15 Апр

Простой вариант Conjoint анализа

Пара дней назад я попросил своих друзей принять участие в экспериментальном опросе по методу Conjoint. Спасибо всем, кто откликнулся! Цель эксперимента: я хотел посмотреть как работает один из простых вариантов Conjoint анализа. Оригинальное его описание по ссылке.

Цель данного анализа: узнать, как отдельные факторы влияют на формирование ценности продукта, оценить эластичность ценности к цене и тд. Что в итоге: не понравилось. Скоро попробую другой вариант, следите за новостями. Тем не менее, расшифровка анализа ниже и она не без интересна.

Обработанные

В качестве примера я взял соль, которая обладает следующими признаками:

1. Вид

  • Морская
  • Поваренная

2. Вес

  • 500 гр
  • 1000 гр

3. Цена

  • 16 рублей
  • 49 рублей
  • 150 рублей

В результате у нас получалось 12 вариантов соли. По классике, все варианты должны быть сравнены между собой попарно респондентами. Так получаются более объективные и точные выводы. Но это получается 66 вариантов карточек (столько раз выбор надо сделать респонденту). По этой причине, для упрощения ищу альтернативные варианты проведения исследования.

В качестве упрощения, участникам опроса надо было оценить варианты с точки зрения привлекательности по шести бальной системе (шкала была выбрана почти случайно, не придирайтесь). Было получено 40 ответов респондентов. Все дальнейшие выкладки и исходные ответы можно скачать файлом формата MS Excel. Опрос проводился при помощи сервиса «Google.Формы» и исходные данные вы найдете на закладке «Исходные».

Скачать файл с примером анализа Conjoint Simple.

Для простоты работы с ними я транспонировал массив (повернул на 90 градусов) и добавил пару столбцов. В частности, столбец «Сумма» — количество баллов которые были отданы за конкретный результат (закладка «Обработанные»).

Делаем первые и самые простые выводы. Например, насколько соль «Морская» более ценна, чем соль вида «Поваренная». Чтобы понять суммируем все баллы для каждого из видов:

  • Морская – 758 баллов
  • Поваренная – 676 баллов.

Выводы

Не ожидал, что такой маленький разрыв всего в 12% между видами. Баллы, это условная ценность. Говоря проще, соль «Морская» может без ущерба объемам продаваться на 12% дороже. Смотрим дальше на вес:

  • 500 граммовая упаковка набрала 735 баллов
  • 1000 граммовая упаковка – 699 баллов.

Вторая неожиданность: упаковка меньшего объема обладает на 5% большей ценностью.

Динамика_ценности

По ценной я ожидал увидеть обратную эластичность. Те вариант цены в 16 рублей должен был согласно ожиданиям оказаться менее привлекательным, чем 49 рублей. Низкая цена, как правило, отпугивает. По результатам нашего опроса этого не произошло. Но, тем не менее, коэффициент эластичности ценности к цене на участке 16-49 рублей оказался не эластичным (-0,79, что по модулю меньше единицы). И на участке 49-150 рублей – эластичным, те модуль коэффициента больше 1 (а именно, — 1,21). Так же полезным выводом может служить понимание вклада каждого параметра в ценность продукта:

  • Вид — 31%
  • Вес упаковки – 14%
  • Цена – 56%.

А теперь, попробуем рассчитать регрессию, как в базовом примере, на который я ссылался в начале (Пакет «Анализа» MS Excel, функция «Регрессия»). Смотрим результаты на закладке «Регрессия». Все значения я учитывал фиктивными регрессорами (могут принимать значение 0 или 1). «Морская соль» — 1, «Поваренная соль» — 0. В случае с ценой, я использовал два фиктивных регрессора. Так как цена в 150 (наихудший с точки зрения ценности вариант) я взял за базу. Значения цены в 16 и 49 рублей будут добавлять ценности к базе.

Данные регрессии

Объясняющее уравнение прогнозирования ценности в нашем случае выглядит так:

Ценность = 13,67*Вид_соли – 6 * Вес_упаковки + 37 * Цена_16 + 30,5 * Цена_49 + 93

Регрессия

Подставляя другие значения, мы можем моделировать разные вариант. Коэффициенты означают, что «Морская соль» добавляет к ценности 13,67 единиц. А увеличение упаковки до 1000 гр снижает ценность на 6 единиц.

Здорово? Не совсем. К сожалению, данная модель не является адекватной, так как регрессоры «Вид» и «Вес» не прошли тест на значимость с точки зрения влияния на ценность. t-статистика для этих значений не смогла выйти из критического диапазона, и мы не смогли опровергнуть гипотезу о нулевом влиянии. Проблема, скорее всего в том, что мы имели разное потребительское поведение. И перед обработкой надо было выполнить кластеризацию. Обратите внимание (закладка «Обработанные»), что дисперсия оценок по самым дешевым предложениям максимальная. Скорее всего, именно отношение к этим вариантам можно было взять за основу для сегментации. Жаль, что регрессия оказалась не адекватной. Но было в любом случае интересно!

Следите за продолжением! Эксперименты должны продолжаться!

PS Старался не раздувать объем, не описывал некоторые детали. Задавайте вопросы, если интересно. На их основе сделаю уточненный вариант материала.

Поддержи!Tweet about this on TwitterShare on VKShare on Facebook0Share on LinkedIn32Share on Google+1Email this to someonePrint this page

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Лимит времени истёк. Пожалуйста, перезагрузите CAPTCHA.

Андрей Кулинич. Copyright © 2001-2016