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.
