Analýza trhu mobilních operátorů a telefonů studentů

Mendelova zemědělská a lesnická univerzita v Brně Provozně ekonomická fakulta Ústav statistiky a operačního výzkumu

Analýza trhu mobilních operátorů a telefonů studentů

Diplomová práce

Autor: Vedoucí diplomové práce:

Bc. Lucie Košíčková prof. Ing. Milan Palát, CSc.

Brno 2008

Prohlášení Prohlašuji, že jsem diplomovou práci na téma „Analýza trhu mobilních operátorů a telefonů studentů“ vypracovala samostatně s použitím zdrojů, které uvádím v seznamu použité literatury.

V Brně dne 10. května 2008

Bc. Lucie Košíčková

Poděkování V úvodu bych chtěla poděkovat prof. Ing. Milanu Palátovi, CSc. za pomoc při zpracování mé diplomové práce a za poskytnutí cenných rad a připomínek. Dále všem co se podíleli na vývoji systému ReLa. Rovněž děkuji těm, kteří vyplnili dotazník, za poskytnuté informace a čas, který mi věnovali.

Abstrakt Ve své diplomové práci jsem se zabývala marketingovým výzkumem na trhu mobilních operátorů a telefonů na Provozně ekonomické fakultě MZLU v Brně. Cílem

bylo

provést sondu do zákaznických preferencí a porovnat nové výsledky s výsledky z bakalářské práce. Důraz byl kladen zejména na využití marketingového výzkumu jako součást neustálého nutného marketingového zjišťování, které je prováděno z potřeby obstát mezi konkurencí. Součástí práce je marketingový výzkum, který zjišťoval názory 908 respondentů. Pro vlastní výzkum jsem použila internetový dotazník, který mi posloužil jako prostředek pro sběr dat. Získané údaje jsem statisticky zpracovala za použití vícerozměrné analýzy dat a výsledky jsou uvedeny v závěru.

Klíčová slova Průzkum, preference, závislosti, faktorová analýza, student, telefony, mobilní operátoři.

Abstract My diploma thesis is focused on marketing research of market of mobile operators and phones at Faculty of Business and Economics at Mendel University of Agriculture and Forestry Brno. The aim of research is to complete a consise probe to the customer preferences and compare new results with results of bachelor’s thesis. Special attention was paid to the application of methods of marketing research as an integral part of continuous market analysis that enable to survive under conditions of a strong competition. The part of my thesis is marketing research that was performed among 908 respondents. I applied the questionnaire on the internet for proper research which served me as a measure for data collecting. I compiled statistically the acquired information with the application of data multivariate analyses and its results are detailed in conclusion.

Key words Survey, preferences, dependencies, factor analysis, university student, mobile phones, mobile operators.

OBSAH 1 ÚVOD............................................................................................................................ 7 2 CÍL PRÁCE ................................................................................................................... 9 2.1 Cíl práce.................................................................................................................. 9 2.2 Dílčí cíle výzkumu.................................................................................................. 9 3 LITERÁRNÍ PŘEHLED ............................................................................................. 10 3.1 Současný stav mobilní telefonní sítě v ČR .......................................................... 10 3.1.1 Jednotliví operátoři v ČR............................................................................... 12 3.1.2 Přehled klíčových ukazatelů .......................................................................... 14 3.2 Současný stav na trhu mobilních telefonů ............................................................ 15 3.2.1 Situace ve světě.............................................................................................. 15 3.2.1 Situace v ČR .................................................................................................. 17 3.3 Pojem statistika ..................................................................................................... 20 3.4 Marketingový výzkum.......................................................................................... 20 3.5 Charakteristika procesu marketingového výzkumu.............................................. 21 3.5.1 Identifikace problémů a stanovení cílů .......................................................... 22 3.5.2 Orientační analýza situace ............................................................................. 22 3.5.3 Plán výzkumu ................................................................................................ 23 3.5.4 Shromažďování informací ............................................................................. 23 3.5.5 Analýza dat, zpracování informací ................................................................ 28 3.5.6 Typy získaných dat ........................................................................................ 28 3.3.7 Prezentace výsledků....................................................................................... 29 4 METODIKA PRÁCE .................................................................................................. 30 4.1 Definování problému a cíle výzkumu............................................................... 30 4.2 Vypracování plánu výzkumu ............................................................................ 31 4.3 Sběr informací................................................................................................... 32 4.4 Analýza a interpretace informací - metody zpracování údajů .......................... 32 4.5 Závěrečná zpráva – prezentace výsledků.......................................................... 40 5 VÝSLEDKY PRÁCE .................................................................................................. 41 5.1 Identifikační otázky .............................................................................................. 41 5.2 Rozdělení četností................................................................................................. 44 5.3 Výpočet základních charakteristik........................................................................ 50 5.3.1 Nominální znaky............................................................................................ 51 5.3.2 Kardinální znaky............................................................................................ 53 5.4 Analýza závislostí ................................................................................................. 55 5.5 Faktorová analýza ................................................................................................. 59 5.6 Srovnání výsledků roků 2006 a 2008 ................................................................... 64 6 DISKUSE..................................................................................................................... 67 7 ZÁVĚR ........................................................................................................................ 72 8 SEZNAM POUŽITÝCH ZDROJŮ ............................................................................. 74 9 SEZNAM GRAFŮ ...................................................................................................... 76 10 SEZNAM TABULEK ............................................................................................... 77 11 SEZNAM PŘÍLOH.................................................................................................... 77

6

1 ÚVOD Historie mobilních telefonů se začala psát přibližně v 70. letech 20. století. Základní kameny mobilní komunikace najdeme již v první polovině 19. století - již v roce 1837 sestrojil Samuel Morse první telegraf, ten byl samozřejmě závislý na propojení dráty. První mobilní rádio bylo sestrojeno až o 80 let později v Bell Laboratories. Celulární síť GSM byla v Evropě spuštěna roku 1981. O 10 let později, v září v roce 1991, je datován počátek mobilní komunikace v České republice. V tuto dobu vstupuje na trh jako první operátor společnost Eurotel a zahajuje provoz sítě NMT. V této době ještě nenabízí mobilní telefony (název se vžil až později), ale radiotelefony a mobilní komunikace s nimi je určena pouze velmi majetné vrstvě obyvatelstva. Dalším milníkem mobilní komunikace je rok 1996, ve kterém se udály dvě významné události. První z nich je vstup společnosti Radiomobil na mobilní trh s obchodní značkou Paegas. Druhou je přechod z technologie NMT na technologii GSM. Velké změny přinesl také rok 2000. V březnu tohoto roku zahájila komerční provoz společnost Český mobil tím, že vstoupila na trh mobilních operátorů se svým komerčním názvem Oskar. V témže roce společnost Eurotel spustila poprvé přenos dat pomocí technologie GPRS, čímž otevřela novou dimenzi mobilní komunikace. Následující roky se nesou v duchu soubojů o překračování hranic počtu zákazníků a spouštění nových technologií. V průběhu těchto let také dochází ke změnám vlastníků licencí na provoz mobilních sítí v České republice a změnám názvů operátorů. Takže v současné době se lze místo Eurotelu, Paegasu a Oskara setkat s Telefónica O2, T-mobile a Vodafone. Mobilní telefony už ale zdaleka neplní pouze funkci spojovací, poskytují čím dál víc nových možností, jak pro praktické využití, tak pro zábavu. Snahou výrobců je vyrábět multifunkční zařízení, které nám poskytne funkce několika zařízení najednou. Telefony často plní funkci fotoaparátu, MP3 přehrávače, diktafonu a dalších zařízení. Na tyto dovednosti mobilních telefonů čeští operátoři poměrně pružně reagují s nabídkou služeb, jež zajistí majitelům výkonných mobilních telefonů možnost jejich maximálního využití. Na českém trhu lze pozorovat několik významných trendů. Jedná se především o úbytek zákazníků s pevnou telefonní linkou, kde mobilní telefony působí jako plnohodnotný substitut. Dále jde o přechod zákazníků z předplacených služeb

7

na smluvní (tarifní). Společnosti se předhánějí v nabídce tarifů „šitých zákazníkům na míru“ a to prostřednictvím kreditu, který ten daný tarif obsahuje. Tento kredit pak může zákazník flexibilně čerpat na hlasové služby, SMS a MMS. Dalším trendem je velká pozornost operátorů na nabídku datových služeb, jakožto reakce na jejich rostoucí poptávku. Neustále roste počet uživatelů mobilních telefonů a také se neustále zvyšuje počet těch, kteří využívají nejnovější funkce telefonů a mobilních sítí. Není vědecky prokázáno, že by tento trend měl ohrožovat lidské zdraví, přesto je na tyto nezávislé vědecké studie vynakládáno velké množství peněžních prostředků. Rozvoj mobilních sítí také přináší rostoucí spotřebu elektrické energie i množství uhlíkových emisí. Celkový dopad na životní prostředí ale není jednoznačně negativní, jelikož mobilní komunikace

naopak

přispívá

k ochraně

životního

prostředí

prostřednictvím

minimalizace potřeby pracovních cest, např. pomocí videokonferencí. Další možný úhel pohledu je z hlediska sociálního. Mobilní telefon máme stále u sebe, stále jsme na přijmu. A toho se dá snadno zneužít. Dospělý člověk se může sám rozhodnout, kdy telefon raději vypne a kterých služeb si nemá všímat. Ale co děti? Rodiče zpravidla chtějí mít své děti stále pod dohledem a jsou rádi, že je mobilní telefon další pojistkou bezpečnosti jejich dětí. Mobil také dětem pomáhá rozvíjet jejich sociální a technické dovednosti. Na druhou stranu se však přes mobilní telefon může k dítěti dostat nevhodný obsah a mobil může být také pro různé účely zneužit. Děti často využívají krátké věty či zkratky v konverzaci, tak jsou navyklé u psaní textových zpráv. Stále více lidí má díky těmto technologiím omezené vyjadřovací schopnosti. Tyto otázky jsou velice aktuální pro všechny uživatele, protože tyto změny je určitě v budoucnu ovlivní. Tato problematika má velice dynamický vývoj a jedná se o vysoce progresivní odvětví na trhu, mobilní telefony se velice rychle uzpůsobují stále se měnícím a zvyšujícím se požadavkům zákazníka. Výrobci musí mít značně flexibilní výrobní proces a neustále podřizovat výrobu novým trendům týkajících se funkcí, tvaru, designu a dalším požadavkům spotřebitele, jako je například rychlost dodání. Mobilní telefony usnadňují komunikaci mezi svými uživateli, jimiž je dnes velké množství lidí nejrůznějších profesí a zájmů. Mobilní telefon běžně pracuje se všemi tradičními prostředky komunikace, počínaje mluveným slovem, přes přenos informací v tištěné podobě, poštu a v neposlední řadě přenos dat z internetové sítě.

8

2 CÍL PRÁCE

2.1 Cíl práce Pro většinu studentů v dnešní době je mobilní telefon nepostradatelnou součástí každodenního života. Ve své bakalářské práci z roku 2006 jsem analyzovala trh mobilních operátorů a telefonů studentů naší fakulty. Jelikož mi tato problematika připadá velice zajímavá, rozhodla jsem se touto otázkou zabývat i ve své diplomové práci a své poznatky v této oblasti rozšířit. Hlavním cílem je po provedení primárního výzkumu pomocí dotazníkového šetření provést jednak komparaci výsledků bakalářské práce s nově získanými daty a také prohloubit analýzu trhu pomocí dalších vhodných statistických metod. Zjistit tak zastoupení telefonních operátorů a výrobců mobilních telefonů mezi studenty a jaká jsou rozhodující kritéria při nákupu mobilního telefonu a výběru operátora. Na základě výzkumu potom stanovím trendy v této problematice a doporučím vhodné marketingové strategie jak pro mobilní operátory, tak pro výrobce telefonních aparátů.

To by mohlo

přispět

ke

zlepšení

konkurenceschopnosti

jednotlivých

poskytovatelů služeb a výrobců v dnešním konkurenčním prostředí tržní ekonomiky.

2.2 Dílčí cíle výzkumu Ve výzkumu jde především o rozbor pohledu respondentů na trh mobilních telefonů, jejich zkušenosti s mobilními telefony a jejich preference při výběru mobilního telefonu. Dále se výzkum zabývá preferencemi respondentů při výběru operátorů poskytujících služby mobilní komunikace. Výzkumem se snažím také odpovědět na následující otázky: •

Co nejvíce ovlivňuje studenty při koupi nového telefonu?

•

Co studenti očekávají od operátora?

•

Jak často studenti nakupují nové telefony?

•

Jaká je spokojenost s telefony různých značek?

•

Jaký je průměrný měsíční výdaj za mobilní služby?

•

Kde studenti čerpají informace při výběru operátora?

9

3 LITERÁRNÍ PŘEHLED 3.1 Současný stav mobilní telefonní sítě v ČR Kůžel [12] potvrdil, že údaje týkající se telefonních linek každoročně v březnu zveřejňuje Evropská komise ve své implementační zprávě. Data do ní jsou získávána od jednotlivých členských zemí a pro tento účel je Česká republika zastoupena Českým telekomunikačním úřadem (dále ČTÚ). Pokračuje pokles využívání pevných linek a jevem téměř zrcadlově obráceným je nárůst provozu v mobilních sítích. Tento trend je patrný nejen u nás, ale v různé míře po celé Evropské unii. Dle ČTÚ souvisí s rostoucí oblibou mobilní komunikace, ale také s nabitým konkurenčním prostředím, které přináší nové nabídky operátorů, nové služby. Dle Českého statistického úřadu (dále ČSÚ) [5] o stále větší oblibě mobilních telefonů vypovídají také měnící se podíly účastníků telekomunikačních sítí (pevných a mobilních), které od roku 2000 svědčí ve prospěch mobilních technologií (graf 1).

Graf 1: Struktura účastníků pevných a mobilních telekomunikačních sítí (%) Pozvolný nástup mobilních technologií v letech 1991 – 1995, jehož hlavní příčiny spočívaly ve vysokých pořizovacích a provozních nákladech a neexistenci konkurence, vystřídala v roce 1996 spolu se vstupem dalšího operátora na trh prudká vlna zájmu

10

o mobilní telefonii. Již v roce 2004 překročil počet účastníků mobilních sítí počet obyvatel České republiky (104,7 aktivních SIM karet na 100 obyvatel). Počet účastníků mobilních sítí odpovídá počtu aktivních SIM karet. Aktivní jsou ti účastníci, resp. ty SIM karty, které byly použity v posledních 3 měsících.

Graf 2: Účastníci mobilních telefonních sítí V České republice působili v roce 2006 3 mobilní operátoři nabízející účastníkům mobilních sítí široké spektrum služeb. Vzhledem k „nasycenosti“ trhu se udržení stávajících zákazníků začíná stávat prioritou a tím také hnacím motorem pro rozvoj nových konvergentních produktů a technologií.

Graf 3: Účastníci mobilních telefonních sítí jednotlivých operátorů

11

V České republice připadalo v roce 2006 na každých 100 obyvatel 124,2 aktivních SIM karet. Jejich majitelé ve stejném roce poslali neuvěřitelných 6 230 milionů krátkých textových zpráv, což představuje 488,5 SMS ročně na 1 účastníka mobilních komunikací, resp. 608 SMS ročně na 1 obyvatele ČR, uvádí ČSÚ [5].

3.1.1 Jednotliví operátoři v ČR Dle Pospíšila [19] český mobilní trh je stále velice perspektivním. I když na sto obyvatel už připadá 120 SIM karet, operátorům stále stoupá počet zákazníků. Jen T-Mobilu přibylo za poslední půlrok 91 tisíc nových klientů. Počet zákazníků roste i u jeho konkurentů. Telefónica O2 se musí spokojit s počtem třikrát menším a Vodafone, přestože nejmladší, rostl nejrychleji. Od ledna do června získal 102 tisíc nových uživatelů. Dle údajů operátorů se mezi obyvateli naší republiky nachází 12 559 000 aktivních čísel. Nárůst nových zákazníků se sice postupně zpomaluje, ale myslím si, že je jen otázkou času, než padne hranice třináct milionů aktivních SIM. Historie procentuálního podílu paušálních zákazníků u jednotlivých operátorů je v tabulce 1.

Tabulka 1: Operátoři a jejich klienti v čase (v tisících) Operátoři a jejich klienti Telefónica O2

T-Mobile

Vodafone

v čase stav k 31.12.1999

1 070

875

-

stav k 31.12.2000

2 171

1 850

300

stav k 31.12.2001

3 238

2 850

858

stav k 31.12.2002

3 891

3 509

1 178

stav k 31.12.2003

4 215

3 947

1 547

stav k 31.12.2004

4 591

4 360

1 831

stav k 31.12.2005

4 676

4 634

2 140

stav k 31.12.2006

4 864

5 049

2 413

stav k 30.6.2007

4 894

5 140

2 525

12

Telefónica O2 Operátorovi opět narostl počet mobilních zákazníků, významně pak i procento těch paušálních. Celkový počet registrovaných mobilních zákazníků stoupl ke konci září 2007 meziročně o 4,3 % na 4 967 000. Celkový počet paušálních zákazníků k tomuto datu dosáhl 2 161 000, meziročně narostl o 379 000. To představuje nárůst o 21,3 %, který operátor připisuje přechodu zákazníků s předplacenou kartou na paušální program, Pospíšil [20].

Tabulka 2: Počty zákazníků Telefónica O2 (v tisících) 31.12.2005

31.12.2006

30.6.2007

počet zákazníků celkem

4 676

4 864

4 894

předplacené služby

3 130

2 989

2 817

paušální zákazníci

1 546

1 875

2 077

podíl paušálních zákazníků

33,1%

38,6%

42,4%

ARPU

-

511 Kč

510 Kč

Výše ARPU (což je průměrný výnos na zákazníka za měsíc) je nejvíce ovlivněna počtem paušálních zákazníků.

T-mobile T-Mobile je na tom s ARPU o něco hůř, což pravděpodobně způsobuje vysoký počet aktivních Twist karet. Jinak u něj můžeme pozorovat postupný nárůst paušálních zákazníků při současném úbytku těch s předplacenou kartou, Pospíšil [19].

Tabulka 3: Počty zákazníků T-Mobile (v tisících) 31.12.2005

31.12.2006

30.6.2007

počet zákazníků celkem

4 634

5 049

5 140

předplacené služby

3 346

3 240

3 126

paušální zákazníci

1 288

1 809

2 014

podíl paušálních zákazníků

27,8%

35,8%

39,2%

ARPU

482 Kč

486 Kč

484 Kč

13

Vodafone Nejmladší operátor, který si ovšem stabilně udržuje vysoký podíl paušálních zákazníků a z něj plynoucí nejvyšší ARPU. I nadále je na třetím místě, na konci září měl 2 582 000 zákazníků, což oproti minulému roku znamená nárůst o 11,7 %. To je relativně nejrychlejší nárůst zákazníků mobilních služeb ze všech mobilních operátorů na českém trhu v tomto období. Silnou zbraní Vodafonu je podíl paušálních zákazníků, kterých je více než polovina, Kůžel [13].

Tabulka 4: Počty zákazníků Vodafone (v tisících) 31.12.2005

31.12.2006

30.6.2007

počet zákazníků celkem

2 140

2 413

2 525

předplacené služby

1 049

1 134

1 197

paušální zákazníci

1 091

1 279

1 328

podíl paušálních zákazníků

51,0%

53,0%

52,6%

ARPU

670 Kč

660 Kč

635 Kč

Zdroj: Pospíšil [16]

3.1.2 Přehled klíčových ukazatelů Pospíšil [19] také uvádí přehled klíčových ukazatelů platných k 30. červnu 2007. I zde jsou počty zákazníků uvedeny v tisících.

Tabulka 5: Operátoři a jejich klienti v čase (v tisících) O2

T-Mobile

Vodafone

počet zákazníků celkem

4 894

5 140

2 525

předplacené služby

2 817

3 126

1 197

paušální zákazníci

2 077

2 014

1 328

podíl paušálních zákazníků

42,4%

39,2%

52,6%

ARPU

510 Kč

484 Kč

635 Kč

14

3.2 Současný stav na trhu mobilních telefonů

3.2.1 Situace ve světě V roce 2007 se prodalo přes 1 miliardu mobilních telefonů, největší úspěchy zaznamenal finský výrobce Nokia, který tak má dominantní postavení. Vývoj tržních podílů v posledních 11 letech vidíme názorně na následujícím grafu 4, Postler [22].

Graf 4: Vývoj tržních podílů

Za rok 2007 se ve světě prodalo 1 125 milionů mobilních telefonů se značkami v poměru, který znázorňuje graf 5.

Graf 5: Tržní podíly 2007 ve světě

15

Dle Postlera [21] Nokia celý rok zlepšovala svoji pozici a svůj tržní podíl vylepšila téměř o 5 %. Drží si neuvěřitelně stabilní růst, který se pohybuje těsně pod 30 % co se týče počtu prodaných telefonů. V uplynulých třech měsících nalezlo nového majitele 133,5 milionu Nokií. Finský výrobce si na rozdíl od ostatních drží i stabilní 15% růst tržeb a to především díky chytrým telefonům sérií N a E, které obstaraly celou třetinu tržeb. Dle Bublíkové [3] Nokia dosáhla za rok 2007 rekordních zisků ve výši 7,2 miliardy EUR, její obrat stoupl na 51,1 miliardy EUR. Samsung v roce 2008 plánuje prodat 200 milionů telefonů, což by podle něj znamenalo zhruba 16% podíl, tedy určité zlepšení. U jeho telefonů vyšší třídy by se měla často objevovat podpora GPS, pětimegapixelové fotoaparáty, dotykové displeje a operační systémy. Počet představených telefonů s podporou sítí třetí generace by se oproti loňsku měl zdvojnásobit. Zájemce o levné telefony si chce získat barvami a fotoaparáty. Motorola zaznamenala propad takového charakteru, jaký mobilní trh nepamatuje. Během devíti měsíců Motorola ztratila 9 % tržního podílu, tedy téměř polovinu. Přišla o druhé místo mezi výrobci. Sony Ericsson si rok 2007 pochvaluje, za celý rok poprvé prodal více než 100 milionů mobilních telefonů a celkové tržby vzrostly o pětinu. Na úspěšné období chce výrobce samozřejmě navázat a pokračovat v úspěšné řadě hudebních telefonů. LG je asi nejstabilnější výrobce, lehký meziroční pokles střídá lehký vzestup a růst prodejů se meziročně vždy pohybuje kolem 30 %. Mezi plány jihokorejského výrobce pro rok 2008 patří prodat alespoň 100 milionů telefonů a zaměřit se na nové designové prvky a na rozvojové trhy, Postler [22].

16

3.2.1 Situace v ČR Dle Lásky [14] získat směrodatná, důvěryhodná a přesná čísla charakterizující prodejnost mobilních telefonů je i na malém českém trhu poměrně obtížné. Jednotliví výrobci si své statistiky prodejnosti přísně střeží, data od nezávislých prodejců se diametrálně odlišují. Pokud tedy chceme zjistit, které telefony se na českém trhu nejlépe prodávaly v roce 2007, obrátíme se na nezávislý subjekt, který nemá zájem na zkreslování statistik. Na webu Srovname.cz seřadili kategorii mobilních telefonů podle oblíbenosti. Takto poskládaný žebříček by měl nejblíže odpovídat pořadí reálných prodejů. Jednoznačně nejvíce oblíbená značka je finská Nokia. Ne druhém místě se umístil Sony Ericsson a dále je zde zastoupen Samsung. Zajímavé je, že z velké pětky mobilních výrobců se do oblíbených telefonů vůbec nedostala americká Motorola ani korejské LG. Zastoupení jednotlivých značek je patrné z grafu 6.

Nokia

2% 2% 6% 4% 13%

Sony Ericsson 48%

Samsung Motorola LG

25%

Siemens Ostatní

Graf 6: Tržní podíly 2007 v ČR Dále lze usoudit, že Češi jsou konzervativní i pokud jde o konstrukci. Téměř tři čtvrtiny mobilů v žebříčku jsou totiž klasické konstrukce, ostatní jsou vysouvací slidery. Véčkové mobily moc populární nejsou, objevují se až ke konci třetí desítky pořadí.

17

Jak uvádí ČSÚ [5], je velice zajímavé sledovat také vývoj počtu telefonů mezi jednotlivci, tento vývoj je zřejmý z tabulky 6:

Tabulka 6: Jednotlivci s mobilním telefonem v ČR Jednotlivci s mob. tel. (v %*) 2003

2004

2005

2006

2007

66.0%

73.8%

75.8%

83.1%

85.5%

Muži

72.1%

78.6%

80.1%

87.2%

89.0%

Ženy

60.3%

69.4%

71.8%

79.3%

82.1%

16 - 24 let

85.6%

93.4%

92.2%

97.7%

97.8%

25 - 34 let

86.8%

94.0%

94.4%

97.7%

98.1%

35 - 44 let

81.5%

86.6%

89.1%

95.8%

96.6%

45 - 54 let

67.1%

77.7%

80.3%

90.5%

93.2%

55 - 64 let

48.9%

61.7%

66.4%

76.0%

83.7%

65+

22.3%

25.9%

29.8%

41.2%

44.5%

Základní

46.7%

55.1%

57.9%

66.9%

69.1%

Střední bez maturity

63.9%

71.0%

74.5%

81.5%

84.5%

Střední s maturitou

76.3%

85.4%

85.9%

92.1%

93.0%

Vysokoškolské

85.7%

89.8%

89.1%

92.4%

94.7%

85.6%

92.0%

91.8%

97.8%

98.1%

Celkem 16+ Pohlaví

Věková skupina

Vzdělání

Specifické skupiny populace Studenti

* Hodnota je procentem z celkového počtu jednotlivců v dané socio-demogr. Skupině V celkové populaci České republiky, kterou pro účely šetření tvoří jednotlivci starší 16 let, bylo v roce 2006 více než 80 % uživatelů mobilních telefonů (83,1 %). Ze srovnání podílu mužů a žen využívajících mobilní telefon vyplývá, že častějšími uživateli jsou muži (87,2 %), zatímco podíl žen byl o téměř 8 procentních bodů nižší a činil 79,3 %.

18

Podíly uživatelů v jednotlivých věkových skupinách jsou poměrně vyrovnané a pohybují se nad úrovní 90 %. Výjimkou, avšak nikoli překvapivou, je nižší podíl uživatelů mobilních telefonů ve věkové kategorii 55 – 64 let (76,0 %) a 65 a více let (41,2 %). V těchto dvou věkových kategoriích výrazně převládá podíl jednotlivců, kteří ke komunikaci využívají pouze pevnou telefonní linku (15,7 %, resp. 31,7 %), zatímco u mladších ročníků je stejný podíl podstatně nižší a pohybuje se v rozmezí od 0,8 % (16 – 24 let) do 6,2 % (45 – 54 let).

Graf 7: Vývoj struktury uživatelů mobilních telefonů Věková struktura uživatelů mobilních telefonů se od roku 2003 ve věkových kategoriích 25 – 54 let výrazněji nemění. Zvýšenou pozornost však zasluhují uživatelé ve věkové kategorii 55 – 64 a 65 a více let, jejichž podíl od roku 2003 vzrostl a to z 11,0 %, resp. 5,6 % na 14,8 %, resp. 8,4 % Pozorovat lze také úbytek podílu uživatelů ve věkové kategorii 16 – 24 let na celkovém počtu uživatelů mobilních telefonů.

19

3.3 Pojem statistika Statistika je dle Hendla [7] naukou, jak získat informace z numerických dat. Pomáhá nám při přípravě a provedení výzkumu a při vyhodnocení získaných výsledků. Poskytuje prostředky a koncepty, které umožňují pracovat s výsledky tak, abychom porozuměli určitému problému. Podle významného didaktika statistiky Davida S. Moora (1997) můžeme praxi statistiky rozdělit na tři části: získávání dat, analýzu dat a statistické usuzování. Data analyzujeme s cílem porozumět nějakému problému. Musíme data přehledně zpřístupnit graficky, tabulkově a výpočtem různých charakteristik tak, aby byly dobře patrné jejich statistické vlastnosti. Při analýze zohledňujeme skutečnost, že proměnné mohou být různého typu a v různém měřítku.

3.4 Marketingový výzkum Zbořil [27] uvádí: „Marketingový výzkum spočívá ve specifikaci, shromažďování, analýze a interpretaci informací, které slouží jako podklad pro rozhodování v procesu marketingového řízení, kde dochází k mnoha rozhodnutím, která kladou značné nároky na informace a generují tak potřebu marketingového výzkumu. Významnou roli hraje marketingový výzkum při poskytování informací zejména pro plánovací a kontrolní funkce řízení.“ Marketingový výzkum je systematicky prováděný sběr, úprava, zpracování, analýza, interpretace a prezentace informací, které slouží k identifikaci a řešení různých marketingových situací v podniku nebo organizaci, Malý [15]. Dle Stávkové [24] marketingový výzkum znamená využití vědecké metody k identifikaci a definování je systematické určování, shromažďování marketingových příležitostí a problémů. Marketingový výzkum spočívá ve specifikaci, shromažďování, analýze a interpretaci informací, které umožňují: - porozumět trhu, na kterém firma podniká nebo hodlá podnikat, - identifikovat problémy spojené s podnikáním, - identifikovat příležitosti, které se mohou vyskytnout, - formulovat směry marketingové činnosti, - hodnotit její výsledky.

20

Podle různých kritérií můžeme marketingový výzkum dále členit: dle časového hlediska

a)

b)

•

průzkum – jednorázový,

•

výzkum – dlouhodobější,

dle metod získávání informací

c)

•

sekundární výzkum – dodatečné zpracování dat,

•

primární výzkum – vlastní zjištění hodnot,

dle systémového hlediska

d)

•

deskriptivní (jak),

•

diagnostický (proč),

•

prognostický (kam),

•

koncepční,

dle charakteru informací

e)

•

ekoskopický – zabývá se kvantifikovanými údaji,

•

demoskopický – sleduje chování subjektů na trhu,

dle předmětu zkoumání •

trhu,

•

makroprostředí,

•

podniku.

Nejčastěji se marketingový výzkum týká trhu.

3.5 Charakteristika procesu marketingového výzkumu Každý proces marketingového výzkumu se vyznačuje určitými zvláštnostmi, které vyplývají

z

jedinečné

povahy

zkoumaných

problémů.

V průběhu

každého

marketingového výzkumu rozlišujeme dvě hlavní etapy, a to etapu přípravy výzkumu a etapu realizace výzkumu. V rámci těchto etap se pak uskutečňuje několik za sebou následujících kroků, které spolu úzce souvisejí a vzájemně se podmiňují, Zbořil [27].

21

Příprava výzkumu zahrnuje kroky, které vedou k vytvoření předpokladů pro zahájení jeho realizace: 1. Identifikace problémů a stanovení cílů (definování problému). 2. Orientační analýza situace (specifikace potřebných informací, identifikace zdrojů ). 3. Plán výzkumu (vypracování projektu výzkumu).

Realizace výzkumu se pak opírá o připravený projekt výzkumu a zahrnuje: 4. Shromaždování informací. 5. Analýza dat, zpracování informací. 6. Prezentace výsledků výzkumu.

3.5.1 Identifikace problémů a stanovení cílů Definice problému by neměla být příliš úzká nebo příliš široká, neboť pokud není problém dobře definován, mohou náklady shromažďování informací přesáhnout hodnotu přínosů. Nejprve se musí porovnat očekávaný zisk projektu s náklady na výzkum, protože marketingový výzkum se vyplatí pouze tehdy, jestliže očekávaný zisk převyšuje veškeré náklady spojené s provedením výzkumu, Janečková [8]. Kulhavý [11] uvádí: „Cíle musí být definovatelné a kvantifikovatelné, aby představovaly dosažitelný cíl, ke kterému se směřuje. Měly by být definovány takovým způsobem, aby při realizaci marketingového výzkumu bylo možné porovnávat současný stav s cílem.“

3.5.2 Orientační analýza situace Orientační analýza představuje ověření si hypotézy na základě předběžného shromáždění dostupných informací a názorů na problematiku. Snažíme se hlavně nalézt podstatu problému, zda podobné problémy prožívá konkurence nebo celá ekonomika, nebo zda se jedná o specifický problém našeho výrobku, značky či služby. Hledá se oblast možného řešení problému, Stávková [24].

22

3.5.3 Plán výzkumu Dalším

stádiem

marketingového

výzkumu

je

sestavení

efektivního

plánu

pro shromažďování potřebných informací. Před schválením plánu výzkumu je třeba znát odhad nákladů na jeho realizaci a také je nutné v souvislosti s plánem výzkumu učinit rozhodnutí jaké informační zdroje, jaké výzkumné přístupy a nástroje výzkumu a jaké plány výběru respondentů a kontaktní metody mají být použity, Janečková [8] Plán výzkumu dle Stávkové [24] zahrnuje: a) určení informací (údajů), které budou shromažďovány, dále jaké techniky a metody budou použity při jejich sběru a analýze, b) způsob sběru informací – zahrnuje techniku výzkumu, c) metody zpracování dat – jaká metoda bude použita, jakým způsobem bude prováděno vyhodnocení výzkumu z hlediska spolehlivosti, zda budou výsledky testovány apod., d) rozpočet výzkumu, e) stanovení přesných specifických úkolů jednotlivým pracovníkům, f) kontrola plánu – jakým způsobem bude výzkum kontrolován. Často zahrnuje i provedení předvýzkumu na výběrovém vzorku respondentů – tzv. pilotáž či pretest, na kterém se dají odhalit chyby, přesněji určit náklady a čas apod.

3.5.4 Shromažďování informací Sběr informací je nejnákladnější fází výzkumu. Během použití stanovené metody šetření jsou od vybraných respondentů získávány potřebné informace a to kladením záměrně cílených otázek. Tyto informace mohou obsahovat jeho individuální názor, znalosti, preference, ale i údaje o jeho věku, pohlaví, povolání atd., Janečková [8] V praxi marketingového výzkumu se setkáváme s kategoriemi kvalitativního a kvantitativního výzkumu. Základní rozdíl je spojen s našimi předchozími znalostmi zkoumaného problému, jeho charakteru. Metody sběru informací lze rozdělit do dvou základních skupin. Třídícím hlediskem je zdroj informací. První skupinu tvoří metody pro získávání sekundárních

23

informací, pokud jsou dostupné. Obecně lze říci, že jde o vyhodnocování údajů, které jsou již k dispozici. Sekundární data můžeme členit na interní a externí. Výběr vzorků respondentů – provádí se v případě, že se rozhodneme pro sběr primárních dat. Zdrojem informací jsou obvykle subjekty, které označujeme jako respondenty. Skupinu lidí či objektů, kteří se stávají předmětem výzkumu a vykazují společné znaky, označujeme jako populaci nebo základní soubor. V případě, že by výzkum zahrnoval všechny možné respondenty, jedná se o census, tedy výzkum s největší vypovídací schopností. Ten se však provádí jen ve výjimečných případech, např. sčítání lidu. Nevýhodou je totiž jeho finanční a časová náročnost. V praxi se tedy využívá spíše reprezentativního výběru z respondentů a získané informace se poté uplatňují na celý soubor. Velikost výběrového souboru – v přístupu k určování optimální

velikosti

souboru se střetávají dva rozdílné zájmy: ekonomický a výzkumný •

Ekonomický – klade důraz na co nejmenší soubor dotázaných, neboť

sběr dat bývá vysoká položka v rozpočtu výzkumného projektu. •

Výzkumný – preferuje informační hodnotu a tedy velký výběrový soubor

před jeho finanční náročností. V praxi se objevují tři koncepčně odlišné přístupy: •

Slepý odhad – velikost vzorku se určuje subjektivně, na základě

zkušeností nebo intuice. •

Nákladový přístup – určení velikosti výběrového souboru pomocí tohoto

přístupu je založeno na kalkulaci nákladů na dotázání jednoho respondenta. •

Statistický přístup – Určit velikost vzorku statisticky znamená pracovat

s pravděpodobnostně náhodně vytvořenými soubory. Lze stanovit přiměřenou velikost vzorku při zadaných podmínkách, tj. velikost přípustné chyby, spolehlivost odhadů atd. Výhodou práce s těmito soubory je ta, že lze zobecnit výsledky získané ve výběrovém souboru na soubor základní.

Dotazníková metoda Dotazníky jsou dle Kozla [10] nejpoužívanějším nástrojem při sběru primárních údajů. Představují formuláře s otázkami, na něž respondenti odpovídají, případně obsahují také 24

varianty jejich odpovědí. Dotazník je potřeba důkladně sestavit, vyzkoušet a zbavit chyb před vlastním použitím, tzv. pilotáží. Význam dotazníku spočívá ve čtyřech oblastech. Získává informace od respondentů, poskytuje strukturu rozhovoru, zajišťuje standardní jednotnou matrici pro zapisování údajů a za čtvrté ulehčuje zpracování údajů. Dle Nenadála [18] jsou dotazníky využívány jako nástroj nepřímého kontaktu se zákazníky, nebo jako základní pomůcka při metodách přímého styku. Struktura dotazníků musí umožňovat jednotné vyhodnocení údajů. Je nutné věnovat pozornost přípravě a vytváření dotazníků. Postup při tvoření je následující: 1.

Definování otázek

Počet otázek by měl být co nejnižší a důraz je třeba klást na srozumitelnost, jednoznačnost a konkrétnost. Otázky by se měly týkat celkové spokojenosti zákazníků a také informací o respondentovi. Je nezbytné vyhnout se cizím slovům, odborným technickým termínům a formulacím, které jsou pro zákazníka nesrozumitelné. Postačující je jen jedna věta coby otázka. Sugestivní otázka by mohla u respondenta evokovat odpor k odpovědi, proto formulujeme otázku tak, aby nenavozovala pocit vnucování. 2.

Vhodný formát dotazníku

Přijatelné jsou dva formáty, a to formát checklistů a tzv. Likertův formát. Formát checklistů je založen na tom, že respondent reaguje na otázky pouze „ano“ – „ne“. Výsledkem je buď kladná či záporná reakce. Tento formát se jeví jako velmi jednoduchý a odráží jen hrubý odhad míry zákazníkovy spokojenosti. Naopak Likertův formát vychází z toho, že každý respondent má možnost víceškálového hodnocení. Někdy je postačující použití pětistupňové škály, je však doporučující až desetistupňová škála a v některých případech postačí škála třístupňová. Výhodou oproti checklistu je tedy to, že dává zákazníkovi možnost různého hodnocení a organizaci zaručuje vyšší spolehlivost a přesnost výsledků. 3.

Popis vstupních informací pro zákazníka

Je nezbytné informovat zákazníka, jak při vyplňování dotazníku postupovat. Tyto vstupní informace plní funkci vysvětlení jaký je účel a cíl dotazníku, poskytují

25

srozumitelný návod k vyplnění dotazníku a objasňují smysl otázek, ze kterých přímo nevyplývá. 4.

Konečné uspořádání dotazníku

Měli bychom mít na mysli, že čím větší počet otázek respondentovi klademe, tím menší šanci na odpovědi máme. Pokud používáme otázky souhrnného typu, můžeme poznat i budoucí chování zákazníků. Nosnou částí dotazníku představují otázky zaměřené na hodnocení míry spokojenosti zákazníka s jednotlivými znaky. Při tvorbě dotazníků pro měření spokojenosti zákazníků bychom měli zvážit i některé další aspekty, Nenadál [18]. •

Rozsah dotazníku: dotazníky s více než dvěma stranami mají daleko

menší návratnost oproti dotazníkům do dvou stran textu. •

Frekvence dotazování: je nutnost měření spokojenosti zákazníků

pravidelně opakovat. Mělo by být zásadou, že s každým novým produktem nebo službou je měřena spokojenost zákazníka. •

Změny ve volbě otázek: pokud jsou v dotaznících stále měněny otázky,

znemožňuje tento krok analyzovat data o spokojenosti zákazníka. •

Anonymita dotazníků: měla by být zachována minimálně v případě

individuálních klientů.

Malátek [16] uvádí některé výhody i nevýhody dotazníkové metody. Za klady lze považovat: •

Poskytuje dostatek času na odpovědi a na jejich důkladné promyšlení.

•

Prohlubuje důvěru v dodržení anonymity.

•

Krátký časový úsek na získání informací.

•

Není nákladný, je tedy ekonomicky výhodný.

•

Zaručuje vysoké tempo výzkumu, i když jsou dotazovaní rozmístěni

na velkém prostoru. •

Nevzniká potřeba přípravy tazatelů.

•

Optimální formalizací dotazníku je možno snížit pracnost kódování

na minimum.

26

Nedostatky dotazníku: •

Písemná odpověď nemusí vždy obsahovat jen vlastní názory, mínění,

postoje dotazovaného. •

Dotazovaný nemusí vždy pochopit smysl otázky.

•

Je možné i nechtěné zkreslení odpovědí v důsledku nepochopení některé

instrukce nebo pojmu. •

Poskytnuté údaje nemusí být pravdivé.

•

Formalizace dotazníku prostřednictvím alternativních otázek často

zjednodušuje a zprůměrňuje zkoumanou problematiku. •

Dotazník klade poměrně vysoké nároky na schopnost dotazovaných,

hlavně při použití složitých metod (škálování). •

Malá návratnost dotazníku narušuje reprezentativnost výzkumu.

•

Vylučuje možnost pozorovat reakce respondenta na kladené otázky.

Dotazování on-line Tento způsob je využíván stále větší měrou. Firma může dotazník umístit na webovou stránku a nabídnout potenciálním respondentům za jejich odpovědi určitou výhodu, nebo může umístit odkaz na nějakou navštěvovanou stránku a v něm informovat o možnosti získání odměny za návštěvu webové stránky s dotazníkem. Při on-line shromáždění dat je potřeba opatrnosti při jejich interpretaci. Nelze například předpokládat, že jsou reprezentativní pro cílovou populaci. Stává se totiž, že ti, kteří tvoří cílový trh, nepoužívají internet nebo nechtějí jeho prostřednictvím odpovídat, Kotler [9]. Dle Přibové [23] je elektronické dotazování novou technikou sběru dat založenou na využití počítačů. Její rozšíření souvisí s růstem sítě účastníků elektronické pošty. Elektronické dotazování spojuje výhody písemného dotazování (respondent vidí před sebou dotazník), je nesmírně rychlé, levné a urychluje zpracování dat, protože všechna data jsou již v elektronické podobě.

27

3.5.5 Analýza dat, zpracování informací Způsoby zpracování dat musí být stanoveny plánem výzkumu již dříve, než začnou být údaje shromažďovány. Zpracování se týká především primárních údajů, které je nutno: •

upravit – prověřit jejich relevantnost, úplnost a přesnost

•

klasifikovat – pro snadnost manipulace údaje rozdělit do tříd a kategorií.

Nulu je nutno pokládat za třídu samu o sobě. Velmi důležitý údaj je i to, že se sledovaný jev nikde nevyskytuje. •

kódovat – převést slovní výrazy do numerických znaků, aby mohla být

použita výpočetní technika. •

technicky zpracovat – sestavit potřebné tabulky a grafy, jimiž jsou

vyjadřovány výsledky výzkumu, jejich úkolem je podat názorný, srozumitelný a logicky uspořádaný obraz o zkoumaných jevech, především o jejich vývoji, struktuře a závislosti, Janečková [8].

3.5.6 Typy získaných dat Je zřejmé, že charakter znaků, které jsme získali prostřednictvím dotazníku, je značně rozdílný. Obvykle jsou definovány kategorie dat pro čtyři úrovně měření, dle Gilbreatha [6]: 1.

nominální

2.

ordinální

3.

kardinální – intervalová

4.

kardinální – poměrová.

Nominální typ dat (slovní, názvový, kategorie) je nejslabší z těchto čtyř jmenovaných. Jednoduše klasifikuje každý prvek pojmenováním pomocí slova nebo čísla. O libovolných dvou prvcích lze říci pouze to, že jsou různé nebo shodné, nelze však říci, že jeden z nich je významnější, větší než druhý. Ordinální typ dat (pořadový) je dalším, v marketingových výzkumech často používaným typem měření. Zde prvky mohou být seřazeny podle smysluplného pořádku, např. od nejmenšího po největší, nejlepší po nejhorší, atd. Data měřená ordinálními vahami jsou obvykle vyjádřena v pořadí. Pořadí takových čísel je smysluplné, ale je bezcenné poměřovat hodnocení např. podílem nebo rozdílem. 28

Kardinální znaky lze dále rozdělit podle toho, zda jdou hodnoty znaku porovnávat rozdílem nebo podílem na intervalové nebo poměrové. Typickým příkladem měřitelného znaku je počet dětí v domácnosti nebo příjem na jednu domácnost. O intervalové znaky se jedná v případě, kdy hodnoty mohou být rozlišeny, seřazeny a mají smysl jejich diference. Na rozdíl od nominálních a ordinálních znaků může být na data této úrovně pohlíženo jako na skutečně číselné a jako na subjekt k různým aritmetickým operacím. Intervalové znaky však nemají skutečnou nulu. Poměrové znaky mají vlastnosti jako znaky intervalové plus pevnou, definovanou nulu. Jako příklad lze uvést měření plochy nebo obsahu. Termín poměrové je užit proto, že poměřování má v tomto případě význam. Vlastnosti kardinálních znaků umožňují použití nejrůznějších statisticko analytických postupů.

3.3.7 Prezentace výsledků

Prezentace výsledků představuje stručné a jasné konstatování bez dalších statistických údajů. Prezentace a doporučení jsou konečným cílem výzkumu. Výsledky je možno prezentovat písemnou nebo ústní formou. Písemná forma má zpravidla formu závěrečné zprávy o průběhu výzkumu a jeho výsledcích. Projekt by měl být také autorizován, Kotler [9]. Výsledky výzkumu jsou podkladem pro marketingová rozhodnutí týkající se řešení problému, který byl předmětem šetření. Závěry výzkumu by měly managementu poskytnout informace, které je možné aplikovat na plánování marketingové strategie, či dát odpověď na řadu konkrétních otázek, jako je např. vliv jednotlivých faktorů na prodej výrobků, image značky či efektivnost působení propagačního mixu, Malý [45].

29

4 METODIKA PRÁCE Než začala vznikat samotná práce, bylo potřeba nashromáždit informace k této problematice, abych se v ní dostatečně orientovala. Shromažďování dat se týkalo jak informací primárních, tak i sekundárních. Z velkého množství sekundárních údajů, které jsou k dispozici,bylo nutné použít jen ty skutečně důležité pro řešení problematiky. Sekundární informace jsem získala především ze své bakalářské práce a z externích zdrojů. Čerpala jsem z odborné literatury, internetových stránek a konzultací s odborníky pro tuto problematiku. Po komparaci údajů z různých zdrojů jsem se rozhodla, které použiji pro svou práci a přehled takto získaných informací je uveden v úvodní části práce. Zde se věnuji teoretickému výkladu pojmu marketingový výzkum a s potřebami pro zpracování práce úzce souvisejícího pojmu statistika. Velká část těchto teoretických poznatků je věnována sběru primárních informací prostřednictvím dotazníkové metody, včetně postupu při tvorbě dotazníků. Dále jsou zde uvedeny možné typy získaných dat, způsoby jejich zpracování a možnosti jejich prezentace. V literárním přehledu nechybí ani informace o současném stavu na trhu mobilních operátorů a mobilních telefonů. Vlastní práci jsem potom rozdělila na následujících pět částí: •

Definování problému a cíle výzkumu.

•

Vypracování plánu výzkumu.

•

Sběr informací.

•

Analýza a interpretace informací.

•

Závěrečná zpráva – prezentace výsledků.

4.1 Definování problému a cíle výzkumu Na počátku každého výzkumu je potřeba přesně popsat problém a také definovat cíle výzkumu. Ve své bakalářské práci jsem se zabývala tématikou mobilních telefonů a operátorů. Toto téma mi připadá velice zajímavé a v dnešní době i aktuální a atraktivní. Ve výzkumu se snažím analyzovat tento tržní segment mezi studenty, kteří jsou potenciálními ekonomy a manažery a telefon zřejmě bude nedílnou součástí jejich života. Jedná se tedy o budoucí perspektivní zákazníky. Následně jsem určila cíle výzkumu, které jsou popsány v samostatné části práce. (viz. 2 Cíl práce).

30

4.2 Vypracování plánu výzkumu Tvorba plánu vycházela z definovaných cílů práce. Při sestavování jsem dbala na efektivním naplánování jednotlivých fází výzkumu. Lze zde

získat informace

o struktuře trhu s mobilními telefony a operátory mezi studenty a jejich preference. Tato data se mohou stát podkladem pro výrobce i prodejce telefonů, zjistí,co jsou rozhodující vlastnosti telefonu při jeho výběru. Samotným studentům mohou poskytnout data informace o spokojenosti s jednotlivými značkami i operátory. Údaje by měly odhalit případné odlišnosti mezi postojem mužů a žen, nižších a vyšších ročníků a závislost odpovědí na výši příjmu. Z důvodu porovnání bylo nutno zjistit některé identifikační údaje, jako je např. pohlaví, ročník, obor. Jako zkoumaný soubor byli vybráni studenti PEF MZLU v Brně, bez ohledu na věk, obor či pohlaví. Základní jednotkou marketingového výzkumu se tedy stal vysokoškolský student. Výzkum proběhl pomocí elektronického dotazníku, jedná se tedy o přímé písemné dotazování respondenta. Nejprve byl vytvořen dotazník, který měl analyzovat trh mobilních telefonů, operátorů a preference studentů. Dotazník obsahoval dvě hlavní části, první se týkala mobilních telefonů a druhá se věnovala mobilním operátorům. V závěru dotazníku byly umístěny identifikační otázky. Tvorba otázek korespondovala s dříve stanovenými cíli a vyřčenými hypotézami. Dotazník měl 19 otázek, které byly uzavřené a často jsem při jejich tvorbě využila škálování. Předvýzkum byl prováděn na přátelích, byly sledovány jejich reakce, připomínky a doplňující otázky. Předvýzkum měl za úkol zjistit nedostatky dotazníku, správnost formulace jednotlivých otázek, vhodnost odpovědí. Dále zda je dotazník vhodně sestaven, jeho logickou návaznost. Byl proveden v únoru 2008 na vzorku 15 respondentů. Poté byla provedena korekce některých otázek, které nebyly respondentům zřejmé tak, aby byly otázky dostatečně srozumitelné a jednoznačné. Ujistila jsem se tedy, že respondenti chápou otázky správně a instrukce k dotazníku jsou dostatečné. Doba potřebná k vyplnění dotazníku byla 7 – 11 minut. Konečná podoba dotazníku je uvedena v příloze číslo 1. Data byla shromážděna pomocí systému ReLa. Projekt ReLa (Research Laboratory) vznikl z iniciativy zaměstnanců Ústavu marketingu a obchodu - Provozně ekonomické fakulty. Systém ReLa umožňuje velice efektivně provádět výzkum prostřednictvím elektronického sběru dat. Lze prostřednictvím něj vytvořit velmi sofistikovaně různé dotazníky, které jsou vyplňovány respondenty. Data

31

shromážděná prostřednictvím systému jsou uživatelům ihned k dispozici. Zpracování je následně možné v jakémkoliv statistickém programu, protože data jsou exportována ve standardním formátu.

4.3 Sběr informací Distribuce dotazníku byla zajištěna vystavením odkazu na elektronický dotazník na dokumentovém

serveru

systémovým

integrátorem.

Odkaz

na

dotazník:

https://rela.mendelu.cz/vyzkum/?vyzkum=302 . Samotný sběr dat probíhal od 6.3.2008 do 6.4.2008. Po ukončení dotazníkového šetření jsem přistoupila k samotnému zpracování těchto dat. Využila jsem k tomu výpočetní techniku a pro názornost přehledné grafy a tabulky. Data byla importována do aplikace Microsoft Office Excel a také do softwaru Unistat, v těchto programech byla následně zpracována.

4.4 Analýza a interpretace informací - metody zpracování údajů Výsledkem statistického šetření je zpravidla velké množství číselných či slovních údajů, které jsou nepřehledné. Aby vynikly charakteristické rysy a zákonitosti analyzovaného souboru a aby byly údaje přehledné, musíme je setřídit. Dle Minaříka [17] tříděním rozumíme rozdělení jednotek souboru do skupin, které co nejlépe charakterizují vlastnosti zkoumaných jevů.

Rozdělení četností

U jednostupňového třídění dle Aczela [1] uspořádáme údaje (kvantitativní znak) do rostoucí posloupnosti a ke každé variantě znaku přiřadíme počty příslušných statistických jednotek, které nazýváme četnostmi. Vzniklou tabulku nazýváme tabulkou rozdělení četností, podává informaci o počtu výskytu jednotlivých variant znaku v souboru. Máme-li k dispozici údaje o spojitém statistickém znaku, postupujeme tak, že variační rozpětí souboru R rozdělíme na určitý počet intervalů a zjistíme počty hodnot patřících do těchto intervalů. Tabulce, která tímto způsobem vznikne říkáme intervalové rozdělení četností. 32

k

Absolutní četnost

∑n i =1

Relativní četnost pi =

= n , kde ni je počet hodnot ve třídě.

i

ni , platí n

k

∑ pi = 1 , alternativně i =1

k

∑100 p i =1

i

i

j =1

j =1

i

= 100 (v %)

Kumulativní četnost – absolutní kni = ∑ n j , relativní kpi = ∑ p j , alternativně v %.

Statistické grafy

Grafické

zobrazení

a charakteristických

dává

rychlou

a

přehlednou

představu

o

tendencích

rysech analyzovaných jevů. Nejčastěji využívané grafy

pro zobrazení četností jsou histogram, polygon a výsečový graf. Mnohem větší názornost nám tedy umožňuje grafická prezentace výsledků, a to pomocí celé škály různých grafů využívající grafická tělesa jako například body, úsečky, plošné geometrické obrazce, tělesa.

Statistické charakteristiky

Další zpracování vytříděných dat je pak přímo závislé na typu proměnné. Pokud se jedná o proměnné slovní (nominální) jsou možnosti značně omezené, lze pouze tvrdit, že hodnoty proměnné jsou rozdílné, ale nelze určit o kolik atd. Naproti tomu hodnoty

číselné (kardinální) poskytují celou řadu možností dalšího statistického zpracování. Velmi oblíbeným způsobem zpracování zjištěných dat jsou výpočty různých statistických charakteristik, jedná se např. o měření obecné úrovně, variability a závislostí. Základní a nejpoužívanější z nich jsou aritmetický průměr, modus, medián, rozptyl a směrodatná odchylka, Minařík [17].

Nominální znaky Webster [26] uvádí, že při marketingových výzkumech se sleduje řada proměnných, o jejichž dvou hodnotách lze říci pouze to, že jsou různé. Většinou se jedná o proměnné slovní, které mohou nabývat pouze předem daných hodnot. Předmětem zkoumání těchto znaků je především určit četnosti možných variant, z těchto pak můžeme vybrat i modální, můžeme tedy určit modus a medián.

33

Dále jde zjistit variabilita nominálních proměnných, a to pomocí charakteristiky: k k   nom var = 1 − ∑ p i2 , k −1 i =1  kde k je počet tříd (zde počet možných odpovědí), pi pak již známá relativní četnost. Tato charakteristika nabývá hodnot z intervalu <0;1>. Čím více se přiblížíme k nule, tím nižší je varianta odpovědi, tzn. soustředění všech odpovědí do jedné třídy, čili vysoká koncentrace. Na druhé straně, pokud se hodnota nomvar rovná jedné, mají četnosti jednotlivých odpovědí stejnou hodnotu a bylo tudíž dosaženo maximální variability rovnoměrného zastoupení všech kategorií.

Kardinální znaky Existuje-li řada číselných proměnných, o jejichž dvou hodnotách lze říci, o kolik, a jsou-li kladné, i kolikrát je jedna větší než druhá, jedná se o proměnné kardinální. V marketingových výzkumech jsou tyto proměnné poměrně časté. Mezi číselnými znaky se rozlišují nespojité a spojité proměnné, máme tedy největší možnosti využití statistické a matematické analýzy. Při tvorbě dotazníků je třeba přesně stanovit intervaly o pevně stanovené šířce a jejich středy. Mezi nejčastěji používané ukazatele při výpočtu kardinálních proměnných patří jednoznačně průměr, poskytuje informace o celém souboru. Naproti tomu modus a medián jsou pouze charakteristikami úrovně konstruovanými na bázi významných hodnot. U intervalového rozdělení lze pomocí vzorce vypočítat i konkrétní hodnotu, která je modem a náleží do modálního intervalu:

xˆ = d m + kde:

nm − nm −1 h 2nm − nm −1 − nm +1

dm …dolní mez modální třídy, nm…četnost modální třídy, nm-1…četnost třídy

předcházející, nm+1…četnost třídy následující Dále můžeme určit hodnotu mediánu, ten rozděluje soubor na dvě stejně početné části. Výpočet se u skupinového třídění provede dle vzorce:

xP = d P +

P − kp P −1 h pP

d P …dolní mez třídy obsahující, P…příslušný kvantil, p P …relativní četnost této třídy, kp P −1 ...součtová relativní četnost předcházející tř.,

kde:

h…je šířka třídy

34

Aritmetický průměr x můžeme použít pokud má smysl součet individuálních hodnot statistického znaku. Dále se můžeme setkat s prostou a váženou formou aritmetického průměru. Vzorec pro výpočet váženého aritmetického průměru je potom: 1 k ∑ xi n i , n i =1 kde: n....rozsah souboru, xi...střed třídy, ni...četnost třídy x=

Vzájemná poloha aritmetického průměru, mediánu a modu vypovídá o asymetrii rozdělení hodnot znaku. Dalším krokem je dle Alwana [2] výpočet měr variability, nejjednodušší je

variační rozpětí, které nám ale nic neříká o variabilitě uvnitř souboru, hodnota je závislá pouze na velikosti extrémních hodnot souboru : R = xmax – xmin

Nejvýznamnější charakteristika měřící variabilitu je rozptyl. Který je definován jako průměr čtverců odchylek jednotlivých hodnot znaku od jejich aritmetického průměru: 1 k ( x i − x )2 ⋅ n i ∑ n i =1 kde: n....rozsah souboru, xi...střed třídy, ni...četnost třídy s x2 =

Nevýhodou rozptylu je vyjádření ve čtvercích použité měrné jednotky, proto se při interpretaci výsledků častěji používá jeho druhá odmocnina, která se nazývá

směrodatná odchylka :

s x = s x2 Bezrozměrným vyjádřením variability je variační koeficient : vx =

sx 100[0 0 ] x

Používá se zejména při srovnávání variability souborů o různé úrovni nebo jsou-li zkoumané znaky v různých, vzájemně nesrovnatelných měrných jednotkách, u nichž nelze provést srovnávání pomocí rozptylu nebo směrodatné odchylky.

35

Závislost znaků

Předmětem zájmu statistiky je volná závislost, která je typická pro sociálně ekonomické i mnohé jiné vysoce komplikované jevy. Každá závislost má dvě základní statistické vlastnosti, kterými jsou její průběh a intenzita.

Kontingence Kontingence zkoumá závislost mezi dvojicemi znaků, které mají více než dvě obměny. Výsledkem takovéhoto třídění je tzv. kontingenční tabulka. Předpokládejme slovní znak A s obměnami a1, a2, a3,...,ar a slovní znak B s obměnami b1, b2, b3,..., bs. Výsledná kontingenční tabulka pro tyto dva znaky by pak obsahovala r řádků a s sloupců, Alwan [2]. Tabulka 7: Příklad kontingenční tabulky Znak B

Tříděný znak n11 n21

n12

...

Součet bj

...

bs n1s

n1* n2* ...

b2

...

Znak A

a1 a2

b1

ni* ...

nij

...

ai ar

nr1 n*1

Součet

n*2

...

n*j

...

nrs

nr*

n*s

n**=n

Výpočty intenzity závislosti jsou založené na existenci skutečné a teoretické

četnosti, vypočtené za předpokladu nezávislosti obou znaků. Teoretickou četnost pro kombinaci i-té obměny znaku A a j-té obměny znaku B vypočteme podle vztahu nij′ =

ni ⋅ n j

, kde ni, nj jsou příslušné okrajové četnosti a n je rozsah souboru.

n

Obecnou charakteristikou, která měří závislost mezi dvěma slovními znaky, je součet relativních čtvercových odchylek, neboli čtvercová kontingence (Chír

s

kvadrát): χ = ∑∑ 2

i =1 j =1

(n

ij

2 − nij′ )

nij′

.

36

Závislost je tím silnější, čím více se skutečná četnost liší od četnosti teoretické. Vzhledem k tomu, že čtvercová kontingence není ideální mírou intenzity závislosti, bývají konstruovány jiné míry kontingence postavené na jejím základě.

Průměrná čtvercová kontingence:

φ2 =

χ2 n

Pearsonův koeficient kontingence:

φ2 = 1+φ 2

P=

χ2 χ2 +n

Čuprovův koeficient kontingence:

T=

φ2

(r − 1) ⋅ (s − 1)

Cramerův koeficient kontingence:

C=

χ2

n ⋅ min{r − 1; s − 1}

Jeho konstrukce není závislá na velikosti kontingenční tabulky. Nabývá hodnot z intervalu <0,1>. Z hodnot blízkých 0 se usuzuje na slabou závislost, z hodnot blízkých 1 na závislost silnou, Aczel [1].

Asociace Hodnoty proměnných v asociační tabulce nabývají podle Alwana [2] pouze hodnot „ano“ a „ne“ či „spokojen“ a „nespokojen“. Intenzita asociační závislosti se měří koeficientem asociace, kdy jde o jednostrannou sdruženost kvalitativního znaku s jiným kvalitativním znakem:

V =

n.n11 − n1* .n*1 n1* n*1 n0* n*0

Hodnocení koeficientu asociace je identické jako u klasického koeficientu korelace kvantitativních znaků, hodnoty se pohybují v rozmezí od -1 do +1.

Faktorová analýza

Faktorová analýza je dle Somerlíkové [25] vícerozměrná statistická metoda, která se používá s růstem výpočetních možností v nejrůznějších vědních oborech. Úkolem

37

faktorové analýzy je objasnit strukturu pozorovaných závislostí a zjednodušit tak soustavu sledovaných veličin. Vede k vyřazení veličin informačně duplicitních a dále změří úroveň v pozadí stojících ideálních proměnných. Účelem je tedy odhalit a kvantifikovat jistou strukturu vzájemných korelačních vztahů mezi zkoumanými veličinami. Interpretace této struktury pak povede k daleko hlubšímu pochopení daného problému. Faktorová analýza sníží počet výchozích proměnných (testů) pomocí hypotetických faktorů, přičemž tato redukce vede jen k minimální ztrátě informace. Faktorová analýza vychází z předpokladu, že mnohé fyzikálně měřitelné vlastnosti mají přibližně normální (Gaussovo) rozdělení. Postup a výpočet faktorové analýzy je značně složitý, proto se k jejímu zpracování používá statistický software. Základem faktorové analýzy je korelační vztah (faktorová analýza začíná Pearsonovými korelačními koeficienty). Uspořádané korelační koeficienty tvoří korelační tabulku (matici). Cílem je pak izolovat z korelační matice skutečných proměnných faktory, které zjednodušeně vysvětlí pozorované závislosti. Metodický postup je následující: 1. výpočet vlastních hodnot redukované korelační matice, 2. extrakce společných faktorů z korelační matice, 3. výpočet výchozích (nerotovaných) faktorových zátěží (zátěž je vztah mezi testem a faktorem), 4. ortogonální rotace faktorových zátěží metodou varimax, 5. grafické znázornění faktorových zátěží, 6. interpretace získaného faktorového schématu. Ve faktorové analýze se vyskytují dva druhy proměnných. Empirické, měřené proměnné (testy) a ideální proměnné (malé množství faktorových zátěží s minimální ztrátou informace), které vznikají z korelací mezi empirickými proměnnými. Počet 45 společných faktorů je většinou neznámý, bývá vyšší než jedna a měl by se podílet na celkové variabilitě původních proměnných alespoň 5 %. Počet společných faktorů zahrnuje takové společné faktory, kterým odpovídají vlastní hodnoty větší než jedna (graf vlastních hodnot). Faktorová analýza tak objevuje pod symptomy, které jsou silně pravděpodobnostně organizovány v syndromy, základnější činitele na základě zjištěné korelace. Korelace mezi testy jsou určeny jejich vztahem k faktorům. Také faktory u těchto korelací lze vyvodit. Každému z faktorů pak odpovídá jeden syndrom. Syndromy se můžou různě překrývat. Faktory jsou ve skutečnosti odvozené ideální veličiny.

38

Extrakce faktorů z korelační matice – metoda hlavních os Autor Aczel [1] uvádí, že extrakce faktorů vede k faktorové matici (nerotované), ve které je – až na malé reziduum – obsaženo stejné množství informací jako v korelační matici. K extrakci faktorů lze použít dvě metody: centroidní, historickou metodu a náročnější metodu hlavních os. Vzhledem k rozšíření počítačů a statistických softwarů se častěji používá metoda hlavních os. Tu je však nutno doplnit kritérii, která umožňují posoudit oprávněnost extrakce a umožní určit počet extrahovaných společných faktorů. V této metodě se vychází z redukované korelační matice. Postupně se extrahují vzájemně nezávislé faktory, z nichž každý vždy vyčerpá maximální možnou část celkového rozptylu. První faktor se určí tak, aby jeho podíl na celkovém rozptylu byl maximální. Hledá se vektor a11, a12,….,an1, kdy V1 = a112, a122,….,an12 = n

max, za podmínek: r jk = ∑ a jp a kp , pro j, k = 1, 2,…, n. Tato úloha vede k řešení p =1

soustavy n rovnic o n neznámých aj1, maticově vyjádřeno:

(R − λI )a = 0 ,

kde

n

λ = ∑ a 2j1 . λ je tedy rovna výrazu V1, který je maximalizován, proto se použije j =1

pro extrakci prvního hlavního faktoru největší z kořenů λ1. Jako druhý hlavní faktor stačí vzít λ2, tj. podle velikosti v pořadí druhé největší vlastní číslo původní matice R. Totéž platí pro další hlavní faktory. Z matematického hlediska jde o hledání vázaného extrému pomocí metody Langrangeových multiplikátorů.

Odhad komunalit a stanovení počtu faktorů K odhadu komunalit se nejčastěji používá tzv. iterativní metoda, kdy se komunality určí z výsledné faktorové matice, do které se dosadí do diagonály korelační matice a faktoruje se znovu. Tento proces se opakuje několikrát. Kontroluje se, jak se jednotlivé komunality změnily. Až je dosaženo velmi malých změn, jsou komunality definitivní. Pro stanovení počtu extrahovaných faktorů se používá Kaiser-Guttmanovo kritérium, kdy se nejdříve z korelační matice při jedničkách v diagonále vypočítají vlastní hodnoty a počet faktorů se určí jako počet vlastních čísel větší než jedna (graf vlastních hodnot). [25]

39

Rotace faktorů K vypočítání nové „rotované“ faktorové matice se zavádí obecné označení faktorových zátěží. Zátěž j-tého testu v prvním nerotovaném faktoru se označuje jako aj1, zátěž j-tého testu ve druhém nerotovaném faktoru jako bj1. Zátěže téhož testu v nových faktorech se značí aj2 a bj2. Vypočítají se následovně: a j 2 = a j1 cos α + b j1 sin α a b j 2 = a j1 (− sin α ) + b j1 cos α . V podstatě se jedná o rotaci souřadnicových nadrovin, odpovídajících jednotlivým faktorům a to tak, aby maximální počet faktorových zátěží vykazoval hodnotu blízkou nule. V případě, že zůstane úhel souřadnicových nadrovin stejný (pravý), hovoří se o ortogonální rotaci. Nejpoužívanější metodou ortogonální rotace je varimaxová metoda, která maximalizuje rozptyl čtverců faktorových zátěží, normovaných příslušnými komunalitami. Ve většině úlohách bývá hodnota minimální zátěže volena jako konstanta 0,5. [25]

4.5 Závěrečná zpráva – prezentace výsledků V diskuzi jsem potom porovnala mnou zjištěné výsledky u studentů Provozně ekonomické fakulty se statistickými údaji pro celou Českou republiku. Dále jsem srovnala výsledky získané nyní a informace, které mi poskytl výzkum zpracovaný v mé bakalářské práci. K celé problematice jsem zde vyjádřila svůj názor a uvedla také doporučení pro subjekty, které v tomto oboru podnikají. Závěr práce byl věnován výstižnému vyjádření vyzkoumaného. Uvedla jsem zde i závěry pro praxi a čím byla moje práce přínosná. Diplomová práce byla napsána v aplikaci Microsoft Office Word. Výsledky práce potom prezentovány pomocí prezentace vytvořené v aplikaci Microsoft Office PowerPoint.

40

5 VÝSLEDKY PRÁCE 5.1 Identifikační otázky Na dotazník odpovědělo 943 studentů z celkového počtu 3 322 studentů PEF, bohužel 35 dotazníků muselo být z následujícího zpracování vyřazeno, protože nebyly kompletně vyplněny všechny otázky. Tento dotazník obsahuje 19 otázek a byl k dispozici na internetových stránkách po dobu jednoho měsíce od 6.3.2008 do 6.4.2008. Získaná primární data byla vložena do programu UNISTAT, kde byla následně zpracována a výsledky vyexportovány do programu EXCEL, v němž byla provedena finální úprava. Základní soubor je tvořen jen jednotkami, které se shodují v nějakém stanoveném znaku a nemohou se v něm lišit. Zároveň všechny jiné jednotky, které do souboru nepatří, tento znak nemají stejný a nemohou být zařazeny do souboru. Všechny jednotky této zkoumané populace mají jeden společný znak, všichni dotázaní studují Provozně ekonomickou fakultu MZLU v Brně. Předmětem výzkumu jsou znaky, v nichž se jednotlivé jednotky mohou lišit, jedná se o znaky variabilní. Mezi základní informace o rozsáhlém souboru patří struktura respondentů, tu můžeme určit pomocí identifikačních otázek 17, 18 a 19. Z grafu 8 vyplývá, že tento dotazník vyplnilo více žen, kterých odpovědělo 630 (69 %). Mužů, kteří vyplnili dotazník, bylo pouze 278 (31 %). Celkový počet studentů, kteří poslali kompletní dotazník, je tedy 908. Pro názorné zobrazení četnosti jsem zvolila výsečový graf relativních četností.

31%

žena muž 69%

Graf 8: Rozdělení respondentů podle pohlaví

41

Jak je patrné z grafu 9, nejvíce respondentů účastnících se tohoto výzkumu studuje první ročník (28 %) a nejméně vyšší ročník (doktorské studium – 1 %), tyto údaje odpovídají zároveň zastoupení studentů v jednotlivých ročnících na PEF .

1%

11%

28% 14%

první druhý třetí čtvrtý pátý vyšší 20% 26%

Graf 9: Rozdělení respondentů podle ročníků Zastoupení jednotlivých studijních oborů mezi studenty je zřejmé z tabulky 8, kde vidíme jednotlivé počty studentů (absolutní i relativní četnosti) v oborech a jejich rozdělení podle pohlaví. Nejvíce studentů, kteří vyplnili dotazník, studuje Manažerskoekonomický (ME) obor, je to 37 %. Koresponduje to i s počtem studentů v jednotlivých oborech na PEF, kde nejvíce studentů studuje ME obor.

Tabulka 8: Rozdělení studentů podle oboru a pohlaví

Žena

Muž

Souč. řádku

EI

ni 47

pi 5.18%

ni 60

pi 6.61%

ni 107

pi 11.78%

ES

3

0.33%

8

0.88%

11

1.21%

EZP

7

0.77%

7

0.77%

14

1.54%

F

127

13.99%

44

4.85%

171

18.83%

ME

254

27.97%

78

8.59%

332

36.56%

MO

26

2.86%

22

2.42%

48

5.29%

SE

51

5.62%

9

0.99%

60

6.61%

VS

115

12.67%

50

5.51%

165

18.17%

Sl.souč.

630

69.38%

278

30.62%

908

100.00%

42

Kde: EI ES EZP F ME MO SE VS

Ekonomická informatika Evropská studia v podnikání a ekonomice Ekonomika zemědělství a potravinářství Finance Manažersko - ekonomický Management obchodní činnosti Sociálně ekonomický Veřejná správa

Z grafu 10 je zřejmé, že zastoupení mužů je vyšší pouze u oborů Ekonomická informatika (56 %) a Evropská studia v podnikání a ekonomice (73 %). Naopak nejvyšší zastoupení žen vykazuje obor Sociálně ekonomický (85 %).

Struktura respondentů podle oboru a pohlaví 40.00% 35.00% 30.00% 25.00% Muž Žena

20.00% 15.00% 10.00% 5.00% 0.00% EI

ES

EZP

F

ME

MO

SE

VS

Graf 10: Rozdělení respondentů podle oboru a pohlaví

Prvním krokem jsem tedy blíže určila statistické jednotky, které tvoří mnou zkoumaný statistický soubor. Analyzovala jsem identifikační údaje každé jednotky tak, abych měla představu o struktuře respondentů.

43

5.2 Rozdělení četností Rozdělení četností jsem provedla pro každou z otázek v dotazníku, tedy pro každý znak souboru. Z důvodu omezeného rozsahu této práce je seznam všech tabulek s četnostmi uveden v příloze 2. Otázka 1: Jaká je značka Vašeho mobilního telefonu? 50% 40% 30% 20% 10% 0% Jiná

LG

Motorola

Nokia

Samsung

Siemens

Sony Ericsson

Graf 11: Relativní četnosti značek mobilních telefonů

Největší počet mobilních telefonů mezi respondenty je značky Nokia, jedná se téměř o 45 %, naopak nejméně zastoupená značka s pouhými 3 % je LG. Druhým nejvíce zastoupeným výrobcem mezi studenty je pak Sony Ericsson s 28 %. Tyto hodnoty můžeme porovnat s celosvětovým průzkumem v následujícím grafu. 50%

40%

30%

20%

10%

0% Jiná

LG

Motorola

Nokia

Samsung

Sony Ericsson

Graf 12: Relativní četnosti značek mobilních telefonů ve světě 44

Z grafů je patrné, že jsou zde veliké rozdíly. Světová statistika udává stejný počet uživatelů značky Motorola (14 %) a Samsung (14 %), naproti tomu mezi studenty Motorola (4 %) není zdaleka tak častou. Naopak velké popularitě se u respondentů těší značka Sony Ericsson (28 %), která v celosvětovém měřítku dosahuje pouze 9% podíl. Značka Siemens potom ve světové tržní analýze ani nezískala vlastní kategorii a je zařazena do jiných. Nokia dosahuje shodně u obou grafů největšího podílu na trhu.

Otázka 2: Jak jste spokojen/a se svým mob. telefonem dle následujících kritérií? 3.5 3.0 2.5 2.0 1.5 1.0 0.5 0.0 Jiná

Funkce

LG

Možnost zábavy

Motorola

Ovladatelnost

Nokia

Samsung

Výdrž baterie

Siemens

Rozměry a hmotnost

Sony Ericsson Design

Graf 13: Spokojnost respondentů podle značek

Zde můžeme posoudit spokojenost respondentů s mobilními telefony dle značky mobilního telefonu. Z grafu 13 je zřejmé, že nejvíce spokojení (uvedli hodnotu 1) s funkčností jsou uživatelé Nokia, s možnostmi zábavy majitelé Sony Ericsson, jako nejlépe ovladatelná byla vyhodnocena Nokia, s rozměry a hmotností jsou nejvíce spokojeni držitelé značky Samsung, design je nejlépe hodnocen u Motoroly. Nejvíce jsou respondenti nespokojeni s výdrží baterie a také jsou nedostatečně spokojeni s možností zábavy. Z výsledků se dá usuzovat, že nejvíce komplexně spokojených uživatelů je mezi těmi, kteří zvolili značku Nokia.

45

Otázka 3: Čím je Váš mobilní telefon vybaven a jak často to využijete? 70% 60% 50% 40% 30% 20% 10% 0% Fotoaparát

Video záznam

Každý den

Audio záznam Každý týden

MP3 přehrávač

Připojení k internetu

Méně často

Nevybaven

Hry

Rádio

Nevyužívám

Graf 14: Relativní četnosti využití sledovaných ukazatelů

Z grafu 14 je zřejmé, že nejvíce využíván je MP3 přehrávač, kterého denně používá 16 % dotázaných., 7 % potom denně poslouchá rádio a 6 % využívá služby připojení k internetu. Každý týden pak 28 % respondentů používá zabudovaného fotoaparátu a 17 % hraje hry. Většina (66 %) uvedla, že nevyužívá připojení k internetu a méně využívané jsou i hry (31 %) a audio záznam (44 %), naopak pouze 6,5 % nevyužívá fotoaparát.

50% 40% 30% 20% 10% 0% Rádio

Hry

Připojení k internetu

MP3 přehrávač

Audio záznam

Video záznam

Fotoaparát

Graf 15: Relativní četnosti telefonů nevybavených ukazateli

46

Graf 15 pak poukazuje na to, kolik respondentů má mobilní telefon, který není možností vybaven. Nejvíce telefonů nemá zabudovaný MP3 přehrávač (46 %) a také jejich součástí často není rádio (45 %). Domnívám se tedy, že je zde veliký prostor pro výrobce mobilních telefonů, jelikož z výzkumu také plyne, že se jedná o nejvíce používanou funkci u uživatelů, kteří tuto možnost na svém mobilním telefonu mají.

Otázka 7: Jakého převážně používáte operátora?

0.4% 28.6%

33.8% T - Mobile Vodafone Telefónica O2 Jiného operátora

37.1%

Graf 16: Relativní četnosti zastoupení operátorů

Po zpracování otázky 7 lze konstatovat, že nejvíce zákazníků mezi studenty získal operátor Vodafone (37 %), na druhém místě se umístil T-mobile (34 %) a na třetím potom Tolefónica O2 (29%). Vodafone si získává velkou oblibu mezi studenty především svými výhodnými nabídkami na SMS služby, které studenti často preferují. Na trhu České republiky je situace odlišná, první místo v počtu zákazníků získal T-mobile (41 %), následuje Telefónica O2 (39 %) a konečně Vodafone (20 %). Menší počet zákazníků u Vodafone je způsoben tím, že je na trhu nejmladším. Velice důležitý je ale poměr zákazníků paušálních a uživatelů s předplacenými službami. Z hlediska tohoto ukazatele je na tom nejlépe Vodafone, který má 53 % ze svých zákazníků paušálních. Tento ukazatel má pak velký vliv na průměrný výnos na zákazníka za měsíc, který je 635 Kč u Vodafone, 510 Kč u Telefónica O2 a 484 Kč u T-mobile.

47

Je to dáno tím, že T-mobile má i přes vysoký počet uživatelů stále nejnižší počet paušálních zákazníků (39 %).

Otázka 9: Proč jste se rozhodl/a právě pro Vašeho stávajícího operátora? 600 519 470

500 400

372 310

300 221 200

155 84

100 0 Nízké ceny volání

Nízké ceny SMS

Možnost čerpání bonusů

Lepší pokrytí

Nabízí více služeb

Do této sítě volám nejčastěji

Další důvody

Graf 17: Absolutní četnosti odpovědí na ot. 9

Při volbě operátora se pro studenty stává nejdůležitějším kritériem nízká cena za SMS, celých 57 % dotázaných uvedlo tuto možnost. Na druhém místě hraje velkou roli, do jaké sítě nejčastěji respondent potřebuje telefonovat (52 % dotázaných), dalším významným faktorem je potom cena za volání (41 % dotázaných). Zajímavé je, že pořadí těchto preferencí je u všech operátorů totožné, pouze při porovnání konkrétních hodnot studenti, kteří nejvíce preferují nízké ceny volání i nejčastější volání, patří mezi uživatele sítě Vodafone, a studenti kteří mají operátora Telefónica O2 zase větší důraz kladou na levné telefonování. Tento vývoj je v souladu s celorepublikovými ukazateli, kde je patrný rostoucí trend v počtu SMS. V roce 2006 bylo na jednoho obyvatele ČR za rok odesláno 608 SMS. Studenti častěji píší textové zprávy než volají.

48

Otázka 13: Jak často využíváte následujících služeb? 900 800 700 600 500 400 300 200 100 0 Platby telefonem

Méně často

Informační služby

Každý týden

GSM (navigace)

Internet (datové služby)

Telefonování

MMS

SMS

Každý den

Nevyužívám

Graf 18: Absolutní četnosti odpovědí na ot. 13

Pokud se jedná o SMS služby, nejvíce studentů tuto službu využívá denně (88 % dotázaných), jedná se o jedinou variantu odpovědi, kde žádný z respondentů neodpověděl, že službu nevyužívá. MMS službu spíše studenti nevyužívají (53 %). 55 % studentů telefonuje denně, 37 % každý týden. Nejméně využívanou službou, jak je zřejmé i z grafu, je GSM (navigace), kde 93 % respondentů tuto službu nevyužívá.

Otázka 10: Kde jste především čerpal/a informace při výběru operátora? Žena

56% 16%

4% 9%

4% 2%

9%

Internet

Zkušenosti známých

Z jiných zdrojů

Nabídka od dealera

Prodejna operátora

Propagační letáčky

Reklama v médiích

Graf 19: Relativní četnosti odpovědí žen na ot. 10

49

Muž

29%

42%

7% 5% 2% 4%

11%

Internet

Zkušenosti známých

Z jiných zdrojů

Nabídka od dealera

Prodejna operátora

Propagační letáčky

Reklama v médiích

Graf 20: Relativní četnosti odpovědí mužů na ot. 10

Většina studentů se při výběru operátora spoléhá na zkušenosti známých (51 %), na druhém místě se potom informují na internetu (20 %). Z výsledků se dá tedy uvažovat o tom, že tito zákazníci jsou méně důvěřiví co se týká cizích zdrojů. Pouze 3 % studentů důvěřují dealerům, kteří často oslovují studenty na lukrativních místech, jako jsou například veletrhy, nákupní centra, prostranství u škol. Překvapivé je potom to, že větší procento studentů ovlivňují propagační letáčky (5 %) nežli reklama v médiích (3 %). Z grafů je patrné, že je zde i určitý rozdíl v tom, kde čerpají informace ženy a kde muži. Ženy více čerpají ze zkušeností známých (56 %), z nabídek dealera (4 %) a prodejen operátora (9 %). Muži pak informace častěji hledají na internetu (29 %), z propagačních letáčků (7 %) a reklam v médiích (4 %).

5.3 Výpočet základních charakteristik Další zpracování vytříděných dat je pak přímo závislé na typu proměnné. V této práci se vyskytují jak proměnné nominální, tak i kardinální. Jelikož je způsob zpracování v obou případech značně odlišný, rozdělila jsem výpočet základních charakteristik do dvou samostatných podkapitol. Opět jsou uvedeny tyto charakteristiky pouze u vybraných otázek.

50

5.3.1 Nominální znaky Otázka 1: Jaká je značka Vašeho mobilního telefonu?

Tabulka 9: Rozdělení četností pro ot. 1

Jiná LG Motorola Nokia Samsung Siemens Sony Ericsson

ni 15 26 32 406 104 70 255

kni 15 41 73 479 583 653 908

pi 1.65% 2.86% 3.52% 44.71% 11.45% 7.71% 28.08%

kpi 1.65% 4.52% 8.04% 52.75% 64.21% 71.92% 100.00%

V této tabulce jsem vyznačila barevně modus, neboli nejčastěji zodpovězenou variantu. Modus lze snadno zjistit z relativních četností, nejvyšší z nich je zde téměř 45 %, což znamená, že většina studentů má mobilní telefon značky Nokia. Pomocí dat z tabulky 8 a výše uvedeného vzorce vypočítáme míru variability otázky 1. nomvar = 7 / (7-1) * [1 - (0,01652 + 0,02682 + 0,03522 + 0,44712 + 0,11452 + + 0,07712 + 0,28082 )] = 0,9524

Zjištěná hodnota 0,9524 vypovídá o vysoké variabilitě odpovědí na otázku 1. Poměrně nízká byla četnost u odpovědí „jiná“ a „LG“, ale ostatní možnosti byly zastoupeny hojně. Lze uvažovat o jiné formulaci málo zastoupené varianty odpovědi (např. jiná značka), popř. ji úplně vynechat a variabilita by ještě vzrostla.

Otázka 8: Jak jste se svým operátorem spokojen/a? Tabulka 10: Rozdělení četností pro ot. 8

Spokojen Méně spokojen Spíše nespokojen Nespokojen

ni 707 158 30 13

kni 707 865 895 908

pi 77.86% 17.40% 3.30% 1.43%

kpi 77.86% 95.26% 98.57% 100.00%

51

Opět jsem v tabulce vyznačila nejčastěji se vyskytující hodnotu proměnné, modus. Nyní je tedy zřejmé, že nejčastěji jsou respondenti se svým operátorem spokojeni (78 %). Pomocí dat z tabulky nyní vypočítáme míru variability otázky 8. nomvar = 4 / (4 - 1) * [1 - (0,77862 + 0,17402 + 0,03302 + 0,01432 )] = 0,4829

Zjištěná hodnota 0,4829 vypovídá o nízké variabilitě odpovědí na otázku týkající se spokojenosti s operátorem. Poměrně nízká byla četnost u odpovědí „spíše nespokojen“ a „nespokojen“, ostatní možnosti byly zastoupeny ve velké míře. Z toho vyplývá, že je vhodné uvažovat o vynechání či pozměnění málo zastoupených variant odpovědí, variabilita by tak vzrostla. Názorně je tato situace vidět z následujícího grafu, kde je patrné, že studenti volili odpověď nespokojen nejméně (2 %) a podobně málo respondentů odpovědělo spíše nespokojen (3 %). Nízká variabilita odpovědí na tuto otázku je tedy na první pohled zřetelná.

3%

2%

17%

78%

Spokojen

Méně spokojen

Spíše nespokojen

Nespokojen

Graf 21: Relativní četnosti odpovědí na ot. 8

52

5.3.2 Kardinální znaky Otázka 15: Jaké jsou Vaše průměrné měsíční výdaje za využívání mobilního telefonu?

Tabulka 11: Rozdělení četností pro ot. 15

Do 300 301 - 600 601 - 900 901 - 1200 Více než 1200

ni 515 294 53 34 12

kni 515 809 862 896 908

pi 56.72% 32.38% 5.84% 3.74% 1.32%

kpi 56.72% 89.10% 94.93% 98.68% 100.00%

Z tabulky rozdělení četností je patrné, že nejvíce studentů utratí za služby poskytované operátorem do 300 Kč měsíčně (57 %), naopak nejméně studentů (1 %) utratí více jako 1 200 Kč za měsíc. Celých 89 % studentů utratí za měsíc do 600 Kč měsíčně. Lze tedy konstatovat, že s rostoucí částkou výdajů klesá počet studentů. V tabulce jsem označila nejvyšší četnost, jedná se tedy o modální interval, tj. (0 - 300>. Pomocí vzorce lze vypočítat i konkrétní hodnotu, která je modem a náleží do tohoto intervalu:

xˆ = 0 + (515 - 0) / (2 * 515 – 0 - 294) * 300 = 209,92 Korigovaná poloha modu nabývá tedy dle výpočtu hodnoty 209,92 Kč, jedná se o nejčastěji se vyskytující hodnotu měsíčního výdaje. Dále můžeme určit hodnotu mediánu:

x 0,50 = ~ x = 0 + (0,50 – 0) / 0,5672 * 300 = 264,46 Medián pro otázku 15 tedy nabývá hodnoty 264,46 Kč. Další důležitou charakteristikou je aritmetický průměr, jeho hodnotu vypočteme jako:

x = 1 / 908 * 301200 = 331,72

Průměrný měsíční finanční výdej studenta je tedy 331,72 Kč.

53

Jedná o situaci, kdy

xˆ < ~ x < x.

Jde tedy o levostrannou asymetrii, což je

názorně vidět v následujícím grafu.

60%

50%

40%

30%

20%

10%

0% Do 300

301 - 600

601 - 900

901 - 1200

Více než 1200

Graf 22: Relativní četnosti odpovědí na ot. 15

V grafu si můžeme taktéž povšimnout levostranné asymetrie, která je zde patrná.

Říká nám to, že počty studentů s rostoucí částkou klesají. Dále vypočtu charakteristiky souboru posuzující variabilitu měsíčních finančních výdajů studentů a jejich hodnoty budou vyčísleny dle výše uvedených vzorců.

Tabulka 12: Výpočet rozptylu pro ot. 15

xi Do 300 301 - 600 601 - 900 901 - 1200 Více než 1200 Součet

150 450 750 1050 1350

ni 515 294 53 34 12

xi -a.p.

908

(xi –a.p.)2 * ni

-181.718

17006048.78

118.2819

4113241.379

418.2819

9272868.336

718.2819

17541584.06

1018.282

12442777.27

2091.41

60376519.82

Rozptyl = 1 / 908 * 60376519,82 = 66493,96 Směrodatná odchylka = 66493,961/2 = 257,86

Variační koeficient = 257,86/ 331,72 * 100 = 77,73%

54

Získaná hodnota směrodatné odchylky nám říká, o kolik se částka, která tvoří měsíční finanční výdaj studentů, liší od vypočteného průměrného výdaje 332 Kč. V tomto případě je to o ± 258 Kč. Bezrozměrný variační koeficient vyjadřuje, že částka, která tvoří měsíční finanční výdaj studenta, se od průměrné hodnoty liší o 78 %. Z toho plyne, že informační hodnota průměru není příliš velká, protože hodnoty vykazují značnou variabilitu.

5.4 Analýza závislostí V předchozích kapitolách vlastní práce jsme uvažovali pouze metody určené ke statistickému popisu a analýze datových souborů, v nichž jsou jednotlivé číselné nebo slovní znaky chápány izolovaně, bez vzájemných souvislostí. Velice zajímavou

částí mé práce je také zkoumání závislostí mezi některými proměnnými. Jedná se o posuzování závislostí v kontingenční tabulce.

Otázka 4: Kolik měsíců máte průměrně telefon, než si koupíte nový? Otázka 5: Kolikátý máte mobilní telefon? 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Méně než 6

6 - 11 První

12 - 18 Druhý

Třetí

19 - 23 Čtvrtý

Pátý

24 - 29

30 a více

Více než pátý

Graf 23: Struktura pořadí telefonů dle doby

Nejvíce studentů uvedlo, že vlastní v pořadí třetí telefon (33 %), naopak nejméně studentů má první telefon (3 %). 46 % respondentů uvedlo, že telefon mění po více než 30 měsících a méně než 6 měsíců má telefon pouze 0,4 %. Již z grafu je patrné, že by

55

zde mohla vzniknout určitá závislost mezi dobou, po kterou má uživatel obvykle telefon, a pořadím jeho telefonu. Vypočtené koeficienty závislosti:

χ 2 = 402,89 Φ 2 = 402,89 / 908 = 0,4437 P = [0,4437 / (1 + 0,4437)]1/2 = [402,89 / (402,89 + 908)] 1/2 = 0,5544 T = [0,4437 / (5 * 5) ½]1/2 = 0,2979 C = [402,89 / (908 * 5)]1/2 = 0,2979 Z vypočtených koeficientů plyne, že závislost mezi dobou, po kterou má uživatel obvykle telefon, a jeho pořadím je spíše slabá.

Otázka 14: Jaký typ platby za telefonní služby využíváte? Otázka 17: Jakého jste pohlaví? 100% 80% 60% 40% 20% 0% Muž Paušální poplatky

Žena Předplacené služby (dobíjecí karty, dobíjení přes terminál)

Graf 24: Struktura pohlaví dle typu plateb

Z výsledků kombinačního třídění je zřejmé, že studenti využívají více paušálních poplatků (80 %). Z grafu je čitelné, že odpovědi mužů a žen jsou téměř totožné, lze tedy očekávat téměř nulovou hodnotu závislosti.

χ 2 = 0,1061 Φ 2 = 0,0001

56

P = 0,0097 C = 0,0097 To potvrzují i vypočtené koeficienty. Jedná se o téměř nulovou závislost mezi ukazateli. Volba typu platby tedy není závislá na pohlaví zákazníka.

Otázka 7: Jakého operátora převážně používáte? Otázka 12: Do jaké sítě nejčastěji voláte? 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% T - Mobile

Vodafone T - Mobile

Telefónica O2 Vodafone

Pevná linka

Telefónica O2

Jiná síť

Nevím

Jiného operátora

Graf 25: Struktura nejčastěji volaných sítí dle používaného operátora Studenti nejčastěji telefonují do sítě Vodafone (37 %), poměrně vyrovnané zastoupení má T-mobile (27 %) a Telefónica O2 (24 %). Více jak 11 % studentů neví, do jaké sítě volá nejčastěji. Na pevnou linku (0,4 %) i do jiné sítě (0,1 %) volá nejčastěji velmi malá část respondentů.

χ 2 = 1262,93 Φ 2 = 1,39 P = 0,7627 C = 0,6809

57

Z grafu je možno usuzovat na závislost mezi ukazateli, což nám potvrzují i výpočty. Závislost mezi používaným operátorem a nejčastěji volanou sítí je poměrně vysoká. Můžeme si povšimnout, že nejvíce hovorů je uskutečňováno do vlastní sítě. Má na to hlavní vliv ten faktor, že volání do vlastní sítě je vždy nejvýhodnější.

Otázka 7: Jakého operátora převážně používáte? Otázka 11: Jaký byl Váš původní operátor?

100% 90%

Původní operátor

80% 70% 60% 50% 40% 30% 20% 10% 0% Jiný operátor

T - Mobile

Telefónica O2

Vodafone

Současný operátor Jiný operátor

T - Mobile

Telefónica O2

Vodafone

Graf 26: Struktura současných operátorů dle původního operátora

Velice zajímavé je pozorovat změnu zastoupení operátorů. Zatímco původně měl jasnou převahu T-Mobile (42 %), tak nyní má nejvíce zákazníků (37 %) mezi studenty Vodafone. Naopak nejméně zastoupený operátor je nyní Telefónica O2, jedná se o 29 %. Největší pokles počtu zákazníků zaznamenal mezi studenty T-Mobile, u kterého bylo původně 378 zákazníků z tohoto souboru, nyní tyto služby využívá pouze 307 studentů, přišel tedy o 71 zákazníků. Podobně je na tom Telefónica O2, která ztratila 48 respondentů. Vodafone si naopak výrazně polepšil z původních 205 na 337 zákazníků. Je to způsobeno hlavně tím, že je nejnovější na trhu a musel si vybudovat mezi studenty důvěru. Navíc Vodafone má pro studenty velice výhodné tarify. Jedná se o vysoké slevy, např. na psaní SMS. Většina studentů je značně omezena svým

58

kapitálem, proto se snaží o minimalizaci nákladů na telefonování. Celkově je změna nejlépe pozorovatelná z předchozího grafu. Pokud se zde potvrdí určitá závislost mezi těmito zkoumanými znaky, lze tuto skutečnost interpretovat jako spokojenost studentů s operátory, kde není důvod operátora měnit.

χ 2 = 384,93 Φ 2 = 0,42 P = 0,55 C = 0,38 Tyto vypočtené hodnoty svědčí o určité závislosti, která však není až tak výrazná. To lze pochopit i tak, že studentům nečiní problémy přejít k jinému operátorovi. Tomu napomáhá i skutečnost, že již existuje zákon o převoditelnosti čísel, který tuto změnu výrazně ulehčuje.

5.5 Faktorová analýza Otázka 6: Co je pro Vás při nákupu mobilního telefonu rozhodující? 3.5 3.3 3.1 2.9 2.7 2.5 2.3 2.1 1.9 1.7 1.5 Zábava

MP3 přehrávač

Fotoaparát

Uživatelská nabídka

Informační a datové funkce

Organizace času

Práce se zprávami

Pohodlnost telefonování

Pamě't, OS, ovládání

Baterie

Displej

Materiál

Barva

Konstrukce

Rozměry

Hmotnost

Design

Značka

Cena

Graf 27: Hodnocení rozhodujících faktorů při koupi mobilního telefonu

59

Při koupi mobilního telefonu je pro studenty nejdůležitějších těchto pět ukazatelů: výdrž baterie, cena, práce se zprávami, design, paměť, operační systém a ovládání. Tyto otázky byly uživateli velice často označeny hodnotou 1 či 2, což poukazuje na vysoký vliv těchto ukazatelů na výběr mobilního telefonu. Pokud chceme otázku lépe interpretovat a zjistit vzájemné vztahy mezi odpověďmi jednotlivých respondentů, je vhodné využít faktorovou analýzu, která nám umožňuje zjednodušení vícerozměrné analýzy dat. Pomocí statistického programu Unistat, lze potom data jednak sumarizovat, a také redukovat. Zkoumané znaky tak vysvětlíme pomocí menšího počtu latentních proměnných (faktory), které shrnují informaci o výchozích proměnných, a to s minimální ztrátou informace. Jednotlivé faktory potom reprezentují skupinu ukazatelů a obsahují informaci všech původních znaků. Nejprve jsem sestavila korelační matici, kde je nutno dodržet základní předpoklad nenulových korelací mezi proměnnými. Tento předpoklad byl splněn. V první fázi faktorové analýzy je třeba odhadnout počet faktorů. Počet společných faktorů bývá vyšší něž jedna a měl by se podílet na celkové variabilitě původních dat alespoň 5 %. Nejčastěji používanou metodou je metoda hlavních os, kterou jsem také využila. Metoda hlavních os je graficky znázorněna v následujícím grafu. Metoda hlavních os Graf v lastních hodnot 5

Vlastní hodnota

4

3

2

1

0

0

1

2

3

4

5

6

7

8 9 10 11 12 Č ís l o vl a s tn í h o d n o ty

13

14

15

16

17

18

19

Graf 28: Graf vlastních hodnot Z grafu je patrné, že pro faktorovou analýzu lze využít 1 až 5 faktorů, které splňují požadavek vlastní hodnoty větší než 1. Analýza s následnou rotací byla 60

provedena se všemi možnými počty faktorů, kde nejvhodnějším počtem latentních proměnných, které jsou pro následnou interpretaci dat smysluplné a pojmenovatelné, se jeví volba 3 faktorů. Tuto situaci popisuje následující tabulka.

Tabulka 13: Tabulka rozptylu a vlastní hodnota Komunalita Faktor Vlastní hodnota 0.1325 1 4.3212 OT 6A 0.1129 2 2.1902 OT 6B 0.3578 3 2.0090 OT 6C 0.5370 OT 6D 0.5824 OT 6E 0.3015 OT 6F 0.2802 OT 6G 0.3182 OT 6H 0.3687 OT 6I 0.2757 OT 6J 0.4300 OT 6K 0.4978 OT 6L 0.4927 OT 6M 0.3809 OT 6N 0.4562 OT 6O 0.3986 OT 6P 0.5219 OT 6Q 0.5279 OT 6R 0.3804 OT 6S

Procento 22.74% 11.53% 10.57%

Kumulat. 22.74% 34.27% 44.84%

Po zvolení počtu faktorů se dostáváme k další fázi faktorové analýzy, kterou je rotace faktorů. V této fázi je nutné najít jasnou korelační strukturu vytvořených faktorových souřadnic. Rotace má tedy za úkol transformovat původní obtížně vysvětlitelnou matici s nepojmenovanými faktory do nové otočené podoby, ve které lze faktory už snadněji pojmenovat. Znak by měl dosahovat vysoké zátěže vždy jen u jednoho faktoru tak, aby byl faktorově čistý. Interpretovat faktory před rotací by bylo velice problematické, jak popisuje následující tabulka 14. Z tohoto důvodu je provedena rotace faktorových zátěží, po níž je korelační struktura více zřejmá.

Tabulka 14: Faktorové zátěže bez rotace

Faktor 1

Faktor 2

Faktor 3

61

OT 6A OT 6B OT 6C OT 6D OT 6E OT 6F OT 6G OT 6H OT 6I OT 6J OT 6K OT 6L OT 6M OT 6N OT 6O OT 6P OT 6Q OT 6R OT 6S

0.0248 0.2945 0.4723 0.3710 0.4452 0.5528 0.3477 0.4615 0.6572 0.3586 0.6270 0.5485 0.5578 0.5160 0.4800 0.5605 0.4991 0.4680 0.4369

0.1983 -0.0281 0.1818 0.5260 0.5243 0.1742 0.0787 0.1734 0.0155 0.3813 0.0388 0.2820 0.2690 -0.1414 -0.3112 -0.2831 -0.5477 -0.5896 -0.5961

-0.1296 0.1828 0.4737 0.2916 0.3431 0.2673 0.4870 0.2520 0.1502 -0.3048 -0.3241 -0.4932 -0.4750 -0.4049 -0.3449 -0.2419 0.2190 0.2190 0.1809

Tabulka 15: Faktorové zátěže s rotací (varimax)

Faktor 1 Faktor 2 Faktor 3 0.0821 0.0196 -0.0979 OT 6A 0.0775 0.2112 0.1603 OT 6B 0.0320 0.5689 0.1652 OT 6C 0.0975 0.6083 -0.1746 OT 6D 0.1057 0.7193 -0.1467 OT 6E 0.2033 0.5052 0.1420 OT 6F -0.0352 0.4305 0.1608 OT 6G 0.1666 0.4238 0.0914 OT 6H 0.3188 0.4409 0.2914 OT 6I 0.4067 0.1805 -0.1348 OT 6J 0.5890 0.1857 0.1824 OT 6K 0.7294 0.1417 -0.0875 OT 6L 0.7090 0.1549 -0.0626 OT 6M 0.5335 0.0249 0.2148 OT 6N 0.4507 -0.0228 0.3197 OT 6O 0.4494 0.0785 0.3610 OT 6P 0.0979 0.1741 0.7010 OT 6Q 0.0671 0.1402 0.7312 OT 6R 0.0829 0.0961 0.6739 OT 6S Z výpočtů v tabulce 15 je patrné, že každému faktoru odpovídá několik původních proměnných, které jsou označeny. Pouze dva původní znaky mohou být

62

vysvětleny pomocí více faktorů a označují se jako znaky faktorově nečisté. Nelze je tedy jednoznačně přiřadit žádnému ze tří faktorů. Faktorovou analýzu je také vhodné znázornit graficky, což může být daleko názornější než numerické hodnoty v tabulce. Cílem trojrozměrného rotačního grafu, který má na souřadných osách jednotlivé faktory, je najít takový průmět os do prostoru, aby byla zachována jejich co největší délka.

Graf 29: Prostorový rotační graf

V grafu jsou zřetelné shluky původních znaků v okolí jednotlivých os (faktorů). Pouze dva vyznačené znaky stojí mimo shluky, jedná se o ty původní proměnné, které nelze jednoznačně přiřadit k žádnému z faktorů. Tyto nadbytečné znaky, lze tedy z faktorové analýzy vypustit. Poslední fází analýzy je pak pojmenování faktorů. Je nutné podívat se na skupiny znaků, které reprezentují jednotlivé faktory, z obsahové stránky. Zjistíme, že uskupení není náhodné a má své opodstatnění, faktory jsou tedy smysluplné a pojmenovatelné. První faktor koreluje s proměnnými: výdrž baterie, paměť, operační systém, ovládání, pohodlnost telefonování, práce se zprávami, organizace času, informační a datové

63

funkce, uživatelská nabídka. Faktor, který charakterizuje tyto otázky, by se dal interpretovat jako softwarové a hardwarové vybavení. Další faktor reprezentuje proměnné design, hmotnost, rozměry, konstrukce, barva, materiál, displej, dal by se také označit jako vzhled. Konečně pod poslední faktor spadají otázky na fotoaparát, MP3 přehrávač a zábavu, lze ho pojmenovat jako volný čas. Je tudíž pochopitelné, že vyřazené proměnné cena a značka se ani do jedné z těchto skupin nehodí.

Tabulka 16: Výstup faktorové analýzy Softwarové a hardwarové vybavení

Výdrž baterie Paměť, operační systém, ovládání Pohodlnost telefonování Práce se zprávami Organizace času Informační a datové funkce Uživatelská nabídka

Vzhled

Volný čas

Design Fotoaparát Hmotnost MP3 přehrávač Rozměry Zábava Konstrukce (typ) Barva Materiál Displej

Z výsledků faktorové analýzy lze usuzovat na dva samostatně stojící znaky a tři hlavní skupiny ukazatelů, dle kterých se respondent při koupi nového telefonu rozhoduje. Pro studenta je nejvíce podstatná cena, značka, softwarové a hardwarové vybavení, vzhled telefonu a možnosti zábavy ve volném čase.

5.6 Srovnání výsledků roků 2006 a 2008 Ve své bakalářské práci jsem zpracovala 900 kompletních dotazníků, kde respondenty tvořilo 31 % mužů a 69 % žen. V roce 2008 odpovědělo 908 studentů se stejným podílem žen a mužů jako v roce 2006. Je tedy zřejmé, že zastoupení studentů je v obou sběrech dat srovnatelné. Rovněž zastoupení studentů z hlediska oborů a studovaného ročníku bylo téměř totožné.

Zastoupení značek mobilních telefonů však bylo mírně odlišné. Nejvíce zastoupená značka Nokia získala o 3 % zákazníků navíc. Výrazně vzrostl podíl telefonů značky Sony Ericsson, která si polepšila o 10 % a nadále se stává velice populární

64

a studenti jsou s touto značkou velice spokojeni. Jeden z řady telefonů Sony Ericsson získal dokonce ocenění mobilní telefon roku 2007. Naopak nejvíce zákazníků mezi studenty ztratila značka Siemens, a to celých 15 %. Tyto hodnoty korespondují s výzkumem spokojenosti studentů s jednotlivými značkami, kde se Siemens umístil na posledním místě s největším počtem nespokojených zákazníků (17 % vlastníků značky Siemens) a naopak Sony Ericsson (SE) získal největší procento spokojených zákazníků (93 % vlastníků značky SE). Z toho lze vyvodit, že výzkumy mohou být velkým přínosem pro praxi v odhadu budoucího vývoje.

50.00% 45.00% 40.00% 35.00% 30.00% 25.00% 20.00% 15.00% 10.00% 5.00% 0.00% Jiná

Motorola

Nokia

2008

Samsung

Siemens

Sony Ericsson

2006

Graf 30: Relativní četnosti značek mobilních telefonů v jednotlivých letech

Vývoj na trhu s operátory byl také od roku 2006 odlišný. Vodafone si stále udržel svou první pozici, ale jeho podíl poklesl z 45 % na 37 %, tedy o celých 8 %. Naopak T-Mobile i Telefónica O2 si shodně polepšili. T-mobile má místo původních 29 % nyní 34% podíl na trhu a Telefónica O2 si polepšila o necelá 3 %. Tato situace je znázorněna v následujících grafech. Stále lze ale hovořit o naprosto nesrovnatelných podílech operátorů na trhu mezi studenty a na trhu v celé ČR.

65

2006

29% 26%

45%

Eurotel (Telefónica O2)

T-Mobile

Oskar (Vodafone)

Graf 31: Relativní četnosti operátorů 2006

2008

29%

34%

37%

T - Mobile

Vodafone

Telefónica O2

Graf 32: Relativní četnosti operátorů 2008

Zajímavé potom je porovnat v této souvislosti vývoj průměrných měsíčních výdajů. Lze konstatovat, že výdaje studentů za používání sítě zůstávají navzdory všeobecně rostoucím cenám za služby a změně zastoupení jednotlivých operátorů téměř totožné. Důvodem také může být příliš krátký interval mezi výzkumy. Je zde patrný pouze minimální posun výdajů studentů, kdy v roce 2006 nabýval modus hodnoty 202,8 Kč a v roce 2008 potom 209,92 Kč. Výsledky také prokazují, že telefony studentů jsou nyní již na daleko vyšší úrovni, například v roce 2006 nemělo 58 % studentů mobilní telefon vybaven fotoaparátem, zatímco nyní je to 22 %. MP3 přehrávač nemělo 89 %, nyní 46 %.

66

6 DISKUSE Předmětem mého zájmu v diplomové práci byl především trh mobilních operátorů a telefonů na Provozně ekonomické fakultě MZLU v Brně (PEF). Dotazníkového šetření se zúčastnilo 908 studentů, vzhledem k počtu studentů (3322), kteří na této fakultě v současné době studují, považuji počet respondentů za dostačující. Předpokládám, že tento vzorek z původního souboru má tedy dostatečnou vypovídací schopnost. Výběr studentů nebyl nijak omezen, jedinou podmínkou bylo vlastnit mobilní telefon. Dotazník je složen ze tří částí a to identifikační, část týkající se mobilních telefonů a konečně otázky zaměřené na operátory. Celkem je dotazník složen z 19 otázek. Elektronickým dotazováním bylo dosaženo nejen velké rychlosti při sběru dat, ale také vysoké návratnosti dotazníků. Primární data byla tedy již v elektronické podobě, což usnadnilo jejich zpracování, které proběhlo v programech Unistat a Microsoft Excel. V této práci je uvedena pouze část zpracovaných primárních dat a bylo by možné práci značně rozšířit. Služby mobilních operátorů a telefonů jsou neodmyslitelnou součástí každodenního života všech obyvatel vyspělých států. Tato technika nám umožňuje větší

časovou flexibilitu, souvisí také s celosvětovou globalizací, která postupně odbourává nevýhody velkých vzdáleností. Určujícím ukazatelem je tedy právě rychlá komunikace, ale nejen to, jedná se i o přenos dat a další poskytované služby. Snahou každého ekonomicky

smýšlejícího

člověka

je

samozřejmě

minimalizovat

náklady

a maximalizovat užitek. Proto je tolik důležité vybrat si správného poskytovatele těchto služeb, tedy operátora, a našim potřebám odpovídajícího výrobce mobilních telefonů. Této problematice se věnovala i moje bakalářská práce v roce 2006. Tento výzkum se mi jevil natolik atraktivní, že jsem se rozhodla v něm pokračovat a rozšířit použité metody zpracování primárních dat pomocí vícerozměrné analýzy dat. Důvodem nového sběru primárních informací bylo také to, že tato problematika je velice dynamická a časový rozestup dvou roků je natolik velký, že by data nemusela být zcela aktuální. Dále jsem se v dotazníku zaměřila více na preference studentů a také na zdroje informací, které využívají při výběru operátora, což se mi jeví jako velice přínosné pro praktické využití. V provedených výzkumech byl srovnatelný počet studentů, se stejným zastoupením žen (69 %) a mužů (31%) v obou letech. Zajímavé je pak porovnání výsledků z jednotlivých let, které poukazují na určité změny v podílech na tomto trhu, jak u mobilních telefonů tak u operátorů. 67

Analýza trhu je nezbytnou součástí tvorby marketingového mixu firmy. Po zpracování dat lze konstatovat několik důležitých poznatků, které je vhodné při tvorbě marketingových strategií společností zohlednit. Ve studentech vysokých škol je třeba vidět atraktivní cílovou skupinu do budoucna, kde lze předpokládat vysokou kupní sílu, proto je vhodné monitorovat názory, potřeby a preference těchto zákazníků. Z provedeného výzkumu je zřejmé, že zastoupení jednotlivých operátorů mezi studenty PEF v roce 2008 je značně odlišné v porovnání k celé ČR a také ve srovnání s výsledky z roku 2006. Zatímco nejvíce zastoupený operátor mezi studenty je Vodafone se 37% podílem na trhu PEF, na trhu ČR má pouze 20% zastoupení. Naopak nejméně využívaný operátor mezi studenty Telefónica O2 s 29 % dosahuje však zastoupení 39 % na celostátním trhu. T-mobile pak získal 34% podíl na trhu mezi studenty a má největší podíl zákazníků na trhu ČR. Hlavním důvodem těchto odlišností může být nejdelší působení značky Telefónica O2 (dříve Eurotel) na českém trhu. Dále je také potřeba zdůraznit, že společnost Vodafone poskytuje velké zvýhodnění pro studenty v podobě atraktivních studentských tarifů s důrazem na zlevnění služby SMS. Naopak Telefónica O2 se zaměřuje především na poskytování různých výhod pro firmy a podnikající subjekty. Protože spolupracuji s nejmenovanou reklamní agenturou, vím, že jejich strategií je především získat ty nejperspektivnější zákazníky, kteří mají nejvyšší měsíční útratu za tyto služby. Naproti tomu Vodafone se snaží o velikou kvantitu především paušálních zákazníků, kteří mu zajišťují stálejší příjem. Proto také Vodafone dosahuje nejvyšší průměrné výnosnosti na zákazníka (635 Kč), což je o 125 Kč více než Telefónica O2 a o 151 Kč více než T-mobile. Mezi studenty se pořadí operátorů nezměnilo, došlo však ke změnám v jejich podílech, kde Vodafone ztratil oproti roku 2006 8 %, T-mobile si polepšil o 5 % a podobně Eurotel o 3 %. Průměrná provolaná částka za měsíc mezi studenty je 332 Kč, což je nižší částka než v roce 2006, kdy tato hodnota byla 350 Kč. Variační koeficient odpovědí u této otázky je však poměrně vysoký (78 %), vypovídá to o velké proměnlivosti odpovědí. Zajímavé je, že závislost mezi měsíčními příjmy a výdaji je malá (Cramerův koeficient kontingence C = 0,22). Může to tak být z toho důvodu, že pro studenty je služba natolik důležitá, že jsou ochotni za ni zaplatit i velkou část svých příjmů. Nejvíce studentů (80 %) používá paušální platbu a to nezávisle na pohlaví (C = 0,01). Většina operátorů se snaží svým zákazníkům nabídnout velké množství různě zvýhodněných tarifů tak, aby si každý mohl zvolit ten pro něj nejvhodnější.

68

Důvodem je zde snaha o převedení zákazníků z předplacených služeb na paušální platby a tím zajištění stálých měsíčních příjmů. Z provedených výpočtů je také zřejmé, že závislost mezi tím, jakou mají studenti vlastní síť a sítí, do které nejvíce volají, je značně vysoká (C nabývá hodnoty 0,68). Tuto provázanost jsem předpokládala hlavně z toho důvodu, že volání do vlastní sítě je vždy nejvýhodnější. Poměrně nízká závislost je potom mezi původní a současně využívanou sítí (C = 0,38), což odpovídá tomu, že pro studenty není problematické změnit operátora. Lze také konstatovat, že 78 % dotázaných je se svým operátorem spokojeno. Nejvíce respondentů spoléhá při výběru operátora na zkušenosti známých (51 %) a velice často se také informují na internetu (20 %). Nejčastěji se studenti rozhodnou pro svého operátora z důvodů nízkých cen SMS (519), dále podle toho, do které sítě volají nejvíce (470) nebo na základě nízkých cen volání (372). Z toho je možné vyvodit, že studenty si operátor snadno může získat tím, že bude poskytovat tarif se zvýhodněním na SMS službu, kterou upřednostňuje 57 % dotázaných. Tento vývoj je v souladu s celorepublikovými ukazateli, kde je patrný rostoucí trend v počtu SMS, například v roce 2006 bylo na jednoho obyvatele ČR za rok odesláno již 608 SMS. Respondenti využívají službu SMS nejčastěji, mnohem častěji než volání, denně napíše zprávu 88 % a volá pouze 55 % dotázaných. Nejméně využívanými službami jsou GSM (navigace), platby telefonem a internet. Dle mého názoru je pouze otázkou času, kdy se i tyto služby stanou běžnou součástí každodenního používání. Další velice zajímavou otázkou je zastoupení výrobců mobilních telefonů. Mezi studenty je jednoznačně nejvíce zastoupen evropský výrobce Nokia s 45 %, na druhém místě v počtu telefonů se potom umístil výrobce Sony Ericsson s 28% zastoupením na trhu, Samsung má 11% podíl. V porovnání s celosvětovým průzkumem je zde značný rozdíl především u značky Motorola, která je mezi studenty zastoupena necelými 4 %, zatímco ve světě dosahuje 14% podílu na trhu. Mezi zákazníky na českém trhu je také velice oblíbená značka Sony Ericsson, která ve světě dosahuje pouze 9% podílu. Tuto rozdílnost si vysvětluji tím, že značka Sony Ericsson poskytuje kvalitní telefony, které jsou často velice dobře vybavené za dostupné ceny. Doporučila bych také prodejcům značky Motorola orientovat se na větší vybavenost telefonů různými funkcemi a také na větší reklamní kampaň. Zastoupení značek mobilních telefonů v letech 2006 a 2008 bylo mírně odlišné. Nejvíce zastoupená značka Nokia získala o 3 % zákazníků navíc. Výrazně vzrostl podíl 69

telefonů značky Sony Ericsson, která si polepšila o 10 %, nadále se stává velice populární a studenti jsou s touto značkou velice spokojeni. Jeden z řady telefonů Sony Ericsson získal dokonce ocenění mobilní telefon roku 2007. Naopak nejvíce zákazníků mezi studenty ztratila značka Siemens, a to celých 15 %. Tyto hodnoty korespondují s výzkumem spokojenosti studentů v roce 2006 s jednotlivými značkami, kde se Siemens umístil na posledním místě s největším počtem nespokojených zákazníků (17 % vlastníků značky Siemens) a naopak Sony Ericsson získal největší procento spokojených zákazníků (93 % vlastníků značky). Z toho lze vyvodit, že výzkumy mohou být velkým přínosem pro praxi v odhadu budoucího vývoje. Spokojenost studentů s jednotlivými značkami v roce 2007 jsem rozdělila do několika ukazatelů. Každý z nich respondenti hodnotili známkou od 1 do 5, kde hodnota 1 představuje nejlepší hodnocení spokojenosti. Nokia získala nejlepší hodnocení v kategoriích funkce (1,9), ovladatelnost (1,7) a výdrž baterie (2,2). S designem mobilního telefonu jsou nejvíce spokojeni majitelé značky Motorola (1,8), s rozměry a hmotností Samsung (1,7) a s možnostmi zábavy Sony Ericsson (2,28). Nejvíce jsou respondenti nespokojeni s výdrží baterie a také s možností zábavy. Z výsledků se dá usuzovat, že nejvíce komplexně spokojených uživatelů je mezi těmi, kteří zvolili značku Nokia. Tyto výsledky mohou tedy upozornit výrobce telefonů na co se při výrobě zaměřit. Lze tedy doporučit důraz na co nejvyšší výdrž baterie a současně rozšiřování možnosti zábavy. Telefony by také měly být dostatečně kvalitní, jelikož 46 % dotázaných potvrdilo, že telefon nemění dříve než za 30 měsíců. Z dalšího zpracování dat vyplynulo, že studenti nejčastěji využívají MP3 přehrávač (denně 16 %) a rádio (denně 7 %). Součastně nejvíce telefonů nemá zabudovaný MP3 přehrávač (46 %) a také jejich součástí často není rádio (45 %). Domnívám se tak, že je zde veliký prostor pro výrobce mobilních telefonů, kteří mohou populárnosti těchto funkcí využít ve svůj prospěch. V porovnání s rokem 2006 klesl zájem o hraní her na mobilním telefonu, zatímco v roce 2006 odpovědělo 42 % respondentů, že hry využívá, v roce 2008 uvedlo 77 %, že hry nevyužívá nebo využívá méně často. Dá se tedy usuzovat, že pro studenty se stávají atraktivní jiné možnosti zábavy, jako je například zabudovaný fotoaparát nebo MP3 přehrávač. Podstatná část mé práce byla zaměřena na preference spotřebitelů při nákupu mobilního telefonu. V této otázce bylo bodováno 19 různých ukazatelů, které mohou výběr nového telefonu ovlivnit. Nejdůležitějších se jeví těchto pět ukazatelů: výdrž baterie, cena, práce se zprávami, design, paměť, operační systém a ovládání. Pokud 70

chceme otázku lépe interpretovat a zjistit vzájemné vztahy mezi odpověďmi jednotlivých respondentů, je vhodné využít faktorové analýzy, která nám umožní vysvětlit zkoumané znaky pomocí menšího počtu proměnných. Zvolila jsem 3 faktory, které jsem nechala před vlastní interpretací rotovat tak, abych je mohla snadněji pojmenovat. Pouze dva původní znaky mohou být vysvětleny pomocí více faktorů a označují se jako znaky faktorově nečisté, těmi jsou cena a značka. První faktor by se dal interpretovat jako softwarové a hardwarové vybavení (výdrž baterie, paměť, operační systém, ovládání, pohodlnost telefonování, práce se zprávami, organizace

času, informační a datové funkce, uživatelská nabídka). Další faktor jsem nazvala vzhled (design, hmotnost, rozměry, konstrukce, barva, materiál, displej) a konečně poslední faktor byl pojmenován volný čas (fotoaparát, MP3 přehrávač a zábava). Je evidentní, že vyřazené proměnné cena a značka se ani do jedné z těchto skupin nehodí. Z výsledků faktorové analýzy lze usuzovat, že pro studenta je při koupi nejvíce podstatná cena, značka, softwarové a hardwarové vybavení, vzhled telefonu a možnosti zábavy ve volném čase. Některé výše uvedené koeficienty nejsou uvedeny ve výsledcích práce, přesto mi připadaly tyto hodnoty zajímavé, proto jsem je uvedla alespoň do diskuse. Primární data, která jsem získala, by mohla být i nadále analyzována a to pomocí jiných statistických metod nebo pomocí ukazatelů, které jsem zde nevyužila. Moje zpracování bylo také ovlivněno mými omezenými znalostmi, které chci nadále prohlubovat.

71

7 ZÁVĚR Ve své diplomové práci jsem si stanovila jako hlavní cíl analýzu situace na trhu mobilních operátorů a telefonů mezi studenty Provozně ekonomické fakulty. Této problematice jsem se věnovala již ve své bakalářské práci a rozhodla jsem se tento výzkum prohloubit, jednak o porovnání hodnot získaných v letech 2006 a 2008 a také o vícerozměrné zpracování dat. Primární informace jsem získala pomocí dotazníkové metody a s použitím programu Unistat a Microsoft Excel jsem dospěla k těmto výsledkům. Stejně jako v roce 2006 studenti nejvíce využívají mobilního operátora Vodafone, který však již nemá tak markantní převahu. Celkové pořadí zůstalo zachováno a T-Mobile si tedy udržel druhou pozici před Telefónica O2. Jak T-Mobile, tak Telefónica O2 si zvýšili podíly na tomto trhu. Tato situace ale neodpovídá zastoupení operátorů na trhu České republiky, kde nejvíce zákazníků připadá na T-Mobile, zatímco před dvěma lety byla na první pozici Telefónica O2 (v té době Eurotel). Výzkum neprokázal závislost mezi průměrnými měsíčními příjmy a výdaji za služby operátora, což může znamenat, že pro studenty je služba natolik důležitá, že jsou ochotni za ni zaplatit i velkou část svých příjmů. Nejvíce studentů patří mezi paušální zákazníky. Nejčastěji se vyskytují hovory do vlastní sítě, které bývají nejvýhodnější. Studenti však překvapivě preferují více službu SMS, kde žádný z respondentů neuvedl, že tuto službu nevyužívá. Rovněž při výběru operátora hraje velice důležitou roli cena SMS. Při volbě operátora mají největší váhu reference známých. Finský výrobce Nokia obhájil opět první pozici v počtu mobilních telefonů mezi studenty. Stále populárnější je značka Sony Ericsson, která má na trhu mezi studenty daleko vyšší podíl než na celosvětovém trhu. Motorola se i přes svou velkou oblibu ve světě u respondentů zatím výrazně neprosadila. Ve své práci jsem se věnovala i spokojenosti uživatelů, kde komplexně nejlepšího hodnocení dosahuje opět značka Nokia. Studenti uvedli jako nejvíce používanou funkci MP3 přehrávače, překvapivě jim však téměř polovina telefonů není vybavena. Domnívám se tak, že je to velká příležitost pro výrobce mobilních telefonů, kteří mohou populárnosti těchto funkcí využít ve svůj prospěch.

72

Důležité

poznatky

pro

výrobce

plynou

také

z preferencí

zákazníků

při nakupování, proto jsem se této otázce věnovala podrobněji. Tato otázka byla zpracována za pomoci faktorové analýzy, díky které byl počet původních ukazatelů významně redukován. Tím došlo k celkovému zjednodušení struktury a pochopení vzájemných vztahů mezi jednotlivými proměnnými. Vyjma dvou faktorově nečistých znaků (cena a značka) byly všechny původní proměnné přiřazeny k jednomu ze tří faktorů (softwarové a hardwarové vybavení, vzhled telefonu a možnosti zábavy ve volném čase). Z výsledků faktorové analýzy lze usuzovat, že pro studenta je při koupi nejvíce podstatná cena, značka, softwarové a hardwarové vybavení, vzhled telefonu a možnosti zábavy ve volném čase. Nejvíce studentů uvedlo, že telefon má průměrně 30 měsíců a více. Lze tedy předpokládat, že dalším velice důležitým ukazatelem bude kvalita přístroje. I když mají studenti značně omezené finanční prostředky, jsou potenciálními zákazníky do budoucna, a proto by tato kategorie populace neměla být opomínána. Myslím, že je výhodné zvolit strategii levnějšího volání pro studenty a v budoucnu potom těžit ze spokojenosti těchto zákazníků. Pokud se jedná o mobilní telefony, měla by zde převládat snaha o co největší funkčnost za co nejnižší náklady. Jelikož dnešní ekonomiky jsou většinou otevřené a liberální, dochází na trhu k přílivu

nové

konkurence.

Navíc

tato

problematika

je

velice

dynamická

a poskytovatelé služeb i výrobci telefonů jsou tak nuceni sledovat neustále nové trendy a přizpůsobovat vše stále vyšším požadavkům zákazníků. Do budoucna čeká toto odvětví bouřlivý vývoj a bude zajímavé ho nadále sledovat. Zavádění nové technologie s sebou přináší řadu příležitostí i řadu rizik, je provázáno s vývojem trhu, ekonomickou a politickou situací v zemi. Ve vyspělých tržních ekonomikách je to především zákazník, kdo určuje úspěšnost či neúspěšnost nové technologie, čili i společnosti. Hlavním předpokladem úspěšnosti je včasná analýza prostředí, průzkum trhu nebo zájmů spotřebitelů tak, aby bylo možno flexibilně reagovat na všechny podněty a včas přizpůsobit výrobu novým trendům.

73

8 SEZNAM POUŽITÝCH ZDROJŮ [1] ACZEL, A. D. Complete bisiness statistics. 1.vyd. Boston: IRWIN, 1989. 1056 s. ISBN: 0-256-05716-8 [2] ALWAN, L. C. Statistical process analysis. 1.vyd. Toronto: IRWIN, 2000. 751 s. ISBN: 0-256-11939-2 [3] BUBLÍKOVÁ, B. Nokia ovládá 40 procent trhu s mobily [online]. Last updated: 25. 1. 2008 [cit. 29. 2. 2008]. Dostupné z WWW: [4] COOPER, D. R., EMORY C.V. Business research methods. 5.vyd. Chicago: IRWIN, 1995. 681 s. ISBN: 0-256-13777-3 [5] ČESKÝ STATISTICKÝ ÚŘAD. Mobilní telefonní síť v ČR [online]. Last updated: 26.11. 2007 [cit. 29. 2. 2008]. Dostupné z WWW: [6] GILBREATH, H. Statistics for business and economics. 3. vyd. Homewood: Irwin, 1987. 786 s. ISBN: 0256037191 [7] HENDL, J. Přehled statistických metod zpracování dat. 1. vyd. Praha: Portál, 2004. 584 s. ISBN: 80-7178-820-1 [8] JANEČKOVÁ, L. - VAŠTÍKOVÁ, M. Marketing služeb. 1.vyd. Praha: Grada Publishing, 2000. 179 s. ISBN: 80-7169-995-0 [9] KOTLER, P. Marketing management. 1. vyd. Praha: Victoria Publishing, 1992. 710 s. ISBN: 80 85605-08-2 [10] KOZEL, R a kol. Moderní marketingový výzkum . 1.vyd. Praha: Grada Publishing, 2006. 280 s. ISBN: 80-247-0966-X [11] KULHAVÝ, E. Skici k marketingu. Praha: Victoria Publishing, 1993. 140 s. ISBN: 80-85605-61-9 [12] KŮŽEL, F. Pevná vs. mobilní a kralující ADSL [online]. Last updated: 10. 10. 2007 [cit. 29. 2. 2008]. Dostupné z WWW: [13] KŮŽEL, F. Vodafone rostl za poslední rok nejrychleji [online]. Last updated: 10. 10. 2007 [cit. 13. 11. 2007]. Dostupné z WWW: [14] LÁSKA, J. Nejprodávanější mobily závěru roku 2007 [online]. Last updated: 9. 1. 2008 [cit. 29. 2. 2008]. Dostupné z WWW: [15] MALÝ, V. Marketingový výzkum: teorie a praxe. 1. vyd. Praha: Oeconomica, 2004. 181 s. ISBN: 80-2450-761-7

74

[16] MALÁTEK, V. Metodologie marketingového výzkumu. 1. vyd. Opava:Slezská univerzita v Opavě, 2001. 110 s. ISBN: 80-7248-119-3 [17] MINAŘÍK, B. Statistika 2: Pro ekonomy a manažery. 2. vyd. Brno: Mendelova zemědělská a lesnická univerzita v Brně, 2004. 114 s. ISBN 80-7157-197-0. [18] NENADÁL, J. Měření v systémech managementu jakosti. 2. vyd. Praha: Management Press, 2004. 335 s. ISBN 80-7261-110-0 [19] POSPÍŠIL, A. Operátoři od přelomu tisíciletí do dnes [online]. Last updated: 11. 8. 2007 [cit. 29. 2. 2008]. Dostupné z WWW: [20] POSPÍŠIL, A. O2 se daří, rostou počty zákazníků i tržby [online]. Last updated: 27. 10. 2007 [cit. 29. 2. 2008]. Dostupné z WWW: [21] POSTLER, Š. Rok 2007: Nokia smazala konkurenci, má 40 % [online]. Last updated: 25. 1. 2008 [cit. 29. 2. 2008]. Dostupné z WWW: [22] POSTLER, Š. Rok 2007: Nokia smazala konkurenci, má 40 % [online]. Last updated: 25. 1. 2008 [cit. 29. 2. 2008]. Dostupné z WWW: [23] PŘIBOVÁ, M. a kol. Marketingový výzkum v praxi. 1. vyd. Praha: Grada Publishing, 1996. 248 s. ISBN 80-7169-299-9. [24] STÁVKOVÁ, J., DUFEK, J. Marketingový výzkum. 1.vyd. Brno: MZLU, 1998.146 s. ISBN: 80-7157-330-2 [25] SOMERLÍKOVÁ, K. Využití statistických metod v marketingovém výzkumu. Brno: Mendelova zemědělská a lesnická univerzita v Brně, 2000. 105 s. Disertační práce. [26] WEBSTER, A. Appliedstatistics for business and economics. 1.vyd. Boston: IRWIN, 1992. 996 s. ISBN: 0-256-07314-7 [27] ZBOŘIL, K. Marketingový výzkum. 1.vyd. Praha: VŠE, 1998. 171 s. ISBN: 80-7079-394-5

75

9 SEZNAM GRAFŮ Graf 1: Struktura účastníků pevných a mobilních telekomunikačních sítí (%) Graf 2: Účastníci mobilních telefonních sítí Graf 3: Účastníci mobilních telefonních sítí jednotlivých operátorů Graf 4: Vývoj tržních podílů Graf 5: Tržní podíly 2007 ve světě Graf 6: Tržní podíly 2007 v ČR Graf 7: Vývoj struktury uživatelů mobilních telefonů Graf 8: Rozdělení respondentů podle pohlaví Graf 9: Rozdělení respondentů podle ročníků Graf 10: Rozdělení respondentů podle oboru a pohlaví Graf 11: Relativní četnosti značek mobilních telefonů Graf 12: Relativní četnosti značek mobilních telefonů ve světě Graf 13: Spokojnost respondentů podle značek Graf 14: Relativní četnosti využití sledovaných ukazatelů Graf 15: Relativní četnosti telefonů nevybavených ukazateli Graf 16: Relativní četnosti zastoupení operátorů Graf 17: Absolutní četnosti odpovědí na ot. 9 Graf 18: Absolutní četnosti odpovědí na ot. 13 Graf 19: Relativní četnosti odpovědí žen na ot. 10 Graf 20: Relativní četnosti odpovědí mužů na ot. 10 Graf 21: Relativní četnosti odpovědí na ot. 8 Graf 22: Relativní četnosti odpovědí na ot. 15 Graf 23: Struktura pořadí telefonů dle doby Graf 24: Struktura pohlaví dle typu plateb Graf 25: Struktura nejčastěji volaných sítí dle používaného operátora Graf 26: Struktura současných operátorů dle původního operátora Graf 27: Hodnocení rozhodujících faktorů při koupi mobilního telefonu Graf 28: Graf vlastních hodnot Graf 29: Prostorový rotační graf Graf 30: Relativní četnosti značek mobilních telefonů v jednotlivých letech Graf 31: Relativní četnosti operátorů 2006 Graf 32: Relativní četnosti operátorů 2008 76

10 SEZNAM TABULEK Tabulka 1: Operátoři a jejich klienti v čase (v tisících) Tabulka 2: Počty zákazníků Telefónica O2 (v tisících) Tabulka 3: Počty zákazníků T-Mobile (v tisících) Tabulka 4: Počty zákazníků Vodafone (v tisících) Tabulka 5: Operátoři a jejich klienti v čase (v tisících) Tabulka 6: Jednotlivci s mobilním telefonem v ČR Tabulka 7: Příklad kontingenční tabulky Tabulka 8: Rozdělení studentů podle oboru a pohlaví Tabulka 9: Rozdělení četností pro ot. 1 Tabulka 10: Rozdělení četností pro ot. 8 Tabulka 11: Rozdělení četností pro ot. 15 Tabulka 12: Výpočet rozptylu pro ot. 15 Tabulka 13: Tabulka rozptylu a vlastní hodnota Tabulka 14: Faktorové zátěže bez rotace Tabulka 15: Faktorové zátěže s rotací (varimax) Tabulka 16: Výstup faktorové analýzy

11 SEZNAM PŘÍLOH Příloha 1: Dotazník Příloha 2: Tabulky četností

77

Přílohy

78

Příloha 1 – Dotazník Vážení studenti, V rámci své diplomové práce si Vás dovoluji požádat o vyplnění dotazníku. Předpokladem je vlastnictví mobilního telefonu. Všechny údaje, které mi poskytnete, budou použity pouze pro tuto práci. Nejcennějšími údaji jsou Vaše postoje a pravdivé odpovědi. Vyplnění dotazníku je anonymní a výsledky nebudou nijak zneužity. Za kompletní vyplnění dotazníku Vám velmi děkuji.

Bc. Lucie Košíčková

1. Jaká je značka Vašeho mobilního telefonu? •

Nokia

•

LG

•

Motorola

•

Samsung

•

Siemens

•

Sony Ericsson

•

Jiná

2. Jak jste spokojen/a se svým mobilním telefonem dle následujících kritérií? (při hodnocení využijte stupnici od 1 do 5, kde 1=zcela spokojen, 5=naprosto nespokojen)

1

2

3

4

5

Funkce Možnosti zábavy Ovladatelnost Výdrž baterie Rozměry a hmotnost Design 79

3. Čím je Váš mobilní telefon vybaven a jak často to využijete? Každý den Každý týden Méně často Nevyužívám Nevybaven Fotoaparát Videozáznam Audiozáznam MP3 přehrávač Připojení k internetu Hry Rádio

4. Kolik měsíců máte průmeřně mobilní telefon, než si pořídíte nový? •

Méně než 6

•

6 - 11

•

12 - 18

•

19 - 23

•

24 - 29

•

30 a více

5. Kolikátý máte mobilní telefon? •

První

•

Druhý

•

Třetí

•

Čtvrtý

•

Pátý

•

Více než pátý

80

6. Při nákupu mobilního telefonu je pro Vás rozhodující: (při hodnocení kritérií využijte stupnici od 1 do 5, kde 1=nejvýznamnější, 5=nevýznamné)

1

2

3

4

5

Cena Značka Design Hmotnost Rozměry Konstrukce (typ) Barva Materiál Displej Výdrž baterie Paměť, operační systém, ovládání Pohodlnost telefonování Práce se zprávami Organizace času Informační a datové funkce Uživatelská nabídka Fotoaparát MP3 přehrávač Zábava

7. Jakého používáte operátora (převážně)? •

Telefónica O2

•

T - Mobile

•

Vodafone

•

Jiného operátora

81

8. Jak jste se svým operátorem spokojen/a? •

Spokojen

•

Méně spokojen

•

Spíše nespokojen

•

Nespokojen

9. Proč jste se rozhodl/a právě pro Vašeho stávajícího operátora? (zde je možné vybrat více možností) •

Nízké ceny volání

•

Nízké ceny SMS

•

Možnost čerpání bonusů

•

Lepší pokrytí

•

Nabízí více služeb

•

Do této sítě volám nejčastěji

•

Další důvody

10. Kde jste především čerpal/a informace při výběru operátora? •

Propagační letáčky

•

Reklama v médiích

•

Internet

•

Prodejna operátora

•

Nabídka od dealera

•

Zkušenosti známých

•

Z jiných zdrojů

82

11. Jaký byl Váš původní operátor? •

Telefónica O2

•

T - Mobile

•

Vodafone

•

Jiný operátor

12. Do jaké sítě nejčastěji voláte? •

Telefónica O2

•

T - Mobile

•

Vodafone

•

Pevná linka

•

Jiná síť

•

Nevím

13. Jak často využíváte následujících služeb? Každý den Každý týden Méně často Nevyužívám SMS MMS Telefonování Internet (datové služby) GSM (navigace) Informační služby Platby telefonem

14. Jaký typ platby (za telefonní služby) využíváte? •

Předplacené služby (dobíjecí karty, dobíjení přes terminál)

•

Paušální poplatky

83

15. Jaké jsou Vaše průměrné měsíční výdaje za využívání mobilního telefonu? •

Do 300 Kč

•

301 - 600 Kč

•

601 - 900 Kč

•

901 - 1200 Kč

•

Více než 1200 Kč

16. Jaký je Váš celkový měsíční finanční příjem? •

Do 2000 Kč

•

2001 - 4000 Kč

•

4001 - 6000 Kč

•

6001 - 8000 Kč

•

Více než 8000 Kč

17. Jakého jste pohlaví? •

Muž

•

Žena

18. Jaký studujete momentálně ročník? •

První

•

Druhý

•

Třetí

•

Čtvrtý

•

Pátý

•

Vyšší

84

19. Jaký obor studujete? (vyberte zkratku) •

EI

•

ES

•

EZP

•

F

•

ME

•

MO

•

SE

•

VS

85

Příloha 2 – Tabulky četností Pro OT 1 Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Jiná

15

15

1.65%

1.65%

2

LG

26

41

2.86%

4.52%

3

Motorola

32

73

3.52%

8.04%

4

Nokia

406

479

44.71%

52.75%

5

Samsung

104

583

11.45%

64.21%

6

Siemens

70

653

7.71%

71.92%

7

Sony Ericsson

255

908

28.08%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

394

394

43.39%

43.39%

2

2.0000

251

645

27.64%

71.04%

3

3.0000

149

794

16.41%

87.44%

4

4.0000

63

857

6.94%

94.38%

5

5.0000

51

908

5.62%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

267

267

29.41%

29.41%

2

2.0000

239

506

26.32%

55.73%

3

3.0000

210

716

23.13%

78.85%

4

4.0000

124

840

13.66%

92.51%

5

5.0000

68

908

7.49%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

503

503

55.40%

55.40%

2

2.0000

205

708

22.58%

77.97%

3

3.0000

79

787

8.70%

86.67%

4

4.0000

67

854

7.38%

94.05%

5

5.0000

54

908

5.95%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

296

296

32.60%

32.60%

2

2.0000

249

545

27.42%

60.02%

3

3.0000

202

747

22.25%

82.27%

4

4.0000

100

847

11.01%

93.28%

5

5.0000

61

908

6.72%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

373

373

41.08%

41.08%

2

2.0000

268

641

29.52%

70.59%

3

3.0000

148

789

16.30%

86.89%

4

4.0000

69

858

7.60%

94.49%

5

5.0000

50

908

5.51%

100.00%

Pro OT 2A

Pro OT 2B

Pro OT 2C

Pro OT 2D

Pro OT 2E

86

Pro OT 2F Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

385

385

42.40%

42.40%

2

2.0000

248

633

27.31%

69.71%

3

3.0000

153

786

16.85%

86.56%

4

4.0000

69

855

7.60%

94.16%

5

5.0000

53

908

5.84%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Každý den

25

25

2.75%

2.75%

2

Každý týden

256

281

28.19%

30.95%

3

Méně často

365

646

40.20%

71.15%

4

Nevybaven

203

849

22.36%

93.50%

5

Nevyužívám

59

908

6.50%

100.00%

Střed

Četnost

Kumulat.

Procenta

Kumulat. 0.33%

Pro OT 3A

Pro OT 3B Třída 1

Každý den

3

3

0.33%

2

Každý týden

51

54

5.62%

5.95%

3

Méně často

345

399

38.00%

43.94%

4

Nevybaven

283

682

31.17%

75.11%

5

Nevyužívám

226

908

24.89%

100.00%

Střed

Četnost

Kumulat.

Procenta

Kumulat. 0.33%

Pro OT 3C Třída 1

Každý den

3

3

0.33%

2

Každý týden

15

18

1.65%

1.98%

3

Méně často

286

304

31.50%

33.48%

4

Nevybaven

203

507

22.36%

55.84%

5

Nevyužívám

401

908

44.16%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Každý den

142

142

15.64%

15.64%

2

Každý týden

138

280

15.20%

30.84%

3

Méně často

113

393

12.44%

43.28%

4

Nevybaven

419

812

46.15%

89.43%

5

Nevyužívám

96

908

10.57%

100.00%

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Každý den

52

52

5.73%

5.73%

2

Každý týden

38

90

4.19%

9.91%

3

Méně často

104

194

11.45%

21.37%

4

Nevybaven

119

313

13.11%

34.47%

5

Nevyužívám

595

908

65.53%

100.00%

Pro OT 3D

Pro OT 3E Třída

87

Pro OT 3F Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Každý den

44

44

4.85%

4.85%

2

Každý týden

151

195

16.63%

21.48%

3

Méně často

416

611

45.81%

67.29%

4

Nevybaven

19

630

2.09%

69.38%

5

Nevyužívám

278

908

30.62%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Každý den

65

65

7.16%

7.16%

2

Každý týden

118

183

13.00%

20.15%

3

38.33%

Pro OT 3G

Méně často

165

348

18.17%

4

Nevybaven

410

758

45.15%

83.48%

5

Nevyužívám

150

908

16.52%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Méně než 6

4

4

0.44%

0.44%

2

6 - 11

20

24

2.20%

2.64%

3

12 - 18

85

109

9.36%

12.00%

4

19 - 23

129

238

14.21%

26.21%

5

24 - 29

250

488

27.53%

53.74%

6

30 a víc

420

908

46.26%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

První

30

30

3.30%

3.30%

2

Druhý

205

235

22.58%

25.88%

3

Třetí

299

534

32.93%

58.81%

4

Čtvrtý

183

717

20.15%

78.96%

5

Pátý

102

819

11.23%

90.20%

6

Více než pátý

89

908

9.80%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

440

440

48.46%

48.46%

2

2.0000

296

736

32.60%

81.06%

3

3.0000

126

862

13.88%

94.93%

4

4.0000

31

893

3.41%

98.35%

5

5.0000

15

908

1.65%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

267

267

29.41%

29.41%

2

2.0000

293

560

32.27%

61.67%

3

3.0000

185

745

20.37%

82.05%

4

4.0000

92

837

10.13%

92.18%

5

5.0000

71

908

7.82%

100.00%

Pro OT 4

Pro OT 5

Pro OT 6A

Pro OT 6B

88

Pro OT 6C Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

338

338

37.22%

37.22%

2

2.0000

338

676

37.22%

74.45%

3

3.0000

164

840

18.06%

92.51%

4

4.0000

39

879

4.30%

96.81%

5

5.0000

29

908

3.19%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

97

97

10.68%

10.68%

2

2.0000

294

391

32.38%

43.06%

3

3.0000

301

692

33.15%

76.21%

4

4.0000

130

822

14.32%

90.53%

5

5.0000

86

908

9.47%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

138

138

15.20%

15.20%

2

2.0000

366

504

40.31%

55.51%

3

3.0000

263

767

28.96%

84.47%

4

4.0000

93

860

10.24%

94.71%

5

5.0000

48

908

5.29%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

153

153

16.85%

16.85%

2

2.0000

368

521

40.53%

57.38%

3

3.0000

261

782

28.74%

86.12%

4

4.0000

79

861

8.70%

94.82%

5

5.0000

47

908

5.18%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

120

120

13.22%

13.22%

2

2.0000

248

368

27.31%

40.53%

3

3.0000

287

655

31.61%

72.14%

4

4.0000

153

808

16.85%

88.99%

5

5.0000

100

908

11.01%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

75

75

8.26%

8.26%

2

2.0000

193

268

21.26%

29.52%

3

3.0000

321

589

35.35%

64.87%

4

4.0000

186

775

20.48%

85.35%

5

5.0000

133

908

14.65%

100.00%

Pro OT 6D

Pro OT 6E

Pro OT 6F

Pro OT 6G

Pro OT 6H

89

Pro OT 6I Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

270

270

29.74%

29.74%

2

2.0000

383

653

42.18%

71.92%

3

3.0000

174

827

19.16%

91.08%

4

4.0000

50

877

5.51%

96.59%

5

5.0000

31

908

3.41%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

439

439

48.35%

48.35%

2

2.0000

303

742

33.37%

81.72%

3

3.0000

120

862

13.22%

94.93%

4

4.0000

33

895

3.63%

98.57%

5

5.0000

13

908

1.43%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

368

368

40.53%

40.53%

2

2.0000

282

650

31.06%

71.59%

3

3.0000

181

831

19.93%

91.52%

4

4.0000

48

879

5.29%

96.81%

5

5.0000

29

908

3.19%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

298

298

32.82%

32.82%

2

2.0000

291

589

32.05%

64.87%

3

3.0000

224

813

24.67%

89.54%

4

4.0000

67

880

7.38%

96.92%

5

5.0000

28

908

3.08%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

371

371

40.86%

40.86%

2

2.0000

324

695

35.68%

76.54%

3

3.0000

144

839

15.86%

92.40%

4

4.0000

45

884

4.96%

97.36%

5

5.0000

24

908

2.64%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

124

124

13.66%

13.66%

2

2.0000

225

349

24.78%

38.44%

3

3.0000

310

659

34.14%

72.58%

4

4.0000

156

815

17.18%

89.76%

5

5.0000

93

908

10.24%

100.00%

Pro OT 6J

Pro OT 6K

Pro OT 6L

Pro OT 6M

Pro OT 6N

90

Pro OT 6O Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

69

69

7.60%

7.60%

2

2.0000

172

241

18.94%

26.54%

3

3.0000

297

538

32.71%

59.25%

4

4.0000

234

772

25.77%

85.02%

5

5.0000

136

908

14.98%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

89

89

9.80%

9.80%

2

2.0000

217

306

23.90%

33.70%

3

3.0000

361

667

39.76%

73.46%

4

4.0000

156

823

17.18%

90.64%

5

5.0000

85

908

9.36%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

170

170

18.72%

18.72%

2

2.0000

238

408

26.21%

44.93%

3

3.0000

210

618

23.13%

68.06%

4

4.0000

135

753

14.87%

82.93%

5

5.0000

155

908

17.07%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

218

218

24.01%

24.01%

2

2.0000

192

410

21.15%

45.15%

3

3.0000

176

586

19.38%

64.54%

4

4.0000

144

730

15.86%

80.40%

5

5.0000

178

908

19.60%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

1.0000

73

73

8.04%

8.04%

2

2.0000

152

225

16.74%

24.78%

3

3.0000

260

485

28.63%

53.41%

4

4.0000

210

695

23.13%

76.54%

5

5.0000

213

908

23.46%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Jiný operátor

4

4

0.44%

0.44%

2

T - Mobile

307

311

33.81%

34.25%

3

Telefónica

260

571

28.63%

62.89%

4

Vodafone

337

908

37.11%

100.00%

Pro OT 6P

Pro OT 6Q

Pro OT 6R

Pro OT 6S

Pro OT 7

91

Pro OT 8 Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Spokojen

707

707

77.86%

77.86%

2

Méně spokojen

158

865

17.40%

95.26%

3

Spíše nespokojen

30

895

3.30%

98.57%

4

Nespokojen

13

908

1.43%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

ano

372

372

40.97%

40.97%

2

ne

536

908

59.03%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

ano

519

519

57.16%

57.16%

2

ne

389

908

42.84%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

ano

155

155

17.07%

17.07%

2

ne

753

908

82.93%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

ano

221

221

24.34%

24.34%

2

ne

687

908

75.66%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

ano

84

84

9.25%

9.25%

2

ne

824

908

90.75%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

ano

470

470

51.76%

51.76%

2

ne

438

908

48.24%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

ano

310

310

34.14%

34.14%

2

ne

598

908

65.86%

100.00%

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Internet

179

179

19.71%

19.71%

2

Nabídka dealera

31

210

3.41%

23.13%

3

Prodejna

69

279

7.60%

30.73%

4

Propagační letáčky

47

326

5.18%

35.90%

5

Reklama

26

352

2.86%

38.77%

6

Z jiných zdrojů Zkušenosti známých

89

441

9.80%

48.57%

467

908

51.43%

100.00%

Pro OT 9A

Pro OT 9B

Pro OT 9C

Pro OT 9D

Pro OT 9E

Pro OT 9F

Pro OT 9G

Pro OT 10 Třída

7

92

Pro OT 11 Třída

Střed

1

Jiný operátor

17

17

1.87%

1.87%

2

T - Mobile

378

395

41.63%

43.50%

3

Telefónica

308

703

33.92%

77.42%

4

Vodafone

205

908

22.58%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Jiná síť

1

1

0.11%

0.11%

2

Nevím

104

105

11.45%

11.56%

3

Četnost

Kumulat.

Procenta

Kumulat.

Pro OT 12

Pevná linka

4

109

0.44%

12.00%

4

T - Mobile

248

357

27.31%

39.32%

5

Telefónica

219

576

24.12%

63.44%

6

Vodafone

332

908

36.56%

100.00%

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Každý den

798

798

87.89%

87.89%

2

Každý týden

97

895

10.68%

98.57%

3

Méně často

13

908

1.43%

100.00%

4

Nevyužívám

0

908

0.00%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Každý den

2

2

0.22%

0.22%

2

Každý týden

46

48

5.07%

5.29%

3

Méně často

378

426

41.63%

46.92%

4

Nevyužívám

482

908

53.08%

100.00%

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Každý den

501

501

55.18%

55.18%

2

Každý týden

335

836

36.89%

92.07%

3

Méně často

65

901

7.16%

99.23%

4

Nevyužívám

7

908

0.77%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Každý den

50

50

5.51%

5.51%

2

Každý týden

53

103

5.84%

11.34%

3

Méně často

162

265

17.84%

29.19%

4

Nevyužívám

643

908

70.81%

100.00%

Kumulat.

Procenta

Kumulat.

Pro OT 13A Třída

Pro OT 13B

Pro OT 13C Třída

Pro OT 13D

Pro OT 13E Třída

Střed

Četnost

1

Každý den

2

2

0.22%

0.22%

2

Každý týden

8

10

0.88%

1.10%

3

Méně často

58

68

6.39%

7.49%

4

Nevyužívám

840

908

92.51%

100.00%

93

Pro OT 13F Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Každý den

10

10

1.10%

1.10%

2

Každý týden

47

57

5.18%

6.28%

3

Méně často

245

302

26.98%

33.26%

4

Nevyužívám

606

908

66.74%

100.00%

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Každý den

1

1

0.11%

0.11%

2

Každý týden

8

9

0.88%

0.99%

3

Méně často

101

110

11.12%

12.11%

4

Nevyužívám

798

908

87.89%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Paušální poplatky

723

723

79.63%

79.63%

2

Předplacené služby

185

908

20.37%

100.00%

Pro OT 13G Třída

Pro OT 14

Pro OT 15 Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Do 300

515

515

56.72%

56.72%

2

301 - 600

294

809

32.38%

89.10%

3

601 - 900

53

862

5.84%

94.93%

4

901 - 1200

34

896

3.74%

98.68%

5

Více než 1200

12

908

1.32%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Do 2000

398

398

43.83%

43.83%

2

2001 - 4000

245

643

26.98%

70.81%

3

4001 - 6000

151

794

16.63%

87.44%

4

6001 - 8000

57

851

6.28%

93.72%

5

Více než 8000

57

908

6.28%

100.00%

Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Žena

630

630

69.38%

69.38%

2

Muž

278

908

30.62%

100.00%

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

Čtvrtý

128

128

14.10%

14.10%

2

Druhý

240

368

26.43%

40.53%

3

První

256

624

28.19%

68.72%

4

Pátý

96

720

10.57%

79.30%

5

Třetí

178

898

19.60%

98.90%

6

Vyšší

10

908

1.10%

100.00%

Pro OT 16

Pro OT 17

Pro OT 18 Třída

94

Pro OT 19 Třída

Střed

Četnost

Kumulat.

Procenta

Kumulat.

1

EI

107

107

11.78%

11.78%

2

ES

11

118

1.21%

13.00%

3

EZP

14

132

1.54%

14.54%

4

F

171

303

18.83%

33.37%

5

ME

332

635

36.56%

69.93%

6

MO

48

683

5.29%

75.22%

7

SE

60

743

6.61%

81.83%

8

VS

165

908

18.17%

100.00%

95