Корреляционный анализ

Автор статьи
Александр Сокуренко

Корреляционный анализ —  определение степени и направления связи между двумя явлениями. Суть анализа заключается в расчете коэффициента корреляции.

Коэффициент корреляции (чаще всего под ним подразумевают коэффициент Пирсона) — это число в диапазоне от −1 до 1.

Коэффициент не связан с конкретными единицами измерения, а значит, подходит для сравнения любых величин. Например, можно определить взаимосвязь между расходами на интернет-маркетинг в рублях и посещаемостью сайта. Или между числом продающих рассылок и продажами в штуках. 

При этом коэффициент корреляции просто вычислить, и он наглядно показывает связь между двумя переменными и ее направление.

Основные разновидности корреляции

Наглядно корреляцию отображают с помощью диаграмм рассеяния. В Excel их можно построить, выбрав «Вставка-Диаграммы-Точечная»

Чем ближе коэффициент к 1, тем сильнее положительная связь между двумя переменными. Коэффициент корреляции = 1 означает, что изменению одной переменной соответствует такое же изменение другой.

Если коэффициент получается отрицательным, это означает обратную взаимосвязь: то есть при увеличении одной переменной, другая уменьшается.

Близкая к нулю корреляция показывает, что статически значимая взаимосвязь между двумя переменными отсутствует.

Зачем корреляцию используют в маркетинге

Корреляционный анализ помогает маркетологам решить большое количество самых разных задач. Если есть переменные, которые, как предполагает маркетолог, связаны друг с другом, то эту связь всегда можно проверить с помощью корреляции.

Приведем несколько примеров, когда корреляция будет полезна: 

Оценить эффективность работы. Кажется, что чем больше предприниматель тратит на маркетинг, тем лучше должны быть бизнес-показатели. Но если корреляция между затратами и прибылью слабая или отрицательная, то это повод задуматься о величине и направлении вложений.

Помимо общей эффективности с помощью корреляции можно оценить, окупаются ли вложения в отдельные направления, например в SEO (корреляция затрат и конверсии на сайте) или рекламу у блогеров (затрат и продаж).

Спрогнозировать поведение потребителей. Например, чтобы рекомендовать зрителю подходящие фильмы, онлайн-кинотеатр должен понимать его вкусы. Такую информацию можно получить благодаря оценкам. Тогда можно определить корреляцию между оценками конкретного зрителя и других пользователей и показывать ему подборку картин, которые высоко оценили зрители со схожими вкусами. При этом чем больше пользователь ставит оценок, тем точнее алгоритмы предугадывают его предпочтения, а значит, тем проще удержать клиента в сервисе.

Разработать ценовую политику. Для обычных товаров работает правило: если цены падают, то продажи растут. Но есть товары Гиффена и Веблена для которых эта закономерность не действует. Корреляция с помощью прошлых данных по сбыту поможет определить, к каким группам относятся конкретные товары. Это пригодится при планировании скидок и других маркетинговых мероприятий, связанных с ценообразованием. 

Как вычислить корреляцию

В Excel корреляцию можно вычислить с помощью функций КОРРЕЛ или PEARSON.

Обратите внимание, что аномальные показатели в данных (выбросы или пропуски) могут исказить значение коэффициента корреляции. Поэтому не забудьте провести их предварительную очистку.

Вычисление корреляции в Excel

Пример вычисления корреляции между объемом продаж и расходами на маркетинг

 

Анализ корреляции часто дополняют исследованием регрессии — проводят корреляционно-регрессионный анализ. 

Регрессия позволяет предсказать значение одной переменной (зависимой) под влиянием изменения другой (независимой) или нескольких других переменных. При этом исследователь сам определяет, какую переменную считать зависимой, а какую нет.

Например, если маркетолог обнаружил сильную положительную корреляцию между затратами на рекламу (независимая переменная) и продажами (зависимая переменная), то он может построить уравнение регрессии для прогнозирования того, насколько вырастет сбыт, если расходы на рекламу увеличатся на единицу.

В Excel корреляционно-регрессионный анализ можно провести с помощью инструмента «Регрессия» из Пакета Анализ данных.

На скриншоте ниже показан пример анализа связи между зависимой переменной (сбытом) и независимыми переменными (рекламным и маркетинговым бюджетом). Уравнение регрессии выглядит следующим образом: Y = -67 + 2,89* (расходы на рекламу) + 1,12*(бюджет маркетингового отдела). Подставляя соответствующие числа, можно получить значение продаж за конкретный месяц

Регрессия в Excel

Если нужно вычислить степень взаимосвязи между несколькими параметрами, используют корреляционную матрицу (correlation matrix). Это таблица, которая содержит коэффициенты корреляции для каждой пары переменных.  

Чтобы построить корреляционную матрицу в Excel, используют инструмент Корреляция из пакета Анализ данных.

Корреляция для нескольких переменных

Пример построения корреляционной матрицы в Excel. Определяем взаимосвязь между посещаемостью сайта, расходами на маркетинг и продажами

 

Для определения корреляции можно использовать не только коэффициент корреляции Пирсона, но и ранговый коэффициент корреляции Спирмена. Этот показатель определяет силу и направление связи между двумя группами предварительно ранжированных переменных.

Ранговый коэффициент удобно использовать, когда: 

  • данные лучше смотрятся в ранговой форме (балльные оценки некоторых критериев, рейтинги или группировка близких числовых значений),
  • изменение одной переменной связано с изменением другой переменной, но эта связь не носит линейный характер.

Алгоритм вычисления коэффициента Спирмена в Excel:

  • упорядочить две группы чисел;
  • использовать функцию РАНГ.СР для ранжирования;
  • использовать функцию КОРРЕЛ — как значения в ней берутся ранги.

Ниже приведен пример вычисления рангового коэффициента корреляции Спирмена в Excel

Расчет взаимосвязи между ранговыми переменными

Особенности корреляции, которые важно учитывать при анализе

Не показывает причинно-следственной связи между двумя переменными. Важнейшая черта корреляции. Даже если коэффициент корреляции = 1 (-1), это не значит, что изменение одной переменной приведет к изменению другой.

 

Есть две переменные: расходы на маркетинг и продажи. Маркетолог вычисляет корреляцию и находит, что она близка к 1. Но ведь продажи могут расти, к примеру, под влиянием сезонного тренда или рекламных акций, а расходы на маркетинг просто удачно вписались в общую картину. 

Противоположная ситуация: расходы на маркетинг растут, но идёт спад продаж. Налицо отрицательная корреляция. Но это снова может быть совпадением во времени. 

В обеих ситуациях требуется более тщательный анализ: рассмотрение других переменных, учёт сезонности, проверка данных за другие периоды времени.

Может меняться со временем. Например, взяли данные за лето, и они показали слабую корреляцию. Но анализ тех же переменных в зимний период может показать корреляцию, близкую к 1. 

Не показывает, какая переменная влияет на другую. Например, расходы на маркетинг могут влиять на показатели продаж. Но ведь и выросшие продажи также могут привести к тому, что топ-менеджеры решат увеличить расходы на маркетинг.

Не показывает зависимость, если она нелинейная. Например, увеличение расходов на маркетинг первоначально приводит к росту продаж. Однако, начиная с какого-то момента, дополнительные расходы больше не стимулируют сбыт, а наоборот, приводят к его снижению (в экономической теории — закон убывающей отдачи).

Приведенные примеры показывают, что вычислить один только коэффициент корреляции мало, нужно более подробно анализировать имеющиеся данные.

Главные мысли:

корреляционный анализ это

Вы нашли ответ?

9
5