Внешний анализ предпочтений (external analysis of preferences)

Метод такой компоновки пространственной карты, что в результате она представляет идеальные точки или векторы, нанесенные на карту, полученную на основе данных о восприятии.

Для большинства ситуаций лучше выполнять внешний анализ [11]. Во внутреннем анализе различия в восприятиях переплетены с различиями в предпочтениях. Может быть такая ситуа­ция, что характер и относительная важность измерений варьируют между пространством дан­ных о восприятии и пространством данных о предпочтениях. Респонденты могут одинаково воспринимать две марки (на пространственной карте восприятий они расположены близко од­на от другого), но четко предпочитать одну марку другим (в пространстве предпочтений эти марки далеко отстоят одна от другой). Эти ситуации не учитывает внутренний анализ. Кроме того, методы внутреннего анализа сложны для вычислений [12].

Проиллюстрируем внешний анализ на основе шкалирования предпочтений нашего рес­пондента в рамках его собственной пространственной карты. Респондет ранжировал торговые марки зубной пасты в такой последовательности (в порядке убывания): Colgate, Crest, Aim, Aqua-Fresh, Gleem, Pepsodent, Ultra Brite, Macleans, Close-Up и Dentagard. Эти ранги предпоч­тений наряду с данными пространственной карты (рис. 21.5) использовали в качестве исход­ной информации для программы шкалирования предпочтений, по результатам работы которой получили рис. 21.7.

Обратите внимание на расположение идеальной точки. Она находится вблизи Colgate, Crest, Aim и Aqua-Fresh, четырех наиболее предпочитаемых марок зубной пасты, и вдали от Close-Up и Dentagard, наименее предпочитаемых марок зубной пасты. Если в этом пространст­ве расположить новую марку, то ее расстояние от идельной точки относительно расстояний других марок от идеальной точки определяет степень предпочтения для этой торговой марки. Приведем еще один пример многомерного шкалирования.

Рис. 21.7. Внешний анализ данных о предпочтениях

ПРИМЕР. Автомобили: на карте места много — располагайся, где пожелаешь

Ниже показана пространственная карта отдельных торговых марок автомобилей, полу­ченная на основе ММШ из данных о сходстве.

Соместная пространственная конфигурация марок автомобилей и предпочтений потребителей

(данные иллюстративные)

На ней каждая марка автомобиля определяется расстоянием от других марок. Чем ближе между собой расположены две марки автомобилей (например, Volkswagen и Dodge), тем больше, по мнению респондентов, они похожи одна на другую. Чем дальше находятся они

одна от другой (например, Volkswagen и Mercedes), тем меньше, с точки зрения респонден­тов, они похожи. Малое расстояние может также указывать на конкуренцию. Например, Honda сильно конкурирует с Toyota и не конкурирует с Continental или Porsche. Размерность пространства интерпретируем так: "экономичная/престижная модель" — одна ось коорди­нат и "спортивная/неспортивная модель" — другая ось координат. Теперь определим поло­жение каждого автомобиля.

Данные о предпочтениях состояли из обычных рангов торговых марок в соответствии с предпочтениями потребителей. Идеальные точки респондентов расположены в том же про­странстве. Каждая идеальная точка представляет местоположение предпочтения конкретно­го респондента. Таким образом, респондент 1 (обозначенный II) предпочитает спортивные автомобили: Porsche, Jaguar и Audi. Респондент 2 (обозначенный 12) предпочитает дорогие автомобили: Continental, Mercedes, Lexus и Cadillac.

Такой анализ можно выполнить на идивидуальном респондентском уровне, и это позво­лит исследователю разделить рынок на сегменты с похожими идеальными точками, вы­бранными респондентами. Альтернативно, респондентов можно разделить на кластеры на основании сходства объектов, с учетом исходных рангов предпочтений и идеальных точек, установленных для каждого сегмента [13].

До сих пор мы рассматривали только количественные данные, хотя качественные данные также можно представить на пространственной карте, используя анализ соответствий.

АНАЛИЗ СООТВЕТСТВИЙ

Анализ соответствий(correspondence analysis) — это метод ММШ для шкалирования качест­венных данных в маркетинговых исследованиях. Исходные данные представляют в форме таб­лицы сопряженности, показывающей качественную связь между колонками и рядками.