Коэффициентыканонической дискриминацией функции 9 страница

результатам.

b) Перед выполнением кластерного анализа всегда следует нормировать данные.

c) Небольшие значения расстояний между объединяемыми кластерами в плане агломера-

ции означают, что объединяются непохожие объекты.

d) He имеет значения, какая используется мера расстояния, так как итог кластеризации в

принципе одинаковый.

e) Рекомендуется один и тот же набор данных анализировать с помощью различных мето-

дов кластеризации.

УПРАЖНЕНИЯ С ИСПОЛЬЗОВАНИЕМ

INTERNET И КОМПЬЮТЕРА

1. Проанализируйте данные табл. 20.1, используя следующие методы: (а) метод одиночной

связи, (Ь) метод полной связи, и (с) центроидный метод. При этом используйте SPSS,

SAS, BMDP или Minitab. Сравните полученные результаты с результатами, приведенны-

ми в табл. 20.2.

772 Часть III. Сбор, подготовка и анализ данных

КОММЕНТАРИИ

1. Liz Stuart, "Haagen-Dazs Aims to Scoop a Larger Share", Marketing Week, February 21, 1997,

p. 26; Dwight J. Shelton, "Birds of a Geodemographic Feather Flock Together'', Marketing News,

August 28, 1987, p. 13.

2. О применении кластерного анализа см. статью Sudhir H. Kale, "Grouping Euroconsumers:

A Culture-Based Clustering Approach"1, Journal of International Marketing, March 1995, p. 35—48.

3. Существуют также перекрывающиеся методы кластеризации, позволяющие отнести объект

к более чем одному кластеру. См. статью Anil Ciiaturvedi, J. Douglass Carroll, Paul E. Green,

John A. Rotondo, "A Feature-Based Approach to Market Segmentation via Overlapping KCentroids

Clustering", Journal of Marketing Research, August 1997, p. 370—377.

4. Прекрасные дискуссии относительно различных аспектов кластерного анализа можно най-

ти в работах В. Everitt, Cluster Analysis, 3rd ed. (New York, NY: Halstcd Press, 1993); H. Charles

Romsturg, Cluster Analysis for Researchers (Melbourne: Krieger Publishing Company, 1990).

5. Vicki Douglas. ""Questionnaires Too Long? Try Variable Clustering", Marketing News, February 27,

1995, p. 38; Girish Punj, David Stewart, "'Cluster Analysis in Marketing Research: Review and Suggestions

for Application", Journal of Marketing Research, May 1983, p. 134—148.

6. Об использовании кластерного анализа для сегментации см. статьи Mark Peterson, Naresh К.

Malhotra, "'Comparative Marketing Measures of Societal Quality of Life: Substantive Dimensions in

186 Countries", Journal of Macromarketing, Spring 1997, p. 25—38; Tung-Zong Chang, Su-Jane

Chen, "Benefit Segmentation: A Useful Tool for Financial Investment Services", Journal of

Professional Services Marketing, February 1995, p. 69—80; "Using Cluster Analysis for Segmentation",

Sawtooth News, Winter 1994/1995, p. 6-7.

7. Chul-Min Mo, Mark E. Havitz, Dennis R. Howard, "Segmenting Travel Markets with the Internationa!

Tourism Role (ITR) Scale", Journal of Travel Research, Summer 1994, p. 24—31; George

Moschis, Daniel C. Bello, "'Decision-Making Patterns among International Vacationers; A Cross-

Cultural Perspective", Psychology & Marketing. Spring 1987, p. 75—89.

8. B. Everitt, Cluster Analysis, 3rd ed. (New York, NY: Haisted Press, 1993).

9. Более детально различные меры подобия и формулы для их вычисления обсуждаются в ра-

ботах Victor Chepoi, Feodor Dragan. "Computing a Median Point of a Simple Rectilinear

Polygon", Information Processing Letters, March 22, 1994, p. 281—285; H. Charles Romsburg, Cluster

Analysis fur Researchers (Melbourne: Krieger Publishing Company, 1990).

10. Tomio Hirata, "A Unified Linear-Time Algorithm for Computing Distance Maps", Information

Processing Letters, May 13, 1996, p. 129—133; Joseph F. Hair, Jr., Ralph E, Anderson, Ronald L.

Tatham, William C. Black, Muitivariate Data Analysis with Readings, 5th ed. (Upper Saddle River,

NJ: Prentice Hall, Inc., 1999).

11. Более подробно дискуссия по вопросам стандартизации рассматривается в работе H. Charles

Romsburg, Cluster Analysis for Researchers (Melbourne: Krieger Publishing Company, 1990).

12. Richard A. Johnson, Dean A. Wichern. Applied Muitivariate Statistical Analysis, 4th ed. (Upper Saddle

River, NJ: Prentice Hall, 1998); G. Milligan, "An Examination of the Effect of Six Types of Error

Perturbation on Fiften Clustering Algorithms", Psychometrica, September 1980, p, 325—342.

13. B. Everitt, Cluster Analysis, 3rd ed. (New York, NY: Haisted Press, 1993); Punj Girish, David Steward,

"Cluster Analysis in Marketing Research: Review and Suggestions for Application", Journal of

Marketing Research, May 1983, p. 134-138.

14. Оценку надежности, достоверности и проверку значимости в кластерном анализе см. в ра-

ботах S. Dibbs. P. Stern, "Questioning the Reliability of Market Segmentation Techniques", Omega,

December 1995, p. 625—636; G. Ray Funkhouser, "A Note on the Reliability of Certain Clustering

Algorithms", Journal of Marketing Research, February 1983, p. 92—98; SJ. Arnold, "A Test for

Clusters", Journal of Marketing Research, November 1979, p. 545—551.

Глава 20. Кластерный анализ 773

15. John Saunders, Veronica Wong, Peter Doyle, "The Congruence of Successful International Competitors;

A Study of the Marketing Strategies and Organisations of Japanese and U.S. Competitors in

the UK", Journal of Global Marketing, March 1994, p. 41—59; Peter Doyle, John Saunders, Veronica

Wong, ''International Marketing Strategies and Organisations: A Study of U.S., Japanese, and British

Competitors", in Paul Bloom, Russ Winer, Harold H. Kassarjian, Debra L. Scammon, Bart Weitz,

Robert E. Spekman, Vijay Mahajan, Michael Levy (eds.), Enhancing Knowledge Development in

Marketing, Series № 55 (Chicago, 1L: American Marketing Association, 1989), p. 100—104.

16. Edward J. Holohean, Jr., Steven M. Banks, Blair A. Maddy, "Sysntem Impact and Methodological

Issues in the Development of an Empirical Typology of Psychiatric Hospital Residents", Journal of

Mental Healtk Administration, Spring 1995, p. 177-188; Arch G. Woodside, Robert L. Nielsen, Fred

Walters, Gale D. Muller, ''Preference Segmentation of Health Care Services: The Old-Fashioneds,

Value Conscious, Affluents and Professional Want-It-Alls", Journal of Health Care Marketing, June

1988, p. 14-24.

17. Vicki Douglas, "Questionnaire Too Long? Try Variable Clustering", Marketing News, February 27,

1995, p.38.

18. Thorolf Helgesen, "The Power of Advertising — Myths and Realities", Marketing & Research Today,

May 1996, p. 63—71; David A. Aaker, Douglas M. Stayman, Richard Vezina, "Identifying Feelings

Elicited by Advertising", Psychology & Marketing, Spring 1988, p. 1—16.

19. Ismael Akaah, "Organizational Culture and Ethical Research Behavior", Journal of the Academy of

Marketing Science, Winter 1993, p. 59-63; R.E. Reidenbach, D. Robin, "Some Initial Steps toward

Improving the Measurement of Ethical Evaluations of Marketing Activities", Journal of Business

Ethics,)u\ymS, p. 871-879.

774 Часть III. Сбор, подготовка и анализ данных

Глава 21. Многомерное шкалирование и совместный анализ

После изучения материала этой главы вы должны уметь...

1. Обсуждать основную идею и сферу применения многомерного шкалирования (ММШ) в

маркетинговых исследованиях.

2. Описывать этапы многомерного шкалирования данных о восприятии потребителей, вклю-

чая формулирование проблемы, получение исходных данных, выбор метода ММШ, при-

нятие решения о размерности пространства, обозначение размерности и интерпретации

конфигурации точек на карте, а также оценку надежности и достоверности.

3. Объяснять многомерное шкалирование данных о предпочтении потребителей и разбирать-

ся в отличиях внутреннего анализа предпочтений от внешнего.

4. Объяснять анализ соответствий и показывать его преимущества и недостатки.

5. Понимать взаимосвязь между многомерным шкалированием, дискриминантным и фак-

торным анализом.

6. Обсуждать основные положения совместного анализа в сравнении с многомерным шкали-

рованием, а также рассматривать различные аспекты его применения.

7. Описывать процедуру выполнения совместного анализа, включая формулирование про-

блемы, конструирование объектов восприятия, принятие решения о форме входных дан-

ных, выбор метода совместного анализа, интерпретацию результатов и оценивание надеж-

ности и достоверности.

8. Давать определение гибридному совместному анализу и объяснять, каким образом он уп-

рощает сбор данных.

КРАТКИЙ ОБЗОР

В заключительной главе, посвященной анализу данных, представлены два взаимосвязанных

метода анализа восприятий и предпочтений потребителей — многомерное шкалирование

(ММШ) и совместный анализ. Мы кратко изложим и проиллюстрируем этапы выполнения мно-

гомерного шкалирования и обсудим связь между многомерным шкалированием, факторным и

дискриминантным анализом. Затем опишем совместный анализ и представим пошаговую проце-

дуру его выполнения. Кроме того, мы кратко опишем гибридный совместный анализ.

Начнем с примеров, иллюстрирующих применение многомерного шкалирования и совме-

стного анализа.

СКВОЗНОЙ ПРИМЕР, ВЫБОР УНИВЕРМАГА

Многомерное шкалирование

Маркетологи опросили посетителей универмага и получили оценку 10 различных универмагов

по каждому из восьми критериев выбора, Эти оценки затем использовались для выведения

степени сходства между магазинами. Для каждой пары магазинов вычислили евклидовы рас-

стояния. С помощью многомерного шкалирования был проведен анализ данных, в результате

которого исследователи получили пространственные карты, отображающие восприятие рес-

Глава 21. Многомерное шкалирование и совместный анализ 775

пондентами 10 магазинов. На одной из таких карт престижные магазины расположились от-

дельно от обычных, а местные универмаги — отдельно от общенациональных. Магазины, ко-

торые напрямую конкурировали между собой (например, Saks Fifth Avenue и Neiman

Marcus), были расположены близко один от другого в пространстве восприятия. Эти карты

восприятия использовали для определения конкурентных позиций десяти универмагов.

ПРИМЕР. ММШ и безалкогольные напитки

В данном маркетинговом исследовании респонденты оценили все возможные пары 10

торговых марок безалкогольных напитков с точки зрения их сходства. Эти данные затем об-

работали с помощью многомерного шкалирования. В результате получилась следующая про-

странственная картина расположения безалкогольных напитков.

0,8

0,6

0:4

0,2

-0,0

-0,2

-0,4

-0,6

0.8

Dr. Pepper

Coke Classic

Pepsi

Diet Pepsi

•

•

" DietCoke

Tab

7-Up

Diet Slice

• Diet7-Up

-1,5 -.0 05 G O

Исходя из данных, полученных при опросе потребителей безалкогольных напитков, го-

ризонтальную ось обозначили "Вкус колы". Респонденты считали, что напиток Tab обладает

самым сильным вкусом колы, а напиток 7-Up — самым слабым вкусом колы. Вертикальную

ось обозначили "Диетические свойства". Напиток Tab воспринимался респондентами как

самый диетический, а напиток Dr. Pepper— как самый недиетический продукт. Обратите

внимание, что напитки Pepsi и Coke Classic респонденты считали одинаковыми по вкусо-

вым качествам: точки, соответствующие этим напиткам, расположены рядом на карте вос-

приятий. Почти равными по вкусовым качествам респонденты воспринимали 7-Up и Slice,

Diet 7-Up и Diet Slice, а также Tab, Diet Coke и Diet Pepsi. Обратите внимание, что напиток

Dr. Pepper воспринимался респондентами как относительно непохожий на остальные безал-

когольные напитки. Таким образом, карты многомерного шкалирования — полезный инст-

румент для понимания конкурентной структуры рынка безалкогольных напитков [1].

ПРИМЕР. Кредитные карточки и совместный анализ

Появление Complete MasterCard (кредитная карта MasterCard, выпущенная совместно с

телефонной фирмой Ameritech — одной из семи региональных телефонных компаний фир-

мы Bell, — связано с удачным использованием результатов проведения фокус-группы и изу-

чением данных совместного анализа. Кредитная карточка Complete MasterCard недавно ста-

776 Часть III. Сбор, подготовка и анализ данных

ла доступна 10 миллионам клиентов Ameritech, проживающих в штатах Иллинойс, Мичиган,

Огайо и Висконсин.

;'С ростом конкуренции на рынке телефонных карточек и с учетом запросов наших кли-

ентов, мы вынуждены предлагать им дополнительные услуги — многоцелевую карточку, —

заявил Рич Бялек, директор службы кредитных карточек фирмы Ameritech. — Мы хотели с

помощью исследования рынка услуг определить, какой совокупностью свойств должна об-

ладать кредитная карточка, чтобы полнее удовлетворять запросы наших клиентов".

На первом этапе маркетологи провели восемь фокус-групп. В них приняли участие

пользователи обоих видов карточек (кредитных и телефонных). Сотрудники компании,

проводившей маркетинговое исследование (Kennedy Research, Inc), обратили особое внима-

ние на то, как пользователи относятся к кредитной карточке, которая одновременно служит

и телефонной карточкой, и что они ждут от нее. Во втором раунде фокус-групп маркетологи

компании Kennedy попытались определить характеристики новой карточки для того, чтобы

затем провести совместный анализ.

В рамках проведения совместного анализа компания Kennedy пригласила 500 клиентов

компании Ameritech — примерно по 100 человек в каждом из обслуживаемых ею штатов, для

участия в компьютеризированном анкетировании, занимавшем 30 минут. В анкету включи-

ли 15 свойств кредитной и телефонной карточек: годовую плату за использование (четыре

возможности), процентную ставку (три возможности) и название карточки (семь возможно-

стей). Все вопросы позволяли респондентам выбрать один из двух предложенных ответов.

Например, "Что для вас важнее: карточка без взимания годовой платы за обслуживание или

I карточка, которая предлагает плавающую процентную ставку?" Джемал Дин, проводивший

] совместный анализ, отметил: "После ответов примерно на половину вопросов участники ис-

; следования не были уверены, что же они хотят. Компьютерный анализ позволил определить

? относительную ценность различных свойств карточки, исходя из ответов каждого лица, а

i затем разработать одну карточку, которая, вероятнее всего, была бы наилучшим вариан-

! том для этого лица".

В результате этого исследования карточка получила название Complete Master-Card

I Ameritech. Карточка среди прочего имела следующие характеристики: отсутствие годовой

i платы за обслуживание и оплачиваемую банком-эмитентом 10%-ную скидку большинства

; местных телефонных переговоров и междугородных звонков, проведенных с ее помощью.

! О полезности совместного анализа при разработке Complete Master-Card Ameritech свидетель-

I ствуют благодарные отклики клиентов [2].

Первые два примера показывают, как получают и используют карты восприятия, которые

являются ядром многомерного шкалирования. Пример с кредитной карточкой Complete MasterCard

Ameritech демонстрирует компромиссы, на которые идут респонденты при оценке вари-

антов. Метод совместного анализа как раз и опирается на такие компромиссы.

Многомерное шкалирование (ММШ) (Multidimensional Scaling — MDS) — это класс методов

для представления восприятий и предпочтений респондентов в пространстве с помощью на-

глядного изображения.

Многомерное шкалирование (ММШ) (Multidimensional Scaling — MDS)

Класс методов для представления восприятий и предпочтений респондентов в пространстве

с помощью наглядного изображения.

Воспринимаемые (психологические) взаимосвязи между объектами представляют в виде

геометрических с вязе и между точками в многомерном пространстве. Эти геометрические пред-

Глава 21, Многомерное шкалирование и совместный анализ 777

ставления часто называют пространственными картами. Оси координат на пространственной

карте соответствуют психологическим факторам поведения человека или, иначе говоря, основ-

ным размерностям, которыми пользуются респонденты для формирования восприятия и

предпочтения объектов [3]. Многомерное шкалирование используют в маркетинге, чтобы оп-

ределить следующее.

1. Количество и природу измерителей, которые используют потребители, чтобы выразить свое

отношение к торговым маркам на рынке.

2. Позиционирование имеющихся торговых марок согласно этим измерителям.

3. Позиционирование идеальных потребительских торговых марок по этим измерителям.

Информация, полученная в результате многомерного шкалирования, используется для ре-

шения разнообразных задач в маркетинге. Отметим среди них следующие.

• Измерение имиджа. Восприятие фирмы потребителями и непотребителями ее продук-

ции в сравнении с собственным восприятием фирмы самой себя.

• Сегментация рынка. Расположение в одном и том же пространстве торговых марок и потре-

бителей для выявления относительно однородных по восприятиям групп потребителей.

• Разработка нового товара. Многомерное шкалирование позволяет увидеть пробелы на

пространственной карте, которые указывают потенциальные возможности для разме-

щения новых товаров. Кроме того, этот анализ используют, чтобы с помощью тестиро-

вания оценить новый товар и существующие торговые марки и таким образом опреде-

лить, как потребители воспринимают новые идеи, заложенные в товаре. Доля предпоч-

тений для каждого нового товара служит индикатором успеха этого изделия.

Я Оценка эффективности рекламы. Пространственные карты можно использовать для оп-

ределения эффективности рекламы с точки зрения занятия торговой маркой желаемого

положения на рынке.

• Ценовой анализ. Сравнение пространственных карт, разработанных с учетом и без учета

восприятия иены, позволяет определить влияние цены на поведение покупателей.

• Решение о числе каналов сбыта. Мнения респондентов о сопоставимости торговых марок

с различными торговыми точками могут привести к пространственным картам, полез-

ным для принятия решения о количестве каналов сбыта.

• Построение шкалы отношений. Методы многомерного шкалирования используются для

разработки соответствующей по размерности и конфигурации шкалы отношений.

СТАТИСТИКИ И ТЕРМИНЫ, ИСПОЛЬЗУЕМЫЕ

В МНОГОМЕРНОМ ШКАЛИРОВАНИИ

Ниже перечислены основные статистики, связанные с многомерным шкалированием.

• Оценка сходства (similarity judgments). Рейтинги всех возможных пар торговых марок или

других объектов, отражающие их сходство по шкале Лайкерта.

• Ранги предпочтений (preference rankings), Ранги торговых марок или других объектов в по-

рядке их уменьшения (от большего к меньшему). Обычно эти данные получают при опросе

респондентов.

• Стресс (stress). Мера соответствия подогнанной модели исходным данным: чем выше зна-

чение стресса, тем ниже качество подгонки модели.

• R-квадрат (R-square). R-квадрат— это квадрат коэффициента корреляции, который пока-

зывает долю дисперсии оптимально отображенных данных, которые могут быть учтены

ММШ. Мера соответствия подогнанной модели исходным данным.

778 Часть III. Сбор, подготовка и анализ данных

• Пространственная карта (spatial map). Воспринимаемые взаимосвязи между торговыми

марками или другими объектами, представленные в виде геометрических связей между

точками в многомерном пространстве.

• Координаты (coordinates). Указывают расположение торговых марок или объектов на про-

странственной карте.

• Развертка (unfolding). Представление торговых марок и респондентов в виде точек в одном

и том же пространстве.

ВЫПОЛНЕНИЕ МНОГОМЕРНОГО ШКАЛИРОВАНИЯ

На рис. 21.1 показаны этапы многомерного шкалирования.

Формулу

J Обозначение размерностей и интерпретация

конфигурации точек на пространственной карте

lie надежности и достоверности.

Рис. 21.1. Многомерное шкалирование

Исследователь должен тщательно сформулировать проблему многомерного шкалирования,

поскольку можно использовать большое разнообразие исходных данных. Задача маркетолога —

определить соответствующую форму для получения данных и выбрать метод многомерного

шкалирования для их анализа. Важный аспект решения включает определение размерности

для пространственной карты. Кроме того, следует обозначить оси координат на карте и интер-

претировать выведенную на основе данных конфигурацию точек. И наконец, исследователь

должен оценить качество полученных результатов [4]. Мы опишем каждый из этих этапов, на-

чав с формулирования проблемы.

Формулирование проблемы

При формулировании проблемы исследователю необходимо конкретизировать цель ис-

пользования результатов многомерного шкалирования и выбрать торговые марки или дру-

гие объекты, которые предполагается проанализировать. Именно они определяют размер-

ность шкалирования и получаемые конфигурации. Чтобы получить хорошо определяемую

пространственную карту, следует включить как минимум восемь торговых марок или объек-

тов. Включение свыше 25 торговых марок, вероятно, будет громоздким и утомит респонден-

дов при опросе.

Глава 21. Многомерное шкалирование и совместный анализ 779

Очень внимательно надо подходить к выбору конкретных торговых марок или объек-

тов. Предположим, что исследователь заинтересован узнать восприятия покупателей ав-

томобилей. Если автомобили-люкс не включены в набор объектов, результаты могут быть

искажены. В основе выбора количества торговых марок и их конкретных наименований

должна лежать проблема, маркетингового исследования, теоретические предпосылки и

интуиция исследователя.

Многомерное шкалирование проиллюстрировано нами с позиции получения пространст-

венной карты для 10 известных марок зубной пасты: Aqua-Fresh, Crest, Colgate, Aim, Gleem,

Macleans, Ultra Brite, Close-Up, Pepsodent и Dentagard. Перед тем как начать анализ, ответим на

вопрос: как получить данные по этим маркам.

Получение исходных данных

Как показано на рис, 21.2, исходные данные, полученные от респондентов, должны быть

связаны с восприятиями или предпочтениями.

Исходные данные ММШ

Восприятия Предпочтения

Прямые подходы Непрямые подходы

(суждения респондентов о сходстве) (рейтинги характеристик)

Рис, 21.2. Исходные данные для многомерного шкалирования

Вначале мы обсудим данные, касающиеся восприятия объектов, которые могут быть пря-

мыми или непрямыми.

Восприятие объектов: прямые подходы. При использовании прямого подхода к сбору дан-

ных о восприятии респондентов просят оценить, используя их собственный критерий, на-

сколько похожи или не похожи между собой различные известные торговые марки. От респон-

дентов часто требуется оценить все возможные пары известных торговых марок, рассматривая

ш сходство по шкале Лайкерта. Эти данные связаны с оценками респондентов о сходстве това-

ров. Например, оценки сходства по всем возможным парам марок зубной пасты можно полу-

чить в таком виде.

Очень непохожи Очень положи

Crest п о сравнению с Colgate 1 2 3 4 5 6

Aqua-Fresh п о сравнению с Crest 1 2 3 4 5 6 7

Crest п о сравнению с A i m 1 2 3 4 5 6 7

Colgate п о сравнению с Aqua-Fresh 1 2 3 4 5 6 7

Число оцениваемых пар равно л.х(л — 1)/2, где п ~ число объектов. Существуют и другие

методы сбора данных. Респондентов можно попросить проранжировать все возможные пары от

наиболее похожих к наименее похожим. В другом методе респонденты ранжируют известные

780 Часть III. Сбор, подготовка и анализ данных

торговые марки по сравнению с определенной базовой торговой маркой. Каждая торговая мар-

ка, в свою очередь, служит такой базой.

В нашем примере использовали прямой метод. Респондентов попросили высказать свое мне-

ние о сходстве для всех 45 (10 х 9/2) пар торговых марок зубной пасты, используя семибалльную

шкалу. Данные, полученные от одного из респондентов, представлены в табл. 21.1 [5].

Таблица 21.1. Рейтинги сходства известных торговых марок зубной пасты

Crest Co/gate Am G/eem Macleans Ultra Brite Close-Up Pepsodent Dentagard

Aqua- Fresh

Crest

Colgate

Aim

Gieem

Macleans

Ultra Brite

Close-Up

Pepsodent

Dentagard

;

?.

5 6

6 7 6

3 3 4 3

Восприятие объектов: непрямые подходы. Непрямые подходы (derived approaches) к сбору

данных о восприятии основаны на характеристиках объектов и требуют, чтобы респонденты

оценивали объекты, исходя из их определенных характеристик, используя семантическую

дифференциальную шкалу или шкалу Лайкерта.

Непрямые подходы сбора данных в ММШ (derived approaches)

Методика сбора данных о восприятии в ММШ, основанная на характеристиках объектов и

требующая, чтобы респонденты оценивали объекты по определенным характеристикам с

использованием семантической дифференциальной шкалы или шкалы Лайкерта.

Например, различные марки зубной пасты можно оценить на основе следующих характе-

ристик:

Отбеливает зубы — — Не отбеливает зубы

Предотвращает кариес - — Не предотвращает раз-

витие кариеса

Приятный вкус Неприятный вкус

Иногда в набор объектов также включают идеальную торговую марку. Респондентов просят

оценить гипотетическую идеальную торговую марку по одному и тому же набору характери-

стик. Если атрибутивные рейтинги получены, то для каждой пары торговых марок выводят ме-

ру сходства (евклидово расстояние).

Прямые методы по сравнению с непрямыми методами. Прямые методы имеют то преиму-

щество, что исследователю не приходится определять набор явных характеристик. Респонденты

оценивают сходство объектов, используя собственный критерий. К недостаткам прямого под-

хода можно отнести то, что на критерий влияют рассматриваемые торговые марки. Если раз-

личные известные марки автомобилей находятся в одном псионом диапазоне, то цена не будет

Глава 21. Многомерное шкалирование и совместный анализ 781

важным фактором. Достаточно сложно определить перед началом анализа, надо ли и если надо,

то как объединять оценки респондентов. Более того, может быть затруднительно дать название

размерностям на пространственной карте.

Преимущество непрямого подхода состоит в том, что легко разделить респондентов на

однородные группы в соответствии с их отношением к объекту, т.е. исходя из оценок

свойств объекта. Также легко обозначить размерности на пространственной карте. Недос-

татком метода считается то, что исследователь должен определить все явные характери-

стики, а это непростая задача. На основе идентифицированных характеристик получают

пространственную карту.

Прямые подходы используют чаще, чем непрямые (атрибутивные). Однако лучше всего

использовать оба подхода как взаимодополняющие. Суждения респондентов о сходстве объек-

тов, полученные прямым методом, используются для получения пространственной карты, а

атрибутивные оценки — для интерпретации размерностей карты восприятий. Аналогичные

Дата добавления: 2015-05-09