Abstrakt
Současný komerční výzkum trhu je ve značné míře zaměřen na evokované percepční a emocionální atributy objektů, kterými jsou produkty, služby, značky, instituce a pod. Odhad vlivu takových atributů na přijatelnost objektu potencionálními uživateli je možný s využitím modelu a výpočetního aparátu pro úlohy typu hodnotového conjointu. Uvedeným příkladem aplikace jsou značky řetězců rychlého občerstvení.
Rozdíly ve funkčních a uživatelských vlastnostech nabídek trhu nebývají před jejich využitím dostatečně výrazné. Zvýšenou důležitost při volbě mají percepční a emocionální postoje, které ve spotřebiteli nabídka a její poskytovatel vyvolává a které jsou souhrnně označovány jako image.
Cílené ovlivnění image marketingem vyžaduje znalost vlivu evokovaných postojů na úspěšnost nabídky. Ve výsledcích
komerčního výzkumu trhu jsou obvykle prezentovány podíly respondentů, kteří studovaným objektům určitý atribut
přisoudí, případně jiné míry (např. top-boxy). Příklad typického dotazníku a výsledků imageové studie je v
ukázkovém videu společnosti Qualtricks International Inc.
Opomeneme-li semi-kvantitativní postupy (např. free association method, brand concept maps,
user-generated content, aj.), lze v odborné literatuře nalézt exaktní postupy pro odhad vlivu image na
úspěšnost nabídky. Jedním z nich je faktorová analýza, která zviditelňuje vztahy mezi hodnocením studovaných
objektů a jejich atributy. Ze zkušenosti je známo, že interpretace výsledků faktorové analýzy (faktory, jejich
komunality, faktorové zátěže proměnných a další veličiny) se dají jen obtížně převést do manažerského jazyka a
rozhodnutí. Tomu se snaží vyhnout metoda strukturovaných rovnic (SEM - Structure Equation Modeling)
a její rozšíření GSCA - Generalized Structured Component Analysis. Tyto metody vyžadují
apriorní definici zřetězení vztahů (paths) mezi vysvětlujícími a vysvětlovanými proměnnými. Tuto strukturu
navrhuje analytik. Navíc, nejjednodušší postup založený na vícenásobné vícerozměrné lineární regresi nebývá
dostatečně stabilní v důsledku korelovanosti vysvětlujících proměnných. Regresní koeficienty proto mívají
neočekávané hodnoty a často i opačná než očekávaná znaménka. Tyto a jim příbuzné postupy jsou téměř výhradně
předmětem akademických studií.
Ještě poměrně nedávno byla velmi důležitým nástrojem výzkumu trhu pro optimalizaci vlastností produktů metoda CA - Conjoint Analysis, která je založena na rozhodování racionálního spotřebitele na základě nastavitelných vlastností produktu. S růstem vlivu percepčních a emocionálních postojů při výběru a volbě produktu použitelnost CA klesla, protože tyto postoje jsou evokovány a nastavit ani zadat je nelze. Je však možné využít obrácený postup. Místo zadání hodnoty atributu produktu lze položit otázku, jakou hodnotu určitého atributu daný objekt nebo produkt v respondentovi evokuje. Takový postup je základem tradičního dotazníku. Získaná odpověď se stává hladinou atributu pro vytvoření dotazovacího plánu CA. Dotazovací plán tedy není generován předem, jak je tomu v CA, ale je tvořen evokovanými postoji respondentů.
Pro odhad vlivu evokovaných atributů je vhodné využít teoretický model CVA - Conjoint Value Analysis a odpovídající
matematický aparát. Respondent hodnotí studované objekty jeden po druhém. Jde vlastně o klasický test objektů buď
s jedním (např. značka) nebo jen s několika explicitními atributy (např. značka, model a cena). Hodnocení
přijatelnosti objektu je následně doplněno o otázky na evokované percepce a emoce. Získaná data se analyzují,
stejně jako v CVA, postupem regrese hodnocení přijatelnosti konceptů na explicitních a evokovaných atributech. Za
vliv atributu lze vzít podíl důležitosti atributu na součtu důležitosti všech atributů.
V regresních postupech je důležitá spolehlivost (přesnost + správnost) proměnných. Klasická lineární regrese
metodou nejmenších čtverců (OLS - Ordinary Least Squares) předpokládá, že vysvětlující (nezávislé) proměnné jsou
parametry, tedy nikoliv experimentální proměnné s nenulovou chybou a nenulovými korelacemi, jak je tomu u
evokovaných proměnných. OLS není pro daný účel použitelná. Teoretický model CVA byl zvolen hlavně proto, že
dostupný software pro odhady využívá robustní hierarchickou Bayesovu regresi, jejíž
podmínky lze nastavit tak, aby byly potlačeny interpretačně i statisticky chybné odhady regresních koeficientů.
Poznámka
Postup dotazování imageových atributů se ve výzkumu trhu stabilizoval. Souhrn a vlastnosti 12 různých variant dotazování uvádějí Plumeyer, Anja et al. (2019). Maximální počet testovaných objektů a jejich atributů, stejně jako v jiných matematicko-statistických postupech, je omezený požadavky na přesnost a správnost.
Vysvětlovanou (závisle) proměnnou bývá nejčastěji pravděpodobnost nákupu nebo pořízení (PI - Purchase Intention), opakovaná koupě, ochota pokračovat ve využívání služby a pod., případně jejich kombinace. Většinou se příslušné hodnoty získávají z hodnocení objektů nebo jejich konceptů. Velmi důležitá je spolehlivost takových hodnot. Proto by hodnocení mělo mít alespoň 5-ti stupňovou škálu. Škály s více než 10 stupni se neosvědčily, protože respondent obvykle využívá jen část škály (obvykle ne více než 5 až 7 stupňů), i když každý respondent jinou část. Je výhodné konstruovat vysvětlovanou proměnnou z několika odpovědí, např. jako vážený průměr z ochoty koupit, ochoty doporučit a ochoty koupi opakovat, a tím zvýšit spolehlivost hodnocení.
Percepčních a emocionálních atributů bývá mnoho, obvykle několik desítek. Je běžné, že otázky bývají rozděleny do několika baterií. Není-li atributů nepřijatelně mnoho a jsou-li apriorně považovány za důležité, je vhodné použít hodnocení na škále s alespoň 3 stupni (1 - je horší než většina, 2 - nijak nevybočuje z průměru, 3 - je lepší než většina) nebo více stupni. Je-li atributů mnoho a jsou-li apriorně méně důležité, je možno použít dichotomické hodnocení (0 - nemá tuto vlastnost, 1 - má tuto vlastnost) ve dvourozměrných mřížích (atributy × objekty, check-box grid question). Respondent by neměl mít možnost označit pro každý atribut víc než polovinu objektů. Čistě teoreticky je možno použít v téže úloze různé způsoby hodnocení, ale hodnocení s větším počtem stupňů škály získá vyšší důležitost než by získalo s nižším počtem stupňů, protože obsah informace roste s přesností proměnné (informační entropie je přímo úměrná chybové varianci proměnné).
Pro test postupu byla zvolena data ze starší studie imageových atributů pro několik značek řetězců rychlého občerstvení.
Za vysvětlovanou (závisle) proměnnou byl zvolen aritmetický průměr odpovědí na (1) celkovou spokojenost, (2) doporučení přátelům a (3) opakovanou návštěvu. Tyto 3 otázky byly dotazovány na 5-ti stupňové škále pro značky, které respondent znal.
U vysvětlujících (nezávisle) proměnných měla odpověď na poměr kvality a ceny produktů rovněž 5 stupňů. Všechny ostatní atributy byly dotazovány na dichotomické škále, a byly získány označením buňky (check-box) v mříži atributů a známých značek. Respondent musel pro každou značku označit alespoň jeden atribut, jinak omezen nebyl.
Data byla zpracována jako CVA - Conjoint Value Analysis. Výpočet vlivu atributů byl nastaven tak, aby se uplatnily všechny atributy bez omezení výše jejich vlivu. Vypočtené podíly vlivu jednotlivých atributů jsou na obrázku níže.
Výsledné pořadí vlivů nevzbuzuje významné pochybnosti. Současně se nabízí otázka, co potenciální zákazníci rychlého občerstvení považují za kvalitu a jak se v tomto ohledu liší cílové skupiny.
Poznámka
Úspěšnost značky záleží na vnímání určitého atributu pouze tehdy, má-li atribut významný vliv. Pro aktuální interpretaci a skutečné využití mají hodnoty vlivů význam pouze tehdy, je-li vnímané hodnocení atributů jednotlivých značek zobrazeno paralelně s odhadnutými vlivy. Vedle agregovaných výsledků postup umožňuje porovnání vlivu atributů dvou objektů, např. klienta a jeho nejbližší konkurence. Takové zobrazení neuvádíme z důvodu důvěrnosti výsledků.
Úprava a zpracování dat je rutinní proces, který zkušenému analytikovi zabere zhruba jeden pracovní den.
Plumeyer, Anja, Kottemann, P., Böger, D, and Decker R. (2019). Measuring brand image: a systematic review, practical guidance, and future research directions. Review of Managerial Science, 13(2), pp. 227–265.