💸 Как сделать бизнес проще, а карман толще?

Тот, кто работает в сфере услуг, знает — без ведения записи клиентов никуда. Мало того, что нужно видеть свое раписание, но и напоминать клиентам о визитах тоже. Проблема в том, что средняя цена по рынку за такой сервис — 800 руб/мес или почти 15 000 руб за год. И это минимальный функционал. Нашли самый бюджетный и оптимальный вариант: сервис VisitTime.
⚡️ Для новых пользователей первый месяц бесплатно. А далее 290 руб/мес, это в 3 раза дешевле аналогов. За эту цену доступен весь функционал: напоминание о визитах, чаевые, предоплаты, общение с клиентами, переносы записей и так далее.
✅ Уйма гибких настроек, которые помогут вам зарабатывать больше и забыть про чувство «что-то мне нужно было сделать».
Сомневаетесь? нажмите на текст, запустите чат-бота и убедитесь во всем сами!

Практическое использование техники СД

Метод СД довольно активно используется в отечественной эмпирической социологии. В качестве успешных примеров можно назвать работы [Баранова, 1994; Дудченко и Мытиль, 1993 и 1994].

Практика показывает, что при решении конкретных задач методом СД возникает масса методических трудностей. Так, иногда бывает весьма трудно ограничиться использованием только коннотативных признаков. В [Ядов, 1995, с. 172] отмечается, что социологи обычно используют " ослабленные" варианты проективных процедур. При этом происходит перенос респондента в ситуации, хотя и воображаемые, но достаточно конкретные, чтобы можно было вполне определенно интерпретировать реакцию человека.

В качестве примера упомянем работу [Интерпретация и анализ..., 1987, гл. 9], где изучалось восприятие студентами лекций разных преподавателей. Исходные шкалы формировались как за счет коннотативных, так и за счет денотативных признаков.

Конечно, если мы хотим строить семантическое пространство, коннотативность шкал должна более или менее соблюдаться. Но, оказывается, бывают ситуации, когда технику СД можно использовать и в других целях. Эта техника оказалась очень полезной для социологии. В настоящее время она активно используется в эмпирических исследованиях. При этом далеко не всегда авторы опираются на те психологические модели, о которых шла речь выше.

Одним из наиболее ярких примеров использования техники СД отнюдь не для поиска семантического пространства является ее применение в так называемых методиках ГОЛ (групповой оценки личности) [Авраменко, Багаева, 1990; Методы социальной..., 1977; Хорошилов, Шевченко, 1991]. Поясним на примере, что именно мы имеем в виду.

Предположим, требуется определить, кто из трех претендентов - Иванов, Петров или Сидоров - имеет больше оснований занять некую руководящую должность. Мы прибегаем к экспертному опросу. Просим экспертов оценить претендента Иванова по каждой из семибалльных шкал, задаваемой, как и в СД, двумя полюсами специально подобранного континуума: компетентный - некомпетентный, демократичный - авторитарный, решительный - нерешительный и т.д. Затем вычисляем средние оценки, приписанные экспертами по каждой шкале. Получаем, скажем, что претендент Иванов имеет средний балл по шкале компетентности, равный 2, 8-, а по шкале демократичности - 1, 4. А Петров - соответственно, 0, 4 и 2, 2. И уже дело нанимателя решить, кто ему больше подходит - компетентный Иванов или демократичный Петров (для решения подобных задач тоже существуют специально разработанные методы и технологии, но мы этого не касаемся).

Конечно, и здесь мы можем использовать, скажем, факторный анализ применительно к данным, либо полученным от каждого эксперта, либо усредненным по всем экспертам, но интерпретация его результатов будет весьма отличаться от выводов Осгуда. Конечно, мы выявим скрытые факторы, которыми руководствуются эксперты при оценке претендентов на должность. Но выводы не дадут нам возможности говорить о семантическом пространстве, об индивидуальном смысле Иванова или Петрова для того или иного эксперта и т.д. Перечислим классы задач, которые можно решать, применяя к нашему параллелепипеду данных разные методы многомерного анализа (см. табл. 8.4).

Напомним, что трехмерность параллелепипеда проявляется в наличии трех осей: " респондент", " оцениваемый объект", " шкала" и что для применения любого метода многомерного анализа нужно одну из осей " ликвидировать". Вспомним также, что большинство методов анализа данных являются методами сжатия исходной матрицы либо по строкам, либо по столбцам и что в соответствующих случаях чаще всего мы имеем дело либо с методами классификации, либо с методами факторного анализа.

Таблица 8.4. Приведение данных, полученных с помощью техники СД, к двумерному виду и типы задач, решаемых с помощью анализа полученной матрицы

Кратко опишем (на примерах) суть решаемых задач.

Предположим, что мы имеем дело с методикой ГОЛ типа той, которая была описана выше (некоторые задачи осмыслены и в рамках психологической модели СД). Соответственно вместо термина " респондент" будем использовать термин " эксперт".

Задача А. Рассмотрим одного эксперта. В первой строке исходной для анализа матрицы данных стоят оценки, данные этим экспертом претенденту Иванову по разным шкалам. Во второй строке - то же для Петрова и т.д. За счет сжатия матрицы по строкам получаем классификацию претендентов по схожим описаниям их экспертом (с учетом всех шкал одновременно). Наверное, в такой ситуации часто имеет смысл из каждого класса выбрать одного эксперта (например, наиболее близкого к центру класса) с тем, чтобы сократить дальнейшую работу по отбору достойных кандидатур.

ЗадачаБ. Матрица данных - та же, что в задаче А. Сжатие ее по столбцам даст нам факторизацию шкал - решение той самой задачи, которую рассматривал Осгуд (сейчас мы говорим о ее формальной структуре). Мы выделим факторы, которыми руководствуется наш эксперт, оценивая претендентов на должность.

Задача В. Отличие этого класса задач от задач, рассмотренных в задаче А, состоит в том, что вместо некоего конкретного эксперта в рассуждениях фигурирует обобщенный эксперт, " оценки" которого получаются в результате усреднения мнений всех принявших участие в опросе экспертов.

Задача Г. То же можно сказать о связи этого класса задач с задачами, рассмотренными в задаче Б.

Задача Д. Пусть нас интересует только претендент Иванов. В строке нашей матрицы идут данные соответствующим эксперт том оценки Иванова по разным шкалам. Сжимая матрицу по строкам, мы выделяем классы экспертов, примерно одинаково оценивающих Иванова по всем рассматриваемым качествам. Могут выделиться, скажем, классы экспертов, " любящих" Иванова и " ненавидящих" его.

Задача Е. Матрица - та же, что и в задаче Д. Сжимая ее по столбцам, мы выделяем группы связанных друг с другом шкал, чаще всего ассоциируемые с латентными факторами, которыми руководствуются эксперты, оценивая Иванова.

Заметим, что суммирование оценок, данных одним экспертом по одной шкале Иванову, Петрову, Сидорову и т.д., нам представляется бессмысленным (хотя, вполне вероятно, за этим может стоять некая психологическая характеристика самого эксперта: один эксперт дает всем претендентам высокие оценки, другой - низкие, третий подходит дифференцированно и т.д.)

Задача Ж. Предположим, что мы выберем только одну шкалу - шкалу компетентности. Первой строкой исходной для многомерного анализа матрицы данных будут оценки, данные первым экспертом (респондентом) Иванову, Петрову,.... Второй строкой - аналогичные оценки, данные вторым экспертом, и т.д. Сжимая матрицу по строкам, мы классифицируем экспертов по тому, насколько схожим образом они воспринимают претендентов на должность. Проще говоря, в один класс попадают такие эксперты, которые примерно одинаковым образом оценивают всех претендентов по их компетентности. Выделяются классы экспертов, по-разному понимающих компетентность.

Задача 3. Исходная для многомерного анализа матрица данных - та же, что в задаче Ж. Сжимая ее по столбцам, мы выделяем группы претендентов, примерно одинаково оцениваемых всеми экспертами по их уровню компетентности. Вероятно, из каждой такой группы целесообразно оставить одного претендента (скажем, наиболее близкого ее центру), упростив тем самым дальнейшие размышления о том, кого выбрать (конечно, при этом не надо забывать, что мы принимаем в расчет только компетентность претендентов, ср. с задачей А).

Задача И. Сложим оценки, данные по отдельным шкалам одним экспертом претенденту Иванову. Тем самым мы как бы оценим общее мнение этого эксперта об Иванове. Этот процесс сходен с построением шкалы Лайкерта. В исходной для анализа данных матрице по строкам идут соответствующие общие оценки, данные одним экспертом Иванову, Петрову, Сидорову. Решаемые задачи сходны с теми, которые рассматривались в задаче Ж. Отличие в том, что там фигурировали оценки, полученные по одной шкале, здесь - усредненные оценки.

Задача К. Матрица та же, что в задаче И. Задачи аналогичны задачам 3, с тем отличием в характере используемых шкал, которое было оговорено в задаче И.

Укажем еще одну возможность использования техники СД: она позволяет осуществлять изучение некоторых психологических характеристик респондентов на основе анализа так называемых профилей. Чтобы пояснить, что такое профиль, схематично изобразим данные СД для трех респондентов, пяти шкал и одного оцениваемого объекта (рис. 8.1).

Рис. 8. 1. Примеры профилей,