Часть III. Сбор, подготовка и анализ данных 5 страница

точно представляли конкретные характеристики генеральной совокупности. Например, оно

может использоваться, чтобы повысить значимость наблюдений или респондентов, по кото-

532 Часть III. Сбор, подготовка и анализ данных

рым были собраны данные более высокого качества, чем по другим. Существует еще одно при-

менение взвешивания, которое заключается в корректировке выборки с тем, чтобы повысить

значимость ответов респондентов с определенными признаками. Если проводится опрос для

определения, какие изменения стоит вносить в существующую продукцию, исследователь мо-

жет принять решение присвоить больший весовой коэффициент ответам респондентов, кото-

рые пользуются данным товаром чаще других. Этого можно достичь присвоением весового ко-

эффициента 3,0 тем покупателям, которые покупают исследуемую продукцию чаще всех, ко-

эффициента 2,0 — тем, кто пользуется ею в средних пределах, и 1,0 •— тем, кто приобретает этот

товар редко либо не пользуется им никогда. Метод взвешивания следует применять с огромной

осторожностью, поскольку это разрушает саму природу самовзвешиваемости любого выбороч-

ного обследования. Если исследователь все же решил воспользоваться данным методом, он

должен тщательно задокументировать всю процедуру взвешивания и составить соответствую-

щую часть отчета по проекту [11]. Важность соблюдения данного принципа подтверждает при-

мер, описанный во врезке 14.1 "Практика маркетинговых исследований" [12].

Врезка 14.1. Практика маркетинговых исследований

Internet-исследование компании Nielsen Media Research: нужен ли весовой коэффициент

Совсем недавно компания Nielsen Media Research, долгое время занимающаяся маркетин-

говыми исследованиями, связанными с телевидением, стала объектом острой критики со

стороны ряда телевизионных сетей, не согласных с методами, используемыми компанией в

процессе опросов. Кроме того, в другой, новой и потенциально важной сфере этого бизнеса,

а именно, в проведении опросов с использованием Internet, Nielsen также столкнулась с тем,

что результаты се исследований нередко ставятся под сомнение. Вследствие огромного

влияния электронной торговли на мир бизнеса рекламодателям необходимо знать, какое

количество людей занимаются бизнесом с использованием Internet, чтобы определить, вы-

годно ли им размещать рекламу в этой сети.

Компания Nielsen провела исследование для CommerceNet, группе компаний, в которую

входят Sun Microsystems и American Express, цель которого — определить общее количество

пользователей Internet. Исследования показали, что доступ к Internet имеют 37 миллионов

людей старше 16 лет, и 24 миллиона пользовались им в последние три месяца. Известно, что

когда статистики подозревают, что собранные данные недостоверны, они пользуются мето-

дом взвешивания, который позволяет привести в соответствие выборку и генеральную сово-

купность. Взвешивание необходимо использовать с тем, чтобы избежать смещения в сторо-

ну одного демографического сегмента.

Данные, полученные компанией Nielsen, умножались на весовой коэффициент, выве-

денный на основе пола респондентов, а не на основе их образования, что могло бы привести

к тому, что генеральная совокупность сдвинулась бы в сторону взрослого населения, имею-

щего образование. Далее компания применила взвешивание с использованием весового ко-

эффициента по возрасту и доходу. По мнению многих специалистов, такой подход неправи-

лен, поскольку весовые коэффициенты должны использоваться одновременно, а не в про-

цессе отдельных расчетов. Исследователи компании Nielsen не согласны с тем, что их

выборка неверна, и считают, что не ошиблись в ходе проведения обследования. Однако, по-

скольку большинство третьих сторон не приняли методов работы этой компании, ей все еще

предстоит подтвердить достоверность результатов своих исследований.

ПРИМЕР. Получение весового коэффициента при анализе состава посетителей

сетей ресторанов быстрого обслуживания

В регионе Лос-Анджелес-Лонг-Бич был проведен почтовый опрос, цель которого — вы-

явить предпочтения той или иной сети ресторанов быстрого обслуживания. Полученный в

итоге состав выборки отличался по уровню образования респондентов от распределения это-

го признака в генеральной совокупности, составленного на основе данных, полученных в

Глава 14. Подготовка данных к анализу 533

результате недавно проведенной переписи населения. По этой причине выборку

"взвесили", чтобы сделать ее более репрезентативной с учетом уровня образования посети-

телей. Весовые коэффициенты определялись делением процента генеральной совокупности

на соответствующей процент выборки. Распределение образования по каждой выборке и ге-

неральной совокупности, а также использованные весовые коэффициенты, приведены в

следующей таблице.

Использование взвешивания для повышения репрезентативности данных

Уровень образования (в годах) Доля в выборке (%) Доля в генеральной совокупности <%) Вес

Начальное образование {от 0 до 7 лет)

8 лет

Среднее образование

от 1 до 3 лет

4 года

2,49

щи

6,39

25,39

4,23

2,19

8,65

29,24

1,70

1,74

1,35

1,15

Среднее специальное и высшее образование

от 1 до 3 лет

4 года

от 5 до 6 лет

7 лет и больше

1 Итого

22,33

15,02

14,94

12,18

100,00

29,42

12,01

7,36

6,90

100,00

1,32

0,80

0,49

0,57

Как мы видим, категории, недостаточно представленные в выборке, получили более вы-

сокие весовые коэффициенты, в то время как для категорий, представленных излишне пол-

но, назначены меньшие весовые коэффициенты. Таким образом, данные по респондентам,

имеющим 1—3-годичное среднее специальное образование, умножались на коэффициент

1,32, а данные по респондентам, которые учились в высших и средних учебных заведениях 7

лети больше, умножались на 0,57.

Переопределение переменной

Процедура переопределения переменной (variable respecification) заключается в преобразова-

нии данных для создания новых переменных либо изменения существующих.

Переопределение переменной (variable respecification)

Преобразование данных для создания новых переменных либо изменения существующих с

тем, чтобы они точнее соответствовали основным задачам исследования.

Цель переопределения состоит в создании переменных, максимально отвечающих основ-

ным задачам исследования. Предположим, что изначальной переменной был показатель ис-

пользования продукции по 10 категориям ответов. Их можно сократить до четырех категорий:

пользуюсь часто, средне, редко или никогда. Кроме того, исследователь может разработать ин-

декс информационного поиска (Index of Information Search— IIS), представляющий собой

сумму информации, которую клиенты стремятся получить от дилеров, менеджеров по продви-

жению товаров на рынке и из независимых источников. Можно воспользоваться коэффициен-

том соотношения переменных. Если, например, соизмеряется количество покупок в универма-

ге (А",) и количество покупок в кредит (Х2), доля покупок в кредит может стать новой перемен-

ной после вычисления соотношения двух исходных переменных (Х,/Х2). Другими способами

переопределения переменной являются извлечение квадратного корня и логарифмические

преобразования, которые часто применяются, чтобы точнее "подогнать" оцениваемую модель

к основным задачам исследования.

534 Часть III. Сбор, подготовка и анализ данных

К важнейшим процедурам переопределения переменной относится также использование

фиктивных переменных для переопределения категорий. Фиктивные переменные (dummy

variables) часто также называют двоичными, дихотомическими, инструментальными или качест-

венными. Это переменные, которые могут принимать только два значения, например, 0 или 1.

i

Фиктивные переменные (dummy variables)

Переменные, способные принимать только два значения, обычно 0 или 1.

Общее правило заключается в следующем: переопределить переменную категории для К-то

числа категорий можно К—1 фиктивными переменными. Почему их должно быть не К, а

именно К—1? Это объясняется тем, что только К—1 категорий независимы. С учетом данных

выборки информацию о f(-R категории можно получить на основе информации о других К— 1

категориях. Так, если рассматривается пол респондентов, переменная имеет две категории, и

при этом необходима только одна фиктивная переменная. Информацию о количестве или

проценте мужчин в выборке можно быстро получить на основе данных о количестве или про-

центе женщин в этой выборке. Концепция применения фиктивных переменных проиллюст-

рирована на следующем примере.

ПРИМЕР. Потребители замороженных продуктов: использование фиктивной

переменной

При исследовании потребления замороженных продуктов респонденты часто классифи-

цируются по таким категориям: "приобретаю часто", "средне", "редко" или "никогда". 1

Обычно этим категориям присваиваются значения 4, 3, 2 и 1 соответственно. Оказалось, что

такое кодирование не подходит для ряда методов статистического анализа. Как видно из ]

следующей таблицы, для проведения этих анализов уровень потребления данной продук- \

ции представлен тремя фиктивными переменными ЛТ,, Х2иХ3.

Код фиктивной переменной

,, Исходный код v v v

Категория использования продукции л. л. Л, переменной

Н е пользуюсь 1 1 0 0

Пользуюсь редко 0 1 0

Пользуюсь средне О О

Пользуюсь часто 4 0 0 0

Обратите внимание, что Х{ = 1 для категории людей, которые не потребляют заморожен-

ные продукты, и 0 — для всех остальных категорий. Подобным образом Х2 — 1 — для тех, кто

пользуется такой продукцией редко и 0 — для всех остальных категорий, а Хг = 1 для катего-

\ рии потребителей, пользующихся ею в среднем объеме, и 0 — для всех остальных. При ана-

] лизе фиктивные переменные А",, Х2 и А"3 используются для представления всех групп пользо-

вателей замороженной продукции и тех, кто ею не пользуется.

Преобразование шкалы измерения

Преобразование шкалы (scale transformation) заключается в манипулировании значениями

шкалы с тем, чтобы сравнивать ее с другими шкалами либо как-то иначе преобразовывать дан-

ные и делать их подходящими для анализа.

Преобразование шкалы (scale transformation)

Манипулирование значениями шкалы с тем, чтобы иметь возможность сравнивать ее с

другими шкалами либо каким-либо другим образом преобразовывать данные и делать их

подходящими для анализа.

Глава 14. Подготовка данных к анализу 535

Часто для измерения разных переменных используются разные шкалы. Так, переменные

для оценки имиджа товара измеряются с использованием семибалльной семантической

дифференциальной шкалы, переменные для оценки отношения — по интервальной рейтин-

говой шкале, а переменные для оценки образа жизни — по пятибалльной шкале Лайкерта.

Очевидно, бессмысленно сравнивать респондентов по показателям, зафиксированным с ис-

пользованием разных шкал. Чтобы сравнить баллы, оценивающие отношение, с баллами,

указанными респондентом относительно стиля жизни или имиджа, необходимо преобразо-

вать разные шкалы, Даже если для оценки всех переменных использовалась одна и та же

шкала, разные респонденты нередко пользуются ею по-разному. Некоторые респонденты

при ответах постоянно используют верхние градации рейтинговой шкалы, в то время как

другие — нижнюю ее часть. Различия подобного типа можно откорректировать соответст-

вующим преобразованием данных.

ПРИМЕР. Учреждения здравоохранения — преобразование данных, собранных

в процессе опроса пациентов

В ходе исследования, направленного на определение структуры распределения предпоч-

тений людей, пользующихся услугами учреждений здравоохранения, респондентов просили

оценить степень важности 18 факторов, влияющих на их мнение, по трехбалльной шкале

(очень важно, важно в определенной мере, неважно). Перед анализом все рейтинги, полу-

ченные от респондентов, были преобразованы. По каждому ответившему вывели средний

показатель ответов по всем 18 пунктам. Затем этот средний показатель вычли из каждого

элемента рейтинга, и к разнице прибавили определенную постоянную величину. Таким об-

разом, преобразованные данные А', получили в результате следующих действий:

X, = Хс — X + С

Вычитание среднего значения позволило откорректировать неравномерное использова-

ние респондентами шкалы для оценки важности. Постоянную величину С прибавили с тем,

чтобы все преобразованные данные имели положительные значения, поскольку отрица-

тельный рейтинг важности концептуально бессмыслен. Такое преобразование было жела-

тельным потому, что некоторые респонденты, особенно с невысоким доходом, оценили как

"очень важные" практически все характеристики учреждений здравоохранения. Другие рес-

понденты, особенно с высокими доходом, указали, что для них важные лишь некоторые

признаки. Таким образом, вычитание среднего значения позволило получить более точные

данные об относительной важности разных факторов [13].

В описанном выше примере результаты преобразования шкалы откорректированы только

по усредненным ответам. Существует, однако, и более общая процедура преобразования

шкал — известная как нормализация или нормирование (standardization).

Нормализация, нормирование (standardization)

Корректировка данных для приведения их к одной и той же шкале вычитанием выбороч-

ного среднего и деления полученного значения на стандартное отклонение.

Чтобы нормализовать шкалу X, мы сначала должны вычесть из каждого балла среднее зна-

чение X, а затем разделить полученное число на стандартное отклонение 5^. Таким образом,

нормализованная шкала имеет среднее значение, равное нулю, и стандартное отклонение, рав-

ное 1. По сути, это то же самое, что вычисление z (см. главу 12). Нормализация позволяет ис-

следователю сравнивать переменные, полученные с использованием разных типов шкал [14].

Математически нормализованные значенния z, можно вычислить с помощью следующего

уравнения:

Zj =(X,-X)/sx

536 Часть ill. Сбор, подготовка и анализ данных

ВЫБОР СТРАТЕГИИ АНАЛИЗА ДАННЫХ

Процесс выбора стратегии анализа данных представлен на рис. 14,5.

Предыдущие этапы (1,2 и 3)

процесса маркетинговых

исследований

Конкретные свойства

истических методов

Опыт >л методология

.исследователя

I

Стратегия анализа данных

Рис. 14.5. Выбор стратегии

анализа данных

Выбор стратегии анализа собранных данных основывается на итогах предыдущих этапов

процесса маркетинговых исследований, известных характеристиках информации, свойствах

конкретных статистических методов, а также на опыте и взглядах исследователя.

Необходимо помнить, что анализ данных — это вовсе не конечный этап исследования. Его

цель — получить информацию, которая поможет решить определенную проблему. Выбор стра-

тегии анализа должен начинаться с исследования итогов предыдущих этапов процесса: опреде-

ление проблемы (этап 1), разработка подхода (этап 2) и разработка плана исследования (этап 3).

В качестве "трамплина" используется предварительный план анализа данных, разработанный

как один из элементов плана исследования. Затем, в ходе поступления на последующих стади-

ях процесса исследования дополнительной информации, может понадобиться ввести некото-

рые изменения.

Следующий этап заключается в анализе известных характеристик данных. Так, на выбор

статистического метода сильно влияет то, какие шкалы измерений используются в ходе иссле-

дования (см. главу 8). Кроме того, определено, какие именно методы анализа желательно ис-

пользовать при определенной структуре исследования. Дисперсионный анализ (глава 16) под-

ходит для работы с экспериментальными данными, полученными от проведения причинно-

следственного исследования. Кроме того, очень весомы при выборе стратегии анализа данных

результаты изучения собранных данных на этапе их подготовки к анализу.

Чрезвычайно важно также учитывать конкретные характеристики разных статистических

методов, особенно их основные цели и лежащие в основе предположения. Некоторые методы

лучше всего подходят для исследования различий между переменными, другие -— для оценки

величин соотношений между переменными, а третьи — для составления прогнозов. Кроме то-

го, поскольку все методы основаны на разных предположениях, некоторые из них намного

лучше других выдерживают нарушения этих предположений. Подробная классификация ста-

тистических методов представлена в следующем разделе.

И наконец, на выбор стратегии анализа данных влияет опыт и методология исследователя.

Опытный исследователь, специально подготовленный для проведения статистического ана-

Глава 14. Подготовка данных к анализу 537

лиза, пользуется широким диапазоном приемов, включая сложные статистические методы.

Исследователи отличаются друг от друга предположениями относительно переменных и соот-

ветствующих генеральных совокупностей. Как правило, для анализа данных в ходе реализации

того или иного проекта можно использовать сразу несколько разных методов. Для иллюстра-

ции воспользуемся нашим сквозным примером "Выбор универмага".

СКВОЗНОЙ ПРИМЕР. ВЫБОР УНИВЕРМАГА

Выбор стратегии анализа данных

В процессе анализа в ходе реализации данного проекта маркетологи создали модель выбора

универмага с точки зрения характеристик имиджа универмага. Выборка поделена на две

половины. Респонденты каждой половины разбиты на кластеры на основе того, какие ха-

рактеристики имиджа магазина они считают наиболее важными. Затем определены стати-

стические критерии по кластерам и выявлено четыре основных сегмента. Предпочтения по

отношению к универмагам смоделированы по их оценкам с использованием специальных

переменных для оценки имиджа. Данная модель отдельно оценена для каждого сегмента.

Проведены статистические тесты различий между функциями предпочтений в каждом сег-

менте и перекрестная проверка результатов выборки по каждому сегменту. Описанная выше

стратегия анализа данных наглядно отображена на следующем рисунке [16],

Выборка в целом

.Лодвыборка 1

Заявленная важность характеристик имиджа

I

Кластерный анализ

сдаваемое универмагу как функция переменной: ишвл

.Оценка модели Оценка модели. Оценка мс

;.

Статистические кртерии для оценки различий между сегментами

1 * i i

Проверка

состоятельности

и перекрестная

проверка

состоятельности

модели

Проверка

состоятельности

к перекрестная

проверка

состоятельности

ЫЭДвЛИ

Проверка

состоятельности

и перекрестная

проверка

состоятельности

, модели.

Проверка

состоятельности

и перекрестная

проверка

состоятельности

модели

538 Часть III. Сбор, подготовка и анализ данных

КЛАССИФИКАЦИЯ СТАТИСТИЧЕСКИХ МЕТОДОВ

Статистические методы делятся на одно- и многомерные. Одномерные методы (univariate

techniques) используются тогда, когда все элементы выборки оцениваются единым измерите-

лем, либо если этих измерителей несколько для каждого элемента, но каждая переменная ана-

лизируется при этом отдельно ото всех остальных.

Одномерные методы (univariate techniques)

Методы статистического анализа, применяемые для анализа данных в случаях, если сущест-

вует единый измеритель для оценки каждого элемента выборки, либо если этих измерите-

лей несколько, но каждая переменная анализируется отдельно ото всех остальных.

Многомерные методы (multivariate techniques) прекрасно подходят для анализа данных, если

для оценки каждого элемента выборки используется два или больше измерителей, а эти пере-

менные анализируются одновременно. Такие методы применяются для определения одновре-

менных взаимосвязей между двумя или больше явлениями.

Многомерные методы (multivariate techniques)

Методы статистического анализа, применяемые для анализа данных, если для оценки каж-

дого элемента выборки используется два или больше измерителя и эти переменные анали-

зируются одновременно. Данные методы применяются для определения одновременных

взаимосеязей между двумя или больше явлениями.

Многомерные методы отличаются от одномерных прежде всего тем, что при их использова-

нии центр внимания смещается с уровней (средних показателей) и распределений (дисперсий)

явлений и сосредотачивается на степени взаимосвязи (корреляции или ковариации) между

этими явлениями [15]. Оба этих вида статистических методов анализа подробно описаны в по-

следующих главах, но сейчас мы покажем, как разные методы взаимосвязаны в общей схеме

классификации.

Одномерные методы можно классифицировать на основе того, какие данные анализируют-

ся: метрические или неметрические. Метрические данные (metric data) измеряются по интер-

вальной шкале или относительной шкале.

Метрические данные (metric data)

Данные, которые по своей природе интервальные или относительные.

Неметрические данные (nonmetric data) оцениваются по номинальной или порядковой

шкале (см. главу 8).

Неметрические данные (nonmetric data)

Данные, полученные на основе измерений по номинальной или порядковой шкале.

Затем эти методы делят на классы на основе того, сколько выборок — одна, две или более —

анализируется в ходе исследований. Заметим, что число выборок определяется тем, как ведется

работа с данными для конкретного анализа, а не тем, каким способом собирались данные. На-

пример, данные по лицам мужского и женского пола можно получить в пределах одной выбор-

ки, но если их анализ нацелен на выявление разницы в восприятии, основанной на разнице

полов, исследователю придется воспользоваться двумя разными методами выборки. Выборки

считаются независимыми, если они выделены из разных генеральных совокупностей произ-

вольно. Для анализа данные, относящиеся к разным группам респондентов, например собран-

ные от лиц женского и мужского пола, обычно обрабатываются как независимые выборки.

Глава 14. Подготовка данных к анализу 539

С другой стороны, если данные по двум выборкам относятся к одной и той же группе респон-

дентов, выборки считаются объединенными в пары.

Что касается метрических данных, то если существует только одна выборка, может использо-

ваться z- и ^-критерий. Если же независимых выборок две или больше, в первом случае можно

воспользоваться z.- и /-критерием для двух выборок, в во втором — методом однофакторного дис-

персионного анализа. Для двух связанных выборок используется парный /-критерий. Если речь

идет о неметрических данных по одной выборке, исследователь может воспользоваться критерия-

ми частотного распределения, хи-квадратом, критерием Колмогорова—Смирнова (К—S), крите-

рием серий и биномиальным критерием. Для двух независимых выборок с неметрическими

данными можно прибегнуть к следующим методам анализа: хи-квадрат, Манна—Уитни, ме-

дианы, К—С, однофакторным дисперсионным анализом Крускала—Уоллиса (ДА К—У). В от-

личие от этого, если существует две или больше взаимосвязанных выборок, следует воспользо-

ваться критериями знаков, Мак-Немара и Уилкоксона (рис. 14.6).

Одномерные методы

статистического анализа

Метрические

данные.

Неметрические

I

Две или больше

Двухгрупгювой

(- критерий

Z-критерий

Однофакторный

дисперсионный

анализ

Взаимосвязанные

Парный

! - критерий

Вариационный ряд

Критерий хи-квадрат

Критерий Колмогорова-

Смирнова

Критерий серий

Биномиальный критерий

Критерий знаков

Критерий Вилкоксона

Критерий МэкНемара

Критерий хи-квадрат

• Критерий хи-квадрат

• Критерий Мэнна-Уитни

• Медианы

• Критерий Колмогорова-

Смирнова

• Критерий Крускала-

Уоллиса и ANOVA

Рис. 14.6. Классификация одномерных статистических методов

Многомерные статистические методы можно разделить на методы зависимости и методы

взаимозависимости (рис. 14.7).

540 Часть lit. Сбор, подготовка и анализ данных

Методы

для зависимых

I

Методы

для взаимозависимых

переменных

Одна

зависимая

Несколько

зависимых

Многомерный

дисперсионный и

ковариационный анализ

Анализ канонической

корреляции

Множественный

дискриминантный

анализ

взаимозависимые

Факторный анализ

I

Межобьектнш

Кластерный анализ

Многомерное

шкалирование

• Кросс-табуляция

(более двух переменных)

• Дисперсионный и

ковариационный анализ

• Множественная

регрессия

• Двухгрупповой

дискриминантный

анализ

• Совместный анализ

Рис. 14.7. Классификация многомерных статистических методов

Методы зависимости {dependence techniques) применяются в случаях, когда одна или боль-

ше переменных идентифицированы как зависимые, а остальные — как независимые.

Методы зависимости (dependence techniques)

Методы, применяемые в случаях, когда одна или больше переменных идентифицированы

как зависимые, а остальные - как независимые.

Если есть только одна зависимая переменная, используются такие методы анализа, как

кросс-табуляция, дисперсионный и ковариационный анализ, регрессионный анализ, двух-

групповой дискриминантный анализ и совместный анализ. Однако, если имеется больше од-

ной зависимой переменной, следует воспользоваться многомерными методами анализа: дис-

персионным и ковариационным, методом канонической корреляции и множественным дис-

криминантным анализом. При применении методов взаимозависимости (interdependent

techniques) переменные не подразделяются на зависимые и независимые; напротив, исследует-

ся весь набор взаимозависимых взаимосвязей.

Методы взаимозависимости (interdependent techniques)

Многомерные статистические методы, цель которых - сгруппировать данные по лежащему в

основе сходству, что позволяет интерпретировать разные структуры данных. При этом пере-

менные не подразделяются на зависимые и независимые.

Методы данного типа нацелены прежде всего на выявление взаимозависимости перемен-

ных либо межобъектного сходства. При исследовании взаимозависимости переменных чаще

всего применяется факторный анализ. Анализ межобъектного сходства можно вести, используя

методы кластерного анализа и многомерного шкалирования [17].

Глава 14. Подготовка данных к анализу 541

МЕЖДУНАРОДНЫЕ МАРКЕТИНГОВЫЕ

ИССЛЕДОВАНИЯ

Прежде чем приступить к анализу данных, исследователь должен обеспечить сравнимость

единиц измерения, используемых в разных странах или отдельных культурных образованиях.

Возможно, ему придется откорректировать имеющиеся данные с тем, чтобы создать эквивален-

ты валют либо метрических мер. Кроме того, для проведения значимых сравнений и получе-

ния достоверных и состоятельных результатов нередко необходимо провести стандартизацию

или нормализацию данных.

ПРИМЕР. Повальное увлечение мороженым

Компания Haagen-Dasz, лидирующий производитель мороженого в США, в последнее

Дата добавления: 2015-05-09