МЕТОД ВИЗНАЧЕННЯ ПЕРЕВАЖНОСТІ СПОЖИВЧИХ ХАРАКТЕРИСТИК ТОВАРУ НА ОСНОВІ ІНФОРМАЦІЇ ПРО ЙОГО ВИБІР ПОКУПЦЕМ
DOI:
https://doi.org/10.26906/SUNZ.2022.2.068Ключові слова:
споживчі уподобання, теорія корисності, компараторна ідентифікація, декомпозиційний підхід, функція корисностіАнотація
Актуальність. Одним з найактуальніших завдань сучасного маркетингу є виявлення та аналіз споживчих уподобань переваг, які впливають на вибір товару покупцем. Завдання. У роботі запропоновано метод визначення переваг споживчих характеристик товару, що базується на застосуванні декомпозиційного підходу. На основі інформації про рейтинг популярності марок товарів серед покупців, вирішується завдання визначення часткової корисності для кожної характеристики, і потім, відтворюється структура переваг покупця за всіма споживчими властивостями, які характеризують марки товару, що вивчаються. Результати. В рамках аксіоматики теорії багатокритеріальної корисності (MAUT) розроблено метод середньої точки для вирішення завдання визначення ”вагових” коефіцієнтів відносної важливості споживчих властивостей товарів, що базується на ідеях теорії компараторної ідентифікації. Внаслідок застосування запропонованого методу можна отримати єдине стійке рішення задачі. Показано, що в цьому випадку завдання визначення переваг споживчих характеристик можна привести до стандартної задачі лінійного програмування, розв'язування якої не представляє принципових труднощів. Отримані у ході застосування запропонованого методу значення відносних ”ваг” споживчих характеристик дозволяють порівнювати їх між собою за ступенем важливості (”корисності”) для покупця і, таким чином, вибрати ”найважливішу” з них або провести їх ранжування. Наведено результати комп'ютерного моделювання, що підтверджують ефективність застосування методу. Висновок. Практична значимість результатів роботи полягає в тому, що запропонований метод до визначення переваг споживачів дозволить маркетологам точно позиціонувати товар на ринку, активно застосовувати ”таргетовану” рекламу для видачі релевантних рекомендацій покупцям, а також створювати нові марки товарів з найбільш затребуваними характеристиками для підвищення обсягів продажів.Завантаження
Посилання
Rajagopal R. Consumer Behavior: External Factors: Analyzing Consumer Behavior to Drive Managerial Decision Making. Contemporary Marketing Strategy. Cham: Springer International Publishing. 2019. P. 35–63. https://doi.org/10.1007/978-3-030-11911-9_2.
Rajagopal R. Consumer Behavior: Internal Factors: Analyzing Consumer Behavior to Drive Managerial Decision Making. Contemporary Marketing Strategy. Cham: Springer International Publishing. 2019. P. 3–33. https://doi.org/10.1007/978-3-030-11911-9_1.
Барден Ф. Взлом маркетинга. Наука о том, почему мы покупаем. К.: Форс. 2021. 304 с.
Moscati I. Measuring utility: from the marginal revolution to behavioral economics. New York, Oxford University Press. 2018. 326 p. https://doi.org/10.1093/oso/9780199372768.001.0001.
Решетилова Т. Процесс исследования потребительских характеристик инновационного товара // Маркетинг в Україні. 2017. №5-6. С 56–63.
Ha T. M. The impact of product characteristics of limited-edition shoes on perceived value, brand trust and purchase intention // Cogent Business & Management. 2021. Vol. 8.Iss. 1. https://doi.org/10.1080/23311975.2021.1953680.
Tang R. Research on Consumer Preferences in Online Courses. // 3-rd International Conference on Data Science and Business Analytics (ICDSBA-2019). 2019. Р. 147-151. https://doi.org/10.1109/ICDSBA48748.2019.00039.
Shabanpour R., Mousavi S. N. D., Golshani N., Auld J., Mohammadian A. Consumer preferences of electric and automated vehicles // 5-th IEEE International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS-2017). 2017. P. 716-720. https://doi.org/10.1109/MTITS.2017.8005606.
Syarif I. H., Pawana N. I., Meilia Z. D. H., Laksmi D. Consumer Preferences In Purchasing Packaged Meatball Products // Proceedings of the International Conference on Science and Technology (ICST-2018). 2018. Р. 594-603. https://doi.org/10.2991/icst-18.2018.123.
Gao T., Li X., Chai and Y., Tang Y. Deep learning with consumer preferences for recommender system // International Conference on Information and Automation (ICIA-216). 2016. P. 1556-1561. https://doi.org/10.1109/ICInfA.2016.7832066.
Петров К. Э., Кобзев И. В. Прогнозирование предпочтений пользователей на основе анализа их действий // Бионика интеллекта: науч.-техн. журнал. 2018. № 1 (90). С. 97–101.
Петров К. Э., Крючковский В. В. Компараторная структурно-параметрическая идентификация моделей скалярного многофакторного оценивания. Херсон: Олди-плюс. 2009. 294 с.
Dyer, J. S. Multiattribute utility theory (MAUT). Multiple criteria decision analysis. International Series in Operations Research & Management Science. New York: Springer. 2016. Р. 285−314. https://doi.org/10.1007/978-1-4939-3094-4_8.
Keeney R. L., Raiffa, H. Decisions with multiple objectives: preferences and value trade-offs. Cambridge: Cambridge University Press. 1993. 569 р. https://doi.org/10.1017/CBO9781139174084.
Petrov K., Kobzev I., Orlov O., Kosenko V., Kosenko A., Vanina Y. Devising a method for identifying the model of multicriteria expert estimation of alternatives // Eastern-European Journal of Enterprise Technologies. 2021. Vol. 4 № 3 (112). P. 56–65. https://doi.org/10.15587/1729-4061.2021.238020.
Петров Э.Г., Крючковский В.В., Петров К.Э. Нормативная формализация процесса принятия решений в условиях многокритериальности и интервальной неопределенности // Проблеми інформаційних технологій: зб. наук. пр. Херсонського національного технічного університету. 2014. № 1(15). С. 7 – 13.
Тихонов А. Н., Арсенин В. Я. Методы решения некорректных задач. М.: Наука. 1986. 288 с.
Петров К.Э., Дейнеко А.А., Чалая О.В., Панферова И.Ю. Метод ранжирования альтернатив при проведении процедуры коллективного экспертного оценивания // Радиоэлектроника, Информатика, Управление: науч. журнал. 2020. № 2 (53). С. 84–94. https://doi.org/10.15588/1607-3274-2020-2-9.
Ovezgeldyev A. O., Petrov K. E. Modeling individual multifactor estimation using GMDH elements and genetic algorithms // Cybernetics and Systems Analysis. 2007. Vol. 43. P. 126–133. https://doi.org/10.1007/s10559-007-0031-0.
Ovezgeldyev A. O., Petrov, K. E. Fuzzy-interval choice of alternatives in collective expert evaluation. Cybernetics and Systems Analysis. 2016. Vol. 52. р. 269–276. https://doi.org/10.1007/s10559-016-9823-4.
