Маркетинговые исследования

Значения объектов из набора вычисления и набора проверки достоверности можно вычислить, определив функции полезности. Затем, чтобы определить внутреннюю достоверность результатов анализа, эти предсказанные значения можно сопоставить с оценками, полученными от респондентов.

Если анализ выполняли на агрегатном уровне, то можно несколькими способами разделить выборку вычисления и провести совместный анализ для каждой подвыборки. Затем 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, полученных от респондента. Коэффициент корреляции равен 0,95, что свидетельствует о хорошей достоверности модели. Этот коэфициент корреляции значимый при уровне а = 0,05,

Следующий пример продолжает иллюстрацию процедуры совместного анализа.

ПРИМЕР. Компромисс при покупке компьютера под микроскопом исследователя

Для того чтобы определить, на какие компромиссы между различными характеристиками 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

Клавиатура 17 дюймов

Мышка 13 дюймов

Разрешение жрана монитора Уровни цены

Нормальное разрешение 1000долл.

Разрешение сверхвысокое 1500 долл.

2000 долл.

Все возможные комбинации этих характеристик дали в результате 24 (2 ч 2 ч 2 ч 3) профиля компьютеров. Один из таких профилей приведен ниже.

Режим ввода Мышка

Разрешение экрана монитора Нормальное разрешение

Размер экрана 17 дюймов

Цена 1500 долл.

Респонденты ранжировали эти профили согласно своим предпочтениям. Данные для каждого респондента использовались для разработки функций предпочтений. Функции предпочтения для одного из респондентов приведены ниже.

Исходя из полученных полезностей (функций предпочтения) и сравнивая их между собой, можно оценить относительную значимость различных характеристик в определении этих потребительских предпочтений. Значения относительной важности характеристик будут такими.

Относительная важность характеристики

Критерий оценки Важность

Режим ввода 45%

Раэрешениеэкрэна 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 становится 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 респондентов для определения наиболее выгодных сегментов на рынке компьютеров [34].

ДОПУЩЕНИЯ И ОГРАНИЧЕНИЯ СОВМЕСТНОГО АНАЛИЗА

Совместный анализ имеет ряд допущений и ограничений. Его использование предполагает, что можно определить важные характеристики изделия. Более того, подразумевается, что потребители оценивают выбор вариантов с позиции этих характеристик и идут на определенные компромиссы. Однако в ситуациях, где значение имеет торговая марка изделия, потребители 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 данных 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.

ГИБРИДНЫЙ СОВМЕСТНЫЙ АНАЛИЗ

Гибридный совместный анализ (hybrid conjoint analysis) представляет собой попытку упро^ стать обременительную задачу сбора данных в обычном совместном анализе.

Гибридный совместный анализ (hybrid conjoint analysis)

Форма совместного анализа, которая упрощает задачу сбора данных и определяет избранные взаимодействия, а также все главные эффекты.

Каждый респондент оценивает много профилей, даже если оценивают только одни линейные 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 характеристики взаимодействуют в том смысле, что респондент может оценить комбинацию выше среднего вклада отдельных полезностей. Гибридная модель разработана для двух главных целей -- упростить задачу сбора данных и допустить вычисление избранных взаимодействий (на уровне подгруппы) так же, как и все главные (или линейные) эффекты на индивидуальном уровне.

В гибридном подходе респонденты оценивают ограниченное количество, обычно не больше девяти таких объектов совместного анализа, как полные профили. Эти профили выбирают из большого основного набора, и разные респонденты оценивают различные наборы профилей, так что в конце концов оцениваются все рассматриваемые профили. В дополнение респонденты прямо оценивают относительную важность каждой характеристики и желательность уровней каждой характеристики. Комбинируя прямые оценки с оценками, полученными оценивай 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, которые используются вместе, как это и показано в следующем примере.

ПРИМЕР. Fusilade вне конкуренции

Руководство компании К [Americas Agricultural Products колебалось, стоит ли снижать I цену на выпускаемый ею гербицид Fusilade. Оно сомневалось, что эта продукция "выживет" в условиях рынка с умеренными ценами. Поэтому, чтобы оценить относительную значимость различных характеристик, учитываемых при выборе гербицидов, I компания разработала план опроса, способ измерения восприятий и карту восприятий I основных гербицидов по одним и тем же характеристикам. Маркетологи опросили 601 фермера, занимающегося выращиванием сои и хлопка, которые имели не меньше 200 акров земли под этими культурами и широко применяли гербициды. Сначала провели совместный анализ, чтобы определить относительную значимость характеристик гербицидов, которыми руководствовались фермеры при выборе гербицидов. Затем маркетологи I использовали многомерное шкалирование, чтобы получить карту восприятий гербицидов. 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. Исследование 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 шкалирование показало, что один из конкурентов Fusilade считается более дорогим. Поэтому компания СI Americas Agricultural Products решила придерживаться первоначального уровня цен, решив не снизижать цену на выпускаемый ею гербицид Fusilade [36].

Как многомерное шкалирование, так и совместный анализ полезны при международных маркетинговых исследованиях, что и проиллюстрировано врезками 21.3 "Практика маркетинговых исследований" [37] и 21.1 "Практика маркетинговых исследований" [38].

Врезка 213. Практика маркетинговых исследований

Что значит репутация на автомобилъныхрынках Европы?

Европейские производители автомобилей все больше акцентируют внимание на характеристике, которую конкуренты не смогут ни купить, ни создать, -- на репутации. Для BMW ъю прекрасные инженерные разработки. А. В. Volvo из Швеции имеет репутацию производителя самых безопасных автомобилей. Итальянский автомобиль Alfa Romeo оснащен знаменитым двигателем, который обеспечил победу в многочисленных автогонках. 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 Infiniu-- хорошие автомобили, 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 комфорте. Компания BMW старается подчеркнуть не престижность владения автомобилем повышенной комфортности, а "внутреннюю ценность" своих автомобилей. Донесение этой ценности до потребителя приобретает все большее значение.

Технические характеристики автомобилей и завоеванная репутация -- важные характеристики, или размерности, в автомобильных предпочтениях европейцев. Поэтому позиции различных европейских автомобилей именно в отношении этих двух характеристик показаны на следующей диаграмме

BMW добилась наилучшей позиции по обеим характеристикам. Обычно большинство американских и японских автомобилей 1990-х годов ориентировались на качество, надежность и эффективность. Однако, чтобы конкурировать на европейском рынке в XXI столетии, американцы и японцы столкнулись с необходимостью добавить дополнительную характеристику -- репутацию. Это требует от американских и японских производителей автомобилей новых маркетинговых стратегий.

Врезка 21.4. Практика маркетинговых исследований

Потрясающий стиральные порошки Fab дают бой

В конце 90-х годов прошлого века обострилась конкуренция на рынке стиральных порошков 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 азиатских 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 включали 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 одинаково эффективной при ручной и машинной стирке. Стиральный порошок Pao Hand Force предназначен для ручной стирки. Порошок Pao М. Wash представлял собой версию для машинной стирки. Порошок Breezematic разработан исключительно для машинной стирки. Поэтому желательно было разработать формулу, удовлетворяющую обоим условиям, -- ручной 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 групповом уровнях. Результаты показали, что фактор "способность к ручной стирке" вносит наиболее существенный вклад в предпочтения, что подтверждали и ранние заявления потребителей. 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 может использоваться для выполнения анализов на индивидуальном или агрегатном уровне. Существуют и широко используются и другие программы для ММШ.

Программа MDSCAL 5М 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 выполнения ММШ на агрегатном уровне. Данные сходства используют как исходные.

PREFMAP выполняет внешний анализ данных о предпочтениях. Эта программа использует известную пространственную карту торговых марок или стимулов для отображения 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 многомерные методы.

Примечание. Время разговорадля профилей 1-4приведено в минутах, для профилей 5-16 - в часах

Профиль 1 : 2 Профиль 9 : 1

Профиль 2 : 5 Профиль 10 ; 1

Профиль 3 1 Профиль 11:10

Профиль 4 I Профиль 12 : 5

Профиль 5 5 Профиль 13:6

Профиль 6 ; 1 Профиль 14:8

Профиль 7 3 Профиль 15:3

Профиль 8 : 6 Профиль 16 : 5

Выполнив регрессионный анализ этих данных методом наименьших квадратов с матрицей плана в качестве предиктора, получили следующие результаты.

Почему фирма Burke провела исследование таким образом9

Во-первых, руководство фирмы-заказчика хотело выяснить чувствительность своих потребителей к цене. Разработанная модель предполагала, что или обе торговые марки (А и В) имеют одинаковую ценовую эластичность или руководство фирмы сможет извлечь необходимую информацию из "средней" ценовой эластичности для двух торговых марок. Клиента прямо спросили об этом, выяснилось, что он не рассматривал такую ситуацию, когда эта "ценовая чувствительность" 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 (психологические) 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 входе анализа. Исходные данные, получаемые от респондентов, можно связать с восприятиями или предпочтениями. Данные о восприятиях могут быть прямыми или непрямыми. В маркетинговых исследованиях наибольшее распространение получил прямой метод сбора данных.

Выбор метода ММШ зависит от природы исходных данных (метрические или неметрические), а также оттого, 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, критерий изогнутости и легкость в использовании данного числа размерностей. Обозначение осей является трудной задачей, и решение о названиях координатных осей принимает сам исследователь, 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 ломошью факторного или дискриминантного 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 марок, построенных с использованием этих характеристик и их уровней. Обычно для конструирования объектов применяют полнопрофильный и попарный методы. Исходные данные бывают неметрическими (ранги) или метрическими (рейтинги). Обычно зависимая переменная представляет собой предпочтение или намерение совершить покупку.

Хотя для анализа данных в совместном анализе существуют и другие процедуры, все большее значение приобретает регрессия с фиктивными переменными. Интерпретация результатов требует изучения функций полезности и весов относительной важности. Несколько методов имеется для ouchki надежности и достоверности результатов совместного анализа.

ОСНОВНЫЕ ТЕРМИНЫ и понятия

R-KBaflpaT(R-square)

анализ соответствий (correspondence analysis)

атрибутивные уровни (attribute levels)

веса относительной значимости (relative importance weights)

внешний анализ предпочтений (external arralysi.. of preferences)

внутренний анализ предпочтений (internal analysisofpreferences)

внутренняя достоверность (internal validity)

гибридный совместный анализ (hybrid conjoint analysis)

координаты (coordinates)

критерий изогнутости (elbow criterion)

ММШ метрических данных (metric MDS)

ММШ неметрических данных (nonmetric MDS)

УПРАЖНЕНИЯ

Вопросы

многомерное шкалирование -- ММШ (Multidimensional Scaling -- М DS)

модель совместного анализа (conjoint analysis model)

непрямые методы (derived approaches)

ортогональные таблицы (orthogonal arrays)

оценки сходства (similarityjudgments)

парные таблицы (pairwise tables)

планы дробного факторного эксперимента (fractional factorial designes)

полные профили (full profiles)

пространственная карта (spatial map)

развертка (unfolding)

ранги предпочтений (preference rankings)

совместный анализ (conjoint analysis)

стресс (stress)

функции частной ценности (part-worth functions)

циклические планы (cyclical designs)

Опжшите попарный метод построения объектов в совместном анализе,

Каким образом используют регрессионный анализ для анализа совместных данных?

Покажите графически, что такое функции полезности.

Какими методами оценивают надежность и достоверность результатов совместного анализа?

Кратко опишите гибридный совместный анализ.

Задачи

Определите две проблемы маркетинговых исследований, в которых применяется многомерное шкалирование. Объясните, как вы применили бы в таких ситуациях ММШ.

Определите две проблемы маркетинговых исследований, в которых применим совместный анализ. Объясните, как вы применили бы совместный анализ в таких ситуациях.

УПРАЖНЕНИЯ С ИСПОЛЬЗОВАНИЕМ INTERNET И КОМПЬЮТЕРА

Проанализируйте данные табл. 21.1, используя метод ММШ. Сравните полученные вами результаты с результатами, приведенными в тексте.

Рассмотрите следующие 12 марок мыла: Jergens, Dove, Zest, Dial, Camay, Ivory, Palmolive, Irish Spring, Lux, Safeguard, Tone и Monchel. Сформируйте все возможные 66 пар этих марок. Оцените эти пары марок мыла по сходству, используя семибалльную шкалу. Проанализируйте мнения респондентов о сходстве для 12 марок мыла. Используйте подходящий метод ММШ, такой как ALSCAL или KYST. Дайте названия размерностям и интерпретируйте вашу собственную пространственную карту.

Постройте девять профилей кроссовок, приведенных в табл. 21.4. Оцените их в соответствии с вашими предпочтениями, используя девятибалльную рейтинговую шкалу. Используйте регрессию для разработки функций частной ценности для трех характеристик кроссовок, используя полученные вами данные. Насколько сравнимы ваши результаты с результатами, приведенными в тексте?

КОММЕНТАРИИ

Paul Е. Green, Frank J. Carmone, Jr., Scott М Smith. Multidimensional Scaling: Concepts and Applications (Boston, MA: Allyn & Bacon, 1989), p. 16-17. См. также статью Nikhil Deogun, "Coke Claims Dominance in the Mideast and North Africa, dut Pepsi Disagrees", Wall Street Journal, March 3, 1998, p. A4.

Ali Kara, Erdener Kaynak, Orsay Kucukemiroglu, "Credit Card Development Strategies for the Youth Market: The Use of Conjoint Analysis", Internationa I Journal of Bank Marketing, June 1994, p. 30--36; Mary Tonnenberger. "In Search of the Perfect Plastic", Quirk's Marteting Research Review, May 1992, p. 427-450.

Обзор применения многомерного шкалирования в маркетинговых исследованиях приведен в работе J. Douglass Carroll, Paul Е. Green, "Psychometric Methods in Marketing Research: Part II: Multidimensional Scaling", Journal of Marketing Research, February 1997, p. 193--204: Lee G. Cooper, "A Review of Multidimensional Scaling in Marketing Research", Applied Psychological Measurement, Fall 1983, p. 427-450.

Прекрасное изложение различных аспектов многомерного шкалирования можно найти в работе MarkL. Davison,M//Mmewstea/5co//^(Melbourne,KriegerPublishingCompany, 1992).

Данные обычно обрабатывают как симметричные. Об асимметричном методе см. в статье Wayne S. Desarbo, Ajay К. Manrai, "A New Multidimensional Scaling Methodology for the Analysis of Asymmetric Proximily Data in Marketing Research", Marketing Science, Winter 1992, p. 1--20. О других методах обработки данных многомерного шкалирования см. работу Tammo З.A. Bijmolt, Michel Wedcl, "The Effects of Alternative Methods of Collecting Similarity Data for Multidimensional Scaling", International Journal of Research in Marketing, November 1995, p. 363-371.

См. работы Ingwcr Borg, Patrick J. Groenen, Modern Multidimensional Scaling Theory and Applications (NewYork, NY: Springcr-Verlag. 1996); Naresh K. Malhotra, Aran K. Kain. Christian Pinson, "The Robustness of MDS Configurations in the Case of Incomplete Data", Journal of Marketing Research, February 1988, p. 95--102; Jan-Benedict E.M. Steenkamp, Hans CM. Van Trijp, "Task Experience and Validity in Perceptual Mapping: A Comparison of Two Consumer-Adaptive Techniques", International Journal of Research in Marketing, July 1996, p. 265--276.

T. Cox, Multidimensional Scaling(New York: Routledge, Chapman & Hall, 1994).

Стресс Краскаля, вероятно, чаще других используется как мера неадекватности. См. работу Ingwer Borg, Patrick J. Groenen, Modem Multidimensional Scaling Theory and Applications (New York, NY: Springer-Verlag, 1996). Исходную статью см. в работе J.B. Kruskal, ""Multidimensional Scaling by Optimizing Goodness of Fit to a Nonmetric Hypothesis", Psychometrika, March 1964, p. 1-27.

J. Douglass Carroll, Paul E. Green, "Psychometric Methods in Marketing Research: Part II. Multidimensional Scaling", Journal of Marketing Research, February 1997, p. 193--204; Naresh K. Malhotra, "Validity and Structural Reliability of Multidimensional Scaling", Journal of Marketing Research, May 19ii7,p. 164-173,

Относительно недавней проверки надежности и достоверности решений ММШ см. статью Jan-Benedict E.M. Steenkamp, Hans CM. Van Trijp, Jos M.F. Ten Berge, '"Perceptual Mapping Based on Idiosyncratic SeKofAttributes", Journalof Marketing Research. February 1994, p. 15--27.

Joseph F. Hair, Jr., Ralph E. Anderson, Ronald L. Tatham, William С Black, Multivariate Data Analysis with Readings, 5th ed. (Upper Saddle River, NJ: Prentice Hall, Inc., 1999), p. 484-555.

См., например, работы Wayne S. DeSarbo, M.R. Young, Arvind Rangaswamy, ў Parametric Multisimensional Unfolding Procedure for Incomplete Nonmetric Preference/Choice Set data Marketing Research", Journal of Marketing Research, November 1997, p. 499--516; David B. Mackay, Robert F. Easley, Joseph L. Zinnes, "A Single Ideal Point Model for Market Structure Analysis", Journal of Marketing Research, November 1995, p. 433--443.

Ian Murphy, "Downscale Luxury Cars Drive to the Heart of Baby Boomers", Marketing News, October 1997, p. 1, 19.

О современном применении анализа соответствия см. работы J.J. Math, М. Candel, Eric Maris, "Perceptual Analysis of Two-Way Two-Mode Frequency Data: Probability Matrix Decomposition and Two Alternatives", International Journal of Research in Marketing, October 197, p. 321--339; Paul E. Green, Abba M. Krieger, ў Simple Approach to Target Market Advertising Strategy", Joumalofthe Market Research Society, April 1993, p. 161--170.

Ali Kara, Erdenej Kaynak, Orsay Kucukemiroglu. "Positioning of Fast Food Outlets in Two Regions of North America: A Comparative Study Using Correspondence Analysis", Journal of Professional Services Marketing, February 1996, p. 99--119; Terrcnce V. O'Brien, "Correspondence Analysis", Marketing Research: A Magazine of Management & Applications, Fall 1993, p. 54--56.

Jorg Blasius, Michael L. Greenacre, Visualizafionqf Categorical Data (New York, NY: Academic Press, 1998); Michael J. Greenacre, Correspondence Analysis in Practice (NewYork, NY: Academic Press, 1993); Michael L. Greenacre, "The Carroll-Grecn-Schaffer Scaling in Correspondence Analysis: A Theoretical and Empirical Appraisal", Journal of Marketing Research, August 1989, p. 358--365; Michael L. Greenacre, Theory and Applications of Correspondence Analysis (NewYork, NY: Academic Press, 1984); Donna L. Hoffman, George R. Franke,"Correspondence Analysis: Graphical Representation of Categorical Data in Marketing Research", Journal of Marketing Research, August 19S6, p. 213-227.

Об использовании факторного анализа при построении пространственных карт см. статью Larry Hasson, '-Monitoring Social Change", Journal of the Market Research Society, January 1995, p. 69-80.

John R. Hauser, Frank S. Koppelman, "Alternative Perceptual Mapping Techniques: Relative Accuracy and Usefulness", Journal of Marketing Research, November 1979, p. 495--506. Хаузер и Коппельман считают, что факторный анализ важнее дискриминантного. См. также монографию Inwer Borg, Patric J. Groenen, Modem Multidimensional Scaling Theory and Applications (New York. NY: Spring-Verlag, 1996).

О современном применении совместного анализа см. работы V. Srinivasan, Chan Su Park, "Surprising Robustness of the Self-Explicated Approach to Customer Preference Structure Measurement", Journal of Marketing Research, May 1997, p. 286-291; Paul E. Green, Abba M. Krieger, "Segmenting Markets with Conjoint Analysis", JournalofMarketing,Octdoer 1991,p. 20--31.

F.J. Danaher, "Using Conjoint Analysis to Determine the Relative Importance of Service Attributes Measured in Customer Satisfaction Surveys". Journalof Retailing. Summer 1997, p. 235--260.

Обзор применения совместного анализа в маркетинге см. в работах J. Douglass Carroll, Paul Е. Green, "Psychometric Methods in Marketing Research: Part I. Conjoint Analysis", Journal of Marketing Research, November 1995, p. 385--391; Paul E. Green, V. Srinivasan, "Conjoint Analysis in Marketing: New Development with Implications for Research and Practice", JournalofMarketing, October 1990, p. 3--19; Paul E. Green, V. Srinivasan, "Conjoint Analysis in Consumer Research: Issues and Outlook", Journal ojConsumer Research, September 1978, p. 102--123.

Judith Thomas Miller, James R Ogden, Craig A. Latshaw. "Using Trade-OffAnalysis to Determine Value-Price Sensitivity of Custom Calling Features", American Business Review, January 1998, p. 8--13.

DickR. Wittink, Marco Vriens, Wim Burhenne, 'Commercial Uses of Conjoint Analysis in Europe: Results and Critical Reflections" International Journal of Research in Marketing, January 1994, p. 41-52; Dick R. Wittink, Philippe Cattin, "Commercial Use of Conjoint Analysis: An Update". Journal of Marketing, July 1989. p. 91--97. Об использовании совместного анализа для измерения ценовой чувствительности см. статью "Multi-Stage Conjoint Methods to Measure Price Sensitivity", Sawtooth News, Winter 1994/1995, p. 5-6.

Эти три характеристики представляют собой поднабор из набора в пять характеристик, который использован в работе Michael Etgar, Naresh К. Malhotra, "Determinants of Price Dependency: Personal and Perceptual Factors", Journal of Consumer Research. September 1981, p. 217--222. См. также статью Jan-Benedict E.M. Steenkamp. Dick R. Wittink, "The Metric Quality of Full-Profile Judgements and the Number of Attribute Levels Effect in Conjoint Analysis". International Journal Research in Marketing, June 1994, p. 275-286.

Gerard H. Loosschilder, Edward Rosbergen, Marco Vriens, Dick R. Wittink, "Pictorial Stimuli in Conjoint Analysis-to-Support Product Styling Decisions", Journal of [he Market Research Society, January 1995,p. 17-34.

J. Douglass Carroll, Paul E. Green, "Psychometric Methods in Marketing Research: Part I. Conjoint Anal}'sis"', Joumalqf Marketing Research, November 1995, p. 385--391; Warren F. Kuhfeld, Randall D. Tobias, MarkGarrat, "Efficient Experimental Designs with Marketing Applications", Journalof Marketing Research, November 1994, p. 545--557; Sidney Addelman, "Orthogonal Main-Effect Plans for Asymmetrical Factorial Experiments", Technornetrics, February 1962, p. 21-36; Paul E. Green, "On the Design of Choice Experiments Involving Multifactor Alternatives", Journal of Consumer Research, September 1974. p. 61--68.

27 Можно использовать более сложные планы совместного анализа. См., например, статью Harmen Oppewal, Jordan J. Louviere, Harry J. Timmcrmans, "Modeling Hierarchical Conjoint Processes with Integrated Choice Experiments", Journalof Marketing Research, February 1994, p. 15-27.

J. Douglass Carroll, PaulE. Green, "Psychometric Methods in Marketing Research: Part I. Conjoint Analysis", Journal of Marketing Research, November 1995, p. 385--391; Arun K. Jain, Franklin Acito, Naresh K. Malhotra, Vij ay Mahajan. "A Comparison of the Internal Validity of Alternative Parameter Estimation Methods in Decompositional Multiattribute Preference Models", Journalof Marketing Research, August 1979, p. 313--322.

H. Oppewal, H.J. Timmermans, J.J. Louviere, "Modeling the Effeci of Shopping Center Size and Store Variety in Consumer Choice Behavior", Environment and Planning, June 1997, p. 1073--1090.

MarkusChristen, SachinGupta, John C. Porter, Richard Staelin, Dick R. Wittink, "Using Market-Level Data to Understand Promotion Effects in a Nonlinear Model", Journal of Marketing Research, August 1997, p. 322--334; William L. Moore, "Levels of Aggregation in Conjoint Analysis: An Empirical Comparison", Journal of Marketing Research, November 1980, p. 516--523. См. также работу Roger Brice, "Conjoint Analysis: A Review of Conjoint Paradigms and Discussion ofthe Outstanding Design Issues", Marketing & Research Today, November 1997. p. 260-266.

J, Douglass Carroll, Paul E. Green, "Psychometric Methods in Marketing Research: Part 1, Conjoint Analysis", Journal of Marketing Research, November 1995, p. 385--391; Frank J. Carmonc, Paul E. Green, "Model Misspecification in Multiattribute Parameter Estimation", Journal ofMarketing Research, February 1981, p. 87-93.

О применении совместного анализа с использованием регрессионного анализа на основании метода наименьших квадратов см. в работах Amy Ostrom, Dawn lacobucci, "Consumer Trade-Ofs and the Evaluation of Services", Journal ofMarketing, January 1995, p. 17--28; Peter J. DanaJier, "Using Conjoint Analysis to Determine the Relative Importance of Service Attributes Measured in Customer Satisfaction Surveys", Journal of Retailing, Summer 1997, p. 235--260.

J. Douglass Carroll, Paul E. Green, "Psychometric Methods in Marketing Research: Part 1. Conjoint Analysis", Journal of Marketing Research, November 1995, p. 385--391; Naresh K. Malhotra. ''Structural Reliability and Stability of ic Conjoint Analysis", Journal'of"Marketing Research, May 1982 p. 199-207; Tomas W. Leigh, David B. MacKay, John O. Summers, "Reliability and Validity of Conjoint Analysis and Sell-Explicated Weights: A Comparison", Journal ofMarketing Research, November 1984, p. 456--462; Madhav N. Segal, "Reliability of Conjoint Analysis: Contrasting Data Collection Procedures", Journalof Marketing Research, February 1982, с, 139--143.

Del I. Hawkins, Roger J Best, Kenneth A. Coney, Consumer Behavior Implications for Marketing Strategy, 7th ed. (Boston, MA McGrawHill, 1988).

35 Clark Hu, Stephen J. Hiemstra, "Hybrid Conjoint Analysis as a Research Technique to Measure Meeting Planners Preferences in Hotel Selection", Journal of Travel Research, Fall 1996. p. 62--69; Paul E. Green, Abba M. Krieger, "Individualised Hybrid Models for Conjoint Analysis"'. Managemet- Science, June 1996, p, 850--867; Paul E. Green, "Hybrid Models for Conjoint Analysis: An Expository Review", Jounuv-ofMarketing Research, May 1984, p. 155--169.

S. Pfeifcr B. Gain, K. Walsh, "Managing Specialties: How to Grow When Prices Stall", Chemical Week, December 10, 1997, p. 30--34; Diane Schneidman. "Research Methods Designed to Determine Price for New Products, Line Extensions", Marketing News, October 23, 1987, p, 11.

"Luxury Car Makers Assemble World View", Corporate Location, January-February 1997, p. 4.

Linda Grant, "Outmarketing С & G"\ Fortune, January 12, 1998, p. 150-152; David Batler, "Thai Superconcentrates Foam \ Advertising Age, January 18, 1993, p. III.

Взгляд профессионала 3

Боб Макдональд (Bob McDonald), вице-президент Burke, Inc..

3.1 КРОСС-ТАБУЛЯЦИЯ

Введение

Несмотря на наличие сложных статистических методов, анализ фактически всех опросов и тестовых продаж первоначально, а часто и исключительно, опирается на результаты, выявляемые с помощью кросс-табуляиии (построения таблиц сопряженности признаков). Например, имея данные пробного маркетинга, представленные в табл. 1, руководство фирмы может легко интерпретировать результаты сравнения двух телевизионных рекламных роликов с точки зрения того, какой из них лучше побуждает зрителей к совершению покупки.

Таблица 1
	Рекламные ролики
	"Warren's Tavern"	"New Boston"
Телезрители, к-Ючел.	200	200
Телезрители, намеревающиеся совершить покупку (в <	0, от общего числа) А6	67
Точно купят	18	31
Вероятно купят	28	36

При построении таблиц мы имеем дело с заголовками граф (шапка) и заголовками рядков (боковиками).

Терминология достаточно проста, но оформление данных кросс-табуляции не всегда так проста, как в предложенном выше примере. Рассмотрим следующие положения.

Оформление заголовков граф

В зависимости от плана исследования, которого придерживается маркетолог, следует решать вопрос о наличии итоговой графы в таблице. Так, если мы имеем дело с планом пробного маркетинга, предусматривающего использование выборок, которые не отражают пропорции генеральной совокупности, то вводить суммарную общую колонку (если она не основана на взвешенных колонках), явно неприемлемо.

В шапке таблицы следует избегать представления взаимно коррелированных переменных, что (и это не удивительно) дает завышенный результат. Например, маркетологов интересовали результаты пробных продаж детских продуктов питания матерям, имеющих маленьких детей и/или подростков. Если взглянуть на таблицы сопряженности признаков, то мы увидим повышенный уровень заинтересованности в приобретении этих продуктов у молодых матерей, многодетных матерей, работающих матерей и матерей-одиночек. Дело в том, что фактически одна и та же подгруппа "прочитана" четыре раза, что приводит к наложению данных четырех отдельных сегментов один на другой. И хотя с технической точки зрения ошибки в этом нет, но выводы могут быть неверными. В качестве подтверждения рассмотрим простой пример.

Из таблицы видно, что намерение совершить покупку снижается с ростом количества детей в семье.

Теперь, когда мы имеем результаты кросс-табуляции с тремя переменными, картина совсем иная. Совершенно очевидно, что возраст матери не связан с желанием совершить покупку, а вот распределение матерей по количеству детей сильно различается для молодых матерей и матерей старшего возраста.

Категории ответов

Часто при опросах число категорий, по которым проводится замер, определяет сам исследователь, не обосновывая заключение о числе избранных категорий. Например, респондентов по возрасту можно сначала разделить на три, четыре, пять или больше подгрупп. В качестве эмпирического правила стоит запомнить, что использовать следует по возможности наибольшее число категорий. Дальнейший анализ всегда дает возможность уменьшить число групп. Вы можете изучить взаимосвязь категорий с другими показателями, не заботясь, что выбранные вами категории искусствснноскрывают взаимосвязи, поскольку они слишком широкие.

Необходимо четко уяснить природу выборочных подгрупп, подлежащих проверке статистической значимости различий, установив, что они или полностью независимы (взаимно исключающие), или полностью совпадающие (одни и те же респонденты) или частично перекрывающиеся.

Необходимо различать статистическую значимость и "управленческую". Строгое и полное доверие к наличию или отсутствию статистически значимых различий не всегда желательно. Менеджеры компании не склонны учитывать статистические расчеты, если они не обеспечивают поддержку варианта решения проблемы, к которому они склоняются. И наоборот, менеджеры с повышенной благосклонностью относятся к показателям, которые "укладываются" в их вариант видения решения проблемы, хотя они могут не укладываться в 95%-ныйдоверительный интервал.

Оформление боковиков

Поскольку нельзя рассказать о всех возможных вариантах оформления боковиков, остановимся на некоторых фундаментальных вопросах.

Как бы элементарно это не казалось, порядок представления таблиц не является чем-то раз и навсегда заданным. Не существует какой-либо уникальной практики упорядочения таблиц, соответствующей последовательности появления вопросов в интервью, чтобы рекомендовать именно ее, а не другие способы.

Каждую таблицу обязательно следует рассматривать с позиции ее использования при объяснении полученных результатов. Чаще всего материал таблицы отражает результаты обработки ответов респондентов на конкретный вопрос. Поэтому можно легко переходить от рассмотрения одной таблицы к другой.

Данные, касающиеся сравнения коэффициентов и процентов, требуют аккуратного использования и соответствующих разъяснений.

К классическим коэффициентам, таким как "осведомленность/проба" или "проба/наиболее используемая торговая марка" (Brand-Used-Most-Often-- BUMO) необходимо подходить с двух точек зрения. Во-первых, если профилируют несколько торговых марок, то понятие осведомленности может существенно различаться для тех потребителей, которые осведомлены о товаре, но одни из них практически использовали товар, а другие -- нет (допустим, "Форд"' по сравнению с "Роллс-Ройсом"). Поскольку восприятия респондентов, опробовавших товар, основаны на практике, а восприятия не опробовавших респондентов -- на имидже торговой марки, то различия между торговыми марками (и межгрупповые различия) могут оказаться ошибочными. Во-вторых, следует обратить особое внимание на соответствующий размер выборки, исходя из которого и будут рассчитаны коэффициенты. Если, например, необходимо сравнить между собой все торговые марки (или все этапы наблюдения), то расчет коэффициента BUMO будет опираться на слишком шаткую базу, если выяснится, что опробование данной торговой марки равно только 10 или 15%, а общая выборка составила 300 респондентов.

* Для таких данных типичны два основных источника проблем.

1. Что касается коэффициентов, то небольшие выборки могут стать причиной злоупотребления результатами процентных изменений, Рассмотрим рекламное агентство, желающее подчеркнуть, что число респондентов, вспомни вшихрекламу компании-заказчика, возросло в три раза после демонстрации им рекламного ролика, разработанного агентством. При этом подчеркивается, что этот рост наблюдался среди тех, кто вспомнил рекламное сообщение. Тот факт, что число последних составляло менее 15% от опрошенных, делает упоминание процентных изменений бесполезным упражнением.

2. Вероятно, даже чуть более скользкий вопрос -- это вопрос уровня, от которого начинается отсчет показателей; чем он ниже, тем, конечно же, больший потенциал для роста.

Рассмотрим следующие "данные":

Первый этап Второй этап Процентное изменение

Общее число опрошенных на этапе 200 200

Купили изделие Inferno Salsa за прошедшие 2 6 +200

три месяца, в %

Приведенный выше тип представления данных отнюдь не является беспрецедентным в отчетах, касающихся опросов. Исследователю необходимо учитывать возможное влияние на него "заинтересованных сторон'', которые хотели бы получить возможность провозглашать фразы, вроде такой: "Число наших потребителей выросло на 200%!"

Сара Эванс (Sarah Evans) -- старший маркетинговый аналитик Burke, Inc.

3.2 АНАЛИЗ ДАННЫХ: МНОГОМЕРНЫЕ МЕТОДЫ

В маркетинговых исследованиях мне больше всего нравится выявлять восприятия и мотивации людей, а затем на основе полученных результатов помогать в разработке маркетинговых стратегий. Часто, чтобы полностью понять сложность имеющейся информации, нам приходитея изучать данные, полученные от респондентов, с помошью многомерных статистических методов. Наша цель -- заставить "заговорить данные" понятным и уверенным голосом.

Начинающий маркетолог часто попадает в плен многообразия существующих методов анализа и забывает о самой цели исследования. В последние пять лет акцент на технике анализа становится все более превалирующей тенденцией, поскольку имеющиеся статистические программные пакеты значительно упростили применение этих методов. Далее я кратко прокомментирую возможности использования нескольких методов многомерного анализа, среди которых- дисперсионный анализ, множественная регрессия, дискриминантный анализ, факторный анализ, кластерный анализ, многомерное шкалирование и совместный анализ.

Дисперсионный анализ

Дисперсионный анализ (ANOVA) чрезвычайно полезный инструмент в практике маркетинговых исследований, поскольку именно его используют чаще всего для снижения кумулятивной ошибки. Она представляет собой кумулятивный эффект ошибки I рода (ошибка первого рода означает утверждение, что два числа различаются, когда фактически они не различаются между собой) во всех парных сравнениях. Однако, прежде чем вы решите использовать дисперсионный анализ, вы должны убедиться, что вы имеете соответствующие данные, Дисперсионный анализ служит методом выявления различий между номинальными независимыми переменными, влияющими на значения метрической зависимой переменной. Помимо того, что вы должны иметь номинальную независимую переменную (например, торговую марку, товар) и метрическую зависимую переменную (например, рейтинги эффективности, рейтинги важности, уровни осведомленности), ваши данные должны удовлетворять следующим допущениям дисперсионного анализа; значения переменных в выборке должны подчиняться закону нормального распределения и дисперсии совокупностей должны быть равны. Если окажется, что данные в значительной степени не удовлетворяют этим допущениям, то следует использовать непараметрические методы, например критерий Краскела--Уоллеса.

Если вы установили, что для анализа ваших данных подходит дисперсионный анализ, то запустите программу его выполнения и вычислите значение /-статистики, чтобы определить значимость полученного результата. Использование F-статистики позволяет проверить нулевую гипотезу об одинаковых значениях уровней независимых переменных с помощью сравнения дисперсии, обусловленной факторным экспериментом, сдисперсией, обусловленнойошибкой.

Чем выше отношение факторной дисперсии к дисперсии, обусловленной ошибкой, т.е., чем выше значение F, тем выше вероятность отклонения нулевой гипотезы об отсутствии различий между средними факторного эксперимента. Если вы используете компьютерную программу SAS или SPSS для выполнения дисперсионного анализа, то программа вьщаст вам р-значение, соответствующее значению F. Как всегда, если вы используете 95%-ныйдо-верительный уровень, р-значение меньшее 0,05, свидетельствует о статистической значимости /^-критерия.

Если нулевую гипотезу отклоняют, то необходимо дополнительно сравнить различия в изолированных группах. Существует ряд критериев для проверки парных сравнений, включая ранговый критерий Стьюдента--З ьюмана--Кеулза (Student--Newman--Keuls Range Test -- SNK), альфа-критерий согласия Бонферрони (Bonferronialpha adjustment), альфа-критерий согласия Шеффе (SchefTealpha adjustment), альфа-критерий согласия Тьюкея (Tukeyalpha adjustment). Самый легкий и самый консервативный из них -- альфа-критерий согласия Бонферрони. Чтобы выполнить эту проверку, вы должны запустить программу выполнения парных сравнений с помошью г-критериев. как вы обычно и делаете, но вместо того, чтобы сравнивать каждое проверяемое ^-значение с вашим общим уровнем значимости (а = 0,05, если желаемый доверительный уровень составляет 95%), вы сравниваете каждое р-значение с вновь вычисленным значением альфа, которое представляет собой вероятность допустить ошибку первого рода, Значения альфа-критерия согласия Бонферрони вычисляют по следующей формуле:

исходное значение альфах?,

(число категорий) х(число категорий -1)

Множественная регрессия

Множественная регрессия -- испытанный и надежный метод маркетинговых исследований, применяемый, главным образом, для прогнозирования и объяснения относительного вклада предикторов в изменение определенной зависимой переменной. Чаще всего мы задаем такой вопрос: "Насколько тесной должна быть зависимость между переменными, чтобы ее принимать во внимание?" Ответ зависит от того, с какой целью вы проводите анализ и зачем вам нужны результаты. Если вы хотите узнать, какие из предикторов наиболее сильно влияют на зависимую переменную, то лучше всего это покажет изучение нормированных коэффициентов регрессии (в-коэффициенты) Если вы хотите делать прогнозы с помощью полученной вами модели, то стоит посмотреть на стандартную ошибку модели. Менеджер не оценит вашу работу, если вы получите высокое значение коэффициента корреляции R2, но диапазон ошибки прогнозирования составит 50% от предсказываемого значения. Существует процедура строгой проверки полученных результатов, предусматривающая использование контрольной выборки.

Дискриминантный анализ

Как и для множественной регрессии, главное назначение дискриминантного анализа -- прогнозирование и определение относительной важности предикторов. Ключевое различие между этими двумя методами состоит в том, что множественная регрессия требует, чтобы зависимая переменная была измерена в интервальной или относительной шкале, а дискриминантный анализ использует категориальную зависимую переменную. В то время как множественную регрессию можно использовать для вычисления степени интереса к покупке данного товара (услуги), дискриминантный анализ можно использовать для определения того, покупает или не покупает респондент данный товар.

Также возможна ситуация, когда маркетолог захочет преобразовать переменную, измеренную интервальной или относительной шкалой, в номинальную переменную. Например, вы получили данные о возрасте респондентов, измеренном в годах. Позже, в ходе анализа, вы решите построить модель, чтобы распределить респондентов согласно критерию 'молодой"--''старый", и соответственно разделите всех респондентов на две группы. Это опасно, поскольку эт) не естественно наблюдаемые группы, и правило, которое вы применили для создания групп, может скрыть смысл результата. Мы советуем вам использовать дискриминантный анализ для естественных групп.

Как определить "управленческую" значимость дискриминантного анализа? Необходимо посмотреть, насколько хорошо он показывает групповую принадлежность. В идеале точность классификации следует оценивать по проверочной выборке, потому что, как и во множественной регрессии, применение коэффициентов дискриминантной функции к выборке, на основе которой они и построены, приведет к надуманно высокой точности предсказания. Результат дискриминантного анализа должен содержать итоговую таблицу вычисленной групповой принадлежности по сравнению с фактической групповой принадлежностью. Спросите себя: действительно ли коэффициенты дискриминантной функции определили каждого респондента в предназначенную ему одну фугагу? Действительно ли появление ошибки ограничено одной группой? Кроме того, рассмотрите общую точность, сравнив процент попадания (т.е. процент верно классифицированных респондентов) с ожидаемым на основе случайности попадания. Хорошее эмпирическое правило заключается в том, чтобы, по крайней мере, на 20% улучшить процент попадания по сравнению со случайным попаданием, рассчитываемым как сумма квадратов априорных вероятностей для каждой группы. Например, если 30% респондентов принадлежит группе А, а оставшиеся 70% -- группе В, то случайность попадания равна (0,Зг) + (0,7*) или 0,58, а мы хотели бы, чтобы процент попадания был, по крайней мере, на 20% выше или (1.2) ч (0,58) = 0,70, т.е. 70%.

Факторный анализ

Чаше всего факторный анализ используют для снижения числа данных и установления характера взаимосвязи переменных. Мы можем задать 20 вопросов на одну тему, но с их помошы в действительности можно оценить небольшое число восприятий респондентами какого-либо объекта. Мы хотели бы узнать, "какие" группы ответов присутствуют в наших данных, Мы можем провести исследование, касающееся конкретной марки автомобиля, и проверка группирования ответов выявит, что респонденты оценивают автомобиль, учитывая только две-три главные характеристики (например, стиль, престижность и т.д.), хотя мы задали им много вопросов. Или нам хочется использовать часть пунктов из анкеты, чтобы вычислить некоторый результат (например, используя оценки уровня обслуживания наших клиентов, определить степень удовлетворенности потребителей уровнем обслуживания). Мы видим, что оценки тесно взаимосвязаны, и использование их в последующем анализе создаст трудности при интерпретации результатов, обусловленные обшей дисперсией. Один из вариантов решения этой проблемы -- использование не исходных переменных, а значений факторов, представляющих их комбинацию. Мы можем также изучить переменные, которые, вероятно, входят в состав различных факторов и использовать их средние значения или даже выбрать одну переменную из каждого фактора, чтобы представить все переменные, составляющие данный фактор. Мы может выбрать любой из этих вариантов, и наше решение зависит от уверенности в своих силах удовлетворительно интерпретировать и обобщать результаты.

...