Conjoint-анализ как мини-симуляция реального рынка

Представьте, что вам нужно вывести на рынок новый продукт или его модифицированную версию.

Как узнать, будет ли он востребован? На что конкретно пользователи обращают внимание при выборе: цена, характеристики, дизайн? Какую долю рынка он сможет занять? На самом деле вопросов много и все они требуют внятного ответа.

Но как вообще можно предсказать реакцию потребителей? Как раз для этих целей и был разработан Conjoint-анализ. Давайте расскажем о нём поподробнее.

Что такое Conjoint-анализ?

Термин Conjoint является акронимом от фразы Consider jointly, которая дословно переводится как «рассматривать совместно».

Conjoint-анализ (он же совместный анализ) – это методика проведения маркетингового исследования, которая помогает определить функции и атрибуты продуктов, влияющие на выбор.

В роли атрибутов могут выступать определённые характеристики, преимущества и другие факторы.

Альтернативные названия методики: исследование заявленных предпочтений, многоатрибутивное композиционное моделирование или моделирование дискретного выбора.

Цель Conjoint-анализа – выявить наиболее удачную комбинацию атрибутов, способную простимулировать спрос или повлиять на процесс принятия решения о покупке (заказе).

В общих чертах суть Conjoint-анализа сводится к демонстрации целевой аудитории фиксированного перечня товаров с описанием их свойств (ключевых характеристик). На основе статистики ответов выявляются те характеристики и свойства, которые получили больше всего откликов (повлияли на выбор).

По факту такое исследование во многом напоминает реальный процесс выбора товара, как на настоящем рынке, только проводится оно в контролируемой среде – по аналогии с симуляцией (моделированием).

Где применяется и для чего

Conjoint-анализ используется для изучения предпочтений потребителей и выявления того, какие характеристики продукта действительно ценны для аудитории.

Наиболее вероятные сферы применения:

• Выстраивание маркетинговых стратегий. Зная наиболее сильные стороны своего продукта, будет проще расставить акценты в рекламе и грамотно настроить таргетинг (чтобы надавить на болевые точки своей целевой аудитории).
• Разработка нового или оптимизация существующего продукта. С помощью Conjoint-анализа можно определить, что именно важно для целевой аудитории, а какие характеристики можно опустить (проигнорировать) или просто сделать «как у всех».
• Поиск лучшей цены. Исследование может помочь определиться с выбором ценовых диапазонов (исходя из свойств продукта) и проверить потенциальный спрос на практике (ещё до момента запуска реального производства).
• Проверка других гипотез. Conjoint-анализ отлично подходит для тестирования различных концепций и предположений. Это как пилотное исследование, но только без создания реальных продуктов.
• Детальная сегментация клиентов. Бизнес или маркетологи могут точнее выделить группы пользователей с разными предпочтениями. Для каждой из групп можно протестировать спрос на отдельные продуктовые предложения.

Исходя из описанного выше, Conjoint-анализ отлично покажет себя в IT-проектах и банковской сфере, в производстве (особенно, если речь об эксклюзивных товарах и товарах массового потребления), сфере услуг.

Порядок проведения Conjoint-анализа + предметный пример

Давайте рассмотрим алгоритм проведения Conjoint-исследования по шагам.

Шаг 1. Определение целей и создание гипотез

Здесь маркетологу нужно обозначить чего конкретно он хочет добиться с помощью Conjoint-анализа. Например, это может быть ценность характеристик продукта, оптимальная цена (её восприятие при заданном наборе свойств/характеристик) или сбалансированная комбинация характеристик.

Так как характеристик может быть очень много, логично предположить ряд гипотез и сделать ставку на несколько типовых наборов, чтобы облегчить выбор респондентам.

Если продукт предназначен для узкой категории, описываем этот сегмент (его интересы, возраст, уровень дохода и т.п.).

Пример: предположим, банк хочет протестировать гипотезы относительно своих дебетовых карт: какие именно параметры влияют на выбор клиента. Наиболее вероятными критериями здесь могут выступать кешбэк, стоимость обслуживания, лимиты на снятие, а также взимаемые комиссии.

В качестве аудитории будут рассматриваться наиболее активные пользователи карт: работоспособные люди в возрасте 25-45 лет из городов-миллионников.

Шаг 2. Фиксирование характеристик (атрибутов) и их уровней

Общие критерии объекта исследования маркетолог уже должен был описать на первом шаге. На втором шаге стоит задача определить более предметные наборы продуктов и их атрибутов – так, чтобы по ним разносились разные характеристики. Относительно них будет проводиться будущее исследование. Для этого у каждого атрибута нужно выделить типовые уровни. Например, разброс цен для стоимости обслуживания, наиболее популярные цвета для дизайна и т.п.

Уровни должны быть максимально реалистичными. Например, если тестируется новый продукт, то предварительно желательно рассчитать сколько он будет стоить в производстве при таком наборе характеристик/свойств.

На примере исследования по банковским картам. Логично выделить 3-6 параметров и не более 3-4 уровней в каждом:

• Стоимость обслуживания – бесплатно | до 100 руб./месяц | до 200 руб./месяц
• Кешбэк – 0,5% | 1% | 3%
• Лимиты на снятие – 50 000 руб./месяц | 100 000 руб./месяц | 300 000 руб./месяц
• Взимаемые комиссии (за снятие наличных) – 0,5%, но не менее 100 руб./операция | 1%, но не менее 50 руб./операция

Шаг 3. Создание профилей (готовых комбинаций характеристик)

Если перебирать все варианты готовых продуктов, то получится слишком большой ассортимент, что само по себе затруднит выбор. Респондент в итоге проголосует за случайный и тем самым снизит репрезентативность выборки.

Чтобы этого не произошло, маркетолог должен предложить не более 4-6 вариантов, которые будут иметь фракционный характер (предложенные варианты будут наиболее репрезентативными). В масштабных исследованиях допускается до 8-16 профилей товаров.

В случае с исследованием по банковскими картам у нас получились 4 комбинации со следующими параметрами:

• Профиль 1: Бесплатно + 1% кешбэк + лимит 100 000 ₽ + комиссия 1%
• Профиль 2: До 100 ₽ + 3% кешбэк + лимит 300 000 ₽ + комиссия 0,5%
• Профиль 3: До 200 ₽ + 0,5% кешбэк + лимит 50 000 ₽ + комиссия 1%
• Профиль 4: Бесплатно + 3% кешбэк + лимит 300 000 ₽ + комиссия 0,5%

Визуально в опросе это можно оформить так:

Если вам критично проверить спрос на все комбинации без исключения, то вы можете скомпоновать все наборы, но показывать респондентам только по 3-4 за раз (опрос в этом случае можно разбить на несколько шагов). А можно выводить каждому новому респонденту случайную комбинацию. Но нужно понимать, что в этом случае точность результатов неизбежно понизится.

Шаг 4. Подготовка опроса или тестирования

Создаётся анкета или несколько вариантов анкет (каждая для своей целевой аудитории и сегмента), подбираются респонденты.

Мы рекомендуем онлайн-формат, как наиболее удобный (здесь быстрее обрабатывать и кластеризовать ответы, данными можно делиться с коллегами и т.д.). Собрать анкеты любой сложности, в том числе со случайным перемешиванием вариантов, можно в конструкторе WebAsk.

Целевая аудитория в онлайн-опросах собирается либо с помощью готовой панели, либо с помощью таргетированной рекламы (опрос/анкета встраивается в лендинг или на сайт, запускается рекламная кампания с нужными вам параметрами таргетинга: регион, город, возраст, интересы и прочее).

Продолжая исследование по банковским картам… Мы выбрали формулировку вопроса «Выберите, пожалуйста, какую дебетовую карту вы бы захотели оформить для себя?» Ниже 4 комбинации с параметрами карт и пятый пункт «Ни одну из них». Если выбрать последний вариант, то клиенту будет предложено заполнить обоснование «Почему?» (по аналогии с NPS-исследованиями).

Шаг 5. Сбор данных

Далее проводится сам опрос. Мероприятие может быть растянуто по времени и иметь отдельный бюджет на организацию. Опрос можно интегрировать с маркетинговыми акциями или праздничными событиями.

Онлайн-опросы можно запускать практически сразу после подготовки анкеты.

Минимальное количество анкет для репрезентативной выборки – от 200-300 штук. Но конкретные числа могут зависеть от имеющегося бюджета, выбранного формата, количества тестируемых профилей и охвата целевой аудитории. Чем больше анкет будет заполнено, тем лучше.

В нашем примере банку логично организовать рассылку по имеющимся клиентам (действующим подписчикам, которые составляют костяк самой лояльной и активной аудитории), чтобы пригласить респондентов к онлайн-опросу.

Шаг 6. Анализ данных

Когда данные собраны, остаётся рассчитать полезность каждого из факторов (характеристик). Для этого используются статистические модели, например, Logit-модели (логистические регрессии), Hierarchical Bayes (байесовская статистическая модель), а также линейные регрессии (для расчёта частных полезностей каждого уровня атрибутов).

Без специальных математических инструментов разобраться будет достаточно тяжело. Лучше всего воспользоваться специальными калькуляторами или программными модулями, например, можно набросать небольшой скрипт на Python (с библиотекой sklearn, класс LinearRegression). Нет времени – попросите рассчитать нейросеть.

Вот так выглядит формула множественной линейной регрессии:

Y = bo + b1X1 + b2X2 + + bnXn + E

где Y – зависимая переменная (то, что мы хотим предсказать), b – коэффициенты (bo – свободный член/интерсепт), X – независимые факторы, E – ошибка (шум).

Например, по банковским картам распределение ответов выглядит так:

• Профиль 1: Бесплатно + 1% кешбэк + лимит 100 000 ₽ + комиссия 1% — 35%
• Профиль 2: До 100 ₽ + 3% кешбэк + лимит 300 000 ₽ + комиссия 0,5% — 45%
• Профиль 3: До 200 ₽ + 0,5% кешбэк + лимит 50 000 ₽ + комиссия 1% — 10%
• Профиль 4: Бесплатно + 3% кешбэк + лимит 300 000 ₽ + комиссия 0,5% — 10%

Уже только этого достаточно для того, чтобы подтвердить или опровергнуть удачность комбинации во втором профиле (45% респондентов открыли бы такую карту).

Но если нам нужно получить обоснованную полезность каждого фактора, то считаем по полной.

Сначала кодируем вводные.

Используем метод наименьших квадратов (МНК) для оценки коэффициентов. Матричная форма уравнения:

Y = Xβ + ε

Где:
Y = [35; 45; 10; 10]
X = [1 0 1 100 1;
1 100 3 300 0.5;
1 200 0.5 50 1;
1 0 3 300 0.5]

Расчёт коэффициентов:

β = (XᵀX)⁻¹XᵀY

После вычислений получаем следующие оценки коэффициентов:

• β₀ (интерсепт) = 36.25
• β₁ (стоимость) = -0.1375 (каждый рубль стоимости уменьшает выбор на 0.1375%)
• β₂ (кешбэк) = -2.5 (каждый % кешбэка уменьшает выбор на 2.5%)
• β₃ (лимит) = 0.0375 (каждая тысяча руб. лимита увеличивает выбор на 0.0375%)
• β₄ (комиссия) = -27.5 (каждый % комиссии уменьшает выбор на 27.5%)

Итоговое уравнение регрессии:

Доля выбора = 36.25 - 0.1375×Стоимость - 2.5×Кешбэк + 0.0375×Лимит - 27.5×Комиссия

Шаг 7. Интерпретация и выводы

Когда у вас на руках конкретные результаты исследования и расчёт важности факторов, уже можно говорить о предметных управленческих решениях: какой продукт и для какого сегмента целевой аудитории внедрять, по какой цене, с какими слоганами в рекламных кампаниях и т.п.

Плюс вы получаете внятные факторы, на основе которых можно дополнительно сегментировать свою аудиторию.

Например, выводы, которые можно получить на основе голосования по банковским картам (из нашего расчёта выше):

• Наибольшее отрицательное влияние оказывает комиссия (примерно тут становится понятно, почему банки описывают их мелким шрифтом и прячут в отдельные документы и примечания).
• Кешбэк тоже имеет отрицательное влияние (что не совсем интуитивно, но вполне логично).
• Лимит на снятия оказывает небольшое положительное влияние.
• Стоимость подписки слабо влияет на выбор.
• Есть смысл выделить сегмент подписчиков, которых особо интересуют индивидуальные предложения по кешбэку и по особым условиям на комиссию по операциям снятия.

Напомним, это абстрактный пример.

Преимущества и недостатки

Плюсы Conjoint-анализа:

• Этот подход позволяет с высокой точностью имитировать реальный выбор продуктов (как на настоящем рынке), хотя есть определённые ограничения и допущения.
• Это сильная математическая модель обоснования важности тех или иных факторов товара/услуги. Причём математика позволяет выявить даже неочевидные варианты.
• С помощью Conjoint-анализа вполне можно моделировать разные варианты развития событий (на основе изменение того или иного фактора) и проектировать наиболее успешные продукты.

Подводные камни Conjoint-анализа:

• Нужно максимально ответственно подойти к выбору атрибутов, участвующих в описании продуктов (в анкете/опросе). Именно они являются объектом исследования. И если их подобрать неправильно, то и результаты исследования будут недостоверными. В идеале нужно провести подготовительное исследование, чтобы сначала составить список опорных свойств/характеристик продукта, так или иначе влияющих на выбор. И только потом приступать к выявлению наиболее важных. Например, на выбор могут влиять география, культурные особенности и т.п. Чтобы выявить такие факторы, нужно приложить немало усилий.
• Чем больше характеристик вам нужно выявить, тем больше нужно вариантов предложить респонденту для сравнения. Всё это усложняет процесс анкетирования/исследования. В итоге его достоверность может снизиться.
• Сложный алгоритм расчёта. Просто на бумажке или в калькуляторе посчитать не получится. Кроме того, вместо линейной регрессии, которую мы показали в примере выше, могут применяться и другие подходы расчёта.
• Опрос, который привязывается к конкретным торговым маркам и продуктам, может не коррелировать с ситуацией реального выбора на настоящем рынке. Например, из-за обилия вариантов в интернет-магазине или на маркетплейсе клиент может купить первый попавшийся или тот, что вписывается по бюджету.

Итоги

Conjoint-анализ действительно может стать эффективным инструментом в руках маркетолога. Но и он не даёт ответов на все вопросы. Тем не менее, на выходе правильно проведённого Conjoint-исследования можно получить не просто самый предпочтительный вариант продукта, а математически обоснованное распределение полезности каждого уровня атрибутов.

Каким бы сложным ни было ваше исследование, вам потребуется набор профильных инструментов. Если вы ищите удобный инструмент для проведения онлайн-опросов, выбирайте WebAsk!