Анализ заявленных предпочтений кастинг–менеджеров модельных агентств

Диаграмма (рис. 3), представленная ниже, сконструирована сервисом Conjoint.ly на основании полученных экспериментальных данных. Она показывает, насколько сильно вариация отдельных атрибутов по уровням влияет на выбор клиентов.

Рис. 3. Чувствительность респондентов к вариативности атрибутов.

Из рис. 3 видно, что вариативность по уровням таких атрибутов как типаж (32%) и рост (33%) в большей степени, относительно остальных включенных в эксперимент, влияют на выбор кастинг-менеджера. Меньшее значение при выборе имеет вариативность атрибутов, характеризующих коммуникативные навыки (24%). Важно отметить, что ситуации выбора с соответствующими наборами альтернатив сконструированы согласно алгоритмам Conjoint.ly; они не фиксированы от респондента к респонденту.

В текущей работе при задании атрибутов и их уровней были введены некоторые ограничения так, чтобы определенные сочетания уровней атрибутов не выглядели противоречиво и нереалистично. Например, при отсутствии какого-либо опыта работы маловероятно, что модель имеет в своем портфолио работы с известными зарубежными брендами.

Дизайн эксперимента в рамках данной работы предполагает немаркированные альтернативы. Однако для создания реалистичности в ситуации выбора в качестве уровней такого атрибута модели как типаж были включены изображения девушек моделей, которые демонстрируют типичных представительниц каждой из типажных групп (см. Приложение 1). Адамович и др. (1998) отмечают, что включение изображений в профили альтернатив вместо текста позволит респондентам воспринимать уровни «более гомогенно», то есть более точно.

В эксперименте дискретного выбора приняло участие 90 кастинг-менеджеров, которые ранее участвовали в пилотном опросе. В итоговой выборке содержится 4320 наблюдений, так как каждая альтернатива (из четырех), оцененная респондентом в 12 ситуациях выбора, зафиксирована как отдельное наблюдение. Ответы респондентов, выгруженные с сервиса Conjoint.ly, были дополнены характеристиками самих кастинг-менеджеров, которые не меняются между ситуациями выбора.



3. Модели дискретного выбора

Экспериментальные данные, полученные в ходе проведения эксперимента дискретного выбора, были использованы далее для построения 3-х регрессионных моделей дискретного выбора: 2 спецификации модели смешанного логита (модель I и модель II Спецификации модели I и II отличаются набором переменных, включенных в объясняющую часть функции полезности. Более подробно функциональная форма обсуждается далее. ) и 1 спецификация модели латентных классов (модель III). Именно они позволяют выявить особенности спроса на моделей, а также идентифицировать сегменты потребителей. Регрессионные модели оценены на экспериментальных данных о заявленных предпочтениях 90 кастинг-менеджеров, собранных в ходе эксперимента дискретного выбора.

Смешанная логит-модель оценивает вероятность того, что модельное агентство i выберет модель j при заданном распределении параметра полезности . Принимая во внимание все предпосылки логистической регрессии, такая вероятность выбора Pr ij, выглядит следующим образом:

,

Модель I включает все переменные (2), которые характеризуют атрибуты альтернатив (Приложение 3), каждый параметр в модели аппроксимирован с помощью нормального распределения, а условное среднее каждого параметра задается в том числе из атрибутов самих респондентов.

,

где - значение функции полезности для индивида i при выборе альтернативы j;

- вектор наблюдаемых атрибутов модели j, представленных менеджеру i (Таблица 2);

- вектор соответствующих неизвестных параметров функции полезности, которые гетерогенны по индивидам ( ~ N) Варьируется по всем респондентам следуя непрерывной плотности распределения f ( и ), где и - параметр распределения. Распределение может принимать любую форму.;

k - количество всех альтернатив;

- случайная ошибка модели, IID EV (I).

Модель II включает совместные эффекты переменной роста и дамми-переменной на модный (fashion) типаж, размера обуви и дамми-переменной на fashion-типаж модели для проверки гипотезы о разнице в «строгости» требований к моделям разных типажных групп.

,

где - дамми-переменная, характеризующая типаж-fashion модели j, представленных менеджеру i (Рис. 1);

- вектор соответствующих неизвестных параметров функции полезности, которые гетерогенны по индивидам ( ~ N);

переменная, характеризующая рост модели j;

переменная, характеризующая размер обуви модели j;

вектор неизвестных параметров, характеризующий совместный эффект типажа и роста модели, типажа и размера обуви Фиксирован по респондентам. ;

- случайная ошибка модели, IID EV (I).

Модель смешанного логита позволяет коэффициентам случайным образом варьироваться, предполагая некоторый тип постоянного распределения неоднородности, сохраняя предположение о распределении случайной компоненты (IID EV I) Распределение типа EV I (Generalized Extreme Value Type-I) используется для моделирования распределения экстремальных значений (максимума/минимума). (Hensher, Greene, 2003; McFadden, Train, 2000; Train, 2009).

Выбор модели смешанного логита (модель I и II) объясняется следующим:

возможностью более точно описать предпочтения агентств, специфицировав вид распределения параметра предпочтений;

возможностью добавления коррелированности между параметрами, которые имеют нормальное распределение Бисма (2007) говорит о негативных последствиях отсутствия учета корреляции; в частности, о переоценке параметров в силу их заниженной стандартной ошибки. ;

возможностью объединить в одном уравнении характеристики моделей и модельных агентств Детерминированная часть вариации случайных параметров предпочтений. .

Среди различных логит-спецификаций смешанная логит-модель считается наиболее гибкой (Train, 2009). МакФадден и Трейн (2000) показали, что любая модель выбора с любым распределением предпочтений может быть аппроксимирована с любой степенью точности смешанным логитом.

В данной работе все параметры предпочтений, входящие в функцию полезности менеджера, аппроксимированы нормальным распределением, при этом они также коррелированы. Предположение о распределении параметров, которые представлены в виде числовых (дискретных) и категориальный переменных, имеет большое значение для конечных оценок параметров. Распределения по сути являются произвольными приближениями к реальному поведенческому профилю (Ghosh et al., 2013). Модель также усложнена тем, что условное среднее параметров, отвечающие за типажную принадлежность Распределение аппроксимировано нормальным. модели j, задается с помощью характеристик кастинг-менеджера. Такой подход способствует проверке предположения о том, что менеджер делает выбор модели, исходя из того, в каком агентстве он работает (размер агентства, география, опыт работы, статус клиентов).

Помимо 2-х регрессионных моделей смешанного логита в спецификации (2) и (3) (модель I и модель II) также оценена модель латентных классов (4) (модель III), которая является альтернативой модели смешанного логита с точки зрения своих преимуществ в описании предпочтений более сложного типа. Она заменяет допущение о непрерывном распределении параметров предпочтений предположением о дискретном распределении параметров , что определяет дискретное сегментирование индивидов на классы Предполагается, что скрытые классы являются взаимоисключающими и исчерпывающими, а также конечными и статичными при кросс-секционной структуре данных (Грин и Хеншер, 2003). (Greene, Hensher, 2013; Kamakura, Russell, 1989). В реальном бизнесе модельные агентства и их представители в лице кастинг-менеджеров и букеров различаются между собой опытом работы на рынке, корпоративной политикой, клиентской базой и пр. Именно модель III учитывает различие модельных агентств (и их предпочтений) между собой. Таким образом, ненаблюдаемая гетерогенность предпочтений модельных агентств была описана с помощью сегментирования на 2 класса, при этом внутри одного класса наблюдается гомогенность предпочтений среди респондентов. предпочтение кастинг бизнес интервью

В модели III деление на классы было задано непосредственно с помощью предпосылки о существовании 2-х фиксированных классов. Количество классов (от 2 до 4) было выбрано исходя из наиболее используемых в предыдущих работах (Greene, Hensher, 2013) моделей латентных классов. В текущем исследовании деление на два класса представляется наиболее интерпретируемым, так как в остальных случаях между классами не наблюдалось статистически значимой разницы. Такое сегментирование также обусловлено размером выборки (90 респондентов), которая не предоставляет достаточной информации о вариативности выбора кандидатов.

Параметризировать вероятность попадания агентства i в класс q можно следующим образом:

, и

(4)

где вектор характеристик агентств;

Q - множество классов;

набор неизвестных параметров, описывающих стохастическое присвоение классам.

Для оценивания моделей I, II и III был использован метод максимального симулированного правдоподобия (maximum simulated likelihood estimator - MSLE) Алгоритм численной оптимизации Берндта - Холла - Холла - Хаусмана (BHHH), интегрированный в стат. Пакер gmnl для R. . В частности, MSLE позволяет оценивать модели с непрерывной неоднородностью, такие как смешанный логит и модели с дискретной неоднородностью, такие как модель латентных классов. Техническая реализация расчетов проводилась с помощью статистического пакета gmnl (Sarrias et al., 2017) в среде RStudio (R).

Хеншер и Грин (2003) рекомендуют проводить проверку на надежность моделей, оцененных методом MSLE, с помощью варьирования числа симуляций и анализа стабильности и точности параметров. Если коэффициенты правдоподобны и надежны, это обычно интерпретируется как свидетельство структурной достоверности. Все спецификации были проверена на устойчивость взаимосвязей вышеописанным способом, варьируя количество симуляций от 30 до 200.

Для оценки качества моделей бинарного выбора нет единой показателя, в отличие от линейных моделей (Cameron and Trivedi, 2005). В данной работе были использованы следующие критерии для проверки надежности полученных результатов: информационный критерий Акаике (AIC) и Шварца (BIC), МакФаддена R2, Псевдо - R2. Важно отметить, что все вышеупомянутые меры качества моделей логита являются относительными. Выводы об объясняющей способности каждой модели могут быть сделаны в сравнении с остальными спецификациями, оцененными в данной работе. МакФаддена R2 и Псевдо - R2 характеризуют то, на сколько построенная модель объясняется выбор респондента лучше, чем наивная модель.

3.1 Эмпирические результаты

В данной работе построены две регрессионные модели смешанного логита (модель I, модель II) и одна модель латентных классов (модель III). Результаты оценивания модели I представлены в Табл. 3, модели II - в Приложении 4. Спецификации модели I и модели II отличаются включением совместных эффектов типажа и параметров тела (рост и размер обуви) в последнюю, а также рассмотрением атрибута типажа в более широкой классификации (коммерческий и модный). Результаты оценивания модели III представлены в Приложении 6.

Результаты оценивания модели смешанного логита в Табл. 3 дают возможность получить условные средние оценки параметров на индивидуальном уровне и сделать вывод о гетерогенности SP кастинг-менеджеров в модельном бизнесе. Параметры модели смешанного логита могут быть интерпретированы как то, что в среднем кастинг-менеджеры предпочитают, говоря о характеристиках модели.



Таблица 3 Результаты оценивания модели смешанного логита (модель I) Модели допускают корреляцию между случайными параметрами, распределенными нормально, но эти результаты в работу не включены.

	Оценка	Ст. ошибка	Pr(>|z|)
Параметры тела и характеристики внешности
Рост	cond. mean	4,22*	0,002	0,855
	s.d.	0,011	0,003	0,000	***
Размер обуви	cond. mean	0,063	0,084	0,452
	s.d.	0,438	0,090	0,000	***

Таблица 3 (продолжение) Результаты оценивания модели смешанного логита (модель I)

Типаж
Коммерческий	cond. mean	-1,830	0,616	0,003	**
	s.d.	0,798	0,247	0,001	**
Бейби-фейс	cond. mean	1,642	0,515	0,001	**
	s.d.	0,167	0,224	0,456
Сильный	cond. mean	-0,320	0,523	0,541
	s.d.	-0,297	0,226	0,188
Классический	cond. mean	-0,599	0,595	0,314
	s.d.	0,199	0,22	0,365
Профессиональная квалификация
Опыт (в годах)	cond. mean	-0,289	0,12	0,016	*
	s.d.	0,058	0,122	0,633
Качество портфолио
Пустое портфолио	cond. mean	0,177	0,245	0,47
	s.d.	0,200	0,251	0,425
П. среднего качества	cond. mean	0,240	0,215	0,263
	s.d.	0,484	0,225	0,031	*
П. высокого качества	cond. mean	0,271	0,197	0,169
	s.d.	-0,114	0,179	0,523
Профессиональные навыки
Походка	cond. mean	0,142	0,208	0,496
	s.d.	-0,719	0,180	0,000	***
Коммуникативные навыки
Харизматичная	cond. mean	1,511	0,196	0,000	***
	s.d.	-0,42	0,205	0,041	*
Дружелюбная	cond. mean	1,057	0,200	0,000	***
	s.d.	0,762	0,221	0,001	***
Тихая, неактивная	cond. mean	0,373	0,204	0,067	*
	s.d.	0,500	0,252	0,048	*
Количество наблюдений: 1080 (90 респондентов x 12 ситуаций выбора) Логарифм функции правдоподобия: -1197,9 Информационный критерий Акаике = 2681,9 Информационный критерий Шварца = 3294,7 МакФадден R2 = 0,157 Псевдо - R2 = 0,29
Уровни значимости: * - 10% уровень, ** - 5% уровень, *** - 1% уровень
Базовые категории: для портфолио - низкое качество, для коммуникации - грубая, для типажа - странная.
Модель оценена на 100 симуляциях.

Группа атрибутов, такие как опыт работы и содержание портфолио, свидетельствуют об общей квалификации модели. Как видно из Табл. 3, атрибут опыт, представленный в качестве категориальной переменной, статистически значим на 10% уровне значимости и отрицательно влияет (*) на вероятность выбора модели во время кастинга, то есть с увеличением опыта на 1-2 года вероятность ее выбора сокращается в среднем и при прочих равных. При этом косвенным показателем опыта и репутации в моделях I и II является качество портфолио модели, в котором представлены прошлые работы. По результатам оценивания можно судить о неустойчивости оценок параметров при атрибутах, характеризующих портфолио модели. В модели II видно (Приложение 4), что кастинг-менеджеры ценят портфолио среднего и высокого качества выше, чем отсутствие портфолио на 10% и 5% уровнях статистической значимости, соответственно.

В литературе отмечалось, что наличие определенных коммуникативных качеств у модели может по-разному влиять на вероятность выбора кандидата на кастинге. Группа навыков, характеризующих успешность коммуникации, были включены во все оцениваемые спецификации. Статистической значимостью параметров, характеризующих коммуникативные навыки, подтверждается гипотеза Н1 (см. Табл. 3). Из результатов оценивания видно, что у моделей, проявляющих свою харизму и инициативу (1,511***), а также обладающих дружелюбием (*) относительно больше шансов быть выбранной в процессе кастинга. Исходя из интервью с практиками бизнеса, был сделан вывод о неоднозначной оценки скромности модели, которая может быть принята за пассивность и отсутствие заинтересованности в работе. Однако оценка нейтрального коммуникативного качества «тихая» в модели I (Табл. 3) все же утверждает, что кастинг-менеджер скорее выберет тихую и неактивную кандидатуру в сравнении с «громкой» и грубой, при прочих равных характеристиках. Таким образом, наличие положительно-нейтральных коммуникативных качеств у модели увеличивают вероятность выбора модели кастинг-менеджером, при прочих равных условиях. Более того, в Приложении 4 с результатами оценки модели II наблюдается устойчивость взаимосвязи коммуникативных качеств и вероятности выбора: агентство ценит положительно-нейтральные качества относительно больше, чем отрицательные, при прочих равных условиях. Тезис о том, что представитель агентства обращает больше внимания на коммуникативные качества модели в сравнении с ростом косвенно не отклоняется в силу статистической незначимости роста (p-value = 0,855) для вероятности выбора.

Вопреки предположению о том, что параметры тела в первую очередь обращают на себя внимание агентства во время кастинга, переменная роста не влияет на выбор статистически значимо в модели I (см. Табл. 3). Однако результат не является устойчивым, так как в модели II (см. Приложение 4) коэффициент при переменной рост (0,093) демонстрирует статистическую значимость на 1% уровне. Более того, выбор модели по параметрам тела (рост, размер обуви) может варьироваться в зависимости от принадлежности модели к одной из типажных групп. Энтвистл и Виссингер (2006) утверждают, что требования к моделям коммерческого типажа являются менее строгими, чем к моделям модного (fashion) типажа (см. Рис. 1). В Таблице 4 (Приложение 4) представлены результаты модели II с совместным эффектом. Отсутствие статистически значимой взаимосвязи вероятности выбора и переменной с совместным эффектом модного типажа и парsаметров тела (роста и размера обуви) свидетельствует об отсутствии более строгих требований к моделям типажной группы модная в сравнении с базовой - коммерческой, что не дает оснований подтвердить истинность гипотезы Н1.2.

Статистическая незначимость группы параметров тела при влиянии на вероятность выбора модели (см. Табл. 3) опровергает ключевое предположение о важности физических параметров тела в модельном бизнесе (Entwistle, 2002; Entwistle, Wissinger, 2006; Godart, Mears, 2009). Отсутствие влияние роста на выбор вполне поддается реалистичному объяснению принимая предпосылку о том, что на рынок будут входит кандидаты, которые заранее информированы об основных требованиях к параметрам тела, присущим модельной индустрии. С другой стороны, такой результат можно объяснить выбором некорректной функциональной спецификации модели (необходимость включения параметров тела в нелинейном виде), так как показатель относительной важности атрибута (Рис. 3) свидетельствует о том, что именно вариативность роста на 33% определяет выбор респондента. Некорректное отображение уровней атрибута роста также может привести к его статистической незначимости.

Ранее было выдвинуто предположении о том, что коммерческие модели с большей вероятностью будут выбраны агентством, так как работа с такими моделями генерирует для агентства большую прибыль. Результаты оценивания модели II (см. Приложение 4) не подтверждают тот факт, что принадлежность модели к типажной группе модная (fashion) сокращает шансы модели во время кастинга, при прочих равных условиях. В силу статистической незначимости соответствующей дамми-переменной гипотеза Н2 не подтверждается. Оценка модели I (см. Табл. 3) дает более широкое представления о предпочтениях кастинг-менеджеров относительно типажных групп. Согласно классификации типажей (см. рис. 1), 2 группы - коммерческий и модный (о которых говорилось ранее) - делятся на коммерческий, классический и странный, сильный, бейби-фейс, соответственно. Модельное агентство скорее сделает выбор в пользу девушки с типажом бейби-фейс, сравнивая с базовым - странная; однако при выборе между коммерческой и странной, менеджер предпочтет скорее последнюю. Такие результаты несколько противоречат основной гипотезе о том, что коммерческие модели предпочтительнее модных моделей; однако сложно сделать окончательный вывод, так как часть переменных, отвечающих за типаж (см. Табл. 3), оказалась статистически незначимой. Это может быть объяснено особенностями собранных данных и выборки респондентов.

Отличительная эстетика каждого агентства и бренда налагает свои собственные ограничения на ряд типажей допустимых политикой, репутацией, концепцией агентств. (Entwistle, 2002; Entwistle, Wissinger, 2006; Godart, Mears, 2009). В ходе эксперимента были собраны данные о респондентах, которые характеризуют как самих менеджеров, так и модельные агентства, в которых они работают (см. Табл. 1). Модель смешанного логита была специфицирована таким образом, что выбор типажа, то есть среднее случайных коэффициентов при соответствующих переменных, объясняется индивидуальными характеристиками респондентов. Результаты в Приложении 5 показывают, что выбор типажа в некоторых случаях действительно зависит от характеристик менеджера и агентства. Так, более крупные модельные агентства чаще выбирают моделей коммерческого типажа (1,933) в сравнении со странным типажом. Региональные модельные агентства РФ с большей вероятностью отдадут предпочтение классическому, коммерческому и сильному типажам. Ожидаемой гетерогенности при выборе типажа модели между российскими и зарубежными агентствами выявлено не было, однако вариативность выбора типажа наблюдается между респондентами, занимающими разные позиции внутри своих агентств. Например, общий тренд проявляется в том, что скаут и кастинг-менеджер с большей вероятностью (0,86* и 2,21** соответственно) чем управляющий отдают предпочтение моделям коммерческого типажа (коммерческий и классический).

Объединить выявленные особенности спроса каждой группы в единую классификацию достаточно проблематично. Тем не менее, результаты оценивания модели латентных классов (модель III) (см. Приложение 6) сможет предложить альтернативное сегментирование менеджеров на 2 однородных класса. Модель латентных классов также может быть использована в качестве инструмента для проверки предыдущих результатов на устойчивость. Общие тенденции, выявленные в моделях I и II, находят отражение в модели III (см. Приложение 6). В большей степени это касается коммуникативных качеств модели, на которые агентство обращает внимание. При игнорировании скрытых классов в моделях I (см. Табл. 3) и II (см. Приложение 4), положительно-нейтральные коммуникативные качества статистически значимо положительно влияют на вероятность выбора модели на кастинге, что повторяет особенности предпочтений двух выделенных классов. При чем, представители класса 1 ценят дружелюбие и инициативность сильнее, чем представители класса 2. К особенностям класса 1 также можно отнести статистически значимое на 1% уровне положительное влияние роста на выбор, а также статистическая значимость качества портфолио на 1% уровне значимости. Отмечается положительное влияние качества портфолио: портфолио высокого качества ценится агентством относительно больше, чем портфолио среднего качества. Предпочтения относительно типажа модели схожи между двумя группами респондентов: типажи бейби-фейс и сильный положительно влияют на выбор агентства (базовый - странных) среди представителей обоих классов.

Сокращение показателя логарифма правдоподобия при оценке модели II может свидетельствовать о том, что данные не содержат достаточно информации, чтобы исключить неправдоподобное поведение респондентов (Train, 2016). Тем не менее, дополнительно для оценки объясняющего качества моделей были посчитаны показатели МакФаддена R2 и Псевдо- R2, которые выше для модели I: МакФадден R2 = 0,157 и Псевдо - R2 = 0,29. Таким образом, модели I, II, III сопоставимы по качеству, учитывая значения информационных критериев.

Основным практическим недостатком оцененных регрессионных моделей является сама процедура расчетов; модель смешанного логита представляется достаточно сложной для оптимизации по множеству параметров. Вероятно, что оценки, полученные на данных эксперимента, который предлагает выбрать моделей по их внешним признакам, склонны к гипотетическому смещению, так как респонденты могут находится по некоторым давлением и давать социально-ожидаемые ответы.

Ранее говорилось о том, что эксперимент в данной работе является немаркированным, что способствует тому, что респондент оценивает альтернативу исключительно по ее атрибутам. Однако такой тип эксперимента не позволяет оценить вложенную модель (nested logit), основанной на идее, что некоторые альтернативы могут быть объединены в несколько групп так, что случайные ошибки коррелированы внутри группы, но некоррелированы между группами. Вложенные модели также помогают преодолеть проблему IIA IIA - independence of irrelevant alternatives - предположение о независимости и идентичности распределения ошибки; в некоторых случаях дает некорректные оценки для интерпретации паттернов переключения между альтернативами. .



Заключение

В последнее время наблюдается растущий интерес молодых людей к трудоустройству в модельном бизнесе. Ключевым различием кастинга моделей от классической задачи отбора кандидатов на работу является смещение акцентов с традиционных атрибутов соискателей должности, отраженных в резюме и рекомендательных письмах (образование, квалификация, достижения и пр.) в сторону специфических для сферы модельного бизнеса (внешность, репутация, коммуникация). В данном исследовании предпринята попытка оценить особенности спроса модельных агентств на экспериментальных данных с помощью метода заявленных предпочтений кастинг-менеджеров.

Данные получены в ходе эксперимента дискретного выбора, в котором приняло участие 90 представителей модельных агентств из России и стран СНГ. С помощью методологии эксперимента дискретного выбора для респондентов было составлено 12 разных ситуаций выбора, имитирующих кастинг моделей, в каждой из которых представлено 4 альтернативы. Кандидатуры были описаны группами характеристик, которые были выявлены в предшествующем пилотном опросе. Всего собрано 4320 наблюдений. Применение метода заявленных предпочтений осложнено отсутствием строгих формализованных критериев отбора во время модельного кастинга. Именно с целью преодоления сложностей формализации критериев, описывающих особенности внешнего вида, в эксперимент выбора были добавлены изображения девушек моделей, которые характеризуют принадлежность к одной из типажных групп.

Для оценки заявленных предпочтений кастинг-менеджеров используются модели дискретного выбора - смешанный логит и модель латентных классов. Выбор смешанной логит спецификации обусловлен ее гибкостью в описании предпочтений сложного типа, при этом модель латентных классов позволяет учесть гетерогенность кастинг-менеджеров. Посредством оценивания на экспериментальных данных регрессионных моделей дискретного выбора были сделаны следующие выводы относительно 4-х выделенных групп параметров: параметры тела, профессиональная квалификация (опыт, отзывы, репутация), профессиональные качества (походка) и коммуникативные навыки (навыки общения и взаимодействия в команде).

Группа параметров, характеризующих коммуникативные навыки, характеристики внешности и профессиональную квалификацию модели устойчиво значимы во всех моделях. Однако внутри групп переменных, описывающих качество портфолио, опыт работы в бизнесе (профессиональная квалификация) и типаж (параметры тела), эффекты различаются статистической значимостью между регрессионными моделями. Модель латентных классов позволила сегментировать представителей модельных агентств на классы по оцененным заявленным предпочтениям. По результатам оценивания было выявлено, что кастинг-менеджеры гетерогенны и их можно разбить на 2 класса. При чем 1 класс отличается склонностью к выбору более высоких моделей, а также определенных коммерческой типажной группы. Представители 1-го класса описаются на портфолио при выборе модели и ценят его высокое качество, что отличает их от представителей 2-го класса. При этом оба класса приблизительно одинаково ценят положительно-нейтральные коммуникативные навыки модели. Таким образом, анализ заявленных предпочтений кастинг-менеджеров в модельном бизнесе частично подтверждает особенности спроса, выявленные в социологической литературе: характеристики внешности, коммуникативные качества, опыт работы определяют выбор агентства по время модельного кастинга.

Эксперимент дискретного выбора ранее использовался в большом количестве маркетинговых исследований, главной целью которых являлось моделирование спроса на продукт. Практическая значимость результатов текущей работы заключается в выявлении взаимосвязей между определенными специфическими характеристиками модели и вероятностью выбора кандидатуры с соответствующим набором характеристик. Знания о предпочтениях кастинг-менеджеров прежде всего полезно для тех моделей, которые только входят на рынок. Важным выводом также является сегментирование агентств, в результате которого выявлено 2 класса агентств, которые обладают статистически значимо разными предпочтениями. Полученные знания о предпочтениях помогут сформулировать особенности спроса на рынке моделей в модной индустрии и выявить некоторые тенденции и закономерности в процессе кастинга.

Основным ограничением исследований, использующих эксперимент дискретного выбора и данные о заявленных предпочтениях, как в данной работе, является невозможность оценить параметры, не включённые в дизайн исследований и оцениваемую регрессионную модель (Adamowicz et al., 1998). Таким образом, качество опроса во многом определяется тем, насколько богат эмпирический опыт исследования определенного рынка. В случае данного исследования, выбор атрибутов основывался на социологических исследованиях и пилотном опросе, при отсутствии какого-либо эмпирического опыта. Ограничения подобного рода всегда будут присутствовать в работах с экспериментом дискретного выбора; однако преодолеть их возможно исключительно путем продолжающейся работы над исследованием атрибутов такого или иного товара или услуги.

Дальнейшее развитие исследования также возможно с точки зрения эмпирической части работы. Кажущаяся гибкость и практическая общность модели смешанного логита ограничена трудностью определения и оценки распределений параметров (Тrain, 2016). Подавляющее большинство исследований использовали нормальные и логнормальные распределения при аппроксимации характеристик альтернатив; Лювьер и др. (2008) критикуют в своем исследовании использование нормального распределения в смешанной логит спецификации. Более того, ни одно из параметрических распределений не может с полной точностью описать распределение параметра. Фосгерау и Мабит (2013) и Трейн (2016) предлагают в своих работах использовать смешение распределений, используя непараметрические методы задания распределения случайных коэффициентов: метод полиномов и сплайны.

Тем не менее, проблема моделирования случайный коэффициентов указывает на потребность в более богатых данных. По мнению Трейна (2016), смещение акцента в будущих исследованиях с разработки методов моделирования параметров будет способствовать разработке иных форм данных о предпочтениях, которые более четко раскрывают распределение предпочтений потребителей. Анализ спроса может быть основан на данных двух типов: о выявленных и заявленных предпочтениях. Адамович и др. (1997) отмечают, что важна согласованность (сонаправленность) результатов обоих методов в рамках исследовательского вопроса; тем более, сбор информации об обоих типах данных представляется трудоемкой исследовательской задачей. Однако использование смешанных данных о предпочтениях (RP и SP) в будущем исследовании позволит получить более надежные результаты и нивелировать эффект гипотетического смещения и, как следствие, переоценки параметров спроса.

Сегментирование выборки респондентов, в результате которого выявлено 2 класса агентств, обладающих статистически значимо разными предпочтениями, может отличаться от истинного разделения на генеральной совокупности. Поиск оптимального количество латентных классов также подразумевает потребность в большем количестве наблюдений, а также информации о респондентах.

Целью будущих работ может являться преодоление ограничений исследования путем моделирования процесса отбора на кастинге как процесс состоящий из двух этапов, где первый этап - это оценка общих параметров тела, типажа и последующий отбор, а второй - выбор модели из оставшихся кандидатов по оставшимся критериям. Оценивание динамических моделей бинарного выбора требует особой процедуры проведения эксперимента выбора и сбора данных о предпочтениях. Однако такой подход приблизит условия эксперимента к реальным условиям отбора моделей во время кастинга и, как следствие, позволит получить данные, отражающие реальные паттерны поведения кастинг-менеджеров в ситуации выбора.



Список литературы

1. Adamowicz, W.L., 1994. Habit Formation and Variety Seeking in a Discrete Choice Model of Recreation Demand. Journal of Agricultural and Resource Economics 19, 19-31.

2. Adamowicz, W., Louviere, J., Swait, J., 1998. Introduction to Attribute-Based Stated Choice Methods.

3. Adamowicz, W., Swait, J., Boxall, P., Louviere, J., Williams, M., 1997. Perceptions versus Objective Measures of Environmental Quality in Combined Revealed and Stated Preference Models of Environmental Valuation. Journal of Environmental Economics and Management 32, 65-84.

4. Becker, G.S., 1962. Investment in Human Capital: A Theoretical Analysis. Journal of Political Economy 70, 9-49.

5. Bekker-Grob, E.W.D., Hol, L., Donkers, B., Dam, L.V., Habbema, J.D.F., Leerdam, M.E.V., Kuipers, E.J., Essink-Bot, M.L., Steyerberg, E.W., 2010. Labeled versus Unlabeled Discrete Choice Experiments in Health Economics: An Application to Colorectal Cancer Screening. Value in Health 13, 315-323.

6. Biesma, R.G., Pavlova, M., van Merode, G.G., Groot, W., 2007. Using conjoint analysis to estimate employers preferences for key competencies of master level Dutch graduates entering the public health field. Economics of Education Review 26, 375-386.

7. Borchers, A.M., Duke, J.M., Parsons, G.R., 2007. Does willingness to pay for green energy differ by source? Energy Policy 35, 3327-3334.

8. Brown, B.W., Walker, M.B., 1989. The Random Utility Hypothesis and Inference in Demand Systems. Econometrica 57, 815-829.

9. Bullock, C.H., Scott, M., Gkartzios, M., 2011. Rural residential preferences for house design and location: insights from a discrete choice experiment applied to Ireland. Journal of Environmental Planning and Management 54, 685-706.

10. Cameron, A.C., Trivedi, P.K., 2005. Microeconometrics: Methods and Applications. Cambridge University Press, 456-500.

11. Campbell, D., Erdem, S., 2018. Including Opt-Out Options in Discrete Choice Experiments: Issues to Consider. Patient 12, 1-14.

12. Carson, R.T., Louviere, J.J., 2011. A Common Nomenclature for Stated Preference Elicitation Approaches. Environ Resource Econ 49, 539-559.

13. Dean, D., 2005. Recruiting a self: women performers and aesthetic labour. Work, Employment and Society 19, 761-774.

14. Entwistle, J., 2002. The Aesthetic Economy: The production of value in the field of fashion modelling. Journal of Consumer Culture 2, 317-339.

15. Entwistle, J., Wissinger, E., 2006. Keeping up Appearances: Aesthetic Labour in the Fashion Modelling Industries of London and New York. The Sociological Review 54, 774-794.

16. Eriksson, S., Johansson, P., Langenskiцld, S., 2017. What is the right profile for getting a job? A stated choice experiment of the recruitment process. Empir Econ 53, 803-826.

17. Favaro, D., Frateschi, C., 2007. A discrete choice model of consumption of cultural goods: the case of music. J Cult Econ 31, 205-234.

18. Flynn, T.N., Bilger, M., Malhotra, C., Finkelstein, E.A., 2016. Are Efficient Designs Used in Discrete Choice Experiments Too Difficult for Some Respondents? A Case Study Eliciting Preferences for End-of-Life Care. PharmacoEconomics 34, 273-284.

19. Fosgerau, M., Mabit, S.L., 2013. Easy and flexible mixture distributions. Economics Letters 120, 206-210.

20. Gerds, M., 2012. Requirements towards and Discrimination against Agricultural Workers - Evidence from a Discrete Choice Experiment among East German Farms. Agricultural Economics Review 13, 48-75.

21. Ghosh, S., Maitra, B., Das, S.S., 2013. Effect of Distributional Assumption of Random Parameters of Mixed Logit Model on Willingness-to-Pay Values. Procedia - Social and Behavioral Sciences 104, 601-610.

22. Godart, F.C., Mears, A., 2009. How Do Cultural Producers Make Creative Decisions? Lessons from the Catwalk. Social Forces 88, 671-692.

23. Green, C., Gerard, K., 2009. Exploring the social value of health-care interventions: a stated preference discrete choice experiment. Health Economics 18, 951-976.

24. Greene, W.H., Hensher, D.A., 2003. A latent class model for discrete choice analysis: contrasts with mixed logit. Transportation Research Part B: Methodological 37, 681-698.

25. Greene, W.H., Hensher, D.A., Rose, J., 2006. Accounting for heterogeneity in the variance of unobserved effects in mixed logit models. Transportation Research Part B: Methodological 40, 75-92.

26. Hensher, D.A., 2001. The valuation of commuter travel time savings for car drivers: evaluating alternative model specifications. Transportation 28, 101-118.

27. Hensher, D.A., Greene, W.H., 2003. The Mixed Logit model: The state of practice. Transportation 30, 133-176.

28. Hess, S., Polak, J.W., 2005. Distributional assumptions in mixed logit models (Report), Arbeitsberichte Verkehrs und Raumplanung. Eidgenцssische Technische Hochschule Zьrich, IVT, Institut fьr Verkehrsplanung und Transportsysteme, 1-26.

29. Humburg, M., van der Velden, R., 2015. Skills and the graduate recruitment process: Evidence from two discrete choice experiments. Economics of Education Review 49, 24-41.

30. Kamakura, W.A., Russell, G.J., 1989. A Probabilistic Choice Model for Market Segmentation and Elasticity Structure. Journal of Marketing Research 26, 379-390.

31. Lancaster, K.J., 1966. A New Approach to Consumer Theory. Journal of Political Economy 74, 132-157.

32. Lancsar, E., Louviere, J., 2008. Conducting Discrete Choice Experiments to Inform Healthcare Decision Making. Pharmacoeconomics 26, 661-677.

33. Louviere, J.J., Flynn, T.N., Carson, R.T., 2010. Discrete Choice Experiments Are Not Conjoint Analysis. Journal of Choice Modelling 3, 57-72.

34. Louviere, J.J., Hensher, D.A., 1983. Using Discrete Choice Models with Experimental Design Data to Forecast Consumer Demand for a Unique Cultural Event. Journal of consumer research 10, 348-360.

35. Louviere, J.J., Hensher, D.A., Swait, J.D., 2000. Stated choice methods: analysis and applications. Cambridge University Press, Cambridge, 20-189.

36. Louviere, J.J., Pihlens, D., Carson, R., 2011. Design of Discrete Choice Experiments: A Discussion of Issues That Matter in Future Applied Research. Journal of Choice Modelling 4, 1-8.

37. Louviere, J.J., Street, D., Burgess, L., Wasi, N., Islam, T., Marley, A.A.J., 2008. Modeling the choices of individual decision-makers by combining efficient choice experiment designs with extra preference information. Journal of Choice Modelling 1, 128-164.

38. Luce, R.D., 1959. On the possible psychophysical laws. Psychological Review 66, 81-95.

39. Luce, M.F., 1998. Choosing to Avoid: Coping with Negatively Emotion-Laden Consumer Decisions. J Consum Res 24, 409-433.

40. Malhotra, N., Birks, D., 200. Marketing Research: an applied approach. Pearson Education, 1-835.

41. Manski, C.F., 1977. The structure of random utility models. Theor Decis 8, 229-254.

42. Marley, A.A.J., 1968. Some probabilistic models of simple choice and ranking. Journal of Mathematical Psychology 5, 311-332.

43. McFadden, D., 1974. The measurement of urban travel demand. Journal of Public Economics 3, 303-328.

44. McFadden, D., 1986. The Choice Theory Approach to Market Research. Marketing Science 5, 303-328.

45. McFadden, D., Train, K., 2000. Mixed MNL models for discrete response. Journal of Applied Econometrics 5(4), 275-297



Приложение

Пример типажей



Пример ситуации выбора

Описание переменных

Группа переменных	Название переменной	Обозначение	Пояснение
Атрибуты моделей
Типаж	Классический	type_class	где 1-классический типаж, 0 - в противном случае
	Комерческий	type_comm	где 1-коммерческий типаж, 0 - в противном случае
	Бейби-фейс	type_baby	где 1- типаж бейби-фейс, 0 - в противном случае
	Странный	type_strange	где 1-странный типаж, 0 - в противном случае
	Сильный	type_strong	где 1-сильный типаж, 0 - в противном случае
Коммуникативные качества	Закрытая	silent	где 1-закрытая в общении, 0 - в противном случае
	Дружелюбная	friendly	где 1- дружелюбная, 0 - в противном случае
	Харизматичная	harizma	где 1-харизматичная, 0 - в противном случае
	Грубая	rude	где 1-грубая в общении, 0 - в противном случае
Опыт работы	Меньше полугода	exp	где 1-меньше полугода, 2 - 1-2 года, 3 - более 3 лет
	1-2 года
	Более 3 лет
Портфолио	Нет работ	no_exp	где 1-нет работ в портфолио, 0 - в противном случае
	Работала для продуктовой сети	bad_exp	где 1-работы в портфолио низкого качества, 0 - в противном случае
	Работала для зарубежного Cartier	good_exp	где 1-есть работы с зарубежным крупным брендом, 0 - в противном случае
	Работала для Vogue Russia	some_exp	где 1-есть работы с крупным российским брендом, 0 - в противном случае
Рост	168 - 171 - 175 - 180 - 182	hei	в см
Размер обуви	36	foot	где 1- 36, 2 - (37-39), 3 - 41
	(37-39)
	41
Походка	Навык походки	walk	где 1-наличие навыка, 0 - в противном случае
Характеристики модельного агентства
Позиция респондента в агентстве	Скаут	q2o1	где 1-респондент скаут, 0 - в противном случае
	Букер	q2o2	где 1-респондент букер, 0 - в противном случае
	Кастинг-менеджер	q2o3	где 1-респондент к-менеджер, 0 - в противном случае
	Управляющий	q2o4	где 1-респондент управляющий, 0 - в противном случае

Главный офис находится в	Москве, СПб	q3o1	где 1-гл.офис в Москве или СПб, 0 - в противном случае
	Заграницей	q3o2	где 1-гл.офис заграницей, 0 - в противном случае
	Регион РФ	q3o3	где 1-гл.офис в регионе РФ, 0 - в противном случае
Размер агентства	Крупное	q4o1	где 1-крупное агентство, 0 - в противном случае
	Некрупное	q4o2	где 1-некрупное агентство, 0 - в противном случае
Опыт работы респондента в бизнесе	Менее 1 года	q5o1	где 1-опыт работы меньше 1 года, 0 - в противном случае
	1-2 года	q5o2	где 1-опыт работы 1-2 года, 0 - в противном случае
	3 года и более	q5o3	где 1-опыт работы 3 года и более, 0 - в противном случае

Результаты оценивания модели II Модели допускают корреляцию между случайными параметрами, распределенными нормально, но эти результаты не показаны.

	Оценка	Ст. ошибка	Pr(>|z|)
Совместный эффект параметра тела и типажа
Рост*модный	cond. mean	0,009	0,025	0,710
Размер ноги*модный	cond. mean	-0,147	0,146	0,315
Параметры тела
Рост	cond. mean	0,093	0,020	0,000	***
	s.d.	0,007	0,002	0,003	**
Размер обуви	cond. mean	-0,034	0,113	0,760
	s.d.	0,278	0,0840239	9,4*	***
Типаж модный	cond. mean	-1,439	4,259	0,735
	s.d.	0,183	0,256	0,475
Профессиональная квалификация
Опыт (в годах)	cond. mean	-0,002	0,092	0,984
	s.d.	-0,047	0,150	0,753
Качество портфолио
Пустое портфолио	cond. mean	0,151	0,188	0,423
	s.d.	0,143	0,237	0,546
П. среднего качества	cond. mean	0,372	0,167	0,026	*
	s.d.	-0,231	0,205	0,260
П. высокого качества	cond. mean	0,374	0,143	0,009	**
	s.d.	1,006	0,242	0,000	***
Профессиональные навыки
Походка	cond. mean	-0,143	0,165	0,387
	s.d.	0,339	0,163	0,037	*
Коммуникативные навыки
Харизматичная	cond. mean	1,126	0,148	0,000	***
	s.d.	0,424	0,281	0,131
Дружелюбная	cond. mean	0,961	0,151	0,000	***
	s.d.	-0,289	0,314	0,358
Тихая, неактивная	cond. mean	0,291	0,157	0,064	*
	s.d.	0,044	0,384	0,910
Количество наблюдений: 1080 (90 респондентов x 12 ситуаций выбора) Логарифм функции правдоподобия: -1251.1 Информационный критерий Акаике = 2652.18 Информационный критерий Шварца = 3026.035 МакФадден R2 = 0.12 Псевдо - R2 = 0.24
Уровни значимости: * - 10% уровень, ** - 5% уровень, *** - 1% уровень
Базовые категории: для портфолио - низкое качество, для коммуникации - грубая, для типажа - странная.
Модель оценена на 100 симуляциях.

		Оценка	Ст. ошибка	z-value	Pr(>|z|)
типаж : коммерческий
позиция респондента	коммерческий*скаут	0,861	0,480	1,796	0,072	*
	коммерческий*к-менеджер	2,209	0,704	3,140	0,002	**
	коммерческий*букер	-0,099	0,658	-0,151	0,880
происхождение МА МА - модельное агентство	коммерческий*зарубежное МА	0,556	0,686	0,811	0,418
	коммерческий*регион. МА	2,664	0,549	4,849	0,000	***
размер	коммерческий*крупное МА	1,933	0,518	3,732	0,000	***
типаж : бейби-фейс
позиция респондента	бейби-фейс*скаут	0,089	0,406	0,218	0,827
	бейби-фейс*к-менеджер	-0,311	0,669	-0,464	0,642
	бейби-фейс*букер	-0,872	0,528	-1,652	0,099	*
происхождение МА	бейби-фейс*зарубежное МА	0,449	0,524	0,858	0,391
	бейби-фейс*регион. МА	0,447	0,469	0,953	0,341
размер	бейби-фейс*крупное МА	0,213	0,427	0,500	0,617
типаж : сильный
позиция респондента	сильны...

Подобные документы

• Методы выбора проектов

  Значение метода выбора проектов. Принятие организационных решений. Методы и средства инициации. Экономическая, организационная, социальная, правовая и технологическая сущность метода выбора проектов. Классическая форма Тройственной Ограниченности.
  
  контрольная работа [1,5 M], добавлен 23.11.2011
  

• Сущность и понятия стратегического управления турфирмой

  Методика выбора стратегии управления туристической фирмой, анализ ее внешней и внутренней среды, формирование миссии и установление основных целей. Повышение квалификации менеджеров при решении задач от корпоративного уровня до отдельных сфер бизнеса.
  
  курсовая работа [67,7 K], добавлен 14.03.2011
  

• Основные модели стратегического выбора на примере предприятия ООО СПП "Фламинго"

  Содержание, принципиальные особенности и сферы применения основных моделей стратегического выбора. Анализ основных показателей производственно-экономической деятельности. Процесс финансового планирования и качество принимаемых управленческих решений.
  
  курсовая работа [80,3 K], добавлен 18.12.2009
  

• Рынок труда топ-менеджмента и доходность акций компании

  Роль топ-менеджеров в управлении компанией. Необходимые качества, которые делают топ-менеджера успешным. Анализ текущей ситуации на рынке труда топ-менеджеров. Разработка критериев тестирования эффективности менеджеров на базе классической модели.
  
  дипломная работа [1,4 M], добавлен 30.11.2016
  

• Использование жанра и метода интервью при подборе персонала

  Классификации социологических методов исследования. Принципы проведения интервью при подборе персонала в организацию, как наиболее целесообразного и эффективного способа. Ключевые вопросы интервьюирования при подборе сотрудников и их последовательность.
  
  реферат [29,4 K], добавлен 23.11.2010
  

• Управление изменениями в организации

  Определение, концепция, области применения изменений. Модели управления изменениями "Теория Е" и "Теория О". Повышение эффективности деятельности предприятия путем проведения изменений на основе интегрального метода изменений по модели TPS Рамперсада.
  
  дипломная работа [1,9 M], добавлен 22.03.2009
  

• Характер выбора решений и условия управленческого взаимодействия участников организации

  Характеристика понятия выбора управленческого решения. Анализ условий качественного решения. Изучение основных требований, предъявляемых к решениям. Исследование особенностей влияния выбора решений на управленческое взаимодействие участников организации.
  
  контрольная работа [31,4 K], добавлен 26.04.2013
  

• Выработка конкурентной стратегии в ЗАО "Фирма АТТО"

  Теоретические основы применения, сущность, понятие и виды конкурентных стратегий в бизнесе. Борьба за выживание и расширение бизнеса, процессы глобализации и интеграции бизнеса, факторы выбора конкурентной стратегии на основе стратегической сегментации.
  
  курсовая работа [80,3 K], добавлен 23.01.2011
  

• Исследование практики применения современных технологий управления бизнеса

  Контроллинг как современная технология управления. Сравнительный анализ традиционных теорий мотивации. Модель жизнеспособной фирмы С. Бира. Разработка материалов для проведения опроса. Обработка ответов относительно сведений опрашиваемых предприятий.
  
  дипломная работа [1,6 M], добавлен 16.07.2013
  

• Определение и реализация модели стратегического выбора (на примере ОАО "Агрокомбинат "Дзержинский")

  Рациональная модель стратегического управления. Типовые конкурентные стратегии по М. Портеру. Сравнительный анализ моделей стратегического выбора. Разработка и экономическое обоснование новой продукции. Разработка рекомендаций по рекламной кампании.
  
  курсовая работа [250,1 K], добавлен 21.12.2017
  

• Обоснование выбора стратегии на примере высокотехнологичной стартап-компании "Soldermaterials"

  Понятие, виды стартапов. Сущность технологического предпринимательства. Информационно-аналитическое и финансовое обоснование выбора стратегии, этапы и специфика ее построения. Анализ уровня конкуренции по модели конкурентных сил Портера для предприятия.
  
  дипломная работа [251,5 K], добавлен 27.11.2017
  

• Процесс принятия решения

  Проблемы выбора рационального управленческого решения в уникальных ситуациях. Анализ механизма принятия и реализации решения, его методы и модели. Дерево решений проблемы выбора стратегии поведения. Факторы, оказывающие влияние на принятие решения.
  
  курсовая работа [260,8 K], добавлен 05.07.2016
  

• Интервью при приеме на работу

  Понятие и значение интервьюирования в анализе персонала, принципы и правила его организации и этапы проведения. Характеристика деятельности Администрации Ленинского района, особенности использования интервью и разработка проекта данных мероприятий.
  
  курсовая работа [88,4 K], добавлен 17.03.2015
  

• Метод кейсов в оценке персонала

  Признаки и цели кейс-метода. Критерии выбора и классификация кейсов. Процедура проведения и принципы использования кейс-методов. Использование кейс-метода в оценке персонала, его преимущества. Достоинства кейс-метода и трудности его использования.
  
  реферат [56,3 K], добавлен 16.03.2015
  

• Подготовка и проведение деловых встреч, приемов

  Эффективное проведение деловой встречи. Варианты выбора места проведения деловых встреч. Состав делегации. Материалы для обсуждения. Расстановка и оборудование столов. Приёмы и их сущность. Раскладка на официальных приемах с хозяйкой, а также без нее.
  
  курсовая работа [202,2 K], добавлен 22.01.2014
  

• Профессиональная мотивация студентов-менеджеров

  Социально-психологические особенности студентов, специфика мотивации их профессионального выбора. Организация эмпирического исследования ведущих мотивов профессиональной деятельности и динамики профессиональной мотивации у студентов–менеджеров.
  
  курсовая работа [54,1 K], добавлен 25.03.2011
  

• Особенности подбора и адаптации менеджеров по туризму среди выпускников ВУЗов

  Особенности выбора кандидатов на замещение вакантного рабочего места, сущность и стандартный процесс отбора. Сбор справок о кандидате и проведение собеседования с линейным руководителем. Программа и виды адаптации и прикладные методы отбора персонала.
  
  дипломная работа [1,2 M], добавлен 12.10.2010
  

• Теоретические и организационно-методические аспекты выбора и оценки стратегических направлений развития территории

  Анализ инструментальных средств поддержки выбора и оценки стратегических направлений развития территории. Разработка информационно-аналитической базы выбора, анализ и оценка стратегических направлений развития Тасеевского района Красноярского края.
  
  дипломная работа [3,9 M], добавлен 30.01.2013
  

• Основные критерии выбора поставщика

  Сущность закупочной логистики. Понятие процесса выбора поставщиков. Главные критерии, на которых необходимо строить систему выбора поставщика. Качество обслуживания. Условия платежа и возможность внеплановых поставок. Надежность снабжения товарами.
  
  курсовая работа [27,4 K], добавлен 10.01.2014
  

• Метод экспертного многокритериального оценивания. Метод анализа иерархий Томаса Саати

  Рассмотрение правил выбора проекта для инвестирования с использованием метода анализа иерархий. Формулирование задачи выбора. Расстановка оценок объектов по критериям и уровням иерархии. Итоговое свертывание по нормированным оценкам и принятие решения.
  
  практическая работа [428,1 K], добавлен 30.06.2014
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам