), CATI (telefonicky) nebo případně i CAWI (on-
line). V případě mediálních výzkumů realizovaných metodou recall probíhá terénní sběr
dat většinou kontinuálně, každý den je dotazován ideálně stejný počet respondentů. Na
rozdíl od deníčkových výzkumů, které denně vyplňuje reprezentativně vybraný panel
respondentů, je v případě metody recall potřeba hlídat průběžně reprezentativitu vzorku
v souladu s požadavky projektu. V současné době využívá metodu recall například oficiální
výzkum poslechovosti rádií v České republice – Radioprojekt.
Obě tyto hojně využívané metody mají své výhody a nevýhody. Deníčkový výzkum
umožňuje získat informace o mediálním chování respondentů/jednotlivců v delším ča-
sovém horizontu. Respondenti mají při vyplňování deníčku klid lépe si vybavit, co přesně
v průběhu celého dne poslouchali, četli, sledovali atd. Deníčkový výzkum probíhá na
předem rekrutovaném reprezentativním panelu respondentů, případně domácností. Mi-
nimální doba vyplňování deníčků je v případě mediálních výzkumů obvykle jeden týden
(pokrytí mediální konzumace všech sedmi dnů). Vzhledem k tomu, že obměna deníčko-
vého panelu respondentů je časově i finančně náročná, často takto zrekrutované panely
fungují i delší dobu, měsíc i déle. Určitou nevýhodou je v takovém případě samozřejmě
omezená velikost vzorku z hlediska celkového počtu jednotlivců/účastníků výzkumu, horší
regionální rozložení vzorku a tím pádem i vyšší statistická chyba, zejména v případě méně
konzumovaných či regionálních médií.
Jasnou výhodou recall metody ve srovnání s deníčkem je větší vzorek respondentů, což
umožňuje lepší regionální rozložení vzorku. Nevýhodou je větší spoléhání na paměť lidí
(schopnost vybavit si s dostatečnou podrobností mediální konzumaci včerejšího dne).
12.4.5 Měření elektronických médií – televize, rádia

Elektronická měřicí zařízení (peoplemetry, TV-metry, audiometry apod.) jsou zařízení
určená k sběru a přenosu dat sledovanosti/poslechovosti televizního nebo rozhlasového
vysílání. Zpočátku se jednotlivé kanály identifikovaly způsobem naladění v televizi (podle
vysílací frekvence), ale později byla tato technologie nahrazena vyspělejšími a sofistiko-
vanějšími technologiemi.
V současné době existují dva světově rozšířené přístupy k měření s využitím elektro-
nického měřicího zařízení k identifikaci vysílání elektronických médií (televizních kanálů
nebo případně rozhlasových stanic) a jejich vysílaného obsahu.
Audiomatching funguje na základě porovnávání zvukových stop, porovnávají se kom-
primované audio nahrávky s uloženými záznamy původního televizního nebo rozhlasového
vysílání, tzv. referenční zvuky. Charakterizuje ho následující:
■■ jde o nezávislou technologii, jež nepotřebuje vkládání značek do zvukové stopy na

straně měřeného média;
■■ nedokáže rozlišit mezi dvěma stanicemi vysílajícími stejný obsah (například seriály či
přenosy významných událostí vysílané na více stanicích současně), nutno řešit algo-
ritmicky následně;
■■ není možné identifikovat způsob vysílání ani koncové zařízení.
Pro watermarking neboli značkování je pak typické:
■■ funguje na principu sběru neslyšitelných značek, které byly vloženy do televizního nebo
rádiového vysílání;
■■ umí identifikovat jak stanici, tak koncové zařízení (platformu);
■■ vyžaduje vložení „značky“ do všech měřených stanic.
Zatímco v případě měření televizní sledovanosti se v drtivé většině měření na světě vy-
užívají tzv. fixní měřidla (peoplemetry), v případě měření rozhlasové poslechovosti se
většinou využívají tzv. osobní nebo také mobilní měřidla, tzv. audiometry. Audiometry
mohou být jednak samostatná zařízení, nebo mohou být součástí jiných užitečných před-
mětů denní potřeby (například mohou mít podobu hodinek). S rozvojem penetrace tzv.
chytrých telefonů se mobilní měření poslechovosti realizuje i prostřednictvím speciálního
softwaru, měřicí mobilní aplikace instalované do smartphonů.
Tzv. peoplemetr nebo TV-metr se skládá z displeje, samotného měřidla (krabičky) a dál-
kového ovladače. TV-metr zaznamenává sledovanost jednotlivých stanic, přičemž každý
člen domácnosti (nebo host) se k zařízení přihlašuje pomocí dálkového ovládání, na němž
má přiděleno číslo diváka. Pokud se respondent dívá, musí být přihlášen. Peoplemetry
měří ve vybraných domácnostech (tzv. peoplemetrový panel domácností) sledovanost
veškerých stanic, ať již je signál přijímán jakkoliv (DVB-T, satelit, kabel, IPTV, internet…).
Zaznamenává přesný čas začátku a konce sledování včetně odložené sledovanosti.
Obrázek 12.4: Fixní měřidla neboli peoplemetry (TV-metry) společnosti Nielsen a Nielsen
Admosphere (zdroj: Nielsen Admosphere)
Obrázek 12.5: Ukázka možné podoby přenosných mobilních měřidel, tzv. audiometrů spo-
lečnosti Nielsen (zdroj: Nielsen Admosphere)
Data z elektronického měření jsou v mnoha ohledech přesnější a podrobnější než data
získaná deklarativním přístupem. Na rozdíl od deklarace, kdy se sledovanost či posle-
chovost většinou určuje prostřednictvím deklarované konzumace v určité čtvrthodině,
se v případě elektronického měření měří sledovanost nebo poslechovost s přesností na
minuty či sekundy. K určitým nepřesnostem u deklarací samozřejmě dochází také díky
omezené schopnosti lidí vybavit si přesně včerejší sledovanost. Deklarace tedy většinou
navyšují konzumaci (sledovanost, poslechovost) v hlavní vysílací čas a naopak snižují
konzumaci mimo hlavní vysílací čas.
Nevýhodou elektronického měření médií je zejména jeho náročnost spojená s vyšší-
mi finančními náklady. Díky tomu, že se jedná o měření na panelu respondentů, je také
limitována velikost celkového vzorku. To je problém zejména v případě měření silně
fragmentovaného trhu, s mnoha médii s nízkým počtem posluchačů či diváků, například
pro změření poslechovosti regionálních rádií. Proto také v případě měření poslechovosti
rádií v řadě zemí stále dominuje výzkum poslechovosti prostřednictvím klasických vý-
zkumných metod.
12.4.6 Měření televizní sledovanosti

Televize patří stále z hlediska svého zásahu k nejmasovějším sdělovacím prostředkům.
Týdně zasáhne televizní vysílání drtivou většinu českých občanů starších patnácti let.
Televize se proto také jednoznačně řadí k médiím s nejvyššími příjmy z reklamy. Každý
den nabízejí (měřené) televizní stanice českým divákům až 969 různých pořadů, denně se
v nich odvysílá 7918 reklamních spotů (zhruba 50 hodin), průměrný český divák zhlédne
denně zhruba 36 reklamních spotů (zdroj ATO, PEM 2015)12. Není proto divu, že právě
u tohoto média se klade důraz na to, aby výsledky měření televizní sledovanosti byly co
nepřesnější a nejdetailnější.
Měření televizní sledovanosti (někdy nazývané také TV-metrové nebo peoplemetrové
měření) má za sebou poměrně dlouhou historii, související s rozvojem televizního vysí-
lání a první televizní reklamy ve třicátých a čtyřicátých letech 20. století zejména v USA
12 www.peoplemetry.cz, www.ato.cz
(společnost NBC) a ve Velké Británii (společnost BBC). Postupně vznikala potřeba znát
počet lidí, které mohla televize a reklama ovlivnit. Vše začalo zasíláním týdenních pro-
gramových schémat domácnostem výměnnou za informace o zhlédnutých pořadech.
V padesátých letech v USA již probíhal první nezávislý výzkum televizní sledovanosti na
reprezentativním vzorku diváků metodou telefonických rozhovorů. Realizátorem byla
výzkumná společnost C. E. Hooper. V roce 1949 přišlo American Research Bureau s de
facto deníčkovým výzkumem, ve stejném roce společnost Nielsen nainstalovala první
měřicí zařízení, které sledovalo, kdy byl televizor zapnut a jaký kanál byl naladěn. Nicméně
se ještě nesledovalo, kdo se dívá. První peoplemetr byl vyvinut na konci sedmdesátých
let minulého století firmou Audits of Great Britain (AGB) a poprvé instalován ve Velké
Británii a Itálii v roce 1984. Od devadesátých let minulého století se začala měřit sledova-
nost televize elektronicky za použití peoplemetrů ve většině vyspělých zemích. 2. června
1997 bylo i v České republice oficiálně zahájeno elektronické měření sledovanosti televize
prostřednictvím měřicího zařízení, tzv. peoplemetru.
Měření televizní sledovanosti neboli TAM (Television Audience Measurement), běžně
také označované jako peoplemetrový/TV-metrový projekt (PEM – projekt elektronického
měření), patří k metodologicky nejnáročnějším a nejnákladnějším mediálním měřením
(výzkumům), a to nejen díky nutnosti využití tzv. elektronických měřidel, ale také díky
poměrně náročnému výběru domácností do tzv. peoplemetrového panelu a průběžné
„údržbě“ a pravidelné obměně tohoto panelu (viz kapitolu 5). Abychom mohli správně
vybrat reprezentativní vzorek televizních domácností (podmínkou je přítomnost televize
v domácnosti), potřebujeme vědět o těchto domácnostech mnohem více informací, než
je úroveň běžné sociodemografie jejich členů. Televizní sledovanost je samozřejmě závislá
také na technologické vybavenosti jednotlivých domácností, způsobu příjmu televizního
vysílání a celé řadě dalších technologických a mediálních proměnných. Proto také kon-
struování televizního panelu předchází poměrně robustní, kontinuální a podrobný tzv.
zaváděcí výzkum13 (v případě Česka řádově 12 000 českých domácností), zaměřený právě
na zjištění technologické vybavenosti a mediálního chování. Součástí tohoto výzkumu je
také zjišťování ochoty k účasti ve výzkumu měření televizní sledovanosti.
Každé měření televizní sledovanosti prostřednictvím elektronických měřicích zařízení
neboli TV-metrů/peoplemetrů se skládá z následujících částí:
■■ Zaváděcí výzkum a kontinuální výzkum: Rozsáhlé kvantitativní výzkumné šetření

(v případě Česka na vzorku cca 12–15 000 domácností ročně), oba výzkumy slouží
jednak jako zdroj nastavení parametrů reprezentativity TV-metrového panelu a také
jako databáze domácností k rekrutaci do TV-metrového panelu.
■■ Pečlivě vybraný (zrekrutovaný) panel domácností: Reprezentativní vzorek televizních
domácností, který se musí průběžně obměňovat (cca 25 % domácností ročně se vymění).
■■ Měřicí zařízení TV-metr na bázi audiomatchingu nebo watermarkingu.
■■ GSM/GPRS technologie pro přenos dat.
■■ Kontinuální denní dodávka dat o sledovanosti: Informace o sledovanosti pořadů na
úrovni minut nebo sekund, data k dispozici druhý den ráno, případně online s osmi-
minutovým zpožděním.
13 Anglicky: establishment survey.

80%
DVB-T
70% Satelit
Kabel nebo IPTV
Pozemní analog
60% Pouze pozemní analog
50%
40%
30%
20%
10%
0%
září–listopad
září–listopad
zárí–listopad
zárí–listopad
září–listopad
leden–březen
duben–červen
leden–březen
duben–červen
leden–březen
duben–červen
leden–březen
duben–červen
leden–březen
duben–červen
leden–červen
2007
2008
2010
2009
2011
2012
2007
2008
2009
2010
2011
2007
2008
2009
2010
2011
Obrázek 12.6: Ukázka výstupů Kontinuálního výzkumu – způsoby příjmu televizního signálu
(zdroj: ATO – Nielsen Admosphere, STEM/MARK)
Měřicí zařízení (tzv. TV-metr) instalované u každého televizoru v domácnosti v průběhu

dne průběžně zasílá data prostřednictvím datových přenosů mobilního operátora do
zpracovatelského centra. Data naměřená v domácnostech panelu jsou každý den ráno
kontrolována a spojována s informacemi o vysílaných pořadech, jež dodávají jednotlivé
televize. Zpracovaná denní data televizní sledovanosti jsou k dispozici odběratelům ráno
do určité dohodnuté hodiny (v Česku do 8:00 hodin) každý den včetně sobot, nedělí
a všech státních svátků. Dodávaná data obsahují informace o sledovanosti s přesností až na
sekundové úrovni, informace o pořadech, sociodemografické informace o domácnostech
a jednotlivých divácích.
Co všechno se dnes běžně měří?
■■ všechny televizní stanice (analog/digitální, satelit/kabel/terestrické, IP TV),

■■ živá i odložená (z archivů nebo catch-up) televizní sledovanost,
■■ sledovanost televizních archivů na internetu,
■■ mnoho dalších věcí v závislosti na aktuálních požadavcích zadavatelů výzkumu.
Měření televizní sledovanosti dnes nabízí řadu rozšíření, například prostřednictvím dalších
výzkumů a měření na domácnostech z TVM panelu. Může se jednat o rozšíření socio-
demografických nebo lifestylových informací (například výzkum životního stylu LSS).
Obrázek 12.7: Schéma systému sběru a zpracování dat při měření televizní sledovanosti
(zdroj: Nielsen Admosphere)
Nové trendy v měření televizní sledovanosti: měření sledovanosti

televizních pořadů a reklam na internetu
Díky internetu, který dnes slouží jako platforma pro šíření mediálního obsahu různého
druhu, dochází v posledních letech k určité konvergenci tradičních a nových médií, kdy
je obsah tradičních médií stále častěji šířen i prostřednictvím internetu (online vysílání
televizních stanic nebo rádií, tištěné vs. digitální verze časopisů, zpravodajské weby vs.
tištěné deníky atd.). Nová digitální zařízení typu smart TV naopak umožňují šíření obsahu
původně internetových médií prostřednictvím televizních obrazovek a zpřístupňují tak
divákům prostřednictvím televize další obsah dříve dostupný pouze na internetu.
Stejně jako v případě ostatních médií se dnes sledovanost televize již neodehrává pouze
prostřednictvím lineárního, tzv. živého televizního vysílání (tedy v době, kdy je pořad
vysílán) a na obrazovkách televizorů, ale částečně také prostřednictvím internetu – a tím
pádem i z různých koncových zařízení, počínaje počítačem, notebookem až po různá
mobilní zařízení, smartphony, tablety atd. Nové televizory naopak dnes nabízejí celou
řadu dalších funkčností, které se snaží přizpůsobit diváckým potřebám, například funkce
time shift (neboli zpožděné sledování), jež umožňuje pozastavit či posunout živé televizní

vysílání v čase. Ruku v ruce s technologickým rozvojem a dostupností videoobsahu téměř

kdykoliv a kdekoliv se postupně mění také divácké chování, zejména mladé generace.
Tyto změny přinášejí další výzvy pro rozvoj měření televizní sledovanosti, které se již
nemůže omezovat pouze na měření sledovanosti živého televizního vysílání a nahraných
pořadů, ale postupně se rozšiřuje také o měření televizního obsahu, reklam a videoobsahu
vůbec na internetu, včetně identifikace koncových zařízení, z nichž je daný videoobsah
sledován. Cílem měření televizního videoobsahu na internetu je navýšení offline tele-
vizní sledovanosti jednotlivých pořadů o jejich online sledovanost včetně identifikace
koncových zařízení (PC, tablet, smartphone) a vyhodnocení této online sledovanosti
stejnými metrikami (rating, reach) jako u běžné televizní sledovanosti. Stejně jako v pří-
padě ostatních médií je jedním z důležitých cílů určit tzv. inkrementalní reach, tedy kolik
unikátních diváků zhlédlo určitý pořad či reklamu nad rámec živého televizního vysílání,
pouze prostřednictvím internetu. Měření sledovanosti televizního videoobsahu v různých
koncových zařízeních (PC, tablety, mobilní telefony) je v současné době ve světě často
realizováno metodou tzv. hybridního měření, které kombinuje měření user-centric (na
straně uživatele se získává demografie, reach atd) a census dat (ta měří míru konzumace
z video přehrávačů). Tato metodologie se však neobejde bez tzv. značkování. Jednotlivé
pořady a reklamy (v podstatě se může jednat o jakýkoliv obsah, který chceme měřit),
jsou předepsaným způsobem označeny určitým kódem na straně vysílatele. Tyto kódy se
implementují do videopřehrávačů (v prohlížečích či v mobilních aplikacích). Kód násled-
ně při používání těchto přehrávačů zajišťuje měření veškeré sledovanosti značkovaného
obsahu. Toto internetové census měření je kombinováno s online panelem. Výsledná data
sledovanosti jednotlivých pořadů vznikají kombinací dat z měřeného panelu respondentů
s daty sledovanosti značkovaného obsahu na internetu.
12.4.7 Metody měření a výzkumu poslechovosti rádií

V současné době existují dva základní přístupy určení poslechovosti rádií, plus jejich
kombinace:
1. Deklarativní výzkum neboli dotazování lidí na zapamatování či zaznamenání jejich

posluchačského chování. Tento přístup je v současné době v evropských zemích nejroz-
šířenější. Hlavní metodou dotazování je CATI (telefonické dotazování), ale je možné
využít i metodologii CAWI, CAPI nebo PAPI. Při deklarativním zjišťování poslechovosti
jsou v současné době využívány obě již zmíněné metody sběru dat:
□□ Metoda day after recall (využívaná například v českém one currency výzkumu
Radioprojekt).
□□ Deníčky (papírové nebo online) využívané dlouhodobě v rámci výzkumu RAJAR
ve Velké Británii – kontinuální deníkový výzkum.
2. Měření s využitím elektronické měřicí technologie, tzv. pasivní měření. Jedná se o mě-
ření s využitím technologie, která pasivně detekuje jakýkoliv zvukový signál v blízkosti
měřené osoby. Podle typu měřicího zařízení odlišujeme:
□□ Měření prostřednictvím přenosného měřicího zařízení, tzv. „audiometru“: v sou-
časné době využívané například v těchto zemích: Švýcarsko, USA, Kanada, Island,
Dánsko, Švédsko, Norsko, Francie, Itálie, Nizozemsko.
□□ Měření prostřednictvím softwarové aplikace chytrých telefonů, například Finsko,

Velká Británie, Česká republika.
3. Hybridní metodika, jež vychází z kombinace sběru dat prostřednictvím elektronických
měřicích technologií a deklarací (výzkumu).
Stejně jako v případě měření televizní sledovanosti se v případě elektronického měření

ve světě v současné době využívají dvě technologie elektronického pasivního měření,
audiomatching a watermarking.
12.4.8 Měření návštěvnosti internetu

Na počátku svého bouřlivého rozvoje byl internet vnímán jako jeden z řady mediatypů,
tedy prostor pro šíření informací, obsahu a zábavy. Prostřednictvím různých deklarativ-
ních výzkumů se zjišťovaly zejména parametry jako internetová penetrace (pokrytí, tzn.
podíl jednotlivců nebo domácností, které mají možnost připojení k internetu), kde tuto
možnost využívají (doma, v práci, ve škole atd.), frekvence využívání internetu a také
činnosti, kterým se lidé na internetu věnují.
Postupem času se internet stal běžnou součástí českých domácností (76 % české popu-
lace ve věku 10+ alespoň jednou měsíčně navštívilo nějaký měřený server, viz SPIR, 2015).
Spolu s dynamickým růstem využívání internetu, který ještě výrazně akceleroval nástup
mobilního internetu, se vnímání internetu výrazně posunulo od samostatného mediatypu
směrem k široké distribuční platformě nabízející prostor nejen nově vznikajícím mediál-
ním subjektům, ale také klasickým médiím – televizím, tisku i rádiím. V podstatě každá
televizní i rozhlasová stanice má v dnešní době své vlastní webové stránky, umožňující
přístup k jejich živému vysílání, řada z těchto médií už má zprovozněné i archivy svých
pořadů (ivysilani.cz, voyo, primaplay atd.). Rovněž vydavatelské domy začaly šířit svůj
obsah prostřednictvím internetu, prvním zpravodajským webem spuštěným v Česku byl
idnes.cz. Dnes na internetu existuje celá řada zpravodajských webů. Zpravodajské weby
přinášející online zpravodajství průběžně celý den výrazně změnily přístup lidí k infor-
macím a roli tištěných deníků.
Ruku v ruce s tím, jak rostla návštěvnost internetu, rostl i podíl reklamních výdajů do
internetové reklamy. Přestože každý subjekt na internetu disponuje vlastními statistikami
návštěvnosti od různých subjektů (za všechny jmenujme například Google Analytics), po-
třeba měřit všem „stejným metrem“ a posunout tak internetová média na úroveň ostatních
měřených mediatypů vyvolala poptávku po jednotném měření návštěvnosti internetových
stránek.
Výzkumné techniky využívané při měření návštěvnosti internetových (webových)
stránek jsou následující:
■■ Metoda site centric: Měření návštěvnosti internetu na straně měřeného serveru na

základě měřicího skriptu umístěného na měřené webové stránce. Měřicí skript je tvořen
sčítacími kódy, které je třeba vložit do všech stránek, jež mají být měřeny.
■■ Metoda user centric: Měření návštěvnosti prostřednictvím softwaru instalovaného na
panelu respondentů.
Měřeným médiem může být libovolný webový server, který má zájem zúčastnit se výzku-
mu. Český projekt NetMonitor je například primárně určen pro výzkum „médií“, tedy těch
webových subjektů, které na svých stránkách nabízejí placené umístění reklamního obsahu.
Měřené médium je uvedeno zadavatelem měření (SPIR) na seznamu reportovaných médií.
Zadavatel měření má právo odmítnout zařazení webového serveru do projektu. Média
(servery, resp. internetové stránky) jsou do projektu aktivně zapojeny, tedy mezi nimi
a zadavatelem existuje smluvní vztah a servery jsou vybaveny měřicími skripty.
12.4.9 Výzkum čtenosti tisku

V současné době existují dva důležité zdroje pro měření výkonu tisku: monitoring pro-
daných nákladů a výzkum čtenosti. Čtenost vyjadřuje, kolik lidí četlo konkrétní daný
titul, zatímco prodaný náklad vyjadřuje počty vytištěných, distribuovaných a prodaných
výtisků daného titulu. Čtenost vyjadřuje počet čtenářů konkrétního titulu a bývá tak vyšší
než prodaný náklad daného titulu (je běžné, že si daný výtisk přečte více lidí). Monitoring
prodaného nákladu je založen na deklaraci prodaných nákladů ze strany vydavatelů, kdy
jsou nahlášené údaje o prodejích ověřovány u vydavatele na základě účetní dokumentace
vždy jednou za určité období (v Česku například jednou za půl roku v určitém losem
stanoveném měsíci).
Přes rozvoj řady inovativních výzkumných metod, k němuž došlo v posledních letech
a jenž vedl k zpřesnění měření čtenosti tištěných titulů a k získání hlubších informací
o čtenosti na úrovni článků a reklam (například využívání čtečky čárových kódů či vý-
zkumy s využitím oční kamery), základní výzkumnou metodou pro zjišťování čtenosti
tisku stále zůstává deklarativní kvantitativní výzkum s využitím metody F2F (případně
online) na bázi day after recall, případně prostřednictvím deníčkového sběru dat (diary).
Při výzkumech čtenosti se standardně zjišťuje čtenost na vydání, dlouhodobá čtenost ti-
tulu (stálí čtenáři), struktura čtenářů jednotlivých titulů z hlediska sociodemografických
znaků, včetně indexu afinity a frekvence čtenosti. Většina vydavatelských domů však již
nešíří obsah pouze prostřednictvím tištěných titulů, ale také prostřednictvím internetu
s dostupností z různých koncových zařízeních (PC, tablet, smartphone atd.). Online obsah
dostupný v rámci zpravodajských webů a mobilních aplikací se však dosud měřil jinými
metrikami (internetovými – počet reálných uživatelů) než klasická čtenost tištěných titulů.
Velkou výzvou pro měření čtenosti v následujících letech je proto zahrnout do výzkumu
čtenosti v širší míře také čtenost online verzí tištěných titulů, vytvoření jednotné metriky
pro online a offline čtenost, určení překryvů čtenosti online a tištěné verze a hlavně určení
tzv. inkrementálního reache, tedy počtu unikátních online čtenářů oslovených nad rámec
čtenosti tištěných titulů, pouze prostřednictvím jejich online verze (obsahem zpravodaj-
ských webů či aplikací atd.).
12.4.10 Měření venkovní reklamy

Měření venkovní reklamy (outdooru) patří v rámci měření výkonu jednotlivých mediatypů
k těm nejsložitějším. Pro získání relevantních informací o zásahu nosiče venkovní reklamy
je totiž zapotřebí kombinace více datových zdrojů. S pouhou deklarací mobility si v tomto
případě rozhodně nevystačíme: přesné denní trasy, které ujdeme a ujedeme, si totiž není
možné zapamatovat. Ve světě existuje několik metodických variant měření. Jednou z těchto
metod rozšířenou v zahraničí a realizovanou i v České republice je kombinace měření tras
respondentů technologií GPS/GSM s daty z mapy intenzity dopravy a daty z přesné loka-
lizace nosičů venkovní reklamy. Lokalizace nosičů venkovní reklamy slouží k vymezení
prostoru viditelnosti daného nosiče, mapa intenzity dopravy k odhadu celkového počtu
zásahů daným nosičem za určité období, studie mobility k odhadu počtu unikátních zásahů
(reach). Trasy respondentů jsou v rámci studie mobility měřeny prostřednictvím měřicího
zařízení (v Česku IMPACT a ve Velké Británii Route využívají například MobiTest, měřicí
zařízení na bázi GPS, které dokáže monitorovat pohyb respondentů s velikou přesností).
Obrázek 12.8: Měřicí zařízení na bázi GPS MobiTest

(zdroj: MGE Data)
12.4.11 Aktuální trendy a výzvy mediálních výzkumných

projektů a měření: crossmediální zásah
Růst penetrace mobilního internetu a mobilních zařízení (smartphone, tablet) společně
s rostoucí dostupností možnosti připojení k internetu (wi-fi) téměř kdekoliv a kdykoliv
pochopitelně ustálené zvyky mediálního chování mění. Roste sledovanost videoobsahu
na internetu a z mobilních zařízení, stále více lidí sleduje zpravodajství prostřednictvím
svých telefonů na zpravodajských webech atd. Rozšiřuje se také mediální multitasking, tedy
využívání dvou různých zařízení (často televize a mobil nebo tablet) najednou, zejména
u mladé generace. Všechny tyto změny s sebou přinášejí nové výzvy v oblasti měření mé-
dií a mediálních výzkumů. Aktuální potřebou pro řadu reklamních zadavatelů je získání
informací o tzv. crossmediálním zásahu, tedy o celkovém počtu lidí zasažených danou
reklamní kampaní napříč různými mediatypy, kde kampaň probíhala, stejně jako jednot-
livá média řeší překryv konzumace obsahu prostřednictvím různých koncových zařízení
a unikátní počet konzumentů, kteří konzumují mediální obsah pouze prostřednictvím
online kanálů (tzv. inkrementální reach).
Z výzkumného hlediska existují dva základní přístupy, jež vedou k získání crossmedi-
álních informací:

■■ Single Source Data: Získávání informací o crossmediálním zásahu prostřednictvím

jednoho datového zdroje (tedy dat z jednotného deklarativního výzkumu či měření).
Příkladem single source datového zdroje může být deníčkový výzkum se záznamem
konzumace různých mediatypů (například Crossmediální výzkum 2015), měření tele-
vizní sledovanosti doplněné o sledovanost na počítači (respondenti jsou měření jednak
TV-metry, jednak speciálním softwarem instalovaným na počítači), případně i panel
respondentů vybavených mobilním měřicím zařízením měřícím poslechovost rádií
a sledovanost televizí.
■■ Kombinace (fůze) různých datových zdrojů: Zde se crossmediální informace získávají
z více různých datových zdrojů (měření či výzkumů), a to jejich kombinací. Příkladem
kombinace různých datových zdrojů může například být fůze dat z TV-metrového pa-
nelu + samostatného internetového (online) panelu + případně dalších censových dat
na trhu přinášejících informace o sledovanosti televizních reklam a pořadů v televizi
a na internetu.
Oba přístupy mají své výhody a nevýhody. V případě single source dat pro potřeby cross-
mediálního měření se jako nejzávažnější problém jeví potřeba obrovských panelů ke
změření médií s nízkým počtem posluchačů či diváků na zařízeních s nízkou penetrací.
Rovněž ochota nechat se komplexně měřit prostřednictvím mobilního zařízení je nižší
než u běžných měření, což výrazně komplikuje jak rekrutaci, tak samotnou „kvalitu“
měřeného panelu. V neposlední řadě se jedná o finančně velice nákladnou metodu. V pří-
padě datových fůzí se často jedná o analyticky komplikovaná řešení vyžadující často účast
několika stran (vlastníků dat). Pro některé odběratele se tak může jednat o metodologicky
nečitelná a neprůhledná řešení, tvz. black box. Klíčové je tedy vždy přijít s transparentním
a důvěryhodným řešením.
Závěrem lze říci, že přestože média mají v současné době potřebu měřit crossmediální
zásah, tato potřeba se orientuje spíše na změření vlastního zásahu prostřednictvím růz-
ných distribučních platforem a koncových zařízení (online a offline). Jednotný výzkum
nebo měření všech mediatypů je v současné době ve světě spíše ojedinělý. Důvodem jsou
jak nemalé finanční náklady takovýchto projektů, tak stále výrazně odlišná očekávání
a preference ze strany jednotlivých mediatypů.
12.4.12 Příklady měření médií a mediálních výzkumů v České

republice
PEM 2013–2017: měření televizní sledovanosti
Zadavatel: Asociace televizních organizací (ATO).

Metoda realizace: Měření sledovanosti na reprezentativním vzorku (panelu českých
domácností) prostřednictvím měřicího zařízení na bázi audiomatchingu, tedy porovná-
váním zvukových otisků z měřených televizorů se sadou referenčních zvuků měřených
televizních stanic.
Měření je nezávislé na způsobu šíření televizního signálu (DVB-T, satelit, kabel, IPTV,
internet). Od roku 2013 je v projektu měřena i tzv. odložená sledovanost pořadů, tedy
sledování pořadu později, než byl živě vysílán v televizi (v horizontu sedmi následujících
dní). Měřena je i sledovanost televizního obsahu na počítačích části členů měřeného
panelu (především jde o odloženou sledovanost prostřednictvím internetových archivů
televizních stanic):
■■ Velikost vzorku: panel 1850 domácností, denně data za minimálně 1650 domácností.
■■ Cílová skupina: televizní populace České republiky 4+.
■■ Výstupy: zpracovaná data denní sledovanosti jsou k dispozici do 8:00 hodin, a to kaž-
dý den včetně sobot, nedělí a státních svátků. Průběžné výsledky sledovanosti mohou
odběratelé sledovat v režimu real time (8 minut zpoždění od odvysílání).
Mediální ukazatele:
■■ ATS,
■■ rating,
■■ share,
■■ daily reach (denní reach),
■■ weekly reach (týdenní reach).
Radioprojekt: one currency výzkum poslechovosti rádií v České republice
Zadavatel: Asociace provozovatelů soukromého vysílání (APSV) a Rozhlasová sekce

Sdružení komunikačních a mediálních agentur (SKMO). Od roku 2006 funguje jako
samostatný výzkum poslechovosti rádií, do té doby byla rádia součástí Media projektu.
Metoda realizace: Day after recall, denně oslovena reprezentativní skupina respondentů
s dotazem na činnosti a poslech během včerejšího dne. Realizováno s využitím metody
CATI (telefonické dotazování):
■■ Velikost vzorku: 30 000 respondentů za rok.

■■ Cílová skupina: populace České republiky 12–79 let.
■■ Výzkum probíhá po celý rok s výjimkou určitých období (Vánoce atd.).
■■ Výstupy: 4× ročně.
■■ daily reach, weekly reach, ATS relative,

■■ průměrný počet poslouchaných stanic včera,
■■ průměrný počet poslouchaných stanic minulý týden.
MEDIA PROJEKT: výzkum čtenosti tisku
Zadavatel: Unie vydavatelů a Asociace komunikačních agentur (AKA). Metodickým

koordinátorem je Sdružení komunikačních a mediálních agentur (SKMO).
Metoda realizace: Kontinuální F2F výzkum (nyní metodou CAPI) s dlouhou historií,
od roku 1993, původně televize, rozhlas a tisk, od roku 2006 pouze tisková média a vy-
brané televizní stanice. Do výzkumu je zařazeno až 250 tištěných titulů. Výsledky tohoto
výzkumu se používají při mediálním plánování kampaní pro tisková média.
■■ Velikost vzorku: 25 000 respondentů ročně.

■■ Cílová skupina: populace České republiky 12–79 let.
■■ Výzkum probíhá po celý rok s výjimkou určitých období (Vánoce atd.).
■■ Výstupy: 4× ročně.
■■ čtenost na vydání,
■■ čtenost v delším období,
■■ frekvence,
■■ afinita.
NetMonitor: oficiální měření návštěvnosti českého internetu
Zadavatel: Sdružení pro internetový rozvoj (SPIR).

Co se zjišťuje: Návštěvnost, sociodemografie a chování návštěvníků.
Výzkumné techniky: Využívá se kombinovaná metodika zahrnující měření návštěv-
nosti na straně měřeného serveru (site-centric) a panelové šetření realizované kombinací
následujících metod:
■■ pop-up panel: měření na základě pop-up dotazníků na straně měřeného serveru (site-
-centric),
■■ SW panel: měření aktivity uživatelů na straně internetového prohlížeče měřicí aplikací
(user-centric).
■■ Celkový strávený čas (time spent): Součet časů strávených reálnými uživateli na pří-
slušném webovém serveru nebo jeho části.
■■ Návštěva: Sled zobrazení na daném webovém serveru nepřerušovaný časovým úsekem
delším než 30 min.
■■ RU (reální uživatelé): Návštěvníci – počet uživatelů internetu. Tento ukazatel odpovídá
skutečnému počtu lidí (ne počítačů, cookies nebo IP adres) v daném období.
■■ Zobrazení (page views): Počet zobrazení vygenerovaných příslušnou cílovou skupinou
na vybraném webovém serveru během daného období.
IMPACT: měření zásahu venkovní reklamy
Zadavatel: Asociace měření venkovní reklamy (AMVR).
Cíl výzkumného projektu (měření probíhalo v letech 2013–2015):
■■ změřit mobilitu obyvatel v předem vybraných lokalitách České republiky,

■■ změřit sledovanost nosičů,
■■ stanovit standardní mediální parametry.
Metoda realizace (kombinace tří datových zdrojů):
■■ lokalizace nosičů,
■■ mapa intenzity dopravy,
■■ studie mobility – měření zařízením MobiTest:
□□ velikost vzorku 4386 respondentů,
□□ celkem 17 aglomerací (Praha, Brno, Ostrava atd.),
□□ 14–28denní fáze sběru dat,
□□ mobilní populace 18–64 let.
Crossmediální studie 2015
Zadavatel: ATO – Asociace televizních organizací.
Cílem výzkumu bylo detailní zmapování mediální konzumace:
■■ na jednotlivých zařízeních,
■■ podle typu aktivity,
■■ v průběhu dne (čtvrthodiny),
■■ v závislosti na lokalitě,
■■ z pohledu mediálního multitaskingu.
Respondenti a metoda dotazování:
■■ sedmidenní deníčkový výzkum,

■■ internetová populace České republiky ve věku 15–74 let (CAWI),
■■ neinternetová populace České republiky ve věku 15-74 let (CATI).
Výzkum probíhal v období od 7. do 30. dubna 2015.

Lokace: doma, v práci/škole, na cestě, jinde.
Obsahové vymezení:
■■ hlavní aktivita,
■■ mediální aktivita,
■■ zařízení/nosič (televizor, počítač, notebook, tablet, rádio, časopis, noviny, čtečka, smart-
phone),
■■ typ aktivity (sledování, poslech, komunikace, četba, hraní her),
■■ detail aktivity (živé televizní vysílání, odložené, online video, hlasová komunikace,
textová komunikace).
Velikost vzorku – rozsah výzkumu:
■■ 2112 respondentů,
■■ 13 401 „člověkodnů“,
■■ 1 286 496 čtvrthodin.
adMeter 2012: single source crossmediální elektronické měření

konzumace médií
Projekt byl spuštěn v roce 2012 v rámci pilotního měření poslechovosti rádií, v roce 2014
se rozšířil o další mediatypy:
■■ single source data o crossmediální konzumaci každého respondenta,

■■ panel o velikosti 1000 respondentů,
■■ měření na bázi technologie audiomatching prostřednictvím mobilní aplikace; provázané
na další zařízení (PC, notebook, tablet).
12.5 Pozorování, asistované nákupy, mystery

shopping
Tato část je věnována praktickému návodu na realizaci dvou technik výzkumu v retailovém
prostředí – pozorování a asistovaným nákupům.
12.5.1 Pozorování
Pozorování je jednou z metod marketingového výzkumu, která umožňuje (bez nutnosti se
ptát) analyzovat chování respondenta. Využívá se v situacích, kdy je pro analýzu důležité
vědět, co vše člověk v dané situaci udělal nebo na co se zaměřoval, a sice do takového
detailu, který nelze zjistit rozhovorem.
Pro konkrétnější představu, jak se dá pozorování využít, uvádíme typickou úlohu, kdy
má výzkumník zadání zjistit, jak si lidé vybírají určitou značku z regálu.
U tohoto zadání potřebuje výzkumník získat pozorování z prodejní uličky, kde se nachází
konkrétní regál se značkou. V případě, že se jedná o studii pro účely category managemen-
tu, bude potřeba postihnout nejen záznam chování respondenta a nejbližší prostor před
regálem s kategorií, ale také zmapovat alespoň částečně přístupy do uličky a pohyb v uličce.
Pro získání záznamu je možné využít několika přístupů, které lze vzájemně kombinovat:
1. Videozáznam: Je nejlepším možným záznamem, pokud získáme záběry na oblast

obličeje, oblast rukou, zkoumané zboží a prostor uličky. Nejčastější bariérou použití
bývá skutečnost, že pokud kamera není již v obchodě instalována, tak ji obchodník
nedovolí agentuře nainstalovat. Kamera někdy snímá pouze uličku, ale ne detail značky
v regálu či kupujícího. Další překážkou je skutečnost, že zákazníci musí být o existenci
kamer v obchodě informováni. To v praxi znamená minimálně umístit velmi viditelné
oznámení u vchodu do prodejny.
2. Mobilní oční kamera: Pro pozorování může být využit záznam z mobilní oční kamery
respondenta, který je pověřen úkolovým testem. Oční kamera poskytuje nejpřesnější
záznam očního chování respondenta a při dobrém záznamu může postihnout i samotný
kontakt se zbožím (co vzal respondent do ruky, co vrátil a co vložil do košíku). Záznam
je ale pořízen na počtu maximálně několika desítek jedinců, a tak se tento přístup kom-
binuje s fyzickým pozorováním na místě nebo videozáznamem z uličky.
3. Fyzické pozorování na místě: Jde o nejprostší, ale doposud nejpoužívanější techniku
pozorování v praxi. I přes určitou jednoduchost poskytuje mnoho podkladů pro validní
analýzu. Fyzické pozorování se provádí tak, že je u vchodu nebo v uličce umístěn jeden
pozorovatel, který mapuje průchod uličkou, popřípadě základní interakce s kategorií
(produktem). Druhý pozorovatel hraje roli zákazníka a nenápadně pozoruje vybraný
subjekt, jak se chová vzhledem k dané kategorii (produktu). Aby mohl být takový model
uplatněn, je nutné vše dopředu promyslet, dohodnout režim pozorovatelů s obchodní-
kem a předem pečlivě připravit záznamové archy.
Jak vypadá fyzické pozorování: Pozorování je třeba rovnoměrně rozvrhnout přes celou
prodejní dobu včetně víkendů. Nezapomeňte na nutnou pauzu pro odpočinek, která by
měla být pro každou pozorovací hodinu stejně dlouhá.
Příklad
Pozorování po dobu dvou týdnů poběží každý den od 8 do 20 hod, přičemž z každé hodiny
bude pořízen záznam z 50 minut (7:00–7:50), zbývajících 10 minut je vždy pauza.
Pozorovatel, jenž má za úkol monitorovat průtok zákazníků uličkou a kontakt pozorova-

ných s kategorií, musí být schopen postihnout základní chování všech lidí, kteří do uličky
vstoupí. Je vhodné si pozorování přímo na místě předem vyzkoušet a podle síly průtoku
zákazníků rozhodnout o počtu pozorovatelů. Co se tedy pozoruje?
Průtok uličkou a interakce s kategorií:
■■ Počet lidí, kteří vstoupili do uličky (všechny osoby).

■■ Počet lidí, kteří měli kontakt s kategorií (vybírali si – oční kontakt a fyzický).
■■ Počet lidí, kteří nakoupili kategorii.
■■ Počet lidí, kteří nakoupili konkrétní produkt.
Někdy je pro účely optimalizace plánů rozmístění důležité, aby bylo zřejmé, z jaké strany
zákazníci do uličky vstoupili. Pak se podrobně sleduje i konkrétní vstup.
Na základě pozorovaných údajů vznikají časové osy průtoku zákazníků, podle nichž lze
vypočítat zájem zákazníků o kategorii, resp. konkrétní produkt v hodinových intervalech
(pracovním týdnu, o víkendu). Výsledky mohou posloužit pro plánování nejvhodnější
doby pro promoční akce na místě prodeje, nebo třeba pro řešení situace, jak ke kategorii
přivést více zákazníků a zvýšit jejich zájem.
Údaje se zapisují do záznamových archů čárkováním do sloupečků v příslušných ho-
dinách. V případě řetězců a uliček, kde je průtok zákazníků velmi silný, se pro některé
údaje použije mechanické počítadlo (jaké používají letušky) a úlohy se rozdělí mezi více
pozorovatelů. Naopak tam, kde není průtok tak silný, je možné záznam rozšířit například
o pozorování pohlaví kupujících.
Interakce s produktem: Souběžně s pozorováním průtoků bývá druhý pozorovatel
pověřen úkolem vybrat si konkrétní cílovou osobu při vstupu do uličky a provést její po-
zorování. Někdy je tato úloha ztížena tím, že jsou stanoveny kvóty na osoby, které se mají
pozorovat (ženy s dětmi, důchodce apod.), a tak pozorovatel vyčkává do doby příchodu
vhodné osoby. Pozorovatel zapne při vstupu pozorované osoby do uličky stopky pro měření
času. Všechny sbírané údaje si buď zaznamenává do záznamového archu, anebo je zapíše
poté, až pozorovaný opouští uličku.
Měřené údaje:
■■ Celkový čas strávený v uličce (pozorovatel zaznamená vstup do uličky a opuštění pro-
storu uličky).
■■ Čas kontaktu stráveného s kategorií (pozorovatel zaznamená čas prvního a posledního
kontaktu s kategorií).
■■ Interakce s produktem:
□□ zda došlo k očnímu vybírání v rámci kategorie,
□□ produkty, které zákazník vzal do ruky,
□□ produkty, které zákazník vložil do nákupního košíku,
□□ explicitně počet vrácených produktů zpátky do regálu.
■■ Interakce s propagačními materiály.
■■ Jiné interakce.
Umožňuje-li to situace na místě, je pozorování zaměřováno na interakce s konkrétní znač-

kou. K tomuto účelu se předem připravují mapy umístění sledovaných produktů v regále,
jež slouží pozorovateli pro rychlou orientaci. Příprava těchto podkladů musí proběhnout
před pozorováním, a protože je zpravidla dost složitá, je potřeba počítat s vyšším nárokem
na čas. Zároveň je nutné, aby panovala s obchodníkem dohoda, že se vystavení v regálu
nebude po dobu výzkumu významně měnit. Každá zásadní změna znamená mít nejen
novou přípravu zachycení regálu, ale především způsobuje nekonzistentní data pozorování,
jež se špatně slučují.
Výstupem z pozorování je časová osa nákupu a doba strávená výběrem. Analýzy přinášejí
zpravidla velmi užitečné poznatky o tom, jak rychle dochází k samotnému rozhodování.
U kategorie FMCG14 se často jedná o vteřiny. Časové osy lze nakreslit jako průměr za
všechna pozorování nebo po hodinách, dnech, lokalitách apod. V případě, že se na pozo-
rovaném objektu něco mění (cena, obal, promoční materiál), může být zajímavé srovnání
před a po změně.
V rámci vyhodnocení interakcí s konkrétním produktem se soustředíme na řadu po-
měrových ukazatelů, které vyčíslují konverzi. Tyto konverze lze zanést do samotné mapy
regálu a pomocí barevného odstupňování názorně zobrazit. Například:
■■ konverze potenciálu (počet zákazníků vstupujících do uličky) do interakce s kategorií,

■■ konverze interakce s kategorií do nákupu konkrétní značky,
■■ konverze interakce s kategorií do nákupu konkurenční značky.
Pozorování lze provádět analogicky v jakémkoliv prostoru, nikoliv jen v běžné prodejní
síti. Výjimkou není sledování chování zákazníků v prodejnách poskytovatelů telekomu-
nikačních služeb nebo třeba bank. Pozorování lze obdobně uzpůsobit zadání a potřebám
klienta; vše, co můžeme postřehnout, lze do analýzy přidat.
Čas potřebný na realizaci pozorování lze odhadnout podle počtu zákazníků, kteří vy-
hovují kvótám a vstoupí do uličky. Fyzické pozorování průtoku uličkou poskytuje desítky
až stovky záznamů, zatímco pozorování interakcí s produktem může být u některých
kategorií jen několik do hodiny.
Aby byla studie o chování zákazníků v retailovém prostředí kompletní, bývá pozorování
doplněno rozhovory. Můžeme-li využít retailový prostor, pak se nabízí buď již zmíněný
úkolový test s oční kamerou, který je zakončen individuálním rozhovorem, nebo asisto-
vaný (doprovázený) nákup.
12.5.2 Asistovaný nákup

Asistovaný nákup probíhá tak, že moderátor doprovází respondenta do prodejny a vede
hloubkový rozhovor. Předností asistovaného nákupu je, že respondent může komentovat
konkrétní situaci na prodejní ploše a získané poznatky jsou velmi autentické.
Pro hloubkový rozhovor jsou předem rekrutováni zákazníci, kteří mají vztah k pro-
duktové kategorii a prodejnímu kanálu. Abychom mohli rozhovory na ploše realizovat
a pořídit případně audiozáznam nebo fotografický záznam, je nutné předem získat souhlas
obchodníka.
Moderátor vyzve zákazníka, aby realizoval nákup kategorie tak, jak to obvykle dělá.
Pouze následuje zákazníka cestou, kterou si zvolil. Rozhovor je zaměřen na pochopení, jak
nákup obvykle probíhá a jaké faktory mohou rozhodnutí o konkrétním výrobku a značce
ovlivnit. Moderátor si otázky do scénáře připraví předem. Je třeba postihnout jak faktory
vnitřní (motivace k nákupu a postoj k výrobku/značce), tak vnější (vliv organizace pro-
dejny, útulnost prodejního prostředí, nabídka sortimentu, uspořádání, cenová hladina,
podpora prodeje).
V rámci asistovaných nákupů zaměřených na jednu konkrétní kategorii se obvykle
doptáváme na:
14 FMCG je zkratka anglických slov Fast Moving Consumer Goods. Do češtiny překládáme jako
„rychloobrátkové zboží“.
■■ vnímání kategorie v obchodě vs. ostatní kategorie,

■■ sekundární umístění a jeho atraktivitu pro zákazníka,
■■ orientaci zákazníka ve vztahu k snadnému nalezení kategorie,
■■ pozitiva a negativa umístění kategorie,
■■ atmosféru v prodejní uličce a náladu při nakupování,,
■■ motivátory (co usnadňuje) a bariéry nákupu (co vadí),
■■ popis obvyklého nákupního procesu,
■■ důležitost kritérií při výběru,
■■ hodnocení vystavení zboží (značek) a snadnost orientace v regálu,
■■ sortimentní nabídku – šíři a hloubku,
■■ cenovou úroveň a promoční nabídku,
■■ podpůrné materiály, reklamu,
■■ vazbu na jiné produkty (cross-selling).
V rámci zaměření výzkumu na konkrétní kategorii bývá vhodné se doptávat i na celkové

hodnocení obchodu, jeho cenovou strategii, kvalitu prodávaného zboží, poskytované
služby, atmosféru, uspořádání a ochotu personálu.
12.5.3 Mystery shopping

Mezi výzkumnými metodami je dlouhodobě oblíbený mystery shopping, který v klasické
podobě není jako metoda příliš závislý na moderních technologiích. Do češtiny se název
tohoto výzkumu nepřekládá, ale anglický název poměrně přesně vystihuje podstatu této
metody, která spočívá v „nakupování v utajení“.
Metoda se využívá všude tam, kde je vhodné monitorovat kvalitu klientského servisu.
Poptávají ji firmy zabývající se maloobchodním prodejem výrobků v „kamenných“ po-
bočkách, firmy nabízející služby (například banky), ale i virtuální obchodníci, mezi něž
patří e-shopy nebo poskytovatelé dalších služeb (například cestovní agentury, finanční
poradci) po internetu nebo telefonu.
Zejména kvůli rozvoji neosobních platforem prodeje se postupem času také vyprecizo-
vala alternativní podoba této metody v podobě „mystery calling“ (v utajení po telefonu)
nebo „mystery mailing“ (v utajení elektronickým médiem). Podstata metody je stejná.
Výzkumník postupuje podle připraveného scénáře a výstupy zaznamenává do formuláře.
Testovaným prostředím však v těchto případech není „kamenná“ pobočka, ale e-shop
nebo infolinka.
Mystery shopping propojuje prvky kvalitativního a kvantitativního přístupu. Cílem je
kvantifikovat výskyt určitého jevu (například v kolika případech nebyl zákazník do dvou
minut obsloužen) a jeho subjektivního vnímání (například proč vyvolává prodejní plocha
negativní pocity).
Princip metody spočívá v tom, že výzkumník vystupuje v roli zákazníka a projevuje
zájem o koupi výrobku nebo služby. Od jiných technik výzkumu se mystery shopping
liší tím, že je třeba se do role patřičně „vtělit“ a naučit se případné dotazy na obsluhující
personál zpaměti. Jen málokdy je možné, aby měl mystery shopper s sebou podklady, do
nichž by mohl nahlížet. Pokud to situace dovolí, může výzkumník hrát i sociodemogra-
ficky jinou osobu.
Scénář je připraven předem, a to včetně přesné konkretizace pokynů, jak se má chovat, na

jaké aspekty se má v průběhu výzkumu zaměřit, jak dlouho se má po prodejně pohybovat
sám a čekat, zda jej osloví obsluhující personál, co má následně po personálu požadovat, co
pozoruje, na co se doptává, jaké produkty bere do ruky, u jaké služby vyjadřuje preferenci
apod.). Je třeba, aby mystery shopper byl schopen improvizace, avšak i když mohou při
návštěvě prodejního místa nastat různé situace, vždy by se měl snažit neodchýlit se příliš
od postupu připraveného ve scénáři. Celý inscenovaný nákup je nezřídka opravdu (podle
scénáře) zakončen zakoupením zboží nebo služby.
Než se výzkumník pustí do realizace projektu, je třeba předem velmi dobře rozmyslet
případné následky vyplývající z realizace nákupu či projevení potenciálního zájmu o danou
službu a zvážit také všechny okolnosti, které mohou mít dopad na nechtěné odtajnění
realizace.
Například pokud je mystery shopping realizován na téma bankovních půjček, může
výzkumník realizovat maximálně jeden „nákup“ v jedné bankovní instituci. Zde se totiž
musí prokázat vlastním občanským průkazem, aby byla prověřena bonita klienta. Tento
fakt značně limituje celkový počet realizovaných rozhovorů a klade výrazné nároky na
výběr spolupracujících mystery shopperů.
Poměrně často se objevuje požadavek zadavatele na pořízení audiozáznamu z realizo-
vaného mystery shoppingu. V takové situaci musí být obě strany – agentura i zadavatel –
velmi obezřetní. Je vyžadováno, aby potenciálně sledovaní zaměstnanci udělili k takovému
pozorování předem písemný souhlas. O něj se musí vždy postarat zadavatel, který tuto
skutečnost agentuře garantuje. Zároveň musí být zaměstnanec o takovém potenciálním
výzkumu předem informován (ví, v jakém období bude výzkum probíhat, ale pochopitelně
nezná přesný den nebo hodinu, ani profil mystery shoppera). Záznamový prostředek zůstá-
vá v průběhu rozhovoru ukrytý (kapsa, taška), aby nedošlo k prozrazení mystery shoppera.
Po skončení mystery shoppingu je do strukturovaného a předem připraveného formu-
láře přepsán záznam pozorování. Tento formulář je navržen tak, aby popisoval jednotlivé
kroky návštěvy mystery shoppera (ideálně chronologicky) a bývá doplněn o stupnice pro
záznam subjektivního hodnocení pozorovaných jevů.
Například se do formuláře zapíše, jak dlouho čekal na obsluhu, zda měli na skladě
požadovaný produkt, zda prodejce zodpověděl všechny položené dotazy, zda nebyl pro-
blém zaplatit u pokladny větší bankovkou nebo platební kartou. Zapíše i své subjektivní
pocity – nakolik se v prodejně dobře cítil, jak vstřícný byl personál atd.
Protože se na projektu zpravidla podílí více mystery shopperů, je důležité, aby byli všich-
ni předem proškoleni a postupovali jednotně. Napomáhá tomu zmíněný strukturovaný
scénář s konkretizací pokynů a následně i záznamový formulář. Zatímco s hodnocením
objektivních pozorování nebývá zpravidla problém (něco se měří, nebo se zaznamenávají
skutečnosti typu „produkt byl/nebyl k dispozici“), u subjektivního vnímání se může úhel
pohledu jednotlivých mystery shopperů lišit (líbí se/nelíbí se). Pak je vhodné v rámci
iniciačního školení probrat různé situace, jež mohou nastat, a dohodnout se, jak takové
situace posuzovat.
Příklad
Společnost, která se zabývá prodejem jízdních kol a cyklistických potřeb, se rozhodne zma-
povat kvalitu a úroveň obsluhy ve svých maloobchodních prodejnách. Společnost provozuje
v České republice patnáct prodejen. Najme si výzkumnou agenturu, aby zjistila kvalitu
prodejního procesu ve všech prodejnách. Výzkumná agentura ve spolupráci se zadavatelem
připraví scénář mystery shoppingu. Scénář může mít zhruba tuto podobu:
Nejprve zkontrolujte vnější vzhled a čistotu prodejny:
a) Jsou označena parkovací místa pro zákazníky před prodejnou?

b) Nejsou parkovací místa obsazena vozy personálu prodejny?
c) Je venkovní štít s logem prodejny nepoškozený?
d) Je venkovní štít s logem prodejny čistý?
Následně vejděte do prodejny:
a) Pohybujte se po prodejně a vyčkejte, zda vás personál osloví.

b) Pokud vás do dvou minut personál neosloví, vyhledejte prodavače aktivně sami.
c) Řekněte prodavači, že chcete zakoupit jako dárek jízdní kolo pro svého šestiletého syna
(synovce, vnuka).
d) Do nákupu chcete investovat kolem 5000 Kč.
e) …
f) Rozhodněte se pro zakoupení bicyklu, který vám prodavač doporučil.
g) Jestliže vám doporučí i další doplňky (světlo, pumpičku), kupte je, pokud jejich celková
hodnota nepřekročí 600 Kč.
h) U pokladny chtějte zaplatit platební kartou; když to nebude možné, zaplaťte v hotovosti.
Po opuštění prodejny pak mystery shopper do připraveného formuláře zaznamená průběh

návštěvy.
1. Byla parkovací místa před prodejnou označena? (ANO / NE)

2. Nebyly na parkovacích místech pro zákazníky vozy personálu? (NE, NEBYLY / ANO,
BYLY)
3. Za jak dlouho po vstupu do prodejny vás oslovil obsluhující personál? (IHNED / DO
20 SEKUND / DO JEDNÉ MINUTY / DO DVOU MINUT / MUSEL JSEM PERSONÁL
OSLOVIT SÁM)
Tímto způsobem je zaznamenán celý průběh návštěvy.

12.6 Etnografie
Tato část si klade za cíl seznámit čtenáře s dalším typem kvalitativní studie a upozornit
na některé momenty realizace, které je dobré předem zvážit. Čtenáři nabízíme i několik
obsahových tipů, které by mohly jeho vlastní studii obohatit.
Etnografie je v ryzím pojetí metodologie, která se zabývá zkoumáním společnosti, sku-
pin a případně institucí. V soudobém marketingovém výzkumu se etnografie využívá pro
získání poznání o životě a životním stylu, nejčastěji v souvislosti s určitým chováním nebo
jednáním, a to nad rámec běžného kvalitativního i kvantitativního výzkumu. S původním
významem slova (v češtině národopis) má etnografie v marketingovém pojetí společné to,
že se zabývá kulturním a sociálním prostředím jedince.
Pokud hovoříme o etnografii v rámci marketingového výzkumu, máme na mysli in-
dividuální hloubkové rozhovory nebo pozorování na základě pobytu v určitém prostře-
dí. Nejčastějšími důvody, proč se etnografické studie realizují, je analyzovat, jak vypadá
prostředí, ve kterém jedinci dané cílové skupiny žijí, a jak se prostředí promítá do jejich
zvyklostí a uvažování. Součástí etnografie je také mapování externích vlivů prostředí
člověka, například práce, rodina, komunita, trávení volného času, stravovací zvyklosti,
majetek, značky, média atd.
Etnografický výzkum zadává oddělení marketingu, když chce detailně poznat faktory
z prostředí života jedince, které formují jeho uvažování a chování, a když chce získat
co nejbarevnější obrázek o tom, jak cílová skupina vypadá. Velmi detailní etnografické
studie zpravidla navazují na klasické studie o postojích, názorech a zvyklostech (používá
se označení Usage & Attitude) nebo na kvantitativní studie životního stylu. Etnografie se
používají pro hlubší dokreslení zástupců segmentů a rozšiřují tvrdá statistická data.
Je zřejmé, že etnografické studie nelze provádět na velkém množství respondentů. Je
to časově i finančně velmi nákladná záležitost. Etnografie se zpravidla účastní jednotky
až malé desítky respondentů, obvykle individuálně nebo v rámci miniskupin (do čtyř
jedinců), dyád (dva jedinci) nebo triád (tři jedinci).
Etnografie má pro marketing nesmírné kouzlo, protože je ze všech výstupů, které mar-
ketingový výzkum poskytuje, nejnázornější a nejvíce přibližuje představu o zákazníkovi.
Realizace probíhá pomocí individuálních rozhovorů v domácnosti, kde respondent žije.
Někdy – podle zadání a účelu etnografie – jsou rozhovory ještě doplněny o pozorování
nebo výpovědi z prostředí, které se tematicky vztahuje k produktu.
Příklad
Etnografie mapující život konzumentů piva se bude realizovat v jejich domácím prostředí,
je možné ji doplnit i o rozhovor přímo spojený s konzumací v oblíbené pivnici. Ke zvážení
se v takovém případě nabízí využití miniskupinové diskuse v místě bydliště jednoho ze
skupiny přátel, kteří spolu chodí na pivo, popřípadě opět přímo v pivnici.
Aby byla etnografie užitečná a skutečně výstižná, měla by vycházet z ověřených faktů o cí-
lových skupinách, nebo navazovat na již realizovanou kvantitativní studii. Na jiném místě
této knihy se dotýkáme komplikovanosti segmentací a jejich schopnosti ostře vykreslovat
odlišnosti mezi jednotlivými segmenty. Pro etnografii se zpravidla hledají takoví jedinci,
kteří jsou ve svém projevu, chování nebo spotřebě v rámci daného segmentu velmi vyční-
vající. Ve výzkumnickém žargonu tomu říkáme, že hledáme tzv. „ostrý typ“.
Etnografie se provádějí v domácnostech, aby bylo možné zmapovat vizuálně prostředí,
v němž jedinec žije a které formuje jeho chování a přemýšlení. Pro pořízení rozhovoru
se v terénu používají diktafony, nebo se rozhovor přímo natáčí na kameru. V praxi se
mnohokrát potvrdilo, že pro realizaci rozhovoru na intimní témata není nezbytně nutné
použít výhradně statickou kameru. Zkušený výzkumník umí použitím rozehřívacích té-
mat respondenta natolik vtáhnout do rozhovoru, že po několika minutách na přítomnost
profesionálního kameramana zapomene.
Protože vstupujeme na domácí půdu respondenta, je velmi důležité se předem domluvit,
že bude souhlasit s fotografováním osobních věcí a zařízení domácnosti. Při etnografii
nahlížíme do lednic, vstupujeme do spíží, na toaletu, do koupelen, ale také do skříní,
vitrín, knihoven nebo do počítače.
Každá etnografická studie je unikátní a pro tento typ výzkumu neexistuje standard nebo
předpis. Protože jde v rámci technik kvalitativního výzkumu o špičku, etnografii musí
realizovat opravdu zkušený výzkumník. Nejde pouze o samotný rozhovor, ale o schopnost
výzkumníka pozorovat a všímat si detailů a jednotlivostí z prostředí života jedince a být
schopen tyto jednotlivosti začlenit do vyhodnocení a vyvodit z nich závěry: co to znamená,
co to vypovídá o jedinci, jak jej to ovlivňuje.
Etnografie se od jiných kvalitativních studií liší tím, že se mimo jiné zaměřuje na hod-
noty a status a na jejich vliv na člověka. Získat od respondentů odpovědi není přitom
vůbec snadné, a tak se hojně využívají asociační a projektivní techniky, analogie. Většina
lidí se necítí příjemně, když má o sobě mluvit, a tak se nepřímými dotazy dozvídáme více.
Ukázky nepřímých dotazů:
■■ „Představte si, že vám zavolá kamarád, abyste s ním zašli teď hned na kávu. Máte na
sobě staré tričko. Šel byste? Proč ano, proč ne?“
■■ „Jak vás vidí vaše rodina/přátelé/přítelkyně? Jak by vás popsali?“
■■ „Když lidé mluví o statusu, co tím mají přesně na mysli? A co by řekli o vás?“
■■ „Když se řekne bohatství, co si pod tím představujete? V jakém okamžiku byste o sobě
řekl, že jste bohatý?“
O hodnotách, důležitosti značek, artefaktů nebo významu rodinné tradice se výzkumník

dozví mnohem více pozorováním než dotazováním. Díváme se, jaké značky oblečení visí
ve skříni, jaké knihy má respondent v knihovně, co má doma vystaveno, nakolik si zakládá
na prezentaci medailí, pohárů, zda se obklopuje fotografiemi rodiny či výhradně designo-
vými prvky. V rámci etnografické studie se hodně fotografuje, pozorování je standardní
součástí analytické zprávy.
Výstupem z etnografie je kvalitativní zpráva, doplněná o fotografie a videoreport. Tento
typ studie je oblíbený právě kvůli autentičnosti a bohatému vizuálnímu zpracování. Leckdy
se na závěrečném zpracování videoreportu podílejí profesionální střihači, podkreslují
nahrávky hudbou a pro cizojazyčně mluvící zadavatele doplní titulky. Zvýšené nároky
na vizuální výstupy jsou jedním z důvodů, proč je cena etnografických studií ve srovnání
s jinými kvalitativními projekty vyšší.

Témata, která se mohou vyskytovat v etnografických studiích:
■■ charakteristika sebe sama, vnímání seberealizace, osobní aspirace,

■■ práce, její význam a vliv na chování a rozhodování, pracovní aspirace,
■■ spokojenost se životem a prací, naplnění potřeb, vnímání štěstí, vnímání jistoty a zázemí,
■■ rodina, přátelé, vztahy ve společnosti, společenská aktivita, příslušnost ke komunitám,
■■ hodnoty, tradice, společenský status,
■■ životní styl, postoje ke zdraví a stravování, ekologická témata,
■■ volný čas, koníčky, cestování,
■■ vzdělání, vztah ke kultuře, vliv kultury,
■■ víra, náboženství, politika,
■■ peníze, majetek, vztah k riziku, vnímání bohatství,
■■ bydlení, kvalita a způsob života, vliv místa bydliště na formování názorů a chování,
■■ spotřební zboží, kvalita věcí, jimiž se jedinec obklopuje, značky a jejich význam v životě
jedince,
■■ vliv digitalizace, tradiční a nová média.
12.7 Conjoint analýzy

Tato část se podrobněji věnuje optimalizačním úlohám. Vysvětlíme si princip conjoint
metodiky, popíšeme vývoj postupů využívajících principy conjointu a budeme se věnovat
typickému využití této velice přínosné techniky.
12.7.1 Conjoint: základní informace

V průběhu posledních desetiletí se conjoint analýza stala nejpopulárnější a nejpřínosnější
technikou pro zjišťování zákaznických preferencí. Vývoj této metody za posledních deset
let je skutečně působivý. Conjoint se využívá pro určení cenové citlivosti, citlivosti na
necenové parametry produktů a služeb, případně pro odhady, jak budou zákazníci rea-
govat na úpravy produktů či na produkty zcela nové. Conjoint analýza je ale z hlediska
správného použití zároveň jednou z nejnáročnějších metod. Proto stojí za to si ji představit
komplexněji a upozornit na její výhody i rizika.
Slovo conjoint vzniklo spojením částí dvou anglických slov: consider jointly (zvažuj
zároveň). Axiomem conjointu je předpoklad, že kupující hodnotí produkty či služby na
základě částečných užitečností (part-worths) jejich dílčích vlastností (jako cena, značka,
obal, barva, příchuť atd.). Conjoint umožňuje identifikovat klíčové vlastnosti, které má
produkt či služba mít, aby oslovila cílovou skupinu a co nejlépe konkurovala dalším pro-
duktům či službám. Produkty jsou představovány jako kombinace atributů (jako cena,
značka, velikost balení apod.).
Typické využití conjointu:
■■ vývoj nových produktů,

■■ re-design stávajících produktů,
■■ cenová elasticita,
■■ nastavení (optimalizace) produktových řad,
■■ segmentace trhu,
■■ Brand Equity.
Výstupem conjoint analýz je typicky cenová elasticita, částečná užitečnost jednotlivých

atributů/vlastností produktů či služeb, výpočet potenciálu produktu, modelování tržních
podílů při jednotlivých cenových hladinách a podobně.
12.7.2 Princip conjointu

Jak už bylo zmíněno, conjoint vychází z předpokladu, že užitečnost/preference produktu
či služby je rovna součtu užitečností jeho vlastností. Nemusí to vždy platit – vlastně tím
předpokládáme, že zlatomodrá kombinace barev je tak dobrá, jako je dobrá samostatná
zlatá barva plus samostatná modrá barva. Ignorujeme tedy možnost, že kombinace vlast-
ností může sama o sobě přinést dodatečnou kvalitu (nebo naopak malus – představte si
například, jak byste asi preferovali kombinaci hovězí guláš a k němu jako přílohu müsli,
i když třeba máte rádi jak guláš, tak müsli). Musíme si proto dobře rozmyslet, zda postu-
pujeme správně.
V případě nejrozšířenější varianty conjointu, tzv. choice-based conjointu (CBC), sbíráme
data prostřednictvím simulovaných nákupů: respondenti jednoduše rozhodují, který pro-
dukt by si v daných podmínkách vybrali. Na výběr má respondent vždy několik současně
nabízených produktů.
Obrázek 12.9: Ukázka zobrazení různých produktů při testu conjoint metodikou (zdroj:
autor)
Data jsou získána prostřednictvím série rozhodnutí respondenta, který volí vždy jeden
produkt z představené kombinace produktů. V pozadí metodiky je matematický model,
tzv. ortogonální design, jenž je v podstatě kombinací různých náhodně generovaných

produktů. Postup nutí respondenta dělat kompromis při výběru produktu tak, jako je
tomu i při reálném kupním rozhodování.
Použitím conjoint metody zabraňujeme spotřebiteli, aby tvrdil, že všechny vlastnosti
produktu jsou pro něj stejně důležité. V momentě, kdy nutíme respondenta k obtížnému
kompromisu, zjišťujeme, co skutečně oceňuje, čím se při výběru řídí. Kombinujeme řadu
vlastností produktu a vytváříme tím plejádu produktových konceptů. Nutíme respondenta,
aby si vybral (setřídil, obodoval) tyto produkty podle svých představ a potřeb. Tímto pro-
cesem zjišťujeme, jaké vlastnosti produktu respondent skutečně hledá či preferuje, podle
jakých vlastností produktu se reálně řídí.
Příklad
Co je atribut a co hladina atributu? Uvedeme si dva příklady atributu a jeho hladin. První
atributem je tvar (například stolu):
■■ Atribut: tvar stolní desky.

■■ Hladiny atributu: 1 – čtvercový, 2 – oválný, 3 – obdélníkový.
Tvar je v tomto případě kategoriální veličina, tedy úrovně mezi hladinami nedávají smysl
a zároveň nelze říci, která hodnota je větší, menší, lepší či horší.
Druhý příklad atributu – cena – je poněkud jiného typu:
■■ Atribut: cena.
■■ Hladiny atributu: 27 Kč, 29 Kč, 31 Kč.
Cena je příkladem spojitého atributu. U spojitého atributu dávají smysl i úrovně mezi
hladinami (na určitém intervalu). Můžeme je potřebovat! Další příklady spojitých atribu-
tů jsou následující: úroková míra, kapacita paměti počítače, další počitatelné parametry.
Kvantitativní spojité atributy lze matematicky modelovat adekvátními mikroekonomickými,
psychometrickými, biometrickými, nebo i heuristickými modely.
Pokud jsme do testu zapomněli zařadit nějaký tvar stolu, nelze jej dopočítat – test se
k takovému tvaru neumí vyjádřit. Naopak při spojitém atributu nemusí vadit, že jsme ne-
testovali cenu 30 Kč, pokud jsme testovali cenové hladiny 9 Kč, 19 Kč, 29 Kč, 39 Kč. Cenu
30 Kč umíme simulovat, pokud jsme správně nastavili parametry testu, neboť cena 30 Kč
se nachází uvnitř testovaného intervalu 9–39 Kč a cena je spojitý atribut.
12.7.3 Stručná historie conjointu

Začátky conjointu: full-profile conjoint
Necháváme stranou BPTO15 metodiku (Brand-Price Trade Off), i když i ta je základní

formou conjointu. Za první skutečný conjoint budeme považovat tzv. full profile conjoint.
Výraz full profile obecně znamená, že nutíme respondenta zvažovat všechny parametry
najednou. Metodika v počátcích zvládala produkty o malém počtu atributů (4–5). Re-
spondent ovšem hodnotí pouze jeden produkt. Kombinovaný produkt je respondentem
hodnocen jako takový formou hodnocení na škále. Toto hodnocení se opakuje pro další
generované produkty. Pro analýzu je použita relativně jednoduchá regresní funkce, z níž
spočítáme implicitní užitečnosti hladin vlastností produktu.
Nevýhody:
■■ určeno pro malý počet atributů a hladin,

■■ neodpovídá reálnému kupnímu chování.
První mezikrok: výběr mezi dvěma produkty
Jako další stupeň přišly studie aplikující výběr mezi dvěma produkty. Model byl adaptiv-
ní, tedy počítač v reálném čase upravoval na základě preferencí respondenta další průběh
dotazování (ořezávání slepých cest, předkládání relevantních variant s těžší volbou). Vy-
skytly se také hybridní přístupy umožňující testovat vyšší počty atributů, kde se aplikuje
pre-selekce před vlastním preferenčním testem.
Obrázek 12.10: Ukázka dotazování při výběru mezi dvěma produkty (zdroj: autor)
15 Statistická metoda, která vyhodnocuje vnímanou cenu v konkurenčním prostředí.

Přichází choice-based conjoint (CBC) – král conjointu
Přetrvávajícím nedostatkem byla nerealističnost hodnocení. V reálném světě probí-

há výběr formou srovnávání alternativních výrobků či služeb, nikoliv formou umělého
hodnocení či bodování. Proto přichází na scénu choice-based conjoint (CBC), a to i díky
rozvoji počítačů. První CBC moduly nedokázaly počítat užitečnosti atributů a hladin na
individuální úrovni. Proto se užitečnosti počítaly jako průměrné (agregované) a výstupy
nebylo možné používat pro segmentační účely. Další nevýhodou byla nedostatečná in-
formace o chování jednotlivých respondentů při lexikografickém způsobu rozhodování
(viz níže). S příchodem hierarchického bayesiánského principu (HB) získává conjoint
schopnost individuálního zpětného dopočtu užitečností – CBC/HB.
Lexikografický postup je následující: představme si, že testujeme výběr auta. Jste re-
spondent a chcete určitě diesel (1.), nejlépe ve verzi kombi (2.). Budete vždy vybírat jen
diesel a kombi. Teprve pokud jich je v nabídce víc, vybíráte mezi nimi podle dalších
vlastností. Bez toho, že bychom povolili mít na obrazovce více dieselů a více kombi na-
jednou, nebudeme schopni modelovat vaše chování jinak, než že pro vás hrají roli jen dva
parametry. Lexikograficky se rozhoduje 20 %, ale také až 66 % lidí!
Adaptivní conjoint (ACA)
Proti CBC modelu se ozývaly hlasy kritizující:
■■ příliš velký počet nerealistických produktů,

■■ nízká zainteresovanost respondentů (inerce, nuda),
■■ neschopnost testovat vyšší počet atributů.
Tyto nedostatky se snaží odstranit adaptivní model (adaptive conjoint analysis, ACA).
V něm postupujeme tak, že počítač nejprve mapuje preference a bariéry respondenta.
Následně do CBC modelu vstupují pouze atributy nebo hladiny, které respondent neod-
mítá. Tento postup je pro respondenty příjemnější, i klienti ho mají rádi, protože vypadá
přirozeněji. Ovšem pozor – nedává lepší výsledky než CBC/HB.
Tabulka 12.1: Výhody a nevýhody metodik CBC a ACA
Výhody CBC (HB): Výhody ACA:

●● Kratší dotazník. ●● Lze testovat designy o vysokém počtu atributů.
●● Vynikající prediktivní schopnost, nejlepší ●● Přirozenější průběh dotazníku, nižší míra nudy.
výsledky v testech spolehlivosti.
●● Nejvíce zkušeností, reference, vyzkoušené
postupy.
Nevýhody CBC (HB): Nevýhody ACA:
●● Není možné použít pro designy s vysokým ●● Nespojitost předselekčních sekcí s vlastním
počtem atributů. conjoint modulem (částečně řeší ACA HB).
●● Vyšší míra nudy respondentů (nutno testovat). ●● Delší dotazník.
●● Srovnatelná, ale podle některých testů horší
prediktivní schopnost a spolehlivost modulu.
Zdroj: autor
Adaptivní choiced-based conjoint (CBC + ACA = ACBC)
Adaptivní choice-based conjoint (ACBC) kombinuje výhody obou přístupů, tedy conjointu
založeného na výběru z několika náhodných produktů a adaptivního conjointu. Jedná se
o poměrně mladou metodiku (asi od roku 2009). Rozhovor je interaktivní, ale je založen
spíše na CBC modelu. Výhodou je možnost testovat produkty o vysokém počtu atributů.
Nevýhodou je naopak mírně delší dotazník. V tuto chvíli však model v testech neprokázal
větší spolehlivost než CBC/HB metodika.
Další pokročilé formy conjointu
Conjoint založený na třídách (class-based conjoint, CBC): Častý požadavek na testované

produkty se týká zákazů mezi některými úrovněmi dvou nebo více vlastností. Běžně se
setkáváme s podmíněnými cenami, přítomností nebo absencí některých hodnot funkcí
uvedené značky, balení atd. Nerozumně nastavené zákazy mohou být škodlivé, někdy
i fatální.
Představme si například situaci v obchodě s oblečením. Prodavačka v zájmu úspěšného
prodeje zboží „otypovává“ svého zákazníka jednoduchými dotazy na druh oděvu, velikost,
materiál a představu o ceně. Na základě těchto otázek má bližší představu o tom, co by měla
zákazníkovi nabídnout. Zákazník má zájem koupit si zimní bundu, preferuje prohlédnutí
nabídky zimních bund ve své velikosti a podle svých požadavků a finančních možností.
Opakovaná nabídka jiných typů oděvů (například společenských šatů) by ho po chvíli
znechutila a v horším případě odradila od nákupu.
Definujme možné varianty produktů, které by zákazníka skutečně zaujaly jako evoked
set, a varianty produktů, které by prodavač zákazníkovi nabídnul jako consideration set.
Přičemž consideration set obvykle mírně přesahuje evoked set. Naším cílem je pokud
možno nabídnout consideration set. Na tomto principu je založen class-based design.
Respondent je nejprve dotázán na uvažované hlavní parametry produktu (například
minimální a maximální uvažovaná výše úvěru je pro respondenta 50 000 a 100 000 Kč).
Poté jsou respondentovi nabízeny takové varianty produktů, které se pohybují okolo jím
samotným definovaných hladin těchto parametrů (v našem příkladu by mu nebyly nabí-
zeny úvěrové produkty nižší než 25 000 a vyšší než cca 150 000 Kč).
Obrázek 12.11: Ukázka dotazování menu-based conjointu (zdroj: autor)

Menu-based conjoint: Nedávnou novinkou je metodika menu-based conjoint (MBC).

V CBC modelu respondent dělá jedno rozhodnutí – který z produktů by v dané situaci
zvolil. V případě MBC je tomu jinak: respondent přijme žádné až několik rozhodnutí,
a to tak, že vybere vhodný produkt a následně si k němu vybírá dodatečné možnosti –
zaškrtává položky v menu.
12.7.4 Conjoint a cenová elasticita substituce

Conjoint se často používá ke zjištění citlivosti poptávky na cenu či další parametry pro-
duktu. Proto je vhodné si uvést základní informace o cenové elasticitě. Cenová elasticita
je definovaná tímto obvyklým způsobem:
Cenová elasticita produktu = –(relativní změna poptávky po produktu v %) / (relativní

změna ceny produktu v %)
Elasticita je závislá na vnějších tržních podmínkách. Čím je tržní podíl produktu vyšší
a vliv konkurence nižší, tím je cenová elasticita (v absolutní hodnotě) nižší.
Naproti tomu elasticita substituce je veličina, na níž lze pohlížet jako na elasticitu
potenciálního zájmu o produkt, tedy na elasticitu očištěnou od vnějších vlivů. Je proto
méně závislá na ceně než cenová elasticita. Její (absolutní) hodnoty jsou vždy vyšší než
tržní elasticity.
Podobně jako pro cenu lze tedy definovat elasticitu substituce pro jakoukoliv poměrově
škálovatelnou proměnnou (parametr) produktu, například úrokovou sazbu, poplatek za
vyřízení úvěru, poplatek za předčasné splacení apod. Dává to možnost přímého porovnání
vlivu těchto proměnných.
Příklad
Uveďme si příklad s elasticitou na velmi zjednodušeném modelu, kdy uvažujeme pouze

parametry a jejich rozsahy testované v conjointu.
Zákazník zvažuje úvěr v bance. Rozhoduje se mezi třemi nabídkami. Nabídce A přiřadil
zájem ve výši 30 % ze 100 %. Na základě testování conjointu je jeho elasticita úrokové sazby 15.
Banka, která úvěrový produkt A nabízí, prověřila bonitu zákazníka a nabídla mu u tohoto
produktu snížení úrokové sazby o 10 % oproti původní výši. Tedy původní úroková sazba,
která činila 11 %, se snížila na současnou hodnotu 9,9 %. Ostatní parametry tohoto produktu
i zbylých dvou produktů jiných bank zůstaly beze změny. Při cenové elasticitě substituce
15 dojde k nárůstu zájmu zákazníka o produkt A 1,5krát (= 15 × 10 %), jeho zájem se tedy
ze 30 % zvýší hrubým odhadem na 45 % (v simulátoru, který je založen na přesnějších
vztazích, je to méně). Jinými slovy, pokles úrokové sazby výrazně zvýšil zákazníkův zájem
o daný produkt.
12.7.5 Conjoint: shrnutí výhod a nevýhod

Výhody conjointu:
■■ Spolehlivé, i když relativní předpovědi reálného nákupního chování.

■■ Umožňuje segmentaci spotřebitelů podle nákupního chování.
■■ Dovoluje kalibraci dat pro dosažení skutečných tržních podílů.
■■ Optimalizace podoby produktu či produktového portfolia/řady.
■■ Predikce potenciálu.
■■ Optimalizace s cílem maximalizace marže, tržního podílu atd.
Nevýhody conjointu:
■■ Potřeba speciálního softwaru pro dotazování řízené počítačem.

■■ Je nutné mít stále na paměti, že se jedná o simulovanou situaci. Respondenti pouze
simulují rozhodnutí a jsou na podněty mnohem citlivější než ve skutečnosti.
■■ Elasticity získané na základě výzkumu jsou relativní a bývají výrazně vyšší než ty, které
by byly pozorovány na skutečném trhu.
■■ Postupy typu conjoint nejsou vhodné pro impulzivní typ nákupního chování.
12.8 Kombinace výzkumných metod a datových

zdrojů
Kombinace výzkumných metod i datových zdrojů není ve výzkumném světě žádnou
novinkou. Nejčastěji jsme se s nimi v minulosti setkávali zejména v rámci kombinace
kvalitativních a kvantitativních výzkumných metod či kombinace různých metod sběru
dat (například F2F a CATI). V minulosti se však ke kombinaci výzkumných metod či
datových zdrojů přistupovalo velice obezřetně. Trendem naopak byla specializace. Řada
výzkumných agentur měla často oddělení i pracovníky se specializací pouze na kvalita-
tivní výzkum a oddělení a výzkumné pracovníky se specializací na kvantitativní výzkum.
Spolupráce v rámci těchto dvou sekcí byla často minimální. Kombinace se využívala spíše
zřídka. Metodologicky převládaly výzkumy realizované jednou standardní výzkumnou
metodou, většina výzkumníků jasně preferovala sběr dat s využitím jedné konkrétní vý-
zkumné metody (CATI, F2F atd.).
Internet, mobilní zařízení a bouřlivý technologický rozvoj v posledních deseti letech
však tento přístup výrazným způsobem ovlivnily a změnily, a to včetně role výzkumníků.
Informační technologie a s tím spojené rozšíření využívání online výzkumných metod
a dostupnost různých datových zdrojů vedly k významnému růstu využívání jak kombi-
nace výzkumných metod, tak i datových zdrojů. S trochou nadsázky se dá se říci, že bez
kombinace různých datových zdrojů a výzkumných metod se dnes již žádný výzkumník
neobejde.
12.8.1 Proč je dnes kombinace trendy?

Pojďme se nyní podívat, jaké jsou důvody posunu od specializace směrem ke kombinování.
■■ Marketingový výzkum již není jediným zdrojem dat: Zatímco v minulosti býval
marketingový výzkum velice často jediným relevantním datovým zdrojem o zkoumané
oblasti chování spotřebitelů, dnes je tomu díky informačním technologiím jinak. Dů-
ležitým aspektem pro kombinace datových zdrojů je tedy fakt, že data o spotřebitelích
přicházejí z mnoha dalších zdrojů: technologických společností, vnitřních firemních
systémů, sociálních sítí atd. Data z marketingového výzkumu se tak stávají pouze jedním
z využívaných zdrojů dat.
■■ Datification (zvyšující se množství dat): Množství dat díky informačním technologiím
neustále vysokým tempem roste. Výzkumníci pracující s různými datovými zdroji
se tak stále častěji setkávají s fenoménem tzv. Big Data, tedy se zpracováním velkých
datových objemů pocházejících například z interních dat klientů či dat technologic-
kých společností. A dá se předpokládat, že IoT (internet věcí, neboli ovládání běžných
předmětů denní potřeby, jako jsou domácí spotřebiče, automobily apod., na dálku
prostřednictvím internetu a čidel; zahrnuje to mimo jiné i chytrá nositelná zařízení, tzv.
wearables) povede v budoucnosti k další „datifikaci“ té části světa, která doposud byla
„offline“. Následně to umožní získat ještě komplexnější a podrobnější obrázek o velice
detailním chováním spotřebitelů.
■■ Pasivní měření versus deklarace: Spotřebitelské chování, postoje, životní styl – dříve
výhradně doména klasických výzkumů trhu – jsou stále častěji „pasivně“ měřeny či
zachyceny prostřednictvím informačních technologií, v řadě případů dokonce nejen bez
aktivní účasti a souhlasu měřených subjektů (populace), ale často i bez jejich vědomí.
Každý z nás, ať chce či nechce, za sebou zanechává digitální stopu, čímž se stává součástí
agregovaného balíku dat o svém reálném chování. Zvykáme si tedy na myšlenku, že
chování lidí bude v budoucnu v řadě případů efektivněji podchyceno pasivním moni-
toringem než na základě deklarovaných odpovědí na otázky, které lidé nejsou schopni
přesně zodpovědět nebo je ani nedokáží zaznamenat (jako například jejich emoční
stav). V době, kdy bude téměř každý aspekt našeho života generovat data, bude možné
tímto způsobem získat podrobnější a přesnější informace o spotřebitelském chování
a rozhodování než prostřednictvím klasické deklarace.
Změna role výzkumných agentur a výzkumníků
Potřeba komplexně uspokojit potřeby klientů v dnešním digitálním a datifikovaném světě

vede k tomu, že se role výzkumníků (klasicky zahrnující sběr dat a jejich zpracování pro-
střednictvím standardních výzkumných metod) posouvá směrem k roli datových porad-
ců, kteří rozhodují o tom, jaké datové zdroje (včetně těch získaných s pomocí klasických
výzkumných metod) nejlépe využít a případně zkombinovat tak, aby přinášely relevantní
odpovědi na otázky a problémy, jež řeší klient.
Nabídka nových výzkumných strategií s využitím technik, které integrují různé plat-
formy primárního výzkumu se sekundárními zdroji dat, proto dnes patří mezi aktuální
trendy marketingového výzkumu.

12.8.2 Kombinace výzkumných metod nebo zdrojů dat?

Dají se však tyto dvě věci – kombinace výzkumných metod a kombinace datových zdrojů –
od sebe jednoznačně oddělit? Přestože cítíme, že kombinace výzkumných metod a datových
zdrojů jsou dvě odlišné věci, mají určitý společný základ. I v rámci kombinace výzkumných
metod totiž často vznikají různé zdroje dat, například hovoříme-li o té nejběžnější kom-
binaci kvalitativního a kvantitativního výzkumu. Vzhledem k tomu, že neexistuje žádná
jednoznačná definice pro kombinaci výzkumných metod a kombinaci datových zdrojů,
pokusíme se pro potřeby této knihy tyto pojmy sami definovat.
O kombinaci výzkumných metod budeme hovořit zejména tehdy, pokud bude cí-
lem této kombinace získání jednoho či více nových datových zdrojů tzv. primárních
dat prostřednictvím různých výzkumných metod (například klasicky kvalita a kvantita).
V tomto případě výzkumník tyto zdroje dat „vytváří“ nebo spoluvytváří. Může se jednat
i o kombinaci měření a deklarace. V rámci řešení výzkumného problému můžeme kom-
binovat dvě i více výzkumných metod. Kombinace výzkumných metod tak může a nemusí
vytvořit více datových zdrojů.
O kombinaci zdrojů dat budeme hovořit zejména tehdy, pokud se bude jednat o kom-
binaci jednoho či více výzkumů či měření s již existujícím tzv. sekundárním zdrojem
dat (kde může jít o interní data klienta, data technologických firem, data ze sociálních
sítí, pasivní měření atd.), případně o kombinaci dvou či více již existujících datových
zdrojů. V takovém případě výzkumná agentura data nesbírá, ale pouze analyzuje různé
již existující datové zdroje. Může se však jednat i o kombinace v rámci nově vzniklých
datových zdrojů (z kombinace výzkumných metod).
12.8.3 Kombinace výzkumných metod

Proč kombinovat výzkumné metody?
Všechny výzkumné metody mají svá pro a proti, proto může být výhodou, pokud
dlouhodobě nespoléháme pouze na jednu. Kombinace výzkumných metod přináší
řadu benefitů:
■■ Možnost srovnání odlišností výsledků z hlediska využívání různých metod nám dává
přesnější obraz zkoumané reality.
■■ Obohacení dat, komplexnější a detailnější pohled na zkoumanou realitu.
■■ Eliminace nevýhod jednotlivých výzkumných metod.
■■ Možnost kombinace kontrolních mechanismů (náslechy, nahrávky, GPS, visual recor-
ding atd.).
■■ Eliminace chyb měření jednotlivých výzkumných metod.
Co všechno lze kombinovat k získání komplexnějšího pohledu na zkoumanou realitu?
■■ Kvantitativní + kvalitativní výzkumné metody.

■■ Individuální + skupinové výzkumné metody.
■■ Osobní dotazování + samovyplňování.

■■ Dotazování na blízko + na dálku.
■■ Dotazování krátkodobé + dlouhodobé.
■■ Deklarace + měření.
Základní typy kombinací výzkumných metod
1. Kombinace různých metod sběru dat: Stejné otázky sbírané různými metodami, kdy
výsledkem je jeden datový zdroj.
2. Kombinace měření s deklarativními technikami: Jeden a více zdrojů dat z měření
(měřicí technologie) a další datové zdroje z deklarace.
3. Kombinace kvalitativních a kvantitativních výzkumných metod: Například indivi-
duální rozhovory a dotazníkové šetření.
Tabulka 12.2: Srovnání výzkumných metod 16 17 18
Výhody Nevýhody
F2F16/CAPI17* ●● Lepší porozumění, možnost vysvětlit ●● Tendence zasahovat do odpovědí
otázku, specifikovat, co bylo otázkou respondenta (napovídání, zrychlování).
myšleno. ●● Nedodržování pokynů, osobní aktivita
●● Vyšší koncentrace respondentů. a kreativita.
●● Možnost pracovat s obrázkovými ●● Další doptávání tazatelem, pokud není
materiály i videem (v případě CAPI). výslovně požadováno dalšími otázkami.
●● Lze dotazovat celou populaci České ●● Nevhodné pro dotazování citlivých či
republiky bez omezení. intimních témat – stud před tazatelem.
●● Vhodné i pro složité technologické ●● Stylizace respondentů před tazatelem.
výzkumy – možnost speciálního ●● Nákladnější a delší doba sběru dat.
vyškolení tazatelů.
CATI18** ●● Lepší porozumění otázkám díky ●● Tendence zasahovat do odpovědí
možnosti operátorů vysvětlit otázku, respondenta (napovídání, zrychlování)
specifikovat, co bylo otázkou ze strany operátorů.
myšleno. ●● Nedodržování pokynů, osobní aktivita
●● Rychlost a nízké náklady. a kreativita operátorů.
●● Kontrola uskutečněných rozhovorů ●● Další doptávání tazatelem, pokud není
(náslechy, nahrávky…). výslovně požadováno dalšími otázkami.
●● Lze dotazovat celou populaci České ●● Kratší délka dotazování = kratší dotazník
republiky bez omezení. (max. 20 minut).
●● Méně položek u odpovědí v rámci
uzavřených otázek – operátor je musí
číst.
●● Nevhodné pro dotazování citlivých
či intimních témat – stud před
operátorem.
●● Nemožnost pracovat s obrázkovými
materiály.
●● Tlak na rychlost rozhodování
u respondenta.
* osobní dotazování, ** telefonické dotazování
▶
16 F2F z anglického Face to Face (tváří v tvář); do češtiny překládáme jako „osobní dotazování“.
17 CAPI (Computer Assisted Personal Interviewing).
18 CATI (Computer Assisted Telephone Interviewing).
Výhody Nevýhody
CAWI19*** ●● Možnost vyššího počtu položek ●● Omezeno pouze na lidi, kteří aktivně
v rámci uzavřených otázek. využívají internet.
●● Pocit větší anonymity. ●● Větší hodnoty u konzumace médií.
●● Rychlé a levné. ●● Vyšší digitální gramotnost díky online
●● Možnost zařazení zvukových aktivní populaci.
i obrazových materiálů (videa, hudby ●● Problém tzv. „edukace“ panelistů
atd.). v určité výzkumné oblasti (znalost
●● Možnost lépe hlídat konzistenci značek, znalost technologií atd.).
odpovědí na základě nastavení filtrů. ●● Možnost googlování odpovědí.
*** online dotazování
Zdroj: autor 19
Výhody a nevýhody kombinace výzkumných metod
Přestože kombinace výzkumných metod a datových zdrojů přináší řadu výhod, ne vždy
je nutně správnou volbou. Vždy je třeba mít na paměti cíl výzkumu a výběr vhodné me-
tody či kombinace metod v souvislosti s tím pečlivě zvážit. Při kombinování výzkumných
metod je také třeba si dát pozor na určité odlišnosti jednotlivých metod, každá metoda je
v něčem odlišná a má své slabé a silné stránky:
■■ Fungování některých otázek se může v různých metodách lišit, například jiným zastou-
pením neutrálních odpovědí „nevím“ atd.
■■ Jiné charakteristiky z hlediska rychlosti, ceny a zásahu cílové populace.
■■ Odlišná ochota respondentů odpovídat na určité citlivé otázky.
■■ Omezení z hlediska možné délky dotazníku i počtu položek v jednotlivých odpovědích
atd.
■■ Odlišnosti samovyplňování versus asistovaného dotazování s tazatelem, operátorem atd.
V případě osobního dotazování F2F (CAPI, PAPI) ovlivňuje kvalitu vyplnění jednotli-
vých odpovědí tazatel. Tento vliv může být pozitivní, tazatelé (případně operátoři) mohou
v průběhu dotazování vysvětlit smysl některých otázek, pokud je respondent nepochopil,
na druhou stranu však tazatelé mají někdy tendenci rušivě zasahovat do odpovědí respon-
denta, různě mu napovídat či urychlovat vyplňování. Zasahování tazatelů formou dalšího
doptávání může vést k navyšování hodnot určitých odpovědí, například v případě znalosti
značek. V případě osobního dotazování F2F nebo CAPI může výsledky výzkumu ovlivnit
také osobní sympatie či antipatie respondenta a tazatele. Respondenti mohou mít tendenci
se v případě některých otázek stylizovat, stydí se odpovídat pravdivě a mnohdy tak do-
chází k autocenzuře odpovědí. Proto je vhodné pro některá citlivá a osobní témata zvolit
raději metodu CAWI (online dotazování), která díky samovyplňování, tedy bez asistence
tazatele nebo operátora, zajišťuje respondentovi potřebný pocit anonymity a eliminuje vliv
asistovaného dotazování s tazatelem nebo operátorem.
Rovněž CATI metoda má řadu omezení, které vyplývají zejména z toho, že respondenti
na rozdíl od F2F/CAPI a CAWI nemají možnost dotazník (a jednotlivé otázky a odpovědi)
vidět a vizuálně zpracovat. Výzkum CATI není tedy vhodný pro jakýkoliv výzkum, který
19 CAWI (Computer Assisted Web Interviewing).

pracuje s vizuálními materiály. Nemožnost vidět dotazník ovlivňuje počet položek v jed-
notlivých odpovědích, odpovědi respondentovi čte operátor, je třeba tedy omezit jejich
počet tak, aby byl respondent schopen si je pamatovat. Projevuje se zde efekt „poslední
čtené odpovědi“ – té, kterou si respondenti pamatují nejlépe. Vyšší je také zastoupení
odpovědí „nevím“.
CAWI neboli metoda online dotazování je v dnešní době hojně rozšířená výzkumná
metoda díky své rychlosti, cenové dostupnosti a možnosti pracovat s audiovizuálními ma-
teriály všeho druhu. Tato metoda je z hlediska respondentů flexibilní (možnost vyplňovat
v čase, který vyhovuje) a poskytuje respondentům ve srovnání s F2F nebo CATI větší pocit
anonymity, na druhou stranu i tato metoda má řadu omezení. Mezi těmi nejdůležitějšími je
zásah omezený pouze na lidi s připojením k internetu, typické pro většinu online panelů je
však také to, že se jedná o silné, denní uživatele internetu. V důsledku toho online panelisté
vykazují vyšší spotřebu médií, znalost technologických novinek a celkově vyšší digitální
gramotnost. Vzhledem k samovyplňování je zde také určitá (byť málo využívaná) možnost
googlování odpovědí. Přílišná motivace některých respondentů k účasti ve výzkumu může
vést ke snaze projít screeningovým dotazníkem za každou cenu, tím pádem i k zavádějícím
odpovědím. Problémem je také určitá „edukace“ respondentů v jednotlivých oblastech
prostřednictvím samotných výzkumů. Výzkumné agentury se samozřejmě snaží tato
omezení eliminovat například stanovením maximálního počtu výzkumů na respondenta
za určité období. Tato doporučení jsou součástí tzv. kvalitativních standardů, tedy urči-
tých pravidel pro realizaci marketingových a sociologických výzkumů, které připravuje
a reviduje profesní sdružení výzkumných agentur v ČR SIMAR. V případě trackingových
výzkumů se například členové online výzkumných panelů mohou účastnit další vlny sběru
dat až po uplynutí šesti měsíců.
Nejčastěji využívané kombinace výzkumných metod
Mezi historicky nejčastěji využívané kombinace výzkumných metod patří bezesporu

kombinace kvalitativních a kvantitativních metod společně s kombinací různých typů
sběru dat u kvantitativních výzkumů, kdy se jednotný dotazník (otázky) sbírá různými
výzkumnými metodami. Výsledkem je následně jeden zdroj dat.
Kombinace kvalitativních a kvantitativních výzkumných metod se využívá pro lepší po-
chopení a porozumění výzkumnému problému, kdy je omezení jednoho typu dat vyváženo
silnými stránkami druhého a naopak. V rámci kombinace kvalitativních a kvantitativních
metod získáváme jak kvantitativní údaje (číslice), tak i kvalitativní údaje (text, obrázky).
Je důležité naplánovat předem, jak se budou tyto údaje kombinovat.
Z hlediska terénního sběru dat můžeme údaje získávat dvojím způsobem:
■■ Paralelně: kvalitativní a kvantitativní údaje jsou sbírány současně.

■■ Sekvenčně: nejprve sbíráme jeden typ dat (kvalitativní nebo kvantitativní), následně
doplníme o druhý typ dat (kvantitativní nebo kvalitativní).
Sběr dat a jejich vyhodnocení může při kombinaci kvantitativních a kvalitativních dat
probíhat nezávisle na sobě, kdy se výstupy obou metod kombinují až na konci pro inter-
pretaci a závěry, nebo lze integrovaně kombinovat obě metody již v průběhu výzkumu.
K čemu slouží kombinace kvantitativních a kvalitativních výzkumných metod?
■■ Obohacení informací kvantitativního výzkumu, tedy získání informací a proměnných,

které nebyly součástí kvantitativního výzkumu.
■■ Ověřování (testování) hypotéz generovaných na základě kvalitativního výzkumu pomocí
kvantitativního přístupu.
■■ Vysvětlení kvantitativních výstupů s využitím kvalitativních údajů, slouží zejména
k pochopení a vysvětlení neočekávaných výsledků z kvantitativních dat.
■■ Triangulace (potvrzení; odmítnutí): potvrzení nebo odmítnutí kvantitativních výsledků
s využitím kvalitativních dat (nebo naopak).
Proč kombinovat různé typy sběru dat v případě kvantitativních výzkumů? Kombinace
různých metod sběru dat přináší řadu benefitů. Z těch nejdůležitějších jmenujme:
■■ Zlepšení návratnosti dat: Lze ho docílit díky komfortnější dotazové situaci, kdy různým
respondentům vyhovují různé dotazovací metody, seniorům například více CATI (tele-
fonické dotazování), zatímco mladým lidem CAWI. Kombinací různých metod sběru
dat tak můžeme lépe a kvalitněji pokrýt dotazování v rámci všech skupin populace.
■■ Zeefektivnění nákladů na sběr dat: Lze ho docílit tím, že pro určité vhodné dotazované
skupiny (cílové skupiny) kombinujeme levnější metody sběru dat s dražšími (například
u internetové populace realizujeme sběr prostřednictvím CAWI a u neinternetové
populace prostřednictvím CATI nebo F2F).
■■ Časová úspora a snížení chyb měření jsou umožněny díky:
□□ Možnosti volby vhodné části dne pro dotazování.
□□ Omezení přetěžování jednoho sběru (přetěžování tazatelů).
□□ Minimalizaci vlivu konkrétní metody na data.
□□ Kombinaci kontrolních mechanismů (náslechy, nahrávky, visual recording, GPS).
■■ Možnost kontroly, kdy vidíme, jak a v čem se liší dva sběry dat, co jsou vlivy metod
na zachycení zkoumané reality.
Sběr dat s využitím různých metod může probíhat buď paralelně, kdy se sbírají oba vzorky
různými metodami současně, nebo sekvenčně, kdy se nejprve nasbírá část vzorku jednou
metodou a následně další část vzorku jinou metodou.
Možnosti paralelních kombinací sběrů dat jsou následující:
■■ Dva paralelní reprezentativní sběry dat na stejném vzorku respondentů. Umožňuje to

srovnání odlišností výsledků z hlediska využívání různých metod.
■■ Apriorní rozdělení sběru dat například podle sociodemografie, kdy mladší věkové
skupiny odpovídají metodou CAWI, starší generace CATI nebo F2F.
■■ Možnost výběru preferovaného módu dotazování podle toho, jaká metoda je respon-
dentovi příjemnější – tzv. device agnostic research.
Dosběr chybějících cílových skupin jinou metodou sběru dat se většinou realizuje až v zá-
věru či po ukončení první fáze sběru dat. Výběr vhodné metody závisí na tom, jaké CS
je třeba dosbírat. K dosběru chybějících cílových skupin přistupujeme zejména v situaci,
kdy potřebujeme urychlit sběr dat s ohledem na termín dodání výstupů, nebo například
pokud je třeba doplnit neinternetovou populaci k výzkumu metodou CAWI atd.
Podívejme se nyní na tři příklady kombinace výzkumných metod.
Příklad
Kombinace různých metod sběru dat – device agnostic research: Jednalo se o výzkum
životního stylu a volnočasových aktivit české populace 15+ na předem zrekrutovaném
reprezentativním panelu 1000 respondentů. Byla použita kombinace různých metod sběru
dat podle preferencí respondentů, s cílem zvýšit ochotu respondentů k účasti ve výzkumu,
a jednotný dotazník, který respondenti vyplňovali podle preferencí buď online (60 %), nebo
telefonicky CATI (25 %), nebo PAPI (15 %) – zasláním tištěné verze dotazníku. Rozdíly ve
vybraných metodách sběru dat se projevily zejména v časovém průběhu sběru dat (CAWI
nejrychlejší, PAPI nejpomalejší). Ochota členů panelu k vyplňování dotazníku se však díky
možnosti výběru způsobu dotazování navýšila.
●●●
Kombinace biometrického měření s deklarativní technikou: Při výzkumu probíhalo

testování pilotního dílu seriálu s cílem odhadnout diváckou úspěšnost seriálu, specifikovat
CS diváků seriálu, najít silné a slabé momenty pilotního dílu.
Pro otestování byla vybrána metoda měření emocí s pomocí tzv. facial coding, které zahr-
nuje monitorování a dekódování výrazů tváře, měření emocí. Celkem se měření zúčastnilo
100 respondentů. Po zhlédnutí pilotního dílu seriálu, při němž byly měřeny emoce respon-
dentů, následně vyplňovali deklarativní dotazník, ve kterém hodnotili pilotní díl seriálu jako
celek, ale vyjadřovali se také k různým emocionálně vypjatým částem změřeným v první fázi
výzkumu. Deklarativní část výzkumu tak umožnila lépe pochopit, proč některé momenty
filmu vyvolávají v různých skupinách divácích silné, ať již pozitivní či negativní emoce.
Výstupy výzkumu posloužily zadavateli jako zpětná vazba k odhadu divácké úspěšnosti
daného seriálu a k přesnější identifikaci cílové skupiny diváků. Na základě výsledků výzku-
mu následně došlo k jistým úpravám, například zkrácení úvodní části seriálu, kterou diváci
shledali příliš dlouhou a nudnou.
●●●
Kombinace kvalitativních a kvantitativních výzkumných metod: Zadavatel, menší výrob-

ce pracích a čistících prostředků se zaměřením na ekologii a životní prostředí, potřeboval
identifikovat cílovou skupinu svých potenciálních zákazníků, najít relevantní prodejní ar-
gumenty a vhodné prodejní kanály. Cílovou skupinou byly ženy – hospodyně 18+. Velikost
vzorku činila 500 respondentů. Výzkum byl rozvržen na dvě části. První část byla realizována
metodou online dotazování CAWI. Na základě přesně specifikovaných charakteristik byla
v rámci dotazování speciálně vybrána určitá skupina respondentů kupující „malé“ značky
pracích a čistících prostředků a respondentů se zaměřením na ekologii nebo trpícími růz-
nými alergiemi. Tito respondenti byli v rámci vyplnění první CAWI části vyzváni k účasti
na týdenním online blogu, zaměřeném na specifická témata využívání ekologických pracích

a čisticích prášku a na hledání argumentace pro podporu prodeje.
Kvantitativní část výzkumu přinesla zadavateli informace o segmentaci zákaznic pracích
prášků i o specifické CS zadavatele a kvantifikovala priority jednotlivých cílových skupin.
Na ni navázaná kvalitativní část naopak přinesla hlubší porozumění rozhodovacím procesů
a argumentům cílové skupiny uživatelek a potenciálních uživatelek vybraných ekologických
produktů. Obě výzkumné metody se výborně doplňovaly a klient tak obdržel informačně
bohatší podklad pro rozhodování o prodejních kanálech a argumentaci prodeje.
Trendy ve využívání kombinace výzkumných metod
Nástup využívání online výzkumných metod v kvalitativním i v kvantitativním výzkumu

spolu se zapojením mobilního internetu výrazným způsobem ovlivnil a rozšířil výzkumné
možnosti, což se projevilo mimo jiné i v častějším a snazším využívání jejich kombinací.
V současné době můžeme pozorovat následující trendy ve využívání kombinace výzkum-
ných metod:
■■ On-line výzkumné metody (internetové i mobilní) se stávají standardní součástí hyb-

ridních metodik:
□□ umožňují monitorovat respondenta delší dobu, v případě mobilních zařízení je zde
možnost využívání GPS lokalizace, vhodná je kombinace s klasickým dotazováním.
■■ Stírání rozdílů mezi „kvalitativním“ a „kvantitativním“:
□□ díky využívání online metod dochází k navýšení vzorků u kvalitativních metod (blogy
apod.) až na velikost kvantitativního vzorku, naopak kvantitativní online výzkumy se
často propojují (doplňují) s kvalitativními metodami (propojení dotazníků s online
chaty, blogy atd).
■■ Realizace výzkumu in the moment:
□□ jako důsledek potřeby zaznamenávat dojmy, spotřebu či nálady v čase jejich vzniku;
□□ často se jedná o rychlé dotazování (například 3–4 otázky přes smartphone), na něž
navazuje hlubší dotazování jinou metodikou.
■■ Biometrie (měřené reakce) versus deklarace:
□□ kombinace měření biometrických informací v průběhu výzkumu a klasického do-
tazování;
□□ biometrická měření doplňují, verifikují a často zpřesňují klasické dotazování.
■■ Device agnostic research:
□□ design výzkumů se mění tak, aby v první řadě vyhovoval respondentům; výběr
prostředí, v němž chce respondent odpovídat, zařízení, jež k výzkumům preferuje,
vede k využívání kombinace datových metod;
□□ dotazníky se formou i délkou přizpůsobují zařízení, přes které se dostávají k respon-
dentovi.
■■ Principy behaviorální ekonomie se stále častěji stávají součástí výzkumu:
□□ snaha doplnit deklarativní výzkum o měření/sledování skutečného chování, které
se od deklarací často liší;
□□ lidé se často řídí emocemi a chovají se méně racionálně, než deklarují.
12.8.4 Kombinace datových zdrojů

Cílem kombinace datových zdrojů je – stejně jako v případě kombinace výzkumných
metod – obohacení dat, komplexnější, reálnější, přesnější a podrobnější pohled na zkou-
manou realitu. Propojením dat z různých informačních zdrojů může však získat zadavatel
informace, jež se běžným výzkumem ani kombinací výzkumných metod získat nedají.
Například propojení tzv. tvrdých dat o prodejích s daty monitoringu reklamních investic
a trackingovými daty umožňuje analyzovat vliv komunikačních kampaní nejen na prodeje,
ale také na znalost značky a její vnímání. Dotazování zákazníků z klientských databází
může výrazným způsobem obohatit informace o reálném chování zákazníků a umožnit
tak jejich segmentace na základě mnoha dalších atributů.
Dostupnost dat z různých zdrojů vytváří poptávku po získání komplexních informací
jejich propojováním. Výzkumník je v dnešní době nejen konzultant, ale také datový in-
tegrátor, tedy někdo, kdo „dává datům smysl“. Množství informací a dat, s nimiž dnešní
marketéři, obchodníci i ředitelé pracují, a současně zvyšující se tlak na časovou efektivitu
vytváří následně potřebu jasné, jednoduché a interaktivní vizualizace výstupů. Statické
mnohastránkové prezentace jsou nahrazovány jednoduchými a interaktivními dashboardy,
kde je možné v několika slidech „odvyprávět“ příběh s jasným závěrem a doporučením.
Výzkumníci dnes mohou pracovat s mnoha různými typy datových zdrojů:
■■ Behaviorální data: data vycházející ze sledování reálného chování.

■■ Deklarativní data: data získaná dotazováním respondentů s využitím klasických vý-
zkumných metod.
■■ Social data: data ze sociálních sítí.
■■ Data z měření: například biometrická, televizní sledovanost atd.
■■ Fůze dat z více deklarativních zdrojů.
Podle vlastnictví a původu můžeme různé zdroje dat rozdělit na:
■■ Interní data zadavatelů: například informace o zákaznících z klientských databází,

informace o prodejích atd.
■■ Data třetích stran: data technologických společností a mobilních operátorů, Google
analytics, apod.
■■ Data z již existujících výzkumů či měření (probíhajících či ukončených) vlastních
i konkurenčních: například data televizní sledovanosti, měření návštěvnosti internetu,
social listening atd.
Data z různých zdrojů lze kombinovat různým způsobem. S každým zdrojem můžeme
pracovat samostatně, každý zdroj slouží k informačnímu obohacení výstupů, nedochází
však k propojování vlastních databází ani k definování proměnných napříč jednotlivými
zdroji dat. Různé datové zdroje však lze také propojovat. Můžeme definovat proměnné,
které se počítají kombinací z jednotlivých datových zdrojů, vznikají ukazatele počítané
napříč dvěma a více zdroji nebo dochází k datovým fúzím, tedy vytvoření jednoho spo-
lečného datového zdroje, s nímž následně výzkumník pracuje.
Klíčová otázka pro výzkumníka ovšem vždy zní: jak a které datové zdroje kombinovat,
aby kombinace přinášela obohacení a nadhodnotu. Stejně jako v případě kombinace
výzkumných metod je však na prvním místě především cíl výzkumu. Ne vždy je nutné
využívat kombinace datových zdrojů či výzkumných metod, zkušenosti výzkumníků
však říkají, že samotný výzkum dnes často nestačí: klienti očekávají obohacení dat o další
dostupné a relevantní informace (Facebook, internet atd.).
Jak postupovat při rozhodování o využití více datových zdrojů?
■■ Podle výzkumných cílů stanovit, zda je vhodné pro řešení využít více datových zdrojů.
■■ Zjistit dostupnost všech již existujících datových zdrojů relevantních k výzkumným
cílům a potřebám.
■■ Výběr vhodných datových zdrojů, včetně návrhu vlastního výzkumného řešení – tedy
nového datového zdroje.
■■ Určit, jakým způsobem jednotlivé zdroje kombinovat: obohacení informací nad rámec
výzkumu, definice nových proměnných, datové fúze atd.
Příklad
Měření výkonu venkovní reklamy na základě kombinace tří datových zdrojů: Výzkum-
ným cílem projektu bylo zjistit standardní mediální ukazatele reach (čistý zásah = počet
unikátních kontaktů), frekvence a GPR (kumulovaný počet kontaktů) pro jednotlivé nosiče
i celé kampaně venkovní reklamy, obdobně jako u ostatních mediatypů. Definice a výpočet
těchto ukazatelů vychází z kombinací proměnných z následujících tří datových zdrojů:
■■ Zdroj 1: Lokalizace nosičů venkovní reklamy (databáze vlastníků ploch), kde je pro každý
nosič zaznamenáno jeho přesné umístění v mapě, orientace, viditelnost z přilehlých ko-
munikací, výška, šířka, formát, osvětlení a fotodokumentace. Tento datový zdroj definuje
oblast viditelnosti daného nosiče.
■■ Zdroj 2: Mapa intenzity dopravy (vytvořena z veřejně dostupných zdrojů, vlastního do-
měřování a modelování) obsahuje nezbytné informace o průměrné denní intenzitě pěší
a individuální silniční dopravy v jednotlivých uličních segmentech.
■■ Zdroj 3: Studie mobility (kombinace měření a deklarace) vytvořená na základě měřicího
zařízení na bázi GPS, které cca 4500 respondentů nosilo vždy po dobu 14 dnů až 1 měsíce.
Měřicí zařízení zaznamenávalo denní trasy jednotlivých respondentů. Slouží ke stanovení
počtu unikátních kontaktů (tedy počtu lidí, kteří v daném období měli s určitou kampaní
alespoň jeden kontakt).
Výsledné proměnné GRP, reach a frekvence jsou definovány napříč třemi datovými zdroji.
Bez kombinace těchto tří datových zdrojů by nebylo možné proměnné zkonstruovat.
●●●
Kombinace většího množství různých datových zdrojů: Cílem tohoto výzkumného pro-
jektu bylo zjistit, jakým způsobem významná sportovní událost (olympijské hry) změní
stereotypy mediálního chování a jak se odrazí ve sledovanosti v různých mediatypech a na

různých platformách. Výzkumný projekt kombinoval různé výzkumné metody s probí-
hajícím měřením televizní sledovanosti PEM a měřením návštěvnosti českého internetu
NetMonitor. Díky kombinaci různých výzkumných metod a datových zdrojů, které se na-
vzájem doplňovaly, bylo možné podat veřejnosti ucelený přehled o tom, kde, v jakých časech
a na jakých zařízeních lidé tuto významnou sportovní událost sledovali a jak se odrazila
v komunikaci na sociálních sítích (second screening).
■■ PEM (měření televizní sledovanosti),

■■ online výzkum CAWI,
■■ data z NetMonitor (měření návštěvnosti internetu v Česku),
■■ AdMonitoring (monitoring reklamních výdajů na internetu),
■■ monitoring sociálních sítí.
12.9 Další inovativní metody výzkumu

V roce 2008 oznámil americký internetový vizionář Chris Anderson, že statistické modely,
které mají odhadnout chování zákazníků, jsou mrtvé, a společně s nimi třeba i klasický
výzkum mezi zákazníky (Anderson, 2008). Jejich konec mělo přinést období velkých dat,
tzv. Big Data. Skoro o deset let později dokáže velká data využít jen malý zlomek firem a hod-
ně z nich zjišťuje, že „malá data“ jsou pro ně užitečnější (Ross, Beath a Quaadgras, 2013).
Marketingový výzkum je oborem, kde se každoročně ohlašují nové trendy, vznikají
nová označení, nové metody a u jiných se ohlašuje zánik. Velká část představuje pomíjivé
módy nebo jen nadnesená označení. Většina výzkumu probíhá stále podle osvědčených
principů a jen mění technologie (internet, mobilní telefony), kde se postupy aplikují.
Mnoho významných výzkumníků ale uznává, že nabídka marketingového výzkumu se
nejspíše během příštích deseti let pod tlakem konkurence a nových technologií radikálně
promění (Research World, 2014).
Podíváme se na několik oblastí, v nichž se objevují nejvýznamnější inovace pro mar-
ketingový výzkum a které mohou změnit jeho podobu v budoucnosti. Řadu z nich může
marketing využít už dnes. Společné je pro ně to, že se snaží méně spoléhat na deklarované
preference zákazníků a vyrovnat se s kritikou, že zákazníci často sami nevědí, co chtějí,
a že to často ani neumí či nechtějí výzkumníkům říci. Řada výzkumů podpořila podezření,
že zákazníci si častěji koupí jiný výrobek, než jaký preferují v dotazování, nebo že never-
bální chování (gesta, výrazy obličeje) toho o preferencích napoví více než slovní odpověď
(Morwitz, Steckel a Gupta, 2007). Obecně lze poslední inovace rozdělit do čtyř směrů:
■■ Inovace, jež se snaží postihnout reakce ve skutečných či simulovaných situacích (predik-

tivní trhy, prototypy, AB testing, virtuální realita). Lze k nim řadit i postupy inspirované
behaviorální ekonomií.
■■ Inovace, jež se snaží postihnout nevědomé procesy a emoční prožívání respondentů
(implicitní metody, rozpoznání emocí, neuromarketing).
■■ Inovace, jež analyzují existující a komplexní stopy a výsledky činnosti (etnografie soci-
álních médií, textová analýza, datová analýza).
■■ Inovace, jež pracují s mnohonásobně většími daty, než je obvyklé (Big Data).
U většiny komerčního výzkumu jde zatím o okrajové metody. Jak ukazuje průzkum mezi
agenturami GRIT (2016), metody, jež lze nazvat „revolučními“, jako je třeba analýza Big
Data nebo využití postupů behaviorální ekonomie, alespoň někdy využila jen zhruba
třetina oslovených světových výzkumných agentur (viz tabulku 12.3). Většina inovací se
zatím odehrává v překládání tradičních metod (dotazník, focus group) na nové platformy
(mobilní telefony, online komunity).
Tabulka 12.3: Inovativní metody a jejich využití světovými agenturami
Metoda či nástroj Využívá* (%)

Dotazníky v mobilních telefonech 75
Online komunity 59
Analýza sociálních médií 52
Textová analýza 46
Interview přes webkameru 43
Kvalitativní výzkum přes mobilní telefony 42
Analýza Big Data 38
Mikro-dotazníky 35
Oční kamera 35
Modely behaviorální ekonomie 29
Gamifikace 25
Prediktivní trhy 24
Analýza emocí snímáním obličeje 24
Crowdsourcing 16
Neuromarketing 16
Virtuální realita 14
Internet věcí 14
Biometrická data 12
* Podíl světových agentur, které odpověděly, že nástroj využily. Zdroj: Greenbook Research Industry
Trends Report 2017, upraveno autorem.
12.9.1 Simulační, testové a „behaviorální“ metody

Do této skupiny patří řada nesourodých metod, které se snaží názory a postoje zjišťovat
přes chování v reálném či simulovaném kontextu.
Nejjednodušší je nahradit dotazování nějakým typem simulace. Ať už tak, že pustíme
testovanou reklamu přímo divákům v kině, vystavíme plakát nebo realizujeme zvažované
změny v pobočce prodejny, anebo vyrobíme dvě rozdílné webové stránky nebo online
reklamy. Tzv. pilotování či testování je možné díky tomu, že technologie zlevnily výrobu
reklamy či její distribuci (umístění reklamy online). Pro náročnější produkty a nabídky
se experimentuje s virtuální realitou. Navazuje to na tradiční výzkumný postup, nazýva-
ný anglicky shelf-test, kdy před respondenty postavíme regály či celý obchod s maketami
výrobků a zjišťujeme, jak reaguje na různá balení výrobku. Základním postupem je expe-
rimentální design: vytvoříme dvě skupiny se srovnatelným složením respondentů a jejich
výsledky potom porovnáme. Snažíme se přitom vyhnout přímému dotazování na názory
a sledovat spíše výsledné reakce (zda zákazník nakoupí, vybere si, zaznamená, vybaví si
informaci, změní chování ke značce a podobně).
Jiné postupy, inspirované behaviorální ekonomií, mají společné to, že pečlivě zvažují
kontext, ve kterém výzkum či dotaz probíhá. Tento obor ekonomie totiž odhalil řadu zá-
konitostí, jež nevědomě ovlivňují náš výběr, a zpochybnil, že by člověk byl racionální tvor,
který chodí po světě s jasnými preferencemi ohledně výrobků a služeb, které chce nakoupit,
bez ohledu na nahodilé okolnosti. (Příkladem, který studuje behaviorální ekonomie, je tzv.
anchor efekt, efekt kotvy. Jestliže třeba přidáme zákazníkovi do výběru při výzkumu dražší
výrobek, projeví se efekt tak, že mu budou připadat ostatní výrobky cenově přijatelnější.)
Většina validizovaných metod v marketingovém výzkumu se snaží s těmito vlivy do jisté
míry pracovat a předkládat otázky tak, aby co nejvěrněji napodobovaly volby v reálném
světě. Příkladem vhodné metody je conjoint analýza (viz předchozí část), která nechává
dotazované porovnávat relativní preference. Jeden z nejznámějších autorů v oblasti be-
haviorální ekonomie, profesor Dan Ariely, doporučuje i v běžných dotaznících přiblížit
atmosféru reálnému rozhodování (Halonen, 2014). Behaviorální ekonomie více spoléhá
na laboratorní a přirozené experimenty, které se ale v marketingovém výzkumu těžko
provádí, především kvůli nákladům. S přibývajícím nakupováním v e-shopech se ale tento
experimentální výzkum přesouvá do online prostředí a zlevňuje.
Do této skupiny lze přiřadit i metodu prediktivních trhů (prediction market), která
vychází z teorie, že lidé jsou (při dostatečné motivaci) schopni dobře odhadnout budoucí
chování druhých. Tyto nepřímé výzkumy se s úspěchem využívají pro předvídání výsledků
voleb a experimentálně je nabízí i několik agentur v marketingovém výzkumu.
12.9.2 Implicitní metody

V posledních deseti letech se marketingový výzkum potýká s kritikou, že špatně odhaduje
skryté tužby zákazníků a emoce, které hrají při výběru výrobků a služeb stejně důležitou
roli. Odpovědí bylo použití metod snímání elektromagnetických vln mozku (neuromar-
keting, viz část 12.2), kódování emocí v obličeji nebo zjišťování implicitních dojmů či
asociací pomocí psychologických testů.
Implicitní či asociační testy jsou zaměřené na hluboké asociace či spojení mezi feno-
mény v lidské mysli. Místo abychom se třeba zeptali zákazníka, jaké dojmy v něm vyvolává
značka, necháme jej pod časovým limitem volit různá emočně zabarvená slova a sledu-
jeme, jaká slova jsou se značkou v mozku snáze asociovaná – například je respondent
vybere v kratším čase nebo je lépe rozpozná. Měření vychází z Implicitního asociačního
testu (IAT), který se využívá v psychologii od roku 1998. Ve výzkumu se ukazuje, že IAT
umí lépe než explicitní dotaz rozpoznat různé nevědomé či popírané předsudky, lépe
předpovídá chování v časovém a emočním tlaku, lépe funguje u méně známých a méně
vyprofilovaných značek a u kontroverzních témat (Chan a Sengupta, 2010).
Příklad
Společnost, která vyrábí instantní potraviny, chce zjistit, proč se od nich zákazníci odklánějí.
Na přímé dotazování respondenti reagují, že si značku asociují s dobrou chutí, tradicí a ro-
dinou. Při implicitním asociačním testu (IAT) se sice dobrá chuť objeví na prvním místě,
ale mnohem silněji než v přímé otázce (kratší časová prodleva) se projeví asociace s leností,
náhražkami, neupřímností. Společnost může v marketingové komunikaci brát tato rizika
v potaz. Podobně IAT odhalují tlak výrobců nízkotučných potravin na zákaznice, roli pohlaví
a barvy pleti u postav v reklamě a další skryté předsudky a tabuizované pocity.
Metody se používají v marketingovém výzkumu pouze jako doplněk. Nevýhodou je, že

poskytují rozporuplný obrázek s explicitním dotazováním a jsou velmi náročné na velikost
vzorku, administraci a nakonec i interpretaci, jelikož neexistuje dostatečná databáze pro
srovnání výsledků.
Při sledování chování zákazníků v určitých situacích může velmi pomoci technologie
rozpoznání emocí. Používá ji několik agentur jako doplněk, například při pre-testech re-
klamy či konceptů. Jednoduchou webkamerou se sledují klíčové body na obličeji v oblasti
očí, čela a úst. Podle pohybů těchto bodů lze rozeznávat řadu univerzálních emocí, jako
je radost, překvapení, hněv či smutek.
12.9.3 Big Data

Firmy dokážou ve svých databázích shromažďovat stále více informací o zákaznících
a využít je pro výzkum. Výhodou těchto dat je, že odrážejí chování v reálných situacích.
Nevýhodou je, že data jsou často nekompletní (například neobsahují sociodemografické
údaje, zasahují jen jistý segment zákazníků), pouze naznačují motivy k jednání (neob-
sahují data o hodnotách či přesvědčení) a nejsou předem určena k odpovědi na otázky,
které firmu zajímají.
Příklad
Globální e-shop má data o tom, jak zákazníci prohlíží výrobky online a co nakupují. Údaje
zpracovává pomocí algoritmů a dokáže tak odhadnout, co budou zákazníci nakupovat,
většinu sortimentu umí doručit za několik hodin a přitom nemít zbytečně rozsáhlé sklady.
Na druhou stranu z těchto dat nedovede zjistit, zda si zákazníci chodí prohlédnout výrobky
do kamenných obchodů konkurence, nebo s kým se o výrobcích radí ve svém okolí. Jejich
sociodemografické charakteristiky pouze nepřímo odhaduje. Může doplnit ovšem svoje
data o průzkumy v místě prodeje (v e-shopu i v kamenném obchodě).
Využití sekundárních dat již bylo popsáno na jiném místě. Zde se zaměříme pouze na pro-
blematiku Big Data, tedy na data o stovkách tisíc a milionech záznamů. Rozdílem je, že při
určitém množství dat je možné statistickými metodami objevit mnoho korelací a vzorců,
které ukazují falešně pozitivní výsledky, ale ve skutečnosti jsou spíše nahodilostí. Proto
nelze spoléhat jen na tradiční statistické testování a je zapotřebí jak zkušenost statistika či
datového analytika, tak i pokročilejších metod analýzy.
Analýza velkých dat se liší také proto, že netestujeme hypotézy o jednoduchém lineár-
ním nebo nelineárním vztahu (jestliže je auto silnější, kupují ho více muži), ale hledáme
v datech vzorce, jež nám teprve nové hypotézy přinášejí. Slouží k tomu různé heuristické
metody. Cílem je odhalit model, který vztahy sledovaných proměnných dobře vysvětluje,
a otestovat ho na další části podobných dat. Analýzy mohou být prováděny zčásti pomocí
umělé inteligence (machine learning) a mohou zvýšit ROI prodeje či marketingu o desítky
procent.
.
Příklad
Americký obchodní řetězec Target se stal terčem kritiky, když jeho model odhadu chování
zákazníků odhalil v jedné rodině soukromé informace. Na základě automatické analýzy ná-
kupů k jedné zákaznické kartě pomocí svých algoritmů firma odhadla, že zákaznice očekává
narození potomka, a zaslala do domácnosti nabídku výbavy pro novorozence. Otec mladé
zákaznice se proti tomu ohradil a kritizoval marketing firmy, dokud se nedozvěděl, že mu
jeho dcera tuto skutečnost zatajila.
12.9.4 Analýza řeči a textu

Zajímavou podskupinou analýzy velkých dat je analýza řeči a textu. V marketingovém
výzkumu se mnoho informací o motivacích zákazníků ztratí tím, že se zaměřuje na jed-
noduché strukturované typy dat (prodeje, cena, počet návštěv). V běžných dotaznících se
pak častěji objevují uzavřené otázky (výběr z několika možností), neboť otevřené otázky se
náročně kódují a analyzují. Současné softwarové nástroje umožňují rozpoznat slova a fráze
a kromě běžné frekvence výrazů z nich i odhadnout, zda jsou laděny pozitivně, negativně
nebo neutrálně. Umí také vytvořit mapu asociací a smysluplných spojení, jež se vyskytují
nejčastěji. Nakolik tyto analýzy odrážejí skutečné chování zákazníků, je zatím předmětem
výzkumu. Na jednu stranu se ukazuje, že jsou validní, ale zároveň slouží spíše k diagnostice
problému (proč jsou zákazníci nespokojení) a nepřináší o mnoho více informací než jiné
strukturované hodnocení od zákazníků (hvězdičky, lajky apod.) Doporučují se zatím pro
zpřesnění numerického hodnocení.
Tyto nástroje lze použít jak při dotazování zákazníků, tak při analýze jejich telefonátů do
call centra, e-mailových dotazů, komentářů na sociálních sítích a zákaznických recenzích.
Pro analýzu platí stále omezení a rizika popsaná v předchozí sekci. Tyto nástroje navíc lépe
fungují v hlavních světových jazycích, i když řada firem je nabízí i pro češtinu.
Příklad
Net promoter score, tedy míra doporučení od zákazníků, se ve světě používá jako nejčastější
otázka na měření spokojenosti zákazníků. U firmy zaměřené na motorové oleje ale tento
ukazatel se skutečnými nákupy a tedy loajalitou příliš nekoreloval. Důvodů bylo několik,
například že nákup motorového oleje je podmíněn jinými, značně nahodilými okolnost-
mi. Když byl tento ukazatel doplněn textovou analýzou komentářů zákazníků, odhalení
skutečně loajálních zákazníků se výrazně zpřesnilo, neboť se projevili pozitivní aktivitou
v zákaznických recenzích.
KAPITOLA 13
13. Aplikace marketingového

výzkumu
13.1 Produktový výzkum

Tato část přináší čtenáři ucelený pohled na produktový výzkum a představuje nejčastěji
využívané metody a postupy. Nabízí také zamyšlení nad otázkami, které je třeba vzít
v úvahu, když se produktový výzkum zadává. Nejen pracovníci agentur, ale i zadavatelé
zde naleznou praktické tipy, jak se v určitých situacích rozhodovat.
Produktové testy pomáhají výrobcům a společnostem uspět. Mluvíme zde nejen o hma-
tatelných výrobcích, ale i o službách, kde má produkt podobu nabídky. K jejich realizaci
přistupuje zadavatel v několika situacích:
■■ Hledá nové možnosti na trhu, sbírá podklady a inspiraci pro formulaci nápadu.
■■ Má nový nápad nebo inovaci a chce si ověřit, nakolik bude úspěšná.
■■ Prodejní čísla ukazují, že se produktu nedaří dobře a je potřeba odpovědět na otázku,
proč?
13.1.1 Nápad, hledání inspirace

První situace je od zbývajících dvou odlišná, protože v rámci takového výzkumu primárně
neporovnáváme. Představuje to pro marketingový výzkum jeden z nejtěžších úkolů s vel-
kou nejistotou, zda naše aktivita přinese nové myšlenky. Existuje několik vyzkoušených
postupů, které se používají. Obvykle se výzkum zaměří na tři oblasti:
■■ potřeby v dané oblasti,

■■ stávající nabídka,
■■ zhodnocení vlastností.
K tématu se přistupuje nejdříve ze široka: používají se jak kvalitativní, tak kvantitativní

techniky pro zjišťování všech možných potřeb, které lidé v dané oblasti mají. Nejčastější
chybou je, když se v rámci zkoumání omezují otázky pouze na racionální potřeby. Každý
potenciální produkt v sobě skrývá i naplnění emočních potřeb nebo sociálních vazeb.
Příklad
Zadavatel chce vyvinout nový produkt v kategorii piv. V prvním kroku pomocí kreativních
a projektivních technik generujeme všechny potřeby, které lidé mohou konzumací piva
řešit: zahnat žízeň, zlepšit náladu, uspokojit chuť na hořké, zažít pocit sounáležitosti, získat
přátele, zažít relaxaci apod.
Vygenerované potřeby se sdružují, hledají se mezi nimi vazby a segmentují se. Kvalitativ-
ní výzkum se využívá velmi úspěšně pro generování všech potřeb, kvantitativní výzkum
pak velmi často navazuje a zpřesňuje výsledky kvantifikací, tedy odhaduje jejich reálnou
velikost na trhu.
Aplikace marketingového výzkumu 213
V dalším kroku následuje mapování. Zjišťuje se, jaké výrobky tyto konkrétní potřeby
uspokojují a do jaké míry je každá potřeba saturována. Při mapování je dobré se neome-
zovat pouze na úzkou produktovou kategorii, do níž potenciální novinka spadá, ale vzít
v úvahu i příbuzné kategorie.
Příklad
Pro inovaci v kategorii piv by se braly v úvahu například pivní speciály, radlery, nealkoholické
nápoje vyrobené na bázi kvašení, klasické nealkoholické nápoje, vína atd.
Zjištěné výsledky se zanášejí do map nejčastěji pomocí korespondenční analýzy. Z map

lze vyčíst potřeby, které nejsou žádným produktem uspokojeny, nebo jsou uspokojeny
nedostatečně. U vybraných bílých míst se zjišťuje, jaké produktové vlastnosti by mohly
potřebu uspokojit. Ty lze precizovat jak pomocí kvalitativních rozhovorů, tak pomocí
strukturovaného kvantitativního dotazníku. Jakmile jsou zřejmé vlastnosti, vzniká koncept
nového produktu.
Aby měl koncept smysl a byl komerčně úspěšný, musí saturovat potřeby určité minimální
velikosti. Analytici se snaží odhadnout, kolik novinka žádaných potřeb vytvoří a kolik jich
sebere konkurenci. Teprve na základě odhadovaných čísel by se měl marketing rozhodovat,
zda do vývoje investovat či nikoliv. Několik praktických rad, jak odhadovat, naleznete
v další části věnované testování novinek.
Ve fázi, kdy se hledají neuspokojené potřeby, je třeba zjišťovat, jak významné tyto po-
třeby jsou. Všeobecně se lidé dokáží dobře vyjádřit k tomu, zda je pro ně určitá vlastnost
nebo parametr důležitý. Mnohem hůře jsou ale schopni popsat rozdílnost důležitosti pro
jednotlivé parametry. Používání vícestupňových škál nebo řazení nestačí. Má-li výzkum
sloužit k odhadům potenciálu tržního úspěchu, pak je třeba být mnohem preciznější.
V praxi se například velmi dobře osvědčila tzv. metoda MaxDiff, která pro určení významu
parametrů využívá párové srovnání. Respondent vybírá z n zobrazených vlastností tu, která
je nejdůležitější, a ze zbývajících n–1 tu, která je pro něj nejméně důležitá. Proces výběru
se pro získání husté matice srovnání mnohokrát opakuje. Tento model přináší v porovnání
s prostým škálováním mnohem diferencovanější výsledek zkoumaných parametrů.
13.1.2 Koncept produktu, novinka k testování

Jakmile má marketing k dispozici koncept produktu, je možné přistoupit k testování. Podle
stupně vývoje konceptu se rozhodujeme o použití jednotlivých výzkumných postupů.
Koncept v podobě popisu
U rychloobrátkového zboží je pro testování třeba vytvořit prototyp. Může to představovat

i značné náklady, ačkoliv se jedná o malé množství výrobku. Je-li zároveň třeba otestovat
více variant, je možné začít s předvýzkumem a nechat posoudit popis či vyobrazení no-
vého produktu potenciálními spotřebiteli. Tato fáze umožňuje rychle vyřadit neoslovující
koncepty a zároveň upozornit již na vlastnosti, které budou pro novinku klíčové.
Při slovním popisu se můžeme soustředit na všechny komponenty produktu, tedy
značku, logo, obal, vlastnosti produktu, ale i cenu a komunikaci. Protože respondenti
výrobek nevidí v reálné podobě, je vhodné do slovního popisu uvést co nejvíce informací
a ideálně produkt alespoň namalovat. V této fázi je velmi vhodný kvalitativní výzkum, který
umožňuje doptat se na důvody, proč jsou některé parametry odmítány, nebo generovat
alternativy, jež by atraktivitu zvedly.
Před zahájením výzkumu je dobré také zvážit, zda se koncept bude prezentovat se
značkou nebo bez značky:
■■ Koncept se značkou je mnohem bližší realitě a pomáhá respondentům k lepší před-

stavivosti, zároveň ale zejména silná značka může přebít vnímání detailů konceptu.
Začne-li se rovnou s tímto konceptem a hodnocení nebude dobré, jen stěží se oddělí,
zda je problém v produktu nebo v image značky.
■■ Koncept bez značky funguje velmi dobře, když se chceme zaměřit na jednotlivé pa-
rametry produktu a prověřit, nakolik dokáží potenciálního spotřebitele oslovit. Chybí
ale naopak kontext se značkou, která může v nákupním rozhodování zcela zásadně
zafungovat.
Ideální je proto kombinovaný postup, pokud je k tomu časový a finanční prostor. Doporu-
čuje se začínat s konceptem bez značky a po detailním hodnocení jej představit ještě jednou
se značkou a zjišťovat, nakolik se koncept produktu hodí ke značce. Alternativou je postavit
proti sobě dvě skupiny respondentů, kdy jedna testuje koncept bez značky a druhá koncept
se značkou. S tímto přístupem se můžete setkat také pod pojmem kontrolní skupina.
Pro zvýšení spolehlivosti testů se často volí kvantitativní výzkum. Jeho výhodou je, že
jednoznačněji diferencuje mezi testovanými variantami a zjištěná fakta mohou posloužit
pro odhad potenciálu úspěchu.
Velikost souboru respondentů není sice přímo úměrná nákladům na test, ale ekono-
mické hledisko hraje vždy roli. Minimální velikost jedné skupiny respondentů pro jeden
koncept by se měla alespoň blížit n = 100. V ideální situaci se používá monadické testování,
tedy každý koncept má samostatnou skupinu respondentů.
Ekonomické hledisko často protiřečí zásadám, a tak se hledá kompromis. Kombinuje
se testování dvou až tří konceptů po sobě s rotací pořadí konceptu na prvním místě. Ne
vždy je ale sekvenční test skutečnou finanční úsporou. Je důležité zabezpečit, aby se každý
testovaný koncept objevil dostatečně často v testu na první pozici. Výsledky konceptů
hodnocených na první pozici se totiž považují za monadické a vyhodnocují se odděleně.
V analýze se přihlíží k výsledkům jak z testů pořízených na první pozici, tak k celkovým
výsledkům. Pokud je někde situace nerozhodná, analytici se přiklánějí k tomu, co jim
ukazují výsledky z prvních pozic.
Zcela obdobně probíhají testy pro kategorii služeb, například pro finanční služby nebo
telekomunikační služby. Zde nehraje vyobrazení roli a popisná nabídka je velmi blízká
realitě. Při hodnocení konceptů je možné postupovat obdobně jako u rychloobrátkového
zboží, ale nabízí se zde velmi sofistikované řešení, jež umožňuje modelování a tedy získání
nejen status quo hodnocení, ale také nástrojů pro optimalizaci a úpravy. Mluvíme o con-
joint analýze, jinak řečeno preferenční analýze. Podrobně jsme se jí věnovali v části 12.7.
Koncept v podobě prototypu nebo existujícího produktu
Při testování fyzického produktu postupujeme obdobně jako u konceptů v podobě popisu,
navíc ale můžeme nechat respondenta některé vlastnosti návrhu vyzkoušet.
Výrobky se testují opět buď jako celek v originálním obalu a se značkou, nebo postup-
ně přes slepý test. Při slepém testu se používají obaly bez popisů a log, nebo se výrobky
servírují respondentům již připravené (například nápoj v čiré sklenici, kousek čokolády
na talířku, polévka v misce). K takovému testu je zapotřebí zázemí a dohled nad tím,
aby každý respondent testoval stále stejným způsobem. Mluvíme nejčastěji o studiových
kvantitativních testech.
Senzorický (chuťový) test
Pro testování chuti se vytvářejí pravidla, která je třeba dodržet – teplota servírování, délka
chlazení, množství výrobku k ochutnání, počet ochutnání před hodnocením atd. Tato
pravidla buď stanovuje výrobce a zadavatel výzkumu, nebo je doporučí agentura. Vždy se
ujistěte, že pro produktový test je předem odsouhlasen postup testování. Často se zapomíná
na upřesnění, jaké množství výrobku se bude testovat, resp. ochutnávat.
Příklad
Při testování aromatického nápoje se ukázalo, že pro hodnocení akceptace hraje roli množ-
ství vypitého nápoje. Zatímco při malém množství byl nápoj považován za velmi chutný
a předpovídal dobrou prodejnost, při větším vypitém množství se akceptace výrazně snížila.
Pokud by se výrobce spoléhal v odhadech pouze na výsledek testu s malým množstvím,
predikoval by výši poptávky mylně.
Testování může probíhat jako monadické nebo jako sekvenční test. Oba způsoby mají
svá pro a proti, jak jsme již uvedli výše pro koncepty v podobě popisu. Je vypozorováno,
že monadický test může být milosrdnější a akceptace chuti pak vyšší než u sekvenčního
testu. Na druhou stranu není respondent při testování ovlivněn a srovnává pouze se svoji
představou chuti.
Sekvenční test „předurčuje“ hodnocení druhého produktu v závislosti na prvním tes-
tovaném. Proto se opět mimo jiné pracuje s prvním pořadím v rámci rotací. Na druhou
stranu výhodou sekvenčního testu může být, že díky srovnání je respondent schopen
odhalit, která vlastnost (chuťový atribut) způsobuje, že je jeden ze vzorků lepší.
Neexistuje jednoznačné doporučení, který postup přináší lepší výsledky. Při interpretaci
výsledků je ale třeba na odlišnosti myslet. Zcela analogicky se u těchto kvantitativních testů
zvažuje, zda se bude testovat se značkou nebo v rámci slepého testu.
Příklad
U chuťových testů je pozorováno, že akceptace výrobků respondentem závisí na předsta-

vách, jak má něco chutnat. Pokud se pracuje se známou příchutí (například citron), je pro
respondenta snadné vyjádřit přijetí nebo zamítnutí a často správně odhalí, zda jde o dobře
nebo špatně vyrobenou příchuť. Je to dáno tím, že je příchuť notoricky známá a dobře
představitelná.
U příchutí, které se skládají z více komponent, nebo jde-li o exotickou příchuť, ztrácí
respondent představivost, což může být pro výrobce někdy výhodou. Pokud se kombinací
strefí do chuťového vkusu, může být výrobek akceptován, i když není kopií reality.
U některých testovaných příchutí dochází naopak k odmítnutí, ačkoliv jsou přesnou kopií
jinak oblíbeného produktu. Zadavatelé mohou dávat vinu chybně provedenému testu, ale
ne vždy tomu tak je. Setkali jsme se s testy produktu s příchutí borůvek, která byla věrnou
kopií skutečné chuti této bobule. Výrobek ale v testu propadl. Důvodem nebyla příchuť,
ale představa, kterou si respondenti v hlavě vytvořili o podobě, jak má borůvka chutnat.
Ukázalo se, že téměř nikdo neví, jak skutečně tato bobule chutná.
U chuťových testů se kromě škálového hodnocení jednotlivých vlastností zároveň vyžaduje

i odpověď na to, zda stav vlastnosti vyhovuje.
Podívejme se třeba na sladkost čokolády. Při škálovém hodnocení může vyjít, že je tato
čokoláda méně sladká. Přesto to není na vadu výrobku, pokud současně vychází, že je
sladká přesně tak, jak si to potenciální spotřebitel představuje.
U chuťových testů (stejně jako u jiných) sehrává velkou roli síla značky. Jde zejména
o paměť, která si zafixovává konkrétní vjemy z chuti z konzumace výrobků dané značky
a předurčuje tím očekávání. Proto se doporučuje testování vždy na dvou skupinách – se
značkou a bez značky (slepý test).
Do testování je vhodné přidat i konkurenční výrobek. Výhodou srovnání s konkurencí
je přiblížení laboratoře realitě. V reálném světě lidé zkušenosti neustále porovnávají a vy-
hodnocují. S konkurenčním výrobkem v testované sadě se eliminuje zklamání, že testovaný
produkt zcela vyhraje v testu, přesto v praxi proti konkurenci propadne.
U senzorických testů, jako jsou chuťové nebo čichové testy, je třeba mezi jednotlivými
produkty neutralizovat lidské smysly. Z tohoto důvodu se mezi ochutnávkami podává
voda a kousek neutrálního pečiva (chléb, houska), u čichových testů si musí respondent
přivonět například k zrnkům kávy, která potlačí předchozí vjem vůně.
Testování vlastností produktu
Doposud jsme se podrobně věnovali senzorickému a specificky chuťovému testu, ale při
hodnocení jakékoliv jiné vlastnosti produktů se postupuje analogicky. Někdy to může zna-
menat přenesení testu ze studia do domácího prostředí. V tu chvíli sice dochází k porušení
podmínek zachování shody při testování, ale pro komerční úspěch je to někdy předností.
V realitě nastává mnoho situací, kdy náhled na produkt ovlivňuje, jak s ním spotřebitel
zachází. V takovém případě je mnohem užitečnější, aby se testování odehrávalo v domácím
prostředí. Příkladem jsou výrobky, které se používají pro vaření, prostředky na čištění
v domácnosti, technika, apod. K výzkumu je možné přistoupit dvojím způsobem:
■■ Předat respondentům výrobek k vyzkoušení s návodem a monitorovat, zda byl návod

přesně dodržen.
■■ Předat respondentům výrobek k vyzkoušení bez striktního předpisu a vyhodnocovat
zároveň okolnosti, k nimiž došlo, když byl výrobek testován.
Oba přístupy jsou náročné na spolupráci respondenta a agentury a je nutné počítat s tím,
že bude zapotřebí opakované kontaktování domácnosti respondenta. Podle situace se volí
osobní opakované návštěvy, telefonické rozhovory nebo deníčková metoda (papírová či
elektronická).
Příklad
Podívejme se například na testování bujonu nebo prášku na výrobu pudinku. Pokud agentura
připraví polévku nebo vyrobí pudink přesně podle návodu, může získat kladné hodnocení
a výrobce připraví o cenné poznatky. Když ale nechá přípravu na respondentech, může se
ukázat, že výrobek nebyl v některých případech pozitivně hodnocen proto, že spotřebitel
chybně použil návod nebo mu návod nepomohl. Taková zkušenost by za normální situace
vedla ke ztrátě části zákazníků. Test s popisem okolností přípravy ale může odhalit úplně
jiné „nedostatky“ výrobku, než jaké byly zadány k testování, a může tak významně pomoci.
Test obalu
Testování obalu může zahrnovat design (jak dokáže obal upoutat pozornost), komunikační
schopnost (co o výrobku a značce obal říká), i užitné vlastnosti (nakolik slouží k ochraně
a manipulaci).
Užitné vlastnosti lze velmi dobře zkoumat s respondenty v rámci studiových testů.
Hodnotíme-li více variant, postupuje se stejně jako u jakéhokoliv jiného produktového
testu. Ideálně se začne se slepým testem, kdy má respondent k dispozici pouze obal (láhev,
karton) a my jej s ním necháme manipulovat.
V případě komunikační schopnosti můžeme test spojit s hodnocením jeho viditelnosti
na regále. Někdy je možné se domluvit na spolupráci s řetězci a testování provádět přímo
v prodejně pomocí oční kamery. Ta zatím představuje jediný možný přístup, který kvan-
tifikuje míru atraktivity na místě prodeje.
Respondent vstupuje do prodejny zcela volně, je pověřen nákupním úkolem a kamera
zaznamenává, jaké prvky a výrobky upoutávají jeho pozornost a na jak dlouho. Se změnou
úlohy se násobí velikost souboru respondentů, na každou novou situaci je potřeba mít
samostatnou skupinu. Vzorek respondentů čítá z ekonomických a časových důvodů de-
sítky osob, za dobře vypovídající velikost vzorku je považováno n = 30 až 40 respondentů.
Pokud není možná spolupráce s řetězci, lze prostředí prodejny simulovat v rámci studia.
Používají se tyto přístupy:
■■ Simulace fyzické nákupní uličky nebo části prodejny.

■■ Simulace prodejny nebo nákupní uličky ve virtuální realitě (velmi podobné počítačo-
vým hrám).
■■ Vystavení pouze části regálu fyzicky.
■■ Promítnutí regálu na stěnu.
První dva simulované přístupy patří mezi velmi hodnověrné alternativy skutečné prodejny,
jsou ale nákladově velmi náročné na přípravu a realizaci. Stejně jako v prodejně lze i zde
pověřit respondenta nákupním úkolem a získat spontánní reakce na vystavení produktů.
Oční kameru je dobré uplatnit nejen pro nákupní proces, ale také pro hodnocení ko-
munikační schopnosti jednotlivých prvků na obalu. U simulovaných variant, kdy se zob-
razuje pouze jeden regál, je možné pouze odhadovat zapamatovatelnost a viditelnost obalu
v konkurenčním poli.
Všechna testování se kombinují s individuálním rozhovorem, kde se zjišťují důvody
rozhodování a hledají se vysvětlení, proč něco respondenta zaujalo či proč něco nezare-
gistroval.
V produktovém výzkumu obalu se dobře uplatňují i kvalitativní metody, zejména ve
fázi vývoje. Produktové testy se zřídka omezují jen na některou část marketingového
mixu. Vzájemně se kombinují, aby byl obrázek o hodnocení produktu co nejkomplex-
nější. V samostatných částech se věnujeme cenovým testům, komunikačním konceptům
a hodnocení konceptu značky.
Při produktových testech se nejčastěji využívají následující témata:
■■ asociace na koncept nebo produkt,

■■ celkový dojem a hodnocení líbivosti/zaujetí,
■■ schopnost zaujmout, atraktivita, zapamatovatelnost,
■■ srozumitelnost,
■■ komunikační schopnost,
■■ hodnocení jednotlivých parametrů na škále,
■■ význam parametrů pro respondenta,
■■ vhodnost parametru (je přesně takový, jaký má být, je horší nebo lepší, než je poža-
dováno),
■■ míra naplnění potřeb či naplnění očekávání,
■■ soulad se značkou,
■■ image produktu/značky,
■■ hodnocení ceny,
■■ nákupní úmysly.
13.1.3 Analýza
V předchozí části jsme se již věnovali některým postupům, které jsou žádoucí při analýze,
zejména nutnosti odlišovat mezi výsledky monadického testování a sekvenčního testu.
Zmíníme se nyní ještě o dalších skutečnostech, které mohou mít na výsledek vliv.
Škály
Při hodnocení se pracuje se škálami. Mohou být slovní, číselné, diferenciální, bipolární
atd. – zcela v závislosti na potřebách zadání. Vždy je ale třeba rozmyslet, jak moc budou
zvolené škály diferencovat hodnocení a zda poskytují respondentům možnost úniku
k prostřední neutrální poloze. Bohužel v tomto ohledu neexistuje univerzální doporučení.
Je dobré škály v celém testu vzájemně sladit, usnadní to pokročilejší analýzu, při níž se
hledají souvislosti mezi odpověďmi, korelují se výsledky, propočítávají se indexy, tvoří se
korespondenční mapy apod.
■■ Sudé škály obecně nutí respondenty přiklonit se na nějakou stranu. Nejlépe fungují
čtyřbodové škály, používají se tam, kde se očekává konkrétní vyjádření respondenta.
■■ Liché škály umožňují respondentovi uniknout z extrémních hodnocení do neutrální
polohy, poslouží tam, kde se respondent nedokáže zcela vyjádřit, ale toto zjištění je
pro výzkum cenné. Příkladem může být hodnocení image značek. Když ji respondent
nezná, není nutné jej tlačit do kladné či záporné polohy.
■■ Velmi krátké škály se nejčastěji používají pro vyjádření akceptace výrobku responden-
tem (velmi chutná, chutná, nechutná; velmi dobře funguje, funguje, nefunguje; velmi
se líbí, líbí se, nelíbí se). Mívají jen jednu zápornou polohu.
■■ Delší škály se uplatňují při výzkumu image značky, kdy se hledají drobné rozdílnosti ve
vnímání, nebo u některých testů parametrů, aby se dobře odlišilo, jak parametry fungují.
Nákupní úmysly
Téměř každý produktový test končí otázkou na nákupní úmysl:
1. určitě by koupil,
2. spíše by koupil,
3. neví,
4. spíše by nekoupil,
5. určitě by nekoupil.
Pokud používáme tradiční pětibodovou škálu, mějme na paměti, že v testovaných pod-

mínkách se lidé k nákupním úmyslům vyjadřují vždy pozitivněji, než je tomu v realitě.
Nejsou tlačeni k nákupu a chybí zpravidla kontext a další okolnosti rozhodování, zejména
nabídka konkurence a finanční možnosti respondenta. Proto se výsledky interpretují opa-
trně a ještě se indexují. Nejběžněji se setkáváme s tím, že se uvádí procento lidí, kteří by
potenciálně výrobek koupili, jako indexovaný součet počtu odpovědí „určitě bych koupil“
× 0,9 a „spíše bych koupil“ × 0,4. Sofistikovanější podobu odhadu nákupních úmyslů
umožňuje conjoint analýza.
Spotřební koš
U produktových testů se zadavatelé ptají, nakolik budou jejich výrobky úspěšné a kolik
získají % ze stávající spotřeby. Odhady vyžadují jednak pokročilejší matematické propočty,
ale také velmi precizní skladbu vzorku respondentů.
Základní úvaha, která za odhadem stojí, spočívá v porovnání stávajícího spotřebního

koše a koše po zavedení novinky. Pro každého respondenta se propočítává velikost spo-
třeby a procentní zastoupení jednotlivých značek v těchto koších. Úskalí, jež propočty
doprovází, jsou následující:
■■ není přesně známa velikost celkové spotřeby trhu,

■■ není přesně znám profil kupujících,
■■ kupující nedokáží přesně popsat svou spotřebu.
Tyto faktory znesnadňují výpočty a odhady ztrácí na přesnosti. Přesto je tento postup
užitečný a může o preferenci novinky hodně prozradit. Trvá-li zadavatel na přesném číslu,
je třeba test provádět pomocí conjoint analýzy.
Obrázek 13.1: Ukázka vyhodnocení potenciálu novinky (zdroj: autor)
13.2 Cenové testy

Tato část navazuje na téma produktového výzkumu. Jejím cílem je poskytnout čtenáři
základní srovnání přístupů v rámci cenového testování a poukázat na rozdíly, které z jejich
použití vyplývají.
Sledování cen patří mezi nejtypičtější náplň práce brand manažera. Každodenně se –
v závislosti na vývoji prodejů – ubezpečuje o správnosti stanovené ceny. U zaběhnutých
produktů se pro optimalizaci ceny používají dlouhodobá sledování prodejních čísel. Jde
o reálná rozhodnutí o koupi v konkrétních konkurenčních podmínkách.
Jak ale stanovit cenu nového výrobku? Cena je dalším prvkem produktu, který o něm
něco říká. Je úzce spjatá nejen s racionální rovinou produktu, ale také s jeho image a po-
máhá mu dotvářet pozici na trhu. Když je cena příliš vysoká a nekoresponduje s vnímanou
hodnotou, výrobek se neprodá. Je-li naopak příliš nízká, může vyvolávat pochyby o kvalitě.
Cenotvorba zahrnuje propočet nákladů, požadovanou marži a psychologickou hodnotu
produktu. Zatímco první dvě položky jsou známé veličiny, psychologická hodnota vychází
z cítění spotřebitelů. Proto se často přistupuje k nacenění výrobků nikoliv nákladovou
cestou, ale pomocí psychologické ceny.
Pro odhad relevantní psychologické ceny se používají převážně kvantitativní metody
s dostatečně velkým n měření. Mezi nejznámější metody patří testy Gabor Granger, Van
Westendorp (jinak Price Sensitivity Meter), BPTO (Brand-Price Trade Off) a conjoint
analýza. Uvádíme je v pořadí náročnosti z hlediska provedení a také v historické posloup-
nosti, jak vznikaly.
13.2.1 Gabor Granger

Test Gabor Granger je nejjednodušším cenovým testem a lze jej přiřadit jednoduše k jaké-
mukoliv dalšímu produktovému výzkumu. Omezuje se pouze na otázku na pravděpodob-
nost koupě, pracuje nejčastěji s pětibodovou škálou nebo s dvoupólovou škálou ano/ne.
Otázka: Kdyby produkt X stál Y Kč, koupil byste si ho?
Varianty odpovědí: Určitě ano, spíše ano, nevím, spíše ne, určitě ne NEBO ano, ne.
Pro tento test se předem stanoví několik cen, které se testují z hlediska ochoty zákazníka
za uvedené ceny produkt koupit (Gabor, 1988). Výstupem tohoto testu je odhadovaná
křivka poptávky, která ukazuje interpolaci mezi testovanými cenami. Velkou nevýhodou
testu je, že nelze jakkoliv usuzovat na ceny, které jsou pod nebo nad testovanými cenami.
Běžně se setkáváme s tím, že se při vytváření poptávkové křivky výsledky za jednotlivé
ceny spojují, i když to není úplně správné. Pro výsledky mezi jednotlivými testovanými
cenami totiž nemáme žádnou oporu.
Doporučujeme tedy, aby se při stanovení testovaných hodnot alespoň dodržovala stej-
ná vzdálenost, a tím bylo dosaženo určité předpokládané spojitosti odpovědí. Ideální je
testovat jednotlivé ceny náhodně, aby se respondent nedostal do stereotypu odpovědí.
Cena produktu je v případě testu Gabor Granger stanovena přímo, není porovnávána
s tržní situací a rozhodování zákazníka je tak limitní. Podmínkou, aby se dal test použít,
je znalost produktu hodnotitelem. Tento test se dnes používá relativně zřídka. Můžete
se při něm setkat s nadsazenou poptávkovou křivkou, než jakou by výrobek vykázal za
stejných podmínek v realitě.
Někteří analytici pracují při vytváření poptávkové křivky jen s ryze kladnou odpovědí
(„určitě bych koupil“), jiní se součtem odpovědí TOP 2 („určitě bych koupil“ + „spíše bych
koupil“). Aby se nadsazenost poptávkové křivky eliminovala, pracuje se v rámci vyhod-
nocení také s indexovanými výsledky, jak jsme uvedli v předchozí části o produktovém
výzkumu. Při analýze lze použít pro interpretaci oba přístupy, výsledky vycházející z TOP 1
hodnocení přinášejí pesimistický předpoklad poptávky, zatímco u výsledků za TOP 2 se
zpravidla získá předpoklad optimistický.
Obrázek 13.2: Ilustrativní výsledky cenového výzkumu Gabor Granger s předpoklady po-
ptávky (zdroj: autor)
13.2.2 Van Westendorp (Price Sensitivity Meter)

Jde o nejčastěji používanou metodu stanovení psychologické ceny. Je pojmenována po
svém tvůrci a v literatuře se s ní setkáváme také pod názvem „holandský test“. Tato meto-
da vychází ze série otázek na hodnocený produkt. Ptáme se na různé cenové hladiny, ale
opačným způsobem, než je tomu u testu Gabor Granger. Zde respondent sám definuje
cenovou úroveň na danou otázku.
Pořadí otázek sehrává roli a doporučuje se dodržení jejich posloupnosti. V kladení
otázek je určitá logika a pomáhá respondentovi ke konzistentnosti odpovědí. Dnes se testy
programují tak, aby byly logické vztahy mezi odpověďmi na otázky kontrolovány. Pokud
je test realizován tzv. ručně, je nutné počítat s následným dočišťováním dat.
Otázka 1: Při jaké ceně bude výrobek natolik drahý, že nebudete uvažovat o jeho nákupu
(„příliš drahý“)?
Otázka 2: Při jaké ceně bude výrobek natolik levný, že budete pochybovat o jeho kvalitě
(„příliš levný“)?
Otázka 3: Při jaké ceně budete výrobek vnímat jako drahý, ale ještě budete uvažovat o tom,
že si jej koupíte („drahý“)?
Otázka 4: Při jaké ceně budete považovat výrobek za dobrou koupi („výhodný“)?
Hlavní předností tohoto testu je získání cenových rozpětí přijatelnosti, s nimiž si marketin-
goví pracovníci již dokáží dobře poradit. U metody se také cení aktivní role respondenta,
který je nucen zapojit vlastní zkušenosti s kategorií. Na druhou stranu mají respondenti
tendence u PSM testu manipulovat s cenou a snaží se ji ve svých odpovědích stlačovat dolů.
Tento test je možné použít jak u stávajícího produktu na trhu, tak u novinky pro odhad
zaváděcí ceny. V praxi se setkáváme s dvěma přístupy vyjádření ceny.
■■ V prvním a doporučovaném přístupu je respondentovi při stanovení cen ponechána

úplná volnost. Tato varianta umožňuje svobodný projev vnímání hodnoty produktu
a může přinést zajímavá zjištění ohledně cenových prahů. Na druhou stranu tento pří-
stup může pro analytiky znamenat spoustu práce navíc. Při vyhodnocení se zobrazují
všechny zmíněné cenové body do kumulativní křivky. Měřítko se pak často velmi drobí
a zakreslení je náročné.
■■ V upravené verzi se respondent vyjadřuje s pomocným cenovým měřítkem, jinak
řečeno škálou cen od X do Y s předem vyznačenými cenovými kroky. Je zřejmé, že se
v tomto provedení ušetří složité vynášení do grafu, respondenta ale určitým směrem
vedeme a manipulujeme.
Již bylo zmíněno, že výsledky jsou zpracovávány do kumulativních křivek, které se zanášejí
do jednoho grafu. Jejich křížení poskytuje hlavní výstup analýzy. Tradiční zpracování této
analýzy dvě ze čtyř křivek invertuje, jde o křivky „příliš levný“ a „výhodný“.
v%
příliš levný
výhodný
rozpětí přijatelných cen
drahý
příliš drahý
optimální cena
v Kč
Obrázek 13.3: Van Westendorp křivky (zdroj: autor)
V původním pojetí se pracuje se čtyřmi body, které vznikají křížením jednotlivých křivek.
Zkřížením křivky „výhodný“ a „drahý“ je získán tzv. indiferentní cenový bod, který
ukazuje na cenu, kdy se vyrovnávají skupiny zákazníků, kteří považují výrobek za výhodný,
s těmi, pro něž se stává již drahým. Tento bod se interpretuje zpravidla jako normální,
běžná nebo očekávaná cena.
Při křížení křivek „příliš levný“ a „drahý“ získáváme tzv. mezní bod levnosti a obdob-
ně křížením křivek „výhodný“ a „příliš drahý“ tzv. mezní bod drahosti. Doporučení na
cenovou strategii vychází z těchto dvou bodů a ideální cena se umisťuje mezi ně.
Zkřížením křivek „příliš levný“ a „příliš drahý“ je podle modelu Van Westendorpa získá-
na tzv. optimální cena. Pokud se s daty dále nepracuje v rámci dodatečných poptávkových
modelů, je takto získaná cena prezentována v doporučení jako optimální.
Metoda Van Westendorpa byla později podrobena kritice a pracovalo se na jejím zdoko-
nalení. Na tomto místě můžeme zmínit například práci Newtona, Millera a Smithe (1993),
kteří testovali hypotézy, že optimální cena neleží přesně na křížení křivek „příliš levný“
a „příliš drahý“. Hlavní námitkou vůči PSM modelu byla skutečnost, že doporučení Van
Westendorpova testu nebere v úvahu cíle společnosti. Optimální cena by měla být podle
Newtona, Millera a Smithe stanovena buď jako maximalizující obrat, nebo maximalizující
zisk.
Přes pozdější námitky si tato metoda zachovává v marketingovém výzkumu velkou
přízeň a je považována za praktický a nákladově příznivý test poskytující dobré indikativní
výsledky. Zkušený analytik si s interpretací poradí a výsledky citlivě zasadí do kontextu
tržního prostředí.
13.2.3 BPTO (Brand-Price Trade Off)

BPTO je pokročilejší statistickou metodou, která vyhodnocuje vnímanou cenu v konku-
renčním prostředí. Modeluje relativní vnímanou hodnotu výrobku ve vztahu k souboru
konkurenčních produktů a jejich cen. Největší přínos této metody je u kategorií výrobků,
které si jsou velmi podobné a kde se očekává, že hodnotu vnímanou zákazníkem vytváří
značka. Respondentovi se předloží sada výrobků s cenami. Existují dva přístupy, jak ceny
testovat.
Postup 1:
Všechny výrobky mají svou základní cenu. Respondent si vybere z nabídnutých výrobků
jeden, který by za tuto cenu koupil. Začíná se obvykle nejnižší cenovou úrovní.
U výrobku, který si respondent vybral, se cena zvýší o jednotku a proces výběru se
opakuje. Pokud si respondent vybere stejný výrobek, opět se zvýší cena o jednotku. Když
si respondent v dalším kroku vybere konkurenční výrobek, cena se u něj zvýší o jednotku
a test pokračuje.
Cvičení se opakuje tolikrát, dokud si respondent z nabídnutých značek nevybere, tedy do
momentu, kdy prohlásí, že si za daných podmínek nekoupí žádnou značku. Pak test končí.
Zvyšování cen probíhá o relativní jednotku, která je pro všechny značky a situace stejná,
například 5 %. Nárůst absolutních cen je tedy u různých výrobků odlišný. Každý respondent
prochází testem s různým počtem kroků a každé navyšování je nutné předem spočítat
a přichystat. Obvykle se připravuje cca 5–10 cenových hladin (5–10 kroků). Počet výrobků
v testu je omezen tak, aby byl respondent schopen celé cvičení zvládnout.
Postup 2:
Proces testování cen probíhá náhodně. Respondentovi je nabídnut set značek s náhodně
vygenerovanými cenami a je požádán, aby si vybral z dané situace jednu značku, kterou by
koupil. Může obdobně jako v předchozím postupu nákup odmítnout. Při tomto postupu
platí stejné zásady pro počet značek a krokování cenových hladin.
Výstupem z tohoto testu jsou křivky cenové elasticity a cenové prahy pro jednotlivé
značky. Situace umožňuje propočítávat podíly jednotlivých značek na trhu v závislosti
na ceně a na změně ceny konkurence. Tento test umožňuje dobře simulovat přechody
zákazníků od jedné značky ke druhé v závislosti na změně cen.
Pro získání lepší poptávkové funkce je možné dotazování doplnit o otázku na počet
zakoupeného zboží při dané ceně.
Otázka 1: Kdyby byly výrobky, které leží před vámi, nabízeny v obchodě za tyto ceny,
který byste si koupil?
Otázka 2: Kolik jednotek výrobku byste si koupil při této ceně?
Pro využití doplňkové druhé otázky je nutné znát frekvenci nákupních zvyklostí kategorie
za časový úsek. Proto je tento cenový test doplněn o základní demografické otázky a ná-
kupní, respektive spotřební zvyklosti.
Tento postup nabízí velmi validní hodnocení cen, je ale pro nutnost získání mnoha
hodnocení zdlouhavý, a tak jej nelze přiřadit k jinému výzkumu a musí stát osamoceně.
Při opakovaném kladení stále stejné úlohy se respondent navíc dostává do stereotypu a je
možné, že se naučí odpovídat. Tomuto jevu předchází právě druhý postup, který pozor-
nost respondenta udržuje tím, že se situace neustále mění. Protože je postup předkládání
cen pro tazatele náročný, je dobré test naprogramovat a kontrolovat proces automaticky.
Tento test je vhodný pro úpravu cen známých výrobků. Podmínkou je, aby respondent
znal výrobky i jejich obvyklé ceny, za které se na trhu nabízejí. Dobře se hodí v situacích,
kdy dochází k plošnějšímu přeceňování na trhu, například po změně DPH, nebo při roz-
hodnutí výrobce změnit cenovou strategii.
13.2.4 Conjoint analýza v cenovém testování

V současnosti je conjoint analýza nejpřesnější metodou cenového testování. Kromě samot-
ných cen bere v úvahu také soubor ostatních charakteristik výrobků. Vychází se z teze, že
spotřebitel se při rozhodování o koupi dívá na produkt komplexně a že jakákoliv změna
může hrát ve vztahu k nabídnuté ceně různou úlohu.
Pro cenový test se postupuje obdobně jako u předchozí metody. Respondentovi jsou
zobrazovány výrobky v konkurenčním setu, kromě měnících se cen se mohou proměňo-
vat také parametry těchto výrobků, například váha nebo počet nabídnutých jednotek za
danou cenu.
Příklad
Testování cen na trhu s margaríny znamená, že do conjoint testu jsou zařazeny jak všechny
relevantní konkurenční značky, tak různá balení z hlediska velikosti (250 ml, 400 ml, 500 ml).
Conjoint analýze je věnována samostatná část 12.7. V případě těchto cenových testů jen
upozorňujeme na některé momenty, které je předem potřeba zvážit:
■■ V analýze by měl být zastoupen ideálně celý trh, s ohledem na proveditelnost testu
můžeme zvážit vyřazení nejméně důležitých hráčů.
■■ Do testu vstupují výrobky se skutečnou aktuální cenou, pro validaci testu se ověřuje
rozhodování zákazníků za situace odpovídající aktuální nabídce.
■■ Předem je prodiskutováno krokování pro jednotlivé značky, je dobré zvážit, o kolik jít
u simulovaných cen pod a nad obvyklou hranici.
■■ Předem se rozhoduje o extrémních případech, které jsou pro testování zakázány, aby
se tržní situace nedeformovala.
Conjoint analýza patří mezi velmi pokročilé metody náročné na přípravu a interpretaci
a vyžaduje dostatečné zkušenosti. Testy se realizují pomocí speciálně pro tuto metodu
naprogramovaného softwaru. Výstupem z testu je cenová elasticita. Analýza umožní pro-
počítat simulace reakcí zákazníků na měnící se podmínky jednotlivých produktů nebo
celého trhu. Hlavním smyslem conjoint analýzy je ale optimalizace, tedy hledání takového
nastavení poměru ceny a ostatních parametrů, které budou maximalizovat užitek. Společ-
nosti mívají na trhu často i více produktů v rámci stejného portfolia, v takovém případě
se hledá scénář, při němž se užitek z celého portfolia optimalizuje.
Obdobně jako v případě BPTO je tento test časově náročný kvůli četnosti opakování
měřených situací a zpravidla se nepropojuje s jiným výzkumem. Pro interpretaci je velmi
důležité pracovat s dostatečně velkým n, na místě je i vysoká opatrnost při definování
cílové skupiny. Výsledky se budou aproximovat na celý trh, tedy i testování musí probíhat
na vzorku respondentů s odpovídajícím chováním a definicí.
13.3 Pre-testy a post-testy reklamních kampaní

Cílem této části je nejen seznámit čtenáře s významem pre-testů a post-testů v marketin-
govém rozhodování, ale poskytnout mu i základní praktický návod, jak se tyto výzkumy
realizují, co je nutné předem zvážit a jak se výsledky vyhodnocují. Je určená nejen vý-
zkumným pracovníkům agentur, kteří se chtějí tuto disciplínu naučit, ale také zadavatelům,
kteří připravují zadání a vypisují výběrová řízení.
13.3.1 Pre-testy reklamních kampaní

Pre-testy reklamních kampaní se používají zejména pro vyladění kreativní složky komuni-
kace, aby spot nebo inzerát měl co největší schopnost oslovit a aby se prostředky vložené
do kampaní co nejlépe zhodnotily.
Je možné testovat jednotlivé spoty a inzeráty, nebo i celé multimediální kampaně. Me-
tody testování jsou kvalitativní a kvantitativní. Výběr konkrétní metody závisí na stupni
vývoje testovaného materiálu a na cíli. Je-li požadováno zaměřit se na dějové prvky, po-
rozumění příběhu a doladění jednotlivých komponent kampaně, je vhodné sáhnout po
skupinových diskusích nebo individuálních rozhovorech. V případě, že je již testovaný
materiál blízký finální podobě, je velmi žádoucí zadat kvantitativní test a kvantifikovat,
jak bude fungovat.
Metody je možné jakkoliv kombinovat a vytěžit jejich přednosti. Již relativně dlouho se
v rámci testování využívají elektronické pomůcky, které měří nálady a pocity respondentů
při sledování kampaně (neuromarketing), zaujetí konkrétními prvky (oční kamera) nebo
další měřicí pomůcky (potenciometry), s jejichž pomocí respondent vyjadřuje svůj příklon
v hodnocení (například líbivost).
Kvalitativní testování
Kvalitativní testování je velmi vhodné, když není k dispozici ještě finální podoba reklamy,
ale kreativní tým připraví nápad v podobě textu, rozkreslené scény „na papíře“, v podobě
mood boardů pro zachycení nálady nebo jiné audiovizuální pomůcky.
Velkým přínosem kvalitativního testování je možnost rozebrat detailně pochopení
příběhu, roli jednotlivých postav, zakomponování produktu, zda příběh přispívá ke ko-
munikaci parametrů značky, zda bude mít příběh potenciál oslovit a zda se s ním budou
lidé identifikovat.
Kvalitativní testování je velmi vhodné, když se kreativní tým rozhoduje, jakou cestou
se dál vydat, jak dopsat příběhy, koho do reklamy obsadit.
Kvantitativní testování
Pre-testování na větší skupině respondentů se zpravidla provádí ve fázi, kdy je již nápad
převeden do konkrétnější zvukové nebo obrazové podoby. Kvantitativní pre-testy je možné
dělat pro jedno médium (televizní spot, rozhlasový spot, inzerát), nebo pro celou kampaň.
Testování může probíhat jako:
■■ Skryté (tzv. low involvement), kdy je cílem především odhad zásahu a schopnosti reklamy
se prosadit v konkurenčním mediálním prostředí (opět lze pre-testovat jak jednotlivý
spot, inzerát, tak celou kampaň).
■■ Otevřené (tzv. high involvement), kdy se bez skrývání zaměřujeme na rozbor komuni-
kační schopnosti kreativního ztvárnění kampaně.
Kvantitativní testování se ideálně realizuje jako monadické, tedy každá skupina respondentů
má svoji verzi reklamy a výsledky se analyzují v datech. Velikost souboru pro kvantita-
tivní pre-testování se určí počtem podskupin, na nichž je třeba výsledky vyhodnocovat
(například kupující vs. nekupující, uživatel produktu vs. potenciální zákazník, ženy vs.
muži, mladí vs. staří). V rámci jedné podskupiny se požaduje min. 50–60 respondentů,
na jeden testovaný vizuál se pak doporučuje v závislosti na skladbě celkové cílové skupiny
80–120/150 respondentů.
Kvantitativní testování probíhá dnes nejčastěji online nebo v rámci in-hall testů. Kvanti-
tativní pre-testy se opírají o standardizované dotazníky, nespornou výhodou je tedy mož-
nost získat nejen vyhodnocení analytikem, ale i porovnání s tzv. benchmarkem (průměrné
výsledky testů, které agentura v minulosti realizovala). U benchmarku se doporučuje požá-
dat agenturu nejen o průměr, ale také o hodnotu horního kvartilu v minulosti testovaných
kampaní (horní kvartil je výsledek za 25 % nejlépe hodnocených spotů).
Benchmarky mohou mít podobu odpovědí na otázky, nebo je možné pracovat s indexy,
které představují benchmarky složené z více parametrů. Všeobecně slouží pro objektivizaci
analýzy a pomáhají k přesnější predikci úspěšnosti kampaně.
Otázky pro kvalitativní i kvantitativní výzkum jsou obsahově podobné, v rámci kvalita-
tivního výzkumu jsou přeformulovány do podoby scénáře skupinových diskusí nebo indi-
viduálních rozhovorů a doplněné o doptávání a hloubkový vhled (proč, z jakého důvodu).
Témata dotazovaná v rámci pre-testu (screening slouží pro definici a rozdělení respon-
dentů do segmentů v rámci analýzy) jsou následující:
■■ U skrytého testování:
□□ zaznamenání (recall): viděl/zaznamenal spot,
□□ zapamatování značky: spontánní dotaz, o jakou značku/produkt šlo.
■■ U všech testování:
□□ hlavní sdělení: spontánní, otevřená otázka, co chtěla reklama propagovat,
□□ benefity produktu: spontánní, otevřená otázka na konkretizaci benefitu nabízeného
produktu (používá se pouze, je-li něco takového skutečně ve spotu),
□□ obsah reklamy: je vhodné se ptát i na spontánní formulaci/převyprávění příběhu –
odhalí se, jaké momenty jsou v reklamě silné/zapamatovatelné,
□□ zapamatovatelnost sloganu,
□□ celkové hodnocení líbivosti: škálové hodnocení, jak moc reklama zaujala/líbila se,
□□ líbivost: spontánní otázka na to, co se na spotu konkrétně líbilo,
□□ záporné prvky: spontánní otázka na to, co se na spotu konkrétně nelíbilo,
□□ vnímání provedení reklamy: testování na škále (racionální, emocionální a postojové
parametry, vhodnost reklamy pro značku/produkt), často zařazované do benchmarků,
□□ hodnocení vnímání značky ve spotu: individualizovaný set týkající se image znač-
ky, doplněný několika zpravidla standardizovanými výroky (které opět mohou být
součástí benchmarků),
□□ zájem o produkt, změna postoje k produktu, službě: škálová otázka (intention to
buy/to do),
□□ vhodnost nabídky pro respondenta: jak moc vystihuje jeho potřeby.
Když se pre-testují celé kampaně a je třeba zjistit přínos jednotlivých médií k celkovému
efektu, pak je nutné testovat v oddělených skupinách respondentů každé médium indi-
viduálně a v jedné skupině kampaň jako celek. Z ekonomických důvodů se tento model
však používá vzácně.
Zpravidla se pre-testuje hlavní médium, do něhož se investuje nejvíce, nebo se test
prodlouží a zopakují se otázky pro druhé médium (například billboard nebo inzerát).
V případě rovnocenných investic do dvou médií je pak doporučena rotace, dotazník se
opakuje pro obě média se střídáním pozic hodnocení kampaně v prvním a druhém médiu.
Analogicky se postupuje i pro další média.
Při zvážení individuálních potřeb je možné testovat i kampaň jako celek. Otázky se
přizpůsobují účelu, co chceme zjistit. Takový postup není chybný, je ale velmi náročný na
interpretaci a rozhodně by se měl do analýzy pustit zkušený odborník. Výhodou striktně
standardizovaného řešení je možnost opřít se o benchmarky, které byly sbírány za stejných
nebo podobných podmínek, kladením stejných otázek.

Design pre-testů se často upravuje na základě potřeb zadavatele, a tak není ani výjim-
kou a z hlediska validity nikterak špatně, že se pre-testy kampaní zakomponují do jiných
výzkumů nebo se spojí se zjišťováním dalších informací o výrobku. Mezi individuální
otázky, které doplňují nebo rozšiřují pre-testy komunikace, patří nejčastěji:
■■ hodnocení hudby, postav a dalších vizuálních prvků, včetně hodnocení jednotlivých scén,
■■ otázky na zvyklosti (spotřební, nákupní, v chování),
■■ podrobné hodnocení produktu,
■■ podrobné hodnocení cen uváděných v reklamě (cenové testy).
13.3.2 Post-testy reklamních kampaní

Hlavními cíli, proč zadavatelé kampaní realizují post-testová měření, je optimalizace kre-
ativního nápadu a/nebo mediálních investic. Empiricky je prokázáno, že kvalitní kampaň,
která dokáže zaujmout, správně a zřetelně komunikuje hlavní sdělení a přitáhne pozornost
ke značce, zhodnocuje vložené prostředky násobně lépe než kampaně, kde se kreativní
ztvárnění příjemce příliš nedotýká.
Z hlediska kreativního pojetí spočívá největší přínos post-testů v pochopení, jaké typy
kampaní v rámci produktové skupiny fungují, jak by měly být kampaně vyvážené z hlediska
prezentace značky a výrobku, jaké symboly, tvrzení a příběhy nejlépe oslovují a nejpříměji
připoutávají pozornost. Z hlediska investic a mediálního plánování chtějí manažeři znát
dopady svých rozhodnutí a od post-testového měření se očekává, že přinese vyčíslení
dopadů investic vložených do změny postoje ke značce a v ideálním případě vyčíslení
dopadů do změny samotného chování (viděl reklamu – koupil výrobek).
Moderní pojetí post-testového měření jde ještě dále a klade si za cíl změřit tyto efekty na
úrovni jednotlivých mediatypů a se zjištěními pracovat v rámci ekonometrických modelů.
Post-testové měření přispívá k pochopení, kde se v mediálním prostoru jednotlivé skupiny
zákazníků nacházejí a jaká kombinace mediatypů dosáhne nejvyššího možného zásahu.
Výchozí informací pro návrh post-testového měření je stanovení cílů kampaně. Nej-
častějšími chybami v praxi je, že se agentura nedozví, čeho chtěl zadavatel dosáhnout.
Aby bylo možné udělat užitečnou analýzu, musí se v rámci post-testu odměřit tzv. KPI.
Příkladem běžných KPI jsou: zaznamenání značky, zaznamenání reklamy, postoj k pro-
duktu, frekvence užívání, ochota koupit, zájem o službu apod.
Je třeba si uvědomit, že změnu v chování nebo postoji měříme minimálně mezi dvěma
obdobími – alespoň před a po kampani. Užitečný post-test se tedy skládá z minimálně
dvou vln. Má-li společnost historická měření, lze na ně samozřejmě navazovat. V takovém
případě se realizuje vlnové měření, jež může mít řadu podob:
■■ Před spuštěním kampaně a pak opakovaně vždy se stejným časovým odstupem po

kampani (pro odměření efektu se doporučuje týden po skončení kampaně, včetně
období doznívání a zapomínání).
■■ Před spuštěním kampaně a periodicky v průběhu a po skončení kampaně (ideálně
s ohledem na průběh mediálního nasazení tak, aby se zachytil efekt kampaně, když
mediální nasazení vrcholí a následně klesá).
■■ Kontinuální měření, kde se sběr dat prakticky nepřerušuje.
Volba vhodné periodicity
Periodicita měření vychází v první řadě z rozpočtových možností zadavatele. Druhým

kritériem je intenzita mediální podpory a možný vliv konkurence. Realizuje-li zadavatel
jen několik kampaní v roce a ani konkurence není příliš aktivní, je účelné zvolit měření
ve vlnách a zaměřovat se pouze na jednotlivé kampaně.
Opakem je odvětví, kde se komunikuje velmi intenzivně a kde konkurenční kampaně
ovlivňují výsledky kampaně zadavatele. V takovém případě je doporučeno kontinuální
měření a model vyhodnocení zahrnuje i analýzu vlivu konkurenční kampaně (telekomu-
nikace, finanční odvětví).
Velikost vzorku
Velikost souboru pro post-testové měření vychází z potřeby získat statisticky validní
informace a z potřeby robustnosti, aby bylo možné odměřit dopady i méně intenzivních
částí kampaní nebo vlivů jednotlivých mediatypů.
V praxi se ukazuje, že spolehlivě měřitelné jsou efekty kampaní, které jsou plánovány
se zásahem 1000 GRP již u relativně menších vzorků (300 a více respondentů). Jsou-li
kampaně méně intenzivní, musí agentura dobře zvážit a doporučit velikost výběrového
souboru a výběrovou metodu.
U kontinuálních výzkumů se v rámci analýzy používají klouzavé průměry, které dobře
reflektují dlouhodobé efekty kampaní na klíčových ukazatelích. Klouzavý průměr je počet
respondentů, ke kterému se vztahují veškeré statistiky. Jeho velikost je třeba dobře zvážit,
aby byla dostatečná. V praxi se obvykle setkáváme s požadavky na minimálně n = 150 při
shrnutí výsledků za tři týdny.
Pro vyhodnocení kreativní složky kontinuální kampaně se zpravidla shrnou měření
za určité období (nejběžněji za celou kampaň) a vyhodnotí se jako celek. Obvyklý obsah
dotazníku post-testového měření je následující:
■■ Znalost značky a reklamy.

■■ Otázky na spotřební, nákupní chování (představují KPI, k nimž se vztahují analýzy,
pro něž se propočítává efektivita kampaní a které měří cíle stanovené pro kampaň):
□□ značky, které v minulosti koupil,
□□ značky, které zvažuje koupit,
□□ značky, které preferuje,
□□ značky, které bude kupovat i v budoucnosti,
□□ značky, které by nikdy nekoupil.
■■ Zapamatovaný obsah reklamy, spontánní převyprávění.
■■ Pochopení hlavního sdělení, spontánní převyprávění.
■■ Zapamatování sloganu, spontánně nebo s podporou.
■■ Vnímaný profil značky pomocí image parametrů – set emocionálních, racionálních
a postojových výroků (mohou opět představovat KPI).
■■ Profil reklamy (názor na reklamu pomocí parametrů).
■■ Podpořená deklarace zásahu reklamou (ukázka reklamy bez uvedení značky).
■■ Identifikace značky ve vizuálu reklamy.
■■ Popřípadě spontánní likes a dislikes.

■■ Další individuální otázky.
Analýza
V rámci analýzy se obvykle používá základní hledisko pro určení efektu kampaně, a sice
porovnání výsledků naměřených na skupinách lidí, které nebyly kampaní zasaženy, a na
skupinách, které zasaženy byly. Proto je maximálně důležité tyto otázky v dotazníku ne-
vynechat.
Účinnost kampaně je chápána ve smyslu její schopnosti někoho přesvědčit ke změně.
Z analýzy tedy musí vyplynout, jak moc se díky reklamě podařilo změnit názor na značku,
jak moc se změnilo chování. Efektivita se vyjadřuje nejen na úrovni celku kampaně, ale
také pro jednotlivé mediatypy.
Moderní pojetí post-testového měření si klade za cíl ukázat, jak účinná jsou jednotlivá
média v mixu, jak přispívají k zásahu (reach) a jakou mají přesvědčovací schopnost.
Pokud je tedy v zadání post testu i vyhodnocení mediatypů, je třeba otázky replikovat
pro jednotlivé mediatypy. Za každé médium je třeba získat minimálně velikost zásahu
(reach) a ideálně % správné identifikace značky v dané reklamě. Tyto parametry lze měřit
i elektronicky, u takového výzkumného řešení se kombinuje dotazování se záznamem
pomocí zařízení.
Post-testová měření neztrácejí na významu. Mediální prostor je pro zadavatele velmi
drahý a snahou je vytěžit z každé vteřiny a stránky maximum. Přední agentury vyvíjejí
a zdokonalují dotazování tak, aby se ptaly méně a informace získávaly z jiných zdrojů.
Obrázek 13.4: Filozofie vyhodnocení efektivity kampaně (zdroj: autor)

100 # GRP’s 447

450
80 360
64
60 270
53
% % KPI score 44
40 164 180
29
20 90
48
0
0 0
None Low Medium High
Obrázek 13.5: Ukázka vyhodnocení dopadu intenzity zásahu kampaní na vybrané KPI
(zdroj: autor)
efekt dosažený
100 crossmediálním zásahem 100
90
efekt dosažený zásahem
80
tiskovou, resp. televizní 80
kampaní 70
synergie
60 59 60
nezasaženi
50 49 50 tisková kampaň
40 40 televizní kampaň
40
30
20 20
10
0 0
znalost značky
Obrázek 13.6: Ukázka vyhodnocení cross-media efektu na znalost značky (zdroj: autor)
13.4 Výzkum značky

Doposud jsme mluvili o produktovém, cenovém a komunikačním výzkumu, k těm nejdů-
ležitějším však patří výzkum značky a jeho výsledky jsou s ostatními výzkumy provázány.
Tato část si klade za cíl seznámit čtenáře s hlavními přístupy, které se v rámci výzkumu
značky používají. Nastíníme vzájemnou provázanost s dalšími výzkumy, budeme se vě-
novat vizuálním komunikačním nástrojům – jménu, logu a sloganu, ale také projevům
značky – image a pozici na trhu.
Značka představuje více než jen pojmenování výrobku nebo služby. Značka s sebou
nese historii, má svou auru, racionální, emocionální a sociální rozměr. Značka zanechává
u spotřebitelů otisk a cokoliv, co se značky týká (nebo jakákoliv aktivita kolem značky), ji
neustále přetváří. Změna ceny, distribučního kanálu nebo komunikace mohou vychylovat
mínění spotřebitelů o značce jiným směrem, než je žádoucí.
Produkt Cena
Značka
Distribuce Komunikace
Obrázek 13.7: Elementy, které přetváří obraz značky (zdroj: autor)
Proto je důležité pravidelně sledovat vnímání image značky a rozumět pozici značky
v konkurenčním poli. V rámci výzkumu značky hovoříme o měření:
1. komunikace značky (jméno, logo, slogan),

2. image značky,
3. pozici značky v tržním kontextu.
Výsledky, které zjistíme, se ověřují v rámci produktového, cenového a komunikačního

výzkumu.
Příklad
Při cenovém testu se ověřuje, nakolik daná cenová hladina vyjadřuje konkrétní image znač-
ky (kvalitní, luxusní, pro seniory, pro maminky, které chtějí to nejlepší pro své dítě, apod.)
Při pre-testu komunikační kampaně je zase kladen důraz na to, aby kampaň dostatečně
srozumitelně podporovala image značky. Pokud tomu tak není, není vhodná k nasazení
a neměla by být použita. Obdobně se na image značky soustředíme u testu novinek v rámci
produktového výzkumu.
13.4.1 Výzkum vizuální komunikace

Chce-li zadavatel ověřit nebo vybrat nejvhodnější název, logo nebo slogan, soustředíme
se především na asociace, které tato vizuální komunikace vyvolává, a snažíme se je inter-
pretovat v kontextu, jak moc jsou v souladu s ostatními parametry image nebo dalšími
atributy produktu.
Jméno a logo
V rámci kvalitativního výzkumu se osvědčily zejména asociační a projektivní techniky.

Při formulaci otázek se soustředíme na to, abychom dostali o všech vnímaných rozměrech
jména nebo loga co nejkomplexnější obrázek. Zjišťujeme:
■■ asociace (co jim značka nebo logo připomíná),

■■ pocity a nálady (jak na ně působí, do jaké nálady je dostává, co při pohledu pociťují),
■■ racionální aspekty (co vyjadřuje za hodnoty),
■■ emocionální aspekty (co jim nabízí),
■■ sociální rozměr (pro koho je, na koho se obrazí).
Pro respondenty bývá někdy těžké překlenout se přes prosté racionální uvažování a zfor-
mulovat pocity do popisných parametrů. Proto se zejména v kvalitativním výzkumu za-
pojují techniky projekce a personifikace. Při kreativním uvažování lze jako pomoc dobře
využít například:
■■ personifikaci (představte si jméno značky, jako by to byl člověk, jaký by byl),

■■ projekci do zvířete (kdyby značka byla zvíře, jaké by bylo),
■■ projekci do planet (jak by vypadala planeta značky X, atmosféra, život, lidé, vztahy,
prostředí),
■■ projekci do značky automobilu (jaká značka auta a model by byla).
Interpretace výsledků vyžaduje profesní zkušenost. Ne všechny techniky se hodí pro

všechny značky. Zejména u statusových značek lze dobře využít projekci do zvířete nebo
automobilu, naopak projekci do planet používáme u služeb a komplexnějších produktů.
Kvalitativní výzkum bývá prvním stupněm výzkumu jména a loga a slouží k hledání co
nejvíce popisných znaků. Ty se následně ověřují v kvantitativním výzkumu.
Kromě aspektu vnímání jména nebo loga se dále zjišťuje:
■■ vhodnost k produktu, portfoliu,

■■ identifikace cílové skupiny,
■■ potenciální nákupní úmysly.
Slogan
Úlohou sloganu je precizně vystihnout podstatu značky/výrobku. Slogan má rozvíjet to,

co se za značkou skrývá, a pomáhat jejímu prodeji. Zejména je-li slogan složitější, může
být výhodné se nejprve věnovat interpretaci pochopení sloganu bez spojitosti se značkou.
V závislosti na zadání a potřebách lze zvolit jak kvalitativní, tak kvantitativní výzkum.
Uvedeme si nyní několik tipů, na co se při ověřování sloganu ptát:
■■ asociace na slogan (co vyjadřuje, nálady, pocity, obrazy),

■■ zapamatovatelnost sloganu (pokud jej zařadíme například do komunikačního testu),
■■ identifikace značky (pro jakou značku by byl vhodný),
■■ co říká o výrobku (jaké benefity komunikuje),
■■ unikátnost sloganu (nakolik je odlišný od jiných),
■■ nakolik se hodí ke značce (jak moc je vhodný pro danou značku),
■■ jak dobře vystihuje image parametry značky (nakolik je v souladu s ostatními vlast-
nostmi),
■■ jak moc vyvolává zájem o značku/výrobek.
13.4.2 Image značky

Image značky je tvořena emocionální, racionální a sociální rovinou. Značku si můžeme
představit jako cibuli, která má mnoho vrstev, kladených jednu na druhou. Některé vrstvy
jsou zřejmé a lidé o nich jednoduše mluví a snadno je popisují, jiné jsou skryté poměrně
hluboko a respondenti je popisují se značnou obtížností.
Stejně jako u cibule se výzkumník musí pomocí různých technik prokousávat uvědo-
mělými i podvědomými aspekty vnímání značky až k samotnému jádru.
racionální
emocionální
sociální
značka
Obrázek 13.8: Atributy značky (zdroj: autor)
Výzkum image značky se zpravidla odehrává ve dvou krocích. První část je tvořena kvalita-
tivním výzkumem, při kterém se provádí explorace parametrů. V druhém, kvantitativním
kroku je pak intenzita vnímání parametrů prověřována na velkém vzorku. V kvantitativním
měření se nesoustředíme pouze na značku samotnou, ale doptáváme se i na konkurenci
a pořizujeme zároveň pohled na tržní kontext (positioning).
Při kvalitativní exploraci se používají techniky, o kterých jsme již mluvili dříve, tedy
projektivní techniky a otázky na asociace. Snažíme se vygenerovat co nejvíce popisných
charakteristik, které mohou být pro značku relevantní. Do výzkumu positioningu se navíc
hodí získat i takové parametry, které respondenti vygenerují ve vztahu ke kategorii nebo
konkurenčním značkám. Oblasti, na které se můžeme doptávat, jsou následující:
■■ asociace na značku,
■■ racionální vlastnosti značky (nebo přeneseně produktu),
■■ benefity, které značka přináší,
■■ hodnoty, jež značka ctí,
■■ emocionální vlastnosti (personifikace),
■■ emoce a nálady, které v souvislosti se značkou člověk cítí,
■■ cílová skupina, pro níž je určena,
■■ cenová hladina, kterou značka vyjadřuje,
■■ komunikace, jíž se značka prezentuje,
■■ distribuce, kde se značka nabízí,
■■ touchpoints, kde se se značkou setkáváme.
Kvalitativní výzkum umožňuje hloubkové pochopení, a tak se při získání parametrů často
doptáváme i na význam parametrů:
■■ co to znamená, když je značka,

■■ jak se projevuje vlastnost X dané značky,
■■ jak poznáme, že má značka tuto vlastnost.
Samotné exploraci parametrů vlastností může někdy předcházet výzkum sémantiky. Jde
o pochopení významu slov (vlastností) a projevů těchto vlastností v běžném životě. Ne-
koncentrujeme se přímo na parametry značek, ale na význam slov a na zasazení významu
do konkrétních situací. V rámci diskuse získáváme mnoho synonym a zároveň ověřujeme,
zda je dobře nastaven hodnotový systém.
Pro exploraci (a to nejen parametrů značky) lze dobře uplatnit vizuální pomůcky. Nabízí
se několik přístupů:
1. zadat individuální nebo kolektivní práci respondentům (kresby, výstřižky – tzv. koláže),
nebo
2. využít hodnocení pomocí předem validovaného setu obrázků.
Ad 1) Individuální práce dokreslují výpovědi respondentů o značkách a někdy mohou

pomoci překonat bariéru vyjadřování. Respondent je nucen se hlouběji zamyslet nad tím,
proč značku vyjádřil zrovna takto.
Ad 2) Validovaný set má již hotový interpretační rámec, jinými slovy: je známo, co
konkrétní obrázek vyjadřuje za vlastnosti. Respondenti pak pracují na pocitové úrovni
a překonávají vybráním odpovídajícího obrázku bariéru se precizně vyjádřit. V praxi se
můžeme setkat s validovanými sety vyobrazení krajin, zvířat, barevných koláží nebo i lid-
ských emocí. Při použití validovaného setu se výzkum doplňuje o spontánní vyjádření.
Vytvořený interpretační rámec může pomoci, nelze se ale na něj spoléhat. Jeho obsažnost
není nekonečná a ke každé značce musíme vždy získat i spontánní charakteristiku.
Měření image značky je provázáno s mnoha dalšími produktovými testy. A jako u lidí,
i vnímání image značek je individuální a nekonečně pestré. Abychom postihli rozdíly ve
vnímání jednotlivých značek, určitě je třeba kvantifikovat a použít minimálně sedmistup-
ňovou škálu s póly, kde jedna mez vyjadřuje, že daný parametr zcela vystihuje značku,
a druhá mez, že daný parametr značku vůbec nevystihuje.
Při interpretaci výsledků výzkumu image značky je třeba vždy vzít v úvahu, jaká cílová
skupina se k parametrům vyjadřovala. Její profil naprosto nepochybně ovlivňuje, jak je
značka vnímána. Proto nesmí u žádných výsledků pro image značky chybět popis skupiny,
která ji hodnotila.
Závěrem ještě jeden tip: když chce zadavatel znát, které vlastnosti značku nejvíce vysti-
hují, lze s úspěchem využít metodu Max Diff.
13.4.3 Positioning
To, co marketing nejvíce zajímá, je skutečnost, jak si stojí značka z hlediska svého profilu
v tržním kontextu. Proto se při zkoumání image věnujeme také konkurenci. Mluvíme
o velkých kvantitativních studiích s velikostí vzorku větší než n = 300.
Positioning se zobrazuje pomocí map. Nejznámější metodou je korespondenční ana-
lýza. Při zobrazování positioningu je třeba mít na paměti několik faktorů, které mohou
zobrazenou realitu zkreslovat.
Cílová skupina a znalost značek
Vnímání tržní situace se odlišuje mezi různými cílovými skupinami. Obrázek, který do-
staneme, se bude lišit podle stupně zkušenosti a znalosti daných značek. Spotřebitelé, kteří
danou kategorii používají velmi často a značky dobře znají, se k nim budou vyjadřovat
jinak než lidé, kteří o nich například slyšeli jen v reklamě. Někdy se názor na značky liší
podle pohlaví, věku či podle jiných sociodemografických parametrů. Proto je velmi důležité
vždy při interpretaci uvádět, pro jaký trh z hlediska segmentu spotřebitelů je positioning
relevantní, a nikdy získaný obrázek neaproximovat na univerzum (základní soubor). Volbě
cílové skupiny tak předchází dobrá příprava a rozmyšlení, koho se na vnímání značek
budeme ptát.
Cílem positioningu je získat jeden pohled na velkou rozmanitost. Snažíme se o něco,
co bychom mohli přirovnat k jednomu obrázku zachycujícímu celou galaxii. A tak jako
při pohledu do vesmíru jsou nám některé hvězdy zamlženy, je nutné počítat i s podobným
úkazem u positioningu. V ostrosti sehrává velkou roli zkušenost spotřebitelů a jejich znalost
značek. Pokud bude cílová skupina znát všechny značky, bude obrázek ostrý a reálný. Ale
v momentě, kdy některou značku znají všichni a jinou jen hrstka, je už získaný obrázek
nejasný. Ti, kteří značku neznají, ji buď zpravidla nehodnotí, nebo ji nepřisuzují skutečné
vlastnosti právě jen kvůli neznalosti. Analytici se snaží tento nesoulad přejít tím, že v po-
sitioningu zobrazují značky pouze s bází respondentů, kteří ji jen znají. Tento postup ale
není ideální – je to jako by vás hodnotila celá vesnice a vašeho souseda jen jeho učitelé.
U takového zobrazení je zároveň velmi náročná interpretace. Proto je výhodnější pořídit
více snímků a zobrazovat výsledky od nejširší skupiny po užší, ale držet pro všechny značky
vždy stejnou cílovou skupinu. Při takovém postupu nebudete určitě v interpretaci chybovat.
Zvolené parametry
Positioning je vždy určitá mapa a rozdíly mezi značkami jsou vyjádřeny přes atributy, na
které se ptáme. Čím více diferencujících parametrů do dotazu zahrneme, tím přesnější
obrázek o realitě získáme. Proto je důležité před kvantitativním výzkumem provést kvali-
tativní exploraci a vygenerovat co největší počet skutečně relevantních parametrů. Když
na nějaký významný parametr zapomeneme, můžeme dostat úplně jiný pohled.
Zobrazovací prostor
Již jsme zmiňovali, že positioning se zobrazuje nejčastěji pomocí korespondenční analý-

zy. Ta má ale jednu zásadní nevýhodu: jakmile se změní jediný parametr či značka, celé
zobrazení se přemění. Korespondenční analýza tak není vhodná pro porovnání změny
positioningu v čase. Některé agentury proto používají pro zobrazení fixní prostor, v němž
vlivem změny jejich počtu nedochází k pohybu značek a parametrů. Umisťování značek
i parametrů se děje pomocí projektivních technik a způsob výpočtu map představuje know-
-how agentur, které je nabízejí. Tyto prostory a techniky jsou validovány mnoha studiemi
a jejich použití je pro vypovídací schopnost velkým přínosem.
13.5 Usage & Attitudes, segmentace a studie životního

stylu
Tato část je zaměřena na základní pravidla, jak postupovat při zadávání a realizaci studií
typu Usage & Attitudes, čeho se vyvarovat a na co obzvláště klást důraz. Budeme se rovněž
věnovat problematice segmentací a studií životního stylu a tomu, jak je důležité si předem
vyjasnit, k čemu a jak bude segmentace objednavatelem použita.
Studie Usage & Attitude je právem označována jako „bible značek“. Jde o rozsáhlou
mapovací studii, kterou by měl mít marketing pro každou značku k dispozici, než začne
podnikat další výzkumy nebo marketingové aktivity.
13.5.1 Usage & Attitude

Předmětem této studie jsou postoje zákazníků ke značce a zvyklosti, jak se značka pou-
žívá. Studie slouží k získání reálného obrázku o postavení daného výrobku, resp. značky
na trhu v populaci, poskytuje informace o počtu a charakteru kupujících a nekupujících,
stejně jako důvody, proč danou značku někteří lidé preferují a jiní nikoliv. Je zaměřena do
budoucnosti, odhaluje příležitosti pro rozvoj značky a oslovení dalších zákazníků.
Všechny U&A (zkratka pro Usage & Attitude) studie jsou rozsáhlé a realizují se na
velkém kvantitativním vzorku respondentů. Je bezpochyby ideální, můžeme-li U&A stu-
dii realizovat na náhodně vybraném vzorku populace při n = 1000 a více respondentů.
Vzhledem k tomu, že náhody se dosahuje buď pomocí náhodného adresního výběru, nebo
náhodné procházky, a obě z těchto výběrových metod jsou časově a zejména finančně
velmi nákladné, setkáváme se v posledním desetiletí zpravidla s praxí, kdy se dotazuje
reprezentativní, ale kvótně sestavený soubor respondentů.
Proč je výběrová metoda tak důležitá? U&A studie se používají pro kvantifikaci úspě-
chu značky, podílu na trhu a počtu potenciálních nebo již reálných zákazníků; získaná čísla
se aproximují na celou populaci. Jakákoliv deformita ve struktuře výběrového vzorku může
způsobit, že aproximované předpoklady dosáhnou gigantických disproporcí od reality.

Zásadním pravidlem, které je pro realizaci U&A nutné dodržet, je čistota a reprezentativita
vzorku. Platí to o to více, je-li studie pro danou značku realizována poprvé a nejsou k dis-
pozici žádná jiná validní data, z nichž by bylo možné usuzovat na počet a demografickou
strukturu zákazníků.
Nejčastější chybou je, když zadavatel požaduje realizaci U&A mezi zákazníky katego-
rie, ale neexistuje žádná opora o četnosti výskytu takových zákazníků v populaci a chybí
jejich demografický popis. Často slýcháme, že marketing nepotřebuje znát neuživatele,
a „právě proto realizuje U&A, aby se o uživatelích něco dozvěděl“. Při takovém zadání se
dostává agentura do velmi těžké situace a neměla by takový projekt přijímat. Hledá totiž
respondenty, ale neví, podle čeho. S jistotou můžeme říci, že je určitě najde, ale už nikdo
nebude vědět, v jaké disproporci jsou vůči tržní realitě.
Jak je to správně? Ideální je získat nejprve z reprezentativního vzorku populace de-
mografický popis segmentu uživatelů a neuživatelů. Pokud se klient rozhodne, že nechce
investovat do otázek na neuživatele a že ho nezajímají důvody, proč danou kategorii někteří
lidé nekupují/neužívají, pak lze v druhém kroku pokračovat již pouze s uživateli. Studii lze
také rozdělit na dva kroky. Úvodní krok se dá vyřešit tak, že se nejprve realizuje rozsahem
malá studie na získání profilu uživatelů, ale na velkém počtu respondentů, a teprve následně
je realizována druhá, rozsáhlá studie, ale na menším vzorku.
V úvodní studii se pracuje s velkým počtem respondentů, protože ten je zárukou, že
se dostatečně vykreslí všechny demografické, popřípadě uživatelské znaky. Jak jsme již
zmínili, buď lze pokračovat dále, nebo se úvodní studie uzavře a samotná U&A se realizuje
v druhém projektu na menším vzorku, ale s již přesně definovanými kvótními (demogra-
fickými a uživatelskými) znaky.
Než ale dojdete do tohoto kroku, je třeba si položit druhou zásadní otázku: bude sou-
částí U&A také segmentace? Pokud ano, na zmenšování vzorku nepomýšlejte. Chce-li
zadavatel získat jako součást U&A studie i segmentaci, vyplatí se od začátku pracovat
s velkým vzorkem.
Co je to velký vzorek? Pro stanovení výchozí minimálně nutné velikosti vycházíme
z odhadu, jaká je asi možná penetrace používání kategorie v populaci. Jinými slovy: Kolik
musíme (náhodně) oslovit lidí, abychom získali rozhovor s jedním uživatelem?
Co dělat, když se odhad penetrace přecenil? Někdy se stane, že se v dobré víře nastaví
základní velikost vzorku zdánlivě dostatečně vysoká, ale už v průběhu realizace je odpad
neuživatelů příliš vysoký. Z takové situace vedou dvě cesty:
■■ buď se začne vzorek tzv. „boostovat“, tzn. oslovíte další počet reprezentativně vybraných
respondentů,
■■ nebo na velkou studii rezignujete a předěláte design projektu.
V prvním případě má smysl do rozhovorů investovat, pokud je reálné, že se dosáhne ale-

spoň několika set (300 a více) respondentů, jejichž odpovědi bude možné kvantitativně
vyhodnocovat.
V případě, že bude extrémně drahé se k uživatelům vůbec dostat, a cílové n klesá pod
100, je třeba ambici na velkou U&A studii včas přehodnotit. Mnohem přínosnější pak bude
realizovat individuální hloubkové rozhovory na vzorku cca 20–30 respondentů. Informační
přínos kvalitativního pohledu převáží jednoznačně statisticky nejistý a nákladově velmi

drahý pokus o kvantifikaci.
Stanovení kvót. Když se pouštíme do realizace U&A studie a známe profil uživatelů, je
třeba dbát na precizní rozpis kvótních znaků. Často se nejedná jen o demografické ukaza-
tele, ale také o frekvence nákupu nebo užívání, o příležitosti užívání, případně určité znaky
o životním stylu. Není výjimkou, když se výběrová kritéria skládají z pěti až sedmi znaků.
Co všechno patří do studie U&A? Tato studie patří mezi obsahově nejrozsáhlejší, což
platí tím spíše, pokud je její součástí i segmentace uživatelů. V tabulce 13.1 přinášíme
ukázku základní struktury U&A.
Tabulka 13.1: Základní tematická struktura U&A
Kapitola Okruhy otázek Co zjišťujeme

Užívání ●● Co se v dané kategorii užívá? Popisujeme vztah cílové skupiny ke katego-
kategorie ●● Frekvence užívání. rii, četnost užívání a nahlížení na kategorii,
●● Užívané množství (objem). zkušenost s kategorií. Výstupem je také zá-
●● Důvody pro užívání. kladní segmentace na uživatele kategorie
●● Důvody pro neužívání. (heavy, medium, light) a neuživatele.
●● Kdo je uživatelem (respondent
nebo i někdo jiný v rodině)?
●● Substituce – jak často a čím je
substituováno.
●● Jak a kde je kategorie užívána,
s čím?
●● Účel užívání kategorie.
Užívání značek ●● Znalost značek. Zjišťujeme, jaká je pozice značek na trhu
●● Preferenční koš. v rámci konkurence, příležitosti pro růst,
●● Nejčastěji užívaná značka. možná ohrožení. Výsledky vstupují do SWOT
●● Odmítání značek. analýzy.
●● Důvody preference značek.
●● Důvody pro odmítání značek.
●● Substituce značek.
●● Frekvence užívání značek.
●● Množství, objem užívaných značek.
Distribuční ●● Frekvence nákupu kategorie, resp. Ověřujeme, zda je funkční distribuce, kde je
kanály značky. prostor pro usnadnění cesty výrobku/znač-
a touchpoints ●● Kde je kategorie, značka ky k zákazníkovi.
nakupována?
●● Důvody pro preferenci určitého
distribučního kanálu.
●● On trade vs. off trade nákup,
konzumace.
●● Na jakých dalších místech se
zákazník setkává se značkou?
Znalost ●● Znalost reklamních kampaní. Nakolik je znalost, popřípadě vnímání vlast-
reklamy ●● Znalost hlavního sdělení, ností výrobku spoluutvářena komunikací.
komunikovaných benefitů.
Kritéria výběru, ●● Nároky na kategorii. Mapujeme důležitost jednotlivých kritérií
saturace ●● Očekávání od kategorie. pro rozhodování o značce, hledáme trž-
nabídkou trhu ●● Co na trhu chybí? ní příležitosti. Výsledky vstupují do SWOT
●● Podle čeho si značku zákazník analýzy.
vybírá?
●● Nakolik jednotlivé značky naplňují
potřeby/nároky na kategorii?
▶
Kapitola Okruhy otázek Co zjišťujeme

Image značek ●● Spontánní asociace spojené se Popisujeme pozici značky v rámci konkuren-
značkou. ce, její silné a slabé stránky, v kontextu sa-
●● Do jaké míry značky naplňují turace hledáme možné příležitosti pro růst.
konkrétní parametry image?
Životní styl ●● Postoje lidí k životu, rodině, Zjišťujeme vztah mezi intenzitou užívání
společnosti, vzdělání, práci, kategorie a různými segmenty zákazníků.
značkám, spotřebě, užívání Otázky mohou být jak segmentačními kri-
kategorie, koníčky atd. térii, tak popisnými charakteristikami.
Média ●● Frekvence sledování tradičních Slouží pro plánování komunikačních kanálů
médií (televize, tisk, rozhlas). oslovení jednotlivých segmentů zákazníků.
●● Digitální média a ostatní
komunikační kanály.
Demografie ●● Pohlaví, věk, vzdělání. Nejčastěji používaná jako popisná charakte-
●● Rodinný stav. ristika vytvořených segmentů.
●● Zaměstnanost a pracovní pozice.
●● Počet členů v domácnosti.
●● Děti v domácnosti.
●● Vybavenost domácnosti.
●● Příjem jednotlivce, rodiny.
●● Kraj, obec bydliště.
Zdroj: autor
Analýza. Prvním stupněm analýzy U&A studie je deskripce distribuce odpovědí na jednot-
livé otázky. Následuje vyhodnocení vztahů a vazeb, při nichž používáme statistické analýzy
jako korelace, korespondenční analýza či faktorová analýza. Agentura doporučí vhodné
analýzy v závislosti na zadání klienta. Všechny analýzy, jež se v rámci Usage & Attitude
realizují, směřují k zodpovězení klíčových otázek: Jak silná je moje značka? A jaké jsou
drivery poptávky po mojí značce?
Běžně se požaduje zodpovězení těchto marketingových otázek:
■■ Kdo jsou zákazníci mojí značky, jak vypadají, jak je mohu oslovit?
■■ Kdo jsou zákazníci konkurence?
■■ Jak se zákazníci rozhodují? Která kritéria výběru jsou pro ně důležitá, jakou mají váhu?
■■ Jak mohu získat zákazníky konkurence pro svoji značku?
■■ Jak si stojí moje značka v porovnání s konkurencí?
■■ Jaké má moje značka silné a slabé stránky?
■■ Kdo mě ohrožuje, případně od kterých značek mohu získat podíl na trhu?
■■ Jsou potřeby zákazníků současnou nabídkou trhu naplněny?
■■ Existují na trhu mezery? Jaké?
Svým rozsahem odpovídá Usage & Attitude studie na mnoho otázek, a tak se v čase opakuje
s větším časovým odstupem (3–5 let). Předpokládá se, že většina zjištěných dat se v čase,
pokud nenastanou převratné změny, mění spíše pomalu. Aktualizují se pouze ta data, jež
se mění v závislosti na aktivitě marketingu nebo trhu. Proto se setkáváme již s menšími,
ale trackingovými studiemi zaměřenými na výkon značek nebo třeba efektivitu komuni-
kačních kampaní, které na výchozí U&A navazují.
13.5.2 Segmentace
Při realizaci velkých Usage & Attitude studií se nabízí, že můžeme spočítat ze získaných dat
segmentaci zákazníků. Segmentace je jedním z nástrojů, jak se může marketing dozvědět
něco více o svých zákaznících a připravit plán jejich oslovování a práce s nimi.
Segmentace představuje rozdělení respondentů podle segmentačních kritérií do určitého
počtu vnitřně homogenních skupin, které se od sebe co nejvíce odlišují. Laicky řečeno,
seskupují se k sobě respondenti, kteří si jsou podle určitých znaků co nejvíce podobní
a ideálně jsou i velmi odlišní od respondentů z jiných skupin. Když hovoříme o segmentaci,
máme na mysli hledání několika kritérií, která spolu segmentují.
Jak začít? Prvním krokem pro získání úspěšné segmentace je vyjasnění účelu výstupu.
Jak se bude se segmentací pracovat, k čemu má sloužit. Statisticky lze vytvořit z každého
souboru více správných segmentací (vnitřní homogenita a zároveň vzájemná heterogenita
segmentů), ale jen málo segmentací bude skutečně funkčních. Funkční segmentací máme
na mysli takovou, která se skládá z dostatečně velkých segmentů, přičemž každý segment
lze dobře popsat a rozpoznat na trhu a lze s ním z marketingového hlediska pracovat (je
uchopitelný pro účely marketingu).
Největší zklamání přichází z nereálných očekávání. Je proto nesmírně důležité pochopit,
co bude klient se segmenty dělat. Když chce zadavatel vytvořit segmenty pro plán komu-
nikační strategie, potřebuje získat příběhy lidí. Nabízí se tak spočítat lifestylovou nebo
částečně lifestylovou segmentaci.
Jinak vypadá segmentace, když chce zadavatel zacílit na různé skupiny ze své databáze.
Pak je rozumné je segmentovat podle jejich potřeb, frekvence, velikosti investice nebo pří-
ležitosti užívání a nabídnout jim relevantní produkty třeba v rámci direct mailů. A úplně
jinak bude vypadat segmentace, když ji bude chtít banka využít pro snadné rozpoznání
klienta daného segmentu při osobním kontaktu. Vše toto je třeba při hledání segmentač-
ních kritérií vzít v úvahu.
Pro segmentace obecně platí, že vytvořené segmenty se od sebe odlišují podle seg-
mentačních kritérií, což ale neplatí pro ostatní popisné charakteristiky, jejichž pomocí se
segmenty dále popisují. To znamená, že například vytvořené lifestylové segmenty budou
odlišné z hlediska způsobu přístupu k životu, ale z hlediska demografie a případně i užívání
produktu se od sebe pravděpodobně nebudou odlišovat. V každém jednotlivém lifestylo-
vém segmentu bude nejspíše mix různých lidí z hlediska demografie. Proto není divu, že
například průměrný věk respondentů je u většiny lifestylových segmentů kolem čtyřiceti let.
S obdobnými zkušenostmi se setkáváme u segmentací na základě potřeb a užívání
produktu. Zatímco lze získat odlišné segmenty například podle příležitosti a frekvence
užívání, uvnitř segmentů může být natolik barevné spektrum lidí s různým životním po-
stojem a demografickým profilem, že se v těchto popisných charakteristikách jednotlivé
segmenty lišit nebudou.
Aby nebyl zadavatel zklamaný, že nedostal segmentaci, která zároveň roztřídí zákazníky
podle příležitosti užívání a zároveň i podle životního stylu, pouští se agentura do práce,
při níž hledá taková segmentační kritéria, která povedou k vysněnému cíli. Konečná seg-
mentace bude ležet někde uvnitř, jak je patrné z obrázku 13.9. Musíme mít ale na paměti,
že vždy jde o nějaký kompromis. Velká homogenita projevu na jedné straně je vykoupena
heterogenitou charakteristik na straně druhé. Proto je důležité předem vědět, jak bude
zadavatel se segmenty pracovat.
Příklad
Užitečný a dobrý kompromis mezi lifestylovou a behaviorální segmentací může představo-

vat segmentace na základě životních rolí. S rostoucím věkem a proměnou rodiny se mění
i potřeby a leckdy dochází i ke změně uvažování a postoje k životu.
Mezi jednoduché, ale v praxi dobře použitelné segmentace patří také RFM segmentace,
která přináší hodnotový pohled na segmenty z hlediska počtu nákupů (frequency), peněžní
hodnoty (monetary) a časového úseku od posledního nákupu (recency).20
Čistě lifestylová
segmentace
Segmentace
podle životních rolí
RFM segmentace
Čistě behaviorální
segmentace
Obrázek 13.9: Lifestylová segmentace vs. behaviorální segmentace podle potřeb (zdroj: autor)
Segmentace se provádí pomocí statistických analýz, u menších vzorků nejčastěji pomocí

shlukové analýzy, jejímž výstupem je dendrogram, u rozsáhlejších vzorků například pomocí
stromových strukturních metod, diskriminační analýzy a dalších vícerozměrných statistic-
kých analýz. Samotný proces segmentace je třeba přenechat velmi zkušeným analytikům
a statistikům. Zadavatel ale nikdy neudělá chybu, pokud si ohlídá, aby měla segmentace
rozumný počet segmentů (5–8).
Při hledání segmentačních kritérií a počtu konečných segmentů je možné využít den-
drogram, který názorně vizualizuje proces shlukování.
Co se týká samotných segmentačních kritérií, demografické údaje se k tomuto účelu
přímo nabízejí, ale mají tu nevýhodu, že vytvoří příliš jasné segmenty, které se ale málokdy
dále odlišují – ať již podle projevu chování, životního stylu, nebo z hodnotového pohledu.
Když se začíná segmentovat, je dobré vyzkoušet nejprve některá kritéria, jež se přímo
vztahují k frekvenci užívání, příležitosti užívání, výdajům, místě nákupu apod., a dále
je kombinovat s některými charakteristikami popisujícími postoje k produktu a postoje
k životu. Až následně se pak pokuste přidat něco z demografie, například kritérium věk.
20 BARTOCHA, K. (2015): RFM Segmentation – Introduction Slides, http://www.marketingdistillery.

com/.
13.5.3 Studie životního stylu

Studie životního stylu představují podmnožinu segmentačních studií. Realizují se obvykle
na velkém reprezentativním vzorku populace a slouží pro pochopení kontextu života,
životních hodnot, postojů k práci, společnosti a vnímání sebe samého. U studií životního
stylu se dají dobře uplatnit segmentační kritéria spokojenost s vlastním životem (prací,
společenským životem), postoje k životu (práci, společnosti), očekávání od sebe samých
či rodiny nebo hodnotový žebříček.
Kouzlem velkých studií životního stylu je pohled z ptačí perspektivy a popis DNA
národa. Jsou velmi užitečné pro někoho, kdo se chystá vstoupit na nový trh a potřebuje
pochopit místní náturu. Jejich výsledky jsou ale určené i lokálním zadavatelům. Zatímco
dříve byly změny v chování a hodnotách pozorovány v řádech desetiletí, soudobý techno-
logický pokrok je mění v řádech roků. Lifestylové a etnografické studie pokrývají obdobná
témata, některá z nich jsme zmínili v části věnované etnografii.
13.6 Kontinuální výzkum

Každé měření či výzkum má jeden zásadní nedostatek. Zachycuje momentální stav v jed-
nom daném čase a v jedné dané situaci. Dává přehled o něčem, co se může brzy změnit.
Náladu a postoje zákazníků mohou ovlivnit například Vánoce, začátek prázdnin, terori-
stický útok, negativní zpravodajství anebo slevová či reklamní kampaň. Marketéři si sice
jsou vědomi sezónních výkyvů v množství prodeje (například prodejci hodinek realizují
polovinu objemu prodeje kolem Vánoc), ale neznají výkyvy ve složení a motivaci svých
zákazníků – například pozorování, že přes rok nakupují více muži pro sebe, před Vánoci
zase ženy pro své partnery (Haley a Gatty, 1968).
Aby byly tyto změny zaznamenány, je vhodné výzkumy a sběr dat pravidelně opakovat.
Stále častěji velké firmy místo několika málo opakovaných vln měření provádějí kontinuální
výzkumy, tzv. tracking.21 Je to typ výzkumu, kde se data sbírají v delším období průběžně
(například každý týden). Následně se analyzují jak aktuální změny, tak i trendy a agrego-
vaná data za určitý časový úsek. Pozor, nejedná se o opakování na stejných respondentech.
U marketingových výzkumů se nejčastější tracking používá ke dvěma účelům:
■■ Měření klíčových indikátorů úspěšnosti společnosti (Key Performance Indicators –

KPIs): Měří se například prodeje, znalost značky, vnímání ceny, zkušenost zákazníků,
celkový postoj k zákazníkům. Umožňují srovnání a tedy i hodnocení úspěchu ma
nagementu.
■■ Přesnější analýza marketingových aktivit: Jde například o tzv. post-testy reklamy, které
umožní změřit, jak efektivní byla investice do reklamy, zda fungovala lépe investice do
některého typu média (televize, print), jaké je srovnání s konkurencí. Časté je měření síly
a image značky, které umožní identifikovat, co k této síle přispívá a proč, jak se image
21 V češtině i angličtině je terminologie nejednoznačná. Slovo tracking může označovat různé druhy
sledování (například eye-tracking). Zřejmě nejpřesnější je označení Continuous Tracking Study,
zkráceně Continous Tracker nebo pouze Tracker. Při sledování reklamy se mluví o Ad Tracker apod.
V češtině se v komerčním výzkumu obecně používá srozumitelný název „tracking“.
proměňuje v závislosti na konkurenci, a především, jak dopadají jednotlivé kampaně

a marketingové aktivity na postoje zákazníků.
Výhodou kontinuálního měření je, že výzkum může být validnější (menší vliv mají náhod-
né okolností, tedy lépe zjišťuji skutečně dlouhodobé ukazatele, které zjišťovat chci), umožní
podrobně sledovat reakce zákazníků v čase, pro hlubší analýzy je k dispozici větší vzorek.
Trackingové výzkumy jsou v praxi vyhledávané právě kvůli sledování reakcí, tedy kauza-
lity. Je důležité upozornit, že z hlediska sociologické metodologie jde o nepřímé sledování
kauzality. Správnou vědeckou metodou pro sledování příčiny a následku je laboratorní
nebo přirozený experiment či kvaziexperiment.
Firmy také často volí tracking z praktických důvodů. Protože v sobě spojuje průběžné
sledování i celkově velký vzorek respondentů, může to být výhodnější poměr výkon/cena,
než kdyby firma realizovala jednorázový výzkum s větším vzorkem.
Kontinuální měření má kromě úspory množství času a peněz, které je potřeba, také
určité nevýhody, respektive pro řadu věcí není vhodné. Pokud chceme například testovat
dopad reklamní kampaně a sledovat jej na specifických cílových skupinách, které nejsou
v populaci tak časté (mladí zákazníci značky X), máme dostatečný vzorek pro jejich analýzu
pouze v případě, že shrneme data za delší časové období. Zároveň platí, že validitu před-
určují položené otázky. Respondenti třeba nezřídka odpovídají, že zaznamenali reklamu
významné značky, i když tato značka více než dva roky neměla reklamní kampaň.
Mezi typické kontinuální projekty patří také mediální výzkumy a měření (viz část 12.4).
13.6.1 Typické kontinuální projekty

Typický příklad rozsáhlého trackingového marketingového výzkumu ukazuje tabulka 13.2.
Tabulka 13.2: Příklad sběru dat a výstupy trackingu
Čas W1 W2 W3 W4 M1 Q1 Y1 Y2
Hlavní vzorek 35 35 35 35 140 420 1 680 1 680
Doplňkový
15 15 15 15 60 180 640 640
vzorek
Analýza
průměr Průměr Měsíční Analýza Meziroční
Výstup není není podskupin
W1_W2 W2_W3 report Q1 srovnání
a trendů
Zdroj: autor
Výzkumná agentura pro zadavatele každý týden realizuje 35 rozhovorů na reprezentativním

vzorku populace (ať už jako dotazníkové šetření CAPI, nebo jako dotazník na online pa-
nelu). K tomu doplňuje další rozhovory tak, aby týdně nasbírala 15 odpovědí respondentů,
kteří například nakupují výrobky značky X. Od třetího týdne (W3) může tedy v tabulce
či grafu reportovat klouzavý průměr. Tedy vždy průměr za tolik období, aby byl vzorek
dostačující a nedocházelo k přílišným nahodilým výkyvům. Dodává se většinou formou
elektronického dashboardu, automatizované tabulky či online portálu. Po měsíci (M1)
může reportovat analýzy na celém vzorku (200) a významně zastoupených podskupinách
(muži, ženy, rodiny apod.), čtvrtletně (například Q1) již relativně podrobné rozbory. Roční
vzorek (Y1) bohatě stačí na detailní analýzu síly značky apod.
V praxi se nemusí sbírat data každý týden či měsíc (vynechává se například obdo-
bí, kdy se produkt zadavatele vůbec neprodává, nebo kdy se prodává velmi specificky).
V době velkých investic do reklamy se může naopak vzorek zvětšit, aby šlo lépe sledovat
efekt. Podmínkou je, aby bylo nějak průběžně a v pravidelných intervalech pokryto delší
časové období. Kontinuální výzkum může mít také specifické části, které se přidávají jen
v některém období.
Před samotným trackingovým výzkumem se často realizuje kvalitativní a kvantitativní
výzkum, ve kterém se vybírají prioritní oblasti, na něž se má dlouhodobé sledování zaměřit.
Nejčastěji se kontinuální trackingy zaměřují na prodeje (prodejní data) nebo na dota-
zování na sílu značky, spokojenost zákazníků a efektivitu marketingové komunikace. Tyto
okruhy otázek jsou často kombinované či se flexibilně přidávají jen v některých obdobích,
tzv. se „zapínají a vypínají“.
Příklad
Kde „ztrácíme“ zákazníky? Relativně nový poskytovatel bankovních služeb průběžně

sleduje, jaký vztah mají zákazníci k jeho značce, firmě a službám. Na základě předchozího
výzkumu chce především sledovat, že značka přitahuje spíše „šetrné“ zákazníky, bohatší
segment dává přednost jiným značkám.
V trackingové studii na vzorku (100 lidí měsíčně) těch, kteří využívají bankovní služby
v České republice, sleduje průběžně například: zda lidé znají značku a služby společnosti,
považují je za výhodné, vstřícné, populární, inovativní, prestižní či spolehlivé; kolik zákaz-
níků služby zná, kolik je vyzkoušelo, kolik je nadšených, loajálních, pouze spokojených či
nespokojených; o které konkurenci uvažují a kterou využívají apod.
Marketing má k dispozici měsíční data v podobě grafů a tabulek s klouzavými průmě-
ry a se statistickými testy (ověřují, zda jde o náhodné výkyvy, nebo skutečný trend). Na
základě kvartálních reportů hodnotí marketingové a obchodní aktivity. Data potvrzují, že
značka je dostatečně známá, je vnímaná jako cenově výhodná, ale movitější zákazníci se
obávají spolehlivosti bankovního ústavu. Vnímání banky u této skupiny se zhoršuje v době
špatných ekonomických zpráv, ale také ve chvíli, kdy banka nabízí v agresivní reklamní
kampani půjčky.
Na základě půlročních dat banka oznámí sponzoring sportovního týmu, rozšíří počet
poboček v centru hlavního města a vytvoří nový balíček služeb pro podnikatele.
Z ročních dat banka získává informaci, které aspekty image a služeb lákají určité skupiny
zákazníků ke značce a které jsou naopak bariérou. Meziroční srovnání je využito ke zhod-
nocení práce marketingového teamu a plánování marketingového rozpočtu.
●●●
Vyplatí se investice do reklamy? Výrobce automobilů ročně spouští několik reklamních

kampaní, tento rok s důrazem na model městského auta, jež je určeno mladým lidem
z průměrné příjmové skupiny. Chce znát účinnost komunikace a její správné nastavení.
V trackingu sleduje kromě povědomí o značce a jejího vnímání následující: zda dotazovaní
zaznamenali kampaň značky či konkurence, co si z ní pamatují, jak ji hodnotí, jaké modely

aut znají, jak různé modely vnímají, co si myslí o novém modelu výrobce. Tracking začíná tři
měsíce před spuštěním kampaně na vzorku 150 lidí měsíčně (měsíc po kampani je přidáno
100 rozhovorů navíc) a přidaném vzorku 80 lidí pod 30 let, kteří uvažují, že si auto pořídí.
Na základě měsíčních dat automobilka zjišťuje, že většina potenciálních zákazníků za-
znamenala nový model již před spuštěním kampaně, díky nové kampani se zlepšilo vnímání
značky u mladých žen o několik procentních bodů, ale nikoliv u mladých mužů, a televizní
kampaň je zaměnitelná s reklamou jiných automobilek. Na základě kvartálního zhodnocení
je přesunuta část mediálního rozpočtu z televize do outdooru a eventů pro mladé muže. Je
upravena verze reklamy, která přidává další informace ve voiceoveru. V ročním vyhodnocení
se sleduje, které kampaně automobilky a její konkurence přinesly největší odezvu a proč.
13.6.2 Analýzy kontinuálního měření a modelování

Výhodou kontinuálního sběru dat je analýza trendů a časových souvislostí. Typickou
otázkou je, jaký vliv na prodeje či postoje zákazníků má reklama a další aktivity marke-
tingu. Odpověď lze apromixovat analýzou modelování dopadů marketingových aktivit
na postoje zákazníků.
75
50
25 Base
0
10
Awareness
Index
500
TVRs
0
4-Week Periods
Obrázek 13.10: Příklad modelování při kontinuálním výzkumu (zdroj: autor, adaptováno
podle Brown, 1986).
Na obrázku 13.10 je například znázorněno modelování vlivu kvality reklamy na postoje

zákazníků, jak ho již v roce 1986 navrhl průkopník měření efektivity reklamy Gordon
Brown. Zjednodušeně řečeno modelování spočívá v tom, že se snažíme najít parametry
křivky (přerušovaná čára), která reaguje na investice do reklamy (TVRs), ale zároveň co
nejvěrněji kopíruje (tedy vysvětluje) skutečné výsledky – v tomto příkladu odpovědi re-
spondentů, že zaznamenali reklamu značky X (plná čára). Tyto parametry (sklon křivky
a její počáteční hladina – base) ukazují na efektivitu reklamy (tedy kolikrát se „znásobí“
investice, zde vyjádřeno v Awareness Index) a dovolí nám předvídat, jaký dopad bude mít
další investice do stejné exekuce či kampaně.
Modelování marketingové komunikace bývá ze strany reklamních agentur často kriti-
zováno. Namítají, že zjednodušení analýzy reklamy na několik parametrů může zatemnit
či upozadit roli kreativity, místo aby její efekt osvětlovalo. Také upozorňují, že dnešní
permanentní zahlcení marketingovou komunikací ze všech stran může být pro tento typ
analýzy příliš komplexní.
KAPITOLA 14
14. Výběr výzkumné agentury

14.1 Externí a interní tým pro výzkumný projekt

Jedna z důležitých otázek, kterou si uživatelé výzkumů kladou, je následující: Je lepší reali-
zovat výzkumné projekty interně, nebo použít externí agenturu? Řešení této otázky závisí
na filozofii dané firmy a na intenzitě výzkumných projektů, které daná firma realizuje. Ve
větších firmách, jež pravidelně realizují větší počet výzkumných projektů, obvykle působí
interní výzkumné oddělení, které může některé projekty realizovat samo, případně (a často)
ve spolupráci s agenturním partnerem.
Klíčovou výhodou interního oddělení je možnost kontinuálně analyzovat komplexní
interní a externí datové zdroje a hluboká znalost dané kategorie a strategie firmy. Agenturní
pracovníci do projektu přináší nezávislý pohled, stále se zdokonalující znalosti výzkumných
technik a pokročilých výzkumných nástrojů. Přehledná tabulka 14.1 obsahuje podrobný
seznam výhod a nevýhod obou řešení.
Tabulka 14.1: Porovnání interního a externího týmu
Interní výzkumné oddělení Agenturní partner

Interní výzkumné oddělení tvoří stálý náklad na Zadavatel platí pouze náklady spojené s daným
pracovní sílu. projektem.
Analytická činnost může probíhat průběžně, Analýza probíhá podle dohody zadavatele
flexibilně podle požadavků interních oddělení. s realizátorem.
Citlivé informace o firmě zůstávají interní Agentura musí zadavateli zaručit důvěrnost
záležitostí. poskytnutých a nově získaných informací.
Interní výzkumný tým lépe porozumí specifikům Agentura disponuje specializovanými
své firmy a kategorie. technologiemi a nástroji.
Možné jsou menší příležitosti vzdělávání ve Agenturní pracovníci se mohou v oboru více
výzkumném oboru, například užití nových vzdělávat, získají zkušenosti prací na různých
technik. projektech.
Tlak na další profesní rozvoj je rovněž zaručen
konkurenčním prostředím.
Respondenti reagují pozitivněji, pokud je výzkum Agentura poskytne nezávislý pohled zvenčí,
realizován přímo danou firmou, než když jsou zpracuje pozitivní i negativní odpovědi
dotazováni třetím subjektem. s neutrálním postojem.
Neutralita je klíčová podmínka objektivního
výzkumu, interní pracovník je ovlivněn firmou,
kde je zaměstnán.
Zdroj: autor
14.2 Výběr agentury a cíle projektu

Pro uvědomění si základních parametrů při výběru agenturního partnera lze použít pro-
jektový trojimperativ (projektový trojúhelník; v anglické literatuře se označuje jako triple
constraint nebo iron triangle). Vychází z premisy, že každý projekt je realizován za určitých
podmínek či omezení. Typicky zvažujeme, že každý projekt se realizuje za určitý rozpočet
a musí být doručen v určitém čase – tedy tak, aby výstupy výzkumného projektu moh-
ly být skutečně využity při určitém rozhodování. Třetí dimenzí trojúhelníku je rozsah
Výběr výzkumné agentury 251
a výsledná kvalita, přičemž změna libovolné strany trojúhelníku má vliv na ostatní dvě
strany. V praktické rovině lze například říci, že pokud je třeba realizovat nějaký projekt ve
zrychleném procesu, může to ovlivnit cenu, kvalitu či rozsah projektu.
Kvalita/rozsah Čas
Rozpočet
Obrázek 14.1: Projektový trojimperativ (zdroj: autor)
Pravidlo trojimperativu říká, že při definici či úpravě projektu je možné si vybrat dva ze
tří parametrů jako cílové. Stejnou logiku je možné využít při volbě agenturního partnera.
Potřebujeme-li rychle získat jistá data pro přesně definovaný projekt, budou výběrová
kritéria spíše rychlost a cena, pokud hledáme agenturního partnera pro komplexní vý-
zkumný projekt, který bude tvořit důležitý podklad pro signifikantní změnu ve strategii
firmy, pak může mít větší váhu schopnost agentury zvládnout komplexní projekt, kvalitně
sebrat, analyzovat a interpretovat data na vyšší úrovni. Je dobré si v této fázi uvědomit,
že existují různé typy agentur, jež poskytují různé služby a odlišný rozsah těchto služeb.
14.3 Typy výzkumných agentur

Full service: Velké, často mezinárodní organizace, které nabízejí široké spektrum výzkum-
ných řešení. Agentury řídí celý výzkumný projekt, včetně interních kapacit pro sběr dat.
Agentury mají sofistikované klientské procesy a konkrétní zkušenosti z většiny sektorů,
spotřebitelských segmentů a trendů na trhu.
Kvalitativní/kvantitativní agentury: Některé agentury se primárně specializují na určité
typy výzkumů. Kvalitativní agentury často ovládají široké spektrum kvalitativních technik,
které zjišťují názory, pocity a postoje spotřebitelů. Kvantitativní agentury se specializují na
techniky získávání a analýzu tvrdých dat, často v určité specifické oblasti.
Specializované: Agentura se specializuje na jistou oblast výzkumu, například na rekla-
mu, výzkum korporátního prostředí, maloobchod, online prodej a podobně.
Agentury specializované na sběr dat: Agentury se specializují na jistou oblast sběru
dat, například nabízejí mystery shopping, spravují online panel nebo mají CATI studio
(telefonický výzkum). Taková agentura dodá data bez další analýzy či interpretace.
Agentury specializované na analýzu dat: Agentura se specializuje na pokročilou ana-
lýzu dat dodaných zadavatelem.
14.4 Postup při výběru agentury

Výběr agentury je velmi důležitý proces, který pomůže zadavateli správně nastavit podstat-
né parametry projektu. Zvláště pokud se jedná o relativně novou oblast znalostí a technik,
mohou agentury svými nabídkami blíže osvětlit různé aspekty daného projektu a lépe
definovat kritéria jeho úspěšnosti. Cena projektu se také může při použití různých metodik
podstatně lišit a výběrové řízení umožní porovnání přístupů a cen. Je důležité konstatovat,
že pro agentury je výběrové řízení nákladný a časově náročný proces, proto je důležité,
aby zadavatel efektivně řídil proces výběru agentury, poskytnul jasné zadání a deklaroval
dostatečně konkrétní výběrová kritéria.
Proces výběru výzkumné agentury tvoří několik kroků:
1. vytvoření seznamu agentur,

2. zjištění bližších informací o agenturách,
3. vytvoření užšího seznamu agentur,
4. stanovení kritérií výběru agenturního partnera,
5. zahájení výběrového řízení,
6. výběr agentury a zahájení projektu.
Prvním krokem při výběru výzkumné agentury je vytvoření seznamu agentur, přičemž
typ agentur je odvozen od cílů a zadání výzkumného projektu. Způsobů, jak takový seznam
vytvořit, je několik.
Seznam tvoří agentury, s nimiž má firma pozitivní zkušenosti. Doplní se o agentury,
které doporučí kolegové z jiných společností. Rozšíří se o agentury, které mají doporučení
profesních asociací. V České republice působí Sdružení agentur pro výzkum trhu a veřej-
ného mínění (SIMAR), případně lze vyhledat členy mezinárodní organizace výzkumných
pracovníků a firem ESOMAR.
V další fázi je vhodné zjistit si bližší informace o agentuře, jejích lidech a zázemí. Zá-
kladní informace je možné dohledat na internetových stránkách, případně si lze vyžádat
podklady od agentur, nebo je pozvat je na krátkou prezentaci. Vhodnost agentur se pak
porovná s relevantními kvalifikačními kritérii pro zamýšlený projekt.
Obecné informace o agentuře (kvalifikační kritéria):
■■ délka působení agentury na trhu,

■■ velikost agentury podle obratu a počtu zaměstnanců,
■■ vlastnická struktura a propojení s dalšími subjekty,
■■ způsob oddělení výzkumných aktivit od dalších činností,
■■ agentura je součástí mezinárodní sítě, nebo se jedná o lokální firmu,
■■ členství ve výzkumných organizacích (mezinárodně ESOMAR, lokálně SIMAR),
■■ dodržování standardů kvality a výzkumnické etiky podle existujících norem,
■■ dodržování pravidel a zákonů na ochranu dat,
■■ pravidla práce s informacemi získanými od zadavatele,
■■ nástroje na sdílení dat se zadavatelem,
Výběr výzkumné agentury 253
■■ existující klíčoví klienti a typy projektů, délka trvání již existujících projektů,
■■ možný konflikt zájmů a způsoby jejich řešení.
Informace o lidech a zázemí agentury:
■■ zkušenosti a profil klíčových manažerů, zkušenosti členů týmu,

■■ zkušenosti týmu s danými typy metod a danou problematikou,
■■ přístup k projektovému řízení, způsob nastavení a řízení projektů.
Na základě kvalifikačních kritérií se vytvoří užší seznam tří až pěti agentur, které budou
následně vyzvány k předložení nabídky na konkrétní zadání projektu.
Dalším krokem je stanovení kritérií výběru agenturního partnera. Kritéria se liší podle
typu výzkumného projektu. V případě pravidelně se opakujícího výzkumného projektu,
jehož parametry jsou dopředu známy, se zvolí jiná kritéria než u projektu, který mapuje
novou oblast nebo hledá originální, dosud nepoužitá řešení.
Rozhodování o nejvhodnější agentuře je komplexní proces, do kterého zasahuje mnoho
kvantitativních i kvalitativních faktorů. Čím kvalitnější a konkrétnější je interní diskuse
o kritériích výběru, tím jednodušší a transparentnější je pak konečný výběr. Pro názornost
si je možné představit dva různé modely stanovení kritérií.
Model A: Vybere se rozhodující kritérium, ostatní jsou brána jako doplňková a rozhod-
nou o výběru v případě vyrovnaného výsledku dodavatelů u klíčového kritéria. Často je
prvním zvažovaným kritériem cena projektu. Nejnižší cena však nemusí být vždy zárukou
nejlepšího a nejkvalitnějšího řešení, proto je nutné si v této fázi uvědomit, co je na daném
výzkumném projektu důležité. Nabízí se následující kritéria:
■■ Agentura umožní nejlepší zapojení výsledků výzkumu do praxe (například prezentace,

schopnost vysvětlit závěry, nástroje na další práci se získanými daty, napojení dat na
existující informace u zadavatelů).
■■ Vzájemné sympatie a dobré zkušenosti. Tým, který na daném projektu pracuje, je zku-
šený, kvalitní a zadavatel s ním má chuť spolupracovat.
■■ Tým agentury prokazuje detailní znalost cílového segmentu spotřebitelů a produktové
kategorie.
■■ Projektové řízení agentury zaručuje kvalitní a včasné dodání výsledků.
■■ Doporučení agentury odráží dobrou orientaci v problematice a napomáhá v důležitých
rozhodnutích.
Model B: Místo jednoho hlavního kritéria můžeme stanovit kritérií několik a určit jejich
relativní váhu. Příkladem jsou hypotetická kritéria v tabulce 14.2, kde agentura A získala
po zvážení všech faktorů výběru více bodů než agentura B.
Tabulka 14.2: Příklad výběru výzkumné agentury
Kritérium Váha Agentura A Agentura B

Cena 20 5 100 2 40
Pochopení zadání 20 4 80 5 100
Prezentační dovednosti 10 2 20 4 40
Kvalita týmu 20 3 60 4 80
Výzkumné nástroje 10 5 50 3 30
Rychlost zpracování projektu 20 4 80 1 20
Celkem 100 390 310
Zdroj: autor
Se zadáním výzkumného projektu a jasně definovanými kritérii, jež zohledňují potřeby

všech zúčastněných stran u zadávajícího subjektu, lze oslovit agentury z užšího seznamu
a vyhlásit výběrové řízení. Zadavatel stanoví odpovídající časový prostor pro vypracování
nabídky, specifikuje účast zodpovědných osob, stupně rozhodovacího procesu a poskytne
případné podrobnější vysvětlení zadání účastníkům výběrového řízení. Agentury poté na
základě zadání vypracují návrh výzkumného projektu.
V posledním kroku je vybrána vítězná agentura. Návrh výzkumného projektu je
podkladem pro smluvní vztah. Obsahuje rozpočet, načasování, požadavky na výstupy
a ostatní specifika výzkumného projektu.
KAPITOLA 15
15. Etika v marketingovém

výzkumu
V ýzkumný obor, stejně jako jakákoliv jiná oblast podnikání, musí dodržovat pří-
slušné zákony dané země a při svém počínání se chovat eticky. Etika se zpravidla
zabývá jednáním lidí vůči ostatním lidem a nabádá aktéry, aby se chovali podle norem
a pravidel, jež určují, co je dobré a co špatné, co je správné a nesprávné. Souhrn způsobů
jednání – tedy morálka – pak představuje jisté zažité normy, které si daná společnost či
obor společně stanoví.
Ve výzkumu jsou tyto normy definovány s ohledem na subjekty údajů, o nichž jsou
informace sbírány a využívány. Dále se obecně vztahuje na širokou veřejnost, s důrazem
na chápání výstupů výzkumných projektů; konečně jsou to profesionální pravidla regulující
chování vůči zadavatelům, jež se zaměřují na kvalitu a metodickou čistotu výzkumných
projektů.
15.1 Ochrana subjektů údajů

Informace lze v dnešním světě získat různými metodami. Nové zdroje dat díky digitál-
ním technologiím rychle narůstají a proměňují se. Vypovídací schopnost informací však
stále do velké míry závisí na vůli jednotlivců o sobě poskytovat informace. Výzkum trhu
i výzkum veřejného mínění je významný obor, který umožňuje získávání takových objek-
tivních informací, a proto se musí v tomto prostředí chovat tak, aby byla udržována a dále
budována důvěra veřejnosti v profesionalitu firem a jednotlivců ve výzkumném oboru.
Pro zadavatele výzkumných šetření, realizátory výzkumných projektů a jejich subdo-
davatele je proto důležité poskytnout subjektům výzkumu záruku, že každý projekt bude
prováděn s čestnými úmysly, nezpůsobí subjektu výzkumu žádnou újmu a naruší soukromí
jednotlivce jen minimálně.
Základní principy ochrany subjektů údajů jsou následující:
■■ Transparentní sdělení o povaze a účelu sběru dat: Výzkumníci musí respondentům

jasně sdělit, jaké informace budou o jednotlivcích shromažďovat, uvést účel, pro který
se data shromažďují, a popsat, kdo a v jaké formě bude mít k těmto informacím přístup.
■■ Ochrana dat: Účastníci výzkumného projektu musí subjektu údajů zaručit, že osobní
data jsou odpovídajícím způsobem chráněna proti neoprávněnému přístupu a nebudou
bez souhlasu subjektu údajů zveřejněna.
■■ Etické chování: Výzkumní pracovníci se musí vždy chovat eticky, nedělat nic, co by
mohlo subjektu údajů způsobit jakoukoliv materiální či nemateriální újmu.
Mezi důležité oblasti ochrany subjektů údajů patří také ochrana dětí a zranitelných skupin,
kde musí výzkumníci postupovat se zvláštní péči a vyžádat si souhlas s účastí ve výzkumu
u zákonného zástupce. Normy také řeší práci se sekundárními daty, pravidla přenosu dat
do jiných zemí a důležitost ochrany přístupu k datům.
Zvláštní péče se také věnuje oddělení výzkumné aktivity od obchodních, prodejních
a marketingových aktivit. Osobní data, která byla získána pro výzkumné účely, nesmí být
následně využita pro obchodní činnost, například pro kontaktování účastníka výzkumu
se specifickou obchodní nabídkou.
Etika v marketingovém výzkumu 257
15.2 Chování vůči zadavatelům

Výzkumná komunita také vždy cítila potřebu poskytnout záruky zadavatelům výzkumu, že
informace z výzkumných šetření jsou založeny na objektivních datech získaných metodami,
které mají vypovídací schopnost. Výzkumníci tak kromě povinnosti navrhnout zadava-
telům výzkumný projekt, jenž je v souladu s příslušnými vědeckými principy výzkumu,
musí umožnit zadavatelům nezávislou kontrolu sběru a úpravy dat. Zvláštní pozornost je
věnována i důslednému oddělování zjištění vycházejících z daného výzkumného projektu
a jejich další interpretaci ve výzkumné zprávě.
15.3 Odpovědnost široké veřejnosti

Výzkum ovlivňuje nejen strategické rozhodování firem, ale poskytuje také informace
společnosti, které mohou občanům pomoci rozhodovat se v demokratickém procesu.
Je tedy důležité, aby při publikování výzkumů veřejného mínění realizátor umožnil co
nejtransparentnější přístup k metodologii provedené studie, poskytl všechny relevantní
informace, které jsou potřebné k posouzení validity předkládaných tvrzení, a zajistil, aby
publikovaná tvrzení byla podpořena daty.
Samoregulační mechanismy ve výzkumném oboru: Snaha dohodnout se na normativ-
ních etických pravidlech výzkumného oboru je dlouhodobá. Profesní asociace výzkumných
pracovníků v jednotlivých zemích definují svá vlastní etická pravidla, snaží se o osvětu
těch, kteří v profesi působí, řeší případná pochybení a vzdělávají komunitu, jež výzkum
zadává, realizuje či užívá. V České republice tuto roli od roku 1995 plní Sdružení pro
výzkum trhu a veřejného mínění SIMAR, jež publikuje podrobné kvalitativní standardy
hlavně v oblasti sběru a zpracování dat. Globálně (již od roku 1948) vyvíjí etická pravidla
mezinárodní organizace profesionálů ve výzkumu trhu a veřejného mínění ESOMAR.
Od roku 1977 ESOMAR a Mezinárodní obchodní komora společně vydávají ICC/
/ESOMAR Kodex výzkumu trhu, který formuluje základní etické principy chování vý-
zkumné komunity. Nejnovější verze Kodexu22 byla schválena hlasováním členů ESOMAR
na sklonku roku 2016, je dostupná na stránkách ESOMAR.
Právní úpravy týkající se výzkumu trhu a veřejného mínění: S výzkumným oborem
v České republice souvisí zejména Zákon o ochraně osobních údajů (č. 101/2000 Sb.), který
bude v květnu 2018 nahrazen Nařízením Evropského parlamentu a Rady (EU) 2016/679
ze dne 27. dubna 2016 o ochraně fyzických osob v souvislosti se zpracováním osobních
údajů a o volném pohybu těchto údajů. Nová směrnice nabízí lepší ochranu soukromí
jednotlivců v kontextu internetu a moderních sledovacích nástrojů a zavádí v zemích
Evropské unie jednotnou právní úpravu.
22 ICC/ESOMAR International Code on Market, Opinion and Social Research and Data Analytics,
2016.
Literatura
ANDERSON, Ch. (2008): The End of Theory: The Data Deluge Makes the Scientific Method
Obsolete. Dostupné z: https://www.wired.com/2008/06/pb-theory/.
BROWN, G. (1986): „Modelling Advertising Awareness“, in: Journal of the Royal Statistical
Society. Series D (The Statistician), 35(2), s. 289–299.
De VAUS, D. (2002): Analyzing Social Science Data. US: Sage Publications.
DISMAN, M. (2011): Jak se vyrábí sociologická znalost. Praha: Karolinum Press.
ESOMAR (2016): Mezinárodní kodex výzkumu trhu a veřejného mínění. Praha: Sdružení
agentur pro výzkum trhu a veřejného mínění SIMAR.
GABOR, A. (1988): Pricing: Concepts and Methods for Effective Marketing. U.K., Hamp-
shire: Gower Publishing.
GREENBOOK RESEARCH INDUSTRY TRENDS REPORT (2017). Dostupné z https://
www.greenbook.org/images/GRIT/2017/GRIT2016-Q3-4.pdf.
GROVER, R., VRIENS, M. (2006): The Handbook of Marketing Research: Uses, Misuses,
and Future Advances. US: Sage Publications.
HALEY, R. I., GATTY, R. (1968): „Monitor Your Market Continuously“, in: Harvard Busi
ness Review, 46(3), s. 65.
HALONEN, E. (2014): How to Apply Behavioural Economics in Market Research: Advice
from Dan Ariely. Dostupné z: https://rwconnect.esomar.org/how-to-apply-behavioural-
-economics-in-market-research-advice-from-dan-ariely/.
HAMILTON, J., ESOMAR (1989): What is market research? Amsterdam: ESOMAR.
CHAN, E., SENGUPTA, J. (2010): „Insincere Flattery Actually Works: A Dual Attitudes
Perspective“, in: Journal of Marketing Research, 47(1), s. 122–133.
KOTLER, P., ARMSTRONG, G. (2016): Principles of Marketing. US: Pearson Education.
LEVITT, T. (1960): „Marketing Myopia“, in: Harvard Business Review, 38(4), s. 24–47.
MORWITZ, V. G., STECKEL, J. H., GUPTA, A. (2007): „When Do Purchase Intentions
Predict Sales?“, in: International Journal of Forecasting, 23(3), s. 347–364.
NEWTON, D., MILLER, J., SMITH, P. (1993): „A Market Acceptance Extension to Tra-
ditional Price Sensitivity Measurement,“ in: Proceedings of the American Marketing
Association Advanced Research Techniques Forum.
RESEARCH WORLD (2014): The Future of Market Research. Dostupné z: https://rwconnect.
esomar.org/the-future-of-market-research/.
ROSS, J. W., BEATH, C. M., QUAADGRAS, A. (2013): „You May Not Need Big Data After
All“, in: Harvard Business Review, 91(12), s. 90–98.
ŘEZANKOVÁ, H.: Analýza dat z dotazníkových šetření, Průhonice: Professional Pub-
lishing, 2011.
SPIR, (2015): Trendy v návštěvnosti internetu. NetMonitor. Dostupné z: http://www.net
monitor.cz/sites/default/files/prilohy/IAC%202016%20-%20NetMonitor%20ro%C4%-
8Denka%202015.pdf.
Rejstřík 259
Rejstřík
A D
ABCDE klasifikace 80, 130–138 datification 195
absolutní četnosti 46, 83, 90–92 decil 87
aktualizace dat 62, 68, 71 deklarativní metody 30
animatik 155 dendrogram 99, 100, 243
anketa 48 deníčkový výzkum 163, 164, 174, 177
aritmetický průměr 87 desk research 22, 28
asociace 31, 40, 42, 44, 45, 99, 131, 141, deskriptivní výzkum 37, 38
162, 174–177, 186, 207–209, 218, 233– dichotomická proměnná 77
236, 241, 252, 257 diskrétní proměnná 77
audiomatching 164, 167, 171, 174, 178 dosběr 200
audiometr 163–166, 170 dotazování 19, 27, 29, 30–32, 36, 46, 49,
53, 55, 56, 59, 62, 64, 66, 68, 78, 80, 131,
B 151, 155, 162–164, 170, 175–177, 186,
behaviorální segmentace 129, 243 190, 192, 194, 197–203, 205–209, 225,
benchmark 227, 228 231, 246, 250
big data 65, 195, 205, 206, 208 dyáda 44, 45, 185
biometrie 189, 201–203, 206
E
C etnografie 31, 32, 124, 185–187, 205, 244
CAPI 59, 145, 170, 176, 197, 198, 245 experiment 29, 31–33, 36, 38, 46, 73, 151,
category management 178 206, 207, 245
CATI 59, 145, 162–164, 170, 175, 177, expertní rozhovor 31, 37, 44
194, 197–201, 251 externí data 27
CAWI 59, 145, 162, 164, 170, 177, 198–
201, 205 F
cílová skupina 21, 49, 57, 120, 154, 175, faktorová analýza 100, 241
176, 185, 236, 237 fixní měřidlo 165
cloud computing 109, 110 frekvenční tabulky 83, 84, 90
conjoint 187–194, 207, 214, 219–221, 225,
226 G
crossmediální zásah 173, 174 generace 64, 124, 125, 170, 173, 200
Č H
četnost 26, 37, 38, 46, 70, 71, 80, 81, 83, hierarchické metody 99
84, 86–88, 90–95, 226, 239, 240 histogram 88, 134
čištění dat 78, 79
Ch
chí-kvadrát test 95
I M
individuální hloubkový rozhovor 44 marginální četnosti 90, 92
infografika 119–121 marketingový informační systém 13
informace 13, 14, 18–20, 22, 23, 26–31, média 40, 62-65, 69, 87, 130–132, 137,
39, 42, 46, 49–51, 53–55, 57, 78, 110, 138, 160–167, 169, 171–177, 185, 187,
114, 118–120, 129, 131, 138, 140, 144, 204, 205, 226–232, 241, 244, 245, 247
145, 151, 153–155, 158, 160, 161, 164, Media Projekt 62, 63, 132, 175, 176
167, 168, 174, 187, 191, 193, 195, 202– mediální výzkum 160, 162, 163, 174, 245
204, 209, 230, 231, 238, 247, 250, 252, medián 87–89
253, 256, 257 mediatyp 131, 161–163, 171–174, 178,
interaktivní reporty 118 204, 205, 229–231
interní data 13, 14, 27, 196, 203 médium 73, 162, 172, 227, 228, 231
intervalová proměnná 77, 95 měkká data 26, 27, 42
měření elektronických médií 164
K měření médií 160–163, 166, 173, 174
kauzální výzkum 36, 38 měření televizní sledovanosti 67, 163,
klasifikace 27, 80, 105, 124–127, 129–135, 165–171 , 174, 205
137, 138 miniskupiny 44, 45
klouzavý průměr 230, 245 modus 84, 86, 87
koeficient determinace 97 monadický 215
koláčový graf 84, 85
kombinace metod 198 N
komerční média 161 NetMonitor 64, 132, 163, 172, 176, 205
kontingenční tabulka 90 neuromarketing 152–155, 205–207, 227
kontinuální výzkum 46, 47, 62, 162, 163, nominální proměnná 77, 83
167, 244, 246 normové proměnné 70
kontrolní skupina 32, 33, 214 nová média 187
kontrolní znaky 70
korelační koeficient 95, 98 O
krabicový graf 88, 89 očekávaná četnost 94
kumulativní četnost 86 online panel 64, 72, 151, 170, 174, 199,
kvalitativní proměnná 77 245, 251
kvalitativní výzkum 31, 42, 43, 140, 145, opora výběru 50
146, 154, 194, 196, 206, 212, 214, 234, ordinální proměnná 86
236
kvantitativní proměnná 77, 86–88, 95, 97 P
kvantitativní výzkum 31, 46, 141, 145, panel 54, 62–73, 105, 151, 152, 164–168,
146, 167, 172, 194, 212, 214, 228, 234, 170, 171, 174–176, 178, 198, 199, 201,
246 245, 251
kvartil 87, 89, 227 –– domácností 62–68, 72
kvóty 51, 52, 70, 80, 180 –– respondentů 63–73, 164, 174
panelová data 62
L panelový efekt 54, 73
longitudinální studie 47, 48, 62, 63 panelový výzkum 62, 71, 72
pearsonův koeficient korelace 95, 96
Rejstřík 261
PEM 163, 166, 167, 174, 205 sloupcový graf 84, 85, 92, 93
peoplemetr 163–167 směrodatná odchylka 87, 88
percentil 87, 88 socioekonomická klasifikace 130–132
Poměrová proměnná 77, 193 socioekonomické skóre 133, 134, 138
pozorování 19, 27, 29, 31, 32, 36, 46, 62, spojitá proměnná 77, 97
89, 95, 99, 100, 140, 156, 178–181, 183, spotřebitelský panel 65
185, 186 správa panelu 62, 66, 68
profesionalizace respondentů 73 SPSS 97, 102–104, 106
projekční váhy 81 statistické testování hypotéz 94
projektivní techniky 45, 141, 186, 234, systémová chybějící hodnota 78, 79
235
pruhový graf 84 T
psychodemografické typologie 128 teoretické četnosti 71, 80, 81
tradiční média 161
R triáda 44, 45, 185 opravit na „triáda“
Radioprojekt 62, 63, 132, 164, 170, 175 TV-metrový panel 69, 70
rating 65, 113, 162, 170, 175 tvrdá data 26, 27, 154
reach 63, 72, 162, 170, 172, 173, 175, 204, typologie 100, 124, 127–129
231
recall 163, 164, 170, 172, 175, 228 U
regrese 96–98, 102, 146 univerzum 81, 237
rekrutace 43, 62, 63, 67, 70, 71, 73 úplné šetření 49
relační výzkum 38, 39 validní četnost 83
relativní četnost 46, 83, 86, 91, 92 variační koeficient 87
reprezentativita 67, 69, 80, 81, 239 variační rozpětí 87
reziduum 94 vážení 70, 71, 76, 80, 81
vážený vzorek 80, 81
Ř veřejnoprávní média 161
řádkové relativní četnosti 92 výběrová metoda 238
výběrová šikmost 88
S výběrová špičatost 88
sakáda 156 výběrové šetření 48, 49
sběr dat 23, 42, 46, 52, 54, 62, 66, 144, výběrový kvantil 87
145, 164, 194, 195, 199–201, 229, 244, výběrový rozptyl 87
251 výběrový soubor 49–52, 54, 57, 58, 87,
segmentace 99, 124, 129, 188, 203, 238– 146
240, 242, 243 výzkumný brief 20, 21
sekundární zdroj dat 28 výzkumný cíl 21, 144, 145
share 113, 115, 162, 175
shluková analýza 99 W
signifikance 95, 98 watermarking 165, 167, 171
single source data 174, 178
site centric 171, 176 Z
skupinová diskuse 31, 37, 42–45, 140, základní soubor 47, 51, 57, 237
145, 154, 162, 226, 228 zaváděcí výzkum 50, 167

Nabídka nakladatelství Grada Publishing
Marketing management
14. vydání
Philip Kotler, Kevin Lane Keller
Čtrnácté vydání nejuznávanější učebnice mar-

ketingového řízení, tzv. bible marketingu,
přináší nejnovější poznatky marketingové
teorie a praxe. Reflektuje dramatické změny
v marketingovém prostředí, rostoucí význam
udržitelného a „zeleného“ marketingu a roz-
voj počítačů, internetu a mobilních telefonů.
Pozornost je věnována i sociálním médiím.
Všechna témata jsou aktualizována a dopl-
ISBN 978-80-247-4150-5 něna o nové přístupy a příklady.
816 stran
2290 Kč
Průvodce základními sta-

tistickými metodami
Marie Budíková, Maria Králová, Bohumil Maroš
Přehledná publikace seznámí čtenáře se zá-

kladními statistickými metodami a praktic-
kými aplikacemi statistiky. První část knihy
se věnuje popisné statistice, druhá základním
poznatkům z počtu pravděpodobnosti a tře-
tí vybraným metodám induktivní statistiky,
např. konstrukci intervalů spolehlivosti, tes-
tování hypotéz, regresní a korelační analýze
apod.
ISBN 978-80-247-3243-5
272 stran
355 Kč
MiEkͷͽͶͽ͸ͺsͷ
Knihy si můžete prolistovat

a objednat na www.grada.cz
Nabídka nakladatelství Grada Publishing
Základy marketingu
Miroslav Karlíček a kolektiv
První kniha základů marketingu na našem

trhu, která vznikla v úzké spolupráci s před-
ními odborníky z praxe. Autoři předkláda-
jí základní principy marketingu srozumitel-
ně a čtivě a dokládají je velkým množstvím
praktických příkladů s fotografiemi. Kniha se
věnuje marketingovému prostředí, marketin-
govému výzkumu, marketingovému mixu,
segmentaci, targetingu, značce a jejímu po-
sitioningu. Zmíněna je také role marketéra
ISBN 978-80-247-4208-3 ve firmě.
256 stran
298 Kč
Marketingová komunikace
Jak komunikovat na našem trhu
2., aktualizované a doplněné vydání
Miroslav Karlíček a kolektiv
Nové, výrazně přepracované a aktualizova-

né vydání knihy Marketingová komunika-
ce vzniklo opět ve spolupráci se špičkovými
experty z praxe. Kniha se zabývá problema-
tikou marketingové komunikace komplex-
ně a obsahuje příklady výhradně z českého
prostředí. Dozvíte se vše podstatné o funkci
a praktickém využití reklamy, direct marke-
tingu, podpory prodeje, PR, event marketin-
ISBN 978-80-247-5769-8
224 stran
gu a sponzoringu, osobního prodeje a online
299 Kč komunikace.
MiEkͷͽͶͽ͸ͺs͹
Knihy si můžete prolistovat

a objednat na www.grada.cz
Jsme výzkumná agentura s širokým portfoliem produktů a služeb
v oblasti marketingových a mediálních výzkumů, analýz a zpraco-
vání dat. Máme zázemí mezinárodní společnosti Nielsen.
NA ČEM NÁM ZÁLEŽÍ?

Vyvíjíme nové technologie, hledáme nové
myšlenky a příležitosti.
Uvědomujeme si, že největším bohatstvím
naší společnosti jsou lidé.
Neustále rozvíjíme naše produkty.
Nasloucháme našim klientům.
CO DĚLÁME?
Realizujeme rozsáhlý projekt měření televizní
sledovanosti metodou TV metrů.
Vyvíjíme vlastní technologii pro elektronické
měření sledovanosti médií.
Monitorujeme reklamu napříč celou mediální sférou.
Věnujeme se marketingovému výzkumu
a analýze dat, máme vlastní tazatelskou síť.
Naše dceřiná společnost Adwind Software vyvíjí
software pro práci s daty z výzkumů a monitoringu.
Našim obchodním partnerům poskytujeme komplexní servis

spolehlivé výzkumné agentury. Našim zaměstnancům
(stávajícím i budoucím) nabízíme zajímavé příležitosti
a možnost podílet se na těch největších a nejnáročnějších
výzkumných šetřeních v České republice a na Slovensku.
www.nielsen-admosphere.cz I www.peoplemetry.cz I www.nastazatel.cz

w w w . g r a d a . c z
Nová kniha o marketingovém výzkumu, kterou připravilo deset uznávaných

expertů z oboru, nemá svou praktičností a aktuálností poznatků na trhu
konkurenci. Publikace je určena všem, kdo marketingový výzkum využívají
– od pracovníků marketingu firem a jiných organizací přes realizátory vý-
zkumných projektů až po vysokoškolské studenty.
Autoři v knize reflektují moderní technologie a postupy, jednotlivá témata
pojímají prakticky s ohledem na české podmínky i mezinárodní trh. Sezná-
míte se s úlohou marketingového výzkumu, se zásadami správných formu-
lací při zadávání výzkumných projektů a s konkrétními metodami a techni-
kami kvantitativního a kvalitativního výzkumu.
Velká pozornost je zaměřena na moderní metody výzkumu, např. neuromar-
keting, eye-tracking, conjoint analýzu a další inovativní metody. Zvláštní část
je věnována měření médií a mediálním výzkumům. Kniha přináší také řadu
praktických aplikací z oblasti produktových a cenových testů, výzkumu život-
ního stylu i testů reklamních kampaní. V závěru autoři radí, jak postupovat
při výběru výzkumné agentury a věnují se etice v oboru.
Dále doporučujeme:
Grada Publishing, a.s.

U Průhonu 22, 170 00 Praha 7
tel.: +420 234 264 401, fax: +420 234 264 400
e-mail: obchod@grada.cz

Marketingovy Vyzkum

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Marketingovy Vyzkum

Uploaded by

Copyright:

Available Formats

Radek Tahal a kolektiv

■ Řízení výzkumného projektu

■ Analýza dat a statistické metody

■ Segmentace a studie životního stylu

■ Reprezentativní vzorek populace

■ Technologie rozpoznání emocí

■ Měření výkonu reklamy

Jméno a příjmení kupujícího: Polina Tuniakina

Upozorňujeme, že elektronická kniha je dílem chráněným podle autorského zákona, a je

Polina Tuniakina (polyatunyakina@yandex.ru) [1320903]

Sdružení agentur pro výzkum trhu

Mgr. Radek Tahal, Ph.D., a kolektiv

Upozornění pro čtenáře a uživatele této knihy

Úvod: Význam marketingového výzkumu v marketingu . . . . . . . . . . . . . . . . . . . . . . 13

1. Zadání a řízení výzkumného projektu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2. Základní členění marketingového výzkumu . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3. Kategorizace typů výzkumu a jejich využití . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.2.4 Metody výběru respondentů. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

7. Software pro analýzu a prezentaci dat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

8. Inovativní prvky při tvorbě závěrečné zprávy . . . . . . . . . . . . . . . . . . . . . . . . 117

9. Česká populace, její klasifikace a segmentace . . . . . . . . . . . . . . . . . . . . . . . . 123

Polina Tuniakina (polyatunyakina@yandex.ru) [1320903]

9.2.2 Historie ABCDE klasifikací v České republice. . . . . . . . . . . . . . . . . . 131

10. Interpretace kvalitativního výzkumu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

11. Struktura výzkumné zprávy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143

12. Další moderní metody výzkumu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

12.7.3 Stručná historie conjointu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190

13. Aplikace marketingového výzkumu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211

14. Výběr výzkumné agentury . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249

15. Etika v marketingovém výzkumu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255

Mgr. Radek Tahal, Ph.D.

Mgr. Tereza Šimečková

Ing. Hana Říhová

Ing. Hana Huntová

Mgr. Nikola Hořejš

Mgr. Katarína Varju

RNDr. Tomáš Hanzák, Ph.D.

Mgr. Hana Friedlaenderová

Ing. Richard Hospodský

Úvod: Význam marketingového

Marketingové informační systémy (zdroj: autor)

Interní data Marketing Intelligence Marketingový výzkum

V románu Stopařův průvodce po galaxii postaví nejinteligentnější bytosti v galaxii

Výrobce ovocných nápojů má v úmyslu spustit reklamní kampaň v televizi na oblíbenou

■■ Potřebuji odpověď na konkrétní otázku. V tomto případě většinou hledám interního

1.1 Správná formulace výzkumných otázek

Symptom Oblast Obchodní Realistická Potřeba Výzkumný

V prvním kroku je potřeba co nejlépe popsat, jaký problém má marketingový výzkum

1.2 Zadání výzkumu v praxi

Definice problému Žádost o výzkum/ Analýza briefu Debrief

Interní výzkum/ Schválení otázek/

Zadání ve Zadání pro další výzkum, nebo další fázi

Obrázek 1.2: Praktický postup zadání výzkumu (zdroj: autor)

1.3 Výzkumný brief

Výzkumný brief – praktické tipy:

■■ Postupujte v briefu odzadu. Nesoustřeďte se na problém, ale na okamžik, kdy budete

1.4 Analýza problému a debrief

■■ Jaká je hlavní otázka, na kterou se má výzkum prioritně zaměřit.

1.5 Řízení výzkumného projektu, výzkumný tým

Projektový manažer Statistik

Programátor Manažer sběru dat Kodér, datař

Do výzkumu se samozřejmě mohou zapojovat experti z různých odborností, od ekonomů

1.6 Problematická místa v řízení výzkumu