WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

ТЕОРИЯ И ИСТОРИЯ МЕТОДОВ Т.А. Захарова, А.Х. Кутлалиев (Москва) МеТод совМесТного АнАлиЗА КАК инсТруМенТ иЗучения предпочТений поТребиТелей в статье рассматривается один из современных методов изучения

потре бительских предпочтений – совместный (conjoint) анализ. описываются терминологическая база метода, предпосылки, лежащие в его основе, история возникновения, преимущества и недостатки, а также симуля ционные программы, позволяющие на полученных с помощью метода результатах строить сценарные прогнозы. иллюстрируются возможности метода на примере задачи сегментации рынка.

Ключевые слова: совместный анализ, полезность, потребительские пред почтения, декомпозиционный подход, композиционный подход, модель дискретного выбора, модель главных эффектов, модель композиции с учетом взаимодействия атрибутов, симуляционная программа.

Постановка исследовательской задачи.

проблема изучения структуры предпочтений потребителя является одной из актуальных исследовательских задач как в мар кетинге, так и в социологии. существуют два основных подхода к ее изучению: композиционный подход (традиционный прямой Татьяна Андреевна Захарова – консультант отдела обработки данных GfK RUS. E-mail: Tatiana.Zakharova@gfk.com.

Асхат Хасянович Кутлалиев – руководитель информационно-аналитического центра GfK RUS. E-mail: Askhat.Koutlaliev@gfk.com.

© Cоциология: 4М. 2009. № 28.

Т.А. Захарова, А.Х. Кутлалиев (self-explicated approach);

декомпозиционный подход, к которому относится и метод совместного анализа, или конджойнт-анализ (conjoint analysis). Кроме этого, с середины 80-х гг. возник и успешно развивается гибридный подход, совмещающий в себе элементы первых двух.

в рамках композиционного подхода респонденту предъявля ется ряд характеристик (они рассматриваются по отдельности) продукта и его просят оценить то, насколько каждая из них важна или не важна для него при выборе продукта. респондент может ранжировать характеристики, оценивать их важность по шкале, распределять между ними фиксированную сумму (например, баллов), отбирать из них несколько наиболее важных для него характеристик и т.д. на основе такого рода оценок предпочти тельности составляется описание (композиция) товара, наиболее привлекательного для изученной целевой аудитории.

преимущества композиционного подхода заключаются в простоте проведения опроса и последующего анализа данных, отсутствии требований к специальной подготовке исследователя.

основными его недостатками являются, во-первых, то, что такой опрос плохо воспроизводит ситуацию реальной покупки – в дейст вительности покупатель рассматривает товар в целостности, за частую не прибегая к оценке отдельных его свойств. во-вторых, в ходе опроса с применением традиционного подхода респонденту приходится самостоятельно анализировать систему своих предпо чтений. однако в реальности типична ситуация, когда человек не осознает, в какой степени то или иное отдельное свойство важно, а потому не может сказать, почему он выбирает конкретный товар.

парадоксально, что в ряде случаев истинная причина, по которой выбирается тот или иной товар, либо не осознается вообще, либо скрывается респондентом и на вербальном уровне указывается совершенно другая. в-третьих, в реальности выбор всегда явля ется компромиссным – выбирая какую-то одну характеристику, респондент неизбежно «жертвует» другой. однако традиционный Метод совместного анализа...

подход не позволяет в полной мере изучить этот компромисс. на пример, мы хотим определить, насколько для респондентов важны такие параметры как качество и цена при выборе конкретного товара. в результате прямого подхода респондент может сказать, что и качество, и цена важны для него в одинаковой степени, но при этом поставить положительные оценки высокому качеству и низкие – ценам, и наоборот.

если предъявлять респонденту изучаемые характеристики в сочетании (например, «высокое качество – высокая цена», «низкое качество – низкая цена» и т.п.), то можно получить новую информацию. часть респондентов может «согласиться» уплатить высокую цену за высокое качество, а часть – «сделать уступку» и высоко оценить низкое качество по низкой цене.

предъявление характеристик в сочетании также приближает ситуацию опроса к реалиям потребительского поведения, что иллюстрирует суть метода совместного анализа, или декомпо зиционного подхода.

в совместном анализе респонденту предъявляются не от дельные характеристики, а целостные описания товара, называе мые профилями. они составляются так, чтобы впоследствии с помощью регрессионного анализа можно было бы восстановить важности отдельных характеристик,,из которых составлено опи сание товара, проведя анализ структуры предпочтений, лежав шей в основе выбора. Тем самым осуществляется декомпозиция общих оценок профилей на предпочтительности отдельных характеристик.

название метода происходит от английского глагола to conjoin (соединять, сочетать). по другой версии слово conjoint – аббре виатура от словосочетания consider jointly, т.е. «рассматривать совместно», – название метода и отражает его ключевое отличие от традиционных техник. совместный анализ – это класс мето дов, использующих декомпозиционный принцип при изучении структуры предпочтений респондентов.

Т.А. Захарова, А.Х. Кутлалиев Сфера применения метода совместного анализа Можно выделить несколько классов задач, для решения ко торых может быть применен метод совместного анализа. во-пер вых, для выявления степени важности характеристик продукта для потребителей. Зачастую бывает необходимо понять, какие характеристики и качества товара важны для потребителей, а какие – нет. Эта информация может быть использована как для построения дальнейшей стратегии развития товара, так и для его позиционирования. во-вторых, для выведения на рынок нового продукта. совместный анализ может помочь понять, какими ха рактеристиками должен обладать новый продукт, чтобы завоевать успех у потребителей. обладая, с одной стороны, информацией о предпочтениях потребителей, а с другой – о стоимости производ ства определенного товара, компания-заказчик может осуществить поиск оптимального дизайна нового продукта. в-третьих, для прогноза реакции рынка на внесение изменений в характеристики изучаемого товара (это так называемый анализ переключений).

в-четвертых, для сегментации потребителей. используя по лученную информацию о предпочтениях респондентов, можно выделить группы людей со сходными предпочтениями, а значит, и нуждающихся в разных типах товара. в-пятых, для ценовых исследований.

среди западных исследователей совместный анализ является наиболее частым методом, применяемым для исследования по требительских предпочтений [1;

2].

Основные понятия «совместного анализа» Атрибут продукта (product attribute) – некая его характери стика, важность которой для респондентов изучается. допустим, что рассматривается рынок мобильных телефонов. Тогда атрибу тами могут выступать, например, компания-производитель, цена, цвет, размер. Уровень атрибута (attribute level) – это конкретное Метод совместного анализа...

значение, которое может принимать тот или иной атрибут. на пример, такой атрибут мобильных телефонов, как бренд, может принимать следующие уровни: Nokia, Samsung, LG, Motorola, Siemens, Fly, Alcatel и т.п. Каждый атрибут должен обладать хотя бы двумя уровнями. все уровни атрибута должны быть взаимо исключающими.

Полезность (utility) – центральное понятие совместного анализа. полезность – это численное выражение степени предпо чтения респондентом того или иного уровня атрибута или товара.

различают частичную и общую полезность. первая из них означает степень предпочтения определенного уровня атрибута, например, марки Nokia. Общая полезность – это полезность всего продукта, описанного как комбинация изученных уровней атрибутов. она вычисляется как функция (линейная или нелинейная) от частич ных полезностей входящих в него уровней атрибутов.

Профиль продукта (product profile) – описание продукта с по мощью выбранных атрибутов. он может быть полным (описание продукта дается в терминах всех изучаемых характеристик) и не полным (описание приводится с помощью части характеристик).

полные профили используются при небольшом числе атрибутов (5-7), в противном случае применяются неполные профили во избежание перегрузки респондента информацией.

особо выделяют контрольный профиль (holdout) – это про филь, включенный в исследование, но не участвующий в расчете полезностей. он применяется для проверки правильности расчета полезностей и внутренней валидности данных. например, мы мо жем рассчитать полезности по основному набору профилей и на их основании попытаться предсказать, какие оценки должны были дать респонденты на контрольные профили. Тем самым появляется возможность проверить предсказательную способность данных.

Важность атрибута (attribute importance) есть численное выражение степени влияния атрибута на предпочтение продукта в целом, вычисляется на основе разницы между полезностями Т.А. Захарова, А.Х. Кутлалиев наиболее и наименее предпочитаемого уровня атрибута. если эта разница велика, значит, респондент более чувствителен к измене ниям атрибута, и следовательно, атрибут более важен. важность i-го атрибута Ii выражается в процентах и равна:

Umax i -Umin i Ii = 100, (1) n (U -Umin ) max i i i= где Umaxi – значение полезности для наиболее предпочитаемого уровня внутри i-го атрибута;

Umini – значение полезности для наи менее предпочитаемого уровня внутри i-го атрибута;

n – общее число атрибутов.

О моделях совместного анализа Можно выделить две группы математических моделей в со вместном анализе:

– описывающие взаимоотношения частичных полезностей уровней внутри атрибутов (их иногда также называют частными моделями);

– описывающие взаимоотношения общей полезности про дукта с частичными полезностями составляющих его уровней атрибутов (их иногда называют общими моделями).

в литературе описаны три варианта возможных взаимоот ношений частичных полезностей уровней внутри атрибутов:

векторная модель, модель идеальной точки и модель дискретной частичной полезности [3;

4].

1. Векторная модель (vector model) предполагает линейную зависимость величины полезности от величины уровня атрибута, т.е. с увеличением выраженности атрибута полезность линейно возрастает или убывает. векторная модель хорошо подходит для опи сания частичных полезностей внутри численного атрибута, т.е. такого свойства, уровни которого выражены в виде чисел, а не наимено Метод совместного анализа...

ваний – например, цена, скорость, вес и т.п. если рассматривается такой атрибут, как цена товара, то, скорее всего, с возрастанием цены полезность будет линейно уменьшаться1. Математически это выражается с помощью модели линейной регрессии.

2. Модель идеальной точки (ideal-point model) исходит из того, что у каждого респондента есть собственный наиболее предпочитаемый уровень среди всех уровней атрибута (идеальная точка), и отклонение от этого уровня в любую сторону вызывает уменьшения в предпочтении. при этом такая идеальная точка одна внутри каждого атрибута, и она обладает наибольшим значением полезности. примером такого атрибута может служить, напри мер, жирность молока. респондент может любить только молоко с жирностью 3-4%. более жирное молоко, например, 6%, будет казаться ему слишком сливочным или калорийным, менее жир ное – невкусным. Математически это можно описать с помощью модели квадратичной регрессии.

частным случаем этой модели является модель антиидеаль ной точки (anti-ideal point model), которая исходит из того, что у респондента существует некоторая точка с наименьшим пред почтением, и при удалении от нее полезности уровней атрибута возрастают.

3. Модель дискретной частичной полезности (part-worth model) исходит из того, что не существует однозначной формы зависимости между уровнями атрибута и степенью их предпочтения. уровни атрибута дискретны, и в каждой точке предпочтение вычисляется как функция от конкретного уровня. примером, иллюстрирующим эту модель, может служить полезность такого атрибута, как марка товара. Мы не можем описать полезности этого атрибута какой-то функцией, потому что в каждой точке (для каждой марки) полез на самом деле это не всегда так, и чаще всего предпочтение цены описывается криволинейными функциями, например, логистической кривой. однако для простоты примера предположим, что предпочтение цены линейно.

Т.А. Захарова, А.Х. Кутлалиев ность будет различна и интуитивно ясно, что значения этих полез ностей никак не связаны друг с другом, поскольку сами уровни дискретны.

первые две модели адекватны при описании взаимоотношений между полезностями только для численных атрибутов. Модель дис кретной частичной полезности подходит для любых атрибутов – как численных, так и номинальных, т.е. таких, уровни которых пред ставлены наименованиями, например, марка, цвет и т.п.

Модель дискретной частичной полезности является наиболее распространенной в совместном анализе. на практике исследова тель чаще всего сталкивается именно с такой ситуацией – наличи ем дискретного атрибута, между полезностями уровней которого не существует какой-то однозначной зависимости.

рассмотрим далее вторую группу моделей, описывающую соотношение частичных полезностей уровней атрибутов и об щей полезности (привлекательности) продукта. выбор общей модели совместного анализа зависит от наших предположений о взаимозависимости атрибутов. они могут быть независимыми (independent attributes), если сочетание их уровней увеличивает общую привлекательность продукта на величину, равную сумме их частичных полезностей. другими словами, покупателю все равно, как будут сочетаться уровни атрибутов в товаре, – любое их совмещение не даст ни дополнительного приращения при влекательности продукта, ни ее уменьшения. Атрибуты являются зависимыми (dependent attributes), если сочетание их уровней дает прибавку к общей полезности, большую или меньшую суммы их частичных полезностей;

другими словами, если имеет место эффект синергии атрибутов. примером зависимых атри бутов являются цвет и марка автомобиля;

как правило, красные (или черные) спортивные машины нравятся людям больше, чем просто красный цвет автомобиля и спортивная машина сама по себе, черная «волга» или «Мерседес» обладают особым пре стижем и т.п.

Метод совместного анализа...

в случае, если атрибуты независимы, общая полезность про дукта может быть посчитана как сумма частичных полезностей вхо дящих в него уровней атрибутов. в этом случае для оценки общей полезности продукта мы можем использовать аддитивную модель композиции, известную также как модель главных эффектов (main effects model). ее уравнение выглядит следующим образом:

ki m U (Xij ) = Uij X, (2) w U Xiij, i i j j i=1 j= где U(Xij) – общая полезность продукта;

m – количество атрибутов;

ki – количество уровней в атрибуте i;

Uij – частичная полезность j-го уровня i-го атрибута;

Xij равен 1, если в данном продукте присутствует j-й уровень i-го атрибута;

wi –важность атрибута.

Эта модель учитывает только чистые эффекты влияния атри бутов;

в теории факторного эксперимента эти эффекты называются «главными». отсюда и название модели.

если исследователь предполагает, что атрибуты не являются независимыми, то аддитивную модель композиции нельзя при менить, поскольку в данном случае полезность не может быть выражена как простая сумма частичных полезностей. в этом случае применяется модель композиции с учетом взаимодействия атрибутов (interaction effects model), которая учитывает как влия ние главных эффектов, так и взаимодействие атрибутов.

Основные математические методы расчета полезностей Кратко рассмотрим основные математические методы, ис пользуемые при расчете полезностей. выбор метода расчета по лезностей зависит от того, каким способом респондент выставлял оценки профилям.

наиболее часто применяется множественная регрессия ме тодом наименьших квадратов (ordinary least squares regression) в Т.А. Захарова, А.Х. Кутлалиев ситуации, когда респондент оценивал профили по шкале, а также в традиционном и адаптивном совместном анализе (подробнее об этих разновидностях совместного анализа см. ниже).

Множественный логит-анализ (multinominal logit) – это раз новидность регрессионного анализа, применяемая в случаях, когда зависимая переменная, будучи номинальной, принимает более двух значений, т.е. не является дихотомической [5]. он применя ется в совместном анализе, основанном на дискретном выборе.

Алгоритм поиска латентных классов (latent class analysis) – вид многомерного статистического анализа, который, основываясь на значениях некоторых наблюдаемых номинальных переменных (manifest variables), стремится сгруппировать респондентов в клас сы, т.е. выявить некоторую ненаблюдаемую латентную переменную [6]. он также используется в совместном анализе, основанном на дискретном выборе.

Иерархическое байесово моделирование (hierarchical bayes) – вид анализа, использующего байесовский подход, основанный на теореме об условных вероятностях [7;

8], и в котором при расчете параметров для каждого респондента модель «занимает» часть информации у всех остальных респондентов.

после расчета полезностей можно осуществить обратную композицию и рассчитать потенциальную привлекательность лю бого товара, описанного в терминах изучаемых характеристик. Это происходит на этапе анализа данных и осуществляется с помощью специальных программ, называемых симуляционными.

Симуляционные программы (market simulations) Такая программа является неотъемлемой частью большинства исследований с использованием метода совместного анализа и представляет собой реализацию алгоритма, моделирующего доли предпочтений тех или иных продуктов, базируясь на результатах применения метода. в качестве входной информации для таких Метод совместного анализа...

программ используются значения полезностей и важностей. иссле дователь задает описание рыночной среды, вводя в моделируемую ситуацию некоторое количество продуктов (с уровнями и атрибута ми). Такой набор создается так, чтобы по характеристикам присут ствующих в нем товаров он был сходен с реальной конкурентной средой, смоделировать которую стремится исследователь. Каждый набор конкурирующих товаров, созданных в виртуальной среде, называется симуляционным сценарием, или сценарием рынка (market scenario/simulation scenario). для каждого из присутствую щих на таком виртуальном рынке товаров программа рассчитывает предполагаемую долю предпочтений (preference share).

в симуляционный сценарий могут вноситься изменения – можно «выводить на рынок» новые товары или изменять уже существующие. соответственно, исследователь может изучать, как влияют вносимые изменения на прогнозируемые доли пред почтений.

Разновидности метода совместного анализа существует несколько разновидностей метода совместного анализа, отличающихся по алгоритму формирования профилей, порядку предъявления их респонденту, способу выставления оценки респондентом каждому профилю и по математическим методам, применяемым для расчета полезностей. имеется три наиболее распространенных разновидности метода совместного анализа.

1. Традиционный совместный анализ (regular conoint analy conoint analy conoint analy analy analy sis, RCA). исторически первая разновидность возникла вместе с самим методом. используются полные профили;

как следствие применяется лишь в ситуациях с небольшим числом исследуемых уровней и атрибутов (5-7). профили формируются по принципам классических факторных экспериментов. респондент рассматривает профили по отдельности, выставляя каждому профилю оценку по Т.А. Захарова, А.Х. Кутлалиев шкале, либо ранжируя их. в качестве метода расчета полезностей используется регрессия методом наименьших квадратов, монотон ная регрессия или иерархическое байесово моделирование.

2. Адаптивный совместный анализ (adaptive conjoint analysis, ACA). возник в середине 80-х гг. для применения в ситуациях, когда необходимо изучить большое число характеристик. гибрид ный метод сочетает в себе композиционный и декомпозиционный подходы к изучению предпочтений. в ходе опроса респонденту сначала предъявляются отдельные уровни и атрибуты товара и предлагается оценить их важность и предпочтительность по шкале (прямой подход). Затем попарно предъявляются неполные профили продукта и предлагается оценить привлекательность каждого (про фили помещаются на два «полюса» шкалы, от «1 – точно не предпо читаю профиль» до «2 – точно предпочитаю профиль»). основная отличительная особенность этой разновидности анализа – это адаптация анкеты под каждого конкретного респондента (отсюда и ее название). опрос происходит с применением компьютера, и алгоритм, формирующий анкету, учитывает все предыдущие отве ты респондента, составляя каждую последующую пару профилей так, чтобы получить максимальное приращение информации на каждом шаге. Это дает возможность рассчитать полезности и важ ности даже при очень большом числе атрибутов (до 30 атрибутов по 15 уровней каждый1), не перегружая респондентов длинными вопросниками. в качестве метода расчета полезностей применя ется регрессия методом наименьших квадратов или иерархическое байесово моделирование.

3. Совместный анализ, основанный на дискретном выборе (choice based conjoint, CBC). используется полный профиль в том случае, когда число атрибутов и уровней невелико. отличительная особенность разновидности заключается в способе предъявления имеются технические ограничения программного обеспечения, в котором реализована данная разновидность метода.

Метод совместного анализа...

профилей респонденту в виде «набора вариантов» (choice set) – одновременно показываются 2-5 профилей продукта, кроме того (опционально) вариант «не выберу ничего». респондент выби рает одну наиболее предпочитаемую концепцию, не оценивая ее по шкале. отсюда и название этой разновидности метода, ибо анализируется дискретный факт выбора, а не оценка по шкале (континууму). всего предъявляется от 12 до 20 таких наборов вариантов. в качестве метода расчета полезностей применяется множественный логит, алгоритм поиска латентных классов и иерархическое байесово моделирование.

Каждая из разновидностей метода совместного анализа имеет свою сферу применения. в частности, совместный анализ, осно ванный на дискретном выборе, подходит, если число атрибутов и уровней невелико, исследуется товар широкого потребления и один из атрибутов товара – цена. подробнее о разновидностях совместного анализа см. в источниках [3;

9;

10].

Преимущества и ограничения совместного анализа основные преимущества метода совместного анализа со стоят, во-первых, в том, что в ходе такого опроса лучше воспро изводится ситуация реального выбора. во-вторых, совместный анализ позволяет изучить то, как происходит компромиссный выбор при покупке. профили продукта, которые предъявляются респонденту, содержат как желательные, предпочитаемые уровни атрибутов, так и нежелательные. оценивая их, респондент всякий раз идет на компромисс. при этом происходит уход от проблемы появления высоких оценок важности всех атрибутов. в-третьих, с респондента снимается задача анализа собственной структуры предпочтений, и она перекладывается на плечи исследователя.

в ходе же опроса с применением метода совместного анализа респондент фокусируется на своем выборе в целом, а не на том, какая характеристика продукта важна для него. в-четвертых, Т.А. Захарова, А.Х. Кутлалиев оценка целостных профилей, а не отдельных характеристик товара позволяет исследовать взаимодействия между ними, эффекты их сочетания и синергии.

вместе с тем, метод совместного анализа обладает и рядом существенных недостатков. во-первых, для проведения иссле дования с его применением и обработки полученных данных в большинстве случаев необходимы специальные программы, которые недостаточно доступны. во-вторых, совместный ана лиз требует личного контакта интервьюера и респондента при опросе (в то время как вопросник с прямым изучением предпо чтений может быть выслан по почте или по нему опрос может быть проведен по телефону). Тем самым использование метода становится дорогостоящей процедурой. в-третьих, применение метода требует специальной подготовки исследователя, что особенно актуально для россии, где метод не так распростра нен, как в европе и сША. в-четвертых, в совместный анализ сложно включить большое число характеристик. очевидно, что респондент может эффективно отвечать на вопросы, если предъ являемые ему профили описаны не более чем 5-7, максимум характеристиками. при увеличении их числа респонденты на чинают путаться и либо отвечают наобум, либо фокусируются на одной-двух ключевых для них характеристиках, игнорируя остальные. все это приводит к искажению получаемых резуль татов. однако в конце 80-х гг. были разработаны техники, позво ляющие обходить эту проблему и включать в исследование до характеристик (разнообразные гибридные техники, в частности, адаптивный совместный анализ).

наконец, совместный анализ в классическом его варианте позволяет учитывать лишь свойства самого продукта, на основе которых в симуляционных программах и рассчитывается степень его предпочтения потребителем и предполагаемая доля рынка.

Между тем, на долю рынка нового продукта оказывают влияние не только свойства самого продукта, но и некоторые внешние, или си Метод совместного анализа...

туационные переменные, такие как объем рекламы, характер дис трибуции и т.д., которые не всегда могут быть учтены в совместном анализе. в связи с этим ограничением разработчики совместного анализа подчеркивают, что метод позволяет предсказать, скорее, долю предпочтений товара, а не реальную рыночную долю.

справедливости ради стоит отметить, что методы прямого изучения предпочтений также не учитывают внешние ситуаци онные переменные.

Метод совместного анализа как инструмент сегментации рынка возможны два подхода к сегментированию рынка с помощью метода совместного анализа [11]. во-первых, можно использо вать значения полезностей и важностей уровней и атрибутов для профилирования сегментов, полученных на основании, например, демографических или психографических переменных. Также иссле дователь может разбить выборку на части по переменной, подходя щей для априорной сегментации (например, по частоте потребления изучаемой товарной категории или по размеру домохозяйства), и затем проанализировать, как различаются рассчитанные значения полезностей каждой из полученных групп. во-вторых, результаты совместного анализа могут быть использованы в качестве базиса для сегментирования выборки. Это может носить как априорный, так и апостериорный характер. в первом случае исследователь задает целевые значения полезностей и разбивает выборку на сегменты в зависимости от значений полезностей, а во втором – формирует сегменты с помощью кластерного анализа полученных полезно стей или же использует иной метод поиска сегментов, например, алгоритм поиска латентных классов.

для иллюстрации возможностей метода совместного анализа как инструмента сегментации рассмотрим пример исследования с апостериорной сегментацией на базе полезностей (априорная сег Т.А. Захарова, А.Х. Кутлалиев ментация на базисе полезностей достаточно очевидна). объектом исследования являлся рынок упакованных кондитерских изделий:

пряники большого веса1. прикладная задача исследования состояла в необходимости принятия решения относительно конфигурации выводимого на рынок нового товара – упаковки больших пряников и в поиске потенциального целевого рынка для него. Задача реша лась на основе сегментирования рынка по критерию предпочтений относительно характеристик нового товара посредством метода совместного анализа.

исходно был сформирован следующий перечень атрибутов и соответственно их уровней:

1. Тип упаковки – картонная коробка, пластиковая коробка, целлофан.

2. вес одного пряника в граммах – 100, 130, 150, 200.

3. Количество пряников в упаковке в штуках – 3, 4, 5, 6.

4. Цена – уровни этого атрибута были заданы в зависимости от уровней второго и третьего атрибута (см. табл.1).

Таблица уровни АТрибуТА ЦенА, руб.

Количество пряников в упаковке, шт.

вес пряника, г 3 4 5 28 37 47 130 31 41 52 150 36 48 60 200 53 70 88 поскольку число атрибутов невелико, исследовался товар широкого потребления и одним из атрибутов была цена, то в ка исследование носило коммерческий характер, его подробности не разглашают ся. оно традиционное для изучения рынка товаров широкого потребления.

Метод совместного анализа...

честве разновидности метода совместного анализа был выбран совместный анализ, основанный на дискретном выборе.

в инструментарий были включены вопросы относительно:

– пола и возраста респондента, размера домохозяйства, числа детей до 16 лет, дохода на одного члена семьи;

– частоты покупки и потребления пряников большого веса респондентом и членами его семьи;

– участия респондента в процессе покупки и потребления пряников большого веса;

– ситуации потребления пряников большого веса (например, «для домашнего чаепития», «гостинец для своих домашних», «давать детям на учебу, чтобы перекусили» и т.п.).

Кроме этого, был блок вопросов, связанный со спецификой само го метода. в него было включено 18 наборов вариантов: 16 случайно сформированных и 2 контрольных. Каждый «набор вариантов» включал три профиля продукта и опцию «не куплю ни одну из них». Контрольные наборы вариантов были одинаковые, но один из них помещен в начале блока вопросов, другой – в конце. они включали в себя профили, представлявшие наибольший интерес для заказчика (см. табл. 2).

Таблица «если бы вы приШли в МАгАЗин поКупАТь пряниКи больШого весА и в продАже иМелись бы следующие упАКовКи, КАКую иЗ ниХ вы бы выбрАли?» Количество Цена за вес пряников в Тип упаковки упаковку, опция пряника, г упаковке, руб.

шт.

Целлофан не 100 6 куплю Картонная коробка 150 3 ни одну Картонная коробка 100 4 из них Т.А. Захарова, А.Х. Кутлалиев случайные профили были сформированы в соответствии с алгоритмом «сбалансированного пересечения» на основе следую щих принципов [5]:

– уровни атрибута отбираются в профиль с помощью случай ной повторной выборки;

– частота предъявления возможной пары уровней атрибутов в рамках профиля строится так, чтобы каждая предполагаемая пара показывалась минимальное число раз;

– один и тот же уровень атрибута появляется в вариантах несколько раз.

выборка была квотной, опрос проходил с применением пер сонального компьютера как инструмента сбора данных (CAPI – Computer Assisted Personal Interview). Квоты задавались по полу, возрасту, участию в процессе покупки/потребления товара и частоте потребления изучаемого товара самими респондентами и/или членами их семьи. всего было проведено 600 интервью, из которых 12 были признаны негодными (по продолжительности интервью1) и исключены из дальнейшего анализа. Таким образом, база для анализа составила 588 человек.

полезности были рассчитаны несколькими разными способами:

множественный логит, с помощью алгоритма поиска латентных клас сов, а также посредством иерархического байесового моделирования.

во всех трех случаях полезности рассчитывались как с учетом взаи модействий между атрибутами «вес пряника» и «количество пряни ков в упаковке», так и без них. Качество рассчитанных полезностей оценивалось по тому, насколько хорошо они предсказывали ответы респондентов на контрольные профили. опустив детали, отметим, что полезности с учетом взаимодействий между указанными атрибутами в целом лучше предсказывали ответы респондентов, чем без них.

личное интервью с применением персонального компьютера позволяет записы вать время начала, окончания и общую продолжительность интервью в минутах и секундах. если она мала, возникают сомнения в качестве интервью.

Метод совместного анализа...

сегментация осуществлялась с помощью двух техник – кла стерного анализа полезностей, рассчитанных с помощью иерархи ческого байесового моделирования, и алгоритма поиска латентных классов. и в том, и в другом случае было получено два устойчивых решения – с тремя и пятью сегментами. поскольку и в том, и в другом случае вариант с тремя сегментами лучше поддавался интерпретации, то было решено оставить именно его.

для профилирования сегментов, полученных с помощью кла стерного анализа, было подсчитано среднее значение полезностей внутри каждого кластера. для дополнительного профилирования был проведен факторный анализ методом главных компонент, в качестве входных данных использовались рассчитанные значения полезностей. применялось вращение Euamax и получено 9 фак Euamax и получено 9 фак и получено 9 фак торов, которые в совокупности объясняли 84,6% дисперсии. далее было подсчитано среднее значение каждого фактора (значения фактора для каждого респондента были сохранены) для каждого из полученных кластеров.

по результатам профилирования была получена интерпрета ция кластеров, описание которой приводится ниже.

Кластер 1. «Золотая середина во всем» (31,5% выборки) предпочитают упаковки с небольшим количеством пряников (3-4 шт.). при этом сами пряники должны быть, скорее, тоже не большого веса (100-130 г), наибольший вес – 200 г – в аутсайдерах.

наилучший общий вес упаковки колеблется в диапазоне 500-600 г, а цена – около 50 р. при этом слишком большие или слишком маленькие упаковки (как по весу, так и по цене) ими отвергают ся. большие количества пряников также отвергаются, хотя если общий вес или цена находятся в пределах средних, то они могут быть приняты. наилучший материал упаковки – пластик. Таким образом, респонденты, отнесенные к этому кластеру, стремятся к среднему значению во всем – в количестве пряников, их цене и общему весу упаковки.

Т.А. Захарова, А.Х. Кутлалиев Кластер 2. «Неопределившиеся» (31,6% выборки) не имеют четко выраженных предпочтений. Тенденция в сто рону покупки либо слишком тяжелых, либо очень легких упаковок.

Количество пряников и вес самого пряника не важны, но имеется небольшой уклон в сторону пластиковой упаковки.

Кластер 3. «Весовщики» (36,9% выборки) главное для них – общий вес упаковки, при этом вес самого пряника не важен – предпочтения значимо варьируют от доста точно больших до достаточно маленьких пряников. Количество пряников также не важно. наилучший общий вес упаковки – от 600 до 800 г. из упаковки предпочитают картонную коробку, цел лофан, а пластиковая коробка – в аутсайдерах. предпочитаемая цена – в пределах 50-60 рублей. Таким образом, для респондентов, отнесенных к этому кластеру, важен вес (он должен быть выше среднего), при этом все остальные факторы не важны. Цену они также готовы платить выше среднего.

Алгоритм поиска латентных классов также выявил три сегмен та со сходными профилями;

особенно четко были воспроизведены кластеры 1 и 3. при кросстабуляции двух решений был получен следующий результат, представленный в табл. 3.

Таблица КоличесТво респонденТов нА пересечении КлАссов сегментация с помощью алгоритма сегментация с помощью поиска латентных классов кластерного анализа Класс 1 Класс 2 Класс 3 всего Кластер 1 140 37 8 Кластер 2 7 33 146 Кластер 3 5 184 28 всего 152 254 182 Метод совместного анализа...

два принципиально различных по своей математической сущности метода дали сходный результат, что говорит о том, что полученные сегменты действительно существуют в выборке и тем самым подтверждается пригодность использования совместного анализа для сегментирования рынка.

по результатам исследования заказчику было рекомендовано разработать 2 варианта упаковок больших пряников: полукило граммовую упаковку с 3-4 штуками по средней цене, предпо чтительно в пластиковой коробке, и большую по весу упаковку (около 800 г) с ценой выше среднего, предпочтительно в картонной коробке.

История развития метода совместный анализ как метод маркетинговых исследований впервые возник в сША в конце 60-х – начале 70-х гг. XX в. его теоретические истоки лежат в математической психологии – на правлении практической психологии, широко развивавшемся в 60-е гг. р.д. льюис и дж.у. Тьюки, занимавшиеся изучением механизмов выбора, предложили свой способ измерения пред почтения социальных объектов: предъявлять респонденту ряд стимулов (объектов), описанных одновременно с помощью не скольких характеристик, и затем просить его проранжировать их в зависимости от предпочтительности. поскольку такой алгоритм предполагал одновременное изучение ряда свойств объекта, то р.д. льюис и дж.у. Тьюки назвали его совместным измерением (conjoint measurement). в 1964 г. в издании «журнал математичес кой психологии» была опубликована статья этих двух ученых, в которой и было впервые описано совместное измерение [12].

идея, изначально возникшая как новый подход к измерению предпочтений и установок, привлекла внимание ученых, работав ших в поле маркетинговых исследований. п.е. грин и его коллеги провели серию экспериментов с использованием совместного Т.А. Захарова, А.Х. Кутлалиев измерения применительно к решению маркетинговых задач. их ре зультатом стала статья, вышедшая в 1971 г. в издании «журнал маркетинговых исследований», где впервые был использован сам термин «совместный анализ» [13]. Эта дата считается официаль ным днем рождения метода.

Ключевым фактором, определившим дальнейший рост по пулярности метода, явилось создание простого и доступного программного обеспечения, позволявшего проводить опросы и анализировать данные, полученные с помощью совместного анализа. первые такие программы, предназначенные для широкой аудитории исследователей рынка, появились в 80-е гг. XX в.

в середине 80-х гг. развиваются новые разновидности метода совместного анализа, такие как адаптивный совместный анализ, или ACA (предложен р.М. джонсоном в 1987 г.) и гибридный со вместный анализ (hybrid conjoint, п.е. грин и коллеги [14;

15]).

обе эти разновидности были созданы для ситуаций, которые тре бовали включения в исследование большого числа уровней и атри бутов. они отличались от классического подхода, предложенного п.е. грином, по способу формирования профилей и предъявления их респонденту.

приблизительно в это же время появляются первые исследо вания и работы, посвященные совместному анализу, основанному на дискретном выборе (choice-based conjoint, CBC) [16], однако в 80-е гг. он значительно уступал по популярности адаптивному совместному анализу и традиционному совместному анализу.

причина этого заключалась в том, что первоначально CC по CC по по зволял производить расчет полезностей для всей выборки в целом, а не для отдельных респондентов. в 90-е гг., однако, были разработаны техники анализа данных, которые позволили обойти этот недостаток. в результате к концу 90-х гг. CC стал наиболее популярной среди исследователей разновидностью совместного анализа. в 90-е гг. также происходит расширение круга проблем, для решения которых применяется совместный анализ.

Метод совместного анализа...

в россии метод совместного анализа начал развиваться сравни тельно недавно – первые коммерческие проекты с его использованием появились лишь в середине 90-х гг. Метод применяется главным об разом в исследовательских агентствах, входящих в международные исследовательские сети, например, GfK Rus, A/R/M/I Marketing, Ipsos, Comcon. статистики использования метода в отрасли, однако, не суще ствует. из русскоязычных публикаций по методу совместного анализа следует отметить обзорную статью А. черенкова [3], достаточно под робно знакомящую исследователя с основными принципами метода.

лиТерАТурА 1. Green P.E., Srinivasan V. Conjoint Analysis in Marketing: New Developments with Implications for Research and Practice // Journal of Marketing. 1990.

2. Report on Conjoint Analysis Usage Among Sawtooth Software Customers // 2007 Sawtooth Software Conference Proceedings;

http://www.sawtoothsoftware.com.

3. Черенков А.А. применение метода совместного анализа в маркетинговых исследованиях // Маркетинг и маркетинговые исследования в россии. 1999. № 2.

4. Green P.E., Krieger A.M., Wind Y. Thirty ears of Conjoint Analysis: Reec Thirty ears of Conjoint Analysis: Reec tions and Prospects // Interfaces. 31:3. Part 2 of 2. May–June 2001. P. S56–S73;

http:// forum.gfk.ru/texts/index.html.

5. CC User Manual: Version 5 / Ed. by. Orme. Seuim, WA: Sawtooth Software, Inc., 2001.

6. The CC Latent Class Technical Paper (Version 3) // Sawtooth Software Research Paper Series. 2004.

7. CC Hierarchical ayes Analysis: Technical Paper (Version 3.2) // Sawtooth Software Technical Paper Series. 2004.

8. The CC/H System for Hierarchical ayes Estimation: Version 3.1. Seuim, WA: Sawtoth Software, Inc., 2003.

9. Huber J. Conjoint Analysis: How We Got Here and Where We Are (An Update) // Sawtooth Software Research Paper Series. 2005.

10. Orme B.K. Getting Started with Conjoint Analysis: Strategies for Product Design and Pricing Research // Research Publishers LLC. 2006.

11. Green P.E., Krieger A.M. Segmenting Markets with Conjoint Analysis // Journal of Marketing. October 1991. No. 55. P. 20–31.

12. Luce R., Tukey J. Simultaneous Conjoint Measurement: A New Type of Fundamental Measurement // Journal of Mathematical Psychology. 1964. No. 1.

13. Green P.E., Rao V.R. Conjoint Measurement for Quantifying Judgmental Data // Journal of Marketing Research. 1971. Vol. 8 (August). P. 355–363.

Т.А. Захарова, А.Х. Кутлалиев 14. Green P.E., Goldberg S.M., Montemayor M. A Hybrid Utility Estimation Model for Conjoint Analysis // Journal of Marketing. 1981. Vol. 45 (Winter). P. 33–41.

15. Green P.E. Hybrid Models for Conjoint Analysis: An Expository Review // Journal of Marketing Research. 1984. Vol. 21 (May). P. 155–159.

16. Louviere J., Woodworth G. Design and Analysis of Simulated Consumer Choice or Allocation Experiments // Journal of Marketing Research. 1983. Vol. (November). P. 350–367.




© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.