Źródło: SPSSNarzędzia wykorzystywane na etapie analizy danych
Analizy zamieniają dane w użyteczne informacje. Kolumny i rzędy cyfr przekształcają się w wiedzę. W rzeczywistości jednak analityk na tym etapie nie pracuje już z liczbami, ale zastanawia się nad optymalnym wykorzystaniem dostępnych technik i algorytmów, czy też przygotowaniem efektywnych modeli. Rozwiązanie problemu postawionego na pierwszym etapie procesu analitycznego będzie rezultatem interpretacji wyników uzyskanych z analiz. SPSS dostarcza szerokiego zestawu narzędzi pozwalających na odnajdowanie kluczowych zależności, wzorców i trendów. Oferują one techniki analityczne dla różnych obszarów zastosowań.
SPSS Base System
Moduł podstawowy systemu analitycznego SPSS oferuje wiele spośród najczęściej wykorzystywanych technik analitycznych, między innymi techniki opisu statystycznego, kostki OLAP, analizę korelacji, analizę regresji wielomianowej, analizę dyskryminacji, analizę skupień metodami: k-średnich, hierarchiczną, dwustopniowe grupowanie i wiele innych.
SPSS Advanced Models
Budując modele predykcyjne chcemy zwykle wykorzystywać wiele zmiennych, często interesują nas też interakcje między nimi. Z wykorzystaniem SPSS Advanced Models możemy budować modele liniowe (UNIANOVA, MANOVA, plan z powtarzanymi pomiarami, plan z efektami zagnieżdżonymi) a także niektóre statystyczne modele nieliniowe, jak na przykład regresja dla zmiennej porządkowej czy analiza przeżycia.
SPSS Categories
Wiele użytecznych technik statystycznych (takich jak na przykład analiza czynnikowa) zakłada, że zmienne mają ilościowy poziom pomiaru, czyli przybierają wiele różnych wartości liczbowych. Często jednak nie dysponujemy takimi danymi, a interesuje nas wykorzystanie danych jakościowych (o skategoryzowanych wartościach) w tego rodzaju technikach. Rozwiązaniem są dostępne w module SPSS Categories techniki skalowania optymalnego. Popularnym i konkretnym przykładem zastosowania tych technik jest budowanie map percepcyjnych w badaniach rynkowych, np. dla przedstawienia zależności pomiędzy segmentem rynku a świadomością marki
SPSS Classification Trees
Moduł ten pozwala na identyfikację grup, segmentów i spójnych wzorców w danych, odkrywanie relacji pomiędzy tymi grupami, umożliwia przewidywanie przyszłych zdarzeń na bazie posiadanych już informacji. Jednš z ważniejszych cech tego modułu jest wizualizacja wyników analiz w klarownej, graficznej postaci drzew klasyfikacyjnych.
SPSS Complex Samples
Moduł ten pozwala pozwala analizować dane z wykorzystaniem informacji o schemacie doboru próby. Dzięki temu możliwe jest poprawne oszacowanie błędu statystycznego dla interesujących statystyk. Zwykle podawany błąd statystyczny badań 3% oznacza, że w hipotetycznej sytuacji istnienia w populacji 50% proporcji, np. 50% osób głosujących na partię ABC, wartość uzyskana w próbie będzie się wahać pomiędzy 47 a 53%, jeśli zastosowaliśmy w doborze próby losowanie proste bez zwracania. SPSS Complex Samples umożliwia precyzyjne wnioskowanie uwzględniające sposób doboru próby. Jest to również kompletne narzędzie dla badań ankietowych, pozwalające skonstruować plan badań, wylosować próbę, czy automatycznie utworzyć potrzebne wagi.
SPSS Conjoint
Moduł SPSS Conjoint pozwala przeprowadzić badania popularną metodą analizy łącznego oddziaływania cech, która w oparciu o rzeczywiste wybory ludzi pomiędzy różnymi wariantami produktu czy usługi pozwala uzyskać informację o tym, na ile ważne są dla różnych grup ludzi różne cechy produktu, jak np. cena, gwarancja, rodzaj opakowania, itp.
SPSS Exact Tests
Wartości testów statystycznych, opartych na przykład na rozkładzie statystyki t Studenta czy chi-kwadrat, są przybliżone i tym mniej precyzyjne im mniejsza próba. Istnieje jednak możliwość precyzyjnego wnioskowania statystycznego wówwczas, kiedy dysponujemy mniej liczną próbą. SPSS Exact Test pozwala przeprowadzić dokładne testy statystyczne, oparte na rzeczywistym rozkładzie prawdopodobieństwa uzyskania danego wyniku lub - w przypadku większych prób - na symulacji metodą Monte Carlo.
SPSS Maps
Jeśli dane, które posiadamy, odnoszą się do różnych obszarów geograficznych, atrakcyjnym dla odbiorcy sposobem wizualizacji analiz będzie przedstawienie ich na mapach geograficznych. Taką możliwość oferuje moduł SPSS Maps.
więcej informacji o produkcie >>
SPSS Missing Value Analysis
W projektach analitycznych często zdarza się sytuacja "pustego miejsca" w danych. Może być tak, że ten brak oznacza wiele różnych rzeczy - np. odmowę odpowiedzi na pytanie, niepoprawnie wprowadzone dane, brak danych z danego okresu itp. Jeżeli puste miejsce trafia się nieprzypadkowo (jak to jest na przykład zazwyczaj w pytaniu o dochód w badaniu ankietowym), analiza może prowadzić do niepoprawnych wniosków. Często zaś - w przypadku analiz wielowymiarowych - będzie zaś w ogóle niemożliwa ze względu na brak ważnych danych. Moduł SPSS Missing Value Analysis rozwiązuje problemy z brakami danych.
SPSS Regression Models
Jeśli interesują nas zaawansowane modele regresji, to można je odnaleźć w module SPSS Regression Models. Tam też obecny jest na przykład model regresji logistycznej, z sukcesem wykorzystywany w problemach klasyfikacji (np. przy określaniu przynależności do segmentu rynku lub grupy klientów o dużym prawdopodobieństwie zakupu produktu).
SPSS Tables
W wielu zadaniach analitycznych kluczową wartość dla odbiorcy stanowią tabele podsumowujące wyniki analiz. SPSS Tables to najbardziej popularny spośród dodatkowych modułów SPSS, stanowiący narzędzie do tworzenia tabel o dowolnej strukturze. W wielu przypadkach chcemy umieścić w tabelach wiele zmiennych zestawionych lub zagnieżdżonych (np. podsumowanie wyników sprzedaży w podziale na region i typ produktu). W badaniach ankietowych często analizujemy pytania z możliwością wielokrotnego wyboru. Niezastąpionym narzędziem do tego rodzaju zadań jest moduł SPSS Tables.
SPSS Trends
Jeżeli dysponujemy danymi zbieranymi w czasie, możemy chcieć w oparciu o nie przewidywać ich przyszłe wartości. Moduł SPSS Trends umożliwia prognozowanie przyszłych wartości oferując techniki analizy szeregów czasowych.
AMOS
Jeżeli wyobrażamy sobie pewien model zależności pomiędzy zmiennymi i chcemy sprawdzić, czy jest on poprawny, być może warto będzie wykorzystać podejście analityczne zwane modelowaniem równań strukturalnych. Modelowanie strukturalne można wyobrazić sobie jako połączenie w jednej analizie modelu regresji i analizy czynnikowej, w którym struktura związku pomiędzy obserwowanymi zmiennymi i nieobserwowanymi czynnikami może kształtować się niemal dowolnie. Możliwe jest ponadto testowanie różnic w układach zależności pomiędzy grupami. Modelowanie równań strukturalnych jest owocie wykorzystywane między innymi w badaniach satysfakcji oraz lojalności, jest ono również bardzo popularne w badaniach psychologicznych. To wszystko w przyjaznym, graficznym środowisku pracy jakie oferuje AMOS.
AnswerTree
AnswerTree oferuje algorytmy drzew decyzyjnych, które umożliwiają automatyczne wykrywanie istotnych zależności w zbiorach, w tym interakcji pomiędzy zmiennymi i przewidywanie w oparciu o nie wartości zmiennych ilościowych lub jakościowych. Drzewa decyzyjne są jedną z najbardziej popularnych technik wykorzystywanych w obszarze data mining w problemach klasyfikacyjnych (np. modelowanie decyzji zakupowej, profilowanie segmentu). Popularnym obszarem zastosowania jest między innymi segmentacja.
DecisionTime
Podobnie jak SPSS Trends program DecisionTime udostępnia techniki analizy szeregów czasowych wykorzystywane w prognozowaniu. DecisionTime jest jednak osobną aplikacją przystosowaną do automatycznej pracy w przypadku dysponowania dużą ilością danych - pozwala na łączne modelowanie wielu cech z możliwością automatycznego doboru optymalnego modelu i istotnych predyktorów. Możliwe jest również modelowanie wpływu niezależnych zdarzeń (np. ogłoszenie informacji o zmianie regulacji podatkowych mogło mieć wpływ na wyniki sprzedaży materiałów budowlanych) lub zależnych od nas zdarzeń powtarzanych, które planujemy również na przyszłość (np. promocja).
WhatIf
Aplikacja ta stanowi uzupełnienie DecisionTime i umożliwia - w oparciu o uzyskane z pomocą tego oprogramowania modele - prowadzić analizy różnych scenariuszy przyszłości, np. w jaki sposób zmieniać się będzie wartość sprzedaży w przypadku różnych układów dystrybucji środków na różne kanały promocji (reklama w prasie, ilość przesyłek marketingu bezpośredniego). Istotną wartością jest możliwość łączenia przewidywań wielu modeli, dzięki czemu możliwe jest na przykład prognozowanie sumy sprzedaży wielu produktów w zależności od dystrybucji nakładów marketingowych pomiędzy te produkty.
Więcej na stronie producenta