Частичные ценностные вклады также помогают определить важность каждого атрибута. Как правило, чем шире диапазон частичных ценностных вкладов, тем важнее атрибут. Важность wj атрибута j определяется разницей между самым большим и самым маленьким частичным ценностным вкладом на данном уровне. Эти значения можно выразить в виде относительной важности (в процентах): В табл. 3.7 представлена абсолютная и относительная важность атрибутов. Цена представляет собой для данного респондента самый важный атрибут, за ним идут бренд и расход бензина. Высокая скорость стоит только на четвертом месте. Цена как более важный критерий, чем бренд, скорее типична для сегмента менее дорогих автомобилей среднего и малого размеров [33]. Частичные ценностные вклады можно применять непосредственно для выражения ценности дополнительных уровней атрибутов в терминах ценовых единиц. Для покупателя на рис. 3.17: • ценность бренда VW превышает ценность бренда Ford на $862; • повышение граничной скорости с 110 до 130 миль в час имеет ценность $215; • повышение экономичности с 28 до 42 миль на галлон стоит $554. Здесь мы имеем линейную модель предпочтений. Чтобы определить общую полезность конкретной модели автомобиля, нужно сложить частичные ценностные вклады, показанные на рис. 3.16 для каждого соответствующего уровня атрибута. В табл. 3.8 представлен этот процесс для трех автомобилей. Рис. 3.16. Частичные ценностные вклады по одному респонденту Таблица 3.7. Расчет важности атрибутов Рис. 3.17. Функция «цена-отклик» автомобиля А Таблица 3.8. Расчет значения полезности для трех автомобилей (на индивидуальной основе) Автомобиль А обладает самой высокой общей полезностью и, скорее всего, из трех вариантов респондент выберет его. Автомобиль С мог бы иметь более высокую полезность, чем автомобиль В, если бы его цена была на $2000 ниже. Но здесь нет комбинации технических новшеств, которые помогли бы автомобилям В и С превзойти автомобиль А по общей полезности. Причиной является большая разница в полезности за счет вклада атрибута «цена» и его высокой важности для потребителей. Далее мы будем рассматривать только автомобили А, В и С для определения инидивидуальных функций «цена-отклик». В этом случае мы имеем ценовое решение по принципу «да-нет». Таблица 3.9. Расчеты рыночной доли автомобиля А и одного конкретного респондента От полезности к объему продаж Чтобы перейти от полезности к объему продаж, существуют две базовые модели. Детерминированная модель исходит из предпосылки, что будет куплен продукт с самой высокой общей полезностью. Согласно стохастической модели, значения полезности определяют вероятности покупки. В следующем примере мы используем стохастическую модель. Чтобы вывести обобщенную функцию «цена-отклик» из полезностей, используем модель притяжения. Вероятности покупки можно интерпретировать как доли рынка: При данном подходе мы получаем «вероятности покупки» для каждого респондента и каждого рассматриваемого продукта по трем альтернативным ценам. Этот процесс показан для выбранного респондента в табл. 3.9 и графически представлен на рис. 3.17. Когда цена растет с $20 000 до $22 000, доля рынка снижается с 56 до 47 % (ценовая эластичность –1,6). Если цена повышается с $22 000 до $24 000, доля рынка падает до 33 %, а абсолютная ценовая эластичность резко возрастает до –3,3. Мы получаем общую долю рынка, сложив результаты по всем респондентам. Довольно реалистичный подход к определению долей рынка основан на полиномиальной logit-модели и подходит для расчета как конкретной общей полезности, так и отношения «рынок – продукты конкурентов». Если автомобили А и В имеют сходные значения полезности, то верятность покупки будет меняться более резко, когда одна модель приобретает добавочную полезность, чем когда в отношении какой-то модели уже имеется сильное предпочтение. Дальнейшее развитие метода совместного измерения Теперь мы сосредоточимся на наиболее релевантных теоретичеких и практических подходах. Они различаются по процедуре оценки предпочтений и по выбору алгоритмов прогнозирования [31, 32, 34]. Прежде всего, мы проводим различие между следующими подходами. • Классические – метод компромиссов и метод профилей. • Гибридные – ACA (декомбинационный анализ) или ACBC (декомбинационный анализ, основанный на выборе). • Моделирование дискретного выбора (DCM), совместный анализ, основанный на выборе (CBC) и совместный анализ с постоянной суммой (CSC). Классический подход наталкивается на определенные проблемы валидности при большом количестве атрибутов. Для решения этих проблем ученые разработали гибридные подходы к совместному измерению. Гибридные подходы сочетают в себе композиционные и декомпозиционные методы. В них применяются скоринговые модели и совместное измерение. Комбинирование двух данных подходов позволяет применять планы полного факторного эксперимента с дробными откликами к нескольким людям [30, 34]. При гибридном анализе респондентов на начальном (композиционном) этапе просят составить изолированные мнения о важности атрибутов и их уровней. На втором (декомпозиционном) этапе они оценивают выбранные комбинации атрибутов. Подобные подходы смягчают когнитивную нагрузку на респондента. Однако усилия по сбору данных здесь возрастают. Наиболее часто используемая форма гибридного совместного измерения – это ACA (декомбинационный анализ). ACA адаптирует компьютерные опросы к каждому человеку в постоянном режиме. Ответы респондентов анализируются в ходе опроса, а следующие друг за другом вопросы сосредоточиваются на самой важной для респондента области. Это сокращает число необходимых парных сравнений и продолжительность опроса, что в свою очередь повышает вовлеченность респондентов и качество отдельных ответов. Типовой опрос ACA включает следующие этапы. 1. Определение неприемлемых атрибутов (как опция). 2. Ранжирование предпочтения для атрибутивных уровней. 3. Оценка важности атрибутов. 4. Парные сравнения. Чтобы представить респонденту осмысленные варианты решений, нужно, чтобы последние попадали в «приемлемый набор» респондента. Для этого на первом этапе каждый респондент должен исключить неприемлемые атрибутивные уровни. Затем данные уровни исключаются из остальной части опроса. Предположим, мы проводим ACA по автомобилям. Если респондент на первом этапе указывает, что он не станет покупать Ford ни при каких обстоятельствах, тогда данный уровень исключается из атрибутивного «бренда» начиная с данного момента. Это повышает релевантность профилей в оставшейся части опроса и сокращает число необходимых парных сравнений. На втором этапе конкретный респондент заявляет о своих предпочтениях по уровням ненаправленных атрибутов. Это атрибуты, которые либо не имеют априорной упорядоченности (например, бренд), либо предпочитаемость которых необязательно возрастает по мере роста атрибутивного уровня (например, мощность двигателя). Нельзя предполагать с определенностью, что все покупатели предпочтут автомобиль с более мощным двигателем. Рис. 3.18. Парное сравнение с помощью ACA Напротив, для направленных атрибутов, таких как цена, можно в целом допустить, что атрибутивный уровень коррелирует с предпочтением, то есть более низкая цена в целом предпочтительней более высокой (за исключением некоторых предметов роскоши). На третьем этапе респондентов просят измерить важность отдельных атрибутов на шкале. По каждому атрибуту респондентам показан лучший и худший уровни по сравнению с другими. Респондентов спрашивают, насколько важна для них разница. Как только рейтинги важности получены, делаются предварительные прогнозы предпочтений и значений полезности. ACA использует эти значения, чтобы определить, какие вопросы ставить на следующей стадии опроса. Для этого анализируется ряд парных сравнений (основа данного метода). На рис. 3.18 показано такое парное сравнение. Респондента просят проранжировать предпочтения по двум вариантам автомобилей по шкале от 1 до 9, где 1 представляет четкое предпочтение автомобиля слева, а 9 – автомобиля справа. Если респондент проявляет безразличие, это соотносится с 5. Парные сравнения показывают, что в целом полезности обоих «автомобилей» примерно одинаковы, так что респондент скорее проявляет безразличие к выбору. Если респондент выказывает предпочтение, программа АСА использует эту информацию для повышения достоверности прогнозируемых значений полезности и для подбора нового парного сравнения. Поскольку прогнозируемые полезности оптимизируются с каждым вопросом, респонденту становится всё труднее отдать предпочтение какой-либо альтернативе. На основе данных значений полезности на следующем этапе прогнозируются функции «цена-отклик» с помощью математической модели рынка [34]. Подробное описание процедуры АСА, а также его достоинств и недостатков можно найти у Hermann и соавторов. [35]. Дополнительный гибридный подход к декомбинационному анализу – это декомбинационный анализ, основанный на выборе. В данном подходе выставленные респондентами рейтинги предпочтений атрибутов и уровней показывают набор продуктов, которые респонденты готовы рассматривать. В этом случае проводится опрос по принципу совместного измерения с использованием данного «набора к рассмотрению» [36]. Следующий подход, который мы изучим, называется «Моделирование дискретного выбора» (DCM). DCM – это категория совместных моделей, где рассматриваются решения о покупке («купить» или «не купить») вместо предпочтений. Совместный анализ, основанный на выборе (CBC), – это название ПО, разработанного Sawtooth специально для этой цели. Совместный анализ с постоянной суммой (CSC) – это дальнейшая разработка CBC в категории DCM. На рис. 3.19 показана типичная модель опроса по принципу CBC. В отличие от традиционного совместного измерения и ACA, респондент должен принять решение о покупке. Респондентов не вынуждают приобретать какой-либо из представленных вариантов – имеется возможность не выбирать ни один из них. Рис. 3.19. Решение о покупке (совместный анализ, основанный на выборе) Если говорить об исходных допущениях, то CBC фундаментальным образом отличается от методов, которые мы уже рассматривали [37]. Поскольку возможность определения значений полезности на индивидуальном уровне ограничена, CBC лучше всего подходит для рынков с относительно гомогенными структурами предпочтений. Сегодня CBC – один из наиболее часто применяемых методов совместного анализа [38]. Его популярность определяется, среди прочего, возможностью генерировать достоверные измерения готовности платить [39]. Подробное обсуждение достоинств и недостатков этого подхода можно найти у DeSabro et al. [40].