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…
