Volba statistických metod závisela na hlavním cíli celé práce, kterým byl nový komunikační model vyuţitelný v určitém prostředí. Data byla vyhodnocována v programu software „R“ a
„Statgraphics 16“. Hlavní metodika vycházela ze skupinových rozhovorů a deskriptivní statistiky, dalšími navazujícími metodami bylo testování statistických hypotéz, korelační analýza, faktorové analýza a metody výzkumu spokojenosti. Ve výzkumu se uplatnily tři typy proměnných, nominální, kardinální a ordinální.
Nominální proměnné
U nominálních proměnných není stanovené kvalitativní pořadí jednotlivých výskytů jevů, čili mezi jednotlivými hodnotami není relace typu lepší-horší. Příkladem je zastoupení respondentů v jednotlivých věkových skupinách. Skupina „30–39 let“ není kvalitativně rozdílná od skupiny „13–19 let“ nebo „40–49 let“. U nominálních proměnných se určuje, zda je v zastoupení dvojic jednotlivých kategorií proměnných na dané hladině statistické významnosti statisticky významný rozdíl a to pomocí „pearsonova 2 testu“ na obrázku 4.4.
Testovaná hypotéza H0: p1 = p2 (četnost výskytu jevu 1 = četnost výskytu jevu 2) Alternativní hypotéza HA: p1 ≠ p2 (četnost výskytu jevu 1 ≠ četnost výskytu jevu 2)
Testovací kritérium:
94 Pokud je testovací kritérium ≥ 2,1, pak je zamítnuto H0 o shodě četností jevů na hladině významnosti . Dále je spočítána p-hodnota, která určuje, jaké chyby se lze dopustit při zamítnutí hypotézy H0. Hodnoty n1, n2, jsou počty zastoupení jednotlivých jevů.
Omezení: platí pro n1+n2 > 30
Ordinální proměnné
Jsou proměnné, které mohou nabývat v daném intervalu konečného počtu hodnot a lze je setřídit podle kvalitativního hlediska. Příkladem je celková míra spokojenosti, která můţe nabývat celočíselných hodnot z intervalu <1;7>, přičemţ 1 je nejlepší a 7 je nejhorší. Pro lepší vypovídací schopnost lze hodnoty agregovat do tří skupin <1;3> – spokojen, <4> - neutrální,
<5;7> nespokojen.
Kardinální proměnné
Kardinální proměnné jsou numerické proměnné, jejichţ hodnoty mají význam čísel. Lze je seřadit do vzrůstající nebo klesající řady a mohou nabývat teoreticky jakékoli hodnoty z definičního intervalu proměnné. Při jejich analýze je nejprve provedena základní deskriptivní statistika s výpočtem základních parametrů polohy, rozptýlení a šikmosti. Dále je provedeno ověření základních předpokladů o homogenitě a normalitě. Pokud jsou splněny základní předpoklady, jsou zkoumány vazby mezi jednotlivými soubory. Jedná se o zamítnutí či nezamítnutí nulové hypotézy H0 pomocí sady t-testů. V případě zamítnutí normality Shapiro-testem při jejím výrazném narušení je pouţit neparametrický Wilcoxonův test. V celé práci, pokud není uvedeno jinak, se pracuje s hladinou významnosti =0,05. Ne vţdy lze jednoznačně rozhodnout, zda se jedná o proměnnou ordinální nebo kardinální. V takovém případě jsou provedeny obě analýzy. Následující tabulka 4.2, která shrnuje pouţitou symboliku a základní charakteristiku pouţitých metod.
95 Tab. 4.2: Statistické metody
Parametr/veličina Popis Výpočet/upřesnění
Statistický soubor Mnoţina všech hodnot, kterých můţe daná veličina nabýt
Např. hodnoty celkové spokojenosti u všech lidí
Statistický výběr Mnoţina náhodně vybraných hodnot ze statistického souboru Střední hodnota výběru Maximálně věrohodný odhad
střední hodnoty souboru
Medián Robustní odhad polohy Střední hodnota setříděných dat, 50%-kvantil
Rozptyl statistického souboru – 2(X)
Druhý centrální moment, charakteristika variability Směrodatná odchylka – s Odmocnina z odhadu rozptylu
souboru
Hladina významnosti Maximální chyba, které se chceme
při závěrech dopustit =0,05 odpovídá 5 %-ní chybě Hladina spolehlivosti S jakou spolehlivostí činíme závěr HS=1-
p-hodnota Chyba, jaké se dopustíme, pokud zamítneme H0
Nulová hypotéza H0 Hypotéza H0,jejíţ platnost testujeme
H0: Střední hodnoty celkové spokojenosti jsou shodné Alternativní hypotéza
HA Alternativy k H0 HA: Střední hodnoty celkové
spokojenosti nejsou shodné
Crombachova ALFA Poloţková reliabilita α = (k/(k-1)) * [1- Σsi2)/ssum2]
Zdroj: Vlastní zpracování.
96 Metody spokojenosti
Pouze spokojenost je jednoduchá metoda, kde na sedmibodové škále se u kaţdé proměnné označí míra spokojenosti. Na škále jedna odpovídá naprosté nespokojenosti a sedm odpovídá naprostému nadšení.
Diferenční analýza posunuje průzkum o krok dále tím, ţe u kaţdého respondenta počítají rozdíl mezi skórem důleţitosti a skórem spokojenosti. Bodové hodnocení důleţitosti je také měřeno na škále, tentokrát však jedna odpovídá zcela nedůleţitému a sedm odpovídá velice důleţitému. Tato analytická metoda říká, ţe důleţitost je náhradní jednotkou za zákazníkovo očekávání toho, jak by si společnost měla u kaţdé vlastnosti vést. Vlastnosti s největšími rozdíly jsou pak označeny jako ty, které je třeba zlepšit.
Model důleţitost−spokojenost (D−S). Podobně jako diferenční analýza vyuţívá model D−S kvadrantovou mapu k označení oblastí vyţadujících zlepšení srovnáním úrovní spokojenosti a důleţitosti u různých měřených vlastností. Zdůrazňuje význam znalosti vlastností, které pokládají zákazníci za nejdůleţitější, vedle těch, v nichţ podnik dosahuje špatných výsledků.
Model D−S zkoumá vztah mezi oběma jevy. Akční priority se spíše neţ na základě vypočtené numerické hodnoty určují grafickým znázorněním, přičemţ nejvyšší akční prioritu získávají poloţky s vysokou důleţitostí a nízkou spokojeností. Cílem je nalézt vlastnosti nacházející se v kvadrantu 2 − „zlepšit“. Jestliţe se v tomto kvadrantu nachází více vlastností, firma se zaměří na vlastnosti s vyšším stupněm důleţitosti a niţší úrovní spokojenosti (Headley 1992).
Faktorová analýza
Faktorová analýza se zaměřovala na analýzu struktury vnitřních vztahů mezi velkým počtem proměnných s vyuţitím souboru menšího počtu latentních proměnných, tzv. faktorů. Cílem bylo sumarizovat a redukovat proměnné, a to s minimální ztrátou informací. (Meloun, Militký, 2006) Aby mohla být faktorová analýza provedena, musel být splněn Bartlettův test sféricity a podmínka Kaiser-Meyer-Olkinovy (KMO). Bartlettův test sféricity testoval korelace mezi původními znaky, tj. ţe korelace mezi znaky není. KMO míra je index porovnání velikostí experimentálních korelačních koeficientů vůči velikostem parciálních korelačních koeficientů. KMO byla posuzována na obrázku 4.3.
97 Tab. 4.3: Hodnocení koeficientu KMO
KMO Hodnocení KMO
0,9 - 1 skvělý
0,8 - 0,9 vysoký
0,7 - 0,8 střední
0,6 - 0,7 nízký
0,5 - 0,6 špatný
Do 0,5 FA nemá smysl
Zdroj: Vlastní zpracování.
Z hodnocení výsledku v tabulce 4.3 vyplývá ţe: KMO » 0,9 značila skvělý, KMO » 0,8 vysoký, KMO » 0,7 střední, KMO » 0,6 nízký, KMO » 0,5 špatný. Je-li KMO menší neţ 0,5, byla korelace nepřijatelně malá, a proto je faktorová analýza nevhodná (Meloun, Militký, 2006).
Za účelem lepší interpretace dat byla provedena rotace faktorů (tj. přerozdělení vysvětleného rozptylu pro jednotlivé faktory). Pro rotaci byla zvolena ortogonální metoda rotace varimax, jelikoţ bylo cílem redukovat počet původních proměnných (Meloun, Militký, 2006) a navíc bylo empiricky prokázáno, ţe varimax vytváří zátěţe, které lze snáze vysvětlit (Churchill, 1987). Při interpretaci faktorů se vycházelo z faktorové zátěţe, která byla představována korelačním koeficientem mezi původní proměnnou a faktorem. Za významné byly povaţovány korelace vyšší neţ ± 0,5. Pokud proměnné nedosahovaly uvedené hodnoty, byly vyřazeny a analýza byla provedena ještě jednou, resp. ještě několikrát aţ do té doby, kdy korelační koeficienty všech proměnných dosahovaly minimální hodnoty ± 0,5. Cílem tohoto postupu bylo získání optimálního počtu proměnných. Získané faktory byly pojmenovány podle skladby proměnných (Meloun, Militký, 2006).
98
5 Hlavní výsledky výzkumu
V této kapitole jsou prezentovány výsledky výzkumů, které byly získány primárním sběrem dat. Struktura celé kapitoly je rozdělena na dvě hlavní části, kterých se výzkum týkal. První část, kapitola 5.1, se zabývala identifikací způsobu komunikace uskutečňované na sociálních médiích. Druhá část, kapitola 5.2 se vztahovala k výzkumu nástrojů komunikace na sociálních médiích. Obě tyto kapitoly jsou propojené logickou návazností. V kapitole 5.1 byl jeden z hlavních faktorů identifikován jako „nástroje komunikace“. Jelikoţ pod tímto názvem se skrývá velké mnoţství moţných nástrojů, byly provedeny další výzkumy, které detailně tuto sféru zkoumaly a jsou prezentovány v kapitole 5.2.