Имидж

Размер имеет значение. Как за размером не потерять из виду дифференцирующие характеристики марок.

Дифференцирующие характеристики марок

Прежде, чем описать наш подход к оценке восприятия марок, хотим предложить наглядный пример.

Сравним два вида техники.
И грузовик и трактор имеют одинаковый диаметр колес.
Но трактор имеет большие колеса относительно своего размера.
Это и есть отличительная особенность трактора.

Аналогично приведенному примеру, восприятие марок характеризуется двумя особенностями:

  • Чем популярнее высказывание, тем чаще оно ассоциируется с различным марками.
  • Чем крупнее марка, тем больше различных высказываний ассоциируется с ней.

Чтобы выявить дифференцирующие характеристики марок, необходимо учитывать как “размер марок”, так и “размер высказываний”. Существует несколько техник, позволяющих учитывать оба этих обстоятельства. Наиболее популярная в исследовательской среде – анализ соответствий.

Анализ соответствий – визуализация результатов

По результатам анализа соответствий чаше всего строится карта – проекция многомерного пространства марок и высказываний на плоскость.

Карта – достаточно удобный инструмент, чтобы составить общее представление о рынке. Какие марки близки друг другу по восприятию и чем они характеризуются.

Однако, картой не всегда удобно пользоваться:

  • Когда нужно сравнить марки по набору высказываний
  • Когда нужно отследить имидж в динамике
  • Когда нужно сравнить имидж на разных подгруппах респондентов
Для таких ситуаций гораздо больший интерес представляет анализ остатков (наблюдаемые частоты минус ожидаемые).

Матрица остатков, также как и карта, рассчитывается и с учетом размера марок и с учетом размера высказываний.

При этом удобно сравнивать марки между собой по каждому отдельному высказыванию. Или сравнивать одну и ту же марку в динамике или в разных сегментах.

Кроме того, остатки легко интерпретировать. Это те же самые проценты (наблюдаемые частоты минус ожидаемые). В отличие от карты, где координаты точек – безразмерные величины, и далеко не всегда ясно, расстояние между маркой А и высказыванием Z – это много и или мало.

Анализ соответствий – особенности

Интерпретируя результаты анализа соответствий, желательно принимать во внимание несколько нюансов.

Каждое высказывание влияет на расположение марок и каждая марка влияет на расположение высказываний. Убрав один элемент мы меняем всю картину. Изменения могут быть большими и маленькими, но всегда отдельно взятый элемент влияет на всю картину.

Это означает, что никогда нет полной уверенности, что построенная карта отражает реальное восприятие.

Список высказываний может быть не полным. Исследователь может упустить какой-то важный параметр, по которому покупатели дифференцируют марки.

Или само высказывание может быть сформулировано неудачно. Оно может отражать реально важный для покупателей фактор, но при этом смысл для респондентов может оказаться или не понятным или считываться не совсем верно.

В списке высказываний могут присутствовать атрибуты, которые сильно дифференцируют марку (и как следствие – сильно влияют на общую карту), но при этом не имеют особого значения в потребительской картине мира.

В качестве примера вспоминается слоган из 90-х годов. “Хопер инвест – отличная компания. Отличная от других.” Слоган звучал из каждого утюга и мог крепко запомниться.

Если включить в список высказываний “Компания, отличная от других”, то наверняка это высказывание очень сильно ассоциировалось бы с Хопром инвест и сильно влияло бы на всю карту. Хотя, чем конкретно компания отличается – не ясно. Если высказывание заменить на “Предлагает что-то, чего нет у других”, то картина могла бы получиться совсем иной.

Резюмируя:

  • Анализ соответствий / анализ остатков хорошо подойдет для исследований, предмет которых хорошо понятен исследователю и нет риска ошибиться с высказываниями.
  • В эксплораторных исследованиях, когда многое еще не изучено и картина мира для исследователя не ясна, к анализу соответствий следует относиться настороженно и помнить о возможных искажениях карты.
  • В качестве альтернативы можно предложить построение карты рынка на основе упражнения с группировкой марок/продуктов.

 


Поделившись этой публикацией в соц-сетях, Вы помогаете нам делать больше хороших исследований. А значит, этот мир может стать чуточку лучше…

Анализ конверсии

Марки растут неравномерно. Как корректно сравнивать конверсию марок разного размера?

Конверсия от знания к пробным покупкам или от пробных покупок к регулярным происходит неравномерно в зависимости от размера марки.

В общем и целом зависимость между нижними и верхними уровнями приверженности марке описывается S-образной кривой. Такая форма зависимости называется логистической. Кстати, в природе многие процессы роста тоже описываются логистической кривой.

На ранних этапах прирост знания дает медленный прирост пробных покупок. Существует инерция покупательского поведения. Только редкие пионеры пробуют новинку.
Затем наступает этап быстрого роста. Марка становится более-менее массовой. Кто ранее знал марку, начинают пробовать ее. Новые узнавшие о марке покупатели тоже легко конвертируются в пробовавших.
И в финале рост замедляется. Дальнейший прирост знания марки почти не ведет к росту пробных покупок. Из ранее знавших все, кто хотел уже попробовали. Из новых узнающих о марке пробуют мало. На этом этапе марку знают уже почти все участники рынка. Не знающие о крупной марке с большой вероятностью или случайные или малоактивные потребители с узким репертуаром марок.

На многих рынках верхняя полка S-образной кривой отсутствует. Фаза активного роста пробных покупок смещается вправо, ближе к 100% уровню знания. Тогда зависимость описывается экспоненциальной кривой.

Но в любом случае на всех рынках присутствует нелинейность взаимосвязи между знанием/пробованием и другими подобными показателями. Это означает, что сравнивать конверсию двух разных по размеру марок не совсем корректно.

Для корректного сравнения конверсии марок разных по размеру следует вносить корректирующую поправку на размер марки. Один из вариантов такой поправки – выявить среднюю тенденцию роста по рынку и смотреть на отклонения марок от этой тенденции.

Выявить среднюю тенденцию можно при помощи регрессионного анализа. Возможные варианты регрессий, учитывающих нелинейность: экспоненциальная, полиномиальная, степенная, логит, пробит…

Однако есть такое обстоятельство, что показатели знания/пробования измеряются в процентах и могут меняться только от 0% до 100%. Тогда как не все виды регрессий предполагают, что зависимая переменная не выйдет за рамки диапазона 0%-100%.

Наиболее удобными для описания долей представляются логит- и пробит-регрессии. Значение зависимой переменной для них всегда будет гарантированно лежать в диапазоне 0%-100%.
Итак, имея кривую среднерыночной тенденции роста, можно вычислить для каждой марки отклонения от этой кривой (наблюдаемое значение минус ожидаемое). Большие положительные отклонения будут говорить об очень успешной конверсии, а большие отрицательные – обратное. При этом, что важно, размер марки и нелинейность роста будут учтены.

В отчетах, чтобы не углубляться в дебри регрессионного анализа и большое количество диаграмм, визуализировать диагностику конверсии мы предпочитаем таким образом:


Поделившись этой публикацией в соц-сетях, Вы помогаете нам делать больше хороших исследований. А значит, этот мир может стать чуточку лучше…

Так ли значительны статистически значимые отличия?

Собственно, ответ следует из самого вопроса.
Нет. Не обязательно.
Поясним, почему так.

Любой тест на значимость – это проверка гипотезы о равенстве показателей. Значимые отличия отмечаются, если гипотеза о равенстве не подтверждается при заданном уровне доверия.

То есть тест на значимость не дает ответа на вопрос, насколько велики различия. Он просто констатирует факт, что различия есть. И чем больше размер выборки, тем меньшие различия между показателями будут статистически значимы.

Получается, одни и те же цифры могут статистически значимо различаться, а могут и не различаться в зависимости от того, сколько заказчик заплатил за выборку. Но где же объективность? И справедливость, в конце концов…

Объективность и справедливость в том, что статистически значимые отличия – это необходимое, но не достаточное условие значительных отличий. То есть, это лишь отправная точка для анализа.

Для того, чтобы признать отличия значительными, нужен другой критерий, нежели статистические тесты. Универсальных таких критериев не существует. Все зависит от измеряемых показателей и от контекста.

Так, например, если в описании сегмента мы получили 55% мужчин и 45% женщин и эти различия статистически значимы, то следует ли признать сегмент как мужской? Возможно, не стоит. Как минимум, потому что в сегменте много женщин. А если выяснится, что целевое поведение мужчин и женщин не отличается существенным образом, то и тем более не за чем отсекать женскую часть сегмента.

Или другой пример: в результате теста один образец нравится 45% опрошенных, а другой – 55%, и эти различия статистически значимы. Следует ли принять второй образец как более предпочтительный для запуска? При прочих равных – да. Просто выбираем лучший. И всё.


Поделившись этой публикацией в соц-сетях, Вы помогаете нам делать больше хороших исследований. А значит, этот мир может стать чуточку лучше…