Типология специалистов e-learning

Задачи поста:

1. показать, какие у меня получились типологии специалистов e-learning. 
2. показать новый для многих метод обработки опросов - исследований. В некотором смысле можно говорить о создании модели компетенций в таком формате.

Описание кейса

На клиентском портале компании Websoft (кто не знает, компания специализируется на системах дистанционного обучения) проходил опрос среди клиентов компании:

Мы проанализировали раздел «требования» вакансий на позицию «специалист e-learning», собрали требования в наиболее обобщенном виде (в нижеследующем списке нет системы – это просто наиболее распространенные требования, расположенные в алфавитном порядке). Просим Вас выбрать не более пяти требований, которые являются наиболее важными для специалиста e-learning с Вашей т.з.. НЕ БОЛЕЕ ПЯТИ

Варианты ответов (требования к специалисту e-learning) были такие

1. анализ.информации
2. владение.методиками.обучения.взрослой.аудитории
3. высшее.образование
4. гибкое.мышление
5. знание.excel
6. знание.баз.данных
7. знание.педагогического.дизайна
8. знание.психологии.восприятия.и.рекламы
9. знания.графических.пакетов.Photoshop..Photopaint.и.др.
10. знания.основ.программирования.на.языках.HTML..CSS..javascript
11. инициативность
12. коммуникативные.навыки
13. мотивация.обучаемых
14. навыки.сбора.информации
15. ответственность
16. оценка.эффективности.обучения
17. саморазвитие.и.самообучение
18. системное.мышление
19. творческое.мышление
20. управление.проектами

Обращаю ваше внимание: я использовал малти чойс - множественный выбор. Всего проголосовало 72 респондента.
Стандартно результаты считаются так

Результат кому -то может показаться интересным, но можно двинуться дальше. Наверное, многие задумывались над тем, что можно как то представить следующий анализ:
каждый респондент руководствуется определенной логикой, определенное требование может идти в логической увязке с другими какими либо качествами. Из набора выбираемых качеств можно получать определенные ансамбли. Ну т.е. с пунктом "знание excel" наверное может следовать пункт "знание баз данных" и т.п.. Таким образом мы можем получить информацию фактически о типах специалистов в представлении респондентов.
Кроме того, мы можем получить информацию о самих респондентах: кто из них какой "тип" специалиста выбирает, кто ему "симпатичней".
Итого мы можем получить два вида информации:

1. какие качества с какими выбирают чаще, и на сочетании разных выборов получить представления о типах e-learning специалистов
2. какие респонденты какие качества выбирают чаще, что даст нам информацию о предпочтениях самих респондентов.

В этом месте мне бы хотелось, чтобы у вас, читатели. включилась фантазия, как это можно использовать в корпоративных исследованиях.

Кластерный анализ

На языке статистики эта процедура называется кластерный анализ (или "тип" = "кластер"). И в нашем кейсе это иерархический кластерный анализ, который дает такую визуализацию результатов

Номер обозначает номер респондента, а расположение обозначает схожесть их взглядов. Т.е. респонденты 10 и 65 имею очень схожие взгляды. Но при этом картинка неудобоваримая, поэтому, более визуабельной будет вот такая таблица.
Я посчитал, что для описания типов можно ограничиться в нашем случае тремя кластерами / типами, хотя максимальное количество кластеров равно количеству респондентов, минимальное - одному. Я взял три.
В строках таблицы указаны факторы (требования к специалисту e learning), колонки обозначают кластеры / типы, а в ячейках указан вес того или иного требования в типе / кластере. Вес измеряется от 0 до 1. Чем ближе к единице, тем вес фактора сильнее. Зеленым цветом я выделил те значения влияния, которые являются существенными. Мы видим, что "высшее образование" не представлено ни в одном факторе, т.е ни в одном типе не требуется высшее образование в понимании экспертов. С другой стороны, фактор "знания.основ.программирования.на.языках.HTML..CSS..javascript" обладает сильным весом сразу в двух факторах - втором и третьем. И т.п...
Особый интерес вызывает смысловая интерпретация типов. Не буду вдаваться в подробности, нов  моей голове эти типы сложились в такие названия:

• 1 тип - "педагог - психолог";
• 2 тип - "творец";
• 3 тип - "технарь"

* смотрите во втором приложении анализ выборов
Как бы вы назвали данные типы?
И думаю, что респондентам было бы крайне интересно узнать, к какому типу / кластеру можно отнести их выбор
ПыСы. Вы уже подумали, как можно этот метод обработки опросов использовать в корпоративных опросах?

Приложение 1. Таблица типологий специалистов e-learning

	1 тип	2 тип	3 тип
анализ информации	0.29	0.52	0.47
владение методиками обучения взрослой аудитории	0.43	0.26	0.16
высшее образование	0.07	0.00	0.11
гибкое мышление	0.25	0.17	0.32
знание excel	0.04	0.04	0.37
знание баз данных	0.00	0.00	0.42
знание педагогического дизайна	0.71	0.57	0.11
знание психологии восприятия и рекламы	0.11	0.09	0.00
знания графических пакетов Photoshop  Photopaint и др	0.18	0.78	0.26
знания основ программирования на языках HTML  CSS  javascript	0.14	0.91	0.79
инициативность	0.11	0.04	0.05
коммуникативные навыки	0.32	0.00	0.16
мотивация обучаемых	0.25	0.13	0.00
навыки сбора информации	0.43	0.17	0.26
ответственность	0.18	0.22	0.42
оценка эффективности обучения	0.11	0.13	0.16
саморазвитие и самообучение	0.57	0.52	0.37
системное мышление	0.25	0.35	0.42
творческое мышление	0.39	0.78	0.05
управление проектами	0.25	0.04	0.42

Приложение 2

У меня сразу родилась идея, что тип технаря значимо чаще выбирают мужчины. Вот какая картинка у меня получилась

Названия строк	Ж	М
педагог - психолог	14	14
творец	12	11
технарь	4	15

Обращаюсь в первую очередь к тем, кто учился на моем семинаре Аналитика для HR (пишите edvb@yandex.ru - для тех, кто не был на семинаре, но хотел бы попасть): можем ли мы говорить о наличии взаимосвязи между принадлежностью выбора респондента к определенному кластеру и полом респондента?

Прошу решивших эту задачку не писать в комментах: все равно не опубликую с тем, чтобы не умеющие решать мучились бы в догадках. Решение кажется на поверхности, но не все так просто.