Нарық зерттеуіндегі қанағаттану талдауының статистикалық әдісі

Кіріспе

Сауалнамаға негізделген статистикалық әдіс

Бірлескен талдау – нарық зерттеулерінде қолданылатын, адамдардың жеке өнім немесе қызметті құрайтын әртүрлі атрибуттарды (ерекшеліктері, функциялары, пайдалары) қалай бағалайтынын анықтауға көмектесетін сауалнамаға негізделген статистикалық әдіс. Бірлескен талдаудың мақсаты – респонденттің таңдауына немесе шешім қабылдауына шектеулі сандағы атрибуттардың қай комбинациясының ең көп әсер ететінін анықтау. Респонденттерге әлеуетті өнімдер немесе қызметтердің бақыланатын жиынтығы ұсынылады және олардың осы өнімдердің арасында қалай таңдау жасағанын талдау арқылы өнім немесе қызметті құрайтын жеке элементтердің жасырын бағасы анықталады. Бұл жасырын бағалаулар (пайдалылық немесе бөлік құндылықтары) нарық модельдерін құру үшін қолданылуы мүмкін, олар нарық үлесін, кірісті және тіпті жаңа жобалардың тиімділігін бағалайды. Бірлескен талдау математикалық психологияда пайда болды және Пенсильвания университетінің Уортон мектебінің маркетинг профессоры Пол Э. Грин жасады. Басқа да көрнекті бірлескен талдаудың негізін қалаушыларға Стэнфорд университетінің профессоры В. "Сену" Сринивасан, ол реттік деректер үшін сызықтық бағдарламалау (LINMAP) процедурасын, сондай-ақ өзіндік түсіндіру әдісін және Иордания Лувьере (Айова университеті) жаратылып, таңдауға негізделген бірлескен талдау және оған байланысты әдістерді, мысалы, ең жақсы/ең нашар масштабтауды дамытты. Бүгінде ол маркетинг, өнімді басқару және операцияларды зерттеу сияқты көптеген әлеуметтік және қолданбалы ғылымдарда қолданылады. Жаңа өнім дизайнының тұтынушылардың қабылдауын тексеруде, жарнаманың тартымдылығын бағалауда және қызмет дизайнында жиі қолданылады. Өнім позициясын анықтауда да қолданылған, бірақ кейбір мамандар бірлескен талдаудың осы қолданылуымен байланысты мәселелерді көтеріп отыр. Бірлескен талдау әдістерін көп атрибутты композициялық модельдеу, дискретті таңдау модельдеу немесе айқындалған қалау зерттеуі деп те атауға болады және шешімдерді жүйелі талдау үшін қолданылатын таңдау талдауы құралдарының кең жиынтығының бір бөлігі болып табылады. Бұл құралдарға Brand Price Trade Off, Simalto және AHP, PAPRIKA сияқты математикалық тәсілдер, эволюциялық алгоритмдер немесе тәжірибелік ережелерді әзірлеу кіреді.

Conjoint analysis is a survey based statistical technique used in market research that helps determine how people value different attributes (feature, function, benefits) that make up an individual product or service. The objective of conjoint analysis is to determine what combination of a limited number of attributes is most influential on respondent choice or decision making. A controlled set of potential products or services is shown to survey respondents and by analyzing how they make choices among these products, the implicit valuation of the individual elements making up the product or service can be determined. These implicit valuations (utilities or part worths) can be used to create market models that estimate market share, revenue and even profitability of new designs. Conjoint analysis originated in mathematical psychology and was developed by marketing professor Paul E. Green at the Wharton School of the University of Pennsylvania. Other prominent conjoint analysis pioneers include professor V. "Seenu" Srinivasan of Stanford University who developed a linear programming (LINMAP) procedure for rank ordered data as well as a self explicated approach, and Jordan Louviere (University of Iowa) who invented and developed choice based approaches to conjoint analysis and related techniques such as best–worst scaling. Today it is used in many of the social sciences and applied sciences including marketing, product management, and operations research. It is used frequently in testing customer acceptance of new product designs, in assessing the appeal of advertisements and in service design. It has been used in product positioning, but there are some who raise problems with this application of conjoint analysis. Conjoint analysis techniques may also be referred to as multiattribute compositional modelling, discrete choice modelling, or stated preference research, and are part of a broader set of trade off analysis tools used for systematic analysis of decisions. These tools include Brand Price Trade Off, Simalto, and mathematical approaches such as AHP, PAPRIKA, evolutionary algorithms or rule developing experimentation.

4. Құрылыс сұранысы

Атрибуттар мен деңгейлердің мүмкін комбинацияларының саны артқан сайын, потенциалды профильдердің саны экспоненциалды түрде өседі. Осыған байланысты, бағалауға жататын профильдер санын азайту және статистикалық талдау үшін жеткілікті деректерді қамтамасыз ету мақсатында фракциялық факторлық жобалау кеңінен қолданылады, нәтижесінде респондент қарастыруы үшін мұқият бақыланатын "профильдер" жиынтығы құрылады.

Ертедегі формасы мен кемшіліктері

1970 жылдары басталған бірлескен талдаудың ең алғашқы түрлері «Толық профильді зерттеулер» деп аталды, онда респонденттерге, көбінесе жеке карталарда көрсетілген профильдерді құру үшін атрибуттардың шағын жиынтығы (әдетте 4-5) қолданылды. Респонденттер осы профильдерді реттеп немесе бағалап берді. Салыстырмалы түрде қарапайым манекендік айнымалы регрессиялық талдау арқылы респонденттер көрсеткен реттіліктерді немесе бағалауларды ең жақсы қайта жасайтын деңгейлер үшін жасырын пайдалылықтарды есептеуге болады. Осы ертедегі жобаларда екі кемшілік байқалды. Біріншіден, қолданылатын атрибуттардың саны шектеулі болды. Атрибуттардың саны көп болғанда, респонденттер үшін қарастыру міндеті тым ауыр болады, тіпті фракциялық факторлық жобалармен де бағалауға арналған профильдердің саны тез өседі. Көбірек атрибуттарды пайдалану үшін (30-ға дейін) гибридтік бірлескен әдістер әзірленді, олар өзін-өзі түсіндіруді (деңгейлер мен атрибуттарды бағалау немесе реттеу) бірлескен тапсырмалармен үйлестірді. 1980 жылдан бастап қағаз негізіндегі және компьютерлік қолдаумен жасалған сауалнамалар қолжетімді болды. Екінші кемшілік – профильдерге берілген бағалар немесе реттіліктер шынайы емес және мінез-құлық теориясымен тікелей байланысты емес. Шын өмірде сатып алушылар баламалардың арасынан таңдайды, оларды бағалаудың орнына. Джордан Лувьер таңдау тапсырмасын ғана пайдаланатын тәсілді ұсынды, ол таңдауға негізделген бірлескен талдау мен дискретті таңдау талдауының негізі болды. Бұл мәлімделген қалау зерттеуі эконометриялық модельдеумен байланысты және таңдау модельдері нақты деректер негізінде калибрленген кезде, сауалнама деректері емес, нақты қалаулармен байланысты болуы мүмкін. Бастапқыда таңдауға негізделген бірлескен талдау жеке деңгейдегі пайдалылықтарды қамтамасыз ете алмады, сондықтан зерттеушілер нарықтың қалауларын бейнелеу үшін жиынтық модельдерді жасады. Бұл оны нарықты сегменттеу зерттеулері үшін қолайсыз етті. Жаңа иерархиялық Байес талдау әдістерімен жеке деңгейдегі пайдалылықтарды бағалауға болады, бұл жеке тұлғалар мен нарық сегменттері арасындағы әртүрлі қалаулар туралы тереңірек түсінік береді.

The earliest forms of conjoint analysis starting in the 1970s were what are known as Full Profile studies, in which a small set of attributes (typically 4 to 5) were used to create profiles that were shown to respondents, often on individual cards. Respondents then ranked or rated these profiles. Using relatively simple dummy variable regression analysis the implicit utilities for the levels could be calculated that best reproduced the ranks or ratings as specified by respondents. Two drawbacks were seen in these early designs. Firstly, the number of attributes in use was heavily restricted. With large numbers of attributes, the consideration task for respondents becomes too large and even with fractional factorial designs the number of profiles for evaluation can increase rapidly. In order to use more attributes (up to 30), hybrid conjoint techniques were developed that combined self explication (rating or ranking of levels and attributes) followed by conjoint tasks. Both paper based and adaptive computer aided questionnaires became options starting in the 1980s. The second drawback was that ratings or rankings of profiles were unrealistic and did not link directly to behavioural theory. In real life situations, buyers choose among alternatives rather than ranking or rating them. Jordan Louviere pioneered an approach that used only a choice task which became the basis of choice based conjoint analysis and discrete choice analysis. This stated preference research is linked to econometric modeling and can be linked to revealed preference where choice models are calibrated on the basis of real rather than survey data. Originally, choice based conjoint analysis was unable to provide individual level utilities and researchers developed aggregated models to represent the market's preferences. This made it unsuitable for market segmentation studies. With newer hierarchical Bayesian analysis techniques, individual level utilities may be estimated that provide greater insights into the heterogeneous preferences across individuals and market segments.

Ақпарат жинау

Бірлескен талдау үшін деректер көбінесе нарық зерттеу сауалнамасы арқылы жиналады, бірақ бірлескен талдауды мұқият жобаланған конфигураторға немесе тиісті түрде жобаланған сынақ нарық экспериментінен алынған деректерге де қолдануға болады. Бірлескен талдау сұхбаттарын жобалау кезінде статистикалық үлгінің көлемі мен дәлдігіне қатысты нарық зерттеулерінің қағидалары қолданылады. Бірлескен сауалнаманың ұзақтығы бағаланатын қасиеттердің санына және таңдалған бірлескен талдау әдісіне байланысты. 20-25 қасиеті бар стандартты адаптивті бірлескен сауалнаманы толтыруға 30 минуттан астам уақыт кетіп сіркіреуі мүмкін. Таңдауға негізделген бірлескен талдау, үлгіге бөліп таралған кішірек профильдер жиынтығын пайдалану арқылы 15 минуттан кем уақытта аяқталуы мүмкін. Таңдау тапсырмалары дүкеннің интерфейсі түрінде немесе басқа да симуляцияланған сауда ортасында көрсетілуі мүмкін.

Талдау

Бірлескен жобалау күрделі болғандықтан, олар көбінесе айқын өлшеу қателігін тудырады (респонденттер арасындағы төмен сенімділікпен анықталады), бұл кез келген мөлшерде кез келген бағытта маңызды бұрмалауға әкелуі мүмкін; осы бұрмалауды біріккен деректердің статистикалық талдауында түзету қажет. Модель түріне байланысты, пайдалы функцияларды бағалау үшін әртүрлі эконометриялық және статистикалық әдістер қолданылуы мүмкін. Бұл пайдалы функциялар мүмкіндіктің қабылданатын құнын және тұтынушылардың өнім мүмкіндіктерінің өзгеруіне қаншалықты сезімтал екенін көрсетеді. Нақты бағалау процедурасы респонденттерге берілген тапсырманың және профильдердің құрылысына, сондай-ақ қалауды көрсету үшін қолданылатын өлшем шкаласына (интервалдық шкала, рейтинг немесе дискретті таңдау) байланысты болады. Рейтинг негізіндегі толық профильді тапсырмаларды пайдаланып, әрбір атрибут деңгейі үшін пайдалылықты бағалау үшін сызықтық регрессия қолданылуы мүмкін, ал таңдауға негізделген тапсырмалар үшін әдетте логистикалық регрессиямен бірге максималды ықтималдық бағалау қолданылады. Пайдалылықты бағалаудың бастапқы әдістері дисперсияның монотонды талдауы немесе сызықтық бағдарламалау техникалары болды, бірақ қазіргі заманғы маркетингтік зерттеулер мультиномиалдық логит, осы модельдің аралас түрлері және басқа да жетілдірулерді қолдана отырып, таңдауға негізделген модельдерге көшті. Байес бағалаушылары да кең таралған. Иерархиялық Байес процедуралары да қазіргі уақытта жиі қолданылады.

Нарық зерттеулері

Бірлескен талдауды бизнес-талдауда қолданудың бір мысалы төменде келтірілген: Жылжымайтын мүліктерді дамытумен айналысатын компания қала ішіндегі Ivy League университетінің жанында биік қабатты пәтерлер кешенін салуға ниетті. Жобаның табысқа қанаты қашуын қамтамасыз ету үшін нарық зерттеу фирмасы қазіргі студенттермен арасында фокус-топтар өткізу үшін шақырылады. Студенттер оқу курсына (бірінші курс, жоғары курс студенттері, аспиранттар) және алған қаржылық көмек мөлшеріне сәйкес топтарға бөлінеді. Зерттеуге қатысушыларға алты параметр бойынша (кампусқа жақындығы, бағасы, телекоммуникациялық пакеттер, кір жуу мүмкіндіктері, пәтерлердің жоспары және ұсынылатын қауіпсіздік шаралары) ерекшеленетін әртүрлі пәтерлерге қатысты бірнеше таңдау сценарийлері ұсынылады. Әрбір пәтер нұсқасына байланысты ғимаратты салуға кеткен шамамен шығын бірдей болады. Қатысушылардан әрбір таңдау сценарийінде өзіне ұнайтын пәтерді таңдау сұралады. Бұл міндетті таңдау жаттығуы қатысушылардың басымдықтары мен қалауларын анықтайды. Бірлескен экспериментте қолданылатын алты параметрдің әр деңгейі үшін пайдалылық баллдарын есептеу үшін көпмүшелі логистикалық регрессия қолданылуы мүмкін. Осы пайдалылық баллдарын пайдалану арқылы, әртүрлі пәтерлерді сипаттайтын параметрлердің кез келген комбинациясына нарықтан қандай сұраныс болатынын болжауға болады. Нарық зерттеу әдісі – Ақыл-ойы геномикасы (MG) – бірлескен талдаудың (CA) бір түрі болып табылады. CA тұтынушылардың қабылдау деңгейін бағалау үшін жүргізіледі, оларға өнімнің параметрлерінің жиынтығы ұсынылады және әртүрлі параметрлердің комбинацияларына олардың қалауларын әртүрлі параметрлердің деңгейлері үшін пайдалылық баллдарын есептеу арқылы анықтауға болады. CA қолданылатын MG шешім қабылдауға ықпал ететін психологиялық және эмоционалдық факторларды терең зерттейді, тұтынушылар үшін ең маңызды параметрлерді анықтауға көмектеседі және зерттеушілерге CA-да қолданылатын параметрлерді жақсартуға мүмкіндік береді.

Сот ісі

АҚШ-тағы федералды соттар сарапшы куәгерлерге патентті бұзған жақтың патент иесіне құқықтарын бұзғаны үшін төлеуге тиіс зиянды анықтау бойынша пікірлерін негіздеу үшін бірлескен талдауды қолдануға рұқсат берді. Бірақ, заң ғалымдары Федералды апелляциялық соттың патенттік зиянды есептеуде бірлескен талдауды қолдану жөніндегі сот тәжірибесі әлі де даму сатысында екенін атап көрсетті. Мысалы, Apple компаниясы Samsung компаниясының авторлық құқықты бұзуы салдарынан келтірілген зиянды дәлелдеу үшін бірлескен талдауды пайдаланып, өтемақы сомасын арттырды.