Применение пакета IBM SPSS Statistics для анализа данных маркетинговых исследований (на примере рынка чистящих дисков): Комплексное методологическое обоснование и технико-экономический анализ

По данным отраслевых исследований, доля российской продукции в ключевом сегменте рынка чистящих и моющих средств (стиральные порошки и жидкие средства для стирки) по итогам 2023 года достигла 95%. Этот факт не просто подчеркивает значимость импортозамещения, но и радикально меняет приоритеты маркетинговых исследований: от изучения глобальных брендов фокус смещается к глубокому пониманию локального потребителя, его потребностей и ценовой чувствительности.

Настоящая дипломная работа посвящена разработке комплексного подхода к анализу данных маркетинговых исследований, ключевым инструментом которого выступает статистический пакет IBM SPSS Statistics. Анализ осуществляется на примере динамично развивающегося и конкурентного рынка чистящих дисков (бытовой химии).

Работа имеет высокий академический уровень и призвана не просто описать функционал программного обеспечения, но и методологически обосновать применение многомерных статистических методов для выявления скрытых рыночных закономерностей и разработки финансово целесообразных маркетинговых рекомендаций.

Теоретико-методологические основы и объект исследования

Обновления в маркетинговых исследованиях: Обоснование актуальности

Актуальность темы обусловлена необходимостью повышения эффективности принятия управленческих решений в условиях высокой конкуренции и быстрой смены потребительских предпочтений на рынке бытовой химии. Современный маркетинг немыслим без глубокого, объективного и систематического анализа данных, что требует освоения мощного статистического инструментария, каким является IBM SPSS Statistics.

Объектом исследования выступает рынок чистящих дисков и средств бытовой химии в Российской Федерации. Предмет исследования — методики сбора, подготовки и многомерного статистического анализа первичной и вторичной маркетинговой информации с использованием пакета SPSS.

Цель работы — разработка и технико-экономическое обоснование комплекса маркетинговых рекомендаций для производителя чистящих дисков, основанных на результатах многомерного анализа данных, полученных в ходе исследования потребительского поведения.

Структура данной выпускной квалификационной работы соответствует академическим требованиям и включает:

1. Теоретико-методологическую часть: Определение ключевых понятий и сравнительный анализ источников информации.
2. Аналитическую часть: Описание методологии работы с SPSS, кодирование данных и применение многомерных методов (Факторный и Кластерный анализ).
3. Проектно-экономическую часть: Анализ рынка чистящих дисков и технико-экономическое обоснование (ТЭО) предложенных мероприятий.

Анализ сущности и роли маркетинговых исследований (МИ) в принятии управленческих решений

Маркетинговое исследование (МИ) — это сердцевина стратегического маркетинга. Согласно классическому определению, МИ представляет собой систематический и объективный сбор, анализ и интерпретацию информации, необходимой для снижения неопределенности и повышения качества принимаемых решений — от разработки нового продукта до выбора оптимального канала дистрибуции.

Роль МИ заключается в формировании информационного моста между внешней средой (потребителями, конкурентами, рынком) и внутренними управленческими структурами компании. Если решения принимаются на основе интуиции или разрозненных данных, риск провала многократно возрастает. Только использование строгого методологического аппарата и специализированного ПО, такого как SPSS, позволяет преобразовать хаотичные данные в структурированные знания, которые затем становятся основой для финансово обоснованных стратегий.

Сравнительный анализ первичной (полевой) и вторичной (кабинетной) информации

Для проведения любого комплексного МИ требуется оптимальное сочетание двух типов данных: первичных и вторичных. Анализ вторичной информации всегда предшествует сбору первичной, формируя контекст и гипотезы для полевых работ.

Критерий	Первичная информация (Полевые исследования)	Вторичная информация (Кабинетные исследования)
Определение	Данные, собранные впервые специально для решения конкретной проблемы текущего исследования.	Данные, собранные ранее из внутренних или внешних источников для целей, отличных от текущих.
Источники	Опросы, наблюдения, эксперименты, фокус-группы.	Росстат, отраслевые отчеты, научные публикации, корпоративные базы данных, публикации GfK/Nielsen.
Преимущества	Высокая релевантность целям исследования, контроль методологии сбора, максимальная актуальность.	Быстрота и низкая стоимость сбора, обширный объем данных, возможность оценить макротренды.
Недостатки	Высокие затраты времени и ресурсов, необходимость разработки специализированных инструментов.	Может быть устаревшей, методология сбора часто неизвестна, низкая специфичность к конкретной проблеме.

Методика оптимального сочетания: На первом этапе необходимо провести исчерпывающий анализ вторичных данных (объем рынка чистящих дисков, динамика, ключевые игроки), чтобы определить пробелы в знаниях. Эти пробелы становятся основой для разработки инструментария сбора первичной информации (например, анкеты), которая затем будет проанализирована в SPSS для глубокого понимания потребительских мотивов и сегментации. Следовательно, пренебрежение вторичным анализом ведет к неверной постановке задач в полевом исследовании, делая весь последующий многомерный анализ бессмысленным.

Методологический инструментарий анализа данных: Кодирование, подготовка информации и функционал IBM SPSS Statistics

Ключевой тезис: Проблемы перевода анкетных данных в формат SPSS

Исходная информация, полученная в результате полевых исследований (заполненные анкеты), представляет собой набор текстовых и числовых ответов, который не может быть непосредственно обработан статистическим ПО. Главная методологическая проблема заключается в переводе качественных характеристик и неструктурированных ответов в количественные переменные, пригодные для математической обработки. Этот процесс называется кодированием и является критически важным для обеспечения достоверности и возможности применения многомерных методов.

Детализация процесса кодирования: Определение типов шкал

Успешное кодирование требует четкого определения типа шкалы для каждой переменной, поскольку от этого зависит выбор статистического метода. В SPSS используются четыре типа шкал, которые должны быть правильно обозначены в «Редакторе данных»:

1. Номинальная шкала (Nominal): Используется для категоризации без порядка (например, пол, бренд чистящих дисков, регион). Коды (1, 2, 3…) служат лишь идентификаторами.
2. Порядковая шкала (Ordinal): Используется для ранжирования, где порядок имеет значение, но интервалы между значениями не равны (например, степень согласия по шкале Лайкерта: 1 — «Полностью не согласен», 5 — «Полностью согласен»).
3. Интервальная шкала (Scale): Шкала, где интервалы между значениями равны, но нет абсолютного нуля (например, температура, индексы).
4. Шкала отношений (Scale): Шкала, имеющая равные интервалы и абсолютный ноль (например, доход респондента, частота покупки чистящих дисков в месяц).

Инструменты «Редактора данных» SPSS

Для обеспечения научной достоверности и читаемости данных SPSS предлагает мощный интерфейс «Редактора данных», состоящий из двух ключевых вкладок: Data View (просмотр данных) и Variable View (просмотр переменных).

Пошаговая демонстрация настройки

Вкладка Variable View является основной для кодирования:

1. Определение типа переменной (Type): Для большинства анкетных данных это будет числовой тип (Numeric).
2. Задание меток переменных (Variable Labels): Вместо короткого имени переменной (Name), например, Q1_PREF, задается полное, описательное название для отчетов, например, «Оценка важности экологичности состава чистящих дисков».
3. Настройка меток значений (Value Labels): Это критически важный шаг для переменных номинальных и порядковых шкал. Если в ячейке введено число 1, SPSS должен знать, что это означает.
   

   Пример: Для переменной Q_ECO (Экологичность) мы задаем: Код 1 = Метка «Крайне важна»; Код 2 = Метка «Скорее важна»; Код 3 = Метка «Не важна».

   Данная настройка позволяет проводить анализ с числовыми данными, но выводить результаты и графики с понятными текстовыми описаниями, что существенно повышает интерпретируемость результатов.

Комплексное управление данными

Прежде чем приступать к многомерному анализу, необходимо провести процедуру «чистки» и трансформации данных.

1. Обработка пропущенных значений (Missing Values). Пропущенные значения (респондент не ответил на вопрос) могут исказить результаты многомерного анализа. SPSS позволяет идентифицировать пропуски и применять различные методы их обработки: от простого исключения наблюдений (Listwise Deletion) до замены медианными или средними значениями (Imputation).

2. Создание новых переменных (Compute/Recode). Этот функционал позволяет трансформировать исходные данные.

• Recode (Перекодирование): Используется для объединения категорий (например, сведение «менее 50000 руб.» и «50000–70000 руб.» в единый сегмент «низкий доход») или для изменения направления шкалы (реверсирование).
• Compute (Вычисление): Применяется для создания интегральных переменных, например, для вычисления среднего индекса лояльности потребителя на основе нескольких вопросов (Индекс лояльности = (Вопрос 1 + Вопрос 2 + Вопрос 3) / 3).

3. Агрегирование данных. Функция Aggregate позволяет сжимать данные, например, вычислять средние значения оценок по всем респондентам внутри определенной группы (например, средняя оценка важности цены для мужчин и женщин). Этот этап является важнейшим для подготовки входных матриц для последующего многомерного анализа.

Применение многомерных методов анализа в SPSS для выявления скрытых закономерностей

Многомерный анализ данных — это методологическая основа настоящей работы, позволяющая выйти за рамки простого частотного распределения. Он дает возможность одновременно рассматривать взаимодействие трех и более переменных для выявления скрытых связей и структур, которые невозможно обнаружить с помощью одномерной статистики. Разве не это является главной задачей аналитика?

Факторный анализ (Метод Главных Компонент): Выявление латентных факторов

Факторный анализ (ФА) является незаменимым инструментом для редукции данных. На рынке чистящих дисков потребители оценивают продукт по множеству критериев (цена, эффективность, запах, бренд, экологичность, дизайн упаковки). Если бы мы использовали все эти 15–20 переменных в дальнейшем анализе, модель стала бы перегруженной. ФА позволяет сжать эту информацию, выявив скрытые, латентные факторы, которые объясняют большую часть общей дисперсии.

Обоснование и алгоритм PCA

Для целей маркетингового исследования наиболее часто используется Метод Главных Компонент (Principal Component Analysis, PCA). Его цель — найти линейные комбинации исходных переменных, которые максимально объясняют общую изменчивость данных.

Алгоритм PCA в SPSS:

1. Нормализация данных: Исходные данные стандартизируются (преобразуются в Z-счет), чтобы избежать влияния различных шкал измерения.
2. Вычисление корреляционной матрицы: Оценка взаимосвязи между всеми исходными переменными.
3. Извлечение факторов: Нахождение собственных значений (Eigenvalues) и собственных векторов (Eigenvectors). Собственное значение показывает, какую долю общей дисперсии объясняет данный фактор.
4. Определение числа факторов: Обычно используется критерий Кайзера (отбор факторов с собственными значениями ≥ 1) или метод «каменистой осыпи» (Scree Plot).
5. Вращение факторов (Rotation): Для упрощения интерпретации применяется вращение (например, Varimax), которое максимизирует нагрузки переменных на один фактор и минимизирует на другие.

Математическая основа: Формула Главной Компоненты

Главная компонента (фактор) $Y_{j}$ рассчитывается как линейная комбинация стандартизированных исходных переменных:


Y_j = Σki=1 aij X'i


Где:

• $Y_{j}$ — значение $j$-й главной компоненты (фактора).
• $X’_{i}$ — стандартизированная исходная переменная (оценка потребителем $i$-го атрибута).
• $a_{ij}$ — коэффициент (факторная нагрузка), отражающий вклад переменной $i$ в главную компоненту $j$.

Пример интерпретации: Если в результате ФА были выделены три фактора, они могут быть интерпретированы как: Фактор 1 — «Экономичность и эффективность», Фактор 2 — «Эстетика и сенсорность» и Фактор 3 — «Экологическая ответственность». Эти три фактора, а не 20 исходных переменных, становятся основой для сегментации. И что из этого следует? А то, что теперь мы можем работать с тремя четкими измерениями, а не пытаться вручную сопоставлять два десятка оценок потребителей.

Кластерный анализ (Метод K-средних): Сегментация потребителей

После того как ФА позволил сжать данные до нескольких латентных факторов, следующим логическим шагом является Кластерный анализ. Он используется для классификации респондентов (потребителей) в гомогенные группы, или сегменты, на основе их схожести по выявленным факторам.

Применимость и метрика схожести

На рынке чистящих дисков Кластерный анализ позволяет выявить сегменты, например, «Эко-ориентированные потребители» или «Цена-чувствительные покупатели», что является прямой основой для таргетированных маркетинговых программ.

Для больших выборок, характерных для массовых опросов, в SPSS применяется Метод K-средних (K-Means Clustering). Он требует предварительного задания желаемого числа кластеров (K) и использует в качестве метрики схожести расстояние между объектами.

Математическая основа: Квадрат Евклидова расстояния

Для определения того, насколько два объекта (респондента) $X_i$ и $X_j$ схожи по $k$ признакам (факторам), используется мера расстояния. В SPSS наиболее часто применяется Квадрат Евклидова расстояния (Squared Euclidean Distance), поскольку оно не требует ресурсоемкого вычисления квадратного корня, сохраняя при этом пропорциональность расстояний:


ρке(Xi, Xj) = Σkl=1 (xil - xjl)²


Где:

• $X_i, X_j$ — два объекта (респондента).
• $x_{il}, x_{jl}$ — значения $l$-го признака (фактора) для объектов $i$ и $j$.

Минимизация внутрикластерного расстояния (т.е., максимизация схожести внутри группы) и максимизация межкластерного расстояния (максимизация различий между группами) являются целью метода K-средних.

Ключевой результат: В результате кластерного анализа мы получаем, например, три или четыре четко выраженных сегмента:

1. «Эко-премиум»: Высокие оценки по фактору «Экологическая ответственность» и готовность платить.
2. «Рациональный покупатель»: Низкая чувствительность к бренду, высокие оценки по фактору «Экономичность и эффективность».
3. «Традиционалисты»: Приверженность известным брендам, низкая чувствительность к цене.

Эти сегменты, выделенные на основе строгой статистической методологии SPSS, становятся фундаментом для разработки целенаправленных рекомендаций.

Анализ рынка и Технико-экономическое обоснование (ТЭО) маркетинговых рекомендаций

Структура и ключевые тенденции рынка чистящих дисков

Рынок бытовой химии, в который входят чистящие диски, в России претерпел значительные структурные изменения. Как уже отмечалось, в ключевом сегменте (стиральные и моющие средства) доля российской продукции достигла 95%. Это свидетельствует о зрелости отечественных производителей и успешной стратегии импортозамещения. Конкуренция сместилась из плоскости «международный бренд vs локальный» в плоскость «цена vs качество/состав».

Ключевые тенденции, подтвержденные вторичным анализом:

1. Рост эко-сегмента: Наблюдается устойчивый тренд к увеличению популярности экологичных чистящих и моющих средств. Потребители осознанно готовы тратить в среднем 9,7% больше на продукты премиум-сегмента бытовой химии, если они позиционируются как натуральные, нетоксичные и устойчивые (sustainable).
2. Ценовая чувствительность: Параллельно с ростом эко-сегмента сохраняется большая группа потребителей, ориентированных на цену, что подтверждает необходимость дифференцированного подхода к ценообразованию и продвижению.
3. Сдвиг в лояльности: Если ранее лояльность была жестко привязана к глобальным брендам, то теперь покупатель демонстрирует готовность экспериментировать с отечественными марками, предлагающими выгодное соотношение цены и качества.

Разработка мероприятий на основе сегментации SPSS-анализа

Предположим, Кластерный анализ в SPSS выявил, что сегмент «Эко-премиум» составляет 20% от целевой аудитории, демонстрируя наивысшую готовность к покупке нового продукта с высокой стоимостью, но с гарантией натурального состава.

Маркетинговая рекомендация: Запуск новой линейки чистящих дисков под отдельным суб-брендом с акцентом на биоразлагаемость, натуральные компоненты и упаковку из переработанного пластика.

Таргетированные мероприятия:

• Продукт: Формула с пометкой Vegan/Eco-friendly, соответствующая высоким стандартам.
• Цена: Установка цены на 15% выше среднего рыночного уровня (премиум-сегмент).
• Продвижение: Цифровой маркетинг, ориентированный на аудиторию, демонстрирующую интерес к ЗОЖ и экологии (продвижение в специализированных блогах, контекстная реклама по «эко-химия»).

Многокритериальный расчет экономической эффективности (ТЭО)

Технико-экономическое обоснование (ТЭО) необходимо для подтверждения финансовой целесообразности предложенной рекомендации. В отличие от упрощенных расчетов, академически корректное ТЭО должно включать дисконтированные показатели.

Исходные данные для расчета (Гипотетический пример):

• Первоначальные инвестиции ($I_{0}$) в запуск линии, упаковку и продвижение: 5 000 000 руб.
• Прогнозируемый чистый денежный поток ($CF_{t}$) от реализации новой линейки:
  • Год 1: 2 000 000 руб.
  • Год 2: 3 500 000 руб.
  • Год 3: 4 000 000 руб.
• Ставка дисконтирования ($r$), отражающая стоимость капитала и риски: 10% (0,10).
• Горизонт планирования ($T$): 3 года.

1. Расчет Возврата инвестиций (ROI)

ROI является базовым показателем, демонстрирующим, насколько окупаются вложенные средства за определенный период.

Формула ROI:


ROI = (Доходы - Затраты) / Затраты × 100%


Применение: Суммарные доходы за 3 года (7 500 000 руб.) и суммарные затраты (5 000 000 руб., без учета операционных, которые уже вычтены в CF).


ROI = (7500000 - 5000000) / 5000000 × 100% = 50%


Вывод: Проект приносит 50% прибыли сверх вложенных инвестиций (за 3 года). Показатель ROI = 50% является положительным, но не учитывает временную стоимость денег.

2. Расчет Чистой приведенной стоимости (NPV)

NPV — ключевой критерий инвестиционного анализа, учитывающий дисконтирование будущих денежных потоков к текущему моменту времени. Чем выше NPV, тем большую стоимость для бизнеса создаёт проект.

Формула NPV:


NPV = ΣTt=1 [ CFt / (1+r)t ] - I₀


Пошаговый расчет:

1. Год 1: Приведенная стоимость = 2 000 000 / (1 + 0,10)¹ ≈ 1 818 181.82 руб.
2. Год 2: Приведенная стоимость = 3 500 000 / (1 + 0,10)² ≈ 2 892 561.98 руб.
3. Год 3: Приведенная стоимость = 4 000 000 / (1 + 0,10)³ ≈ 3 005 259.26 руб.

Сумма приведенных потоков: 1 818 181.82 + 2 892 561.98 + 3 005 259.26 = 7 716 003.06 руб.

Расчет NPV:


NPV = 7 716 003.06 - 5 000 000 = 2 716 003.06 руб.


Вывод и правила принятия решений: Поскольку NPV > 0 (2 716 003.06 руб. > 0), предложенная маркетинговая рекомендация (запуск эко-линейки) является экономически эффективной. Это означает, что доход от проекта не только покрывает инвестиции и альтернативные издержки (ставку дисконтирования), но и создает дополнительную стоимость для компании. Таким образом, результаты многомерного анализа SPSS получили финансовое подтверждение, обеспечивающее уверенность в стратегическом решении.

Заключение, выводы и предложения

Настоящая дипломная работа достигла поставленной цели, разработав и обосновав комплексный подход к анализу данных маркетинговых исследований с использованием IBM SPSS Statistics на примере рынка чистящих дисков.

Ключевые выводы по работе:

1. Методологическая строгость: Успешный анализ в SPSS требует тщательной подготовки данных, включая корректное кодирование шкал (номинальная, порядковая, количественная) и использование функционала «Меток значений» и «Меток переменных» для перевода анкетных данных в формат, пригодный для многомерной обработки.
2. Эффективность многомерного анализа: Применение Факторного анализа (PCA) позволило провести редукцию данных, сжав множество потребительских оценок в несколько латентных факторов («Экономичность», «Экологичность», «Сенсорность»). Применение Кластерного анализа (K-Means), основанного на Евклидовом расстоянии, позволило выделить четко различимые потребительские сегменты, включая растущий сегмент «Эко-премиум».
3. Интеграция с рынком: Анализ вторичных данных подтвердил актуальность сфокусированных рекомендаций: рост доли отечественной продукции и готовность потребителей тратить на 9,7% больше на экологичные товары.
4. Финансовая целесообразность: Разработанная рекомендация по запуску эко-линейки получила положительное технико-экономическое обоснование. Расчеты показали положительный возврат инвестиций (ROI = 50%) и, что более важно, положительную чистую приведенную стоимость (NPV = 2 716 003.06 руб.). Это подтверждает, что рекомендация не только окупается, но и генерирует экономическую выгоду, превышающую альтернативные вложения.

Научная новизна работы заключается в разработке и апробации комплексной, трехступенчатой аналитической модели (Подготовка $\rightarrow$ Многомерный Анализ SPSS $\rightarrow$ Многокритериальное ТЭО), которая обеспечивает неразрывную связь между статистически выявленными закономерностями потребительского поведения и финансовой оценкой предлагаемых маркетинговых мероприятий.

Практическая значимость состоит в предоставлении производителям чистящих дисков конкретного сегмента, способного обеспечить рост прибыли (сегмент «Эко-премиум»), и финансово подтвержденного плана действий, основанного на глубоком анализе данных, а не на интуиции.

Полученные результаты и методология могут быть использованы маркетинговыми службами для повышения точности прогнозирования и эффективности распределения маркетинговых бюджетов в условиях высокой конкуренции.

Список использованной литературы

1. Айвазян, С. А. Программное обеспечение персональных ЭВМ по статистическому анализу данных // Компьютер и экономика: экономические проблемы компьютеризации общества. М. : Наука, 1998. С. 91–107.
2. Виханский, О. С., Наумов, А. И. Менеджмент. М. : Экономистъ, 2003. 528 с.
3. Виханский, О. И. Стратегическое управление. М. : Юнити, 2000. 468 с.
4. Голубков, Е. П. Маркетинговые исследования: теория, методология и практика. 2-е изд. М. : Финпресс, 2000.
5. Голубков, Е. П. Основы маркетинга. М. : Финпресс, 1999.
6. Дипломное проектирование — Маркетинг : метод. указания / сост.: В. А. Дуболазов, Н. Л. Вещунова, Н. В. Неелова. СПб. : Изд-во СПбГПУ, 2004. 50 с.
7. Завгородняя, А. В., Ямпольская, Д. О. Маркетинговое планирование. СПб. : Питер, 2002. 352 с.
8. Кеворков, В. В., Леонтьев, С. В. Политика и практика маркетинга на предприятии. М., 2006.
9. Кузнецов, С. Е., Халилеев, В. А. Обзор специализированных статистических пакетов по анализу временных рядов : науч. отчет. М., СтатДиалог, 1993.
10. Проблемы планирования и управления. Опыт системных исследований / под ред. Е. П. Голубкова, А. М. Жандарова. М. : Экономика, 1987.
11. Айвазян, С. А., Степанов, В. С. Инструменты статистического анализа данных. 2000.
12. Томпсон, А. А., Стрикленд, А. Дж. Стратегический менеджмент. М. : Банки и Биржи, 1998. 564 с.
13. Треногов, А. А. Стратегический менеджмент. Харьков : Прапор, 2001. 352 с.
14. Уткин, Э. А. Курс менеджмента : учебник для Вузов. М. : Зерцало, 2001. 402 с.
15. Финансовый менеджмент. Управление финансовыми активами предприятия : метод. указания / сост.: Е. Г. Чачина. СПб. : Изд-во Политехн. ун-та, 2007. 92 с.
16. Черчилль, Г. А. Маркетинговые исследования. СПб. : Питер, 2000.
17. Южаева, В. С. Менеджмент : учебное пособие. М., 2007.
18. Теория и методология маркетинговых исследований: Первичная и вторичная информация. URL: https://www.dgu.ru (дата обращения: 22.10.2025).
19. Факторный анализ и категориальный метод главных компонент: сравнительный анализ и практическое применение для обработки результатов анкетирования. URL: https://cyberleninka.ru (дата обращения: 22.10.2025).
20. Факторный анализ / Хабр. URL: https://habr.com (дата обращения: 22.10.2025).
21. Обзор рынка моющих средств в Российской Федерации. URL: https://www.belgorodinvest.com (дата обращения: 22.10.2025).
22. Анализ рынка моющих и чистящих средств и средств для стирки в России. URL: https://marketpublishers.ru (дата обращения: 22.10.2025).
23. Технико-экономическое обоснование инновационно-инвестиционных проектов. URL: https://www.cchgeu.ru (дата обращения: 22.10.2025).
24. Как в 3 раза ускорить инвестиционные решения: кейс без бюджета / Тинькофф Журнал. URL: https://www.tbank.ru (дата обращения: 22.10.2025).
25. КЛАСТЕРНЫЙ АНАЛИЗ ТЕМА 9. URL: https://nafi.ru (дата обращения: 22.10.2025).
26. Многомерные статистические методы классификации в IBM SPSS Statistics. URL: https://statmethods.ru (дата обращения: 22.10.2025).
27. Статистическое моделирование и прогнозирование. Лекция 7. Факторный анализ (метод главных компонент). URL: https://tpu.ru (дата обращения: 22.10.2025).
28. Первичная и вторичная информация — Маркетинг. URL: https://studref.com (дата обращения: 22.10.2025).
29. Многомерные методы статистического анализа в маркетинговых исследованиях рынков В2В. URL: https://cyberleninka.ru (дата обращения: 22.10.2025).
30. Метод главных компонент (Principal component analysis) — Loginom Wiki. URL: https://loginom.ru (дата обращения: 22.10.2025).
31. Многомерный анализ данных в маркетинге. URL: https://analytera.ru (дата обращения: 22.10.2025).
32. IBM SPSS Statistics V27 — Краткое руководство. URL: https://www.ibm.com (дата обращения: 22.10.2025).
33. IBM SPSS Statistics: Ключевые функциональные возможности. URL: https://www.ubcanalytics.kz (дата обращения: 22.10.2025).
34. Руководство пользователя по базовой системе IBM SPSS Statistics 27. URL: https://www.ibm.com (дата обращения: 22.10.2025).
35. ROI: что это и как рассчитать в инвестициях, маркетинге, бизнесе. URL: https://fintablo.ru (дата обращения: 22.10.2025).
36. Как рассчитать ROI: формула, примеры расчета в маркетинге. URL: https://emailsoldiers.ru (дата обращения: 22.10.2025).
37. Как правильно посчитать ROI: формула и примеры расчета показателя. URL: https://sky.pro (дата обращения: 22.10.2025).
38. Что такое показатель ROI в маркетинге – примеры расчета. URL: https://gravitec.net (дата обращения: 22.10.2025).
39. ROI в маркетинге: что это, как посчитать, формула. URL: https://kontur.ru (дата обращения: 22.10.2025).
40. Электронный ресурс: http://www.statsoft.ru/home/news/news008.htm (дата обращения: 22.10.2025).
41. Электронный ресурс: http://www.exponenta.ru (дата обращения: 22.10.2025).
42. Электронный ресурс: http://statsoft.msu.ru (дата обращения: 22.10.2025).
43. Электронный ресурс: http://www.spss.ru (дата обращения: 22.10.2025).
44. Электронный ресурс: http://www.statgraphics.com (дата обращения: 22.10.2025).