作為付費(fèi)的企業(yè)級(jí)產(chǎn)品，隨著開(kāi)放平臺(tái)應(yīng)用的增多，我們需要考慮不同市場(chǎng)對(duì)不同應(yīng)用或組合的偏好，以及組合價(jià)格對(duì)企業(yè)用戶(hù)的吸引力。借著“企業(yè)QQ平臺(tái)應(yīng)用價(jià)格研究”，梳理了一下常用的價(jià)格研究方法。如圖1所示，針對(duì)產(chǎn)品階段與投入資源的差異性，通?？梢詫r(jià)格研究策略分為三種：歷史數(shù)據(jù)模型、購(gòu)買(mǎi)行為實(shí)驗(yàn)控制、模擬購(gòu)買(mǎi)。

圖1 價(jià)格研究的策略

對(duì)于尚未進(jìn)入市場(chǎng)的新產(chǎn)品，我們通常采用“模擬購(gòu)買(mǎi)”的策略，進(jìn)行直接或間接的測(cè)量。而不同測(cè)量方式費(fèi)用、復(fù)雜性、結(jié)論適用性、數(shù)據(jù)質(zhì)量都有所不同（見(jiàn)表1），目前市場(chǎng)調(diào)研中廣泛使用的是基于聯(lián)合分析的間接測(cè)量。本文將以CBC模型（Choice based conjoint Analysis，基于選擇的結(jié)合分析，也稱(chēng)離散選擇分析：Discrete Choice Analysis）為代表，簡(jiǎn)單介紹聯(lián)合分析測(cè)量?jī)r(jià)格的方法。數(shù)據(jù)搜集與分析過(guò)程涉及計(jì)算機(jī)模擬與算法選擇，篇幅限制，本文不會(huì)展開(kāi)介紹。

表1 模擬購(gòu)買(mǎi)的測(cè)量方法比較

1 聯(lián)合分析的基本假定與概念

基本假定：消費(fèi)者是根據(jù)構(gòu)成產(chǎn)品/服務(wù)的多個(gè)屬性來(lái)進(jìn)行感知和作偏好判斷，也就是說(shuō)，消費(fèi)者對(duì)產(chǎn)品/服務(wù)的偏好每次并不是基于一個(gè)因素而是基于幾個(gè)因素的結(jié)合來(lái)判斷的。單獨(dú)或直接的詢(xún)問(wèn)消費(fèi)者各個(gè)屬性的重要性，是不現(xiàn)實(shí)，甚至是無(wú)用的。所以在市場(chǎng)研究中，我們要模擬“消費(fèi)者在面對(duì)不同的產(chǎn)品／服務(wù)及其組合時(shí)，參考多種屬性的結(jié)合效應(yīng)之后做出選擇”的過(guò)程。通過(guò)提供給消費(fèi)者以不同的屬性水平組合形成的產(chǎn)品，并請(qǐng)消費(fèi)者做出心理判斷，然后采用數(shù)理分析方法對(duì)每個(gè)屬性水平賦值，使評(píng)價(jià)結(jié)果與消費(fèi)者的給分盡量保持一致，來(lái)分析研究消費(fèi)者的選擇行為，這是一種間接的測(cè)量過(guò)程。

基本概念：在聯(lián)合分析中，產(chǎn)品／服務(wù)被描述為“輪廓”（profile），每一個(gè)輪廓是由能夠描述產(chǎn)品/服務(wù)重要特征的屬性以及賦予每一個(gè)屬性的不同水平的組合構(gòu)成的。消費(fèi)者對(duì)某一輪廓的偏好可以分解成該輪廓的多個(gè)屬性的偏好得分，在聯(lián)合分析中用效用值來(lái)描述。

2?聯(lián)合分析的操作流程與CBC案例

圖2 聯(lián)合分析的基本操作步驟

確定屬性與水平：這是聯(lián)合分析最重要的一步。所有正面和反面的因素都要考慮，而且要包括所有決定性的關(guān)鍵屬性在內(nèi)。比如考慮產(chǎn)品設(shè)計(jì)維度的時(shí)候，如果缺少價(jià)格因素，就會(huì)出現(xiàn)一邊倒的情況，即用戶(hù)都會(huì)傾向于選擇更好的。一個(gè)典型的聯(lián)合分析包含6~7個(gè)顯著因素，經(jīng)驗(yàn)、管理直覺(jué)和定性研究是確定產(chǎn)品和服務(wù)的主要屬性所必不可少的。當(dāng)屬性決定之后，還要選擇每個(gè)屬性的水平。各屬性所含的水平數(shù)目應(yīng)盡可能平衡（研究表明：一個(gè)屬性的水平數(shù)目增加時(shí)，即使起點(diǎn)保持不變，該屬性的相對(duì)重要性也會(huì)提高），水平的范圍（從低到高）可以比實(shí)際范圍低一些或高一些，但不能設(shè)定得太離譜，脫離了消費(fèi)者的真實(shí)偏好和感知。

產(chǎn)品模擬與數(shù)據(jù)搜集：產(chǎn)品模擬可以是全輪廓（包含全部屬性），也可以是部分輪廓（包含部分屬性，適用于屬性較多時(shí)，通常為3或5個(gè)屬性），如圖3所示。

全輪廓 部分輪廓

圖3 全輪廓與部分輪廓示意圖

所示輪廓可以完全用文字描述，也可以輔助于圖片或?qū)嵨锬Ｐ?，一般需要將輪廓制作成卡片?/p>

數(shù)據(jù)搜集的方法有基于偏好函數(shù)的排序法和打分法，以及基于離散選擇的方法。前者假設(shè)屬性水平變化時(shí)，人的偏好變化函數(shù)是線(xiàn)型、二次型、分段線(xiàn)型或混合型；后者基于多項(xiàng)式logit模型，可以處理基于選擇實(shí)驗(yàn)的行為模型。兩大類(lèi)方法實(shí)驗(yàn)材料如圖4-5所示。

基于偏好的實(shí)驗(yàn)中，消費(fèi)者可以對(duì)每個(gè)輪廓進(jìn)行偏好打分，通常是1-9分，也可以對(duì)所有輪廓進(jìn)行排序，當(dāng)輪廓數(shù)較多（大于20）時(shí)，較難執(zhí)行。

圖4 基于偏好的實(shí)驗(yàn)材料

基于選擇的實(shí)驗(yàn)中，消費(fèi)者根據(jù)對(duì)每個(gè)系列的輪廓進(jìn)行選擇，也可以增加一個(gè)“none”選項(xiàng)，即都不選擇。

圖5 基于選擇的實(shí)驗(yàn)材料

下面簡(jiǎn)單介紹一個(gè)采用全輪廓產(chǎn)品模擬，搜集離散選擇數(shù)據(jù)的案例。如某個(gè)產(chǎn)品可以分解為4個(gè)屬性的組合，品牌、價(jià)格、產(chǎn)品、服務(wù)，品牌有3個(gè)水平：品牌A、品牌B、品牌C；價(jià)格有3個(gè)水平：200元、250元、300元；產(chǎn)品有3個(gè)水平：基礎(chǔ)版、標(biāo)準(zhǔn)版、高級(jí)版；服務(wù)有3個(gè)水平：較差、一般、較好。如果按照全輪廓計(jì)算，那么就有3*3*3*3=81個(gè)不同的輪廓。通常模擬產(chǎn)品數(shù)量超過(guò)30個(gè)的全輪廓測(cè)試會(huì)造成用戶(hù)負(fù)擔(dān)，可以采用正交設(shè)計(jì)等方式來(lái)減少評(píng)價(jià)的次數(shù)。按照L9（3⁴）進(jìn)行設(shè)計(jì)需要作9次測(cè)試，最多觀(guān)察4因素，每個(gè)因素均為3水平，如表2的profile1所示，將水平都記為1、2、3，總共有9個(gè)輪廓。如果是基于偏好的方法，可對(duì)這些輪廓進(jìn)行偏好打分或排序即可搜集數(shù)據(jù)。而如果是基于選擇的方法，則我們還需要?jiǎng)?chuàng)造每個(gè)題目（set）的其他選項(xiàng)，這里介紹一種shifted design的方法。即將每個(gè)水平的數(shù)＋1（1變2，2變3，3變1）如此得到profile2，再＋1得到profile3。有多少個(gè)水平，依次得到多少個(gè)profile。如此，就得到了9個(gè)題目。如果需要，還可以設(shè)置“none”選項(xiàng)，則每題共4個(gè)選項(xiàng)。類(lèi)似的，各屬性最大水平數(shù)越多題目也就越多。一般情況下，每個(gè)用戶(hù)需要判斷9-12題，最好不要超過(guò)20個(gè)。

表2 shifted design

計(jì)算屬性效用：從收集的信息中分離出消費(fèi)者對(duì)每一屬性以及屬性水平的偏好值，這些偏好值也就是該屬性的“效用”。

估計(jì)和驗(yàn)證：建立模型后還須對(duì)結(jié)果的信度和效度進(jìn)行評(píng)價(jià)，以評(píng)價(jià)在消費(fèi)者個(gè)體層次和消費(fèi)者群體層次上聯(lián)合分析模型的正確性。

以上兩部分涉及算法選擇與計(jì)算機(jī)模擬過(guò)程，Sawtooth公司是該領(lǐng)域?qū)I(yè)的軟件開(kāi)發(fā)公司，更多內(nèi)容見(jiàn)http://www.sawtoothsoftware.com。

解釋與應(yīng)用：以下結(jié)合一些模擬結(jié)果對(duì)這部分內(nèi)容做簡(jiǎn)單闡述。

結(jié)果解釋?zhuān)合M(fèi)者對(duì)每個(gè)屬性的偏好，屬性的相對(duì)重要性，以及消費(fèi)者的類(lèi)型特點(diǎn)。如圖6所示，用戶(hù)最喜歡的產(chǎn)品是高級(jí)版，高級(jí)版與標(biāo)準(zhǔn)版的偏好差異不大，但用戶(hù)對(duì)基礎(chǔ)版的偏好顯著低于其它兩個(gè)版本；各屬性的相對(duì)重要性，從高到低依次為品牌、價(jià)格、產(chǎn)品、服務(wù)，相應(yīng)的可以得到各類(lèi)消費(fèi)者的占比。

圖6 結(jié)果示意圖

市場(chǎng)預(yù)測(cè)：利用效用值來(lái)預(yù)測(cè)消費(fèi)者將如何在不同產(chǎn)品中進(jìn)行選擇，從而決定應(yīng)該采取的措施，幫助構(gòu)建市場(chǎng)模擬模型。同時(shí)我們也可根據(jù)不同的消費(fèi)偏好對(duì)消費(fèi)者進(jìn)行市場(chǎng)細(xì)分，作進(jìn)一步分析，研究不同性別、年齡、收入、區(qū)域的消費(fèi)者是否有相似性。即按照某種屬性的偏好將樣本分類(lèi)，對(duì)每一個(gè)消費(fèi)者的偏好計(jì)算不同屬性水平的效用值和屬性的相對(duì)重要性，并分析個(gè)體或群體對(duì)產(chǎn)品服務(wù)的不同組合的偏好反應(yīng)屬性；當(dāng)然也可根據(jù)不同屬性將消費(fèi)者分類(lèi)，分析不同群體或整個(gè)群體之間的偏好反應(yīng)屬性。如表3所示，可以發(fā)現(xiàn)，女性相對(duì)更在意品牌，男性相對(duì)更在意產(chǎn)品。18-24歲的用戶(hù)價(jià)格敏感型占比最高。

表3 分組分析示意表

市場(chǎng)模擬：有了每種屬性水平的效用，將所有屬性的效用值相加計(jì)算出產(chǎn)品的價(jià)值。市場(chǎng)份額或產(chǎn)品偏好份額通常用該產(chǎn)品效用值與整個(gè)市場(chǎng)效用值之比來(lái)表示。市場(chǎng)模擬程序可以迅速而且輕易的完成這些計(jì)算工作，并將結(jié)果用圖形或數(shù)據(jù)表格的形式表現(xiàn)出來(lái)。如圖7所示，品牌A，高級(jí)版，服務(wù)較好，定價(jià)為300元的產(chǎn)品將獲得50%左右的市場(chǎng)份額。

圖7 產(chǎn)品組合模擬示意圖

我們還可以看到模擬出選擇這個(gè)產(chǎn)品的消費(fèi)者特征，如圖8所示，女性比男性多，35歲以上的占比較多。

圖8 產(chǎn)品組合的分組分析示意圖

此外，還可以模擬當(dāng)品牌A價(jià)格發(fā)生變化的時(shí)候，三個(gè)產(chǎn)品市場(chǎng)份額的變化情況，如圖9所示。

圖9 各產(chǎn)品隨品牌A價(jià)格變化模擬示意圖

3?聯(lián)合分析與CBC小結(jié)

在現(xiàn)代市場(chǎng)研究的各個(gè)方面，如新產(chǎn)品的概念篩選、開(kāi)發(fā)，競(jìng)爭(zhēng)分析，產(chǎn)品定價(jià)，市場(chǎng)細(xì)分，廣告，分銷(xiāo)，品牌等領(lǐng)域，都可見(jiàn)到聯(lián)合分析的應(yīng)用。聯(lián)合分析主要解決三個(gè)問(wèn)題：

（1）測(cè)量消費(fèi)者在多屬性選擇時(shí)的偏好。

（2）確定消費(fèi)者在多屬性產(chǎn)品之間作出利弊選擇。

（3）模擬市場(chǎng)，開(kāi)發(fā)消費(fèi)者最喜歡的產(chǎn)品/服務(wù)。

CBC區(qū)別于其它聯(lián)合分析的主要特征是被訪(fǎng)者通過(guò)從一組概念中選擇來(lái)表達(dá)偏好，而不是評(píng)級(jí)或排名。基于選擇的工作類(lèi)似購(gòu)買(mǎi)者在市場(chǎng)上的行為，從一組產(chǎn)品中選擇喜歡的產(chǎn)品，是每個(gè)人可以理解的簡(jiǎn)單、自然的工作。而且，如果在一組概念中沒(méi)有受訪(fǎng)者喜歡的產(chǎn)品，CBC允許受訪(fǎng)者選擇“none”，從而更加真實(shí)的模擬了消費(fèi)者購(gòu)買(mǎi)產(chǎn)品的過(guò)程。

大部分聯(lián)合分析方法僅基于主要影響模型，忽視了交互作用，而CBC在測(cè)量屬性之間的交互作用方面具有絕對(duì)優(yōu)勢(shì)，如在不同品牌對(duì)價(jià)格變化的敏感程度不同時(shí)，CBC通過(guò)對(duì)交互作用的考察能夠更好的、更全面的考慮價(jià)格影響因素，因此更適用于價(jià)格研究與新產(chǎn)品市場(chǎng)預(yù)測(cè)。

最后，需要注意的是，研究不能解決所有問(wèn)題，定量的研究方法經(jīng)常用于支持價(jià)格決策，但不能代替制定價(jià)格戰(zhàn)略本身。

參考文獻(xiàn)

Chrzan, K. (1999). Full versus Partial Profile Choice Experiments: Aggregate and Disaggregate Comparisons. Sawtooth software research paper series.

Chrzan, K., & Orme, B. (2000). An overview and comparison of design strategies for choice-based conjoint analysis. Sawtooth software research paper series.

來(lái)自:騰訊ISUX (http://isux.tencent.com/choice-based-conjoint.html)