Professional Documents
Culture Documents
Marketingový
výzkum
Postupy, metody, trendy
■ Výzkum značky
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
Postupy, metody, trendy
Grada Publishing
Obsah
O autorech . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
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
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
Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
Rejstřík . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
10 Marketingový výzkum
O autorech
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
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.
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
18 Marketingový výzkum
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.
●●●
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:
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.
Obrázek 1.1: Od projevů obtíží k výzkumnému problému (zdroj: autor, převzato a modifi-
kováno podle Grover a Vriens, 2006)
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.
■■ 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“.
Zadání a řízení výzkumného projektu 21
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.
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.
Zadání, analýza,
Dotazník Sběr dat Zpracování dat Výstupy Doporučení
nastavení projektu
Manažer výzkumu
Výzkumník Výzkumník
Obrázek 1.3: Příklad výzkumného týmu a rolí jeho členů (zdroj: autor)
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.
24 Marketingový výzkum
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
2. Základní členění
marketingového výzkumu
26 Marketingový výzkum
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.
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.
28 Marketingový výzkum
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.
Základní členění marketingového výzkumu 29
Příklady
●●●
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.
30 Marketingový výzkum
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).
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.
2.4.1 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“.
Základní členění marketingového výzkumu 33
3. Kategorizace typů
výzkumu a jejich využití
36 Marketingový výzkum
Zdroj: autor
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
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.
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.
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.
Zdroj: autor
KAPITOLA 4
4. Sběr dat
42 Marketingový výzkum
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.
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.
■■ 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.
44 Marketingový výzkum
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 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
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.
25 %
Naše značka
20 %
Konkurenční značka 1
15 %
Konkurenční značka 2
10 %
Konkurenční značka 3
5%
Konkurenční značka 4
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
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
Výběrové šetření
(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.
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.
52 Marketingový výzkum
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
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
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
54 Marketingový výzkum
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.
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.
Hlavní pravidla:
■■ 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
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-
56 Marketingový výzkum
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
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.
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.
Tabulka 4.3: Příklady intervalů spolehlivosti pro různé velikosti základního a výběrového
souboru5
Zdroj: autor
Existují i techniky, které jsou založeny na automatizovaném sběru dat. Jako příklad mů-
žeme jmenovat monitorování návštěvnosti webových stránek.
KAPITOLA 5
5. Panel respondentů
62 Marketingový výzkum
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.
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
Panel respondentů 67
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
Panel respondentů 69
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.
Panel respondentů 71
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.
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:
6. Analýza dat
76 Marketingový výzkum
Příklad
■■ 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?“
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.
■■ 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).
Obrázek 6.1: Rozdíl v „měřitelnosti“ proměnných podle jejich typu (zdroj: De Vaus, D.,
2002, upraveno autorem)
78 Marketingový výzkum
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
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.
80 Marketingový výzkum
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.
Zdroj: autor
Pokud všechny předchozí kroky proběhly zdárně, můžeme přistoupit k samotné analýze
dat.
Analýza dat 83
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
Zdroj: autor
84 Marketingový výzkum
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)
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
12 % 12 %
28 % 28 %
13 % 13 %
28 % 48 % 13 % 12 %
0% 10 % 20 % 30 % 40 % 50 % 60 % 70 % 80 % 90 % 100 %
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
86 Marketingový výzkum
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 %.
Zdroj: autor
I pro grafické zobrazení ordinální proměnné platí vše, co bylo uvedeno pro nominální
proměnné.
Kvantitativní proměnná
Příklad
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.
88 Marketingový výzkum
Příklad
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
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
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.
Příklad
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
Zdroj: autor
Interpretace: Z celého vzorku 505 respondentů je 15 % těch, kteří jsou ve věku 15–24 let
a mají profil na Facebooku.
92 Marketingový výzkum
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
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.
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
Příklad
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.
30 % 27 %
25 % 25 % 25 %
25 % 24 %
21 % 23 %
19 %
20 % 17 % 16 %
15 % 14 %
15 %
9%
10 %
5% 3%
0%
Celkem Ano Ne
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
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.
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
Příklad
Y Y Y
X X X
Y Y
X X
Obrázek 6.8: Příklady bodových grafů, Pearsonův koeficient korelace (zdroj: autor)
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.
■■ 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).
98 Marketingový výzkum
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
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.
Příklad
Dendrogram
0 5 10 15 20 25
složení
přírodnost
reference
forma
chuť
cena
dostupnost
známost značky
země původu
obal
■■ 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).
Obrázek 7.1: SPSS – datové okno, Data View (zobrazení číselné a textové, 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.
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).
Obrázek 7.5a
Software pro analýzu a prezentaci dat 107
Obrázek 7.5b
Obrázek 7.5c
Obrázek 7.5d
Obrázek 7.5e
Software pro analýzu a prezentaci dat 109
Obrázek 7.5f
Obrázek 7.5g
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.
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).
■■ 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.
Software pro analýzu a prezentaci dat 111
■■ Jednotlivé filtry jsou reprezentovány tlačítky, která umožňují rychlé a jednoduché mo-
difikace výstupů.
■■ Jednoduché a okamžité zobrazení hodnot ve všech buňkách (opakování popisků).
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.
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.
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)
Obrázek 7.8: Výpočetní ukazatele analytického modulu Adwind Kite (zdroj: Adwind Soft-
ware)
114 Marketingový výzkum
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.
Software pro analýzu a prezentaci dat 115
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)
116 Marketingový výzkum
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
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
78 %
maximum
24 %
minimum
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.
120 Marketingový výzkum
■■ 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.
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
fázi životního cyklu, zastávají podobné názory a vyznávají podobné hodnoty. Definuje se
na základě věku.
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:
Vedoucí a řídící
pracovníci Profesionálové
Podnikatelé (bez i se
zaměstnanci)
Úředníci, sekretářky
Provoz a obsluha
ve službách a obchodu
Pomocní a nekvalifikovaní
pracovníci
150
singles/páry
Aktivní
100
50
0
150
rodiny
Mladé
100
50
0
150
Střední
rodiny
100
50
0
150
Starší
rodiny
100
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
■■ 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).
■■ 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“.
Česká populace, její klasifikace a segmentace 129
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
(Kladný vztah
Racionalita Zájem k alkoholu
v nakupování Důraz na rodinu o technologie a společenským
večerům)
■■ neuživatel značky,
■■ bývalý uživatel,
■■ potenciální uživatel,
■■ nový uživatel,
■■ pravidelný uživatel.
■■ 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.
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.
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.
(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.
■■ nezaměstnaný,
■■ student, v domácnosti, na rodičovské dovolené apod.,
■■ nepracující důchodce,
■■ zaměstnanec bez podřízených,
■■ zaměstnanec – nižší vedoucí (1–5 podřízených),
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)
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
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).
136 Marketingový výzkum
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“).
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 %
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.
138 Marketingový výzkum
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
■■ 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.
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.
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
■■ 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.
146 Marketingový výzkum
■■ 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
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.
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-
152 Marketingový výzkum
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.
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).
12.2.3 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“.
Příklad
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.
156 Marketingový výzkum
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.
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.
Obrázek 12.3: Heat mapa a inverzní mapa – ukázka vyhodnocení (zdroj: GfK)
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.
■■ 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.
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).
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).
■■ 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)
166 Marketingový výzkum
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 www.peoplemetry.cz, www.ato.cz
Další moderní metody výzkumu 167
(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:
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)
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).
Další moderní metody výzkumu 169
Obrázek 12.7: Schéma systému sběru a zpracování dat při měření televizní sledovanosti
(zdroj: Nielsen Admosphere)
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
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.
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).
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.
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).
Mediální ukazatele:
Mediální ukazatele:
■■ čtenost na vydání,
■■ čtenost v delším období,
■■ frekvence,
■■ afinita.
■■ 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).
Mediální ukazatele:
■■ 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.
Další moderní metody výzkumu 177
■■ 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.
■■ na jednotlivých zařízeních,
■■ podle typu aktivity,
■■ v průběhu dne (čtvrthodiny),
■■ v závislosti na lokalitě,
■■ z pohledu mediálního multitaskingu.
■■ hlavní aktivita,
■■ mediální aktivita,
178 Marketingový výzkum
■■ 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).
■■ 2112 respondentů,
■■ 13 401 „člověkodnů“,
■■ 1 286 496 čtvrthodin.
Projekt byl spuštěn v roce 2012 v rámci pilotního měření poslechovosti rádií, v roce 2014
se rozšířil o další mediatypy:
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:
Další moderní metody výzkumu 179
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.
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.
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:
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.
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:
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
186 Marketingový výzkum
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?“
■■ cenová elasticita,
■■ nastavení (optimalizace) produktových řad,
■■ segmentace trhu,
■■ Brand Equity.
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,
Další moderní metody výzkumu 189
Příklad
Co je atribut a co hladina atributu? Uvedeme si dva příklady atributu a jeho hladin. První
atributem je tvar (například stolu):
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.
■■ 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.
190 Marketingový výzkum
Nevýhody:
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)
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.
Zdroj: autor
192 Marketingový výzkum
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.
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
Nevýhody conjointu:
■■ 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.
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.
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.
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).
198 Marketingový výzkum
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
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
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.
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.
200 Marketingový výzkum
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.
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,
Další moderní metody výzkumu 201
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.
●●●
●●●
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.
204 Marketingový výzkum
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.).
■■ 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
Další moderní metody výzkumu 205
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).
* Podíl světových agentur, které odpověděly, že nástroj využily. Zdroj: Greenbook Research Industry
Trends Report 2017, upraveno autorem.
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.
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.
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
Další moderní metody výzkumu 209
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.
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
■■ 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?
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.
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:
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.
Aplikace marketingového výzkumu 215
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.
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.
216 Marketingový výzkum
Příklad
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
Aplikace marketingového výzkumu 217
prostředí. Příkladem jsou výrobky, které se používají pro vaření, prostředky na čištění
v domácnosti, technika, apod. K výzkumu je možné přistoupit dvojím způsobem:
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:
218 Marketingový výzkum
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.
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.
Aplikace marketingového výzkumu 219
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
1. určitě by koupil,
2. spíše by koupil,
3. neví,
4. spíše by nekoupil,
5. určitě by nekoupil.
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.
220 Marketingový výzkum
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.
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.
Obrázek 13.2: Ilustrativní výsledky cenového výzkumu Gabor Granger s předpoklady po-
ptávky (zdroj: autor)
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.
Aplikace marketingového výzkumu 223
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.
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
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.
224 Marketingový výzkum
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.
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.
Aplikace marketingového výzkumu 225
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.
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:
226 Marketingový výzkum
■■ 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.
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.
■■ 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).
228 Marketingový výzkum
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).
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:
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.
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)
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
Proto je důležité pravidelně sledovat vnímání image značky a rozumět pozici značky
v konkurenčním poli. V rámci výzkumu značky hovoříme o měření:
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.
pretovat v kontextu, jak moc jsou v souladu s ostatními parametry image nebo dalšími
atributy produktu.
Jméno a logo
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:
Slogan
racionální
emocionální
sociální
značka
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:
236 Marketingový výzkum
■■ 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:
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.
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.
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
238 Marketingový výzkum
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
■■ buď se začne vzorek tzv. „boostovat“, tzn. oslovíte další počet reprezentativně vybraných
respondentů,
■■ nebo na velkou studii rezignujete a předěláte design projektu.
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?
■■ 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.
242 Marketingový výzkum
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.
Aplikace marketingového výzkumu 243
Příklad
Segmentace
podle životních rolí
RFM segmentace
Čistě behaviorální
segmentace
Obrázek 13.9: Lifestylová segmentace vs. behaviorální segmentace podle potřeb (zdroj: autor)
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“.
Aplikace marketingového výzkumu 245
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).
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
(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
●●●
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).
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
Zdroj: autor
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
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.
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.
■■ existující klíčoví klienti a typy projektů, délka trvání již existujících projektů,
■■ možný konflikt zájmů a způsoby jejich řešení.
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:
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.
254 Marketingový výzkum
Zdroj: autor
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.
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
22 ICC/ESOMAR International Code on Market, Opinion and Social Research and Data Analytics,
2016.
258 Marketingový výzkum
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
260 Marketingový výzkum
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
Marketing management
14. vydání
Philip Kotler, Kevin Lane Keller
Základy marketingu
Miroslav Karlíček a kolektiv
Marketingová komunikace
Jak komunikovat na našem trhu
2., aktualizované a doplněné vydání
Miroslav Karlíček a kolektiv
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.
Dále doporučujeme: