Можаровская Елена Дмитриевна Разработка рекомендаций по использованию инструментов виртуальной реальности для автомобильных дилеров (на примере дилерских центров Mercedes-Benz) магистерская диссертация



страница6/22
Дата22.01.2019
Размер1.11 Mb.
ТипДиссертация
1   2   3   4   5   6   7   8   9   ...   22
Total Variance Explained

Component

Initial Eigenvalues

Extraction Sums of Squared Loadings

Rotation Sums of Squared Loadings

Total

% of Variance

Cumulative %

Total

% of Variance

Cumulative %

Total

% of Variance

Cumulative %

1

3,745

31,212

31,212

3,745

31,212

31,212

3,091

25,757

25,757

2

2,648

22,070

53,283

2,648

22,070

53,283

2,393

19,943

45,700

3

1,196

9,968

63,251

1,196

9,968

63,251

2,106

17,550

63,251

4

0,913

7,610

70,861

 

 

 

 

 

 

5

0,662

5,517

76,378

 

 

 

 

 

 

6

0,612

5,102

81,480

 

 

 

 

 

 

7

0,531

4,427

85,907

 

 

 

 

 

 

8

0,470

3,920

89,827

 

 

 

 

 

 

9

0,376

3,131

92,958

 

 

 

 

 

 

10

0,337

2,811

95,770

 

 

 

 

 

 

11

0,317

2,639

98,409

 

 

 

 

 

 

12

0,191

1,591

100,000

 

 

 

 

 

 

Для обоснования числа факторов, определяющих существенные свойства изучаемых переменных, использовался критерий Кеттэла («Каменистая осыпь»). В соответствии с ним также можно выделить 3 фактора. График представлен на рисунке 8.
Рис. 8. График “Каменистая осыпь”
В таблице 8 представлено, какими исходными переменными образован каждый из факторов.

Таблица 8



Факторы, образованные методом вращения Varymax

Rotated Component Matrixa










 

Component










1

2

3










Система мониторинга "слепых зон"

0,869

-0,209

 

Опции, обеспечивающие безопасность

Система безопасности PRE-SAFE PLUS

0,809

 

 

Автопилот поддержания дистанции DISTRONIC

0,768

 

 

Активная система удержания полосы движения

0,751

-0,224

-0,287

Активная система экстренного торможения с функцией при проезде перекрестков

0,583

 

-0,351

Парковочный пакет с камерой 360

 

0,861

 

Опции, помогающие водителю при вождении

Система распознавания дорожных знаков

 

0,779

 

Проекционный дисплей

 

0,729

 

Управление комфортом ENERGIZING

-0,215

-0,514

0,461

Опции, обеспечивающие комфорт в салоне автомобиля

Система комфортной акустики и звукоизоляции

 

 

0,831

Пакет Ambient

 

 

0,817

Пакет комфортных сидений

-0,267

-0,280

0,535

Так, полученные при вращении факторы позволили сгруппировать опции автомобилей следующим образом:



  • опции, обеспечивающие безопасность (система мониторинга «слепых зон», система безопасности PRE-SAFE PLUS, автопилот поддержания дистанции DISTRONIC, активная система удержания полосы движения, активная система экстренного торможения с функцией при проезде перекрестков);

  • опции, помогающие водителю при вождении (парковочный пакет с камерой 360, система распознавания дорожных знаков, проекционный дисплей);

  • опции, обеспечивающие комфорт в салоне автомобиля (управление комфортом ENERGIZING, система комфортной акустики и звукоизоляции, пакет Ambient, пакет комфортных сидений).

Таким образом, в результате факторного анализа 12 исходных переменных (опции, с которыми респондентам было бы интересно ознакомиться с помощью виртуальной реальности) были сгруппированы в 3 фактора.

Далее был проведен кластерный анализ для разбиения респондентов на относительно однородные кластеры (сегменты) на основе интересующих их опций автомобилей. Для повышения достоверности результата кластерный анализ был выполнен двумя процедурами кластеризации:



  1. иерархический кластерный анализ методом Варда на преобразованных факторах;

  2. кластерный анализ на преобразованных факторах методом K-средних с найденным в п.1 числом кластеров.

После проведения кластерного анализа методом Варда на преобразованных факторах, была получена таблица 8.

Таблица 8



Шаги агломерации (последние строки)

Порядок агломерации (кластеров)

 

Этап

Объединенный кластер

Коэффи-циенты

Этап первого появления кластера

Следующий этап

Разности
коэффи-циентов


Кластер 1

Кластер 2

Кластер 1

Кластер 2







20

23

27

1,149

0

0

29

1,149

21

11

35

1,335

0

0

28

0,186

22

8

21

1,521

0

0

40

0,186

23

20

29

1,710

0

0

32

0,189

24

9

14

1,905

0

0

30

0,195

25

19

41

2,147

0

0

43

0,242

26

25

44

2,474

0

0

44

0,326

27

46

52

2,872

0

0

49

0,398

28

28

34

3,295

13

0

39

0,423

29

5

11

3,770

15

20

34

0,475

30

23

36

4,283

19

0

38

0,513

31

7

9

4,822

0

23

35

0,539

32

33

48

5,505

0

0

43

0,683

33

20

43

6,275

22

0

36

0,770

34

3

18

7,300

0

8

46

1,025

35

5

17

8,596

28

18

44

1,295

36

7

16

9,897

30

0

45

1,301

37

20

42

11,227

32

0

42

1,330

38

2

26

12,573

4

0

41

1,347

39

4

23

13,929

14

29

40

1,355

40

24

28

15,298

16

27

47

1,370

41

4

8

17,372

38

21

46

2,074

42

1

2

19,505

17

37

48

2,133

43

20

40

21,813

36

11

47

2,309

44

19

33

24,435

24

31

45

2,622

45

5

25

28,355

34

25

50

3,920

46

7

19

33,303

35

43

48

4,948

47

3

4

38,884

33

40

49

5,581

48

20

24

54,654

42

39

50

15,771

49

1

7

72,818

41

45

52

18,163

50

3

46

101,742

46

26

51

28,925

51

5

20

140,469

44

47

51

38,727

52

3

5

246,412

49

50

52

105,943

53

1

3

394,684

48

51

0

148,272

Для обоснования количества найденных кластеров был построен график разностей по последним 30 разностям (значения из столбца «Коэффициенты»).
Рис. 9. График разностей коэффициентов

Далее был проведен кластерный анализ на преобразованных факторах методом K-средних с найденным ранее числом кластеров.

Результат дисперсионного анализа для полученного разбиения представлен в таблице 9.

Таблица 9

Таблица ANOVA


ANOVA

 

Cluster

Error

F

Sig.

Mean Square

df

Mean Square

df

FAC1

69,751

2

0,424

50

164,337

0,000

FAC2

50,905

2

0,453

50

112,447

0,000

FAC3

6,451

2

1,932

50

3,339

0,000

Полученная значимость равна нулю (Sig.=0, что меньше уровня значимости 0,05). Следовательно, нулевая гипотеза (Н0: полученное разбиение случайно, весь материал по этой переменной нельзя разбить на 3 кластера, поскольку межкластерная изменчивость незначимо отличается от внутрикластерной) равна нулю. Ее следует отклонить и принять альтернативную гипотезу (H1: полученное разбиение неслучайно, весь материал по этой переменной можно разбить на 3 кластера, поскольку межкластерная изменчивость значимо отличается от внутрикластерной). Разбиение на 3 кластера целесообразно.

Так, было выявлено три кластера: интересующиеся опциями безопасности, интересующиеся опциями помощи водителю, а также интересующиеся опциями комфорта.

Профили итоговых кластеров по ответам на исходный вопрос анкеты представлены в таблице 10.

Таблица 10



Профили итоговых кластеров по ответам на исходный вопрос анкеты

 



Поделитесь с Вашими друзьями:
1   2   3   4   5   6   7   8   9   ...   22


База данных защищена авторским правом ©zodorov.ru 2017
обратиться к администрации

    Главная страница