5. İSTATİSTİK BU RESMİN NERESİNDE?

Yukarıdaki hesapların hepsi bir varsayıma yaslanır: "Bu etki sponsorluktan geldi." İstatistik, tam olarak bu varsayımı sınamamıza yardım eder.

5.1. Önce–Sonra Ölçümü ve Hipotez Testi

Sponsorluk öncesi ve sonrasında aynı kişilere uygulanan bir anketle satın alma niyetini ölçtüğümüzü düşünelim. 5'li ölçekte ortalama 3,10'dan 3,35'e çıkmış olsun. Fark 0,25 puandır. Bu fark gerçek mi, yoksa örneklemden kaynaklanan bir tesadüf mü?

Bunu eşleştirilmiş t-testi ile sınarız. Sıfır hipotezi "ortalama fark sıfırdır", alternatif hipotez "fark sıfırdan farklıdır" şeklindedir. Varsayımsal veriler: 400 kişi, farkların standart sapması 1,2 olsun.

Standart hata = 1,2 / √400 = 0,06

t = 0,25 / 0,06 ≈ 4,17 → p < 0,001

� güven aralığı: 0,25 ± 1,96 × 0,06 ≈ [0,13 ; 0,37]

İstatistiksel olarak anlamlı bir artış var. Ama bu noktada bir yorum hatasından kaçınmak gerekir. İstatistiksel anlamlılık, etkinin büyük olduğu anlamına gelmez. Etki büyüklüğüne (Cohen'in d'si ≈ 0,25 / 1,2 ≈ 0,21) bakıldığında etki küçük sayılır. Büyük bir örneklemle küçük etkiler de "anlamlı" çıkar. Yönetim kuruluna sunulacak yorum şu olmalıdır: "Niyet artışı tesadüfle açıklanamıyor, ancak büyüklüğü mütevazı."

Anketlerde iki ek uyarı gerekir. Yardımlı ve yardımsız hatırlama farklı şeyleri ölçer: markayı listeden tanımak ile kendiliğinden akla getirmek aynı güçte değildir. Ayrıca sosyal beğenirlik etkisi nedeniyle, kişiler sponsorluğu bildiklerinde "daha olumlu" yanıt verme eğilimi gösterebilir.

5.2. Örneklem: Kime Sorduğunuz Ne Sorduğunuzdan Önemlidir

Anket temelli ölçümlerin güvenilirliği örneklemin temsil gücüne bağlıdır. Yalnızca stadyuma gelen taraftarlara yapılan bir anket, sponsorluğun geniş kitledeki etkisi hakkında sağlıklı sonuç vermez. Bu kitle zaten kulübe ve sponsora daha yakındır.

Pratik yaklaşım, hedef kitlenin ana alt gruplarını (yaş, bölge, taraftarlık düzeyi, spor izleme sıklığı) tabakalar halinde ele alan tabakalı örnekleme kullanmaktır. Örneklem büyüklüğü için de kabaca bir fikir vermek mümkündür: � güven düzeyinde ve ±%5 hata payında, oran tahmini için yaklaşık 385 kişi gerekir. Alt grupları ayrı ayrı yorumlamak istiyorsanız, her alt grup için yeterli sayıda gözlem toplamalısınız.

5.3. Korelasyon ve Regresyon

Pazarlama harcaması ile bilet ya da ürün satışları arasındaki ilişkiyi basit doğrusal regresyonla (y = a bx) modelleyebiliriz. Katsayı b, harcamadaki bir birimlik artışın satışta ortalama ne kadar değişim yarattığını; R² ise satıştaki değişimin ne kadarının modelle açıklandığını gösterir. Örneğin b = 1,8 ve R² = 0,42 çıkmışsa, "harcamadaki her 1 TL artışa ortalama 1,8 TL ek bilet geliri eşlik ediyor; ancak değişimin X'i bu model dışında kalan etkenlerle açıklanıyor" deriz.

Bu noktada en önemli uyarı klasiktir: Korelasyon nedensellik değildir. Şampiyonluk yarışındaki bir takımın hem taraftar ilgisi hem sponsor görünürlüğü hem de bilet satışları aynı anda artar. Sponsorluk harcaması ile satış arasındaki güçlü ilişki, gerçekte "başarı" değişkeninin iki tarafı da etkilemesinden kaynaklanabilir.

Bunun çözümü çoklu regresyondur. Modele kontrol değişkenlerini (lig sırası, rakibin........

© Yeni Birlik