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].