Hoofdstuk 5 Resultaten
5.7 Discriminant analyse
5.6.2 Conclusie
De uitgebreide clusteranalyse heeft geleid tot een verdeling van de respondenten in 2 groepen, die elk een verschillende benadering van SIS vergen. Het volgende belang is te identificeren welke andere variabelen deze 2 groepen kenmerken. Die gegevens maken het namelijk inzichtelijk hoe deze groepen relatiemarketingtechnisch te benaderen zijn.
5.7 Discriminant analyse
Er zijn al twee verschillende onderwerpen belicht in het onderzoek. Er is inzicht gekregen in (1) de rol van relatiemarketing en de onderliggende factoren binnen sportretail en haar toeleveranciers en (2) in de ideale samenstellingen van een SIS. De ideale samenstelling van een SIS is echter niet voor de hele sample gelijk. Clusteranalyse heeft aangetoond dat de respondenten in twee groepen in te delen zijn op basis van hun mening ten aanzien van SIS. De vraag is nu of deze twee groepen ook verschillen vertonen in hun opinie richting relatiemarketing en de onderliggende factoren. Met behulp van discriminant analyse is dit aan te tonen.
5.7.1 Methode en uitkomsten
Er is een two-group discriminant analyse met SPSS uitgevoerd omdat er vanuit de clusteranalyse twee groepen gevonden zijn (zie paragraaf 5.6).
Er is gekozen voor de toepassing van de directe methode, omdat (1) (bijna) alle variabelen door de theorie aangedragen worden als invloedrijk op de relatie (het belang van deze variabelen is ook aangetoond in dit onderzoek, zie pag. 51-57), en (2) de wens om de verschillende variabelen met elkaar te vergelijken. Vanuit de directe methode is namelijk, vanwege het selecteren van alle variabelen, af te leiden welke van deze variabelen het meest discriminerend zijn voor de afhankelijke variabele (in dit geval clusters 1 en 2). Uiteraard zijn de uitkomsten van de conjuncte analyse niet meegenomen in de discriminant analyse omdat deze variabelen al voor het vormen van clusters zijn gebruikt.
Betrouwbaarheid discriminant analyse
De pooled within-groups matrix geeft lage correlaties weer tussen de geselecteerde variabelen. Vanwege deze lage correlaties, is er weinig kans op multicollineariteit (Malhotra 2004). Multicollineariteit dient voorkomen te worden omdat het een verdere analyse van de variabelen kan blokkeren en tot onbetrouwbare resultaten kan leiden. Omdat de twee clusters (groepen) de basis zijn voor deze discriminantanalyse, is er één enkele discriminant-functie berekend (tabel 21):
Tabel 21. De discriminant functie
100% van de variantie in dit model wordt verklaard door deze functie. De canonical correlation van deze functie is 0,993. Deze correlatie in het kwadraat (0,993² = 0,98) geeft aan dat 98% van de variantie in de afhankelijke variabele (clusterlidmaatschap) door dit model verklaard wordt.
SPSS geeft als norm voor de betrouwbaarheid van het discriminant-model Wilk’s Lambda (λ). Een lage Wilk’s λ (dichtbij 0) geeft aan dat er een duidelijk verschil bestaat tussen de twee groepen (bij een two-group discriminant analyse) op basis van het gemiddelde. Hoe
Eigenvalues Function Eigenvalue % of Variance Cumulative % Canonical Correlation 1 72,067(a) 100,0 100,0 0,993
dichter de Wilk’s λ bij 1, hoe kleiner zijn de verschillen in gemiddelde tussen de twee groepen.
Tabel 22. Overzicht Wilk’s λ
Wilks' Lambda Test of
Function(s)
Wilks' Lambda
Chi-square
df Sig.
1 0,014 98,702 32 0,000
Uit tabel 21 valt af te leiden dat er een duidelijk verschil in groepsgemiddelden op de verschillende variabelen bestaat (Wilk’s λ = 0,014). Er kan tevens gesteld worden dat het model betrouwbaar is, op een significantieniveau van 0,000. Er kan 99% zekerheid gesteld worden dat de voorspelling van dit model klopt, of dat het model een kans van 1% heeft een onjuiste voorspelling te maken.
Discriminerende variabelen
In het kader van dit onderzoek, zijn de verschillen in discriminerende variabelen tussen de twee groepen van belang. In totaal zijn er 32 variabelen in de analyse gebruikt, welke verschillen in discriminerend belang.
Discriminant analyse levert verscheidene overzichten aan, welke te uitgebreid zijn om hier te presenteren. De informatie van interesse betreft welke variabelen het meest discriminerend (belangrijk) zijn voor beide clusters. Malhotra (2004) adviseert analyse van de structure matrix om dit aan te kunnen tonen. Omdat er 32 variabelen in de structure matrix zijn opgenomen, is een overzicht hiervan te groot om weer te geven. Voor het overzicht wordt verwezen naar bijlage G. De 7 meest discriminerende variabelen uit de structure matrix worden hieronder weergegeven (tabel 23.)
Tabel 23. top scores structure matrix
Structure Matrix
Function
1 Intensieve samenwerking met een merk
levert mij kostenbesparingen op
-0,065
Ik heb regelmatig een conflict met een van de merken waar ik mee werk
0,050
Een hoog niveau van aanwezige expertise is een reden om met een merk een relatie aan te gaan
0,040
Over het algemeen is de hoeveelheid intensiteit en kwaliteit van de
informatiestromen tussen mijn onderneming en de merken waarmee ik werk goed
-0,039
Ik heb een goede (vriendschappelijke) band met de vertegenwoordigers van de merken waarmee ik werk
0,037
Wat is de grootte van uw winkel in m2? 0,036
Hoeveel sportmerken zijn er aanwezig in uw winkel?
0,034
De top 7 is tot stand gekomen door de waarden van de structure matrix te vergelijken met Tests of Equality of Group Means welke ook wordt uitgevoerd bij een discriminant analyse. De 7 scores uit die test hebben allemaal een significant relatie tot de dicriminant functie en zijn daardoor het meest discriminerend. Vervolgens komen de 7 waarden ook naar voren als
top score in de structre matrix, waardoor er definitief gesteld kan worden dat bovenstaande waarden het meest discriminerend zijn. Om aan te kunnen geven of de 2 clusters daadwerkelijk verschillen ten aanzien van de 32 variabelen geeft SPSS een overzicht van de wijze waarop de 2 groepen relateren tot de hierboven besproken discriminant functie (zie tabel 24).
Tabel 24. Groep functies discriminant analyse
Functions at Group Centroids Function Cluster
1
1 8,909
2 -7,694
Cluster 1 heeft een positieve waarde (8,909) en cluster 2 een negatieve (-7,694). Op basis hiervan kan gesteld worden dat de bovenstaande 7 waarden van een positief (groter) belang zijn voor de respondenten in cluster 1 en een negatief (minder) belang hebben voor de respondenten in cluster 2. Op basis van de uitkomsten van de discriminant analyse een profiel van beide clusters opgesteld worden:
Cluster 1 Man
Gemiddeld 38 jaar
Grootte winkel = 400 – 800 m² Aantal merken = 21 – 40
Behoefte aan intensieve samenwerking Behoefte aan conflictbeperking
Behoefte aan expertise aan de leverancierskant
Behoefte aan betere informatievoorziening van leverancierskant Behoefte aan betere banden met accountmanagement leverancier Cluster 2
Man
Gemiddeld 42 jaar
Grootte winkel = 200 – 400 m² Aantal merken = 11 – 20 Tevreden over samenwerking
Ervaart geen conflicten met leveranciers
Ervaart voldoende expertise aan leverancierskant
Ervaart juiste kwaliteit en intensiteit van informatievoorziening Ervaart goede (vriendschappelijke) banden met accountmanagement.
Het mag duidelijk zijn dat de respondenten in de eerste cluster meer aanzienlijk meer aandacht vergen in het opbouwen van de relatie dan de respondenten in cluster 2.
Betrouwbaarheid discriminant analyse
De resultaten van de discriminant analyse zijn betrouwbaar. De kans dat de groepsverdeling goed gegokt is, is 50% (1 gedeeld door 2 groepen). De regel is dat er een 25% verbetering moet zijn ten aanzien van de gokkans om ervan verzekerd te zijn dat de discriminant analyse de juiste verdeling heeft weergegeven (Glen 2001). Tabel 25 geeft aan dat 100% van de originele groepsindelingen correct is. Als test wordt er ook een kruis-validatie uitgevoerd, hierbij komt het percentage op 86%.
Tabel 25. Classificatie resultaten
Classification Results Predicted Group Membership Cluster Number of Case 1 2 Total 1 20 0 20 Count 2 0 23 23 1 100,0 0,0 100,0 Original Classification Results 2 0,0 100,0 100,0 1 16 4 20 Count 2 2 21 23 1 80,0 20,0 100,0 Cross-validated(a) Classification Results 2 8,7 91,3 100,0
a. Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived from all cases other than that case.
b. 100,0% of original grouped cases correctly classified. c. 86,0% of cross-validated grouped cases correctly classified.
De 86% juiste groepsindeling of classificatie is meer dan 25% bovenop de 50% die gegokt kunnen worden. De betrouwbaarheid van de uitgevoerde discriminant analyse is zodoende (ruim) voldoende.
Conclusie
De uitgebreide discriminant analyse heeft bemoedigende resultaten opgeleverd. Er is duidelijk inzicht gekregen welke variabelen voor welke cluster van respondenten van belang zijn. Groot aandachtspunt is de groep retailers die door cluster 1 vertegenwoordigd wordt. Van deze groep is nu namelijk naast hoe zij tegen SIS aankijken en welke invulling zij wensen, ook de juiste vorm en invulling van relatiemarketing is bekend.
Hoofdstuk 6 Conclusies, aanbevelingen en evaluatie
In dit hoofdstuk worden de conclusies van het onderzoek gepresenteerd. Aangezien het onderzoek meerdere onderzoeksgebieden heeft belicht, zijn de conclusies in drie onderdelen opgesplitst: conclusies en aanbevelingen relatiemarketing, conclusies en aanbevelingen shop-in-shop en conclusies en aanbevelingen interactie relatiemarketing - shop-shop-in-shop. In elk onderdeel wordt nagegaan of de doelstellingen behaald zijn: het beantwoorden van de deelvragen en de hoofdvraag die de aanleiding vormde voor dit onderzoek. De laatste twee paragrafen bevatten een evaluatie van het onderzoek en aanbevelingen.