Расчет частичных полезностей методом COUNT

После того, как мы определились с дизайном эксперимента и собрали данные, мы можем приступить к анализу полученных наблюдений. Анализ можно проводить четырьмя способами. Первый способ — это COUNT или счет. Этот способ не дает нам вероятностные оценки, и мы не можем надеяться на то, что он обладает статистической предсказательной силой. Тем не менее, практики маркетинговых исследований очень любят этот метод. Во-первых, он прост в исполнении и экономит время, во-вторых, он дает довольно наглядные результаты, и в-третьих, на больших выборках значения полезностей становятся близкими к значениям вероятностных оценок, полученных с помощью логистической регрессии или байесовского анализа.

Проведем анализ данных методом COUNT. В математической основе метода лежат элементарные операции сложения; то есть мы складываем вместе все случаи, когда респондент увидел определенный уровень и совершил выбор в пользу профиля с этим уровнем. В результате сложения мы получаем количество выборов в пользу определенного уровня. Мы рассмотрим технику COUNT на примере атрибута «бесплатные минуты». В таблице z приводятся расчеты частичных полезностей.

Таблица 6. Алгоритм вычисления частичных полезностей методом COUNT.

Таблица 6 наглядно демонстрирует, что полезность продукта будет возрастать с увеличением числа минут. Ниже представлены полезности по всем атрибутам и уровням.

Таблица 7. Частичные полезности методом COUNT.

Пользуясь таблицей 7, мы можем посчитать общие полезности и важности атрибутов. Формулы расчета те же самые, что и для conjoint regular. Тем не менее, в данном разделе эти расчеты производиться не будут, мы ограничимся гипотезами о связях между общей полезностью товара и уровнями. Такие гипотезы могут быть полезны, когда для рынка сотовой связи будет строиться модель линейной и логистической регрессии. Запишем наши предположения в форме списка.

• 1. Чем больше гигабайт включено в тариф, тем больше общая полезность тарифа для потребителя.
• 2. Чем выше цена пакета, тем ниже общая полезность тарифа
• 3. Бренды располагаются в следующем порядке по степени предпочтительности: Оператор 1 > 2 > 3 > 4.
• 4. Наличие в пакете калькулятора и общего счета увеличивает общую полезность, но незначительно
• 5. Чем больше в пакете сим-карт, тем полезнее тариф

Наши гипотезы, основанные на реальных наблюдениях, довольно наглядно описывают вполне рациональные и эгоистичные потребительские желания получать больше за меньшие деньги. Кроме того, мы замечаем важный аспект, который говорит о том, что в среднем по выборке наличие дополнительных пакетных бонусов в виде калькулятора и общего счета почти не меняют полезность тарифа.

Перейдем к проверке наших гипотез с помощью более сложных моделей. В первую очередь, мы попробуем оценить данные с помощью модели множественной линейной регрессии. Множественная линейная регрессия требует, чтобы предикторы были интервальными переменными. Только так результаты модели будут интерпретируемы. Напротив, результаты, которые мы получим, если будем проводить линейную регрессию на номинальных переменных, окажутся не подлежащими интерпретации. Например, мы не можем сказать, что с увеличением оператора на 1, вероятность выбора увеличится на bоператор, так же как мы не можем сказать, что при увеличении исповедуемой религии зависимая переменная возрастет, потому что христианин не является большим или меньшим, чем еврей.

В процессе описания переменных было установлено что некоторые из наших предикторов не могут быть напрямую включены в регрессионное уравнение, поскольку они номинальны. Тем не менее, то, что некоторые переменные номинальны, не означает, что мы вообще не можем построить линейную регрессионную модель для наших данных. Мы можем сделать это, но нам потребуется провести несколько операций по преобразованию наших данных. «Причесанные данные» позволят нам провести еще один вид регрессионного анализа: множественная линейная регрессия с фиктивными переменными.