Принятие решений на основе попарного сравнения альтернатив

Федеральное агентство по образованию

Государственное образовательное  учреждение  
высшего профессионального образования

«ГОСУДАРСТВЕННЫЙ  УНИВЕРСИТЕТ УПРАВЛЕНИЯ»

Институт  Информационных систем управления

 
 

Специальность: «Менеджмент  организации» - 080507 
Специализация: «Экономико-математическое моделирование управления бизнес системами» - 080507 83 
Форма обучения: очная 
 

Лабораторная  работа

«Принятие решений на основе попарного сравнения  альтернатив» 
 
 
 

Москва 2010 г.

 

     

     Наша фирма работает на рынке продажи и сервисного обслуживания автомобилей. Мы продаем и обслуживаем несколько марок автомобилей. Мы являемся официальным дилером.В настоящее время объёмы продаж автомобилей класса В одной из наших марок (Fiat) снизились. Необходимо провести исследования для того, чтобы выявить возможность увеличения объема продаж.

     Агентство маркетинговых исследований (АМИ) получило в связи с этим заказ на проведение обследования рынка для выяснения, почему потребители предпочитают одни марки автомобилей другим и каковы обобщенные модели их поведения. 

     Сводная информация по всем торговым маркам: 

 

     Для проведения маркетинговых исследований АМИ решило воспользоваться весьма распространенным методом – методом  многомерного шкалирования. В соответствии с этим респондентам было предложено оценить степень различия «непохожести» отдельных марок йогуртов, продающихся в регионе в шкале 0-10 (0- практически неразличимы, 10- абсолютная противоположность). 

Результаты опросов:

 
 
 
 
 

В результате была получена усредненная матрица различий между марками товара: 

 
 
 
 
 
 

Анализ  полученных результатов.

С использованием SPSS Statistics 17.0 проводим многомерное шкалирование в одно-, дву-, трехмерном пространстве.

 
 
 
 
 
 
 
 

                                                 Raw (unscaled) Data for Subject 1 

                      1          2          3          4          5          6 

              1       ,000

              2      4,000       ,000

              3      4,000      8,000       ,000

              4      6,000      9,000      8,000       ,000

              5      4,000      8,000      8,000      7,000       ,000

              6      7,000      8,000      7,000      6,000      6,000       ,000 
 
 
 

Iteration history for the 2 dimensional solution (in squared distances) 

                  Young's S-stress formula 1 is used. 

                Iteration     S-stress      Improvement 

                    1           ,25021

                    2           ,15617         ,09404

                    3           ,11277         ,04341

                    4           ,10761         ,00515

                    5           ,10729         ,00032 

                         Iterations stopped because

                 S-stress improvement is less than   ,001000 
 

                                         Stress and squared correlation (RSQ) in distances 

                             RSQ values are the proportion of variance of the scaled data (disparities)

                                        in the partition (row, matrix, or entire data) which

                                         is accounted for by their corresponding distances.

                                           Stress values are Kruskal's stress formula 1. 
 
 

                For  matrix

    Stress  =   ,09635      RSQ =  ,92268 

           Configuration derived in 2 dimensions 
 
 

                   Stimulus Coordinates 

                        Dimension 

Stimulus   Stimulus     1        2

 Number      Name 

    1      VAR00001    ,3720    ,0820

    2      VAR00002   2,0601    ,4770

    3      VAR00003    ,2811  -1,6328

    4      VAR00004  -1,4521    ,5208

    5      VAR00005   -,6314  1,0860

    6      VAR00006   -,6297   -,5329 
 

                                         Optimally scaled data (disparities) for subject   1 

                      1          2          3          4          5          6 

              1       ,000

              2      1,502       ,000

              3      1,502      2,805       ,000

              4      1,502      3,512      2,805       ,000

              5      1,502      2,805      2,805      1,502       ,000

              6      1,502      2,805      1,502      1,502      1,502       ,000 
 
 

 
 
 

>Примечание # 14692

>You specified that the data are unconditional, but there is only one input

>matrix.  ALSCAL will treat data as matrix conditional. 

                                                Raw (unscaled) Data for Subject 1 

                      1          2          3          4          5          6