Страница 45 из 46
Автомобиль С может развить большую скорость, чем автомобиль В, однако он дороже и расход бензина у него выше. Также автомобиль В относится к другому бренду, нежели автомобиль С. Если респондент выбирает автомобиль С, это означает, что разница в брендах и более высокая скорость компенсируют высокую цену и повышенный расход бензина.
При парном сравнении респондент должен взвесить достоинства и недостатки каждого профиля по сравнению с другим. Это соответствует типичной ситуации покупки и более приближено к реальности, чем прямые вопросы насчет цены. Отклики на серию схожих парных сравнений показывают, насколько каждый отдельный атрибут важен для респондента. Далее мы можем определить, сколько полезности получает респондент от каждого уровня каждого атрибута.
Одна из проблем заключается в общем количестве парных сравнений, которые должен провести респондент. Если рассматривать в исследовании 81 потенциальный «автомобиль», это дает 3240 возможных парных сравнений. При дробном эксперименте количество необходимых парных сравнений можно существенно сократить. На практике, как правило, достаточно провести от 10 до 20 парных сравнений.
Как только данные получены, можно рассчитать частичные ценностные вклады. Это вклады каждого индивидуального уровня в общую полезность. Программное обеспечение (например, Sawtooth Software) поддерживает и сбор данных, и их анализ. На рис. 3.16 представлены примерные результаты для одного конкретного респондента.
Частичные ценностные вклады показывают, как меняется общая полезность изменений в автомобилях, если заменить один уровень атрибута на другой. Самые крупные отличия имеют место при изменении уровня атрибута «цена», а самые незначительные – когда мы заменяем уровень атрибута «самая высокая скорость». Влияние на клиентские предпочтения и решения о покупке варьируется в зависимости от атрибута.
Частичные ценностные вклады также помогают определить важность каждого атрибута.
Как правило, чем шире диапазон частичных ценностных вкладов, тем важнее атрибут. Важность wj атрибута j определяется разницей между самым большим и самым маленьким частичным ценностным вкладом на данном уровне. Эти значения можно выразить в виде относительной важности (в процентах):
В табл. 3.7 представлена абсолютная и относительная важность атрибутов. Цена представляет собой для данного респондента самый важный атрибут, за ним идут бренд и расход бензина. Высокая скорость стоит только на четвертом месте. Цена как более важный критерий, чем бренд, скорее типична для сегмента менее дорогих автомобилей среднего и малого размеров [33].
Частичные ценностные вклады можно применять непосредственно для выражения ценности дополнительных уровней атрибутов в терминах ценовых единиц. Для покупателя на рис. 3.17:
• ценность бренда VW превышает ценность бренда Ford на $862;
• повышение граничной скорости с 110 до 130 миль в час имеет ценность $215;
• повышение экономичности с 28 до 42 миль на галлон стоит $554.
Здесь мы имеем линейную модель предпочтений. Чтобы определить общую полезность конкретной модели автомобиля, нужно сложить частичные ценностные вклады, показанные на рис. 3.16 для каждого соответствующего уровня атрибута. В табл. 3.8 представлен этот процесс для трех автомобилей.
Рис. 3.16. Частичные ценностные вклады по одному респонденту
Таблица 3.7. Расчет важности атрибутов
Рис. 3.17. Функция «цена-отклик» автомобиля А
Таблица 3.8. Расчет значения полезности для трех автомобилей (на индивидуальной основе)
Автомобиль А обладает самой высокой общей полезностью и, скорее всего, из трех вариантов респондент выберет его. Автомобиль С мог бы иметь более высокую полезность, чем автомобиль В, если бы его цена была на $2000 ниже. Но здесь нет комбинации технических новшеств, которые помогли бы автомобилям В и С превзойти автомобиль А по общей полезности. Причиной является большая разница в полезности за счет вклада атрибута «цена» и его высокой важности для потребителей.
Далее мы будем рассматривать только автомобили А, В и С для определения инидивидуальных функций «цена-отклик». В этом случае мы имеем ценовое решение по принципу «да-нет».
Таблица 3.9. Расчеты рыночной доли автомобиля А и одного конкретного респондента
От полезности к объему продаж
Чтобы перейти от полезности к объему продаж, существуют две базовые модели. Детерминированная модель исходит из предпосылки, что будет куплен продукт с самой высокой общей полезностью. Согласно стохастической модели, значения полезности определяют вероятности покупки. В следующем примере мы используем стохастическую модель. Чтобы вывести обобщенную функцию «цена-отклик» из полезностей, используем модель притяжения. Вероятности покупки можно интерпретировать как доли рынка:
При данном подходе мы получаем «вероятности покупки» для каждого респондента и каждого рассматриваемого продукта по трем альтернативным ценам. Этот процесс показан для выбранного респондента в табл. 3.9 и графически представлен на рис. 3.17. Когда цена растет с $20 000 до $22 000, доля рынка снижается с 56 до 47 % (ценовая эластичность –1,6). Если цена повышается с $22 000 до $24 000, доля рынка падает до 33 %, а абсолютная ценовая эластичность резко возрастает до –3,3. Мы получаем общую долю рынка, сложив результаты по всем респондентам.
Довольно реалистичный подход к определению долей рынка основан на полиномиальной logit-модели и подходит для расчета как конкретной общей полезности, так и отношения «рынок – продукты конкурентов». Если автомобили А и В имеют сходные значения полезности, то верятность покупки будет меняться более резко, когда одна модель приобретает добавочную полезность, чем когда в отношении какой-то модели уже имеется сильное предпочтение.
Дальнейшее развитие метода совместного измерения
Теперь мы сосредоточимся на наиболее релевантных теоретичеких и практических подходах. Они различаются по процедуре оценки предпочтений и по выбору алгоритмов прогнозирования [31, 32, 34]. Прежде всего, мы проводим различие между следующими подходами.
• Классические – метод компромиссов и метод профилей.
• Гибридные – ACA (декомбинационный анализ) или ACBC (декомбинационный анализ, основанный на выборе).
• Моделирование дискретного выбора (DCM), совместный анализ, основанный на выборе (CBC) и совместный анализ с постоянной суммой (CSC).
Классический подход наталкивается на определенные проблемы валидности при большом количестве атрибутов. Для решения этих проблем ученые разработали гибридные подходы к совместному измерению.
Гибридные подходы сочетают в себе композиционные и декомпозиционные методы. В них применяются скоринговые модели и совместное измерение. Комбинирование двух данных подходов позволяет применять планы полного факторного эксперимента с дробными откликами к нескольким людям [30, 34]. При гибридном анализе респондентов на начальном (композиционном) этапе просят составить изолированные мнения о важности атрибутов и их уровней. На втором (декомпозиционном) этапе они оценивают выбранные комбинации атрибутов. Подобные подходы смягчают когнитивную нагрузку на респондента. Однако усилия по сбору данных здесь возрастают. Наиболее часто используемая форма гибридного совместного измерения – это ACA (декомбинационный анализ).