Прайс-менеджмент

• Гибридные – ACA (декомбинационный анализ) или ACBC (декомбинационный анализ, основанный на выборе).

• Моделирование дискретного выбора (DCM), совместный анализ, основанный на выборе (CBC) и совместный анализ с постоянной суммой (CSC).



Классический подход наталкивается на определенные проблемы валидности при большом количестве атрибутов. Для решения этих проблем ученые разработали гибридные подходы к совместному измерению.

Гибридные подходы сочетают в себе композиционные и декомпозиционные методы. В них применяются скоринговые модели и совместное измерение. Комбинирование двух данных подходов позволяет применять планы полного факторного эксперимента с дробными откликами к нескольким людям [30, 34]. При гибридном анализе респондентов на начальном (композиционном) этапе просят составить изолированные мнения о важности атрибутов и их уровней. На втором (декомпозиционном) этапе они оценивают выбранные комбинации атрибутов. Подобные подходы смягчают когнитивную нагрузку на респондента. Однако усилия по сбору данных здесь возрастают. Наиболее часто используемая форма гибридного совместного измерения – это ACA (декомбинационный анализ).

ACA адаптирует компьютерные опросы к каждому человеку в постоянном режиме. Ответы респондентов анализируются в ходе опроса, а следующие друг за другом вопросы сосредоточиваются на самой важной для респондента области. Это сокращает число необходимых парных сравнений и продолжительность опроса, что в свою очередь повышает вовлеченность респондентов и качество отдельных ответов.

Типовой опрос ACA включает следующие этапы.

1. Определение неприемлемых атрибутов (как опция).

2. Ранжирование предпочтения для атрибутивных уровней.

3. Оценка важности атрибутов.

4. Парные сравнения.



Чтобы представить респонденту осмысленные варианты решений, нужно, чтобы последние попадали в «приемлемый набор» респондента. Для этого на первом этапе каждый респондент должен исключить неприемлемые атрибутивные уровни. Затем данные уровни исключаются из остальной части опроса.

Предположим, мы проводим ACA по автомобилям. Если респондент на первом этапе указывает, что он не станет покупать Ford ни при каких обстоятельствах, тогда данный уровень исключается из атрибутивного «бренда» начиная с данного момента. Это повышает релевантность профилей в оставшейся части опроса и сокращает число необходимых парных сравнений.

На втором этапе конкретный респондент заявляет о своих предпочтениях по уровням ненаправленных атрибутов. Это атрибуты, которые либо не имеют априорной упорядоченности (например, бренд), либо предпочитаемость которых необязательно возрастает по мере роста атрибутивного уровня (например, мощность двигателя). Нельзя предполагать с определенностью, что все покупатели предпочтут автомобиль с более мощным двигателем.





Рис. 3.18. Парное сравнение с помощью ACA



Напротив, для направленных атрибутов, таких как цена, можно в целом допустить, что атрибутивный уровень коррелирует с предпочтением, то есть более низкая цена в целом предпочтительней более высокой (за исключением некоторых предметов роскоши).

На третьем этапе респондентов просят измерить важность отдельных атрибутов на шкале. По каждому атрибуту респондентам показан лучший и худший уровни по сравнению с другими. Респондентов спрашивают, насколько важна для них разница. Как только рейтинги важности получены, делаются предварительные прогнозы предпочтений и значений полезности. ACA использует эти значения, чтобы определить, какие вопросы ставить на следующей стадии опроса. Для этого анализируется ряд парных сравнений (основа данного метода). На рис. 3.18 показано такое парное сравнение. Респондента просят проранжировать предпочтения по двум вариантам автомобилей по шкале от 1 до 9, где 1 представляет четкое предпочтение автомобиля слева, а 9 – автомобиля справа. Если респондент проявляет безразличие, это соотносится с 5.

Парные сравнения показывают, что в целом полезности обоих «автомобилей» примерно одинаковы, так что респондент скорее проявляет безразличие к выбору. Если респондент выказывает предпочтение, программа АСА использует эту информацию для повышения достоверности прогнозируемых значений полезности и для подбора нового парного сравнения. Поскольку прогнозируемые полезности оптимизируются с каждым вопросом, респонденту становится всё труднее отдать предпочтение какой-либо альтернативе. На основе данных значений полезности на следующем этапе прогнозируются функции «цена-отклик» с помощью математической модели рынка [34].

Подробное описание процедуры АСА, а также его достоинств и недостатков можно найти у Hermann и соавторов. [35].

Дополнительный гибридный подход к декомбинационному анализу – это декомбинационный анализ, основанный на выборе. В данном подходе выставленные респондентами рейтинги предпочтений атрибутов и уровней показывают набор продуктов, которые респонденты готовы рассматривать. В этом случае проводится опрос по принципу совместного измерения с использованием данного «набора к рассмотрению» [36].

Следующий подход, который мы изучим, называется «Моделирование дискретного выбора» (DCM). DCM – это категория совместных моделей, где рассматриваются решения о покупке («купить» или «не купить») вместо предпочтений. Совместный анализ, основанный на выборе (CBC), – это название ПО, разработанного Sawtooth специально для этой цели. Совместный анализ с постоянной суммой (CSC) – это дальнейшая разработка CBC в категории DCM.

На рис. 3.19 показана типичная модель опроса по принципу CBC. В отличие от традиционного совместного измерения и ACA, респондент должен принять решение о покупке. Респондентов не вынуждают приобретать какой-либо из представленных вариантов – имеется возможность не выбирать ни один из них.





Рис. 3.19. Решение о покупке (совместный анализ, основанный на выборе)



Если говорить об исходных допущениях, то CBC фундаментальным образом отличается от методов, которые мы уже рассматривали [37]. Поскольку возможность определения значений полезности на индивидуальном уровне ограничена, CBC лучше всего подходит для рынков с относительно гомогенными структурами предпочтений. Сегодня CBC – один из наиболее часто применяемых методов совместного анализа [38]. Его популярность определяется, среди прочего, возможностью генерировать достоверные измерения готовности платить [39]. Подробное обсуждение достоинств и недостатков этого подхода можно найти у DeSabro et al. [40].

Наконец, мы бы хотели уделить внимание еще одному усовершенствованию метода CBC. В последние годы совместный анализ с постоянной суммой (CSC) стал считаться передовым методом исследований в области ценообразования. В отличие от вариантов дискретного выбора «выберите что-то одно» или «лучший-худший» респонденты в CSC указывают свои предпочтения с помощью пунктов. Общее количество распределяемых пунктов остается постоянным, например, 10 или 100.

Можно также использовать иерархические байесовы модели, которые дают возможность прогнозировать полезность на индивидуальном уровне [41, 42]. Подходящее программное обеспечение – HB-Sum от Sawtooth [43]. Здесь задача – распределить фиксированное число решений о выборе в рамках набора товаров. Данный метод исходит из того факта, что респондент с равной вероятностью может купить два или более продукта. Например, врач для лечения определенной болезни может прописывать разные лекарства пациентам разного типа. Достоинство этого метода в том, что в анализ можно включать как существующие, так и новые продукты. На существующие (предположительно уже известные респонденту) можно распространить полнопрофильный подход. В общем, данный подход неплохо моделирует реальную ситуацию принятия решения. Процесс демонстрирует высокую информационную эффективность и повышает валидность традиционного совместного измерения. На рис. 3.20 показана типовая последовательность вопросов.

В этом примере врач соотносит число пациентов с каждым конкурирующим препаратом исходя из того, прописал бы он им это средство.

Результативность метода DCM можно улучшить, комбинируя его с другими подходами. Albers et al. [44] показывают, что использование комбинации совместного анализа, основанного на выборе, с другими подходами поддерживает решения о товарах и коммуникации на уровне сегмента. Это также дает возможность деривации готовности платить для пакетных решений. Но мы воздерживаемся от обобщений по поводу превосходства одного метода совместного анализа над другими. Соответствие того или иного метода зависит от непосредственной задачи, метода и контекста сбора данных [45].

Технический прогресс оказывает выраженный эффект на совместные измерения. Компьютеризованные опросы сегодня – обычная вещь. За счет сочетания мощных аналитических методов и современных информационных технологий стало возможным проведение опросов вне зависимости от количества атрибутов и уровней.






Рис. 3.20. Ситуация принятия решения на основе совместного анализа с постоянной суммой (CSC)



Это означает, что сложные продукты или ситуации принятия решений можно анализировать с помощью совместного измерения. Srinivasan [46] предлагает еще один эффективный вариант совместного измерения – адаптивный метод самоэкспликации (ASE). Альтернативная техника CBC – ограниченный анализ посещаемости сайта, разработанный Schlereth и Schulz [47]. С точки зрения достоверности он сопоставим с другими методами измерения предпочтений. В то время как CBC использует решения о выборе, Schlereth и Schulz [47] обращаются к поиску информации в процессе покупки. Они утверждают, что относительное время, в течение которого потребитель уделяет внимание атрибуту продукта, коррелирует с его относительной взвешенной важностью. Эмпирические результаты этих авторов демонстрируют сравнительный уровень достоверности принятых методов измерения предпочтений.

Применение компьютеров обеспечивает более привлекательное графическое изображение доступных опций за счет видео- и аудиоэлементов. Было, к примеру, доказано, что реалистичное визуальное представление продукта способно заменить использование прототипа без искажений поведения при выборе [48]. В будущем дополненная реальность еще усовершенствует этот процесс. С другой стороны, наличие простых в применении компьютерных программ сопряжено с риском того, что совместные измерения будут применяться без осознания сложности этого метода.

В свете столь продвинутых и серьезных техник, таких как совместные измерения, необходимо высказать предупреждение насчет шаблонного их применения. Чем сильнее упрощаются сбор и анализ данных, тем выше риск, что данный метод будет применяться без достаточной адаптации к конкретной ситуации. Это ведет к стереотипным результатам и некорректным интерпретациям. В этой связи мы снова высказываемся в пользу комплексного подхода. В каждом возможном случае необходимо выполнять перекрестную валидацию совместных результатов другими методами.

Многие практики и теоретики считают совместное измерение наилучшим подходом для измерения клиентских предпочтений и ценовых эффектов. Хотя большое разнообразие вариантов применения на практике подтвердило соответствие данного метода задаче измерения предпочтений, критики обращают внимание на проблему достоверности частично из-за гипотетичной природы ситуации покупки [30, 49, 50]. Таким образом, высокая внутренняя и внешняя достоверность равно исключаются. Внутренняя достоверность – это степень, с которой результаты исследования являются объективно логичными и могут быть интерпретированы однозначным образом. Внешняя достоверность показывает, в какой мере результаты соответствуют реальной ситуации покупки.





Обзор


В рамках совместных измерений потребителям напрямую не задают вопросов об их ценовом поведении. Вместо этого выводы о влиянии цены делаются на основе заявлений о предпочтениях или намерении купить. Респондентов просят дать взвешенную оценку «потребительская ценность – цена». Метод совместных измерений дает очень разные результаты для новых и для устоявшихся товаров. На результаты влияет исследовательская модель. Поэтому мы рекомендуем проявлять крайнюю осторожность и проводить упреждающие поисковые исследования. Результаты также следует подтверждать другими методами.





3.4.2. Наблюдения




Ценовые эффекты также можно измерять посредством наблюдений, куда входят эксперименты и наблюдения за рынком. В рамках метода наблюдений исход исследований выражается не в устных объяснениях респондентов, а в их реальном поведении.





3.4.2.1. Эксперименты


Ценовые эксперименты

В рамках ценового эксперимента контрольным покупателям предлагаются альтернативные цены в реальной или реалистической ситуации покупки. Мы проводим различие между «полевыми» экспериментами в реальных условиях, лабораторными экспериментами и особой формой эксперимента под названием «прямой маркетинг». Цифровизация всё сильнее проникает в рыночную среду, и проведение ценовых экспериментов упрощается [51].

Эксперименты в реальных условиях тестируют влияние мер по ценообразованию (ценовые колебания, реклама цен, информирование о ценах, разные формы дифференциации цен) в реальных условиях покупки. Исследуемый продукт при этом не удаляется и не изолируется из покупательной среды. Меняется только независимая переменная (в данном случае цена), а все прочие факторы остаются максимально неизменными. Обычно контрольные субъекты не знают об эксперименте.

Можно выделить методы классического тестирования рынка и тесты в магазинах. На классическом тестовом рынке изучаются эффекты мер по ценообразованию для отдельных рыночных регионов. На практике этот формат не играет большой роли из-за высоких затрат времени и средств на него и невозможности сохранить в секрете факт эксперимента. Его практически целиком заменили такие менее затратные форматы, как магазинные тесты или испытания в моделируемых рыночных условиях. В рамках магазинного теста влияние ценовых мер изучается в выбранных для тестирования магазинах. Обычно выбирается несколько таких магазинов. Выборка необязательно должна быть репрезентативной. Подобные тесты могут дорого обходиться производителям, поскольку ритейлерам нужно платить за их проведение.

Следующий уровень магазинного теста – это тестовый мини-рынок. Тестовый мини-рынок – это комбинация магазинного теста и потребительской панели. Сбор данных в тестовых магазинах осуществляется сканерами. Сканер позволяет зафиксировать факт покупки в режиме реального времени, с точной локализацией и без особых затрат. Преимуществом в плане исследования цен здесь является предельная степень детализации данных, а также возможность их укрупнения множеством способов. Это обеспечивает широкий спектр возможностей для измерения и сегментирования.

В точке покупки товара можно собрать данные о цене, времени, местоположении товара и покупательской корзине. В то же время возможен сбор данных по альтернативным или замещающим продуктам, которые покупатель не выбрал (и их ценам), а также по ценам и объемам продаж других продуктов. В целом этот набор данных всеобъемлющим образом охватывает поле конкуренции и регистрирует всю важную для исследования цен информацию.

Другой вариант – это моделирование рыночных условий. Данный эксперимент проходит в виртуальной студии, которая симулирует реальный рынок.

Эта студия должна находиться в таком месте (например, в универмаге), которое посещает репрезентативная группа населения, и отражать релевантную структуру розничной торговли. В симуляционных тестовых условиях испытуемые участвуют в компьютеризованных ценовых экспериментах. Данный формат обладает преимуществами с точки зрения затрат времени и средств по сравнению с «реальными» симуляционными рынками, о которых мы говорили выше. Производитель имеет возможность надежнее обезопасить испытания продукта и цен от конкурентов и обеспечить более высокую степень секретности, чем на классическом тестовом рынке.

Цифровизация и электронная коммерция облегчают проведение ценовых экспериментов. Компьютерные онлайн-алгоритмы поддерживают построение статистических моделей, которые осуществляют сбор, передачу и анализ данных для достижения основной цели – прогнозирования потребительского поведения [52]. Цены для целей тестирования можно менять и измерять влияние объемов на них без дополнительных затрат, поскольку данные в любом случае будут зависеть от вида транзакции и от покупателя. Здесь возможна любая форма укрупнения. К примеру, Amazon меняет некоторые цены несколько раз в день, чтобы анализировать влияние различных цен на объемы [53]. Поскольку доля интернет-торговли продолжает расти, мы ожидаем значительного расширения ценовых экспериментов в реальных условиях.

Еще одна практичная и осмысленная форма ценового онлайн-тестирования – тестовые аукционы. С помощью опции «купить сразу» (которая соответствует зафиксированной цене продукта или услуги) можно проверять влияние различных цен на решение о покупке. Онлайн-аукцион в целях оптимизации цен представлен в следующем примере.

В данном случае дилер хочет продать 1000 камер Nikon Coolpix на eBay, но не знает, какую цену назначить. Дилер проводит следующий ценовой тест.

• В первый день он предлагает 50 камер по цене $400 за штуку.

• Во второй день размещает на платформе предложение на 50 камер по $350 за штуку.

• В третий день предлагает еще 50 камер по цене $300 за штуку.



На рис. 3.21 представлена итоговая функция «цена-отклик».