Книги, научные публикации
Pages: | 1 | ... | 17 | 18 | 19 | 20 | 21 | ... | 22 | Практическое руководство ТРЕТЬЕ ИЗДАНИЕ НЭРЕШ К. МАЛХОТРА Технологический институт штата Джорджия вильямс WT Москва Х Санкт-Петербург Х Киев 2002 ББК88.5Я75 М19 УДК 681.3.07 Издательский ...
-- [ Страница 19 ] --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 представить 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, необходимо получить данные и восприятий, и предпочтений. Представление и марок, и респондентов в одном и том же пространстве с использованием внутреннего и внешнего анализа называется 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 ситуация, что характер и относительная важность измерений варьируют между пространством данных о восприятии и пространством данных о предпочтениях. Респонденты могут одинаково воспринимать две марки (на пространственной карте восприятий они расположены близко одна 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 респондента 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 предпочтений наряду с данными пространственной карты (рис. 21.5) использовали в качестве исходной 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 пространстве 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.
Часть III. Сбор, подготовка и анализ данных 0, Macleans i Ultrabrite Pepsodent Gieem Aim Crest Х Идеальная точка Colgate 0. Х Ctose-Up Aqua-Fresh Х Dentagard J -0,6 -0,4 -0,2 0,0 0, I 0, Рис. 21,7. Внешний ана/гиз данных о предпочтениях ПРИМЕР. Автомобили: на карте места много Ч располагайся, где пожелаешь Ниже показана пространственная карта отдельных торговых марок автомобилей, полученная на основе М М Ш из данных о сходстве. Спортивность автомобиля (Высокая) Porsche л Х Jaguar Высокая престижность/ Дорогие автомобили Continental Buick Toyota Chevrolet Honda Экономичные модели Dodge Х VW Mercedes (Низкая) Hyundai 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 Глава 21. Многомерное шкалирование и совместный анализ одна от другой (например, Volkswagen и Mercedes), тем меньше, с точки зрения респондентов, 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" Ч одна ось координат и "спортивная/неспортивная модель" Ч другая ось координат. Теперь определим положение каждого автомобиля. Данные о предпочтениях состояли из обычных рангов торговых марок в соответствии с предпочтениями потребителей. Идеальные точки респондентов расположены в том же пространстве. Каждая идеальная точка представляет местоположение предпочтения конкретного 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 позволит исследователю разделить рынок на сегменты с похожими идеальными точками, выбранными 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) Ч это метод ММШ для шкалирования качественных данных в маркетинговых исследованиях. Исходные данные представляют в форме таблицы 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: сходства и различия внутри рядков относительно задаваемой колонкой категории;
сходства и различия внутри колонок относительно задаваемой рядком категории;
взаимосвязь между рядками 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. Результаты интерпретируют с точки зрения близости между рядками и колонками в таблице сопряженности. 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 данные. 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 характеристики товара показывают в одном и том же многомерном пространстве. Недостаток анализа соответствий заключается в том, что расстояние между колонкой и рядком не подда 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, Ч не единственная процедура для получения карт восприятий. Ранее мы уже обсудили два других метода Ч 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 дискриминантного анализа. При таком подходе каждый респондент оценивает п торговых марок по т характеристикам. Выполнив факторный анализ данных, можно вывести для каждого респондента оценку каждого фактора, по одному для каждой торговой марки. Построив график зависимости 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 атрибутивными рейтингами и основными факторами [17]. Цель дискриминантного анализа Ч 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 характеристик. Пространственную карту можно получить построением диаграммы дискриминантных показателей для торговых марок. Оси координат можно обозначить, изучив дискриминантные веса или взвешенные характеристики, которые образуют дискриминантную функцию или размерность [18].
ОСНОВНЫЕ ПОНЯТИЯ СОВМЕСТНОГО АНАЛИЗА С помощью совместного анализа (conjoint analysis) маркетологи пытаются определить относительную 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, которую 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 характеристик, и просят оценить эти объекты с точки зрения желательности тех или иных характеристик. Маркетологи, используя метод совместного анализа, пытаются присвоить уровням каждой 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 Подобно многомерному шкалированию, совместный анализ опирается на субъективные оценки респондентов. Однако, если в ММШ объекты представляют собой изделия или торговые марки, в совместном анализеЧ комбинации уровней характеристик объекта, определяемые исследователем. Цель ММШ Ч разработать пространственную карту, изображающую объекты в многомерном пространстве восприятий или предпочтений. С помощью совместного анализа маркетологи стремятся определить функции частной ценности или полезности, описывающие полезность, которую потребители присваивают уровням каждой характеристики. Два метода взаимно дополняют один другого [21]. Совместный анализ используют в маркетинге для различных целей. Х Определение относительной важности характеристик в процессе выбора товара потребителем. Типичный результат совместного анализа представляет собой веса относительной важности для всех характеристик, используемых для описания объектов. Веса относительной важности показывают, какие из характеристик больше всего влияют на выбор потребителя.
Х 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 торговых марок. Х Определение структуры свойств наиболее предпочитаемой торговой марки. Свойства торговой марки могут варьировать с точки зрения уровней характеристик и соответствующих полезностей. Свойства торговой марки, которые приводят к наивысшей полезности, указывают структуру характеристик наиболее предпочитаемой торговой марки. Х Сегментирование рынка, исходя из сходства предпочтений для уровней характеристик. Функции частной ценности, полученные для характеристик, можно использовать как основу для кластеризации респондентов в однородные по своим предпочтениям сегменты [22].
Совместный анализ находит применение при изучении потребительских и промышленных товаров, финансовых и других услуг. Более того, эти применения совместного анализа простираются на всю сферу маркетинга. Б недавнем обзоре совместного анализа сообщается о применении совместного анализа для определения идеи нового товара, конкурентного анализа, ценообразования, 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 характеристики больше всего влияют на выбор потребителя. Атрибутивные уровни, уровни характеристик (attribute levels). Показывают значения характеристик. Полные профили (full profiles). Полные профили или конкурентные профили торговых марок, построенные на базе всех характеристик с использованием их уровней, Парные таблицы (pairwisc tables). Таблицы, в которых респонденты одновременно оценивают по две характеристики до тех пор, пока не оценят все пары характеристик. Циклические планы (cyclical designs). Планы, используемые для снижения числа попарных сравнений.
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 предсказанных оценок проверочных объектов с оценками объектов, данными респондентами.
ВЫПОЛНЕНИЕ СОВМЕСТНОГО АНАЛИЗА На рис. 21.8 перечислены этапы совместного анализа. Формулирование проблемы Конструирование объектов I Прин Выбор метода совместного анализа " -Х. Интерпретация результатов 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, используя подходящую шкалу, и полученные данные анализируют. Результаты интерпретируют и оценивают их надежность и достоверность. Теперь опишем каждый из этапов совместного анализа детально.
I Формулирование проблемы При формулировании проблемы совместного анализа исследователь должен определить характеристики и уровни характеристик (атрибутивные уровни), используемые в конструировании объектов. Атрибутивный уровень указывает на значение данной характеристики. С теоретической точки зрения выбранные характеристики должны быть явно выраженными, вносить основной вклад в предпочтения и выбор потребителей. Например, при выборе марки автомобиля в характеристики следует включить цену автомобиля, расход бензина на определенное количество километров пути, объем салона автомобиля и т.п. С точки зрения менеджмента, характеристики 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 определить интересующие их характеристики в ходе встреч с менеджментом и отраслевыми эксперГлава 21, Многомерное шкалирование и совместный анализ тами, анализа вторичных данных, качественного исследования и предварительного сбора информации. Как правило, исследование с применением совместного анализа включает шесть или семь характеристик объекта. После определения характеристик следует выбрать подходящие уровни. Их число определяет 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 маленькому или большому автомобилю, Аналогично и функция полезности для цены может носить нелинейный характер. Потеря полезности при переходе от дешевого автомобиля к автомобилю 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 Ч автомобиль может иметь или не иметь люк в крыше, Выбранные атрибутивные уровни влияют на процесс оценивания потребителями автомобилей. Если цены на автомобиль данной торговой марки составляют 10, 12 и 14 тысяч долларов, то цена является относительно незначимым фактором. С другой стороны, если цена 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 истинную рыночную картину, снизит достоверность оценок, но увеличит точность, с которой будут оценены параметры. В качестве главного правила стоит запомнить, что выбирать атрибутивные уровни надо так, чтобы их диапазоны были несколько шире, чем диапазоны, преобладающие 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 характеристики кроссовок: материал подошвы, материал верха и цену[24]. Для каждой характеристики определили три уровня, приведенные в табл. 21.2. Эти характеристики и их уровни использовали для создания объектов в совместном анализе.
Таблица 21.2. Характеристики кроссовок и их уровм Уровень Характеристика Номер Описание Подошва ;
Верх 3 2 !
Резина Полиуретан Пластик Кожа Парусина Нейлон $30,00 $60,00 $90, Цена 3 2 Считается, что если на выбор потребителей сильно влияет дизайн изделия, то следует использовать его изображение, так как выбор в значительной степени зависит от проверки реальных изделий или их фотографий [25].
Часть III. Сбор, подготовка и анализ данных Построение объектов Существует два широко распространенных подхода к построению объектов в совместном анализе Ч попарный подход и метод полного профиля {полнопрофильный метод). В попарном подходе, также называемом методом двухфакторных оценок, респонденты одновременно оценивают 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 Кожа Полиуретан Пластик Парусина Нейлон Подошва Резина Полиуретан Пластик S. $ Цена $ 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 характеристик, 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 Верх Цена (долл.) Сделана из резины Сделан из нейлона Необходимо оценивать все возможные комбинации, однако это не так просто. В попарном подходе можно снизить число попарных сравнений, используя периодический план. Аналогично в полнопрофильном методе можно значительно уменьшить число объектов с помощью дробного факторного эксперимента. Специальный класс факторных экспериментов, называемый ортогональной таблицей, позволяет эффективно оценивать все главные эффекты. Ортогональная таблица допускает измерение всех изучаемых главных эффектов на некоррелированной основе. Эти планы предполагают, что все взаимодействия пренебрежимо малы. Ортогональные 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 вычисления функций полезности для атрибутивных уровней. Набор проверки достоверности используют 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 этого 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 показывает, что оба метода приводят к сопоставимым функциям полезности, однако полнопрофильный метод распространен больше. Полнопрофильный метод использовался в примере с кроссовками. При заданных трех характеристиках и трех уровнях можно построить 3 х 3 х 3 = 27 профилей. Чтобы уменьшить для респондентов задачу оценки, использовали план факторного эксперимента с дробными откликами и составили набор из девяти профилей для создания набора оценочных объектов (табл. 21.4). Другой набор из девяти объектов составлен для проверки достоверности результатов. Для обоих наборов (вычисления и проверки достоверности) получили исходные данные. Однако, прежде чем получить исходные данные, необходимо решить вопрос о форме представления 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 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 Часть 111. Сбор, подготовка и анализ данных 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 Лайксрта (1 Ч не предпочитаю эти кроссовки, 9 Ч предпочитаю всем другим). Рейтинги, полученные от одного из респондентов, показаны втабл, 21.4.
'Х Таблица 21.4. Профили кроссовок и их рейтинги Атрибутивные уровни" Номер профиля Подошва 1 1 Верх 1 2 3 Цена Рейтинг предпочтения 9 7 5 6 5 6 5 7 2 4 5 6 7 8 2 2 3 3 2 3 1 2 3 1 3 '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) Ч полная полезность альтернативного варианта;
dpЧ вклад частной ценности или полезности, соответствующий j -му уровню (/,/ = 1,2,...,k{) i-ro варианта (i, / = 1, 2,.... т);
kj Ч число уровней характеристики /;
m Ч 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) Ч min (осу)} для каждого /. Важность характеристики нормируют для уточнения ее важности относительно других характеристик Wji Глава 21. Многомерное шкалирование и совместный анализ Так что =1.
Существует несколько методов использования базовой модели. Простейший и самый популярный Ч 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 (k, Ч 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 1, 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, MONANOVA и LOGIT [29]. Кроме того, исследователь должен решить, на каком уровне проводить анализ Ч 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 [30]. Необходимо определить соответствующую модель для вычисления 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. Преобразованные данные приведены втабл. 21.5.
Таблица 21.5. Данные о кроссовках, закодированные для регрессном иного анализа с фиктивными переменными Характеристики Рейтинги предпочтений Y 9 Г) Подошва X, Хг Верх Цена Х Хз Хз Хе 1 I 0 0 0 0 1 0 0 ;
. 5 5 7 1 1 D 0 1 0 0 Поскольку данные принадлежали одному респонденту, анализ выполняли на индивидуальном уровне. Функции полезности, определенные для каждой характеристики, а также относительная важность характеристик приведены в табл. 21.6 [32].
Часть III. Сбор, подготовка и анализ данных Таблица 21.6. Результаты совместного анализа Уровень Характеристика Подошва Номер Описание Резина Полиуретан Пластик Кожа Парусина Найлон Полезность 0,778 - 0,556 - 0,222 0, Важность :-Х Верх 0. Цена 0, - 0, 0, 3 2 1,111 0, -1,222 0, Модель для вычисления полезности можно представить в следующем виде:
U=Ь +b где X,, X2 Ч фиктивные переменные, представляющие характеристику "подошва";
Х3, Х4 Ч фиктивные переменные, представляющие характеристику "верх";
Х5, Х6 Ч фиктивные переменные, представляющие характеристику "цена". Для характеристики "подошва" атрибутивные уровни можно закодировать так: Хг Хг Уровень Уровень О 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 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 аД + а!2 + огД = О Эти уравнения для первой характеристики, "подошвы", следующие:
Глава 21. Многомерное шкалирование и совместный анализ alt -Д=1,000, а/2Ч Д=-0,333, а,{ + а,2 + аД = 0.
Г. --.!.
Решив эти уравнения, получим: осД = 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:
ли + ч + ли = 0.
Веса относительной важности вычислили, исходя из значений полезностей, следующим образом: Сумма значений полезностей = [0, 778- (-0,556)] + [0Д 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" = ~ =Ч = 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, 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 530, а самое низкое для цены Ч 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 второмЧ 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.
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]. Х Необходимо определить критерий соответствия (подгонки) вычисленной модели исходным данным. Например, если используют регрессионный анализ с фиктив2 ной переменной, то значение Я покажет степень соответствия подобранной модели исходным данным. Модели с низким значением критерия соответствия вызывают подозрение. Х 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 "проверкиповторной проверки", два значения этих объектов сопоставляют. Х 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. Х 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. 2 В ходе регрессионного анализа данных табл. 21.5 получили значение R, 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. I 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 I Клавиатура I Мышка 17 дюймов 13 дюймов Разрешение экрана монитора Нормальное разрешение Разрешение сверхвысокое Уровни цены 1000 долл. 1500 долл.
2000 долл.
Все возможные комбинации этих характеристик дали в результате 24 (2 х 2 х 2 х 3) профиля компьютеров. Один из таких профилей приведен ниже. Режим ввода Разрешение экрана монитора Размер экрана Цена Мышка Нормальное разрешение 17 дюймов 1500 долл.
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 'Х _* Размер экрана монитора Зг Разрешение монитора Режим ввода $ $ $ 13' |.
Нормальное Высокое разрешение разрешение Клавиатура Мышь Предпочтения потребителя или полезности 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 Режим ввода Разрешение экрана монитора Размер экрана важность 45% 5% 25% Уровень цены 25% Для этого покупателя режим ввода Ч наиболее важная характеристика, а мышка Ч 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.
Глава 21. Многомерное шкалирование и совместный анализ ГИБРИДНЫЙ СОВМЕСТНЫЙ АНАЛИЗ Гибридный совместный анализ (hybrid conjoint analysis) представляет собой попытку упростить 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 Ч 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-Ч взаимодополняющие методы, которые 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 относительную 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 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 [ 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 1C I Americas Agricultural Products решила придерживаться первоначального уровня цен, решив не снизижать цену на выпускаемый ею гербицид Fusilade [36].
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 маркетинговых 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 характеристике, которую конкуренты не смогут ни купить, ни создать, Ч на репутации. Для ЗЛ/И^это прекрасные инженерные разработки. А. В. Volvo из Швеиии 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 Infiniti Ч 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 репутацияЧ важные характеристики, или размерности, в автомобильных предпочтениях европейцев. Поэтому позиции различных европейских автомобилей именно в отношении этих двух характеристик показаны на следующей диаграмме.
Высокие Х * Lexus BMW Х Alpha Infiniti Х Romeo Mercedes Х о, ХRenault *Volvo Высокие 5 Низкие Х Taurus Ford Низкие Завоеванная репутация 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 Ч репутацию. Это требует от американских и японских производителей автомобилей новых маркетинговых стратегий.
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 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 M. Wash представлял собой версию для машинной стирки. Порошок Breezematic разработан исключительно для машинной стирки. Поэтому желательно было разработать формулу, удовлетворяющую обоим условиям, Ч 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. Х 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 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.
Х Х Х Х Часть III. Сбор, подготовка и анализ данных АРМ Ч программа адаптивного составления пространственных карт восприятий, обрабатывает до 30 торговых марок и 50 характеристик. Не ограничивает количество респондентов для одного исследования или количество компьютеров, которые можно использовать для сбора данных. Х MAPWISE, разработанная компанией Market Action Research Software, Inc., составляет пространственные 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 товара. 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 программные 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) Ч неметрический метод, который использует полнопрофильные данные. Для парных данных используется процедура TRADEOFF, также являющаяся неметрическим методом, который использует ранги предпочтений для пар характеристикаЧуровень. 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 selected segmentation evaluation) компании Robinson Associates, Inc. Ч обобщенная система для оптимизации продукта и сервисных планов с помощью гибридного совместного анализа и экспериментальных методов плана. Она использует модели выбора потребителей, моделирование поверхности отклика и методы оптимизации для разработки оптимальных конфигураций продукта. Также существуют программы совместного анализа на основе выбора (choice-based conjoint Ч СВС) и программы совместного анализа с использованием мультимедиа, которые демонстрируют характеристики продукта, а не просто описывают их, например программы компании Sawtooth Technologies (www.sawtooth.com).
Х В центре внимания Burke Основная роль компании Burke Ч помочь клиентам в разработке планов маркетинговых исследований. Часто клиенты приходят в компанию с просьбой провести исследование потребителей их продукции. Наша обязанностьЧ дать клиенту рекомендации относительно применения результатов маркетингового исследования. Например, в совместном анализе (методом полного профиля) производителей мобильных телефонов клиенту предложен следующий план исследования. Факторы Ч уровни Электропитание Ч 3 или 6 ватт Вес Ч 10 или 14 унций Длительность работы аккумуляторов Ч 30 минут;
1 час;
1,5 часа и 2 часа разговора. Торговая марка Ч А', В Цена Ч 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 Ч 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 репликами (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 Электропитание Профиль 1 Профиль 2 Профиль 3 Профиль 4. Профиль 5 Профиль 6 Профиль 7 Профиль 8 Профиль 9 3 ватт 6 ватт 6 ватт 3 ватт 6 ватт 3 ватт Звап 6 ватт 3 ватт 6 ватт 6 ватт 3 ватт 6 ватт Звап Зватт 6 ватт Вес 10 унций 10 унций 14 унций 14 унций Время разговора 30 минут 30 минут 30 минут 30 минут Марка Цена телефона Бесплатно S200 $ В В А А А $100 $ $250 $200 Бесплатно $200 Бесплатно 10 унций 10 унций Нунций 14 унций 1 час 1 час 1 час А в 6 А А В 1 час 1,5 часа 1,5 часа 1,5 часа 1,5 часа 2 часа 2 часа 2 часа 2 часа 14 унций 14 унций I Профи ль 10 Профиль 1 1 Профиль 12 Профиль 13 Профиль 14 Профиль 15 Профиль 10 унций 10 унций Нунций 14 унций 10 унций 10 унций $ $250 $ в В в А А $ Бесплатно $ 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 респондентов, приведены ниже: Профиль 1 : 2 Профиль 2 : 5 Профиль 3 Профиль 4 Профиль 5 Профиль 6 Профиль 7 Профиль 8 : 6 Профиль 9 : 1 Профиль 10 ;
1 Профиль 11: 10 Профиль 12 :5 Профиль 13:6 Профиль 14:8 Профиль 15:3 Профиль 16 : Выполнив регрессионный анализ этих данных методом наименьших квадратов с матрицей плана в качестве предиктора, получили следующие результаты. Характеристика Электропитание 3 ватта 6 ватт Значение полезности Относительная важность -1, 1, 0,375 - 0,375 -1,875 - 0,375 0, 18,8% Вес 10 унций 14 унций Длительность работы аккумуляторов 30 минут 6,0% 1 час 1,5 часа 2 часа 1, 27,1% Часть III. Сбор, подготовка и анализ данных Торговая марка А и Цена телефона Бесплатно в случае двухгодичного контракта 1,5 -1, - 0, 25,0% $ $ 1, -0, $250 -0,875 Почему фирма Burke провела исследование таким образом?
22,9% 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 в ходе 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 от того, что именно подлежит шкалированию Ч восприятия или предпочтения. Другим определяющим фактором является уровень проведения анализаЧ 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 помошью 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. Глава 21. Многомерное шкалирование и совместный анализ 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 оценки надежности и достоверности результатов совместного анализа.
ОСНОВНЫЕ ТЕРМИНЫ И ПОНЯТИЯ R-квадрат (R-square) анализ соответствий (correspondence analysis) атрибутивные уровни (attribute levels) веса относительной значимости (relative importance weights) внешний анализ предпочтений (external analysis of preferences) внутренний анализ предпочтений (internal analysis of preferences) внутренняя достоверность (internal validity) гибридный совместный анализ (hybrid conjoint analysis) координаты (coordinates) критерий изогнутости (elbow criterion) ММШ метрических данных (metric M DS) ММШ неметрических данных (nonmetric MDS) многомерное шкалирование Ч ММШ (Multidimensional Scaling Ч MDS) модель совместного анализа (conjoint analysis model) непрямые методы (derived approaches) ортогональные таблицы (orthogonal arrays) оценки сходства (similarity judgments) 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) УПРАЖНЕНИЯ Вопросы 1. 2. 3. 4. Для каких целей используют многомерное шкалирование? Что такое пространственная карта? Расскажите об этапах выполнения многомерного шкалирования. Опишите прямые и непрямые методы для получения исходных данных для ММШ.
5. Какие факторы влияют на выбор метода ММШ? 6. Чем руководствуются маркетологи при принятии решения о числе размерностей, в которых получают решение ММШ? 7. Опишите способы, посредством которых можно оценить надежность и достоверность решений ММШ. 8. Какое отличие между внутренним и внешним анализом данных о восприятиях? 9. Кратко опишите анализ соответствий. 10. Что включает в себя формулирование проблемы совместного анализа? П. Опишите полно-профильный метод построения объектов в совместном анализе.
Часть III. Сбор, подготовка и анализ данных 12. Опишите попарный метод построения объектов в совместном анализе, 13. Каким образом используют регрессионный анализ для анализа совместных данных? 14. Покажите графически, что такое функции полезности. 15. Какими методами оценивают надежность и достоверность результатов совместного анализа? 16. Кратко опишите гибридный совместный анализ.
Задачи 1. Определите две проблемы маркетинговых исследований, в которых применяется многомерное шкалирование. Объясните, как вы применили бы в таких ситуациях М МШ. 2. 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 1. Проанализируйте данные табл. 21.1, используя метод ММШ. Сравните полученные вами результаты с результатами, приведенными в тексте. 2. 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. 3. Постройте девять профилей кроссовок, приведенных в табл. 21.4. Оцените их в соответствии с вашими предпочтениями, используя девяти балльную 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 1. Paul Е. Green, Frank J. Carmone, Jr., Scott M. Smith. Multidimensional Scaling: Concepts and Applications (Boston, MA: Allyn & Bacon, 1989), p. 16Ч17. 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. 2. Alt Kara, Erdener Kaynak, Orsay Kucukemiroglu, "Credit Card Development Strategies for the Youth Market: The Use of Conjoint Analysis", Internationa! Journal of Bank Marketing, June 1994, p. 30Ч36;
Mary Tonnenberger, "In Search of the Perfect Plastic", Quirk's Marketing Research Review, May 1992, p. 427-450. 3. Обзор применения многомерного шкалирования в маркетинговых исследованиях приведен в работе J. Douglass Carroll, Paul E. Green, "Psychometric Methods in Marketing Research: Part II: Multidimensional Scaling", Journal of Marketing Research, February 1997, p. 193Ч204;
Lee G. Cooper, "A Review of Multidimensional Scaling in Marketing Research", Applied Psychological Measurement, Fall 1983, p. 427-450. 4. Прекрасное изложение различных аспектов многомерного шкалирования можно найти в работе MarkL. Davison, Multidimensional Scaling (Melbourne, Krieger Publishing Company, 1992). Глава 21. Многомерное шкалирование и совместный анализ 5. 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 Proximity Data in Marketing Research", Marketing Science, Winter 1992, p. 1Ч20. О других методах обработки данных многомерного шкалирования см. работу Tammo H.A. Bijmolt, Michel Wedel, 'The Effects of Alternative Methods of Collecting Similarity Data for Multidimensional Scaling", International Journal of Research in Marketing, November 1995, p. 363-371. 6. См. работы Ingwer Borg, Patrick J. Groenen, Modern Multidimensional Scaling Theory and Applications (New York, NY: Springer-Verlag, 1996);
Naresh K. Malhotra, Arun K. Kain, Christian Pinson, "The Robustness of MDS Configurations in the Case of Incomplete Data", Journal of Marketing Research, February 1988, p. 95Ч102;
Jan-Benedict E.M. Steenkamp, Hans C.M. Van Trijp, "Task Experience and Validity in Perceptual Mapping: A Comparison of Two ConsumerAdaptive Techniques", International Journal of Research in Marketing, July 1996, p. 265Ч276. 7. T. Cox, Multidimensional Scaling (New York: Routledge, Chapman & Hall, 1994). 8. Стресс Краскаля, вероятно, чаще других используется как мера неадекватности. См. работу Ingwer Borg, Patrick J. Groenen, Modern 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. 1Ч27. 9. J. Douglass Carroll, Paul E. Green, "Psychometric Methods in Marketing Research: Part II. Multidimensional Scaling", Journal of Marketing Research, February 1997, p. 193Ч204;
Naresh K. Malhotra, "Validity and Structural Reliability of Multidimensional Scaling", Journal of Marketing Research, May 19S7, p. 164-173, 10. Относительно недавней проверки надежности и достоверности решений ММШ см. статью Jan-Benedict E.M. Steenkamp, Hans C.M. Van Trijp, Jos M.F. Ten Berge, ''Perceptual Mapping Based on Idiosyncratic Sets of Attributes", Journal of Marketing Research. February 1994, p. l>-27. 11. Joseph F. Hair, Jr., Ralph E. Anderson, Ronald L. Tatham, William C. Black, Multivariaie Data Analysis with Readings, 5th ed. (Upper Saddle River, NJ: Prentice Hall, Inc., 1999), p. 484-555. 12. См., например, работы Wayne S. DeSarbo, M.R. Young, Arvind Rangaswamy, "A Parametric Multisimensional Unfolding Procedure for Incomplete Nonmetric Preference/Choice Set data Marketing Research", Journal of Marketing Research, November 1997, p. 499Ч516;
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. 433Ч443. 13. Ian Murphy, "Downscale Luxury Cars Drive to the Heart of Baby Boomers", Marketing News, October 1997, p. 1, 19. 14. О современном применении анализа соответствия см. работы J.J. Math, M. 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. 321Ч339;
Paul E. Green, Abba M. Krieger, "A Simple Approach to Target Market Advertising Strategy", Journal of the Market Research Society, April 1993, p. 161Ч170. 15. Ali Kara, Erdener 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. 99Ч119;
Terrcnce V. O'Brien, "Correspondence Analysis", Marketing Research: A Magazine of Management & Applications, Fall 1993, p. 54Ч56. 16. Jorg Blasius, Michael L. Greenacre, Visualization of Categorical Data (New York, NY: Academic Press, 1998);
Michael J. Greenacre, Correspondence Analysis in Practice (New York, NY: Academic Press, 1993);
Michael L. Greenacre, "The Carroll-Green-Schaffer Scaling in Correspondence Analysis: A Theoretical and Empirical Appraisal", Journal of Marketing Research, August 1989, p. 358Ч365;
Michael L. Grccnacre, Theory and Applications of Correspondence Analysis {New York, NY: Academic Press, 1984);
Donna L. Hoffman, George R. Franke,"Correspondence Analysis:
Часть ill. Сбор, подготовка и анализ данных Graphical Representation of Categorical Data in Marketing Research", Journal of Marketing Research, August 19S6, p. 213-227. 17. Об использовании факторного анализа при построении пространственных карт см. статью Larry Hasson, "Monitoring Social Change", Journal of She Market Research Society, January 1995, p. 69-80. 18. John R. Hauser, Frank S. Koppelman, "Alternative Perceptual Mapping Techniques: Relative Accuracy and Usefulness'', Journal of Marketing Research, November 1979, p. 495Ч506. Хаузер и Коппельман считают, что факторный анализ важнее дискриминантного. См. также монографию Inwer Borg, Patric J. Groenen, Modern Multidimensional Scaling Theory and Applications (New York, NY: Spring-Verlag, 1996). 19. 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", Journal of Marketing, October 1991, p. 20-31. 20. F.J. Danaher, "Using Conjoint Analysis to Determine the Relative Importance of Service Attributes Measured in Customer Satisfaction Surveys", Journal of Retailing, Summer 1997, p. 235Ч260. 21. Обзор применения совместного анализа в маркетинге см. в работах J. Douglass Carroll, Paul E. Green, "Psychometric Methods in Marketing Research: Part I. Conjoint Analysis", Journal of Marketing Research, November 1995, p. 385Ч391;
Paul E. Green, V. Srinivasan, "Conjoint Analysis in Marketing: New Development with Implications for Research and Practice", Journal of Marketing, October 1990, p. 3Ч19;
Paul E. Green, V. Srinivasan, "Conjoint Analysis in Consumer Research: Issues and Outlook", Journal of Consumer Research, September 1978, p. 102-123. 22. Judith Thomas Miller, James R. Ogden, Craig A. Latshaw, "Using Trade-Off Analysis to Determine Value-Price Sensitivity of Custom Calling Features", American Business Review, January 1998, p. 8Ч13. 23. Dick R. 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. 41Ч52;
Dick R. Wittink, Philippe Cattin, "Commercial Use of Conjoint Analysis: An Update", Journal of Marketing, July 1989, p. 91Ч97. 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. 24. 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. 217Ч222. 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. 25. 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. 26. J. Douglass Carroll, Paul E. Green, "Psychometric Methods in Marketing Research: Part I. Conjoint Analysis", Journal of Marketing Research, November 1995, p. 385Ч391;
Warren F. Kuhfeld, Randall D. Tobias, Mark Garrat, "Efficient Experimental Designs with Marketing Applications", Journal of Marketing Research, November 1994, p. 545Ч557;
Sidney Addelman, "Orthogonal Main-Effect Plans for Asymmetrical Factorial Experiments", Technotnetrics, February 1962, p. 21-36;
Paul E. Green, "On the Design of Choice Experiments Involving Multifactor Alternatives", Journal of Consumer Research, September 1974. p. 61Ч68. 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", Journal of Marketing Research, February' 1994, p. 15-27.
Глава 21. Многомерное шкалирование и совместный анализ 28. J. Douglass Carroll, Paul E. Green, "Psychometric Methods in Marketing Research: Part I. Conjoint Analysis", Journal of Marketing Research, November 1995, p. 385Ч391;
Arun K. Jain, Franklin Acito, Naresh K. Malhotra, Vijay Mahajan, "A Comparison of the Internal Validity of Alternative Parameter Estimation Methods in Decompositional Multiattribute Preference Models", Journal of Marketing Research, August 1979, p. 313Ч322. 29. H. Oppewal, H.J. Timmermans, JJ. Louviere, "Modeling the Effect of Shopping Center Size and Store Variety in Consumer Choice Behavior", Environment and Planning, June 1997, p. 1073Ч1090. 30. Markus Christen, Sachin Gupta, John C. Porter, Richard Staelin, Dick R. Wittink, "Using MarketLevel Data to Understand Promotion Effects in a Nonlinear Model", Journal of Marketing Research, August 1997, p. 322Ч334;
William L. Moore, "Levels of Aggregation in Conjoint Analysis: An Empirical Comparison", Journal of Marketing Research, November 1980, p. 516Ч523. См. также работу Roger Brice, "Conjoint Analysis: A Review of Conjoint Paradigms and Discussion of the Outstanding Design Issues", Marketing & Research Today, November 1997, p. 260-266. 31. J, Douglass Carroll, Paul E. Green, "Psychometric Methods in Marketing Research: Part I, Conjoint Analysis", Journal of Marketing Research, November 1995, p. 385Ч391;
Frank J. Carmone, Paul E. Green, "Model Misspecification in Multiattribute Parameter Estimation", Journal of Marketing Research, February 1981, p. 87-93. 32. 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 of Marketing, January 1995, p. 17Ч28;
Peter J. Danaher, "Using Conjoint Analysis to Determine the Relative Importance of Service Attributes Measured in Customer Satisfaction Surveys", Journal of Retailing, Summer 1997, p. 235Ч260. 33. J. Douglass Carroll, Paul E. Green, "Psychometric Methods in Marketing Research: Part 1. Conjoint Analysis", Journal of Marketing Research, November 1995, p. 385Ч391;
Naresh K. Malhotra, "Structural Reliability and Stability of Nonmetric 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 Self-Explicated Weights: A Comparison", Journal of Marketing Research, November 1984, p. 456Ч462;
MadhavN. Segal, "Reliability of Conjoint Analysis: Contrasting Data Collection Procedures", Journal of Marketing Research, February 1982, p, 139Ч143. 34. Del I. Hawkins, Roger J. Best, Kenneth A. Coney, Consumer Behavior Implications for Marketing Strategy, 7th ed. (Boston, MA: McGraw Hill, 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. 62Ч69;
Paul E. Green, Abba M. Kxieger, "Individualised Hybrid Models for Conjoint Analysis*', Management Science, June 1996, p, 850Ч867;
Paul E. Green, "Hybrid Models for Conjoint Analysis: An Expository Review', Journal of Marketing Research, May 1984, p. 155Ч169. 36. S. Pfeifer, B. Gain, K. Walsh, "Managing Specialties: How to Grow When Prices Stall", Chemical Week, December 10, 1997, p. 30Ч34;
Diane Schneidman, "Research Methods Designed to Determine Price for New Products, Line Extensions", Marketing News, October 23, 1987, p, 11. 37. "Luxury Car Makers Assemble World View"1, Corporate Location, JanuaryЧFebruary 1997, p. 4. 38. Linda Grant, "Outmarketing P & G", Fortune, January 12, 1998, p. 150-152;
David Batler, "Thai Superconcentrates Foam", Advertising Age, January IS, 1993, p. 111.
Часть III. Сбор, подготовка и анализ данных Взгляд профессионала 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" Телезрители, к-во чел. Гелезригели, намеревающиеся совершить покупку (в % ог общего числа) Точно купят Вероятно купят 200 46 18 28 "New Boston" 200 67 31 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.
Взгляд профессионала Количество детей 1 2 3 Намерение совершить покупку, % 90 80 60 Всего, чел. 120 100 80 Из таблицы видно, что намерение совершить покупку снижается с ростом количества детей в семье. Возраст матери До 25 25 и выше Намерение совершить покупку, % 83% 74% Всего, чел. 160 140 Из этих данных также ясно, что чем моложе мать, тем выше намерение совершить покупку. Возраст матери До 25 лет 25 лети выше Количество детей Количество детей 1 2 3 + 1 2 3 + Намерение совершить покупку, %. 90 80 60 90 80 60 Всего, чел. 85 55 20 35 45 60 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 искусственно скрывают взаимосвязи, поскольку они слишком широкие. Х 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%-ный доверительный интервал.
Х Оформление боковиков Поскольку нельзя рассказать о всех возможных вариантах оформления боковиков, остановимся на некоторых фундаментальных вопросах. Х Как бы элементарно это не казалось, порядок представления таблиц не является чем-то раз и навсегда заданным. Не существует какой-либо уникальной практики упорядоче Часть III. Сбор, подготовка и анализ данных ния 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. Х Данные, касающиеся сравнения коэффициентов и процентов, требуют аккуратного использования и соответствующих разъяснений. Х К классическим коэффициентам, таким как "осведомленность/проба" или "проба/наиболее используемая торговая марка" (Brand-Used-Most-Often Ч 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 дру: гие Ч нет (допустим, "Форд ' по сравнению с "Роллс-Ройсом''). Поскольку восприятия респондентов, опробовавших товар, основаны на практике, а восприятия не опробовавших респондентов Ч 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. Х 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, вспомнивших рекламу 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 Ч 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 изменению Х 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) Ч старший маркетинговый аналитик Bur/се, 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 прихоВзгляд профессионала 3 дится изучать данные, полученные от респондентов, с помощью многомерных статистических методов. Наша цель Ч 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 КраскелаЧУоллеса. 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 /'-статистики позволяет проверить нулевую гипотезу об одинаковых значениях уровней независимых переменных с помощью сравнения дисперсии, обусловленной факторным экспериментом, с дисперсией, обусловленной ошибкой. 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 выдаст вам р-значение, соответствующее значению F. Как всегда, если вы используете 95%-ный доверительный уровень, /j-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 СтьюдентаЧНьюманаЧКеулза (StudentЧNewmanЧKeuls Range Test Ч SNK), альфа-критерий согласия Бонферрони (Bonferroni alpha adjustment), альфа-критерий согласия Шеффе (Scheffe alpha adjustment), альфа-критерий согласия Тькжея (Tukey alpha adjustment). Самый легкий и самый консервативный из них Ч альфа-критерий согласия Бонферрони. Чтобы выполнить эту проверку, вы должны запустить программу выполнения парных сравнений с помощью /-критериев, как вы обычно и делаете, но вместо того, чтобы сравнивать каждое проверяемое р-значение с вашим общим уровнем значимости (а = 0,05, если желаемый доверительный уровень составляет 95%), вы сравниваете каждое />-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 альфах2 (число категорий) х (число категорий -1) Часть III. Сбор, подготовка и анализ данных Множественная регрессия Множественная регрессия Ч 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 (Ркоэффициенты). 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 2 высокое значение коэффициента корреляции R, 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 Ч 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 дискриминант ный 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"Ч^старый", и соответственно разделите всех респондентов на две группы. Это опасно, поскольку это 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 группу? 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% Ч группе В, то случайность попадания равна (0,32) + (0,72) или 0,58, а мы хотели бы, чтобы процент попадания был, по крайней мере, на 20% выше или (1,2) х (0,58) = 0,70, т.е.
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 помощью в действительности можно оценить небольшое число восприятий респондентами какого Взгляд профессионала 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 дветри 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 Ч 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.
Кластерный анализ Кластерный анализ используют, в основном, для целей сегментации. Обычно различают сегментацию двух типов: первый тип Ч простая рыночная сегментация, когда изменение потребностей и мотиваций обусловлено, главным образом, самими потребителями, а не обстоятельствами. Например, потребители одного сегмента ищут высокоэффективную камеру, которая не требует большого участия со стороны фотографа, другой сегмент ищет высокоэффективную камеру со множеством миниатюрных приспособлений, позволяющих экспериментировать, а еще один сегмент стремится найти камеру, которая работает по принципу "наведи и щелкни", и дает четкие фотографии даже если дрожит рука. Эти сегменты зависят от потребностей клиентов и не зависят от обстоятельств или причин, по которым используют камеру, В основе второго типа сегментации лежит воздействие определенных обстоятельств. Например, выбор ресторана не всегда основан на одних и тех же нуждах. Он зависит от времени суток, общества, дня недели, причины торжества и т.д. Сегментация, зависящая от обстоятельств, обычно имеет место для продуктов и напитков, поскольку один потребитель может хотеть разную еду в зависимости от обстоятельств, побудивших его пойти в ресторан. Для обоих типов рыночной сегментации на основе использования кластерного анализа данные должны измеряться в интервальной шкале, и вы должны иметь полный набор данных по каждому респонденту. По возможности, следует избегать использования значений, заменяющих пропущенные данные, например, заменяя пропущенное значение средним значением оставшихся данных. Это может оказаться неизбежным, но в конце концов вы поймете, что такая замена влияет на окончательный результат, и вы, по существу, имеете ''искусственные данные". После получения результатов следует определить профиль каждого из сегментов с помощью переменных, включенных в кластерный анализ. Во- первых, определите, к каким из переменных стремится каждый респондент и к каким переменным не стремится никто. Эти переменные характеризуют уровни рынка, а не уровни сегментации. Отделение их от остальных характеристик позволит легко идентифицировать потребности респондснов на уровне сегментации. Во-вторых, расположите оставшиеся атрибутивные средние в порядке убывания (от большего к меньшему). Кратко запишите ключевые темы и дайте каждому сегменту предварительное название. На следующем этапе определите профиль каждого из кластеров с помощью переменных, которые не участвовали в процессе кластеризации и которые включают: демографические, психографические характеристики;
использование товара и мотивы поведения. Если кластеры не различаются по этим переменным, то, вероятно, что менеджменту будет от них немного пользы. Если окажется, что кластеры различаются по этим "внешним" переменным, то с помощью этой информации и информации о переменных, использованных для кластеризации, давайте название кластеру и опишите его, имея в виду маркетинговую стратегию в отношении каждого из этих сегментов.
Часть III. Сбор, подготовка и анализ данных Многомерное шкалирование Простейшее определение многомерного шкалирования (ММШ) состоит в том, что с его помощью можно количественно измерить пространственные взаимосвязи. Предположим, что мы хотим попытаться понять, как люди воспринимают следующие шесть ресторанов быстрого обслуживания: McDonald's, Burger King, Pizza Hut, Long John Silver's, Arby's и KFC. Респонденты оценивают их с ломошью набора шкал. Существует множество способов, чтобы понять, с чем у респондентов ассоциируюся эти рестораны. Воспользовавшись шкалой рейтингов, вы могли бы разложить на множители результаты оценки ресторанов с получением корреляционной матрицы и нанести на карту полученные факторные нагрузки. Вы можете обработать рейтинги ресторанов для каждого респондента как "группу", выполнить дискриминанты и анализ и начертить график дискриминантных показателей. Рейтинговые данные можно использовать в компьютерной программе ММШ, которая по сути создаст картину, на которой рестораны, расположенные (по рейтингу) близко один от другого, будут расположены близко, а отдаленные рестораны Ч соответственно дальше. Вы можете сказать, что это слишком просто, чтобы этим заниматься. Наоборот, простота анализа Ч часть его привлекательности. Очевидные взаимосвязи легко понять, и картины дают ясное отображение того, что хотели бы выразить респонденты. Математически это строже, чем может показаться вначале. Таким образом, если у вас есть многомерная картина ваших данных, и установлено, что она хорошо соответствует вашим данным, то вы можете быть уверены, что картина очень правдоподобно отражает реальную структуру восприятия вещей.
Совместный анализ В отличие от предыдущих методов, совместный анализ Ч это не столько многомерный метод, сколько совокупность исследовательских процедур для планирования и анализа экспериментов. Обычно цель эксперимента Ч определить влияние на выбор или предпочтение товара каждой из его характеристик. Обшим для всех процедур совместного анализа является допущение о том, что товар представляет собой пучок характеристик, которые рассматриваются совместно. Например, конфета является комбинацией вполне определенных ингредиентов, а именно: размера, цены и торговой марки. Маркетологи используют совместный анализ для разнообразных целей, в том числе для: Х Определения товаров с оптимальной комбинацией свойств. Х Определения относительных вкладов каждой характеристики и се уровня в общую оценку товара. Х Прогноза рыночной доли товара с различными наборами характеристик. Х Определения рыночных возможностей товара или услуги, не представленных в настоящее время на рынке. Х Определения доходности нового товара, исходя из сравнения его стоимости с ожидаемой ценой и долей рынка. Х Выяснения возможностей использования стратегии вывода на рынок товарного ряда и торговых марок, включая опасность каннибализма. Х Оценки влияния ухода товара или торговой марки с рынка. Х Определения возможности модификации имеющегося в настоящее время на рынке товара с тем, чтобы он мог конкурировать с новыми, входящими на рынок товарами. Х Оценки эффекта исключения некоторых характеристик изделия, поддержание которых дорого стоит, но предельная стоимость которых минимальна. Х Сегментации потребителей в зависимости от того, какие свойства товара они считают важными. Установление возможного размера сегмента потребителей, ориентированных исключительно на цену, или размера сегмента потребителей, ориентированных исключительно на торговую марку. Взгляд профессионала 3 Независимо от подхода, используемого для совместного анализа, самое главное для успешного исследования Ч это выбор включаемых в план характеристик и уровней. Неопытные исследователи стремятся включить в анализ чрезмерное количество свойств товара, полагая, что потребители, как и они, учитывают все тонкости товара. На самом деле человек стремится упростить процесс принятия решения, и поэтому включение в план исследования от пяти до восьми важнейших характеристик обычно вполне достаточно, чтобы спрогнозировать вероятность покупки. При выборе окончательных переменных совместного анализа убедитесь, что включены только те характеристики, которые можно добавить или убрать из процесса выбора и которые показывают различия между товарами. Другая опасность для начинающего исследователя кроется в стремлении чрезмерно обобщить полученное решение. Если изменение в уровнях цены сильно влияет на предпочтение продукта, то нельзя делать такое заявление: "ценаЧ самая важная характеристика изделия". Ваши измерения означают лишь, что переход от одного уровня цены к другому среди выбранных вами для проверки цен, был более определяющим фактором для выбора респондентом изделия, чем изменение уровней по другим характеристикам. Вы могли бы выбрать ценовые уровни, ближе расположенные один к другому, и получить совершенно другой результат.
Часть III. Сбор, подготовка и анализ данных Кейсы 3.1. ВНИМАНИЕ: ИСПОЛЬЗОВАНИЕ ИМЕНИ "ЗВЕЗД" В РЕКЛАМНЫХ ЦЕЛЯХ - ОПАСНО!
Привлечение знаменитостей для рекламных целей основано на том, что показ ''звезд'' имеет особое культурное значение, порожденное их имиджем, растиражированным в масс-медиа. Ассоциациируя "звезду" с товаром, человек переносит особую выразительность "звезды" на товары или товарные марки. Однако использование в рекламе "звезд"' Ч дорогое удовольствие, и к тому же оно таит в себе скрытые опасности. Подсчитано, что в 1996 году знаменитостей использовали примерно в 20% от всего объема рекламы, и 10% всех расходов на рекламу приходилось на выплату гонорара "звездам". В дополнение к непомерным расходам существуют риски и опасности, связанные с использованием знаменитостей в рекламе. Компания Pepsi заключила контракт с Мадонной на несколько миллионов долларов на ее участие в рекламной компании Pepsi. Спорная трактовка певицей религиозного сюжета в видеоклипе "Like a Prayer" привела к угрозе бойкота продукции компании со стороны потребителей, в результате Pepsi потеряла 10 миллионов долларов. Реклама с участием Сибил Шеферд (Cybil Shepherd) изделий из говядины не увенчалась успехом, поскольку Сибил публично созналась, что она редко употребляет говядину. Эти примеры Ч только небольшая часть проблем, связанных с привлечением знаменитостей для участия в рекламе. К сожалению, всегда имеются скрытые опасности при использовании "звезд" в рекламе, что и иллюстрирует пример привлечения для рекламы О. Симпсона (О. Simpson) компанией Hertz. Если это так опасно, то почему же продолжается данная практика? Многие специалисты по рекламе считают, что привлечение знаменитостей делает рекламу более эффективной. Например, компании Pepsi Cola и Revfon в коммерческих целях используют для рекламы своего имиджа и продаж имя Синди Кроуфорд (Cindy Crawford). Анализ показывает, что использование в рекламе знаменитостей порождает активную ответную реакцию на рекламу. Дополнтельным аргументом для участиия знаменитостей в рекламе служат результаты опросов, согласно которым внешне привлекательные "звезды" вполне определенно способствуют росту доверия к рекламе товаров, предназнченных для улучшения внешнего облика покупателей. Мишель Кейминз (Michael Kamins) воспользовался маркетинговым исследованием для изучения использования знаменитостей в рекламе. Он установил, что три фактора определяют, примет ли индивидуум то отношение к товару, которое пытается передать рекламодатель: одобрение, отождествление и интернализацию. Воздействие первого из них, как утверждает Кейминз, несущественно, тогда как следующие два сильно влияют на результаты рекламы с участием знаменитостей. Посредством отождествления люди пытаются подражать другому лицу, желая быть похожими на него. Это и является важнейшим фактором, определяющим влияние знаменитости в рамках рекламы. Интерна/тзация имеет место, когда люди подражуют другому человеку, считая, что он является искренним и придерживается тех же ценностей, что и они. Кейминз пришел к выводу, что если бы удалось реализовать оба компонента, отождествление и интернализацию, то эффективность рекламы возросла бы. Поэтому он изучил, действительно ли привлечение "звезд" повышает эффективность рекламы путем воздействия на людей через отождествление и действительно ли так называемая правдивость в рекламе (операцией ал и зируемая как двухсторонняя реклама или реклама, которая включает как позитивную, так и негативную информацию о товаре) может увеличить эффективность за счет интернализации. Более того, его интересовало, может ли объединение этих двух подходов повысить эффективность рекламы. Для такого исследования принят план факторного эксперимента размером 2x2. Аспектность рекламы (одна сторона рекламируемого товара по сравнению с двумя (позитивным и не Кейсы гативным аспектами)) и тип представителя в рекламе (знаменитость по сравнении с не знаменитостью) представляли два фактора эксперимента. Семьдесят семь участников экспермента, являющихся слушателями программы МВА, случайным образом разделили на четыре группы, каждой показали один рекламный ролик с определенной комбинацией факторов: "одна сторона товара/незнаменитость", "две стороны товара/знаменитость", "одна сторона товара/незнаменитость", "две стороны товара/знаменитость". Каждый член каждой группы оценил увиденную рекламу по четырем переменным: отношение к ожидаемой ценности торговой марки (А), общее отношение к торговой марке (В), общее отношение к рекламе (С) и намерение купить товар (/)). Отношение к ожидаемой ценности торговой марки представляло собой степень, до которой субъект верил, что товар обладает характеристикой, заявленной в рекламе. Общее отношение к торговой марке представляло собой меру того, насколько привлекательным, по мнению субъектов, должен быть товар, исходя из рекламы. Общее отношение к рекламе представляло собой оценку эффективности рекламы. Намерение купить товар указывало на вероятность осуществить покупку при имеющейся возможности. Переменная Условие эксперимента Отношение к ежи- Общее отношение к Общее отношение даемой ценности торговой марке (В) к рекламе (С) торговой марки (А) (х) (sd) Намерение купить товар (D) 2, 1, 7,97 3, 3, 1, 3, 1, Односторонняя реклама (п) (х) (sd) Щ} (х) (3d) 4, 3,65 1, 8,33 5, 2,92 1, 1, Двухсторонняя реклама 8,04 4, 3, 1, 3, 1, 2, 1, сти Реклама без знаменито- (п) (х) 4,19 1, 3,38 1, 2,57 1, 8,26 4, Реклама со знаменитостью (sd) (п) {х} (sd} (п) 3,45 1, 7,89 4, 3,55 1, 2,4 1, 2,05 1, Односторонняя реклама со знаменитостью Односторонняя реклама со знаменитостью М
1, Двухсторонняя реклама со знаменитостью Часть III. Сбор, подготовка и анализ данных В табл. 1 показаны значения среднего (х), стандартного отклонения (sd), а также число людей (я) для каждой переменной в каждой группе исследования Кейминза. Результаты родственных групп можно объединить для получения информации по каждой из четырех групп характеристик (одностороннее рассмотрение товара, двухсторонне, реклама без знаменитостей и с привлечением знаменитостей) отдельно. В табл. 2 приведены результаты дисперсионного анализа влияния независимых переменных, представляющих одно (двух) сторонность рекламы (") и тип представителя, рекламирующего товар (5). Эти результаты дают ценную информацию об эффективности участия знаменитостей в рекламе. Результаты исследования полезны, но очень специфичны. Рекламу с участием знаменитостей можно изучить и другими методами. Например, показано, что ушедшие из жизни знаменитые люди успешно используются в рекламе. Хотя это и недешево (рекламодатели вынуждены производить лицензионные отчисления наследникам знаменитостей), но зато безопасно, поскольку они не могут сделать что-то непредсказуемое, что подвергнет опасности имидж товара или поставит в неудобное положение заказчика рекламы. Имя Эботта (Abott) и Костелло (Costelto) использовали для продажи сухих завтраков, талант Хэмфри Богарта (Humphrey Bogart) использовали для рекламы мобильных телефонов, а Чарли Чаплин помогает реализации персональных компьютеров компании IBM.
Результаты дисперсионного анализа для зависимых показателей Перемешая Главный эффект для Главный эффект для предодно(двух)стороннос'ги ставителя, рекламирующерекламы (Е) го товар (5) F = 0, F=10,876a F = 0,209 F - 4,B45a F = 0,035 F = 4,355a F = 0,276 F = 0,050 Взаимодействие (ExS) F = 0,003 F = 4,233a F = 0,001 F = 1, Отношение к ожидаемой ценности торговой марки (А) Общее отношение к торговой марке (В) Общее отношение к рекламе (С) Намерение купить товар (D) "Указывает значимость при р < 0,05.
ВОПРОСЫ 1. Какого типа маркетинговое исследование могла бы выполнить фирма, чтобы определить, будет ли ее продукция продаваться лучше, если се будет рекламировать знаменитость? 2. Обсудите роль многомерного шкалирования в определении того, соответствует ли знаменитость рекламируемому ею товару. 3. Можно ли использовать совместный анализ, чтобы установить, стоит ли привлекать знаменитостей, и если да, то кого из звезд выбрать, и как его использовать? 4. Какого рода меры предосторожности или предварительные испытания должен предпринять исследователь, чтобы удостовериться, что звезды и двухсторонняя реклама, использованные в эксперименте, являются подходящими? Какие осложнения или дезинформация могут появиться в результатах эксперимента, если не принять меры предосторожности? 5. Опираясь на имеющиеся результаты, укажите, имеет ли двухстороняя реклама преимущество перед односторонней, и преимущества рекламы с использованием знаменитостей над рекламой без звезд? 6. Какой тип рекламы наиболее эффективный? И наименее эффективный? (Подсказка: Обратитесь к результатам дисперсионного анализа.) 7. Является ли дисперсионный анализ подходящим методом для анализа данных, полученных при исследовании? Да или нет, и почему? 8. Можно ли использовать регрессионный анализ для анализа данных, полученных в этом исследовании? Если да, то как? Кейсы ЛИТЕРАТУРА A] Ries, "Count on Consumers to Follow the Leader', Brandweek, June 23,1997, p. 18. George Lazarus, "Tiger's Shooting for an Endorsement Record, Too", Chicago Tribune, May 5, 1997, p. 4, 6. Michael A. Kamins, "Celebrity and Concelebrity Advertising in a Two-Sided Context", Journal of Advertising Research, June-July 1989, p. 34Ч42. Michael A. Kamins, ''An Investigation into the 'Match-Up' Hypothesis in Celebrity Advertising: When Beauty May Be Only Skin Deep'', Journal of Advertising, 1990, p. 4Ч13. M. Kamins, M. Brand, S. Hoeke, and J. Мое, "Two-Sided versus One-Sided Celebrity Endorsements: The Impact on Advertising Effectiveness and Credibility", Journal of Advertising, 1989, p. 4Ч10.
3.2. ДЕМОГРАФИЧЕСКОЕ ОТКРЫТИЕ ДЕСЯТИЛЕТИЯ Многие производители товаров и услуг из-за ошибочного позиционирования своей продукции не могут получить преимущества от продажи товаров и услуг одному из наиболее важных сегментов потребителей в следующие 20 лет, а именно Ч пожилым людям. На семьи пожилых людей приходится один доллар из четырех, потраченных на потребление семьями США в 1998 году, причем ожидается, что этот процент будет увеличиваться и дальше. Пожилые контролируют более 7 триллионов долларов стоимости имущества или более 77% финансовых активов страны и тратят больше денег, практически во всех категориях расходов, чем молодые. Тем не менее производители ориентируются все же на потребности более молодых граждан. Однако руководители компаний должны понимать, что взрослеющие граждане поколения беби-бума становятся самой большой потребительской группой. Рынок пожилых людей делят на четыре сегмента. К первому сегменту относят людей в возрасте от 55 до 64 лет, их называют зрелыми людьми. Во второй рыночный сегмент входят пожилые, т.е. люди от 65 до 74 лет. Два других сегмента составляют старики Ч от 75 до 84 лет, и очень старые люди, которым свыше 85 лет. При более пристальном взгляде оказалось, что группа зрелых людей заинтересована в поддержании моложавого внешнего вида, и поэтому они являются основной целевой группой потребителей спортивных тренажеров, программ здоровья, диет, косметики, косметических операций, спортивной одежды, и широкого круга персональных услуг, которые улучшают внешний вид человека. Растущая численность зрелых людей предпочитает более ранний выход на пенсию или новую карьеру и работу с неполным рабочим днем. В группу пожилых входят люди, которые совсем недавно вышли на пенсию. Они проявляют острый интерес к своему здоровью и правильному питанию, следят за своей диетой, потреблением соли, уровнем холестерина, употреблением жареной и высококалорийной пищи. Они обычно употребляют меньше алкоголя, чем более молодое поколение, и составляют хороший рыночный сегмент для потребления средств по уходу за кожей, лекарств по рецептам, витаминов и минералов, средств для красоты и здоровья, а также лекарственных средств, которые снимают боль и способствуют высокой трудовой активности в течение всего дня. В группе пожилых людей часты проблемы со здоровьем и подвижностью, поэтому им требуется услуги в области здравоохранения и специальные медицинские приспособления. Очень старые люди в своей повседневной жизни нуждаются в помощи. Им даже трудно передвигаться, они нуждаются в регулярной медицинской помощи и лечении в больнице. Они представляют собой большой рынок для оказания медицинских услуг. Хотя классификация рынка пожилых людей на такие четыре сегменты полезна, существует другая классификация, вероятно, даже лучшая для рекламных целей, которая основана на отношении к рекламе. Затем для этих сегментов следует разработать профили на основе психографических переменных. Рекламодателей, ориентированных на пожилых потребителей, больше всего интересовал способ, посредством которого пожилые люди используют и оценивают полученную из рекламы информацию, принимая решение о покупке. В одном из исследований, выполненном Дэвисом и Френчем (Davis and French), изучалось использование пожилыми потребителями рекламы как основного источника информации для принятия решения о покупке того или иного товара. Респондентов разбили на кластеры на основе их отношения к рекламе. Для каждого сегмента построили психографические профили. Для по Часть III. Сбор, подготовка и анализ данных лучения выборки из 217 замужних неработающих респонденток в возрасте от 60 лет и старше использовалась база данных ежегодных опросов о стиле жизни. Респондентов попросили оценить их степень согласия с каждым из 200 пунктов опроса АЮ, куда входят пункты, относящиеся к видам деятельности, интересам и мнениям (АЮ: activities, interests, opinions). Респондентов также попросили оценить четыре утверждения об отношении к рекламе, измеряющие использование информации и доверие к рекламе, а также надежность источника рекламы, Для того чтобы проверить результаты, Дэвис и Френч использовали идентичную информацию, полученную из предыдущего исследования. Данные по четырем утверждениям (табл. 1), измеряющие отношение к рекламе, проанализировали с помощью метода кластеризации Варда (Ward).
Значения кластерных переменных по сегментам Средние Кластерная переменная Реклама меня оскорбляет Сегмент Заинтересованные Независимые Восприимчивые Заинтересованные Изучаемая выборка Повторная выборка 5,24 (согласен) 4,86 (согласен) 2,20 (не согласен) 4,69 (согласен) 4,35 (согласен) 5,01 (согласен) 2,10 (несогласен) 4,88 (согласен) 3,30 (не согласен)а Информация, полученная из рекламы, помогает мне принимать лучшие решения о покупке Независимые Восприимчивые Я часто обращаюсь за советом к друзьям относи- Заинтересованные тельно торговых марок и товаров Независимые Восприимчивые Я не верю рекламе компаний, когда она утверЗаинтересованные ждает, что результаты испытаний показывают, что ее продукция лучше, чем продукция конкурента Независимые Восприимчивые "3,5 является нейтральной точкой.
3,65 (согласен) 4,78 (согласен) 4,55 (согласен) 4,18 (согласен) 4,21 (согласен) 1,87 {не согласен) 3,02 (не согласен) 2, 16 (не согласен) 2,99 (не согласен) 4,78 (согласен) 4,25 (согласен) 5,00 (согласен) 4,94 (согласен) 4,85 (согласен) 4,12 (согласен) Идентифицированы три кластера: заинтересованные, независимые и восприимчивые потребители. Среднее значений для каждого кластера приведены в табл. 1. Чтобы проверить стабильность результатов, был выполнен кластерный анализ на повторной выборке с использованием данных, полученных в предыдущем исследовании. Методом кластеризации Варда снова получили три кластера. Средние кластеров по каждой переменной для повторной выборки также приведены в табл. 1. Для определения психографических различий между тремя кластерами маркетологи дополнительно выполнили следующие действия. Во-первых, для определения дискриминирующих переменных произвели однофакторный дисперсионный анализ (ANOVA). Три сегмента служили независимой переменной, а каждое психографическое утверждениеЧ зависимой переменной. Установлено, что 41 из 200 исходных психографических утверждений статистически значимы, Учитывая, что некоторые из этих значимых переменных, вероятно, измеряли одни и те же характеристики, выполнили факторный анализ главных компонент с четырьмя чЬакторами (которые объясняли 60,3% дисперсии), выделенными при вращении методом варимакс. Дэвис и Френч вычислили значения фактора для каждого из трех сегментов. В табл, 2 показаны эти значения вместе с переменными, имеющими высокие нагрузки на эти факторы, а также даны средние переменных. Эту информацию можно использовать для построения психографических профилей для каждого из трех сегментов, идентифицированных в кластерном анализе.
Кейсы Изучаемая выборка: средние значений факторов по кластерам Факторы Фактор 1 Меня интересует культура других стран (Нагрузка 0,58966) Я получаю удовольствие от использования косметики (Нагрузка 0,48283} Я с радостью посещаю магазины модной одежды (Нагрузка 0,41592) Фактор 2 Я люблю заниматься выпечкой (Нагрузка 0,70466) Мне нравится готовить (Нагрузка 0,60793) Я всегда пеку на скорую руку (Нагрузка 0,54404} Фактор 3 Я стараюсь выбирать продукты питания, обогащенные витаминами и минеральными веществами (Нагрузка 0,49480} Я стараюсь покупать товары компаний, которые реконендуют образовательные телевизионные программы (Нагрузка 0,43730) Обычно я один из первых покупаю новые товары (Нагрузка 0,42521) Фактор 4 Обычно гарантии производителей стоят не больше, чем бумага на которой они напечатаны (Нагрузка 0,50313} Большинство компаний работают только ради самих себя (Нагрузка 0,47638) Телевизионная реклама снисходительно относится к женщинам (Нагрузка 0,41031) Заинтересованные Независимые 0,45 4,41 4,29 4,89 0,29 5,49 5,28 3,76 0,28 4,89 4,13 3,47 0,26 3,31 4,25 4, -0, Восприимчивые -0, 3,92 3,74 4, -0, 4,75 4,53 3, -0, 3,87 3,45 4, 0,17 5,19 5. 3,62 0,10 4,59 3, 4,36 3, 2,81 0,14 3, 3. -0, 2,82 3, 3, 4, 4, Результаты такого и аналогичных ему исследований помогают маркетологам сфокусировать внимание на лицах старшего возраста, т.е. на группе, особенно многообещающей в свете финансовых активов, которыми она располагает. К 2025 году примерно 113 миллионов американцев, т.е. около 40% всего населения США, будет старше 50 лет. Поэтому открытие рынка лиц старшего возраста представляет производителям прекрасную возможность по-новому оценить этот сегмент рынка. ВОПРОСЫ 1. В результате исследования установлено, что сегменты рынка лиц старшего возраста: зрелых, пожилых, старых и очень старых людей нуждаются в хорошем медицинском обслуживании и медицинских учреждениях. Опишите подробно, каким образом учреждения здравоохранения могут эффективно определить различия в медицинских услугах, необходимых для каждого из этих сегментов. Какого рода информацию следует получить? Какие статистические методы использовать для анализа таких данных?
2. Как вы считаете, стратегия анализа данных, примененная в исследовании данной ситуации, приемлема? Да или нет, и почему? 3. 4. Количественно опишите каждый из трех кластеров, основываясь на информации, полученной из табл. 1. Интерпретируйте каждый фактор табл. 2.
Часть III. Сбор, подготовка и анализ данных 5, 6.
Считаете ли вы, что в исследовании, приведенном в данной ситуации, следует использовать дискриминантный анализ? Если да, то каким образом? Предложите альтернативную стратегию анализа данных для приведенного исследования.
ЛИТЕРАТУРА "The Ungraying of America: Although Population Is Getting Older, Today's Older Consumers Are Not Necessarily Acting Same Way Older Consumers Behaved in the Past", American Demographics, July 1997, p. 12. 'ХSeniors in Stores"', American Demographics, April 1996, p. 44. Davis, W. French, "Exploring Advertising Usage Segments Among the Aged", Journal of Advertising Research, FebruaryЧMarch 1989, p. 26.
3.3. ВОЛШЕБНАЯ ПАЛОЧКА КОМПАНИИ PEPSICO В 1998 году компания PepsiCo отметила столетие своего основания и успешной деятельности на рынке безалкогольных напитков. Производство безалкогольных напитков Ч настоящее "поле боя" для маркетинга. Вес конкуренты продают широкий ассортимент изделий, состоящих из газированной воды и подсластителей, поэтому маркетинг и торговая маркаЧ решающие факторы для привлечения и удерживания потребителей. Компании Pepsi удается удерживаться на рынке столь долго благодаря опытным маркетологам, понимающим, что самый эффективный способ сохранить торговую марку в памяти потребителей состоит в непрерывном ряде образов, восстанавливающих в памяти образ торговой марки. Компания является новатором в сфере маркетинга, и первая распространила свое ключевое название торговой марки на диетический напиток, получив огромные барыши после выпуска на рынок Diet Pepsi. Что же помогло PepsiCo стать столь динамичной и отличной от других компанией? Волшебная палочка PepsiCo, которая включает две части Ч маркетинговые исследования и творческий маркетинг. Кампании по продвижению продукции компании Pepsi направлены на привлечение потребителя оЬокусированием внимания на потребителе, а не на товаре. В рекламе и других средствах продвижения продукции на рынок показывают людей, пьющих Pepsi, главным образом подростков, в тех или иных жизненных ситуациях и популярных знаменитостей. Компания Pepsi Ч пионер в такого рода рекламе, которую также называют рекламой стиля жизни. Начало ей положила знаменитая кампания 1963 года: "Будь здоров Ч ты принадлежишь к поколению Pepsi"', изображающей поколение Pepsi, как индивидуумов, которые живут наиболее полноценной жизнью. Чтобы завоевать рынок тинэйджеров, главное место в рекламе под лозунгом "Выбор нового поколения" отвели суперзвездам Майклу Джексону и Лайонелу Ричи. Другими звездами "Нового поколения", которым в рекламе было отведено одно из главных мест, стали Дон Джонсон (Don Johnson) (знаменитость из программы "Miami Vice" ), Майкл Дж. Фокс (Michael J. Fox) (звезда из ''Назад Ч в будущее" Ч Back to the Future) и комедийный актер Бил Кристал (Billy Crystal). Эти методы значительно подняли имидж компании Pepsi. Совсем недавно Pepsi с успехом провела рекламную кампанию Diet Pepsi под названием "You've Got The Right One Baby, Uh Huh!". Главным действующим лицом стал певец Рей Чарлз (Ray Charles). Кампания "Uh Huh!" со временем распространилась и на мероприятия по продвижению других товаров, таких как одежда. Маркетологи компании Pepsi вернулись к обычным маркетинговым приемам в рамках кампании "Gotta Have It (Получи это)''. В ходе этой кампании распространялись карточки, которые давали право их владельцам на скидки на ряд потребительских товаров. В рекламе главное место отводилось выдающимся спортсменам. Эта кампания не считалась одной из самых успешных рекламных кампаний Pepsi, поскольку она потерпела неудачу в привлечении целевой молодежной аудитории. -Pepsi никогда больше не повторила эту ошибку. В рекламной кампании 1993 года "Оставайся молодым, веселись, пей Pepsi'' центральное место занимали такие известные молодежи звезды, как звезда НБА (Национальной баскетбольной ассоциации) ростом в 7 футов Шаккилл (Шак) О'Нил (Shaquille O'Neal). В середине 1990-х годов компания стаКейсы 3 ла известна благодаря привлекающей взгляд рекламе. Например, в рекламной кампании "Ничто, кроме Pepsi"', которая началась во время Суперкубка (Super Bowl) 1995 года, показали мальчика, который пытался не высосать последнюю каплю из своей бутылки с помощью соломинки, а наоборот вдуть ее в бутылку. Рекламная кампания 1996 года под названием "Вопросы от компании Pepsi"' с раздачей призов, в ходе которой покупатели приобретали товары со специальными купонами, действительными на продукцию компании Pepsi, была настолько успешной, что рекламу прервали в середине лета во избежание возникновения дефицита ее продукции. В 1997 году компания Pepsi вернулась к привычной концепции, призывающей присоединиться к "поколению" пьющих Pepsi. В рекламной кампании "Следующее поколение" основное место отводилось музыке, включая группу "Спайс Герлз" (Spice Girls), а также спортивных звезд, например автогоншика NASCAR Джеффа Гордона (Jeff Gordon), которые были хорошо знакомы по другим стремительным наступлениям компании Pepsi. Для продвижения своей продукции Pepsi также использует свой сайт в Internet, освещая события, интересные для более молодых потребителей. Web-сайт, Pepsi World (www. peps i. com), один из первых провел Internet-трансляцию концертов и дал возможность участвовать в чатах с такими знаменитостями, как Шак (Shaq), рекламировал художественные фильмы, например, в 1998 году фильм "Свадебный певец" (The Wedding Singer), а также дал возможность посетителям сайта загружать демонстрационные версии компьютерных игр. Один из способов проверки влияния рекламы на продажи продукции фирмы Pepsi заключается в использовании возможностей кабельного телевидения. С помощью многомерного шкалирования маркетологи могут показать сходства (или различия) семей и сформировать сегменты, однородные по своему отношению к безалкогольным напиткам. Другими словами, можно идентифицировать несколько рыночных сегментов и соответствующие им марки безалкогольных напитков (в виде точек) до и после рекламы нанести на двумерную карту. Затем на эту же карту можно нанести позиции продукта до и после рекламы. Один график строят для контрольной группы, а другойЧ для экспериментальной, Для каждого из графиков можно изучить движение точек от позиции до рекламы к позиции после рекламы, а затем сравнить полученные графики, чтобы иметь представление об эффективности рекламы. График многомерного шкалирования для движения точек, соответствующих названиям безалкогольных напитков, от позиции до рекламы (предварительное испытание) к позиции после рекламы (повторное испытание) показан на рис. 1.
Кола Сегмент RCCola Диетические : Ib Недиетические Сегмент Сегмент2 Fresca 7-Up Coke Не-Кола Рис. 1. Безалкогольные напитки: движение точек (соответствующихмаркам безалкогольных напитков) в экспериментальной группе до и после рекламы Часть III. Сбор, подготовка и анализ данных В эксперименте, проведенном Уинером и Муром (Winer, Moore), сведения о комплексе маркетинга были известны только для торговой марки Pepsi, и реклама по кабельному телевидению была показана только для Pepsi. Поэтому если торговая марка перемещалась ближе к Pepsi, то наблюдалось больше покупок и этой марки, и Pepsi. Если марка Pepsi перемещалась ближе к сегменту (идеальная точка), то увеличивалась вероятность того, что кто-либо в этом сегменте выберет Pepsi. Рис. 1 показывает, как реклама может повлиять на продажи товара. Однако рост объема продаж может быть обусловлен и другими причинами, особенно выходом на рынок новых товаров. Например, компания Pepsi смогла создать полностью новый рыночный сегмент, освоив товарную линию Slice. При первоначальной дегустации напитка, потребители оценивали Slice в сравнении с другими безалкогольными напитками со вкусом лайма (разновидность лимона). Напиток Slice неоднократно проигрывал в этом сравнении. Наконец, маркетологи решили объяснить людям, учавствовавшим в тестировании, что Slice, в отличие от других напитков со вкусом лайма, содержит натуральный фруктовый сок. Так родился новый рыночный сегмент и новый высокоэффективный товар. С тех пор компания Pepsi расширила товарную линию Slice, выпустив такие безалкогольные напитки, как Orange Mandarin, Apple и Cherry Cola Slice. Однако компания также смогла заработать и на рынке напитков типа diet cola. Она довела долю диетических напитков Slice с содержанием сока до 50% от общего объема продаж всей линии Slice. Обычно диетические напики занимают примерно 35% от продаж родителькой марки. Pepsi использует маркетинговые исследования, пытаясь заполнить ниши на картах восприятия потребителями различных напитков предложениями новых напитков и широко использует пробные рынки для испытания этих новых торговых марок. Например, в 1995 году Южная Флорида стала местом внедрения новой марки Pepsi XL, колы наполовину менее калорийной, чем содовая, но сохранившей аромат недиетических газированных напитков. "Вкус попрежнему на первом месте и, самое главное, что так считают постоянные потребители колы. Мы обнаружили, что для этой группы важнее всего сладость вкуса, а не низкое количество калорий", Ч сказал Билл Кобб (Bill Cobb), вице-президент отдела маркетинга. Несмотря на существенное снижение количества калорий в новом напитке, он не считается диетическим продуктом. Напротив, Pepsi XL представляет собой попытку освоить новую нишу на карте потребительских восприятий, которая расположена между диетической и обычной колой. В 1996 году Филадельфию выбрали в качестве пробного рынка для Pepsi Копа, колы с ароматом кофе. Это новое предложение появилось в ответ на запросы как любителей кофе, так и любителей газированных напитков. Компания Pepsi вышла со своими напитками также на рынки новых округов. Она вышла на новый прибыльный рынок охлажденных чаев в банках и бутылках, создав партнерство с Thomas J. Lipion Co. В сентябре 1992 года они запустили два новых охлажденных чая с ароматом малины и персика. В дополнение к заявлению о лидерстве на рынке готовых к употреблению чаев вместе с компанией Lipton и Frappucino, продуктом союза с Starbucks, компания Pepsi также является лидером на рынке готового к употреблению кофе. На недавней волне популярности бутылочной воды Pepsi сейчас также продает Н2О! Ч бутилированную воду. С начала проекта продажи постоянно растут. PepsiCo продолжает использовать методы маркетинговых исследований при раскручивании новых продуктов и при укреплении своей флагманской торговой марки. Это не удивительно, так как единство творческого подхода и маркетинговых исследований сослужили хорошую службу PepsiCo в прошлом и, вероятно, сослужат и в будущем.
ВОПРОСЫ 1.
Обсудите роль ММШ в оценке эффективности рекламы.
2. Эффективна ли реклама компании Pepsi (см. рис. 1)? Если да, то на какие товары или группы товаров она влияет больше всего? 3. Исходя из вашего ответа на вопрос 2 и изучения рис. 1, кажутся ли вам результаты обоснованными? Какие еще факторы могут привести к другой интерпретации результатов? Кейсы 3 4. 5.
Как можно было бы использовать ММШ, факторный и дискриминантный анализ, чтобы согласовать торговые марки и знаменитостей? Можно ли построить регрессионную модель для прогнозирования продаж Pepsi Cola? Если да, то какие независимые переменные следует включить в эту модель? Выразите эту модель в форме уравнения.
ЛИТЕРАТУРА "100 Years of Advertising Innovation", Beverage World, January 1998,p. 188. "Pepsi Days: The Mid-'90s", Beverage World, January 1998, p. 104. Patricia Sellers, "Why Pepsi Needs to Become More Like Coke", Fortune, March 3, 1997, p. 26Ч27, R. Winer, W. Moore, "Evaluating the Effects of Marketing-Mix Variables on Brand Positioning", Journal of Advertising Research, FebruaryЧMarch 1989, p. 42.
Pages: | 1 | ... | 17 | 18 | 19 | 20 | 21 | ... | 22 | Книги, научные публикации