Conjoint Analysis (Совместный анализ)

Совместный анализ (Conjoint Analysis) — метод маркетингового исследования, который определяет, какую ценность покупатели придают отдельным характеристикам продукта, не спрашивая их об этом напрямую. Респондентам предлагают выбирать или оценивать целые «профили» продукта — наборы характеристик (цена, бренд, функции, срок доставки) — а статистическая модель затем раскладывает эти решения на вклад каждой характеристики. Так получают полезности уровней (part-worth utilities), относительную важность атрибутов и, при должном дизайне, готовность платить. Метод выведен из теории совместных измерений Дункана Льюса и Джона Тьюки (1964), в маркетинг его перенёс Пол Грин с соавторами в начале 1970-х. В этой статье — как устроен метод по первоисточникам, чем отличаются его версии, как спланировать исследование, где он ошибается и как использовать фрейм OrgDevTools.

Что такое совместный анализ и зачем он нужен

Если спросить клиентов напрямую, что для них важнее — цена или качество, — почти все ответят «и то и другое»: в прямом вопросе нет цены выбора. В реальной покупке приходится жертвовать одним ради другого — и именно эти компромиссы измеряет совместный анализ. Название отражает идею: характеристики оцениваются «совместно» (conjointly), в составе целого продукта, как их и воспринимает покупатель.

Метод применяют, чтобы определить ценность отдельных функций и уровней (например, стоит ли добавить опцию за 10 % к цене), настроить набор характеристик и цену, оценить рыночную долю разных конфигураций при заданных конкурентах, сегментировать рынок по предпочтениям и проверить идею нового продукта до запуска. Он полезен там, где продукт можно описать набором атрибутов. Смежные методы: анализ конкурентов и позиции, матрица конкурентов, SWOT-анализ и бенчмаркинг.

Происхождение и исследовательская база

Формальная основа — статья Р. Дункана Льюса и Джона Тьюки 1964 года о совместном измерении (conjoint measurement), опубликованная в психологическом, а не маркетинговом журнале: она показала, при каких условиях предпочтения по многомерным альтернативам можно представить аддитивной функцией полезности. Незадолго до 1970 года профессор маркетинга Пол Грин увидел, что эту теорию можно применить к вопросам маркетинга: как покупатели принимают сложные решения, какое значение имеют характеристики продукта и как предсказать поведение покупателей. В 1971 году Грин и Витала Рао опубликовали в Journal of Marketing Research статью «Conjoint Measurement for Quantifying Judgmental Data» — она стала точкой отсчёта метода в маркетинге: респонденты сортировали «карточки» с полными профилями, а полезности оценивали регрессией.

Независимо от академиков практик Ричард Джонсон в Market Facts решал задачу с двадцатью восемью характеристиками по пять уровней и придумал метод парных компромиссов (trade-off matrices): вместо оценки всех атрибутов сразу респонденты ранжировали ячейки таблиц из двух атрибутов (Джонсон, 1974). В 1975 году Грин и Винд опубликовали в Harvard Business Review статью об измерении суждений потребителей на примере чистящих средств для ковров, и бизнес заметил метод; в 1978 году Грин и Сринивасан в Journal of Consumer Research обобщили промышленное применение и лучшие практики. В 1985 году появилось коммерческое программное обеспечение: Bretton-Clark для полнопрофильного метода и Adaptive Conjoint Analysis (ACA) компании Sawtooth Software Джонсона — компьютер адаптировал опрос к респонденту.

Параллельно Джордан Луивьер и коллеги применяли к маркетингу модель дискретного выбора: основы моделирования выбора среди альтернатив заложил Дэниел Макфадден в начале 1970-х, а статья Луивьера и Вудворта (1983) соединила эксперимент и анализ выбора. Идея привлекательна: покупатели не ранжируют продукты, а выбирают из набора. К концу 1990-х методы выбора (choice-based conjoint, CBC) потеснили рейтинговые: сыграли роль коммерческое ПО Sawtooth для CBC (1993) и иерархические байесовские методы (HB), которые позволили оценивать модели на уровне отдельного респондента; тогда же распространились скрытые классы для сегментации и веб-опросы. Этот исторический обзор основан на главе «A Short History of Conjoint Analysis» (Sawtooth Software) и статье Грина, Кригера и Винда «Thirty Years of Conjoint Analysis» (Interfaces, 2001).

Покупатели не ранжируют и не оценивают продукты перед покупкой — они выбирают из имеющихся вариантов. Поэтому эксперимент выбора ближе к реальности, чем прямой вопрос о важности.

Академическая теория: как устроен совместный анализ

Атрибуты, уровни и профили

Продукт описывается набором атрибутов (цена, бренд, объём памяти), у каждого — несколько дискретных уровней (например, «990, 1290, 1590 рублей»). Профиль — конкретная комбинация уровней. Из полного набора комбинаций (полный факториал) быстро вырастает огромное число вариантов: пять атрибутов по четыре уровня дают 1 024 профиля. Поэтому используют фракционные планы (например, ортогональные), где респонденту показывают лишь часть комбинаций, достаточную для оценки главных эффектов; чем больше атрибутов и уровней, тем тяжелее опрос и хуже качество ответов.

Полезности уровней (part-worth utilities)

Базовая модель аддитивна: общая полезность профиля — сумма полезностей входящих в него уровней. Полезность уровня (part-worth) — вклад этого уровня в привлекательность продукта; её оценивают регрессией по рейтингам или ранжированиям (Грин и Рао, 1971) либо моделью логит по данным выбора. Полезности разных атрибутов сравнимы только внутри одной шкалы модели: абсолютные числа зависят от нормировки, важны разности между уровнями.

Относительная важность атрибута

Относительная важность атрибута обычно вычисляется как размах полезностей его уровней (максимум минус минимум), делённый на сумму размахов по всем атрибутам. Пример с условными числами: цена — размах 3,0, бренд — 1,5, память — 1,5; сумма 6,0, поэтому важность цены — 50 %, бренда и памяти — по 25 %. Важно: этот показатель зависит от выбранного диапазона уровней. Если вы включите цены «990–1 090» вместо «990–1 590», размах цены сократится, и её «важность» упадёт, хотя предпочтения не изменились. Поэтому важность нельзя читать как абсолютную значимость характеристики — только как значимость в пределах заданных диапазонов.

Методы сбора данных: полнопрофильный, ACA, CBC

Полнопрофильный метод (Грин и Рао): респонденты оценивают или ранжируют карточки с полным описанием продукта; хорошо работает при небольшом числе атрибутов. Метод компромиссов Джонсона (1974) разбивает задачу на пары атрибутов и подходит для многих характеристик, но утомляет. Adaptive Conjoint Analysis (Sawtooth, 1985) подстраивает вопросы по ходу опроса, спрашивая только самые значимые компромиссы. Choice-based conjoint (CBC) предлагает выбрать один профиль из набора (иногда с вариантом «ничего из перечисленного»); он лучше моделирует реальный выбор, включая отказ от покупки, но требует более сложного дизайна и анализа — упрощают задачу ПО и HB-оценивание индивидуальных полезностей.

Симуляторы рынка и готовность платить

Оценив полезности, строят симулятор: задают набор конкурирующих продуктов (ваш вариант и альтернативы), и модель предсказывает долю выбора каждого — «долю предпочтения». Меняя атрибуты, проверяют сценарии: что будет, если поднять цену, добавить функцию или ответить на ход конкурента. Готовность платить получают из денежной оценки полезности уровней, но это модельная величина: она зависит от дизайна и реалистичности цены в эксперименте.

Как проверять качество исследования

Валидность оценивают через отложенные профили (holdout): часть карточек не участвует в оценке модели, а затем проверяется, насколько хорошо модель предсказывает выбор респондента; смотрят также согласованность ответов и знаки полезностей (например, что полезность падает с ростом цены). Плохой сигнал — ответы, которые противоречат здравому смыслу или случайны: респондент устал или не понял задание.

Ключевые идеи и принципы совместного анализа

1. Принцип: измеряйте компромиссы, а не декларации

   Прямой вопрос «что для вас важно?» даёт завышенные и неразличимые оценки. Совместный анализ заставляет респондента выбирать — и по выбору восстанавливает ценность каждого уровня.

2. Принцип: продукт — это набор уровней

   Метод работает, когда продукт можно описать конечным набором атрибутов и уровней. Если ключевая ценность лежит вне списка (эмоции, доверие к бренду вне атрибута «бренд»), модель её не увидит.

3. Принцип: важны диапазоны уровней

   Важность атрибута зависит от того, какие уровни вы включили. Диапазоны должны быть реалистичными: охватывать то, что бывает на рынке и что вы реально можете предложить.

4. Принцип: проверяйте на отложенных профилях

   Модель, которая красиво описывает обучающие карточки, но не предсказывает отложенные, бесполезна. Отложенные профили и здравый смысл знаков полезностей — обязательная проверка.

5. Принцип: результат — гипотеза для решения

   Полезности говорят о предпочтениях в опросе. Перед крупными вложениями их сверяют с реальными продажами, пилотом или A/B-тестом.

Как провести совместный анализ: пошаговая инструкция

Практическая последовательность такая. Сформулируйте решение, которое должно поддержать исследование: например, определить набор функций и цену новой версии. Выберите атрибуты и уровни: 4–7 атрибутов по 2–5 уровней каждый, по причинам выбора клиентов (интервью, отзывы, анализ конкурентов); уровни должны быть реалистичными, взаимоисключающими и однозначными. Выберите метод: при малом числе атрибутов подойдёт полнопрофильный, для реалистичного выбора и оценки цены — choice-based, при многих атрибутах — адаптивный. Спроектируйте план (набор профилей или выборов) с помощью специализированного ПО или статистического пакета и добавьте отложенные профили. Проведите опрос на репрезентативной выборке целевого сегмента — размер зависит от числа атрибутов и глубины сегментации; для сегментов нужно больше респондентов. Оцените полезности (регрессия или логит; при необходимости иерархическая байесовская модель для индивидуальных полезностей). Рассчитайте важность атрибутов, постройте симулятор и проверьте сценарии. Наконец, превратите выводы в решения и проверьте их пилотом.

Пример из практики: Courtyard by Marriott

Один из известных описанных примеров — проект Marriott по созданию сети гостиниц Courtyard by Marriott. В статье Уинда, Грина, Шиффлета и Скарбро (Interfaces, 1989) описано, как совместный анализ использовали для проектирования гостиничного продукта: авторы предложили рекомендации по выбору целевых сегментов, позиционированию услуг и проектированию помещений и сервисов. По этим рекомендациям Marriott разработал концепцию Courtyard, протестировал её на рынке и затем вывел на национальный уровень. Пример показывает типичную роль метода — не «угадать цену», а выбрать конфигурацию продукта из множества сочетаний атрибутов, которые нельзя проверить по одному. Количественные результаты по конкретным атрибутам в этой статье приводить не будем: чтобы не подменять первоисточник пересказом, используйте исходную публикацию.

Ограничения, слепые зоны и критика совместного анализа

Типовые ошибки при проведении совместного анализа

1. Ошибка 1: слишком много атрибутов и уровней.

   Респонденты перегружены и отвечают наугад или игнорируют часть характеристик; модель шумит.

   Как избежать

   ограничить дизайн 4–7 атрибутами по 2–5 уровней и вынести остальное в качественное исследование.

2. Ошибка 2: нереалистичные уровни.

   Уровни цены или функций не совпадают с тем, что есть на рынке или что вы можете предложить; выводы нельзя применить.

   Как избежать

   опираться на реальные диапазоны рынка и на ваши возможности, согласовать с продуктом и финансами.

3. Ошибка 3: пропущен важный атрибут.

   Реальный драйвер выбора не вошёл в список, а модель приписывает его влияние другим атрибутам.

   Как избежать

   предварительно провести интервью и разобрать отзывы, чтобы составить список атрибутов из языка клиентов.

4. Ошибка 4: читают «важность» как абсолютную.

   Считают, что цена «важнее» бренда вообще, хотя на результат повлиял выбранный диапазон цены.

   Как избежать

   формулировать выводы как «в заданных диапазонах» и проверять чувствительность к изменению диапазонов.

5. Ошибка 5: неподходящая выборка.

   Опрашивают тех, кто не покупает данный продукт или не принимает решение; полезности не отражают целевой сегмент.

   Как избежать

   фильтровать по реальной вовлечённости в категорию и сегментам, а объём выборки планировать под нужную детализацию.

6. Ошибка 6: нет проверки модели.

   Нет отложенных профилей и проверки знаков полезностей; результаты принимаются на веру.

   Как избежать

   включить отложенные профили, проверить согласованность и логику знаков и удалить некачественные ответы.

7. Ошибка 7: принимают симулятор за прогноз продаж.

   Доля предпочтения в опросе воспринимается как будущая рыночная доля, без учёта дистрибуции, известности и ответа конкурентов.

   Как избежать

   использовать симулятор для сравнения вариантов, а не для прогноза, и калибровать на реальных данных.

Метрики: как оценивать исследование и его пользу

Универсальных нормативов нет; фиксируйте динамику и качество по своим данным:

• Качество данных: доля отбракованных ответов (слишком быстрые, одинаковые, противоречивые).

• Прогностичность: доля верно предсказанных выборов на отложенных профилях.

• Логика модели: соответствие знаков полезностей здравому смыслу (например, полезность падает с ростом цены).

• Стабильность: насколько схожи результаты на разных подвыборках.

• Использование: число решений о продукте и цене, принятых на основе исследования.

• Проверка пилотом: совпадение предсказанной модели и реального результата пилота или A/B-теста.

Если исследование не изменило ни одного решения о продукте или цене, вы купили отчёт, а не знание.

План внедрения совместного анализа по неделям

1. Неделя 1: цель, атрибуты и уровни

   Определите решение, которое должно поддержать исследование, проведите интервью с клиентами и разберите отзывы, составьте список атрибутов и реалистичных уровней.

2. Неделя 2: дизайн исследования

   Выберите метод, спроектируйте профили или выборы, добавьте отложенные профили и проверьте опрос на небольшой группе.

3. Неделя 3: опрос

   Проведите опрос на целевой выборке, отследите качество ответов и уберите некачественные.

4. Неделя 4: анализ и решения

   Оцените полезности, рассчитайте важность атрибутов, проверьте модель на отложенных профилях, смоделируйте сценарии и выберите решение для пилота.

   Далее: проверьте решение пилотом или A/B-тестом и повторяйте исследование при существенных изменениях рынка.

Как реализовать план совместного анализа с помощью фрейма «Conjoint Analysis» в OrgDevTools

Фрейм состоит из двух вкладок — «Атрибуты» и «Итоги». Во вкладке «Атрибуты» вы заводите атрибуты продукта (по умолчанию «Цена» и «Качество»), для каждого — не менее двух уровней с названием и числовой полезностью (part-worth utility), полученной из результатов исследования. По введённым полезностям фрейм автоматически считает размах полезности атрибута и его относительную важность (сумма 100 %), рисует столбчатую диаграмму полезностей по уровням и итоговую диаграмму важности атрибутов. На вкладке «Итоги» показывается вердикт и кнопка задачи «Оптимизировать продукт по самому важному атрибуту», в описание которой подставляется название самого значимого атрибута.

• Неделя 1 — атрибуты: внесите атрибуты и уровни, определённые по интервью с клиентами.

• Неделя 3–4 — полезности: после анализа опроса введите полученные полезности уровней; фрейм рассчитает важность.

• Неделя 4 — решение: создайте задачу на оптимизацию продукта по самому важному атрибуту.

Вердикт трёхступенчатый: нет названных атрибутов — предложение начать с атрибутов; атрибуты есть, но полезности не введены — предупреждение; иначе — подтверждение, какой атрибут самый значимый и с какой долей важности.

Чего фрейм не делает. Он не проектирует опрос, не собирает ответы респондентов и не оценивает полезности: числа нужно получить в статистическом пакете или специализированном ПО и внести вручную. Он не строит симулятор рынка, не считает готовность платить и не проверяет модель на отложенных профилях. Важность считается только как размах введённых полезностей, поэтому зависит от ваших диапазонов уровней, а качество выводов определяется исходным исследованием.

Книги и материалы по теме совместного анализа

Пол Грин, Витала Рао — «Conjoint Measurement for Quantifying Judgmental Data» (Journal of Marketing Research, 1971). Первая работа, перенёсшая совместное измерение в маркетинг.

Пол Грин, Сеену Сринивасан — «Conjoint Analysis in Consumer Research: Issues and Outlook» (Journal of Consumer Research, 1978). Обзор применения и рекомендации.

Пол Грин, Абба Кригер, Йорам Винд — «Thirty Years of Conjoint Analysis: Reflections and Prospects» (Interfaces, 2001). История, методы и перспективы.

Джордан Луивьер, Джордж Вудворт — «Design and Analysis of Simulated Consumer Choice or Allocation Experiments» (Journal of Marketing Research, 1983). Основа choice-based conjoint.

Йорам Винд, Пол Грин, Дуглас Шиффлет, Маршалл Скарбро — «Courtyard by Marriott: Designing a Hotel Facility with Consumer-Based Marketing Models» (Interfaces, 1989). Практический пример применения.