<<

стр. 29
(всего 35)

СОДЕРЖАНИЕ

>>


Выбор метода многомерного шкалирования
Выбор конкретного метода многомерного шкалирования зависит от того, какие именно
данные — о восприятиях или о предпочтениях, подлежат шкалированию, или необходимо
проанализировать оба их вида. Природа исходных данных определяющий фактор. Неметриче-
ские методы ММШ (nonmetric MDS) предполагают, что исходные данные будут порядковыми,
но в результате анализа они преобразуются в метрические.

Неметрические методы ММШ (nonmetric MDS)
Методы многомерного шкалирования, который используется тогда, когда исходные данные
порядковые.

Предположим, что расстояния на полученной пространственной карте выражены в интер-
вальной шкале. Неметрические методы ММШ определяют, в заданной размерности, простран-
ственную карту, на которой ранговые порядки оцененных расстояний между торговыми мар-
ками или объектами наилучшим образом сохраняют или воспроизводят ранговые порядки ис-
ходных данных. В противоположность этому, метрические методы ММШ (metric MDS)
предполагают, что исходные данные метрические.


782 Часть 111, Сбор, подготовка и анализ данных
Метрические методы ММШ (Metric MDS)
Методы многомерного шкалирования, используемый тогда, когда исходные данные мет-
рические.


Поскольку выходные данные также метрические, между исходными и выходными данны-
ми сохраняется сильная взаимосвязь, а атрибуты исходных данных, выраженные в метриче-
ской шкале (интервальной или относительной), также сохраняются. Метрические и неметри-
ческие методы приводят к одинаковым результатам [6].
Другой фактор, влияющий на выбор метода, определяет, проводится ММШ на уровне от-
дельного респондента или на агрегатном уровне. В анализе на уровне респондента данные ана-
лизируют отдельно для каждого респондента и получают пространственную карту также для
каждого респондента. Хотя анализ на индивидуальном уровне полезен с точки зрения перспек-
тив исследования, по мнению менеджмента, он не очень привлекателен. Маркетинговые стра-
тегии обычно формулируют на сегментном или агрегатном уровне, а не на индивидуальном.
Если выполнять анализ на агрегатном уровне, то при объединении индивидуальных данных
необходимо сделать некоторые допущения. Обычно принимают, что все респонденты исполь-
зуют одни и те же размерности для оценки торговых марок или объектов, но разные респонден-
ты взвешивают эти общие размерности по-разному.
Данные в табл. 21.1 представляют проранжированную оценку восприятия, для получения
которой использовали порядковую шкалу. Поэтому маркетологи использовали неметрический
метод ММШ. Поскольку эти данные получены от одного респондента, исследователи выпол-
нили анализ на индивидуальном уровне. Для построения пространственных карт использова-
ли от одной до четырех размерностей, а затем приняли решение о соответствующем количестве
размерностей. Это решение (о количестве размерностей) — центральный пункт ММШ, поэто-
му мы подробно рассмотрим его в следующем разделе.

Принятие решения о количестве размерностей
Цель многомерного шкалирования — получить пространственную карту с наименьшим ко-
личеством размерностей, которая наилучшим образом подходит для анализа исходных данных.
Однако пространственные карты рассчитывают таким образом, что соответствие модели исход-
ным данным увеличивается с ростом количества размерностей пространства. Поэтому следует
идти на компромисс. Для определения того, насколько принятое в рамках ММШ решение со-
ответствует точному отображению исходных данных, обычно используют показатель стресса.
Он является мерой соответствия подогнанной модели исходным данным; чем выше значение
стресса, тем ниже качество подгонки модели. Для определения числа размерностей пространст-
ва нужно руководствоваться следующими принципами.
• Априорное знание. Теория или результаты прошлых исследований могут подсказать ко-
личество размерностей в конкретной ситуации.
• Интерпретируемость пространственной карты. Обычно трудно интерпретировать кон-
фигурации или карты, полученные в более чем трех измерениях.
• Критерий изогнутости (elbow criterion). Следует изучить график зависимости стресса от
размерности пространства. Точки на графике стресса обычно образуют выпуклую кри-
вую, показанную на рис. 21.3. Точка, в которой наблюдается поворот или резкий изгиб,
указывает на соответствующее число размерностей. Увеличение размерности после точ-
ки излома обычно не улучшает адекватность подогнанной модели исходным данным.
• Легкость в использовании. Обычно легче работать с двумерными картами или конфигу-
рациями, а не с картами, включающими больше размерностей.
• Статистические методы. Опытные пользователи могут определять размерность стати-
стическими методами [7].


Глава 21. Многомерное шкалирование и совместный анализ 783
I Критерий изогнутости (elbow criterion)
Используемый в многомерном шкалировании график зависимости стресса от размерности
пространства. Точка, в которой наблюдается поворот или резкий изгиб, указывает на соот-
ветствующее число размерностей.




1 2 3 4 5
Число размерностей
Рис. 21.3. График зависимости стресса от размерности

Исходя из графика зависимости стресса от размерности пространства, интерпретируемости
пространственной карты и критерия легкости в использовании данной размерности, маркето-
логи в рассматриваемом нами примере приняли решение о двумерном пространстве. Это по-
казано на рис. 21.4.

Обозначение размерности и интерпретация
конфигурации точек на карте
Как только пространственная карта создана, необходимо дать название соответствующим
размерностям (осям координат на пространственной карте) и интерпретировать конфигурацию
точек на карте. Исследователь самостоятельно принимает решение об обозначении размерно-
сти, руководствуясь своим опытом. В этом помогут следующие указания.
• Даже если прямым метолом получены суждения респондентов о сходстве объектов, то
все равно можно собрать рейтинги торговых марок по характеристикам объекта. С по-
мощью регрессионного анализа эти атрибутивные векторы можно расположить на про-
странственной карте (рис. 21.5). Затем осям координат дается обозначение, исходя из то-
го, насколько близко векторы совмещаются с соответствующими осями.



Часть lit. Сбор» подготовка и анализ данных
784
1,0
Macleans Aim

0,5
Crest
Uftrabrite
Gieem

Pepsodentя
0,0
• Colgate
Dose-Up


-0,5
Aqua-Fresh

-1,0
Dentagard

-1,5

I I I I I
-2,0
l.b
00 0,5 1,0
-2,0 -1.5 -1,0 -0,5

Рис. 21.4. Пространственная карта торговых марок зубной
пасты

• После сбора прямым методом респондентами оценок сходства или восприятия их мож-
но попросить указать критерий, используемый в их оценках. Затем эти критерии при-
вязываются к осям пространственной карты.
• По возможности респондентам следует показывать пространственные карты, получив-
шиеся на основе их оценок и попросить обозначить оси, анализируя получившуюся
конфигурацию точек.
• Если существуют объективные характеристики товаров (например, лошадиная сила или
количество пройденных километров на литр бензина для автомобилей), то их можно
использовать как средство интерпретации субъективных размерностей пространствен-
ной карты.
Часто ось представляет несколько характеристик объекта. Пространственную карту можно
интерпретировать, изучив координаты и относительное расположение торговых марок. На-
пример, торговые марки расположенные рядом, конкурируют более жестко. Изолированно
расположенные торговые марки имеют свой уникальный имидж. Торговые марки, удаленные
от начала осей координат, сильнее по данной характеристике. Таким образом, можно истолко-
вать силу и слабость каждого товара. Пробелы на пространственной карте могут указывать на
потенциальные возможности для внедрения на рынок новых товаров.
На рис. 21.5 один отрезок горизонтальной оси можно обозначить как "защита от кариеса", а
другой — "отбеливание зубов". Торговые марки с высокими положительными значениями на
этой оси включают зубные пасты Aqua-Fresh, Crest, Colgate и Aim (сильная защита от кариеса).
Торговые марки с высокими отрицательными значениями на этой оси включают зубные пасты
Ultra Brite, Close-Up и Pepsodent (обладают хорошим отбеливающим эффектом, обеспечивают
белизну зубов). Вертикальные оси можно интерпретировать: ''плохо удаляет зубной налет " по
сравнению с "хорошо удаляет зубной налет". Обратите внимание, что зубная паста Dentagard,
известная способностью удалять зубной налет, имеет отрицательное значение по вертикальной
оси. Пробелы на пространственной карте показывают потенциальные возможности для пред-
ложения зубной пасты со свойствами высокой защиты от кариеса и хорошей способностью
удалять зубной налет.



Глава 21. Многомерное шкалирование и совместный анализ 785
• Colgate
Oose-Up
."
-• •
-0,fi
Aqua-Fresh
- Отбеливает зубы
-1,0
Dentagard
-1,5




-2,0 -1,5 -1,0 -0,5 0,5 1,0 1,5 2,0

Рис, 21.5. Использование атрибутивных векторов для обозна-
чения осей координат



Оценка надежности и достоверности
Маркетологу необходимо оценить надежность и достоверность решений многомерного
шкалирования. Для этого предлагаются следующие действия.
• Рассчитать коэффициент соответствия или R2 — квадрат коэффициента корреляции,
указывающий на долю дисперсии оптимально шкалированных данных, которая может
быть учтена методом многомерного шкалирования. Таким образом, этот коэффициент
показывает, насколько хорошо модель многомерного шкалирования соответствует ис-
ходным данным. Несмотря на то, что желательно иметь высокие значения R2, допусти-
мыми считаются значения 0,60 и выше.
• Значения стресса— также показатели качества решений ММШ. R2 представляет собой
меру соответствия модели исходным данным, а стресс — меру несоответствия модели
или долю дисперсии оптимально шкалированных данных, которую не учитывает мо-
дель ММШ. Значения стресса варьируют в зависимости от метода ММШ и анализи-
руемых данных. Для значений стресса, вычисляемых по стресс-формуле Краскела, да-
ются следующие рекомендации [8].
Стресс (%) Критерий соответствия модели
20 Плохое
10 Удовлетворигельное
5 Хорошее
2,5 Отличное
О Превосходное (полное)
• Если анализ проводят на агрегатном уровне, то исходные данные можно разбить на две
или больше частей. Процедуру ММШ следует выполнить отдельно для каждой части, а
затем результаты сравнить.



786 Часть III. Сбор, подготовка и анализ данных
• Некоторые из объектов можно выборочно исключить из исходных данных и решения
принимать по оставшимся объектам.
• К исходным данным можно добавить случайный ошибочный член. Полученные в ре-
зультате данные подвергают ММШ и решения сравнивают.
• Исходные данные можно собрать в разное время и сравнить проверочные тесты между
собой.
Для оценки достоверности ММШ существует ряд формальных процедур [9]. В нашем при-
мере значение стресса, равное 0,095, указывает на удовлетворительное соответствие модели ис-
ходным данным. Одна торговая марка, Dentagard, отличается от других. Существенно ли изме-
нит исключение Dentagard из набора стимулов относительную конфигурацию других торговых
марок на пространственной карте? Пространственная карта, полученная после удаления из ис-
ходных данных Dentgard, показана на рис. 21.6.




1.0 Aqua-Fresh

0,5 Close-Upя
Macleans Colgate
00
• • Uitrabrtte Crest
Pepsodent
-05


1,0




-го
Рис. 21.6. Оценка стабильности расположения торговых марок
за счет удаления одной торговой марки

Наблюдается некоторое изменение относительного расположения торговых марок, особен-
но Gleem и Macleans. Поскольку изменения небольшие, это свидетельствует об удовлетвори-
тельной стабильности расположения торговых марок на пространственной карте [10].


ДОПУЩЕНИЯ И ОГРАНИЧЕНИЯ ММШ
Укажем на некоторые допущения и ограничения многомерного шкалирования. При
проведении ММШ предполагается, что объект А похож на объект В так же, как объект В —
на объект А. Существует несколько примеров, в которых это допущение нарушается. На-
пример, Мексику воспринимают как более похожую на США, чем С Ш А — на Мексику.
Многомерное шкалирование допускает, что расстояние (сходство) между двумя объектами
представляет собой некоторую функцию от их частичных сходств по каждой из несколь-
ких воспринимаемых характеристик.
После получения пространственной карты принимают, что расстояния между точками из-
мерены в относительной шкале, а многомерные оси координат на карте выражены в интер-


787
Глава 21. Многомерное шкалирование и совместный анализ
вальной шкапе. Ограничение ММШ состоит в том, что интерпретировать размерность, связан-
ную с физическими изменениями в торговых марках, к изменениям на пространственной кар-
те достаточно сложно. Эти ограничения справедливы и для данных о восприятиях.


ШКАЛИРОВАНИЕ ДАННЫХ О ПРЕДПОЧТЕНИЯХ
Анализ данных о предпочтениях может быть внешним или внутренним. При проведении
внутреннего анализа предпочтений (internal analysis of preferences) пространственную карту, на
которой представлены точки или векторы, соответствующие как торговым маркам (объектам),
так и респондентам, строят исключительно на основе данных о предпочтениях. Таким образом,
собрав данные о предпочтениях респондентов, как марки, так и респондентов можно предста-
вить на одной и той же пространственной карте.

Внутренний анализ предпочтений (internal analysis of preferences}
Метод такой компоновки пространственной карты, что она представляет точки или векторы,
соответствующие и торговым маркам, и респондентам. Пространственную карту получают
исключительно из данных о предпочтениях.

При внешнем анализе предпочтений (external analysis of preferences) идеальные точки или
векторы, в основе которых лежат данные о предпочтениях, наносят на пространственную карту,
полученную из данных о восприятии (т.е. сходства). Чтобы выполнить внешний анализ, необ-
ходимо получить данные и восприятий, и предпочтений. Представление и марок, и респон-
дентов в одном и том же пространстве с использованием внутреннего и внешнего анализа на-
зывается разверткой.

Внешний анализ предпочтений (external analysis of preferences)
Метод такой компоновки пространственной карты, что в результате она представляет
идеальные точки или векторы, нанесенные на карту, полученную на основе данных о
восприятии.

Для большинства ситуаций лучше выполнять внешний анализ [11]. Во внутреннем анализе
различия в восприятиях переплетены с различиями в предпочтениях. Может быть такая ситуа-
ция, что характер и относительная важность измерений варьируют между пространством дан-
ных о восприятии и пространством данных о предпочтениях. Респонденты могут одинаково
воспринимать две марки (на пространственной карте восприятий они расположены близко од-
на от другого), но четко предпочитать одну марку другим (в пространстве предпочтений эти
марки далеко отстоят одна от другой). Эти ситуации не учитывает внутренний анализ. Кроме
того, методы внутреннего анализа сложны для вычислений [12].
Проиллюстрируем внешний анализ на основе шкалирования предпочтений нашего рес-
пондента в рамках его собственной пространственной карты. Респондет ранжировал торговые
марки зубной пасты в такой поеледонательности (в порядке убывания): Colgate, Crest, Aim,
Aqua-Fresh, Gleem, Pepsodent, Ultra Brite, Macleans, Close-Up и Dentagard. Эти ранги предпоч-
тений наряду с данными пространственной карты (рис. 21.5) использовали в качестве исход-
ной информации для программы шкалирования предпочтений, по результатам работы которой
получили рис. 21.7.
Обратите внимание на расположение идеальной точки. Она находится вблизи Colgate,
Crest, Aim и Aqua-Fresh, четырех наиболее предпочитаемых марок зубной пасты, и вдали от
Close-Up и Dentagard. наименее предпочитаемых марок зубной пасты. Если в этом пространст-
ве расположить новую марку, то се расстояние от идельной точки относительно расстояний
других марок от идеальной точки определяет степень предпочтения для этой торговой марки.
Приведем еще один пример многомерного шкалирования.



788 Часть III. Сбор, подготовка и анализ данных
Macleans Aim
0,5
i
Ultrabrite Crest
Gieem

Идеальная точка
Pepsodent
0.0
Colgate

Ctose-Up •
Aqua-Fresh



Dentagard
J I
-0,6 -0,4 -0,2 0,0 0,2 0,4

Рис. 21,7. Внешний ана/гиз данных о предпочтениях


ПРИМЕР. Автомобили: на карте места много — располагайся, где пожелаешь
Ниже показана пространственная карта отдельных торговых марок автомобилей, полу-
ченная на основе М М Ш из данных о сходстве.
Спортивность автомобиля
(Высокая)

Porsche «

• Jaguar



Toyota
Высокая престижность/ Honda Экономичные
Дорогие автомобили модели


Chevrolet
Buick
Continental
Dodge
• VW

Mercedes Hyundai

(Низкая)
Соместная пространственная конфигурация марок автомобилей и предпочтений потребителей
(данные иллюстративные)

На ней каждая марка автомобиля определяется расстоянием от других марок. Чем ближе
между собой расположены две марки автомобилей (например, Volkswagen и Dodge), тем
больше, по мнению респондентов, они похожи одна на другую. Чем дальше находятся они

789
Глава 21. Многомерное шкалирование и совместный анализ
одна от другой (например, Volkswagen и Mercedes), тем меньше, с точки зрения респонден-
тов, они похожи. Малое расстояние может также указывать на конкуренцию. Например,
Honda сильно конкурирует с Toyota и не конкурирует с Continental или Porsche. Размерность
пространства интерпретируем так: "экономичная/престижная модель" — одна ось коорди-
нат и "спортивная/неспортивная модель" — другая ось координат. Теперь определим поло-
жение каждого автомобиля.
Данные о предпочтениях состояли из обычных рангов торговых марок в соответствии с
предпочтениями потребителей. Идеальные точки респондентов расположены в том же про-
странстве. Каждая идеальная точка представляет местоположение предпочтения конкретно-
го респондента. Таким образом, респондент 1 (обозначенный И) предпочитает спортивные
автомобили: Porsche, Jaguar и Audi. Респондент 2 (обозначенный 12) предпочитает дорогие
автомобили: Continental, Mercedes, Lexus и Cadillac,
Такой анализ можно выполнить на идивидуальном респондентском уровне, и это позво-
лит исследователю разделить рынок на сегменты с похожими идеальными точками, вы-
бранными респондентами. Альтернативно, респондентов можно разделить на кластеры на
основании сходства объектов, с учетом исходных рангов предпочтений и идеальных точек,
установленных для каждого сегмента [13].

До сих пор мы рассматривали только количественные данные, хотя качественные данные
также можно представить на пространственной карте, используя анализ соответствий,


АНАЛИЗ СООТВЕТСТВИЙ
Анализ соответствий (correspondence analysis) — это метод ММШ для шкалирования качест-
венных данных в маркетинговых исследованиях. Исходные данные представляют в форме таб-
лицы сопряженности, показывающей качественную связь между колонками и рядками.

Анализ соответствий (correspondence analysis)
Метод ММШ для шкалирования качественных данных на основе шкалирования рядков и
колонок в исходной таблице сопряженности в соответствующие единицы так, чтобы их
представить графически в том же пространстве с возможно более низкой размерностью.

С помощью анализа соответствий маркетологи представляют числа в рядках и колонках в
таких единицах измерения, чтобы представить объекты графически в пространстве с возможно
более низкой размерностью. Эти пространственные карты позволяют понять следующее: сход-
ства и различия внутри рядков относительно задаваемой колонкой категории; сходства и раз-
личия внутри колонок относительно задаваемой рядком категории; взаимосвязь между рядка-
ми и колонками [14].
Интерпретация результатов анализа соответствий аналогична интерпретации результатов в
анализе главных компонентов (глава 19). Анализ соответствий группирует категории (виды
деятельности, торговые марки или другие объекты), выявленные в таблице сопряженности, так
же как анализ главных компонентов состоит в групировании независимых переменных. Ре-
зультаты интерпретируют с точки зрения близости между рядками и колонками в таблице со-
пряженности. Категории, ближе расположенные одна к другой, считаются более схожи между
собой в структуре подлежащих факторов [15].
Преимущество анализа соответствий по сравнению с другими методами многомерного
шкалирования состоит в том, что он снижает требования к набору данных, налагаемые на
респондентов, потому что достаточно иметь только бинарные или категориальные дан-
ные. Респондентов просто просят проверить, какие из характеристик относятся к каждой
из нескольких торговых марок, Исходные данные представляют собой число ответов "Да"
для каждой марки по каждой из характеристик товара. Затем торговые марки и характери-
стики товара показывают в одном и том же многомерном пространстве. Недостаток ана-
лиза соответствий заключается в том, что расстояние между колонкой и рядком не подда-

790 Часть III. Сбор, подготовка и анализ данных
ется интерпретации. Анализ соответствий является методом анализа экспериментальных
данных, который не подходит для проверки гипотез [16].
Многомерное шкалирование, включая анализ соответствий, — не единственная процедура
для получения карт восприятий. Ранее мы уже обсудили два других метода — дискриминант -
ный анализ (глава 18) и факторный анализ (глава 19), которые также можно использовать для
получения карт восприятий.


ВЗАИМОСВЯЗЬ МЕЖДУ МНОГОМЕРНЫМ
ШКАЛИРОВАНИЕМ, ФАКТОРНЫМ
И ДИСКРИМИНАНТНЫМ АНАЛИЗОМ
Пространственные карты можно также получить с помощью факторного или дискрими-
нантного анализа. При таком подходе каждый респондент оценивает п торговых марок по т ха-
рактеристикам. Выполнив факторный анализ данных, можно вывести для каждого респонден-
та оценку каждого фактора, по одному для каждой торговой марки. Построив график зависи-
мости значения торговой марки от фактора, получим пространственную карту для каждого
респондента. Если требуется построить карту на агрегатном уровне, то можно усреднить (по
всем респондентам) значения фактора для каждой торговой марки для каждого фактора. Оси
координат обозначают, изучив факторные нагрузки, т.е. оценки корреляций между атрибутив-
ными рейтингами и основными факторами [17].
Цель дискриминантного анализа — выбор линейных комбинаций характеристик, которые
наилучшим образом различают торговые марки (объекты). Для создания пространственных
карт с помощью дискриминантного анализа зависимая переменная должна быть оцененной
торговой маркой, а независимые переменные (предикторы) представляют собой рейтинги ха-
рактеристик. Пространственную карту можно получить построением диаграммы дискрими-
нантных показателей для торговых марок. Оси координат можно обозначить, изучив дискри-
минантные веса или взвешенные характеристики, которые образуют дискриминантную функ-
цию или размерность [18].


ОСНОВНЫЕ ПОНЯТИЯ СОВМЕСТНОГО АНАЛИЗА
С помощью совместного анализа (conjoint analysis) маркетологи пытаются определить отно-
сительную важность, которую придают потребители ясно выраженным характеристикам, а
также полезность, которую они связывают с уровнями характеристик [19].

Совместный анализ (conjoint analysis)
Метод, с помощью которого маркетологи пытаются определить относительную важность,
которую придают потребители ясно выраженным характеристикам, а также полезность, ко-
торую они связывают с уровнями характеристик.

Эту информацию маркетологи получают из оценок потребителями торговых марок или
профилей торговых марок, составленных из характеристик товаров и их уровней. Респондентов
знакомят с объектами, которым присущи определенные характеристики и уровни этих харак-
теристик, и просят оценить эти объекты с точки зрения желательности тех или иных характе-
ристик. Маркетологи, используя метод совместного анализа, пытаются присвоить уровням ка-
ждой характеристики определенную ценность. В итоге ценности или полезности, которыми
обладает каждый объект, тесно согласуются с исходными оценками респондентов. Основное
допущение состоит в том, что любой набор объектов, таких как изделия, торговые марки или
магазины, оценивают как пучок характеристик [20].



Глава 21. Многомерное шкалирование и совместный анализ 791
Подобно многомерному шкалированию, совместный анализ опирается на субъективные
оценки респондентов. Однако, если в ММШ объекты представляют собой изделия или торго-
вые марки, в совместном анализе— комбинации уровней характеристик объекта, определяе-
мые исследователем. Цель ММШ — разработать пространственную карту, изображающую объ-
екты в многомерном пространстве восприятий или предпочтений. С помощью совместного
анализа маркетологи стремятся определить функции частной ценности или полезности, опи-
сывающие полезность, которую потребители присваивают уровням каждой характеристики.
Два метода взаимно дополняют один другого [21].
Совместный анализ используют в маркетинге для различных целей.
• Определение относительной важности характеристик в процессе выбора товара потреби-
телем. Типичный результат совместного анализа представляет собой веса относительной
важности для всех характеристик, используемых для описания объектов. Веса относи-
тельной важности показывают, какие из характеристик больше всего влияют на выбор
потребителя.
• Определение рыночной доли торговых марок, которые различаются уровнями своих
характеристик. Значения полезностей, полученные в результате совместного анализа,
можно использовать как исходные данные в модели выбора, чтобы определить долю,
выпадающую на те или иные марки, и, следовательно, долю рынка различных торго-
вых марок.
• Определение структуры свойств наиболее предпочитаемой торговой марки. Свойства
торговой марки могут варьировать с точки зрения уровней характеристик и соответст-
вующих полезностей. Свойства торговой марки, которые приводят к наивысшей полез-
ности, указывают структуру характеристик наиболее предпочитаемой торговой марки.
• Сегментирование рынка, исходя из сходства предпочтений для уровней характери-
стик. Функции частной ценности, полученные для характеристик, можно использо-
вать как основу для кластеризации респондентов в однородные по своим предпочте-
ниям сегменты [22].
Совместный анализ находит применение при изучении потребительских и промышленных
товаров, финансовых и других услуг. Более того, эти применения совместного анализа прости-
раются на всю сферу маркетинга. Б недавнем обзоре совместного анализа сообщается о приме-
нении совместного анализа для определения идеи нового товара, конкурентного анализа, це-
нообразования, сегментации рынка, рекламы [23].


СТАТИСТИКИ И ТЕРМИНЫ, СВЯЗАННЫЕ
С СОВМЕСТНЫМ АНАЛИЗОМ
С совместным анализом связаны следующие основные статистики и термины.
Функции частной ценности (part-worth functions), или функции полезности. Эти функции
описывают полезность, которую потребители присваивают уровням каждой характеристики.
Веса относительной важности (relative importance weights). Показывают, какие характеристи-
ки больше всего влияют на выбор потребителя.
Атрибутивные уровни, уровни характеристик (attribute levels). Показывают значения харак-
теристик.
Полные профили (full profiles). Полные профили или конкурентные профили торговых ма-
рок, построенные на базе всех характеристик с использованием их уровней,
Парные таблицы (pairwisc tables). Таблицы, в которых респонденты одновременно оценива-
ют по две характеристики до тех пор, пока не оценят все пары характеристик.
Циклические планы (cyclical designs). Планы, используемые для снижения числа попар-
ных сравнений.


792 Часть III. Сбор, подготовка и анализ данных
Планы дробных факторных экспериментов (fractional factorial designs). Планы, используемые
для снижения числа профилей объектов, определяемых в полнопрофильном методе.
Ортогональные таблицы {orthogonal arrays). Специальный класс планов дробных факторных
экспериментов, который позволяет эффективно оценивать все главные эффекты.
Внутренняя достоверность (internal validity). Определяется на основе корреляции предска-
занных оценок проверочных объектов с оценками объектов, данными респондентами.


ВЫПОЛНЕНИЕ СОВМЕСТНОГО АНАЛИЗА
На рис. 21.8 перечислены этапы совместного анализа.

Формулирование проблемы

I
Конструирование объектов


Прин


Выбор метода совместного анализа

" -- •

. Интерпретация результатов -

I
Оценивание надежности и достоверности

Рис. 21.8. Совместный ана/шз

Формулирование проблемы включает идентификацию основных характеристик объекта
и их уровней. Эти характеристики и их уровни используют для конструирования объектов в
задаче совместного оценивания. Респонденты оценивают или ранжируют объекты, исполь-
зуя подходящую шкалу, и полученные данные анализируют. Результаты интерпретируют и
оценивают их надежность и достоверность. Теперь опишем каждый из этапов совместного
анализа детально.

Формулирование проблемы
При формулировании проблемы совместного анализа исследователь должен определить ха-
рактеристики и уровни характеристик (атрибутивные уровни), используемые в конструирова-
нии объектов. Атрибутивный уровень указывает на значение данной характеристики. С теоре-
тической точки зрения выбранные характеристики должны быть явно выраженными, вносить
основной вклад в предпочтения и выбор потребителей. Например, при выборе марки автомо-
биля в характеристики следует включить цену автомобиля, расход бензина на определенное
количество километров пути, объем салона автомобиля и т.п. С точки зрения менеджмента, ха-
рактеристики и их уровни должны быть такими, чтобы их можно было контролировать и ими
управлять. Доклад менеджеру о том, что потребители предпочитают спортивные автомобили
обычным, выглядит бесполезно до тех пор. пока спортивный и обычный стиль автомобилей не
выразят через характеристики, которыми менеджер может управлять. Маркетологи могут опре-
делить интересующие их характеристики в ходе встреч с менеджментом и отраслевыми экспер-


Глава 21, Многомерное шкалирование и совместный анализ 793
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
Номер
Характеристика Описание

3
Подошва Резина
!
; Полиуретан
1 Пластик
Верх 3 Кожа
Парусина
2
1 Нейлон
Цена 3 $30,00
2 $60,00
1 $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].



Часть III. Сбор, подготовка и анализ данных
794
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.

Подошва

Резина Полиуретан Пластик


Кожа



Парусина



Нейлон



Подошва

Резина Полиуретан Пластик


S.10



$60




Цена

$30 $90
$60


Кожа



g- 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.) 30

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

1 1
1
1 9
2 2 2
1 7
3
3
3 1 5
2
4 2
1 6
2 3
5 2 5
3 1
6 2 6
1 3
7 3 5
2 1 7
8 3
3
9 3 2 6

'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);
kj — число уровней характеристики /;
m — число характеристик;
ху = 1 , если/- и 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 a{j 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 =1 .

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 1, 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 с
фиктивными переменными
Характеристики
Подошва
Рейтинги предпочтений Цена
Верх

Y X, Хг Хз Хз Хе
Х4

;.
1
1 1 0
9 0
1 1
I 0 0 0
1
0 0 0 0
Г) 0
1 1 1
0
0 0
6
1 1 0
5 D 0
0
1 1
6 0 0
0 0
5 1 0
0 0
0 0
1 1
0
7 0 0
0
1
0
6 0 0
0 0

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
Уровень
Характеристика Номер Описание Полезность Важность

Подошва Резина
3 0,778
Полиуретан
:-• - 0,556
Пластик
1 - 0,222 0.286
Верх Кожа
3 0,445
Парусина
2 0,111
Найлон 0,214
- 0,556
3 1,111
Цена
2 0,111
1 -1,222 0,500

Модель для вычисления полезности можно представить в следующем виде:
U=Ь +b
где
X,, X2 — фиктивные переменные, представляющие характеристику "подошва";
Х3, Х4 — фиктивные переменные, представляющие характеристику "верх";
Х5, Х6 — фиктивные переменные, представляющие характеристику "цена".
Для характеристики "подошва" атрибутивные уровни можно закодировать так:
Хг Хг
Уровень 1 1 О
Уровень 2 0 1
Уровень 3 0 О
Уровни других характеристик кодируют аналогично. Маркетологи получили следующие
результаты параметров:
i(J = 4,222,
b, = 1,000,
Ь2= - 0,333,
и, = 1,000,
Ь4 = 0,667,
bf= 2,333,
Ь6= 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„ + а!2 + ог„ = О
Эти уравнения для первой характеристики, "подошвы", следующие:



Глава 21. Многомерное шкалирование и совместный анализ 799
alt -«„=1,000,
а/2— «„=-0,333,
Г. ---
.!.




а,{ + а ,2 + а„ = 0.
Решив эти уравнения, получим:
ос„ = 0,778,
а,2=- 0,556,
ап = - 0,222.
Полезности для других характеристик, приведенных в табл. 21.6, оценим аналогично, Для
характеристики "верх" имеем:
а.21-а23=Ь3,



Для третьей характеристики "цены" получим:


+
«и + «ч «и = 0.
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 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
Полезность
Полезность




тз
о
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 Я2 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 R2, 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.

I 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 Разрешение монитора Режим ввода
'• _*
Зг




Нормальное Высокое Клавиатура Мышь
13' |.
$1000 $1500 $2000
разрешение разрешение
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.
Относительная важность характеристики
Критерий оценки важность
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
ГИБРИДНЫЙ СОВМЕСТНЫЙ АНАЛИЗ
Гибридный совместный анализ (hybrid conjoint analysis) представляет собой попытку упро-
стить обременительную задачу сбора данных в обычном совместном анализе.

Гибридный совместный анализ (hybrid conjoint analysis)
Форма совместного анализа, которая упрощает задачу сбора данных и определяет избран-
ные взаимодействия, а также все главные эффекты.

Каждый респондент оценивает много профилей, даже если оценивают только одни ли-
нейные функции полезности без каких-либо эффектов взаимодействий. В модели частной
ценности или модели главных эффектов значение комбинации представляет собой просто
сумму отдельных главных эффектов (линейных функций полезности). Фактически, две ха-
рактеристики взаимодействуют в том смысле, что респондент может оценить комбинацию
выше среднего вклада отдельных полезностей. Гибридная модель разработана для двух глав-
ных целей — упростить задачу сбора данных и допустить вычисление избранных взаимодей-
ствий (на уровне подгруппы) так же, как и все главные (или линейные) эффекты на инди-
видуальном уровне.
В гибридном подходе респонденты оценивают ограниченное количество, обычно не боль-
ше девяти таких объектов совместного анализа, как полные профили. Эти профили выбирают
из большого основного набора, и разные респонденты оценивают различные наборы профи-
лей, так что в конце концов оцениваются все рассматриваемые профили. В дополнение рес-
понденты прямо оценивают относительную важность каждой характеристики и желательность
уровней каждой характеристики. Комбинируя прямые оценки с оценками, полученными оце-
нивай нем объектов для совместного анализа, можно определить модель на агрегатном уровне и
при этом сохранить некоторые индивидуальные различия [35].
Многомерное шкалирование и совместный анализ-— взаимодополняющие методы, кото-
рые используются вместе, как это и показано в следующем примере.

ПРИМЕР. Fusilade вне конкуренции
Руководство компании 1C I Americas Agricultural Products колебалось, стоит ли снижать
цену на выпускаемый ею гербицид Fusilade. Оно сомневалось, что эта продукция
'выживет" в условиях рынка с умеренными ценами. Поэтому, чтобы оценить относи-
тельную значимость различных характеристик, учитываемых при выборе гербицидов,
компания разработала план опроса, способ измерения восприятий и карту восприятий
основных гербицидов по одним и тем же характеристикам. Маркетологи опросили 601
фермера, занимающегося выращиванием сои и хлопка, которые имели не меньше 200 ак-
ров земли под этими культурами и широко применяли гербициды. Сначала провели со-
вместный анализ, чтобы определить относительную значимость характеристик гербици-
дов, которыми руководствовались фермеры при выборе гербицидов. Затем маркетологи
[ использовали многомерное шкалирование, чтобы получить карту восприятий гербици-
дов. Изучение показало, что цена гербицидов очень влияет на их выбор, и респонденты
были особенно чувствительны к цене, если стоимость гербицида превышала 18 долларов
на акр. Но цена оказалась не единственным определяющим фактором. Фермеры также
учитывали, сколько видов сорной травы может уничтожить данный гербицид. Они могли
заплатить и более высокую цену, если бы это помогло им избавиться от сорняков. Иссле-
дование показало, что гербициды, которые не уничтожают даже один из четырех самых
распространенных видов сорняков, должны стоить дешево, чтобы завоевать приемлемую
долю рынка. Fusilade хорошо зарекомендовал себя. Более того, многомерное шкалирова-
ние показало, что один из конкурентов Fusilade считается более дорогим. Поэтому компа-
ния 1C I Americas Agricultural Products решила придерживаться первоначального уровня цен,
решив не снизижать цену на выпускаемый ею гербицид Fusilade [36].


804 Часть III. Сбор, подготовка и анализ данных
Как многомерное шкалирование, так и совместный анализ полезны при международных
маркетинговых исследованиях, что и проиллюстрировано врезками 21.3 "Практика маркетин-
говых исследований" [37] и 21.4 "Практика маркетинговых исследований" [38].

Врезка 21.3. Практика маркетинговых исследований

Что значит репутация на автомобильных рынках Европы?
Европейские производители автомобилей все больше акцентируют внимание на ха-
рактеристике, которую конкуренты не смогут ни купить, ни создать, — на репутации. Для
ЗЛ/И^это прекрасные инженерные разработки. А. В. Volvo из Швеиии имеет репутацию
производителя самых безопасных автомобилей. Итальянский автомобиль Alfa Romeo ос-
нащен знаменитым двигателем, который обеспечил победу в многочисленных автогон-
ках. Французский Renault обладает способностью выходить из самых трудных ситуации.
С другой стороны, японские автомобили совершенны в технологическом плане, но зато
не имеют класса или завоеванной репутации. Например, Lexus и Infiniti — хорошие авто-
мобили, но им не хватает классности. Филипп Гамба (Philip Gamba), вице-президент
Renault, полагает, что японским маркам не хватает '"французской утонченности" в дизайне
автомобилей. В настоящее время Renault выпускает автомобили, делая акцент на комфор-
те. Компания BMW старается подчеркнуть не престижность владения автомобилем по-
вышенной комфортности, а "внутреннюю ценность" своих автомобилей. Донесение этой
ценности до потребителя приобретает все большее значение.
Технические характеристики автомобилей и завоеванная репутация— важные характе-
ристики, или размерности, в автомобильных предпочтениях европейцев. Поэтому позиции
различных европейских автомобилей именно в отношении этих двух характеристик показа-
ны на следующей диаграмме.
Высокие

BMW
• Lexus
• ••
Alpha
Romeo Mercedes
* Infiniti

•Renault *Volvo
о,
Высокие
5 Низкие
• Taurus
Ford




Низкие
Завоеванная репутация

BMW добилась наилучшей позиции по обеим характеристикам. Обычно большинство
американских и японских автомобилей 1990-х годов ориентировались на качество, надеж-
ность и эффективность. Однако, чтобы конкурировать на европейском рынке в XXI столе-
тии, американцы и японцы столкнулись с необходимостью добавить дополнительную ха-
рактеристику — репутацию. Это требует от американских и японских производителей авто-
мобилей новых маркетинговых стратегий.




805
Глава 21. Многомерное шкалирование и совместный анализ
Врезка 21.4. Практика маркетинговых исследований

Потрясающим стиральные порошки Fab дают бой
В конце 90-х годов прошлого века обострилась конкуренция на рынке стиральных по-
рошков Таиланда. Суперконцентрированные стиральные порошки быстро становились
прообразом новых эффективных моющих средств, завоевав 50% рынка к концу 1998 года.
Изучение рыночного потенциала в Таиланде показало, что производство суперконцентратов
растет до 40% в год, Кроме того, эта категория порошков уже доминировала на таких азиат-
ских рынках, как Тайвань, Гонконг и Сингапур. Поэтому компания Colgate, имея в своей
линии стиральный порошок Fab Power Plus, вступила в новый виток конкуренции, желая
захватить 4% рынка. Главными игроками на рынке были Као Corporation's Attack (14.6%),
Lever Brothers' Breeze Ultra (2,8%) Lion Corporation's Pao M. Wash (1,1%) и Lever's Ото (0,4%).
Исходя из качественных исследований и вторичных данных, Colgate оценила критические
факторы, влияющие на успех на рынке концентрированных порошков. Эти факторы вклю-
чали требования по охране окружающей среды, возможность ручной и машинной стирки,
превосходные моющие свойства, оптимальный уровень ценообразования при ручной стирке
и торговую марку. Изучение рынка также выявило, что ни одна из марок не является одина-
ково эффективной при ручной и машинной стирке. Стиральный порошок Pao Hand Force
предназначен для ручной стирки. Порошок Pao M. Wash представлял собой версию для ма-
шинной стирки. Порошок Breezematic разработан исключительно для машинной стирки.
Поэтому желательно было разработать формулу, удовлетворяющую обоим условиям, — руч-
ной и машинной стирке. Компания составила план проведения совместного анализа, при
этом данные характеристики имели два или три уровня каждый. От респондентов собрали
рейтинги предпочтений. Затем оценили полезности факторов на индивидуальном и груп-
повом уровнях. Результаты показали, что фактор "способность к ручной стирке" вносит
наиболее существенный вклад в предпочтения, что подтверждали и ранние заявления по-
требителей. Исходя из этих фактов, порошок Fab Power Plus успешно вывели на рынок под
торговой маркой продукта, приспособленного для ручной и машинной стирки.


ИСПОЛЬЗОВАНИЕ INTERNET И КОМПЬЮТЕРА
К настоящему времени разработано несколько компьютерных программ для проведения
многомерного шкалирования. Программа ALSCAL, доступная как в программном пакете
SPSS, так и в SAS, включает несколько различных моделей многомерного шкалирования и мо-
жет использоваться для выполнения анализов на индивидуальном или агрегатном уровне.
Существуют и широко используются и другие программы для ММШ.
• Программа MDSCAL 5M позволяет получить пространственную карту для конкретного
числа измерений. В программе используются разнообразные форматы исходных данных
и меры расстояний.
• KYST позволяет выполнить шкалирование метрических и неметрических данных, а
также развертку данных о сходстве.
• INDSCAL, показывая при шкалировании индивидуальные различия, полезна для вы-
полнения ММШ на агрегатном уровне. Данные сходства используют как исходные.
• PREFMAP выполняет внешний анализ данных о предпочтениях. Эта программа ис-
пользует известную пространственную карту торговых марок или стимулов для отобра-
жения данных о предпочтениях индивидуумов. PREFMAP2 выполняет и внутренний,
и внешний анализы.
• Программа PC-MDS содержит множество алгоритмов многомерного шкалирования,
включая факторный анализ, дискриминантный анализ и некоторые другие многомер-
ные методы.

Часть III. Сбор, подготовка и анализ данных
806
• АРМ — программа адаптивного составления пространственных карт восприятий, обра-
батывает до 30 торговых марок и 50 характеристик. Не ограничивает количество респон-
дентов для одного исследования или количество компьютеров, которые можно исполь-
зовать для сбора данных.
• MAPWISE, разработанная компанией Market Action Research Software, Inc., составляет про-
странственные карты восприятий для выполнения анализа соответствий. Программа
CORRESPONDENCE ANALYSIS, разработанная компанией Beaumont Organization Ltd.,
выполняет анализ соответствий, моделирование типа "а что, если" и анализ идеального то-
вара. Программа SIMCA компании Greenacre также выполняет анализ соответствий.
Если в совместном анализе в качестве метода вычисления используют регрессию по методу
наименьших квадратов, то соответствующие программы широко доступны, особенно про-
граммные пакеты SAS, SPSS, BMDP, Minitab и Excel. (Это обсуждалось в главе 17.) Также есть
несколько специализированных программ для выполнения совместного анализа. Программа
MONANOVA (Monotone analysis of variance) — неметрический метод, который использует пол-
нопрофильные данные. Для парных данных используется процедура TRADEOFF, также яв-
ляющаяся неметрическим методом, который использует ранги предпочтений для пар характе-
ристика—уровень. К другим популярным программам относятся LINMAP и АСА (адаптивный
совместный анализ). АСА делает акцент на характеристиках и уровнях, которые наилучшим
образом подходят каждому отдельному респонденту. PC-MDS также содержит программу для
совместного анализа. К другим полезным программам (включая программное обеспечение
компании Bretton-Clark) относятся: CONJOINT DESIGNER, CONJOINT ANALYZER,
CONJOINT LINMAP, SIMGRAF и программа BRIDGER. POSSE (product optimization and se-
lected segmentation evaluation) компании Robinson Associates, Inc. — обобщенная система для оп-
тимизации продукта и сервисных планов с помощью гибридного совместного анализа и экспе-
риментальных методов плана. Она использует модели выбора потребителей, моделирование
поверхности отклика и методы оптимизации для разработки оптимальных конфигураций про-
дукта. Также существуют программы совместного анализа на основе выбора (choice-based con-
joint — СВС) и программы совместного анализа с использованием мультимедиа, которые де-
монстрируют характеристики продукта, а не просто описывают их, например программы ком-
пании Sawtooth Technologies (www.sawtooth.com).
1
В центре внимания Burke

Основная роль компании Burke — помочь клиентам в разработке планов маркетинговых
исследований. Часто клиенты приходят в компанию с просьбой провести исследование по-
требителей их продукции. Наша обязанность— дать клиенту рекомендации относительно
применения результатов маркетингового исследования. Например, в совместном анализе
(методом полного профиля) производителей мобильных телефонов клиенту предложен сле-
дующий план исследования.
Факторы — уровни
Электропитание — 3 или 6 ватт
Вес — 10 или 14 унций
Длительность работы аккумуляторов — 30 минут; 1 час; 1,5 часа и 2 часа разговора.
Торговая марка — А', В
Цена — бесплатно при условии контракта на два года; 100, 200 долларов или 250 долларов
(в случае покупки телефона вы, по желанию, можете использовать любой контрактный план).
Технические условия плана исследования — полный факторный анализ включает 2 х 2 х
4 x 2 x 4 = 128 возможных комбинаций
Поскольку- о респонденте кой оценке 128 возможных комбинаций параметров сотовых
телефонов вопрос даже не ставился, выбран план факторного эксперимента с дробными ре-
пликами (только главные эффекты), использующий 16 профилей. Чтобы представить себе
I одну из наших задач в этом плане, ниже даны ответы гипотетического респондента.
16 профилей имели следующий вид.


Глава 21. Многомерное шкалирование и совместный анализ 807
Вес Цена телефона
Время разговора Марка
Электропитание
В
3 ватт 30 минут Бесплатно
Профиль 1 10 унций
В
6 ватт 10 унций 30 минут S200
Профиль 2
6 ватт 30 минут $250
Профиль 3 14 унций А
3 ватт 30 минут $100
Профиль 4 А
14 унций
1 час $100
6 ватт 10 унций
. Профиль 5 А
1 час
Профиль 6 3 ватт 10 унций $250
А
в
1 час
Нунций $200
Профиль 7 Звап
1 час 6 Бесплатно
Профиль 8 6 ватт 14 унций
А $200
Профиль 9 3 ватт 14 унций 1,5 часа
Бесплатно
Профи ль 10 6 ватт 1,5 часа А


I
14 унций
$100
6 ватт 10 унций 1,5 часа В
Профиль 1 1
в
3 ватт 10 унций 1,5 часа $250
Профиль 12
Профиль 13 6 ватт Нунций 2 часа $250
В
в $100
14 унций 2 часа
Профиль 14 Звап
Профиль 15 10 унций 2 часа Бесплатно
Зватт А
6 ватт 10 унций 2 часа $200
Профиль 56 А

Примечание: Время разговора для профилей 1-4 приведено в минутах, для профилей 5-16 - в часах.
Рейтинги намерения покупки по 10-ти балльной шкале, представленные одним из рес-
пондентов, приведены ниже:
Профиль 1 : 2 Профиль 9 : 1
Профиль 2 : 5 Профиль 10 ; 1
Профиль 11: 10
Профиль 3
Профиль 12 :5
Профиль 4
Профиль 5 Профиль 13:6
Профиль 6 Профиль 14:8
Профиль 15:3
Профиль 7
Профиль 8 : 6 Профиль 16 : 5
Выполнив регрессионный анализ этих данных методом наименьших квадратов с матри-
цей плана в качестве предиктора, получили следующие результаты.
Характеристика Значение полезности Относительная важность
Электропитание
-1,12
3 ватта
6 ватт 1,12 18,8%
Вес
10 унций 0,375
6,0%
14 унций - 0,375
Длительность работы аккумуляторов
30 минут -1,875
1 час - 0,375
1,5 часа 0,875
2 часа 1,375 27,1%



Часть III. Сбор, подготовка и анализ данных
808
Торговая марка
А 1,5
и -1,5 25,0%
Цена телефона
Бесплатно в случае двухгодичного контракта - 0,375
$100 1,875
$200 -0,625
$250 -0,875 22,9%
Почему фирма Burke провела исследование таким образом?

Во-первых, руководство фирмы-заказчика хотело выяснить чувствительность своих потре-
бителей к цене. Разработанная модель предполагала, что или обе торговые марки (А и В) имеют
одинаковую ценовую эластичность или руководство фирмы сможет извлечь необходимую ин-
формацию из "средней" ценовой эластичности для двух торговых марок. Клиента прямо спро-
сили об этом, выяснилось, что он не рассматривал такую ситуацию, когда эта "ценовая чувст-
вительность" не может фактически соответствовать и той, и другой торговой марке. Фирма
Burke предложила план, в котором исследовалось бы взаимодействие между торговой маркой и
ценой, так как это и есть способ проверки ценовой эластичности торговой марки (а не среднего
значения ценовой эластичности двух торговых марок).


РЕЗЮМЕ
Маркетологи используют многомерное шкалирование для получения пространственного
представления о восприятиях и предпочтениях респондентов. Воспринимаемые (психологи-
ческие) связи между объектами представляют в виде геометрических связей между точками в
многомерном пространстве. Формулирование проблемы многомерного шкалирования
(ММШ) требует определения торговых марок (объектов), включенных в анализ. Выбранное
число и природа торговых марок влияют на окончательное решение, получаемое в ходе анализа.
Исходные данные, получаемые от респондентов, можно связать с восприятиями или предпоч-
тениями. Данные о восприятиях могут быть прямыми или непрямыми. В маркетинговых ис-
следованиях наибольшее распространение получил прямой метод сбора данных.
Выбор метода ММШ зависит от природы исходных данных (метрические или неметриче-
ские), а также от того, что именно подлежит шкалированию — восприятия или предпочтения.
Другим определяющим фактором является уровень проведения анализа— индивидуальный
или агрегатный. В основе решения о числе размерностей, в котором нужно получить результат
анализа, лежат теоретические предпосылки, интерпретируемость получаемых результатов, кри-
терий изогнутости и легкость в использовании данного числа размерностей. Обозначение осей
является трудной задачей, и решение о названиях координатных осей принимает сам исследо-
ватель, исходя из своего опыта. Для определения достоверности и надежности решений ММШ
существует несколько принципов. Данные о предпочтениях можно подвергнуть внутреннему
или внешнему анализу. Если исходные данные носят качественный характер, то их можно
проанализировать анализом соответствий. Если к сбору данных применили атрибутивный
подход, то пространственные карты можно также получить с помошью факторного или дис-
криминантного анализов.
Совместный анализ основан на положении, что относительную важность, которую придают
потребители ясно выраженным характеристикам, а также полезности, которые они связывают с
уровнями характеристик, можно определить из оценок потребителями профилей торговых ма-
рок, построенных с использованием этих характеристик и их уровней. Обычно для конструи-
рования объектов применяют полнопрофильный и попарный методы. Исходные данные бы-
вают неметрическими (ранги) или метрическими (рейтинги). Обычно зависимая переменная
представляет собой предпочтение или намерение совершить покупку.

<<

стр. 29
(всего 35)

СОДЕРЖАНИЕ

>>