Сегментация. Вандалим кластеры

Сейчас не будем про все дебри сегментации. Только про файнтюнинг.

Обсуждение результатов и с клиентами, и с коллегами выводит на мысль, что наши доморощенные подходы часто в диковинку. Ну тогда поделимся. Нам не жалко. А может у кого-то и конструктивное развитие идеи возникнет…

Основное соображение за всеми манипуляциями такое: сегментация – это попытка рассмотреть аудиторию. Не просто поделить на какие-то абстрактные множества, а именно рассмотреть, увидеть осмысленные очертания, которыми потом бизнес может манипулировать.

Запуск процедуры кластеризации редко дает с первого раза стройный результат. Чаще всего в кластерах что-то выпирает лишнее, или наоборот чего-то не хватает. Какие-то кластеры вообще интерпретации не поддаются. Тогда пробуем разный набор переменных для кластеризации. Что-то убираем, что-то добавляем.

Если видим, что какая-то переменная слишком доминирует в формировании кластеров, можем понизить ее вес, уменьшив дисперсию в ней. Для этого просто домножаем на понижающий коэффициент в интервале 0-1. Размер множителя подбираем итеративно до появления более внятных результатов кластеризации. Аналогичным образом можно повысить влияние переменной, домножив на повышающий коэффициент. В этом случае коэффициент больше 1.

Когда все кластеры становятся пригодными для интерпретации, начинаем дорабатывать сегменты. А именно, убираем из кластеров те черты, которые не укладываются в наметившуюся модель. И усиливаем черты, которые кажется логичным иметь более выраженными. Да, вот именно так, волевым решением 🙂

Ведь для процедуры кластерного анализа абсолютно все равно, какой содержательный смысл будет за кластерами. Это просто калькулятор, в который засунули данные. Все переменные с равными весами. А в жизни-то все-ли факторы одинаково влияют на поведение? Нет. Но и процедура подбора весов может оказаться сверх-трудоемкой, пока все кластеры разлягутся идеально без каких либо противоречий.

Поэтому, нащупав общую картину, можно ее немного улучшить в почти ручном режиме.

Итак, если надо убрать из кластера нелогичные черты. На этом этапе удобнее обзавестись факторизованными данными, если это еще не было сделано ранее. Далее, выкидываем из кластера тех членов, у которых «неудобный» фактор имеет высокие значения. Как много таких выкинуть? Часто достаточно 5-10% от размера кластера.

Если факторным решением не получается обзавестись, тогда дискриминантный анализ в помощь. Считаем вероятности принадлежности к кластерам. Выкидываем тех, у кого присутствует ненужный признак и при этом у них наименьшая вероятность принадлежности к кластеру.

Выкинутых членов затем распределяем по другим кластерам при помощи снова того же дискриминантного анализа.

И в случае, когда надо усилить какую-то черту кластера, делаем обратную процедуру. Собираем из других кластеров тех, кто обладает нужной фичей/имеет высокое значение нужного фактора и при этом имеет относительно высокую вероятность принадлежать к нужному нам кластеру.

И на закуску. Бывает, что две фичи сильно коррелированны, но направление связи противоречит нашим представлениям. Тогда, скорее всего, за этим кроется какой-то инсайт. Если объяснение не находится, противоречивые данные можно проигнорировать, оставив до лучших времен.

Например, в какой-то момент мы столкнулись с тем, что статусный сегмент вдруг хочет находиться в гармонии с окружающими. Нелогично. Статус – это про то, чтобы заявить о себе, противопоставить. А гармония – про принадлежность к сообществу. Но когда несколько раз на разных проектах, на разных рынках получили похожую картину, закралось сомнение, что это не глюк данных. А фича. Предположительно, статусные да, хотят выделяться. Но борьба за признание, как ни поверни, ведет к стрессу. Вот потому, вероятно, статусные и хотят гармонии с окружающими. Я весь такой из себя, вы меня признайте как-нибудь побыстрее, а то утомительно всем доказывать…

Имидж. Даже самые злодеи для кого-то бывают хорошими

Не редко приходится видеть, как имиджевые вопросы задаются только по тем маркам, которые респондент знает.
Нет, ну а что тут такого-то? Зачем спрашивать про то, что не знает?

Ну как бы да. Но как бы что нужно-то от замера имиджей?

Что может интересовать типового рисечера? Чаще всего – общая картина рынка.

Если задавать имиджевые вопросы только знающим марку, то особо ярко сбой системы проявится на мелких нишевых марках. Для единичных пользователей они хорошо известны и обладают каким-то своим уникальным имиджем. А для массового рынка такие марки просто ни о чем.
Поэтому, считая имиджи только от тех, кто знает марку, получим слишком выраженные профили для мелочи. Это как тот Чикатило. Ведь была у него семья, и, возможно, были неплохие отношения. А по жизни был невзрачным, пока непрославился своими мрачными делами.

Казалось бы логичным тогда во время опроса применять фильтры на знание марок, а при анализе – считать от всех опрошенных. И вот тут начинаются не совсем очевидные вещи. Будем честны, респондентов глючит. Не обязательно они врут с умыслом, но белый шум есть всегда – факт. Получается, если спрашивать имиджи с фильтром на знание марок, то большие марки получают больше шума, а маленькие – меньше. Не равные условия.

Напрашивается вывод, что логично было бы задавать имиджевый блок вопросов без фильтра на знание марок. В крайнем случае, особо щепетильные могут обнулить ответы среди незнающих, а вот провернуть фарш обратно не получится. Невозможно добавить белый шум, если фильтры использоавлись при сборе данных.

Рассудочная деятельность, Канеман, коммуникационные и ценовые стратегии.

После прочтения книги “Думай медленно, решай быстро”, зацепился взгляд за один интересный эксперимент.
Даниэль Канеман провел его на коллегах и своих студентах.

Схема такая: предлагается сделать ставку $100 на подбрасывание монеты. Если угадал, можно забрать $130, не угадал – ставка сгорает. И большинство отказывалось от участия в такой игре, предпочитая остаться при своих и отказываясь от большего по размеру выигрыша. Вывод, который делает Канеман – мол, людям свойственно ценить обладаемое выше, чем потенциальные возможности. Мол, вот такие они перверсии восприятия, вот такие они нерациональные представители рода хомо.

А так ли это?

Простая модификация эксперимента приоткрывает ответ на этот вопрос. А если предложить забрать $100 просто так или забрать $130 в случае верной ставки? Вот такой аттракцион невиданной щедрости 🙂 Вроде бы уже нет речи про обладаемое и необладаемое. А выбор-то какой в итоге более выгоден?

Ну взвесим на вероятности: $100 * 100% = $100 > $130 * 50% = $65. Кажется, хомо вполне рациональны и способны подтвердить гордое звание сапиенс?

Это не всё. Из экономики давно известен принцип убывающей предельной полезности. Первая чашка кофе приносит удовлетворения больше, чем вторая. Особенно, если кофе крепкий. А с третьей чашкой уже как бы глаз не начал дергаться. Ее редко захочется выпить хоть при каких-то обстоятельствах.

С деньгами – аналогично. Они имеют некий эквивалент удовлетворенных потребностей. Условно, я имею планы на свою сотку баксов потратить ее на обед и дорогу до дома. Так ли интересна мне альтернатива остаться без обеда и с туманной перспективой добраться домой против альтернативы заработать на второй обед? Не очень равноценные альтернативы.

Профессору Канеману спасибо огромное за найденную особенность мышления. А проинтерпретировать ее можно попробовать по-своему.

Из опыта тестирования идей и прототипов новых продуктов известно, что продукты с “me too” стратегией, подражающие лидеру, набирают высокие оценки намерения покупать, но по факту после запуска реальные продажи скромнее прогнозов.

Эксперимент Канемана объясняет причину – зачем рисковать получить плохое качество ради не понятно чего. Отсюда вывод – нужно компенсировать риски. Ценой или дополнительной полезностью.

Если ценой, то как? Вестимо, что покупатель несет риски до момента первой покупки. Если мы не проваливаемся по качеству, то повторные покупки уже нет нужды компенсировать низкой ценой. Тогда логично запускать новый продукт с ценовой стратегией на уровне лидера. Но в момент запуска активировать продажи скидками.

Уже неплохо 🙂 Но все равно, скидки – это болезненная тема. И производитель может влиять на уровень скидок приемлемый для активации продаж. Раз скидка – это плата за риск, значит, надо понизить риски. Коммуникационной стратегией тут могло бы быть подтверждение качества. Частью этой же стратегии должна быть более явная самопрезентация продукта – проработать механики, помогающие оценить качество до пробной покупки. Прозрачная упаковка? Качественные упаковочные материалы? Опрятный вид продукта?… В общем, дополнительно вложиться во внешние атрибуты качества.

А если компенсировать риски дополнительной полезностью? Тогда требуется дифференцироваться на рынке. Удовлетворить потребность лучше. Удовлетворить новую потребность. Решить какую-то проблему.

А причем тут тогда исследования? Да все просто – на ранних этапах понять расстановку сил. Насколько хорошо потребителями считывается качество. Требуется ли большая премия за риски. Уникальность – для массового потребителя или для обособленной ниши, какой ниши, или вообще ни для кого? А может и вообще широко посмотреть на рыночный ландшафт, найти потенциально перспективные потребности и боли покупателей.

Быть хорошим или быть другим?

На продуктовых тестах часто приходилось сталкиваться с ситуацией, когда у компании есть хороший продукт и есть доработанная версия, но при прямом сравнении оба проигрывают среднему конкуренту.

В чем причина?

Исходный продукт и доработанная версия чаще отличаются нюансами, но глобально об одном и том же.
Конкурент же наоборот – отличается. Предпочтения рассредотачиваются между двумя похожими продуктами. Пусть даже оба продукта получают суммарно больше, чем один. Но на каждый в отдельности все равно приходится меньше, чем на конкурента, который формально по набору показателей в среднем слабее.

Прямой вывод из этого – если надо выбрать из двух образцов один, то на прямое сравнение не желательно ставить полный список продуктов. Вместо этого или делать попарное сравнение. Или выборку делить на ячейки, каждая из которых оценивает один вариант продукта + конкурентное окружение.

Далеко идущий вывод – не стоит недооценивать роль дифференциации. Тем паче, что из политики давно известен такой прием, как ослабление лидирующего кандидата при помощи 1-2 кандидатов-спойлеров со схожими политическими взглядами.

Хороший отчет можно презентовать сходу

В какой-то прекрасный момент у нас появился инсайт 🙂

Нам кажется, что косвенный признак хорошего отчета – возможность презентовать сходу. Поставил последнюю точку и презентуй.

Это не значит, что мы против подготовки к презентациям. Ко встречам готовиться надо. Но таки да, если менеджер готов презентовать сходу, значит за душой что-то есть.

Но по порядку…

Подготовка к презентации может включать:

  • Сокращение количества слайдов;
  • Проработку структуры;
  • Проработку и заучивание “речи”;
  • Проработку возможных вопросов и ответов на них.

В нашем понимании, если слайды не показываются в отчете, значит они или справочного характера и место им в приложении или такие слайды не нужны вовсе. А потребность в переработке структуры вызывает вопрос – почему сразу не сделать удобно для восприятия.

Следующий аспект – речь, возможные вопросы и вообще хорошее знание материала.

Мысль не нова, что хорошо проработанная вещь запоминается автором в деталях.

Но будем реалистами. Сроки-сроки-сроки в маркетинговых исследованиях всегда коротки. Будь то хорошо проработанный отчет или плохо – он будет сдан плюс-минус в срок.

У менеджера не так много времени на чисто механическое запоминание информации. Безусловно, что-то запомнится. Вопрос только в том, достаточно ли много запомнилось, чтобы презентовать сходу.

В этом месте у нас и появился инсайт, что даже при ограниченных сроках хороший отчет запоминается в деталях сразу прямо в процессе подготовки.

И вот в чем дело – человеческое мышление устроено так, что мы оперируем образами. Моделями, если сказать иначе. Когда мы смотрим, например, на лицо собеседника, мы видим образ лица, а не миллиарды пикселей. И запоминаем мы образ, а не пиксели.

То же самое и с отчетом. Слова и цифры – это пиксели. Если в отчет не заложена модель, то запомнить все пиксели, а самое главное, активно оперировать ими, не реально. В краткий срок, по крайней мере.

А модель в отчете (красная нить, цельная история.. ее называют по разному) – это и есть признак хорошего отчета. Причем, специально никаких моделей придумывать не нужно, чтобы сделать отчет хорошим. Все получается само собой.

У клиента есть один или несколько главных вопросов, на которые должно ответить исследование. Если слайды увязаны в цепочку или несколько цепочек, которые ведут к ответу на главные вопросы. Если слайды не перегружены лишним. Значит в отчете есть история, красная нить, модель. Значит отчет запоминается легко и во всех деталях.

Это и есть хороший отчет, потому что а) ответы на главные вопросы получены б) информация структурирована.

Но легко сказать, трудно сделать.

Например, в U&A исследованиях вопросы про знание-потребление есть почти всегда. И почти всегда клиент знает, где он находится в рейтинге по этим вопросам. Для менеджера дилемма – вроде бы и вопрос есть и в отчете показать надо, но для клиента ничего нового. Муки творчества. Что делать, как быть?

Отрисовать слайд и сразу в приложение? Э нее.. Уровень знания – это база для расчета конверсии к потреблению. А конверсия отличается от конкурентов? А почему? А что улучшить? А как? А это уже гораздо ближе к главным вопросам клиента, чем просто слайд, который поместили в приложение. И появляется увязка с другими показателями. Например, через диагностику причин, приведших полученному уровню конверсии.

И вот тут встает в полный рост вопрос планирования исследования. Простой перетасовкой слайдов и просмотром всевозможных кросс-табуляций хорошего отчета не подготовить.

Еще до того, как проект продан, нужно знать:
– Ключевые вопросы, на которые отвечать. Не просто “измерить знание, потребление, имиджи, ситуации, соц-дем”. А что конкретно хочет сделать клиент по результатам исследования – занять нишу, сделать марку массовой, конкурировать с определенным брендом…
– Как именно информация из исследования должна помочь клиенту в решении бизнес-задач.
– И уже в финале из ответов на эти вопросы рождается понимание, какие данные собрать, и возможные сценарии их анализа.

Хотя казалось бы всего лишь готовность презентовать сходу.. Нет, это не хорошая память менеджера, а признак хорошо проделанной работы от первого запроса и до конца проекта.

 


Поделившись этой публикацией в соц-сетях, Вы помогаете нам делать больше хороших исследований. А значит, этот мир может стать чуточку лучше…

DIPs vs tracking

Что лучше?

Непрерывный трекинг информативнее точечных замеров.

При прочих равных, если размер выборки позволяет, рекомендуем выборку распределять во времени. То есть вести непрерывные замеры.

В любой компании происходит множество событий – рекламные активности, запуск новых продуктов, открытие новых офисов…

При разовых замерах часто нет возможности отследить, какая активность какой вклад внесла в бизнес-результаты.

Непрерывный мониторинг позволяет связать во времени разные события и изменения ключевых индикаторов.

Какая нужна выборка для трекинга

Знаем, у некоторых клиентов бывают предубеждения, что непрерывный трекинг – это нечто очень затратное. Но вовсе нет. Это сопоставимо с двумя полноценными разовыми замерами в год.

Базовые показатели (например, знание, использование..) в динамике комфортно отслеживать при выборке 75-100 интервью в неделю.

Для того, чтобы повысить надежность результатов и сгладить случайные недельные флуктуации, данные агрегируются по принципу скользящего среднего.

Таким образом, начиная с четвертой недели, в каждой точке на графиках с трендами выборка составит 300 респондентов.

Такой дизайн позволяет получать:

  • Ежемесячно краткий топлайн.
  • Раз в полгода детальный отчет со всей аналитикой.
  • И топлайн и отчет становятся информативнее, так как фактор времени позволяет более точно отследить вклад разных событий в ключевые индикаторы компании.

Заметим, при планировании годового размера выборки необходимо учесть и другие аспекты, влияющие на дизайн.

  • Например, нужно ли делать какие-то виды анализа внутри отдельных подгрупп (регионы, потребительские сегменты..).
  • Какие виды анализа предполагаются и какие требования они предъявляют к выборке?
  • Какая периодичность отчетности?

Резюмируя:
На размер выборки для трекинга влияет множество обстоятельств. Но если при всех прочих равных годовая выборка будет 4000+ интервью, то мы рекомендуем вести непрерывное измерение на еженедельной основе.

 


Поделившись этой публикацией в соц-сетях, Вы помогаете нам делать больше хороших исследований. А значит, этот мир может стать чуточку лучше…

Расчески – как повысить информативность

Очень популярный тип графика.

Показывается в виде сортированного списка. Но чаще всего невозможно понять, насколько значимо различаются пункты списка между собой.

 

Мы подсмотрели в одном отчете вариант удачной визуализации:


Для средних значений такой тест на значимые отличия сделать легко (ANOVA: группировка Фишера). Для показателей в процентах работа более трудоемкая, приходится все делать вручную.

Резюмируя: с учетом трудоемкости значимые различия показываем изредка, в случае острой необходимости. Чаще это нужно для различных тестов, когда тестируется большое количество образцов и нужно как-то компактно и информативно показать рейтинги образцов.

 


Поделившись этой публикацией в соц-сетях, Вы помогаете нам делать больше хороших исследований. А значит, этот мир может стать чуточку лучше…

Качественно-Быстро-Недорого


В сети гуляет такой мем.

В исследовательской среде он тоже популярен.
Признаем, шутка имеет право на жизнь.

Но если серьезно, для нас это своеобразный вызов.

Начнем с того, что связь между скоростью и стоимостью далеко не всегда обратная. В штатном режиме без авралов как раз наоборот – меньшее количество рабочих часов означает меньшие затраты.

Поэтому мы вкладываемся в квалификацию и инструменты, ускоряющие труд. Мы верим, квалифицированный труд дает не только качественный результат, но и продуктивнее неквалифицированного труда.

Мы верим, автоматизация однотипных процессов окупается, пусть и требует разовых вложений. Мы верим, продвинутый статистический софт стоит затрат на его освоение и использование.

Мы рациональны в своих расходах.

Считаем, что для представительских целей совершенно не обязательно иметь дорогой офис в центре Москвы. Большая часть коммуникации с клиентами происходит по почте и телефону. Для личных встреч мы всегда готовы приехать к клиенту.

Мы не обременены необходимостью платить роялти за коробочные продукты глобальным западным компаниям.

Мы рациональны в планировании проектов – предлагаем дизайн, который точно соответствует задачам проекта. Не перегружаем бюджет необоснованно большими выборками и не усложняем аналитику, там, где достаточно простых решений.

Резюмируя:
Мы вдохновляемся примерами лидеров, которые ломают стереотипы о невозможности сочетать скорость, качество и невысокую стоимость.

Конвеер Генри Форда, японский автопром 80-х годов, китайские смартфоны нынешнего времени – наши примеры для поиска идей по оптимизации работы.

 


Поделившись этой публикацией в соц-сетях, Вы помогаете нам делать больше хороших исследований. А значит, этот мир может стать чуточку лучше…

Карта рынка

Как извлечь картину мира из сознания потребителей, будучи уверенным, что она не искажена.

Как упоминалось в заметке про имиджи, анализ соответствий имеет такой существенный недостаток, как зависимость карты от набора марок и высказываний.

В этой заметке рассмотрим подход, который дает карту марок, не зависящую ни от набора высказываний, ни от количества марок.

Начнем с примера.
Пусть это будет карта станций метро.
Зная расстояния между станциями, мы можем воспроизвести расположение станций друг относительно друга.

В основе анализа лежит многомерное шкалирование, на вход которому подается матрица расстояний между объектами.

Чтобы не усложнять, ограничимся 4 станциями. В табличном виде матрица расстояний будет такой:

ВДНХ Щёлковская Люблино Университет
ВДНХ 0 9.91 18.1 15.9
Щёлковская 9.91 0 15.1 21.1
Люблино 18.1 15.1 0 14.4
Университет 15.9 21.1 14.4 0

При помощи многомерного шкалирования построим по этой матрице карту.
Она будет идентична карте города, с той разницей, что для полного совпадения ее нужно масштабировать и ориентировать по сторонам света.

Как видим, карты совпадают. Это говорит о точности инструмента.
И как не трудно догадаться, карта на основе расстояний между парами объектов не зависит от количества объектов. Можно добавлять и удалять точки. Оставшиеся точки не поменяют расположения друг относительно друга.

Теперь вопрос: как извлечь аналогичную картину мира из сознания потребителей.
Для этого нам нужно получить матрицу расстояний между марками. Один из способов – упражнение по группировке марок.

Респондентам предлагается объединить марки в группы таким образом, чтобы для респондента лично марки в группе были взаимозаменяемы между собой и при покупке респондент рассматривал бы их как похожие. Респондент сам решает, сколько групп создать и по каким признакам считать марки взаимозаменяемыми.

Матрица расстояний между марками рассчитывается на основе частоты, с которой всевозможные пары марок попадают в одинаковые группы. На основе матрицы расстояний строим карту. А карту можем дополнить иерархическим кластерным анализом, который покажет, какие марки можно объединить в сегменты, а какие – нет.

И так, карта марок есть. Осталось интерпретировать ее.
В этом поможет дополнительная информация, которую можно нанести на карту при помощи многомерного развертывания. Это может быть все та же табличка с имиджами или какая-то другая описательная информация. Например, соц-дем.

Огромный плюс полученной карты в том, что она неуязвима от неполноты информации. Карту можно делать более детальной или менее детальной, можно даже ошибиться с высказываниями. Но расположение объектов на карте друг относительно друга будет оставаться неизменным. И ошибка с каким-нибудь высказыванием останется частной ошибкой, не повлияв на всю картину мира.

Дополнительными плюсами карты будут:

  • Богатые возможности по интерпретации – можно наносить практически любую информацию. Например, имиджевые высказывания, обстоятельства последнего потребления, мотивы, соц-дем..
  • Марки можно группировать в сегменты, имея твердое основание в виде иерархического кластерного анализа.
  • Сегменты марок можно описать в терминах объемов и стоимости.
  • Сегменты можно описать в терминах удовлетворенности.
  • Белые пространства на карте можно интерпретировать, как ниши. Близлежащие сегменты от белых пространств могут дать идеи для генерации новых продуктов. В особенности, если близлежащие сегменты характеризуются низкой удовлетворенностью.

Недостатками описанного подхода будут:

  • Трудоемкость. Упражнение по группировке марок удлиняет анкету и требует внимательности. Сам анализ трудоемкий.
  • Сложно интерпретировать расстояния на карте. Нет критерия, который позволит одно расстояние считать большим, а другое маленьким. Отчасти эта проблема решается группировкой марок при помощи кластерного анализа
  • Карты сложно анализировать в динамике.

Другие варианты матрицы расстояний между марками

Хорошим вариантом расстояний между марками будет матрица перекрестных эластичностей, полученная на основе choice-based conjoint. Перекрестные эластичности говорят о том, насколько легко покупатели переключаются с одной марки на другую.

Еще один вариант для расчета расстояний между марками – репертуар марок. Но репертуар марок нужно использовать с оглядкой.

В репертуаре могут присутствовать и взаимозаменяемые продукты (похожи между собой), и взаимодополняющие (наоборот, сильно различаются). Нужно быть уверенным, что репертуар состоит только из взаимозаменяемых продуктов.

Так, например, на рынке шоколадных батончиков в репертуаре будут оба типа продуктов. Батончики Snickers и Bounty скорее окажутся взаимодополняющими, так как сильно отличаются. Батончики Snickers и Золотой Степ могут оказаться взаимозаменяемыми (второй – калька с первого). На таких рынках карту марок на основе репертуара строить не корректно.

Другой пример – репертуар страховых компаний в рамках одного страхового продукта. С большой вероятностью в репертуаре будут взаимозаменяемые компании. Нет смысла покупать несколько однотипных страховок в разных компаниях в один и тот же период времени.

 


Поделившись этой публикацией в соц-сетях, Вы помогаете нам делать больше хороших исследований. А значит, этот мир может стать чуточку лучше…

Имидж

Размер имеет значение. Как за размером не потерять из виду дифференцирующие характеристики марок.

Дифференцирующие характеристики марок

Прежде, чем описать наш подход к оценке восприятия марок, хотим предложить наглядный пример.

Сравним два вида техники.
И грузовик и трактор имеют одинаковый диаметр колес.
Но трактор имеет большие колеса относительно своего размера.
Это и есть отличительная особенность трактора.

Аналогично приведенному примеру, восприятие марок характеризуется двумя особенностями:

  • Чем популярнее высказывание, тем чаще оно ассоциируется с различным марками.
  • Чем крупнее марка, тем больше различных высказываний ассоциируется с ней.

Чтобы выявить дифференцирующие характеристики марок, необходимо учитывать как “размер марок”, так и “размер высказываний”. Существует несколько техник, позволяющих учитывать оба этих обстоятельства. Наиболее популярная в исследовательской среде – анализ соответствий.

Анализ соответствий – визуализация результатов

По результатам анализа соответствий чаше всего строится карта – проекция многомерного пространства марок и высказываний на плоскость.

Карта – достаточно удобный инструмент, чтобы составить общее представление о рынке. Какие марки близки друг другу по восприятию и чем они характеризуются.

Однако, картой не всегда удобно пользоваться:

  • Когда нужно сравнить марки по набору высказываний
  • Когда нужно отследить имидж в динамике
  • Когда нужно сравнить имидж на разных подгруппах респондентов
Для таких ситуаций гораздо больший интерес представляет анализ остатков (наблюдаемые частоты минус ожидаемые).

Матрица остатков, также как и карта, рассчитывается и с учетом размера марок и с учетом размера высказываний.

При этом удобно сравнивать марки между собой по каждому отдельному высказыванию. Или сравнивать одну и ту же марку в динамике или в разных сегментах.

Кроме того, остатки легко интерпретировать. Это те же самые проценты (наблюдаемые частоты минус ожидаемые). В отличие от карты, где координаты точек – безразмерные величины, и далеко не всегда ясно, расстояние между маркой А и высказыванием Z – это много и или мало.

Анализ соответствий – особенности

Интерпретируя результаты анализа соответствий, желательно принимать во внимание несколько нюансов.

Каждое высказывание влияет на расположение марок и каждая марка влияет на расположение высказываний. Убрав один элемент мы меняем всю картину. Изменения могут быть большими и маленькими, но всегда отдельно взятый элемент влияет на всю картину.

Это означает, что никогда нет полной уверенности, что построенная карта отражает реальное восприятие.

Список высказываний может быть не полным. Исследователь может упустить какой-то важный параметр, по которому покупатели дифференцируют марки.

Или само высказывание может быть сформулировано неудачно. Оно может отражать реально важный для покупателей фактор, но при этом смысл для респондентов может оказаться или не понятным или считываться не совсем верно.

В списке высказываний могут присутствовать атрибуты, которые сильно дифференцируют марку (и как следствие – сильно влияют на общую карту), но при этом не имеют особого значения в потребительской картине мира.

В качестве примера вспоминается слоган из 90-х годов. “Хопер инвест – отличная компания. Отличная от других.” Слоган звучал из каждого утюга и мог крепко запомниться.

Если включить в список высказываний “Компания, отличная от других”, то наверняка это высказывание очень сильно ассоциировалось бы с Хопром инвест и сильно влияло бы на всю карту. Хотя, чем конкретно компания отличается – не ясно. Если высказывание заменить на “Предлагает что-то, чего нет у других”, то картина могла бы получиться совсем иной.

Резюмируя:

  • Анализ соответствий / анализ остатков хорошо подойдет для исследований, предмет которых хорошо понятен исследователю и нет риска ошибиться с высказываниями.
  • В эксплораторных исследованиях, когда многое еще не изучено и картина мира для исследователя не ясна, к анализу соответствий следует относиться настороженно и помнить о возможных искажениях карты.
  • В качестве альтернативы можно предложить построение карты рынка на основе упражнения с группировкой марок/продуктов.

 


Поделившись этой публикацией в соц-сетях, Вы помогаете нам делать больше хороших исследований. А значит, этот мир может стать чуточку лучше…