3. 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.17.3.
Таблица 17.3.
Профили кроссовок и их рейтинги
Номер профиля |
Атрибутивные уровни (соответствуют уровням в табл.17.1) |
Рейтинг предпочтения |
||
Подошва |
Верх |
Цена |
||
1 |
1 |
1 |
1 |
9 |
2 |
1 |
2 |
2 |
7 |
3 |
1 |
3 |
3 |
5 |
4 |
2 |
1 |
2 |
6 |
5 |
2 |
2 |
3 |
5 |
6 |
23 |
3 |
1 |
6 |
7 |
3 |
1 |
3 |
5 |
8 |
3 |
2 |
1 |
7 |
9 |
3 |
3 |
2 |
6 |
4. Выбор метода совместного анализа.
Базовую модель совместного анализа можно представить следующей формулой (17.1):
(17.1)
где U(X) – полная полезность альтернативного варианта;
aij – вклад частной ценности или полезности, соответствующий j-му уровню (j = 1, 2, ..., k) i-го варианта (I = 1, 2, n);
ki – число уровней характеристики i;
nt – число характеристик;
xy = 1, если j-тый уровень i-той характеристики присутствует;
xy = 0 в противном случае.
Модель совместного анализа - математическая модель совместного анализа, выражающая фундаментальную зависимость между характеристиками и полезностью товара.
Простейший и самый популярный метод использования базовой модели - регрессионный анализ с фиктивными переменными. В этом случае вычисленные переменные состоят из фиктивных переменных для атрибутивных уровней. Если характеристика имеет А уровней, ее кодируют через ki фиктивную переменную. 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 1, выполнив попарные сравнения между торговыми марками. В этом случае вычисленные переменные представляют различия в атрибутивных уровнях сравниваемых торговых марок.
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.