интересно
Предыдущая | Содержание | Следующая

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 поведение 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 исследований именно с рейтинговыми данными.

В совместном анализе зависимая переменная обычно представляет собой предпочтение или намерение совершить покупку. Другими словами, респонденты предоставляют рейтинги или ранги, выражающие их предпочтения или намерения покупки. Однако методология совместного анализа достаточно гибкая и позволяет использовать диапазон других зависимых переменных, 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 рейтинговых оценок маркетологи использовали девятибалльную шкалу Лайкерта (1 — не предпочитаю эти кроссовки, 9 — предпочитаю всем другим).

Рейтинги, полученные от одного из респондентов, показаны в табл, 21.4.

Выбор метода совместного анализа

Базовую модель совместного анализа {conjoint analysis model) можно представить следующей формулой [28J:

где

/-ГО варианта (i, f =" 1, 2,.... т);

  — число уровней характеристики № — число характеристик;

ху = I, если/-й уровень 1-й характеристики присутствует; = 0 в противном случае.

Важность характеристики /,-определяют через диапазон полезностей, (ИЗ всем уровням этой характеристики:

  для каждого /.

Важность характеристики нормируют для уточнения ее важности относительно других характеристик W,:

Существует несколько методов использования базовой модели. Простейший и самый популярный — регрессионный анализ с фиктивными (dummy) переменными (см главу 17). В этом случае вычисленные переменные состоят из фиктивных переменных для атрибутивных уровней. Если характеристика имеет А, уровней, ее кодируют через (к, — 1)-ю фиктивную переменную (см. главу 14). Если получены метрические данные, то рейтинги, выраженные в интервальной шкале, образуют зависимую переменную. Если получены неметрические данные, то значения рангов можно преобразовать в 0 или, выполнив попарные сравнения между торговыми марками. В этом случае вычисленные переменные представляют различия в атрибутивных уровнях сравниваемых торговых марок. К другим процедурам, подходящим для анализа неметрических данных, относятся LINMAP, MONANOVAh L0G1T.

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, чтобы сначала определить функции полезности индивидуального уровня. Затем респондентов объединяют в кластеры, исходя из сходства полезностей. После этого выполняют агрегатный анализ для каждого кластера. Необходимо определить соответствующую модель для вычисления параметров.

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. Преобразованные данные приведены втабл. 21.5.

Поскольку данные принадлежали одному респонденту, анализ выполняли на индивидуальном уровне. Функции полезности, определенные для каждой характеристики, атакже относительная важность характеристик приведены в табл. 21.6.

Модель для вычисления полезности можно представить в следующем виде:

где

  —                фиктивные переменные, представляющие характеристику "подошва";

  —               фиктивные переменные, представляющие характеристику "верх";

  — фиктивные переменные, представляющие характеристику "цена". Для характеристики "подошва" атрибутивные уровни можно закодировать так:

Уровни других характеристик кодируют аналогично. Маркетологи получили следующие результаты параметров:

При условии кодировки фиктивными переменными, в которой уровень 3 является базовым, коэффициенты можно связать с полезностями. В главе 17 мы объясняли, что коэффициент 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 выражают в интервальной шкале, поэтому начало отсчета произвольное. Следовательно, дополнительно накладываемое ограничение имеет вид

Эгиуравнениядляпервойхарактеристики, "подошвы", следующие:

Полезности для других характеристик, приведенных в табл. 21.6, оценим аналогично, Для характеристики "верх" имеем:

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, построены 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 пользуется 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 $30, а самое низкое для цены — S90. Значения полезности, приведенные в табл. 21.6, выражены только в интервальной 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.

Оценка надежности и достоверности

Существует несколько методик для оценивания надежности и достоверности результатов совместного анализа.

Необходимо определить критерий соответствия (подгонки) вычисленной модели исходным данным. Например, если используют регрессионный анализ с фиктивной переменной, то значение К1 покажет степень соответствия подобранной модели исходным данным. Модели с низким значением критерия соответствия вызывают подозрение.

Надежность"проверки-повторной проверки" можно вычислить, получив позже в наборе данных несколько дублирующих суждений респондентов об объекте. Другими словами, на последнем этапе интервью респондентов просят оценить снова (повторно) определенные 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 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 полсзностей, 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 = 0,05г

Следующий пример продолжает иллюстрацию процедуры совместного анализа.