Совместный анализ — это основанный на опросе статистический метод, используемый в маркетинговых исследованиях , который помогает определить, как люди оценивают различные атрибуты (характеристики, функции, преимущества), составляющие отдельный продукт или услугу.
Целью совместного анализа является определение того, какая комбинация набора атрибутов оказывает наибольшее влияние на выбор или принятие решения респондентом. В совместном эксперименте контролируемый набор потенциальных продуктов или услуг, разбитый по атрибуту, демонстрируется респондентам для опроса. Анализируя, как респонденты выбирают среди продуктов, можно определить оценку респондентами атрибутов, составляющих продукты или услуги. Эти неявные оценки ( полезности или частичные ценности) можно использовать для создания рыночных моделей, которые оценивают долю рынка, доход и даже прибыльность новых разработок.
Совместный анализ возник в математической психологии и был разработан профессором маркетинга Полом Э. Грином в Школе Уортона Пенсильванского университета . Другие выдающиеся пионеры совместного анализа включают профессора В. «Сину» Шринивасана из Стэнфордского университета, который разработал процедуру линейного программирования (LINMAP) для ранжированных данных, а также самообъясняющий подход, и Джордана Лувьера (Университет Айовы), который изобрел и разработал основанные на выборе подходы к совместному анализу и связанные с ними методы, такие как лучшее-худшее масштабирование .
Сегодня он используется во многих социальных и прикладных науках, включая маркетинг , управление продуктами и операционные исследования . Он часто используется при тестировании принятия клиентами новых дизайнов продуктов , при оценке привлекательности рекламы и в дизайне услуг . Он использовался при позиционировании продуктов , но есть некоторые, кто поднимает проблемы с этим применением совместного анализа.
Методы совместного анализа также могут называться многоатрибутным композиционным моделированием , дискретным моделированием выбора или исследованием заявленных предпочтений и являются частью более широкого набора инструментов анализа компромиссов, используемых для систематического анализа решений. Эти инструменты включают компромисс между брендом и ценой, Simalto и математические подходы, такие как AHP , [1] PAPRIKA , [2] [3] эволюционные алгоритмы или эксперименты по разработке правил.
Продукт или сфера услуг описывается с помощью ряда атрибутов. Например, телевизор может иметь атрибуты размера экрана, формата экрана, бренда, цены и т. д. Каждый атрибут затем может быть разбит на ряд уровней. Например, уровни для формата экрана могут быть LED, LCD или Plasma. [ необходима цитата ]
Респондентам показывают набор продуктов, прототипов, макетов или изображений, созданных из комбинации уровней всех или некоторых составляющих атрибутов, и просят выбрать, ранжировать или оценить продукты, которые им показывают. Каждый пример достаточно похож, чтобы потребители увидели в них близкие заменители, но достаточно непохож, чтобы респонденты могли четко определить предпочтение. Каждый пример состоит из уникальной комбинации характеристик продукта. Данные могут состоять из индивидуальных оценок, ранжированных порядков или выборов среди альтернативных комбинаций. [ необходима цитата ]
Совместное проектирование включает четыре различных этапа:
Существуют различные типы исследований, которые могут быть разработаны:
Атрибуты в совместном анализе должны:
Уровни атрибутов должны быть:
По мере увеличения числа комбинаций атрибутов и уровней число потенциальных профилей увеличивается экспоненциально. Следовательно, дробный факторный дизайн обычно используется для сокращения числа оцениваемых профилей, обеспечивая при этом наличие достаточного количества данных для статистического анализа, что приводит к тщательно контролируемому набору «профилей», которые может рассмотреть респондент. [ необходима цитата ]
Самые ранние формы совместного анализа, начавшиеся в 1970-х годах, были известны как исследования полного профиля, в которых небольшой набор атрибутов (обычно от 4 до 5) использовался для создания профилей, которые показывались респондентам, часто на отдельных карточках. Затем респонденты ранжировали или оценивали эти профили. Используя относительно простой регрессионный анализ фиктивных переменных , можно было рассчитать неявные полезности для уровней, которые наилучшим образом воспроизводили ранги или рейтинги, указанные респондентами. В этих ранних разработках были замечены два недостатка. [ необходима цитата ]
Во-первых, количество используемых атрибутов было сильно ограничено. При большом количестве атрибутов задача рассмотрения для респондентов становится слишком большой, и даже при дробных факторных планах количество профилей для оценки может быстро увеличиваться. Чтобы использовать больше атрибутов (до 30), были разработаны гибридные совместные методы, которые объединяли самообъяснение (рейтинг или ранжирование уровней и атрибутов) с последующими совместными задачами. Как бумажные, так и адаптивные компьютерные анкеты стали вариантами, начиная с 1980-х годов. [ необходима цитата ]
Вторым недостатком было то, что рейтинги или ранжирования профилей были нереалистичными и не были напрямую связаны с поведенческой теорией. В реальных ситуациях покупатели выбирают среди альтернатив, а не ранжируют или оценивают их. Джордан Лувьер был пионером подхода, который использовал только задачу выбора, которая стала основой совместного анализа на основе выбора и анализа дискретного выбора . Это заявленное исследование предпочтений связано с эконометрическим моделированием и может быть связано с выявленными предпочтениями, где модели выбора калибруются на основе реальных, а не данных опроса. Первоначально совместного анализа на основе выбора не было в состоянии предоставить полезности на индивидуальном уровне, и исследователи разработали агрегированные модели для представления предпочтений рынка. Это сделало его непригодным для исследований сегментации рынка . С помощью новых иерархических байесовских методов анализа можно оценить полезности на индивидуальном уровне, что дает более глубокое понимание неоднородных предпочтений среди людей и сегментов рынка. [ необходима цитата ]
Данные для совместного анализа чаще всего собираются с помощью опроса по исследованию рынка, хотя совместного анализа можно также применить к тщательно разработанному конфигуратору или данным из надлежащим образом разработанного тестового рыночного эксперимента. Правила исследования рынка применяются в отношении размера статистической выборки и точности при разработке интервью совместного анализа. [ необходима цитата ]
Длина конъюнктивной анкеты зависит от количества оцениваемых атрибутов и выбранного метода конъюнктивного анализа. Типичная адаптивная конъюнктивная анкета с 20–25 атрибутами может занять более 30 минут [ требуется цитата ] . Конъюнктивная анкета на основе выбора, использующая меньший набор профилей, распределенный по всей выборке в целом, может быть завершена менее чем за 15 минут. Упражнения на выбор могут быть отображены в виде макета типа витрины магазина или в какой-либо другой смоделированной торговой среде. [ требуется цитата ]
Поскольку совместные планы сложны, они обычно генерируют существенную ошибку измерения (на что указывает низкая внутриреспондентская надежность), которая может вызвать существенное смещение в любом направлении на любую величину; это смещение должно быть исправлено в статистическом анализе совместные данные. [4] В зависимости от типа модели, различные эконометрические и статистические методы могут использоваться для оценки функций полезности. Эти функции полезности указывают воспринимаемую ценность характеристики и то, насколько чувствительны потребительские восприятия и предпочтения к изменениям характеристик продукта. Фактическая процедура оценки будет зависеть от дизайна задачи и профилей для респондентов, а также шкалы измерения, используемой для указания предпочтений (интервальная шкала, ранжирование или дискретный выбор). Для оценки полезности для каждого уровня атрибута с использованием задач полного профиля на основе рейтингов может быть подходящей линейная регрессия , для задач на основе выбора обычно используется оценка максимального правдоподобия с логистической регрессией . Первоначальными методами оценки полезности были монотонный дисперсионный анализ или методы линейного программирования, но современная практика маркетинговых исследований сместилась в сторону моделей на основе выбора с использованием мультиномиального логита, смешанных версий этой модели и других уточнений. Байесовские оценщики также очень популярны. Иерархические байесовские процедуры в настоящее время также относительно популярны. [ необходима цитата ]
Одно из практических применений совместного анализа в бизнес-анализе представлено в следующем примере: застройщик заинтересован в строительстве многоэтажного жилого комплекса рядом с городским университетом Лиги плюща. Чтобы обеспечить успех проекта, фирма по исследованию рынка нанимается для проведения фокус-групп с нынешними студентами. Студенты сегментируются по учебному году (первокурсники, старшекурсники, аспиранты) и размеру полученной финансовой помощи. Участникам исследования показывают ряд сценариев выбора, включающих различные варианты проживания в апартаментах, указанные по шести атрибутам (близость к кампусу, стоимость, телекоммуникационные пакеты, варианты прачечной, планы этажей и предлагаемые функции безопасности). Оценочная стоимость строительства здания, связанная с каждым вариантом проживания в апартаментах, эквивалентна. Участников просят выбрать предпочтительный вариант проживания в апартаментах в каждом сценарии выбора. Это упражнение по принудительному выбору выявляет приоритеты и предпочтения участников. Мультиномиальная логистическая регрессия может использоваться для оценки оценок полезности для каждого уровня атрибутов из шести атрибутов, участвующих в совместном эксперименте. Используя эти оценки полезности, можно предсказать рыночные предпочтения для любой комбинации уровней атрибутов, описывающих потенциальные варианты проживания в апартаментах. [ необходима ссылка ]
Подход к исследованию рынка, Mind Genomics (MG), представляет собой применение Conjoint Analysis (CA). CA выполняется для оценки принятия потребителями, предоставляя им набор атрибутов продукта и оценивая их предпочтения для различных комбинаций атрибутов путем оценки баллов полезности для различных уровней атрибутов. MG, применяющий CA, глубже проникает в психологические и эмоциональные аспекты, которые влияют на принятие решений, помогая в первоначальном определении атрибутов, которые наиболее существенны для потребителей, и помогая исследователям уточнить атрибуты, которые будут использоваться в CA. [5]
Федеральные суды в Соединенных Штатах разрешили экспертам-свидетелям использовать совместный анализ для обоснования своих мнений относительно убытков, которые нарушитель патента должен выплатить в качестве компенсации владельцу патента за нарушение его прав. [6] Тем не менее, ученые-юристы отмечают, что судебная практика Федерального округа по использованию совместным анализа при расчетах убытков по патентам остается на стадии формирования. [7]
Одним из примеров этого является то, как Apple использовала совместный анализ, чтобы доказать ущерб, понесенный Samsung в результате нарушения авторских прав, и увеличить размер компенсации по этому делу. [ необходима цитата ]