3.4　价格响应函数的实证确定

调查和观察是收集和确定价格响应函数所需数据的两个基本方法。我们将调查分为专家判断和各种形式的客户调查，将观察分为实验和市场观察。表3-5对此进行了概括。

表3-5　确定价格响应函数的方法

3.4.1　调查

3.4.1.1　专家判断

专家判断方法需要对市场和细分市场或专业价格知识有深入了解的调查专家的参与。能够估算价格响应函数的专家包括：

·企业员工：主管、管理者、销售和市场营销团队成员；

·具备市场或细分市场、产品或价格管理专业知识的管理顾问；

·市场研究机构的专家；

·经销商/分销商或客户咨询委员会/理事会。

当客户调查费用太贵、太耗时或很难做时，专家判断方法是合适的。对于真正的创新或新情况（例如，新竞争对手即将进入市场），专家判断可能是唯一可行的选择。由于经济实惠和高效，专家判断方法经常用来作为其他方法的补充。调查可以采用非结构化的形式（开放式访谈），也可以在问卷的帮助下采用结构化或研讨会的形式。非结构化的自由形式可能有助于揭示与定价相关的新内容。而结构化的调查形式会使数据准备和分析更容易。对这两种形式的调查，我们建议使用计算机辅助调查和相关分析工具。采取结构化的个人访谈形式的专家调查可以用来调查市场趋势、客户反应和评估产品/性能。研讨会可以让专家之间互相提问质疑，展开深入讨论。

·对于专家访谈，我们提供以下建议。

·应该向不少于5~10位专家进行调查，因为专家之间价格估值差异很大的情况并不少见。专家数量越多，效度越高。

·专家应该代表各层级的职能和职位（例如，既有管理者，也有销售人员），并了解对需要研究的市场的相关知识（例如，价格敏感性、市场规模和竞争等）。

·调查应由中立（外部）方（例如，咨询顾问）实施。

专家判断调查应遵循三个步骤。第一步，专家共同讨论基本数据，其中包括对竞争环境和市场环境的详细分析。确定和分析单个客户细分市场、竞争对手、竞争产品和行业环境。在对现行价格及其相关销量的关键假设上，专家必须达成一致。对新产品进行研讨时，他们必须在假设的基本价格和估计的销量上达成一致。

实际的调查在第二步展开。首先，专家在某一特定的价格下确定销量。以此为基础，然后，每个专家估算不同价格下的期望销量。如果想要考虑竞争反应，就必须评估竞争对手会在每个价格点上如何做出反应，并相应地修改该价格点对应销量的原始估计值。理想情况下，应该使用软件程序（例如，西蒙顾和管理咨询公司的PRICESTRAT软件）对数据进行编辑与分析，并绘制最终结果。

第三步也是最后一步，应该重新召集专家进行共同讨论。如果专家能够一起审查图表形式的调查结果，特别是价格-销量关系，那么讨论就会变得很简单。对结果进行合理性检查是为了研究异常值或由个别专家做出的任何极端估计。讨论估算结果背后的思维过程和逻辑有助于将其置于实际情况中，使之容易理解。

图3-11显示了对度假胜地使用专家判断方法的情况。专家分析了（-15%）~15%的价格变化对销量的影响。

在价格变化较小的范围内，销量做出的反应较弱，但是价格的上涨阈值是5%。如果价格上涨超过这个阈值，就会引起销量的严重下滑。据专家估计，15%的涨价将导致26%的客户流失，价格弹性为-1.73（=-26%/+15%）。在价格下降的情况下，价格弹性的绝对值较小。价格下降15%时，价格弹性为-1.33（=+20%/-15%）。价格响应函数的曲线与古腾堡模型的曲线形状相似，这也是通过专家判断方法得出的典型价格响应函数。

图3-11　由专家判断得出的价格响应函数（旅游业）

资料来源：西蒙顾和管理咨询公司。

专家判断法存在以下优缺点。

优点：

·专家判断过程比客户调查更简单、更容易。一般来说，能够较快得出结果，也更经济。

·使用系统模型（例如，西蒙顾和的PRICESTRAT工具）结构化专家判断问题可以产生良好的结果。定量方法有助于结构化问题，有助于从企业内部提取市场知识和经验，还可将情感因素从讨论中剔除。

·可以对竞争反应和新情况提前做出预测，并做好预案。

·可以适应较大的价格区间，尽管随着价格增长到超过客户可接受程度时，失误的风险也会增加。

缺点：

·估算来自“内部”专家，而非客户。

·专家可能会在错误的假设下做出回应，或者落入群体思维的陷阱。

·专家的估算值有时会相差10~20倍。在这种情况下，即使是平均值也没什么参考价值。另一个危险是，职位层级较高的人即使没有最好的市场知识，也可能会利用自己的权力强行通过自己的估算。

3.4.1.2　客户调查

1.直接客户调查

直接客户调查中的问题直截了当。例如，通过直接询问客户愿意为相关产品或服务支付多少费用及其如何响应价格变化，来确定价格弹性。直接客户调查中的问题有很多选项，包括开放式问题，例如：

·你愿意为此产品支付多少费用？

·你愿意为购买这一产品所支付的最高价格是多少？

·当价格为X美元时，你会购买多少产品？

·多大的价格差异会让你从购买产品A转向购买产品B？

这些问题根据我们处理的是“是-否”情况或“可变数量”情况而有所不同。从这些或类似问题的答案中，我们可以得出价格响应函数。

图3-12说明了对某一工业产品采用直接问题调查的情况。假设其他竞争者保持价格不变，询问客户价格增长多少会使其从现有的供应商转向另一个供应商。在价格上涨5%的情况下，9%的现有客户会转向别的供应商（价格弹性为-1.80）。价格若增加10%，现有客户中有31%的人会转向别的供应商（价格弹性为-3.10）。价格上涨幅度越大，价格弹性的绝对值就越大。当价格上涨20%时，已经没有客户愿意忠诚于原供应商。得出的价格响应函数与古腾堡模型的右边部分相对应。

图3-12　基于直接问题调查的价格响应函数（工业产品）

下面我们来看一下笔记本电脑价格响应函数的校准。向买方提出的问题是：“你愿意花多少钱购买这种产品？”要求受访者只提供他们支付意愿的最大值，即所谓的最高价格。图3-13显示了该调查的结果。价格为750美元时出现了明显的价格阈值。

图3-13　使用直接问题校准的价格响应函数（笔记本电脑）

另一种方法是询问受访者是否会在特定价格下购买产品。受访者提供了一系列是-否购买的答案。目前尚不清楚哪种方式得出的结果更有效：用“是-否”问题预先确定价格，还是让受访者自己说出价格。

直接客户调查也存在一些优缺点。

优点：

·使用直接客户调查可以用有针对性的集中方式研究期望的价格问题。

·与专家访谈不同，估算数据直接来自客户。

·根据我们的经验，直接提问方法对工业产品的有效性高于消费品。基于多方法分析的精神，我们总是建议将直接提问方法与其他方法结合使用，以交叉检验结果的有效性。

直接提问方法在有效性和可靠性方面确实存在局限性，尤其是我们发现了以下缺点。

缺点：

·只孤立地考虑了价格，而实际上客户总是在权衡价格和价值两个方面。直接调查方法可能会过分强调价格，从而高估了价格效应。

·价格行为风险方面的问题揭示了客户在调查中所说的与实际行为之间的差异。这可能是由于声誉效应（prestige effect）。受访者的答案有被社会期望扭曲的可能性，可能会损害调查的有效性。直接问题与观察到的市场行为之间的实证比较为这种怀疑提供了支持[25][26][27][28]。

·直接问题方法在“可变数量”情况中存在很多问题，因为客户通常很难量化额外单位产品产生的边际效用。

2.价格敏感度测量

价格敏感度测量（The van Westendorp Method）是直接客户调查的一种特殊形式。它基于这样一个基本假设，即客户的支付意愿可以表示为最高价格（我最多为智能手机支付400美元），也可以表示为价格范围（我愿意在智能手机上花费200～400美元）。根据这一假设，支付意愿并不一定指某个具体的价格点或参考价格。根据同化对比理论（Assimilation Contrast Theory），支付意愿也可以被视作一个价格区间（详见第4章）。因此，客户在价格过低和过高的情况下都不会购买。

价格敏感度测量的第一步，会询问受访者4个问题。

问题A：

“你认为这一产品的价格在什么时候会过于昂贵，而使你放弃购买？”

问题B：

“你认为产品的价格在什么时候是昂贵的，但你还是倾向于购买？”

问题C：

“你认为什么价格可以接受或是便宜的，从而使得这一商品物有所值？”

问题D：

“你认为产品的价格在什么时候会过于便宜，从而使你对产品的质量起疑，进而放弃购买？”

从问题的答案中，我们获得每个受访者提供的4个价格点，从而可以绘制累积频率分布，得到的曲线如图3-14所示。

图3-14　价格敏感度测量模型产生的曲线

各种曲线及其交叉点的解释如下。

·问题B（昂贵）和问题C（可接受）：这一交叉点表示所谓的“无差异价格”（indifference price），在这一点上，将产品描述为“昂贵”和“可接受”的受访者数量相同。无差异价格是50%的受访者认为产品具有均衡的价格形象（不太便宜，也不太贵）。从价格形象的角度来看，无差异价格代表了一种最优的折中方案。

·问题A（太昂贵）和问题D（太便宜）：我们把这一交叉点称为“渗透价格”（penetration price），即受访者认为产品可接受的价格。在这个价格点，因为产品太便宜而拒绝购买的受访者数量最少。销量在渗透价格上达到最高点。

·问题B和问题D的曲线交叉点确定了价格阈值。低于这个价格，由于受访者认为该价格的产品质量差，所以，购买可能性迅速下降。该阈值形成了相关价格区间的下限。

·问题A和问题C的曲线交叉点是上阈值。超过此价格阈值，由于价格高，购买的可能性迅速下降。

人们通常考虑通过问题B和问题C得到的曲线来确定可实施的价格，因为这些曲线描述了昂贵且可接受的价格。最优价格应该落在该价格范围内。

价格敏感度测量没有确定价格响应函数，而是揭示了许多客户的可接受价格并决定购买的价格范围[27]。以这种方式衡量的支付意愿不能转化为精确的销量预测。的确，企业可以假设销量通常在产品价格较低时增长，但这不能以数据为基础进行泛化，并且不能量化。产品可能对于客户来说是昂贵的，但仍优于较便宜的替代品。尽管如此，如果价格超出“太昂贵”的价格点，那么可以预期销量会大幅下降。

价格敏感度测量具有以下优点和缺点。

优点：

·易于设置、执行和分析。

·适用于确定价格阈值。

·有助于确定产品过于昂贵或过于便宜的价格范围。

·提供渗透价格和无差异价格方面的信息。

缺点：

·过分强调价格的风险，因为孤立地考虑价格。

·无法量化与特定价格点相关的销量，即无法确定使收入或利润最大化的价格。

·基本没有考虑竞争因素。

小结

价格敏感度测量方法有助于了解市场上可实现的价格范围。该方法近年来在市场研究中十分重要。由于其产生的结果不足以预测销量，因此不应将该方法作为唯一方法，但可以用来验证其他方法得出结果的合理性（例如，联合测量）。

3.间接客户调查

间接客户调查避免了孤立的价格处理。这些方法的目的是尽可能接近真实的购买情况。客户不会为产品或服务本身付费，付费是因为产品或服务能够满足他们的需求。在真实的购买情况下，客户并不仅仅根据价格做出购买决策，而是根据不同产品属性的感知效用进行权衡。有助于量化这些权衡的联合测量法，是市场营销中最成功和最常用的分析方法。它能够同时估计产品属性和价格效应。该方法可以广泛应用于产品和价格管理中的各种问题。

联合测量的核心目标是回答这一问题：对于给定产品，其效用是什么？客户的支付意愿有多大？不会直接询问受访者价格，而是询问其他与产品价格有关的问题。换句话说，问他们对不同属性层级组合（包括价格）的偏好。受访者仅表明他们对所示组合的偏好。从包罗万象的偏好陈述中，我们不仅可以推导出价格的影响，而且可以推导出构成产品价格组合的产品属性的影响。因此，联合测量不仅非常适合衡量价格的影响，而且还适用于量化非价格属性的效用。

联合测量可以为以下问题提供答案。

·对客户来说，质量、服务或设计方面的某些改进在价格方面的价值是多少？

·相对于其他品牌，该品牌在价格方面的价值是多少？

·客户愿意为特殊配件、特色、更好的服务支付多少费用？

·价格变化对感知效用和偏好有何影响？

##联合测量对价格管理非常重要。每年，全世界都会进行数千项联合测量研究。该方法一直在稳健提升，不仅因为其相关性，而且还得益于计算机辅助支持方面的不断改进。因此，现在有许多种联合测量方法可供选择[29, p. 705][30, p. 2][32]。

在探讨联合测量最重要的用途之前，我们想介绍一下典型联合测量方法背后的基本思想以及典型方法的例子。

使用联合测量来衡量价格的影响，步骤如下：

·确定要纳入测量的属性；

·确定每个属性的层级；

·设计调查问卷并执行；

·计算偏好函数和部分价值的效用；

·计算价格响应函数。

这些步骤涵盖了价格效应的分析，因此可以将它们转化为价格建议、市场细分方案和定位策略。选择属性并设置其层级至关重要。这个过程应该与企业的管理层共同合作完成。根据我们的经验，研讨会是促进所需讨论的最佳方式。在可能的情况下，管理层的判断和意见应以客户访谈或焦点小组作为补充。设置属性层级的范围尤其重要。范围不应窄至无法涵盖整个最佳区间。同时，纳入不切实际的属性层级或超出客户习惯的正常区间之外的层级都可能会扭曲结果。

另一个问题是每个属性的层级数。一些研究结果表明，具有不同数量的层级会影响整体结果，因为更多的层级意味着特定属性的权重更大。通常我们建议每个属性使用相同或相似数量的层级。然而，在实践中，这对价格而言可能并没有什么意义。企业通常倾向于测试更多的价格层级，而不是其他属性的层级。

一旦设定了属性及其层级，我们就进入了第三步：决定如何刺激受访者。在完整的产品配置法（full-profile method）中，所有属性（包括价格）都显示在每个产品配置中。换句话说，受访者看到的总是完整描述的产品而不是产品的一部分。另一种方法是在权衡矩阵的帮助下使用双因子法（two-factor method）。通过这种方法，受访者只需要通过比较两个属性来进行权衡。在适应性联合分析（Adaptive Conjoint Analysis，ACA）技术下，受访者比较了一对属性中包含的多个因素，但并不是全部。完整的产品配置法的优点在于它非常类似于真正的购买决策。但对于受访者来说，这也更为复杂。

当使用计算机和视频等支持设备进行访谈时，联合测量更易于实施，也更有效。首先，计算机支持处理大量的属性和层级。其次，可以同时使用多种方法（也可以直接提问）并逐步构建产品配置，例如，使用Sawtooth Software公司的ACA程序。通常根据个体受访者来计算偏好和成分效用值（第四步）。通过这种方法，我们可以避免对每一客户的效用偏好进行简单平均，也可得到市场细分和价格差异化的数据。第五步，整合个体价格响应函数得到聚合价格响应函数。

我们用以下案例来说明联合测量方法。

4.案例：汽车研究

表3-6　汽车研究的属性和层级

注：1英里=1609.344米。

为了用联合测量方法解决价格问题，我们帮助汽车制造商选择了表3-6中所示的属性和层级，与公司管理层一起讨论并制定了这些内容。

每个不同汽车的配置由四个属性来确定，每个属性都具有三个层级中的一个。这意味着，在本研究中，可以构建81个（3×3×3×3）不同的“汽车”。我们将完整的产品配置法与配对比较结合使用。在每对比较中，受访者看到两种“汽车配置”，然后陈述自己更偏好哪一种。图3-15显示了这种配对比较。

图3-15　两辆车的配对比较（完整的产品配置法）

与汽车B相比，汽车C具有更高的时速，更贵，油耗更小。同时，汽车B与汽车C品牌不同。如果受访者选择汽车C，则意味着品牌差异和较高的最高时速可以弥补较高的价格给客户带来的心理压力。配对比较要求受访者权衡汽车每个配置（方面）相对于另一个配置的优缺点。这符合典型的购买情况，比直接询问价格更符合实际情况。对一系列相似的配对比较的反应揭示了每个属性对受访者的重要性。此外，我们可以确定受访者从每个属性的每个层级中获得多少效用。

存在的一个问题是如何确定受访者必须进行配对比较的总次数。在研究中有81种潜在的“汽车”类型，可以进行3240次配对比较。采用部分析因设计（fractional design），可以显著减少所需配对比较的次数。实际上，10~20次配对比较通常就足够了。

数据收集完毕后，就可以计算成分效用值。这些是每个层级对总效用的贡献。软件（例如，Sawtooth Software）支持数据收集和分析。图3-16中所示是只有一位受访者的样本结果。

图3-16　一位受访者的成分效用值

成分效用值显示了当一个属性层级用另一个属性层级更换后，汽车的总效用会如何变化。改变“价格”属性的层级，总效用产生的差异最大；而改变“最高时速”属性的层级时差异最小。对客户偏好和购买决策产生的影响因属性而异。

成分效用值还有助于确定每一属性的重要性。通常，成分效用值的范围越大，该属性就越重要。属性j的重要性w_j由其层级的最大和最小成分效用值之间的差额确定。这些数值可以转换为相对重要性（%）：

表3-7显示了属性的绝对重要性和相对重要性。价格是对该受访者而言最重要的属性，其次是品牌和油耗，最高时速仅排在第4位。相对于品牌，该受访者赋予了价格更大的权重。在价格较低的紧凑型和中型汽车细分市场中，该受访者的答案具有代表性[32, p. 26]。

表3-7　计算属性的重要性

成分效用值可以直接以价格单位表示其他属性层级的价值。对于图3-17中的买方：

·大众的品牌价值比福特的高862美元；

·将最高时速从110英里/小时提高到130英里/小时的价值为215美元；

·将油耗从28英里/加仑提高到42英里/加仑的价值为554美元。

图3-17　汽车A的价格响应函数

在这里，我们使用线性偏好模型（linear preference model）。为了确定特定型号汽车的总效用，可以为每个相应的属性层级添加图3-16中列出的成分效用值。表3-8说明了为三种车型各个属性添加成分效用值的过程。

表3-8　计算三种车型的效用值——以个体为基础

在这三种选择方案中，汽车A具有最高的总效用，受到受访者的青睐。如果汽车C的价格再低2000美元，它就可以获取比汽车B更高的总效用。但是没有任何技术上的改进可以帮助汽车B或汽车C具有比汽车A更高的总效用。这是由于“价格”属性对客户来说非常重要，而三种车型在这一属性的效用上存在巨大的差异。

在下面的讨论中，我们将仅根据汽车A、汽车B和汽车C来确定个体价格响应函数。在这种情况下，购买决策属于“是-否”的情况。

5.从效用到销量

有两种基本模型可用来从效用推导出销量。确定性模型（deterministic model）假设客户会购买总效用最大的产品。随机模型（stochastic model）假设效用值决定购买概率。在下面的例子中，我们将采用随机模型。为了通过效用导出价格响应函数，我们采用吸引力模型。购买概率可以被解释为市场份额：

通过这种方法，我们获取了每位受访者对三种不同价格下产品的“购买概率”。表3-9说明了一位受访者的市场份额计算过程，图3-17中以图形的形式说明了这一过程。当产品价格从20 000美元上涨至22 000美元时，市场份额从56%下降到47%（价格弹性为-1.6）。如果价格从22 000美元上涨至24 000美元，市场份额从47%下降到33%，绝对价格弹性（absolute price elasticity）急剧下跌到-3.3。我们通过汇总所有受访者的结果得出整体市场份额。

一种非常接近实际情况的确定市场份额的方法是基于多项式对数模型（multinomial logit model），并考虑单个产品的总效用及在市场中与竞争产品的关系。如果汽车A和汽车B具有相似的效用值，那么当一种型号获得额外效用时，购买概率的变化会比一种车型已经获得强烈偏好时更剧烈。

表3-9　根据一位受访者计算汽车A的市场份额

6.联合测量的进一步发展

我们现在来看在文献和实践中最相关的方法。这些方法的区别在于它们如何获取偏好判断及选择估值算法[30, p. 2][31, p. 45][33, p. 610]。从根本上来说，我们将其分为：

·经典方法（权衡和产品配置方法（profile methods））；

·混合方法（适应性联合分析（ACA）或基于适应性选择的联合分析（ACBC））；

·离散选择建模（DCM）、基于选择的联合分析（CBC）、常数和联合分析（CSC）。

当属性数量很多时，经典方法的有效性就会有问题。为了解决这些问题，研究人员开发了混合方法来进行联合测量。

混合方法整合了合成和分解方法。它们使用了评分模型和联合测量方法。通过整合这两种方法，可以在多人间应用综合性部分析因联合设计（comprehensive fractional conjoint designs）[29, p. 706][33, p. 612]。通过混合分析，要求受访者在初始（合成）阶段对属性及其层级的重要性做出独立的判断。在第二个（分解）阶段，受访者需要评估选定的属性组合。这些方法减轻了受访者的认知负担。但是，使用这些方法需要在收集数据方面花费更多精力。最常用的混合联合测量形式是适应性联合分析（ACA）。

为了适应每一位受访者，ACA会不断调整基于计算机的访谈。在访谈期间，计算机会分析受访者的答案，以便将之后的问题集中在对受访者最重要的领域。这减少了所需的配对比较次数，缩短了访谈次数，从而提高了每位受访者的参与度和答案的质量。

一场ACA访谈通常包括下列几个阶段：

·确定不可接受的属性（可选）；

·评定对属性层级的偏好；

·评估属性的重要性；

·配对比较。

为了向受访者提供有意义的决策方案，重要的是让这些方案不超出受访者“可以接受的范围”。为了确保这一点，在第一阶段，每个受访者应该排除不可接受的属性层级。然后，在剩余的访谈中把这些层级排除在外。假设我们针对汽车进行ACA访谈。如果受访者在第一阶段表明，他在任何情况下都不会购买福特汽车，那么该层级将从“品牌”属性中排除。这增加了访谈后所得产品配置之间的相关性，并减少了需要配对比较的次数。

在下一阶段，每位受访者将陈述他对无定向属性（non-directional attribute）层级的偏好。这些属性没有预定的顺序（例如品牌）或其偏好不一定随属性层级的增加而增加（例如，发动机功率）。企业无法肯定所有购车者都会更喜欢大功率发动机的汽车。相反，对于诸如价格等定向属性，通常可以假设属性的层级与偏好相关，即较低的价格通常优于较高的价格（有些奢侈品除外）。

在第三阶段，要求受访者根据一定的标准评估单个属性的重要性。对于每个属性，受访者会看到属性中最差和最优的层级，并会被问及这些差异对他们的重要程度。一旦收集了这些重要性评级信息，就可以对受访者的偏好和效用值进行初步估计。ACA使用这些值来确定在下一访谈阶段将要提出的问题，这涉及了一系列配对比较，是该方法的核心所在。图3-18显示了这样的配对比较。要求受访者在1~9的标尺上对这两种汽车进行偏好评级，1表示对左侧车辆的明显偏好，9表示对右侧车辆的明显偏好。如果受访者表示无所谓，则对应数字为5。

图3-18　用ACA进行配对比较

对每种“汽车”的整体效用大致相似的属性进行配对比较，这样受访者在两个选项之间会选择接近于无所谓的态度。一旦受访者表现出偏好，ACA程序就会通过该信息来改进效用值的估算，并选择新的配对比较。由于估算的效用在提问过程中得到优化，因此，受访者越来越难以表达对任一方案的偏好。基于这些效用值，在下一阶段，我们可以使用市场模拟模型（market simulation model）来估算价格响应函数[33]。Herrmann、Schmidt-Gallas和Huber详细描述了ACA过程及其优缺点[34]。

联合分析的另一种混合方法是软件公司Sawtooth提供的基于适应性选择的联合分析（Adaptive Choice-Based Conjoint，ACBC）。在这种方法中，受访者对属性和层级的偏好排名会形成一系列受访者实际上会考虑的产品。然后再使用这一“考虑集合”（consideration set）进行联合测量调查[35]。

下一个我们要研究的方法是离散选择模型（Discrete Choice Modeling，DCM）。DCM是一类联合模型，其需要的是购买决策（“购买”或“不购买”）而不是偏好。基于选择的联合分析（Choice-Based Conjoint，CBC）是Sawtooth公司为此目的开发的软件名称。常数和联合分析（Constant-Sum Conjoint，CSC）是CBC的改进版本，属于DCM类别。

图3-19显示了CBC访谈中的典型提问。与传统的联合分析和ACA不同的是，受访者必须做出购买决策，但不会迫使受访者购买其中一种产品方案。在每个问题中，他们都可以不选择所示的任何产品方案。

图3-19　购买决策（基于选择的联合分析）

就基本假设而言，CBC与我们迄今为止讨论过的方法存在本质性区别[36]。由于确定单个层级效用值的可能性有限，CBC最适用于偏好结构相对单一的市场。CBC是现在常用的一种联合分析方法[37]。其之所以流行主要是因为能够有效测量客户的支付意愿[38]。DeSabro、Ramaswamy和Cohen详尽讨论了这种方法的优缺点[39]。

最后，我们想提醒大家注意CBC方法的另一发展趋势。近年来，常数和联合分析（CSC）已经成为价格研究的最新技术。与以前方法中的离散选择方案“选择一个”和“最佳-最差”相比，CSC方法通过使用积分来表示受访者的偏好，但要使分配的总点数保持不变，例如10或100。我们也可以使用分层贝叶斯模型（Hierarchical Bayes models）。该模型允许在单一层级上（指受访者个体）做出效用估值[40][41]。与其相关联的软件是Sawtooth公司的HB-Sum[42]。这里的任务是在一组产品中分配固定数量的选择决策。该方法考虑到了受访者可以以相同的概率购买两种或更多种产品。例如，医生可以针对不同类型的患者使用不同的药物来治疗相同的疾病。该方法的优点是可以纳入现有产品和新产品。对于现有产品，受访者可能已经了解该产品，因此，我们可以放弃完整的产品配置分析的方法。总而言之，这种方法很好地反映了真实的决策情况。该过程具有较高的信息效率，并且相对于传统的联合测量，提高了有效性。图3-20显示了该方法典型的问题。在这一例子中，医生根据为患者开药的习惯，把不同的竞争药物分配给患者。

图3-20　使用常数和联合分析的决策情况

离散选择模型（DCM）与其他方法相结合，性能会有所提升。Albers等人[43]的研究显示，基于选择的联合分析与其他方法结合后，可以同时支持细分市场层面的产品和沟通决策。它还能够推导出消费者对于捆绑产品的支付意愿。但是，我们不可概而言之，认为一种联合分析方法优于另一种方法。方法的适用程度取决于手头待处理的任务、收集数据的方法以及收集数据的背景[44, p. 116]。

技术进步对联合测量产生了显著的影响。基于计算机的联合测量调查成为当今社会的主流。由于强大的分析技术和现代信息技术的结合，我们才有可能进行独立于属性和层级数量的调查。这意味着可以使用联合测量分析复杂的产品或决策情况。Srinivasan[45]介绍了适应性自我分析方法（Adaptive Self-Explication Method，ASE方法），这是联合测量的另一强有力扩展。另一项CBC技术则是由Schlereth和Schulz开发的有限点击流分析（Restricted Click-Stream Analysis）[46]。就有效性而言，它与其他偏好测量方法类似。虽然CBC使用选择性决策方式，但Schlereth和Schulz[46]解决了在购买过程中信息搜索的问题。他们认为，客户对产品属性投入的相对关注时间与其相对重要性的权重相关。他们的实证结果证明了该方法与已有的偏好测量方法的有效性类似。

通过纳入视频和音频元素运用计算机可以展现更具吸引力的图形。例如，已经证明，使用产品的逼真视觉形象可以取代原型，而不会扭曲消费者的选择行为[47]。在未来，增强现实技术（augmented reality）将进一步改善这一过程。另一方面，可操作的简易计算机程序带来的风险是，在不理解方法复杂性的情况下随意使用联合测量。使用先进而严苛的技术（如联合测量）时，切勿进行“数据填涂”式应用（生搬硬套）。在没有对特定情况进行充分分析的情况下，越简化数据收集和分析过程，使用该方法的风险就会越大。这可能导致结果偏差和解释错误。在这里，我们再次推荐使用多种方法。只要情况允许，就应该通过其他方法交叉验证联合测量结果。

许多市场从业者和理论家认为，联合测量是衡量客户偏好和价格效应的最佳方法。虽然实践中的一系列使用已经使该方法在测试中适用于测量需求偏好，但质疑者提到了它的有效性问题，而有效性问题产生的部分原因在于对购买情况所做的假设本身[29] [48, p. 113] [49, p. 366]。因此，内部有效性和外部有效性都高是不可能的。内部有效性表示研究结果符合内在逻辑和可以明确解释的程度。外部有效性则与研究结果转化为实际购买情况的程度有关。

小结

联合测量并不直接询问受访者的价格行为。相反，价格效应是从偏好或购买倾向的陈述中间接得出的。要求受访者在对客户的价值与产品价格间进行权衡。联合测量适用于新产品和已有的产品，而其结果将受到研究设计的影响。因此，我们建议在使用该方法时应极为谨慎，同时，我们也鼓励进行创造性的探索性研究。联合测量得出的结果也应通过其他方法加以验证。

3.4.2　观察

价格效应也可以通过观察来测量，包括实验和市场观察。在观察中，研究结果会通过受访者的实际行为而不是其言语解释来揭示。

3.4.2.1　实验

1.价格实验

在价格实验中，测试中的买方会在实际或真实购买情况下接触不同的价格。我们对现场实验、实验室实验和作为特殊形式的直接营销进行了区分。随着市场进一步的数字化，进行价格实验变得越来越容易[50]。

现场实验（field experiments）是在实际购买条件下对定价措施（价格变化、价格广告、价格显示、价格差异化形式）的影响进行测试。所研究产品的购买环境不会发生变化，只有自变量（这种情况下是价格）会发生变化，而所有其他因素都会尽可能保持不变。通常，测试对象并没有意识到实验的存在。

我们可以区分典型的市场测试方法和商店测试。典型市场测试（classic test market）研究了市场分为不同区域情况下定价措施的影响。这种形式在实践中并没有发挥重要的作用，因为它的成本高，时间长，而且无法保持测试的隐秘性。诸如商店测试或仿真市场测试等低成本的方法几乎完全取代了它。商店测试（store test）中，将在选定的测试商店调查定价措施的效果。进行这类测试时，我们通常会选择一些测试商店，但这些商店不一定具有代表性。对于制造商而言，这样的测试可能成本高昂，因为必须为零售商的参与付费。

微型测试市场（mini test market）是商店测试的改良版本，是商店测试和住户追踪调查（household panel）的结合。在扫描仪的帮助下我们可以获取测试商店中的数据。扫描仪可以实时精确地捕获所购物品并以低成本进行精确分配。价格研究的一个好处是数据的极高颗粒度（extreme granularity），以及以多种方式统计数据的能力。这导致了广泛的测量范围和细分的可能性。

在产品的购买点，我们可以收集价格、时间、地点和消费者购物篮内商品方面的数据。同时，可以收集消费者未选择的替代性商品（及其价格）以及其他产品的价格和销量方面的数据。总而言之，该数据集全面涵盖了竞争领域，并记录了价格研究的所有必要信息。

仿真测试市场（simulated test market）是商店测试的另一种版本。仿真测试市场在模拟了真实市场的虚拟测试工作室中进行。工作室应设立在某个可以吸引代表性客流并反映相关零售结构的场所（例如，在百货商店内）。在模拟测试环境中，测试对象参与基于计算机的价格实验。与我们之前描述的“真实”测试市场相比，这种形式具备一定的时间和成本优势。它允许制造商在进行产品和价格测试时免受竞争对手的影响，其隐秘性比传统测试市场更高。

数字化和电子商务使价格实验更加容易进行。计算机支持的在线算法可以创建允许收集、连接和分析数据的统计模型，其最终目标是预测客户行为[51]。出于不同的测试目的，可以进行价格的变化，并且无须额外成本即可测量销量效应，因为无论如何，这些数据都是交易和买方特有的。可以进行任何形式的数据统计。例如，亚马逊每天会对一些价格进行数次变化，以分析不同价格对销量的影响[52]。随着电子商务业务的持续增长，我们预计现场价格实验的数量将大幅增加。

测试拍卖（test auction）提供了另一种有实用意义的在线价格测试形式。是否选择立即购买（固定价格的产品或服务），我们可以测试不同价格带来的影响。以下例子说明了如何使用在线拍卖来优化价格。

在这种情况下，经销商想在eBay上销售1000台尼康Coolpix相机，但不知道该如何定价。因此，经销商进行了以下价格测试。

·第1天，经销商提供50台相机，每台售价400美元。

·第2天，经销商在销售平台上提供50台相机，每台售价350美元。

·第3天，经销商提供另外50台相机，每台售价300美元。

图3-21显示了由此产生的价格响应函数。

第1天，经销商出售了10台相机。第2天将价格降至350美元后，经销商出售了20台相机。第3天将价格降至300美元后，销量增加到40台。假设每一天的销售情况是独立的，就生成了以上的价格响应函数，它为价格优化提供了基础。

图3-21　在线价格测试

与现场实验相比，实验室实验（lab experiments）尽可能保持除价格外的所有变量不变，从而可以单独分析价格的影响。测试参与人员接受的情景并不完全反映现实情况。模拟购买时，测试参与人员会收到一定金额的钱，并要求他们用这笔钱进行购物。他们能在模拟过程中看到不同的竞争产品。不同的测试组可能会看到系统性变化的不同价格参数（例如，价格水平、价格结构、价格展示），以便观察这些参数对销量的影响。益普索（Ipsos）和Gfk可提供此类测试。

关于价格问题，最新形式的实验室实验来自大脑研究领域。“神经定价”（neuro-pricing）领域研究人脑如何对价格信息做出反应（详见第4章）。大脑研究人员凯-马库斯·缪勒（Kai-Markus Müller）说：“我们感知价格的方式与我们感知其他痛苦刺激的方式并没有什么不同。”[53]价格感知会触发大脑反应，研究人员则可以对该反应进行测量。大脑研究可以客观地确定消费者可能并未意识到的思考过程。在下一章中，我们将更深入地讨论这一新领域。实验室实验在对有效性和现实性的典型关注方面甚至更适用于大脑实验。测试对象必须去专业实验室进行体检。在这种情况下，样本和测量结果的代表性如何，及其在现实世界中的应用情况如何，仍然是个悬而未决的问题。

小结

与现场实验相比，实验室实验的主要优势在于其较低的成本、控制外部影响的能力、更少的时间成本与更高的隐秘性。实验室实验的主要问题是有限的外部有效性（效度），因为模拟购买情景无法完全复制真实的购买情景。测试对象在意识到自己正在参与此类测试时，可能会导致他们做出与实际情况不一样的行为。

2.实验性拍卖

随着互联网的发展，拍卖的重要性急剧上升[54, p. 625]。在eBay或阿里巴巴等拍卖平台上，商品和服务只出售给出价最高者。谷歌通过拍卖广告版面赚取了数十亿美元。谷歌首席经济学家哈尔·瓦里安（Hal Varian）宣称，谷歌几乎所有的东西都是通过拍卖组织起来的，甚至是谷歌的首次公开募股（IPO）[55, p. 85]。然而，拍卖不仅非常适用于制定价格，它们还为确定支付意愿提供了机会。实验性拍卖的一个标志就是测试对象实际上是在实验中购买产品。

学术文献将拍卖分为4类：英式拍卖、荷兰式拍卖、最高价拍卖和维克里拍卖（Vickrey auction）。这些拍卖形式的概述可以在McAfee、McMillan[54, p. 628]以及Skiera、Spann[56, p. 702]的研究中找到。Skiera和Revenstorff [58]提到维克里拍卖可以作为确定支付意愿的工具。维克里拍卖特别适用于确定价格响应函数[57][58]。

·与通常的拍卖相比，维克里拍卖因其两大基本特征而脱颖而出：首先，投标人不能直接通过他们的出价影响购买价格；其次，购买价格并不是最高出价，而是第二高出价。出价最高者可以获取拍卖品，但是只需支付第二高的竞标价格。使用维克里机制的拍卖平台中最突出的案例是eBay。具体的购买价格是在第二高出价的基础上加上拍卖中最小竞价增量的金额。

·从理性的角度来看，在这一招标过程中，每位竞标者都有动力在他们真正愿意支付的水平上进行出价[28, p. 38][57, p. 20][58, p. 226][59, p. 22][60, p. 3946]。Wolfstetter[60, p. 394]因此将维克里拍卖定义为唯一基于激励的拍卖。

·除了兼容性，维克里拍卖还具有所有参与者必须出价的优势。

·通过参与者的出价可以推导出价格响应函数、最优价格和市场份额。

另一种拍卖形式称为每标付费拍卖（pay-per-bid auction）。它既可用于提价拍卖流程也可用于降价拍卖流程。其特点是每轮投标都有一个倒计时间隔（例如20秒），并且按照每次投标向投标人收取固定的金额。一旦出价，倒计时将按照相同的时间间隔重新启动。这使得竞标人有机会提出自己更高（或更低）的出价。此外，他们还需要为每次投标支付固定费用。如果倒计时间隔结束时没有出现新的投标，则拍卖的获胜者可以选择以最新的投标价格购买拍卖对象[61]。

小结

实验性拍卖代表了价格研究的创新方法。在线拍卖相对而言成本较低，可以取代或丰富传统拍卖方法。

除了拍卖，人们还可以使用彩票（lotteries）来收集关于测试人员支付意愿的数据。Becker、De Groot和Marschak[62]提出了这种衡量支付意愿的方法，该方法分两步进行[49, p. 367]。

·第1步，要求受试人员在直接价格调查中透露他的支付意愿。

·第2步，每一彩票将对应一个价格。如果此一价格低于受试人员在直接调查环节所表达的支付意愿，则要求受试人员按抽中彩票所对应的价格购买产品。

与维克里拍卖类似，彩票包涵了激励。维克里拍卖和彩票之间的实证比较表明，这两种方法在衡量个人支付意愿方面都是可靠和有效的[62][63, p. 36]。

3.4.2.2　市场观察

1.市场数据

用于价格分析的市场数据通常是为了其他目的而在较早时期收集的。在许多市场中，支持价格决策的标准化数据是可获取的。除了IRI、尼尔森公司（Nielsen）或GfK等市场研究机构定期收集的销量、市场份额和价格数据外，零售商还使用扫描仪技术收集价格和销量数据。另外，人们还可以通过从行业或贸易协会获取的数据以及政府资源进行价格分析。

数据可以以时间序列或横截面（cross-sectional）数据的形式展示。后者可以涉及不同的销售区域、国家或细分市场。使用市场数据衡量价格效应的必要前提是作为自变量的价格进行充分的变化。如果价格没有随时间变化或在横截面数量单位上没有变化，则无法衡量价格效应。这种情况绝不是例外，竞争企业的价格经常发生同步变化，因此，相对价格随着时间的推移保持不变。

通常，我们使用计量经济学中的回归方法（econometric regression methods）来分析市场数据。然而，该方法在文献中的优势并不意味着它在实践中的重要性。基于联合测量或专家判断技术的客户调查在实践中比回归法能发挥更大的作用。因为互联网的存在，价格实验越来越受欢迎。使用历史数据确定价格响应函数的几个问题值得考虑。如果价格弹性较低，人们可能会观察到较大的价格差异，但这些差异对销量或市场份额没有显著影响。这意味着尽管自变量的变化程度很高，因变量仅发生轻微的变化。相反，如果价格弹性很高，则反过来也成立。相对价格几乎没有变化，是因为竞争对手的价格会迅速对价格变化做出反应。Telser [64]指出了使用回归方法来衡量价格效应的这些缺点。我们40多年的价格研究和咨询经验也凸显了这一担忧。

历史市场数据的一个缺点是：客户的反应不能为反应产生的根本原因提供任何合理的指示（例如，价格广告、价格变化、竞争者行为）。历史数据也不利于决策。这种历史价格效应是否适用于未来总是一个未知数。如果市场发生结构性突破，例如，新竞争者进入，就有必要重新审视价格效应。在发生这种结构性转变之后，历史数据的预测有效性通常很低。

在图3-22中，我们说明了使用历史数据来确定价格响应函数的过程。它关注的是在美国市场上业余摄影爱好者使用的胶卷。在此期间，柯达是市场领导者，而富士是柯达的竞争者。该研究中，自变量是相对价格：p_富士/p_柯达，因变量是富士的市场份额。自变量和因变量都显示出相当大的方差。线性价格响应函数为：m_富士=34.5-27.7×p_富士/p_柯达，解释了97%的方差（R2=0.9667）。如果我们将相对价格从0.78降低到0.74（即降低5.1%），富士的市场份额将增加8.6%。因此，此时富士的价格弹性为：8.6/-5.1=-1.69。

图3-22　基于历史市场数据的价格响应函数

资料来源：西蒙顾和管理咨询公司。

当根据市场数据进行回归分析时，经济合理性即表面有效性（face validity）应与统计标准具有相同的权重。不存在适用于所有需求和竞争情况的标准模型。事实上，绝对有必要根据每个案例的情况确认：哪一模型、哪些变量、哪些规格才是正确的选择。

直接通过收银机收集的销售和价格的扫描仪数据适用于确定价格响应函数。图3-23显示了某个咖啡品牌的案例，其销售和价格数据是从不同的连锁门店收集的。数据间隔为一周。

价格和销量数据的可获取性取决于具体的行业部门。如果不能获取时间序列数据，则可以使用横截面数据。时间序列和横截面数据也可以进行组合，进行混合回归分析（pooled regression）。

价格分析师必须在获取和解释数据方面具有创造性，以便对价格效应有更深入的理解。使用二手数据确定价格-销量关系时，应牢记以下建议。

·历史数据应以图形形式编制，并以可视化方式检查；仅这一步就可以带来有效的见解。

图3-23　基于扫描仪数据的价格响应函数

·影响历史数据的条件在将来也必须保持有效。在动态市场下，这一假设应该受到严格的检验。通常会出现结构性突破的情况，这可能会使计量经济学分析的结果变得毫无用处。

·关于价格效应，应该测试不同的假设。除了价格，人们应该考虑尽可能多的其他营销工具。

·经济合理性与统计准确性同样重要。

小结

除了建立价格-销量关系外，通过历史市场数据也可以深入了解竞争对手的定价行为。利用市场数据，人们可以分析竞争对手的历史价格行为和反应以预测他们未来的行为。市场数据还有助于在财务状况、战略、未来潜力和产能方面评估竞争对手。

2.线上拍卖的数据

随着互联网的出现，在逆向定价（reverse pricing）的基础上出现了新的商业模式。采用这一商业模式的供应商包括美国的Priceline和德国的ihrpreis.de等公司。客户的出价对最终价格具有约束力，主要通过信用卡进行支付。一旦客户的出价高于供应商的最低价格阈值（仅供应商知道），客户就会收到产品，并支付他的出价金额。

这种价格响应函数的一个示例如图3-24所示。图中考虑的产品是笔记本电脑。我们可以发现，250美元是该产品的重要价格阈值。在低于这个价格水平时，销量会迅速增加。相比之下，价格响应函数在较高的价格范围内则比较平缓。

图3-25显示了由互联网产生的价格响应函数的第2个例子。这个例子涉及股票购买。在预定的价格区间内，合格投资者说明他将在每个价格点购买的股票数量。报价具有约束力。可以看到价格在170~180美元范围内时，股票需求会急剧下降。这种形式的价格响应函数属于吸引力模型。在证券交易所，会采用类似的方式确定需求曲线。但在这种情况下，投资者只列出他的限额，而不是不同价格下的所需股票数量。总而言之，人们看到的曲线与图中所示的曲线相似。

图3-24　笔记本电脑的价格响应函数

资料来源：西蒙顾和管理咨询公司。

图3-25　股票的价格响应函数

小结

通过互联网，人们可以事半功倍地确定真实的价格响应函数。这些数据为客户真实的支付意愿提供了深刻认识。互联网可以通过这种方式促进价格管理的专业化。

3.4.3　工具概要

我们已经讨论了许多用于收集相关价格信息的工具，这些工具可用于校准价格响应函数。表3-10总结了这些工具的优缺点。所需的分析工作应与要做的价格决策相关。所收集信息的丰富性是选择方法的一个重要考虑因素，但所需的成本和时间也不容忽视。

表3-10　确定价格响应函数方法的适用性