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.
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.
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.
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.
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
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.