CC BY
116
РОССИЙСКОЕ ПРЕДПРИНИМАТЕЛЬСТВО
Том 18 • Номер 21 • ноябрь 2017 ISSN 1994-6937
>
издательство
Креативная экономика
Russian Journal of Entrepreneurship
совместный анализ как метод оценки потребительских предпочтений и его применение для формирования эффективных рекламных объявлений
Лысенко М.Ю. 1, Щеколдин В.Ю. 1
1 Новосибирский государственный технический университет, Новосибирск, Россия АННОТАЦИЯ:
В данной работе рассматривается понятие совместного анализа как одного из современных инструментов изучения предпочтений потребителей. Сравниваются основные разновидности совместного анализа, приводится общая схема его проведения, рассматриваются сферы деятельности, в которых применяется совместный анализ. Показано его использование для оптимизации рекламного объявления по методу совместного выбора с применением множественной логит-модели для оценки параметров. Полученное в результате анализа объявление было использовано в ходе рекламной кампании. Отслеживание изменений ключевых показателей позволило оценить эффект от использования совместного анализа.
КЛЮЧЕВЫЕ СЛОВА: совместный анализ, оценка потребительских предпочтений, потребительское поведение, метод совместного выбора, реклама, рекламное объявление.
Joint analysis as an assessment method of consumer preferences and its implication for effective advertisement
Lysenko M.Yu.1, Shchekoldin V.Yu.1
1 Novosibirsk State Technical University, Russia
введение
На сегодняшний день изучение структуры предпочтений потребителей является актуальной задачей в маркетинговых исследованиях [9] (Tsoy M.E., Shchekoldin V.Yu., 2014). Зачастую потребители сами не могут однозначно сказать, что им нужно, что нравится больше, поэтому возникают проблемы с предложением им того или иного товара или услуги. В этой ситуации исследователям приходится использовать методы, которые позволяют выявлять предпочтения потребителей, не задавая им прямых вопросов об этом [3, 15] (Zolotareva Yu.V., 2009; Gofman A., Moskowitz H.R., Bevolo M., Mets T., 2010). Одним из таких методов является так называемый совместный анализ. Несмотря на то, что он был разработан еще в начале 70-х гг. прошлого века, в России он только набирает популярность.
Термину «совместный анализ» (или «конджойнт-анализ», от англ. conjoint analysis) соответствует большое количество различных определений, которые используются для описания ряда методов, применяемых в исследованиях потребительских предпочтений [13] (Hauber B., 2016). Отличительной чертой этих методов является выявление предпочтений отдельных характеристик продукта (атрибутов) и их возможных значений (уровней) на основе совместного оценивания в рамках определенного профиля, под которым понимается описание продукта с помощью выбранных атрибутов. Именно отсюда пошло название «conjoint», происходящее от английского словосочетания consider jointly («рассматривать совместно») [10] (Cherenkov A.A., 1999).
Совместный анализ может применяться в целях [2, 21] (Zakharova T.A., Kutlaliev A.Kh., 2009; Malhotra N.K., 2009):
• определения относительной важности отдельных атрибутов продукта для потребителей;
• определения комбинации нескольких атрибутов продукта, наиболее всего подходящей для удовлетворения запросов потребителей;
• сегментирования потребителей на основе сходства их предпочтений в каждой отдельной группе;
• определения рыночной доли продуктов, различающихся уровнями своих атрибутов.
В зависимости от методов сбора и обработки данных выделяют основные варианты совместного анализа, представленные в таблице 1.
ABSTRACT:_
The paper considers a concept of joint analysis as one of modern tools for studying consumer preferences. We compare the main types of joint analysis and present the general approach to the analysis. We consider areas of activities where the joint analysis can be applied. We show its implication for advertisement optimization through joint selection method and multiple logit-model for parameters estimation. The advertisement obtained as a result of analysis was used during an advertisement campaign. Tracking changes of key indicators allowed assessing the impact of joint analysis.
KEYWORDS: joint analysis, consumer preferences assessment, consumer behavior, joint selection method, advertisement
JEL Classification: M31, M37, D11 Received: 10.10.2017 / Published: 16.11.2017
© Author(s) / Publication: CREATIVE ECONOMY Publishers For correspondence: Lysenko M.Yu. (mihaillysenko0mail.ru)
CITATION:_
Lysenko M.Yu., Shchekoldin V.Yu. (2017) Sovmestnyy analiz kak metod otsenki potrebitelskikh predpochteniy i ego primenenie dlya formirovaniya effektivnyh reklamnyh obyavleniy [Joint analysis as an assessment method of consumer preferences and its implication for effective advertisement]. Rossiyskoe predprinimatelstvo. 18. (21). - 3275-3288. doi: 10.18334/rp.18.21.38504
Таблица 1
Разновидности совместного анализа
название процедура опроса ограничения методы расчета полез-ностей
Обычный (традиционный) совместный анализ (regular conjoint analysis, RCA) Ранжирование профилей либо присваивание каждому профилю значения рейтинга Для оценки предпочтения продуктов с небольшим количеством атри-бутов (не более 7-8) Регрессия методом наименьших ква-дра-тов, иерархиче-ское-байесово моде-лиро-вание (ИБМ)
Адаптивный совместный анализ (adaptive conjoint analysis, ACA) Сначала оценивается важность отдельных атрибутов товара, а затем привлекательность неполных профилей Позволяет оценивать до 30 атрибутов продукта, каждый из которых может иметь до 15 уровней Регрессия методом наименьших квадратов или ИБМ
Метод совместного выбора (choice-based conjoint, CBC) Респондент производит выбор из предложенного набора профилей (может предлагаться вариант «ничего из предложенного») Одновременно показываются 2-5 профилей продукта, всего предъявляется до 20 таких наборов вариантов Множественный ло-гит, алгоритм поиска латентных классов и ИБМ
Источник: составлено на основании [2, 10] (Zakharova T.A., Kutlaliev A.Kh., 2009; Cherenkov A.A., 1999).
Как правило, проведение совместного анализа включает в себя следующие этапы [21] (Malhotra N.K., 2009):
1. Формулировка проблемы. Исходя из проблемы, определяются атрибуты и их уровни. Необходимо использовать наиболее важные для потребителя атрибуты, учитывая, что даже небольшое увеличение количества атрибутов или их уровней приведет к резкому увеличению числа возможных их комбинаций.
2. Построение плана эксперимента. Здесь выделяют два основных подхода: двух-факторное оценивание (попарное исследование), когда респонденты оценивают возможные комбинации уровней двух атрибутов, и многофакторное оценивание (оцениваются полные профили, то есть профили, содержащие все выделенные атрибуты).
ОБ АВТОРАХ:_
Лысенко Михаил Юрьевич, магистрант кафедры маркетинга и сервиса (mihai11ysenko0mai1.ru) Щеколдин Владислав Юрьевич, доцент кафедры маркетинга и сервиса, кандидат технических наук (raix0mai1.ru)
ЦИТИРОВАТЬ СТАТЬЮ:_
Лысенко М.Ю., Щеколдин В.Ю. Совместный анализ как метод оценки потребительских предпочтений и его применение для формирования эффективных рекламных объявлений // Российское предпринимательство. - 2017. - Том 18. - № 21. - С. 3275-3288. doi: 10.18334/rp.18.21.38504
В последнем случае число используемых профилей может быть значительно сокращено посредством частичного факториального плана (fractional factorial design) или плана латинского квадрата (подходит в ситуации, когда число уровней в каждом атрибуте совпадает) [11] (Sheffe G., 1980).
3. Определение формы входных данных. Как было упомянуто в таблице 1, респондентам можно предлагать проранжировать профили, присвоить каждому профилю значение рейтинга либо выбрать один профиль из набора. Сторонники рейтингового подхода считают его более удобным для респондентов и более простым для анализа. С другой стороны, сторонники ранжирования и методов на основе выбора считают их более реалистичными для респондентов, так как они регулярно сталкиваются с ситуациями выбора из нескольких продуктов.
4. Выбор метода совместного анализа. Базовая модель совместного анализа может быть представлена следующим образом:
m ki
U( *) = L L°*. Xj, (1)
¿=1 V=1
где U(X) - общая полезность профиляX ;а - полезность уровня j атрибута i; -число уровней атрибута i; m - общее число атрибутов; х.. - величина, которая принимает значение 1, если уровень j атрибута i присутствует в профиле X , иначе она равна 0.
Для оценки полезностей а применяются разные методы, выбор которых зависит от формы входных данных. Применяемые в каждом случае методы были приведены в таблице 1. После вычисления полезностей уровней становится возможным определение уровня важности I. каждого атрибута i.
Ii = {max(a. ) - min(a. )}, i = 1,...,m. (2)
Для удобства сопоставления важностей I. проводится их нормализация путем вычисления значений Wi, выраженных в долях, т.е. при условии, что LJWi = 1:
Wi = . (3)
i m 4 '
Li,
i=l
5. Интерпретация результатов. На основе значений оцененных показателей важности атрибутов и полезностей их уровней обычно формируется продукт, обладающий максимальным суммарным уровнем полезности. На практике с помощью совместного анализа может быть сформирован целый набор из нескольких продуктов, который будет удовлетворять потребности подавляющего большинства клиентов. Осуществляется это путем выделения нескольких сегментов потребителей на основе анализа их предпочтений, после чего формируется «наилучший» продукт для каждого из сегментов.
6. Оценка значимости результатов. В зависимости от выбранного метода расчета полезностей рассчитываются показатели, характеризующие значимость построенной модели.
Как продемонстрировали Г. Московиц и А. Гофман [8, 15, 20] (Tsoy M.E., Schekoldin V.Yu., 2015; Gofman A., Moskowitz H.R., Bevolo M., Mets T., 2010; Moskowitz H.R., GofmanA., 2007), в чьих исследованиях приемы совместного анализа занимают центральное место, совместный анализ может применяться в отношении различных типов исследуемых продуктов и их атрибутов, могут рассматриваться:
• потребительские свойства товаров широкого потребления, техники, бытовой электроники и др.;
• дизайн обложек журналов, веб-страниц, кредитных карточек и другая креативная деятельность [1] (Berezhnov G.V., 2005);
• содержание рекламных сообщений, предвыборных лозунгов политиков и других обращений к публике.
В частности, для оптимизации содержания веб-ресурсов совместный анализ может выступать альтернативой многовариантному и A/B тестированию [12, 18] (Esh T., 2011; Kaushik A.). Как показано в работах, посвященных применению совместного анализа для оптимизации посадочных страниц [16, 22] (Gofman A., Moskowitz H.R., Mets T., 2009; Schreiber S., Baier D., 2015), совместный анализ в сравнении с традиционными методами позволяет оценивать большее количество альтернатив в более сжатые сроки и с меньшими затратами ресурсов, а также уделять большее внимание проверке значимости полученных результатов. В экспериментах с онлайн-объявлениями (например, контекстная реклама, таргетированная реклама в социальных сетях [4] (Kozhushko O.A., Churkin I., Ageev A. i dr., 2015), тизерная реклама [7] (Tsoy M.E., Shchekoldin V.Yu., 2016)) совместный анализ также может найти широкое применение.
Для изучения возможности применения совместного анализа на практике была проведена оптимизация рекламного объявления, размещаемого в социальной сети «Вконтакте». Рекламная кампания проводилась в октябре 2017 г. специалистами по Интернет-маркетингу для привлечения пользователей на обучающий курс «Эффективная мамочка», который обещает помочь матерям с маленькими детьми эффективно организовывать свою ежедневную деятельность. Он является бесплатным для пользователей, поскольку служит инструментом маркетингового продвижения более крупного проекта. Анализ проводился в соответствии с перечисленными шестью этапами.
Этап 1. Поскольку стоимость рекламной кампании зависела от количества показов рекламного объявления, целью проведения совместного анализа было увеличение доли перешедших по ссылке пользователей в общем количестве показов объявления (click-throughrate, CTR) [4] (Kozhushko O.A., Churkin I., Ageev A. i dr., 2015). Для выделения атрибутов было рассмотрено уже использовавшееся во время рекламной компании объявление в социальной сети «Вконтакте». Основными составными частями, допускающими возможность редактирования и вместе с этим оказывающими заметное влияние на выбор аудитории, являются текст объявления и изображение, помещаемое непосредственно под текстом. Исходя из практики, можно утверждать, что
изображение имеет наибольшую важность, в значительной степени определяя успешность всего объявления. Поэтому было принято решение выделить атрибуты, содержащиеся в самом изображении: фотография (Р), оформление надписи, помещенной поверх фотографии (Б) и содержание этой надписи (М). Учитывая еще и текст объявления (Т), было выделено четыре атрибута для совместного анализа, которые представлены в таблице 2.
Для каждого атрибута было составлено по два-три уровня таким образом, чтобы внутри каждого атрибута уровни значительно отличались друг от друга. Отметим, что комбинация <Р1, Б1, М1, Т1> соответствовала объявлению, использовавшемуся перед началом проведения совместного анализа.
Этап 2. Поскольку исследовалось небольшое количество атрибутов и их уровней, было принято решение проводить многофакторное оценивание по полным профилям. Общее количество возможных комбинаций составляет 3x3x2x2=36 профилей. Так как исследование носило демонстрационный характер, был составлен дробный факторный план из девяти профилей [14] (Л1гаЫ Н., ШзЫтыта К., 2008).
Таблица 2
Атрибуты рекламного сообщения и их уровни
Атрибуты Уровни
Обозначение Содержание Обозначение Содержание
Р Фотография, используемая в изображении объявления Р1 Фото, открыто побуждающее пользователя перейти по ссылке
Р2 Фото, передающее идею большого количества забот у матерей с маленькими детьми
Р3 Фото, передающее идею освобождения от хлопот и возможности заниматься любимым делом (подразумевается результат после прохождения курса)
й Дизайн надписи на изображении й1 Обычное начертание шрифта, оранжевый текст на белом фоне
й2 Жирное начертание шрифта, темно-коричневый текст на светло-персиковом фоне
й3 Курсивное начертание шрифта, белый текст на коричневом фоне
М Содержание надписи, помещаемой на изображении М1 БЕСПЛАТНЫЙ КУРС «Эффективная мамочка»
М2 ИНТЕНСИВНЫЙ ОНЛАЙН-КУРС ДЛЯ МАМ
Т Содержание текста рекламного сообщения Т1 Описание курса в виде небольшого рассказа
Т2 Четко структурированное описание курса
Этап 3. В качестве процедуры опроса было решено предлагать респондентам выбор наиболее привлекательного объявления девять раз по девяти наборам объявлений (внутри каждого набора предлагался выбор одного из двух объявлений). Формирование наборов проходило в два этапа. Сначала каждому из профилей дробного факторного плана случайным образом присваивался порядковый номер от 1 до 9. В соответствии с порядковым номером каждый профиль становился первой из альтернатив в одном из наборов. Затем эта процедура повторялась снова, что добавляло каждому из наборов вторую альтернативу. Если в рамках одного набора появлялись два одинаковых профиля, процедура повторялась. Таким образом, в исследовании использовался метод совместного выбора.
Этап 4. Для расчета полезностей уровней атрибутов использовалась множественная логистическая регрессия, или логит-модель [5] (Timofeev V.S., Faddeenkov A.V., Shchekoldin V.Yu., 2013), в которой вероятность выбора альтернативы j в наблюдении i определяется следующим образом:
где М - общее число альтернатив; и.. - неслучайная составляющая полезности аль-
у
тернативы j в наблюдении i.
В рассматриваемом случае в каждом наблюдении имелось только две альтернативы: профиль был выбран респондентом как понравившийся (у. = 1) , либо он выбран не был (у = 0). Поэтому множественная логит-модель редуцируется к более простой логит-модели бинарного выбора. Модель для вычисления и. в наблюдении i выглядит следующим образом:
где фиктивные переменные ХУ представляют соответствующие атрибуты: х{ 1, х{ 2 - атрибут ^ 3,х.4 - атрибут D, х55 - атрибут M, х.6 - атрибут T, в0,в1,...,в6- неизвестные параметры модели, подлежащие оцениванию.
Как видно из (6), независимыми являлись шесть фиктивных переменных, которыми можно закодировать любой из возможных профилей. В таблице 3 представлен пример исходных данных, используемых для построения логит-модели. Так, первый респондент в первом вопросе из двух предложенных профилей ^2, D1, M2, П> и ^1, D3, M1, П> выбрал первый профиль (у1 = 1, у2 = 0) и т.д.
После опроса респондентов - женщин с маленькими детьми - был получен массив данных из 270 наблюдений, что достаточно для идентификации модели с семью параметрами. На основе этого были вычислены оценки параметров модели (5), и тогда модель приняла вид:
(4)
(5)
Щ = -0,456 + 2,025хй -0,769х12 + 0,770х13 + 0,100х,4 -2,243х<5 + 0,701х,6. (6) Исходя из значений оценок коэффициентов, можно уже на этом этапе определить профиль, которому соответствует максимальное значение полезности Щ -<Р1, Б1, М2, Т1>. Однако существует возможность провести более детальный анализ результатов, что было сделано на следующем этапе.
Этап 5. При условии кодировки данных фиктивными переменными, оценки параметров в модели (6) можно связать с полезностями уровней атрибутов. Для этого нужно принять во внимание то, что коэффициент при фиктивной переменной представляет собой разность полезности для данного уровня и базового уровня. В нашем случае базовыми уровнями (которым соответствовали нулевые значения фиктивных переменных) являлись уровни Р3, Б3, М2, Т2. Тогда, например, значения полезностей а уровней атрибута Р можно определить, решив следующую систему уравнений (при условии, что суммарное значение полезностей уровней одного атрибута равно нулю):
' а 1 -а3 = 2,025; < а2 -а3 =-0,769;
1 I 2 + з = 0.
Таблица 3
Пример формата исходных данных для логит-модели
№ наблюдения iD респондента № вопроса У х,1 Х/2 Хз хм Х5 Хб
1 1 1 1 0 1 1 0 0 1
2 1 1 0 1 0 0 0 1 1
Источник: составлено авторами.
Таблица 4
Расчетные значения полезностей уровней и важностей атрибутов
Атрибут Уровень а V
Р Р1 1,606 2,794 0,429
Р2 -1,187
Р3 -0,419
й й1 0,480 0,770 0,118
й2 -0,190
й3 -0,290
М М1 -1,121 2,243 0,345
М2 1,121
Т Т1 0,351 0,701 0,108
Т2 -0,351
После проведения подобных расчетов для каждого атрибута были получены значения (Ху и I. по формуле (2), а также W¡ по (3). Результаты представлены в таблице 4.
Сопоставляя содержание атрибутов и уровней из таблице 2 и расчетные значения из таблице 4, отметим, что наиболее значимыми элементами рекламного объявления оказались фотография и содержание надписи, помещаемой поверх фотографии. При этом наибольший вклад в общую полезность вносит фотография, побуждающая пользователя совершить переход по ссылке. Надпись М2 является более «удачной», возможно, поскольку на сегодняшний день существует множество бесплатных материалов и курсов по исследуемой тематике, однако не многие из них могут быть охарактеризованы как интенсивные. Дизайн надписи имеет не столь большое значение по сравнению с ее содержанием. Наименее важным атрибутом для аудитории является текст сообщения, что является вполне обоснованным: первым в глаза бросается именно изображение, и далеко не все удосуживаются внимательно прочитать текст рекламного сообщения.
Этап 6. Оценка значимости проводилась на основе расчета показателей качества логит-модели [5] (Timofeev V.S., Faddeenkov A.V., Shchekoldin V.Yu., 2013). Доля корректных прогнозов (К2) составила 71,5%, коэффициент Макфаддена (Я^) оказался равным 0,254, что характеризует качество модели как хорошее [19] (МcFadden D.).
Альтернативным способом для оценки качества модели является критерий Хосмера-Лемешова [17] (Hosmer D., Lemeshow S., Sturdivant R., 2013). Он позволяет проверить гипотезу о соответствии наблюдаемых и спрогнозированных по модели значений зависимой переменной с помощью критерия X. Для этого по расчетным значениям вероятностей Р {у{ = у} определяют децили, разбивающие совокупность наблюдений на десять равных по количеству групп. Статистика %2 рассчитывается как сумма величин и X, полученных для случаев у¡ = 0 и У ¡ = 1 соответственно. Для каждого из этих случаев в таблице 5 приводятся значения наблюдаемых (Б]к ) и ожидаемых (Еу) частот.
Таблица 5
Децили и частоты для критерия Хосмера-Лемешова
№ децили Для случая у = 0 Для случая у 1 = 1 Итого
В0 Е 0 ^к В Е к
1 26 26,100 1 0,900 27
2 22 21,461 5 5,539 27
3 14 17,828 13 9,172 27
4 18 16,669 9 10,331 27
5 15 14,743 12 12,257 27
6 15 12,662 12 14,338 27
7 12 11,626 15 15,374 27
8 8 9,232 19 17,768 27
9 2 2,367 25 24,633 27
10 3 2,308 24 24,692 27
Вычисляем значение статистики :
10 (В0 - Е0)2 10 (В — Р1)2
X2 = Х2 + Х =1 к -Г} +1(Вк >] = 1,819 + 2,339 = 4,158. (7)
к=1 Ек к=1 Ек
Сравнивая полученную величину с критическим значением распределения Пирсона, видим, что
X2 = 4,158 <Хр(1 -а,d -2) = хКР (0.95,8) = 15,507, (8)
а это означает, что выдвинутая ранее гипотеза не отвергается, следовательно, модель корректно описывает изучаемый процесс.
Как было упомянуто на четвертом этапе исследования, что подтверждается в таблице 4, максимальный уровень полезности достигается для профиля <Р1, Б1, М2, Т1>. Поскольку изначально в рекламной компании использовался профиль <Р1, Б1, М1, Т1>, после проведения совместного анализа был заменен лишь текст надписи на изображении. Несмотря на то, что было произведено лишь одно изменение, оно может оказать существенное влияние, поскольку было установлено, что атрибут М оказывает значительное влияние на выбор. После осуществления изменений СТЯ рекламного сообщения вырос с 0,688% (было осуществлено 17 288 показов объявления) до 0,749% (осуществлено 5 210 показов). Если предположить, что в обоих случаях цена одного показа объявления одинакова, то после применения совместного анализа стоимость привлечения одного посетителя сократилась на 8,1%.
Заключение
Совместный анализ является удобным и доступным методом оценки предпочтений потребителей и может использоваться в отношении разнообразных продуктов. В частности, его можно применять в Интернет-маркетинге как альтернативу или дополнение к традиционным способам проведения эксперимента для сбора необходимой информации. Помимо этого, проведение совместного анализа на веб-ресурсах дает возможность без дополнительных усилий количественно оценивать эффект от его применения, что позволяет маркетологам наглядно убедиться в целесообразности (или нецелесообразности) его применения.
Предметом дальнейших исследований в данном направлении станут вопросы, связанные с адаптацией совместного анализа в отношении рекламы. В частности, имеет смысл определить, каким образом эффективнее осуществлять сегментацию аудитории. Применение совместного анализа поможет понять, по какому признаку лучше всего производить группирование потребителей, чтобы предлагаемые рекламные объявления наиболее точно соответствовали предпочтениям, характерным для каждого сегмента. Наряду с этим Интернет-среда дает возможность выявления кросс-культурных различий в предпочтениях и поведении потребителей [6]. Это позволит не только проводить оптимизацию очередного объекта анализа, но и формулировать
набор некоторых правил и закономерностей, применимых на практике и в дальнейшем приносящих определенный эффект.
ИСТОЧНИКИ:
1. Бережнов Г.В. Креативная деятельность в маркетинге // Российское предпринима-
тельство. - 2005. - № 9. - с. 64-68.
2. Захарова Т.А., Кутлалиев А.Х. Метод совместного анализа как инструмент изучения
предпочтений потребителей // Социология. - 2009. - № 28. - с. 5-28.
3. Золотарева Ю.В. Анализ потребительских предпочтений на региональном рынке туризма
и гостеприимства // Российское предпринимательство. - 2009. - № 12. - с. 169-174.
4. Кожушко О.А., Чуркин И., Агеев А. и др. Интернет-маркетинг и digital-стратегии.
Принципы эффективного использования. / учеб.пособие. - Новосибирск: РИЦ НГУ, 2015. - 327 с.
5. Тимофеев В.С., Фаддеенков А.В., Щеколдин В.Ю. Эконометрика. / 3-е изд., перераб.
и доп. - Новосибирск : Изд-во НГТУ, 2013. - 340 с.
6. Тимохина Г.С., Куликова Е.С. Маркетинговые исследования поведения глобальных
потребителей // Российское предпринимательство. - 2015. - № 15. - с. 2397-2406. -doi: 10.18334/rp.16.15.561.
7. Цой М.Е., Щеколдин В.Ю. Оценка эффективности тизерной рекламы // Практический маркетинг. - 2016. - № 7(233). - с. 27-33.
8. Цой М.Е., Щеколдин В.Ю. Разработка нового ассортимента продукции на основе
метода RDE // Практический маркетинг. - 2015. - № 4(218). - с. 17-22.
9. Цой М.Е., Щеколдин В.Ю. Современные методы исследований в Маркетинге //
Маркетинг. - 2014. - № 2. - с. 19-32.
10. Черенков А.А. Применение метода совместного анализа в маркетинговых исследованиях // Маркетинг и маркетинговые исследования. - 1999. - № 2.
11. Шеффе Г. Дисперсионный анализ. - М.:Наука, 1980. - 512 с.
12. Эш Т. Повышение эффективности Интернет-рекламы. Оптимизация целевых страниц для улучшения конверсии. - М.: Манн, Иванов и Фербер, 2011. - 408 с.
13. Hauber B. Statistkal Methods for the Analysis of Dis^ete Choke Experiments: A Report of the ISPOR Conjoint Analysis Good Research Pra^kes Task Force // Value in Health. - 2016. - p. 300-315.
14. Aizaki H., Nishimura K. Design and analysis of ^oke experiments using R: a brief introdu^ion // Agrietara! Information Research. - 2008. - № 2. - p. 86-94.
15. Gofman A., Moskowitz H.R., Bevolo M., Mets T. Deœding œnsumers perceptions of premium produis with rule-developing experimentation // Journal of Consumer Marketing. - 2010. - № 27(5). - p. 425-436.
16. Gofman A., Moskowitz H.R., Mets T. Integrating srienœ into web design: Consumer driven website optimization // Journal of Consumer Marketing. - 2009. - № 6(4). - p. 286-298.
17. Hosmer D., Lemeshow S., Sturdivant R. Applied Logistic Regression. / 3rd ed. - New
York:Wiley, 2013.
18. Kaushik A. Experimentation and testing: a primer. Kaushik. [Электронный ресурс].
URL: https://www.kaushik.net/avinash/experimentation-and-testing-a-primer/ ( дата
обращения: 28.10.2017 ).
19. McFadden D. Quantitative methods for analyzing travel behaviour on individuals: some
recent developments // D. Hensher and P. Stopher (eds.), Behavioural Travel Modelling.
London: Croom Helm. - 1978. - pp. 279-318
20. Moskowitz H.R., GofmanA. Selling blue elephants. , 2007. - 272 p.
21. Malhotra N.K. Marketing Research. , 2009. - 936 p.
22. Schreiber S., Baier D. Multivariate Landing Page Optimization Using Hierarchical Bayes
Choice-Based Conjoint // Discover. - 2015. - p. 465-474.
REFERENCES:
Aizaki H., Nishimura K. (2008). Design and analysis of choice experiments using R: a brief introductionAgricultural Information Research. 17 (2). 86-94.
Berezhnov G.V. (2005). Kreativnaya deyatelnost v marketinge [Creative activity in marketing]. Russian Entrepreneurship. 6 (9). 64-68. (in Russian).
Cherenkov A.A. (1999). Primenenie metoda sovmestnogo analiza v marketingovyh issledovaniyakh [The application of the method of joint analysis in marketing research]. Marketing i marketingovye issledovaniya. (2). (in Russian).
Esh T. (2011). Povyshenie effektivnosti Internet-reklamy. Optimizatsiya tselevyh stranits dlya uluchsheniya konversii [Efficiency increase in Internet advertising. Optimizing landing pages to improve conversion]M.: Mann, Ivanov i Ferber. (in Russian).
Gofman A., Moskowitz H.R., Bevolo M., Mets T. (2010). Decoding consumers perceptions of premium products with rule-developing experimentation Journal of Consumer Marketing. (27(5)). 425-436.
Gofman A., Moskowitz H.R., Mets T. (2009). Integrating science into web design: Consumer driven website optimization Journal of Consumer Marketing. (6(4)). 286-298.
Hauber B. (2016). Statistical Methods for the Analysis of Discrete Choice Experiments: A Report of the ISPOR Conjoint Analysis Good Research Practices Task Force Value in Health. 19 300-315.
Hosmer D., Lemeshow S., Sturdivant R. (2013). Applied Logistic Regression New York: Wiley.
Kaushik A. Experimentation and testing: a primerKaushik. Retrieved October 28, 2017, from https://www.kaushik.net/avinash/experimentation-and-testing-a-primer/
российское предпринимательство № 212017 (ноябрь)
3287
Kozhushko O.A., Churkin I., Ageev A. i dr. (201S). Internet-marketing i digital-strategii. Printsipy effektivnogo ispolzovaniya [Internet marketing and digital-strategy. Principles of effective use] Novosibirsk: RITs NGU. (in Russian).
Malhotra N.K. (2009). Marketing Research Pearson.
Moskowitz H.R., GofmanA. (2007). Selling blue elephants Pearson Education.
Schreiber S., Baier D. (201S). Multivariate Landing Page Optimization Using Hierarchical Bayes Choice-Based Conjoint Discover. 4б5-474.
Sheffe G. (19S0). Dispersionnyy analiz [Dispersion analysis] M.: Nauka. (in Russian).
Timofeev V.S., Faddeenkov A.V., Shchekoldin V.Yu. (2013). Ekonometrika [Econome trics] Novosibirsk : Izd-vo NGTU. (in Russian).
Timokhina G.S., Kulikova E.S. (201S). Marketingovye issledovaniya povedeniya globalnyh potrebiteley[Marketing researches of global consumer behavior]. Russian Entrepreneurship. 1б (15). 2397-240б. (in Russian). doi: 10.18334/rp.16.15.561.
Tsoy M.E., Shchekoldin V.Yu. (2014). Sovremennye metody issledovaniy v Marketinge [Modern methods of research in Marketing]. Marketing. (2). 19-32. (in Russian).
Tsoy M.E., Shchekoldin V.Yu. (2015). Razrabotka novogo assortimenta produktsii na osnove metoda RDE[Development of a New Range of Products on the Basis of RDE-method]. Practical Marketing. (4(218)). 17-22. (in Russian).
Tsoy M.E., Shchekoldin V.Yu. (201б). Otsenka effektivnosti tizernoy reklamy [Efficiency Estimation of Teaser Advertising]. Practical Marketing. (7(233)). 27-33. (in Russian).
Zakharova T.A., Kutlaliev A.Kh. (2009). Metod sovmestnogo analiza kak instrument izucheniya predpochteniy potrebiteley [The method of joint analysis as a tool for studying consumer preferences]. Sociology. (28). 5-28. (in Russian).
Zolotareva Yu.V. (2009). Analiz potrebitelskikh predpochteniy na regionalnom rynke turizma i gostepriimstva[Analysis of consumer preferences in the regional tourism and hospitality market]. Russian Entrepreneurship. 10 (12). 1б9-174. (in Russian).
