Малхорта, Нэреш К. Маркетинговые исследования. Практическое руководство

Подождите немного. Документ загружается.

тами, анализа вторичных данных, качественного исследования и предварительного сбора ин-

формации. Как правило, исследование с применением совместного анализа включает шесть

или семь характеристик объекта.

После определения характеристик следует выбрать подходящие уровни. Их число опре-

деляет число оцениваемых параметров, а также влияет на число объектов, которые будут

оцениваться респондентами. Чтобы облегчить задачу, стоящую перед респондентами, и при

этом оценивать параметры с достаточной точностью, желательно ограничить число уровней.

Функции полезности или частной ценности для уровней характеристики могут оказаться

нелинейными. Например, потребитель предпочитает средний по размеру автомобиль ма-

ленькому или большому автомобилю, Аналогично и функция полезности для цены может

носить нелинейный характер. Потеря полезности при переходе от дешевого автомобиля к ав-

томобилю средней цены может быть намного меньше, чем потеря полезности при переходе

от автомобиля средней цены к дорогому. В этих случаях используют, по крайней мере, три

уровня. Для некоторых характеристик естественно наличие двух уровней —

автомобиль

мо-

жет иметь или не иметь люк в крыше,

Выбранные атрибутивные уровни влияют на процесс оценивания потребителями авто-

мобилей. Если цены на автомобиль данной торговой марки составляют 10, 12 и 14 тысяч

долларов, то цена является относительно незначимым фактором. С другой стороны, если це-

на варьирует от 10, 20 и далее до 30 тысяч долларов, то она будет важным фактором. Значит,

исследователь должен учитывать

Атрибутивные

уровни,

превалирующие

на рынке, и цели

проводимого исследования. Использование атрибутивных уровней, не

отражающих

истин-

ную рыночную картину, снизит достоверность оценок, но увеличит точность, с которой бу-

дут оценены параметры. В качестве главного правила стоит запомнить, что выбирать атрибу-

тивные уровни надо так, чтобы их диапазоны были несколько шире, чем диапазоны, преоб-

ладающие на рынке, но не настолько большие, чтобы неблагоприятно воздействовать на

достоверность результатов оценки.

Мы проиллюстрируем методологию совместного анализа на примере оценки студентами

кроссовок. Качественное исследование позволило определить три явно выраженные характери-

стики кроссовок: материал

подошвы,

материал верха и

цену[24].

Для каждой характеристики

определили три уровня, приведенные в табл. 21.2. Эти характеристики и их

уровни

использо-

вали для создания объектов в совместном анализе.

Таблица

21.2.

Характеристики кроссовок и их

уровм

Уровень

Характеристика

Подошва

Верх

Цена

Номер

;

Описание

Резина

Полиуретан

Пластик

Кожа

Парусина

Нейлон

$30,00

$60,00

$90,00

Считается, что если на выбор потребителей сильно влияет дизайн изделия, то следует ис-

пользовать его изображение, так как выбор в значительной степени зависит от проверки реаль-

ных изделий или их фотографий [25].

794

Часть III.

Сбор,

подготовка и анализ данных

Построение объектов

Существует два широко распространенных подхода к построению объектов в совместном

анализе — попарный подход и метод полного профиля

{полнопрофильный

метод). В попарном

подходе, также называемом методом

двухфакторных

оценок, респонденты одновременно оцени-

вают по две характеристики до тех пор, пока не оценят все возможные пары характеристик.

Этот подход показан на рис. 21.9 в контексте примера с кроссовками.

Резина

Подошва

Полиуретан

Пластик

Кожа

Парусина

Нейлон

Резина

Подошва

Полиуретан Пластик

S.10

$60

$30

Цена

$60

$90

Кожа

Парусина

Нейлон

Рис.

21.9.

Попарный подход к сбору данных для совместного

анализа

Для каждой пары кроссовок респонденты оценивали все комбинации уровней обеих харак-

теристик, представленных в матричной форме. В подходе полного профиля, также известного

под названием

метод

многофакторных

оценок,

для всех

характеристик

строили полные профили

Глава 21. Многомерное шкалирование и совместный анализ

торговых марок. Обычно каждый профиль описывают на отдельной индексной карточке. Этот

подход проиллюстрирован в табл.

21.3

также на примере с кроссовками.

Таблица

21.3.

Полнопрофильный

метод сбора данных для совместного

анализа

Пример

профиля

кроссовок

Подошва Сделана из резины

Верх Сделан из нейлона

Цена

(долл.)

Необходимо

оценивать

все возможные комбинации, однако это не так просто. В попарном

подходе можно снизить число попарных сравнений, используя периодический план. Анало-

гично в полнопрофильном методе можно значительно уменьшить число объектов с помощью

дробного факторного эксперимента. Специальный класс факторных экспериментов, называе-

мый ортогональной таблицей, позволяет эффективно

оценивать

все главные эффекты. Ортого-

нальная таблица допускает измерение всех изучаемых главных эффектов на некоррелирован-

ной основе. Эти планы предполагают, что все взаимодействия пренебрежимо малы. Ортого-

нальные

таблицы

составляют, исходя из планов полного факторного эксперимента, заменив

выбранные эффекты взаимодействия, которые принимают пренебрежимо малыми, новым

фактором [26]. Обычно получают два набора данных. Набор

вычиыения

используют для вычис-

ления функций полезности для атрибутивных уровней. Набор проверки достоверности исполь-

зуют для оценки надежности и достоверности.

Преимущество попарного метода в том, что он легче для респондентов: им проще высказать

свое мнение при попарном

сравнении

характеристик. Однако относительным недостатком это-

го подхода является то, что в нем требуется сделать больше оценок, чем при использовании

полнопрофильного метода. Кроме того, задача оценивания может оказаться нереалистичной,

если одновременно оценивают только две

характеристики.

Сравнение двух подходов показыва-

ет, что оба метода приводят к сопоставимым функциям

полезности,

однако полнопрофильный

метод

распространен больше.

Полнопрофильный метод использовался в примере с кроссовками. При заданных трех ха-

рактеристиках и трех уровнях можно построить 3 х 3 х 3 = 27 профилей. Чтобы уменьшить для

респондентов задачу оценки, использовали план факторного эксперимента с дробными откли-

ками и составили набор из девяти профилей для создания набора оценочных объектов

(табл. 21.4). Другой набор из девяти объектов составлен для проверки достоверности результа-

тов. Для обоих наборов (вычисления и проверки достоверности) получили исходные данные.

Однако, прежде чем получить исходные данные, необходимо решить вопрос о форме представ-

ления исходных данных [27].

Решение о форме представления данных

Как и в многомерном шкалировании, исходные данные для совместного анализа бывают

неметрическими или метрическими. Для получения неметрических данных респондентов

обычно просят дать оценку в виде рангов. При попарном подходе респонденты ранжируют все

ячейки каждой из матриц, определяя их

желательность.

При полнопрофильном методе они

ранжируют все профили объектов. Ранги включают относительные оценки атрибутивных

уровней. Сторонники ранжированных данных полагают, что такие данные точно отражают по-

ведение потребителей на рынке.

При использовании метрических переменных респонденты пользуются рейтингами, а не

рангами. Сторонники рейтинговых данных полагают, что они удобнее для респондентов и их

анализировать легче, чем ранжированные данные. Последнее время наблюдается рост исследо-

ваний именно с рейтинговыми данными.

В совместном анализе зависимая переменная обычно представляет собой предпочтение или

намерение совершить покупку. Другими словами, респонденты предоставляют рейтинги или

796 Часть

111.

Сбор, подготовка и анализ данных

ранги,

выражающие их предпочтения или намерения покупки. Однако методология совмест-

ного анализа достаточно гибкая и позволяет использовать диапазон других зависимых пере-

менных, включая фактическую покупку или выбор.

В оценке профилей кроссовок от респондентов требовалось дать рейтинги предпочтений

для кроссовок, описываемых девятью профилями в наборе

оценивания,

Для получения

рей-

тинговых оценок маркетологи использовали девятибалльную шкалу

Лайксрта

(1 — не предпо-

читаю эти кроссовки, 9 — предпочитаю всем другим).

Рейтинги, полученные от одного из респондентов, показаны

втабл,

21.4.

'•

Таблица

21.4.

Профили кроссовок и их рейтинги

Атрибутивные уровни"

Номер

профиля

Подошва Верх Цена

Рейтинг

предпочтения

'Атрибутивные

уровни

соответствуют

уровням в табл,

21.2.

Выбор метода совместного анализа

Базовую модель совместного анализа

{conjoint

analysis model) можно представить

следующей

формулой

[28]:

где

V(X)

— полная полезность альтернативного варианта;

dp—

вклад частной ценности или полезности, соответствующий j

-му

уровню

(/,/

= 1,2,

...,k

{

)

i-ro

варианта (i,

1, 2, .... т);

— число уровней характеристики

— число характеристик;

ху =

если/-

уровень

/-и

характеристики присутствует;

= 0 в противном случае.

Модель совместного анализа (conjoint analysis model)

Математическая модель совместного анализа, выражающая фундаментальную зависимость

между

характеристиками

и полезностью товара.

Важность

характеристики

^определяют

через диапазон полезностей

по

всем уровням

этой характеристики:

/, =

{max

(ctjj)

—

min

(осу)}

для каждого

Важность характеристики нормируют для уточнения ее важности относительно других ха-

рактеристик

Wji

Глава 21. Многомерное шкалирование и совместный анализ 797

Так что

Существует несколько методов использования базовой модели. Простейший и самый попу-

лярный — регрессионный анализ с фиктивными (dummy) переменными

(см.

главу 17). В этом

случае вычисленные переменные состоят из фиктивных переменных

для

атрибутивных уров-

ней. Если характеристика имеет А, уровней, ее кодируют через

(k,

— 1)-ю фиктивную перемен-

ную (см. главу 14). Если получены метрические данные, то рейтинги, выраженные в интер-

вальной шкале, образуют зависимую переменную. Если получены неметрические данные, то

значения рангов можно преобразовать в 0 или

выполнив попарные сравнения между торго-

выми марками. В этом случае вычисленные переменные представляют различия в атрибутив-

ных уровнях сравниваемых торговых марок. К другим процедурам,

подходящим

для анализа

неметрических данных, относятся

LINMAP,

MONANOVA и

LOGIT

[29].

Кроме того, исследователь должен решить, на каком уровне проводить анализ — каждого

респондента или агрегатном. На индивидуальном уровне данные, полученные от каждого

респондента, анализируют отдельно. Если анализ выполняют на агрегатном уровне, то надо

разработать процедуру для группирования

респондентов.

Общий подход состоит в том, что-

бы сначала определить функции полезности индивидуального уровня. Затем респондентов

объединяют в

кластеры,

исходя из сходства полезностей. После этого выполняют агрегатный

анализ для каждого кластера [30]. Необходимо определить соответствующую модель для вы-

числения параметров [31].

Маркетологи проанализировали данные табл. 21.4 с помощью обычного регрессионного

анализа на основании метода наименьших квадратов с фиктивными переменными. Зависимая

переменная представляла собой рейтинги предпочтений. Независимыми переменными, или

предикторами, являлись шесть фиктивных переменных, по две для каждой переменной. Пре-

образованные данные приведены втабл. 21.5.

Таблица

21.5.

Данные о кроссовках, закодированные для

регрессном

иного

анализа

фиктивными переменными

Характеристики

Рейтинги предпочтений

Подошва

Г)

Хг

Верх

Хз

Х4

Цена

Хз

Хе

Поскольку данные принадлежали одному респонденту, анализ выполняли на индивиду-

альном уровне. Функции полезности, определенные для каждой характеристики, а также отно-

сительная важность характеристик приведены в табл. 21.6 [32].

798

Часть III. Сбор, подготовка и анализ данных

Таблица 21.6. Результаты совместного анализа

Характеристика

Подошва

Верх

Цена

Номер

:-•

Описание

Резина

Полиуретан

Пластик

Кожа

Парусина

Найлон

Уровень

Полезность

0,778

- 0,556

- 0,222

0,445

0,111

- 0,556

1,111

0,111

-1,222

Важность

0.286

0,214

0,500

Модель для вычисления полезности можно представить в следующем виде:

= Ь + b

где

X,,

— фиктивные переменные, представляющие характеристику "подошва";

— фиктивные переменные, представляющие

характеристику

"верх";

— фиктивные переменные, представляющие характеристику "цена".

Для характеристики "подошва" атрибутивные уровни можно закодировать так:

Хг

Уровень 1 1 О

Уровень 2 0 1

Уровень

Уровни других характеристик кодируют аналогично. Маркетологи получили следующие

результаты параметров:

4,222,

b, = 1,000,

- 0,333,

и,

1,000,

= 0,667,

bf=

2,333,

1,333.

При условии кодировки фиктивными переменными, в которой уровень 3 является базо-

вым, коэффициенты можно связать с полезностями. В главе 17 мы объясняли, что коэффици-

ент фиктивной переменной представляет разность полезности для этого уровня и полезности

для базового уровня. Для характеристики "подошва" получим:

Чтобы найти значения полезностей, введем дополнительное ограничение. Полезность вы-

ражают в интервальной шкале, поэтому начало отсчета произвольное. Следовательно, дополни-

тельно накладываемое ограничение имеет вид

а„

ог„

Эти уравнения для первой

характеристики,

"подошвы", следующие:

Глава

21.

Многомерное шкалирование и совместный анализ 799

-«„=1,000,

Г.

-.-!-.

—

«„=-0,333,

а,

{

+ а

а„

= 0.

Решив эти уравнения, получим:

ос„

= 0,778,

а,

0,556,

= - 0,222.

Полезности для других характеристик, приведенных в табл. 21.6, оценим аналогично, Для

характеристики "верх" имеем:

а.

-а

=Ь

Для третьей характеристики "цены" получим:

«и

«ч

«и

Веса относительной важности вычислили, исходя из значений полезностей,

следующим

образом:

Сумма значений полезностей

[0,

778-

(-0,556)]

[0„

445-

(-0,556)]

[l,lll-(-l,222)]

4,668

ГО,778-(Ч).556)1

1334

Относительная важность характеристики

"подошва"

= -

- -

0,286

4,668

[0,

445

-(-0,556)1

Ю01

Относительная важность характеристики

"верх"

-0,214

4,668 4.668

ГиП-(-1,222}1

2333

Относительная важность характеристики

"цена"

—

= О,

500

Оценка полезностей и весов относительной важности составляет основу для интерпретации

результатов.

Интерпретация результатов

Для интерпретации результатов целесообразно построить графики функций полезности.

По значениям функций полезности для каждой характеристики, приведенной в табл. 21.6,

по-

строены графики функций полезности, показанные

на

рис.

21.10.

Из данных табл. 21.6 и графиков на рис.

21.10

видно, что этот респондент предпочитает

кроссовки с резиновой

подошвой,

затем с пластиковой, а

полиуретановая

подошва пользует-

ся у него наименьшей популярностью. Что касается верха кроссовок, то здесь респондент

больше всего предпочитает кожу, следом идет парусина и нейлон. Как и следовало ожидать,

самое высокое значение полезности получено для цены кроссовок, равной

530,

а самое низ-

кое для цены — S90. Значения полезности, приведенные в табл. 21.6, выражены только в ин-

тервальной шкале, начало отсчета произвольное. С точки зрения относительной важности

характеристик на первом

месте

стоит цена, на

втором—

подошва, к ней тесно примыкает

верх. Поскольку из всех характеристик для данного респондента наибольшее и значительно

превышающее значения других характеристик имеет

цена,

этого респондента можно назвать

чувствительным к цене.

800 Часть III. Сбор, подготовка и анализ данных

Полезность

тз

со

Оценка надежности и достоверности

Существует несколько методик для оценивания надежности и достоверности результатов

совместного анализа [33].

• Необходимо определить критерий соответствия (подгонки) вычисленной модели

исходным данным. Например, если используют регрессионный анализ с фиктив-

ной переменной, то значение

покажет степень соответствия подобранной моде-

ли исходным данным. Модели с низким значением критерия соответствия вызы-

вают подозрение.

• Надежность

"проверки-повторной

проверки" можно вычислить, получив позже в набо-

ре данных несколько

дублирующих

суждений респондентов об объекте. Другими сло-

вами, на последнем этапе интервью респондентов просят оценить снова (повторно) оп-

ределенные выбранные объекты. Для того чтобы вычислить надежность "проверки-

повторной проверки", два значения этих объектов сопоставляют.

• Значения объектов из набора вычисления и набора проверки достоверности можно вы-

числить, определив функции полезности. Затем, чтобы определить внутреннюю досто-

верность результатов анализа, эти предсказанные значения можно сопоставить с оцен-

ками, полученными от респондентов.

• Если анализ выполняли на агрегатном уровне, то можно несколькими способами разде-

лить выборку вычисления и провести совместный анализ для каждой подвыборки. За-

тем сравнить результаты, полученные по всем

подвыборкам,

и оценить стабильность

решений совместного анализа.

В ходе регрессионного анализа данных табл. 21.5 получили значение

равное 0,934, что

свидетельствует о хорошем соответствии модели исходным данным. Рейтинги предпочтений

для девяти профилей в выборке проверки достоверности вычислены из значений

полезностей,

приведенных в табл. 21.6. Их сопоставили с исходными рейтингами этих профилей, получен-

ных от респондента. Коэффициент корреляции равен 0,95, что свидетельствует о хорошей дос-

товерности модели. Этот коэфициент корреляции значимый при уровне а = 0,05,

Следующий пример продолжает иллюстрацию процедуры совместного анализа.

ПРИМЕР. Компромисс при покупке компьютера под микроскопом исследователя

Для того чтобы определить, на какие компромиссы между различными характеристика-

ми компьютеров идут покупатели при выборе их модели, маркетологи провели совместный

1 анализ. В качестве основных выбрали четыре характеристики. Ниже приведены выбранные

характеристики

и их уровни.

Режим

ввода

Размер

экрана

I Клавиатура 17 дюймов

I Мышка 13

дюймов

Разрешение

экрана

монитора

Уровни цены

Нормальное разрешение

1000

долл.

Разрешение сверхвысокое 1500 долл.

2000 долл.

Все возможные комбинации этих характеристик дали в результате 24 (2 х 2 х 2 х 3) про-

филя компьютеров. Один из таких профилей приведен ниже.

Режим ввода Мышка

Разрешение экрана монитора Нормальное разрешение

Размер экрана 17 дюймов

Цена 1500 долл.

802 Часть III. Сбор, подготовка и анализ данных

Респонденты ранжировали эти профили согласно своим предпочтениям. Данные для

каждого респондента использовались для разработки функций предпочтений. Функции

предпочтения для одного из респондентов приведены ниже.

Цена

'•

Размер

экрана монитора

Зг

Разрешение

монитора

Режим

ввода

$1000

$1500 $2000

13'

Нормальное Высокое

разрешение

Клавиатура

Мышь

Предпочтения

потребителя или полезности

Исходя из полученных

полезностей

(функций предпочтения) и сравнивая их между собой,

можно оценить относительную значимость различных характеристик в определении этих потре-

бительских предпочтений. Значения относительной важности характеристик будут такими.

важность

Относительная важность

характеристики

Критерий

оценки

Режим ввода 45%

Разрешение

экрана монитора 5%

Размер экрана 25%

Уровень

цены 25%

Для этого покупателя режим ввода — наиболее важная характеристика, а мышка —

предпочтительный

вариант. Хотя цена и размер экрана также имеют значение, цена стано-

вится важным фактором только в диапазоне от 1500 до 2000 долларов. Как и ожидалось,

предпочтение было отдано 17-дюймовому монитору. А разрешение экрана монитора

(нормальное или высокое) не играет большой роли. Информация, полученная из функций

полезности и весов относительной важности, использовалась для кластеризации респонден-

тов для определения наиболее выгодных сегментов на рынке компьютеров [34].

ДОПУЩЕНИЯ И ОГРАНИЧЕНИЯ

СОВМЕСТНОГО АНАЛИЗА

Совместный анализ имеет ряд допущений и ограничений. Его использование предполага-

ет, что можно определить важные характеристики изделия. Более того, подразумевается, что

потребители оценивают выбор вариантов с

позиции

этих характеристик и идут на определен-

ные компромиссы.

Однако

в ситуациях,

где

значение имеет торговая марка изделия, потреби-

тели не могут оценивать марки через их характеристики. Даже если потребители принимают во

внимание характеристики, полученная компромиссная модель может не отражать достаточно

хорошо процесс выбора. Другое ограничение совместного анализа состоит в том, что набор дан-

ных может быть сложным, особенно если он включает большое число характеристик, а модель

должна оцениваться на индивидуальном уровне. Остроту этой проблемы до некоторой степени

можно смягчить такими методами, как интерактивный, или адаптивный совместный анализ и

гибридный совместный анализ.

Глава

21.

Многомерное шкалирование и совместный анализ

803