Dotazování obrazu vnímání kolekce objektů
(Brand Image, Customer/Employee Satisfaction, Life Style, etc.)

Problém

Zjišťování obrazu vnímání kolekcí objektů jako jsou značky (brand image), instituce (spokojenost zaměstnanců nebo zákazníků), společnost (životní styl) a pod., je důležitým předmětem výzkumu trhu a veřejného mínění. Pochopení silných a slabých stránek vlastních i konkurenčních objektů a rozdílů mezi nimi je východiskem pro marketingovou nebo společenskou strategii.

Standardní dotazník je obvykle vystavěn z baterií otázek, ve kterých respondent vyjadřuje míru svého souhlasu s postupně předkládanými výroky o aspektech objektu. Výsledky bývají často málo průkazné, s malým rozlišením a velkým šumem (chybovým rozptylem). Má to své důvody. Velmi dobře si vzpomínám na vnitřní výzkumy spokojenosti zaměstnanců, které jsem rok co rok podstupoval. Byly dlouhé, nudné a ubíjející. U všech otázek se musela označit odpověď, i když třeba hodnota "nevím". O řadě dotazovaných objektů (vnitřních službách) jsem nevěděl nic, ale nemohl je ignorovat. Když došlo na objekt, který se mě bezprostředně týkal a rád bych se o něm vyjádřil, mnoho aspektů bylo pro mě nepodstatných. Nejprve jsem ohodnotil ty, o nichž jsem se vyjádřit chtěl, a u ostatních povinně naklikal "nevím". Protože tato odpověď byla až na samém kraji obrazovky, stávalo se, že jsem již označené odpovědi omylem přepsal. S rostoucím časem stráveným opakovanou činností tohoto typu moje rozladěnost stoupala a relevantní odpovědi řídly. Naštěstí jsem nemusel taková data ani analyzovat, ani interpretovat.

Baterie škálových otázek, na kterých skutečně záleží, se úspěšně nahrazují postupem MXD - Maximum Difference Scaling. Výsledky mají výrazně vyšší diskriminační schopnost mezi aspekty i respondenty. Dotazování je ale podstatně delší, protože úkolů (tasks) volby nejvíce a nejméně odpovídajícího aspektu z množiny aspektů pro určitý objekt musí být tolik, aby se každý aspekt objevil asi 3 až 5-krát. Úvahy o využití MXD v získání obrazu vnímání kolekcí objektů vyjeví další problémy.

• Pokud by měl respondent projít úlohami MXD pro každý z objektů, dotazování by se značně prodloužilo. Tomu se dá předejít předchozím screeningem na znalost objektů (např. značek), ovšem za cenu potenciální ztráty informace. Zkušený respondent z panelu ví, že když vyjádří neznalost, bude dotazník kratší a méně namáhavý.
• Standardní MXD neumožňuje odhad prahové hodnoty odlišující významný aspekt od nevýznamného. Práh lze získat ukotvením (anchoring) volby doplňující otázkou na důležitost zvoleného výroku. Nevýhodou je další prodloužení dotazování a vznik (obvykle nevelké) systematické odchylky zavedením syntetických omezujících podmínek. 
• Každá úloha MXD, provedená samostatně pro každý objekt, má obecně jinou citlivost (scaling factor). To omezuje porovnání hodnocení aspektů mezi objekty.

McCullough navrhl eliminovat výše uvedené problémy dodatečnými otázkami na pořadí objektů podle míry souhlasu s výroky pro každý z aspektů. K tomu využil známý postup Q-Sort. Počet úkolů volby (tasks) v ukotvených úlohách MXD se může snížit, protože úbytek informace je nahrazen informací z relativně rychlé sekce Q-Sort. Autor uvádí, že jím navržený postup také minimalizuje vliv aury (halo effect) některých objektů, zejména značek.

Reference článku

McCullough, P. R., 2013. Brand Imagery Measurement: Assessment of Current Practice and a New Approach. Proceedings of the Sawtooth Software Conference, October 2013, p. 147.

Princip citovaného postupu je v propojení preferencí v dimenzi aspektů s preferencemi v dimenzi objektů. Třídicí postup Q-Sort, navrhovaný pro zjišťování preferencí v dimenzi objektů, má slabinu v tom, že je ve své podstatě arbitrární. Týká se to seskupení tříděných položek do hromádek (piles) a vytvoření úkolů volby (tasks) pro numerický výpočet. Implementace do současného modelu DCM - Discrete Choice Modeling je sice možná, ale vždy bude závislá na zkušenostech tvůrce dotazníku a analytika.

Řešení

Preferenční experimenty pro zjištění obrazu vnímání kolekcí objektů mají dvě dimenze. Jednu tvoří objekty a druhou aspekty. Odhady se společným faktorem lze získat propojením ekvivalentních experimentů pro obě dimenze do společném modelu. Ve dvourozměrném problému N objektů a jejich M aspektů to odpovídá této matici hledaných parametrů b_ij:

V jedné skupině N experimentů (po řádcích) se určí preference mezi aspekty nezávisle pro každý objekt, a ve druhé skupině M experimentů (po sloupcích) mezi objekty nezávisle pro každý aspekt.

Ideálním řešením by bylo použít ukotvené úlohy MXD v obou dimenzích. U nepříliš rozsáhlé úlohy pro 8 objektů (např. značek) a 16 aspektů (charakteristik) by to znamenalo 8 úloh MXD s 16 položkami a 16 úloh MXD s 8 položkami. Takový rozhovor by byl nepřijatelně dlouhý. Naopak, je žádoucí, aby byl co nejkratší, snadno proveditelný a motivující tak, aby postihl objekty a aspekty, které jsou pro respondenta důležité, buď přitažlivé a uspokojující a nebo naopak odrazující nebo znepokojující. Respondent musí mít možnost přeskočit položky, které jsou pro něj nepodstatné, nezajímavé nebo o nich nic neví.

V předchozím příspěvku Zjednodušené vyhodnocení postupné volby z výběru je ukázka výsledku třídění simulovaného postupem sekvenční volby SCE - Sequential Choice Exercise z reálných dat získaných z MXD. Oba výsledky se z pohledu praktického využití neliší. Pro počet položek, které lze přehlédnout na jedné obrazovce, je SCE mnohem rychlejší než MXD. Navíc, není nutno klást doplňující otázky na ukotvení škály, protože při dosažení prahu významnosti respondent volby sám ukončí. Tím se dále zkrátí doba dotazování. Numerická metoda odhadu parametrů SCE je teoreticky odůvodněná a na rozdíl od Q-Sort je jednoznačná. Díky těmto vlastnostem se SCE jeví jako vhodný postup pro obě dimenze dotazování.

Poznámka k SCE

• Účinnost odhadu hlavních efektů, chápaná jako získaná informace vztažená na jednu volbu, je v SCE podstatně vyšší než v MXD. Pokud uvažujeme v MXD jen jeden typ volby, např. volbu nejlepší (best) položky, pro 16 testovaných položek je zisk informace z MXD s volbami ze 14 výběrů po 4 položkách zhruba stejný jako z SCE s 8 volbami.
• Určení pořadí více než poloviny položek přináší velmi malý dodatečný zisk informace, a je proto málo účinné.
• SCE neumožňuje odhad interakcí.
• Zpracování dat z SCE je náročnější než z MXD. Zatímco v MXD jsou dotazovací plány dány předem, dotazovací plány pro SCE se generují pro každou volbu respondenta s ohledem na jeho ostatní volby.
• Kovarianční matice odhadů uvnitř dat respondenta je v SCE diagonální. Nediagonální prvky lze odhadnout ze vztahů mezi respondenty jen jako bayesiánské odhady. Pokud jsou interpretačně důležité, je nutno navýšit vzorek.
• Jiné než bayesiánské odhady parametrů nejsou možné. Dotazovací plány pro SCE jsou vždy přesycené (oversaturated) v parametrech.

Vlastnosti 

Výhody

• Konstrukce dotazníku je obecná a opakovaně použitelná. Jsou to 2 otázky (na nejlepší a nejhorší volbu) ve dvou vnořených cyklech objektů a aspektů.
• Předpokládaná doba dotazování je flexibilní. V analogii s počtem výběrů pro volby v MXD lze v SCE předem nastavit maximální počet voleb.
• Určení prahových hodnot nevyžaduje dodatečné otázky na ukotvení ani přidání syntetických výběrů pro volbu.
• Odhady parametrů jsou bayesiánské, tj. spolehlivé a stabilní.
  
• Metoda ve srovnání s klasickými škálovými bateriemi lépe diskriminuje mezi objekty, aspekty i jednotlivci.
• Lepší diskriminace mezi jednotlivci umožňuje ostřejší segmentaci.
• Prahové hodnoty umožňují normalizaci intenzity vnímání nezávisle pro každý element matice parametrů. 
• Intenzita vnímání vyjadřuje přijetí resp. odmítnutí aspektu objektu v procentech. Nulová hodnota odpovídá prahu hodnocení.
• Kladné hodnoty identifikují silné stránky a záporné hodnoty slabé stránky objektů. 
• Normalizace intenzity vnímání dovoluje porovnávat výsledky i mezi studiemi.

Nevýhody

• Numerické zpracování dat je náročnější než dat z baterií škálových otázek.

Omezení

• Obě dimenze matice odhadovaných prvků jsou omezeny asi na 15, v krajním případě na 20 položek. Plyne to z použití postupu třídění SCE, který vyžaduje v první volbě zobrazit všechny položky v dané dimenzi. Vybírat z většího počtu by respondent pravděpodobně nezvládl.
• Celkový počet odhadovaných prvků (součin dimenzí) by neměl překročit cca 400. Odpovídá to např. 20 značkám s 20 testovanými aspekty. Ačkoliv respondent má možnost libovolné objekty i aspekty přeskočit, větší počet by nejspíš snížil ochotu respondentů odpovídat. 
• Všechny výroky by měly mít kladný význam a smysl, aby vyjádření souhlasu a nesouhlasu s nimi respondenta nemátlo.

Příklady z praxe

Dotazník pro test postupu se připravuje. Výsledky a poznatky budou zveřejněny zde.

Souhrn

Příspěvek přináší novelizovaný návrh postupu pro zjišťování obrazu vnímání kolekcí objektů.