FDF group
Наша специализация – количественные маркетинговые исследования. Концентрация на одном направлении позволяет лучше, быстрее и качественнее выполнять поставленные задачи по конкурентной цене. Доверие клиентов, позволяет нам постоянно расширяться, и не смотря на узкую специализацию, уже сейчас мы входим в топ-10 маркетинговых компаний по оборотам за 2015 год.
Что мы делаем
Мы предлагаем, как комплексные решения для бизнеса, так и выполняем сбор информации в соответствии с Вашим инструментарием.
Решения
Наши ресурсы
Наша команда
«> 
«> 
Директор по исследованиям
«> 
Директор полевого отдела
«> 
«> 
«> 
Мы будем рады видеть в нашей команде, молодых и талантливых специалистов
Выпускник МФТИ. В маркетинговых исследованиях с 1998 года. Член ESOMAR с 2009 года. До 2002 года работал в крупных исследовательских агентствах и FMCG-компаниях. В 2002 году основал маркетинговое агентство FDFgroup. Разработчик ряда исследовательских методик для тестирования продукта, рекламы и цены. В настоящее время руководит компанией и курирует основные проекты.
Директор по исследованиям
Два высших образования: МФТИ и ГУ ВШЭ. В маркетинговых исследованиях с 1999 года. Работала в исследовательских отделах крупных FMCG-компаний. В FDFgroup с 2009 года. Специализируется на рынках FMCG и телекоммуникаций. Владеет широким арсеналом исследовательских методик.
Директор полевого отдела
В маркетинговых исследованиях с 1999 года. Входит в команду FDFgroup с момента основания компании. Лично провела более 1000 полевых исследований. В настоящий момент руководит наиболее сложными проектами, отвечает за подготовку интервьюеров, разрабатывает обучающие материалы, совершенствует технологии контроля за работой интервьюеров.
В маркетинговых исследованиях с 1999 года. Входит в команду FDFgroup с момента основания компании. Отвечает за работу колл-центра, за подбор операторов, организацию их работы. Разрабатывает обучающие программы, материал, мотивационные программы для операторов колл-центра.
Закончила МИСиС. В маркетинговых исследованиях с 1999 года. Имеет большой опыт обработки и анализа данных, от простых product-тестов до U&A исследований. Проводит кластерный, факторный анализ, строит модели лояльности. Специализируется на Conjoint и web-исследованиях.
Наши клиенты
География работы
Россия. Страны бывшего СССР.
Наша история
Год основания компании.
Начало сотрудничества с компанией М-Видео
Первые гео-исследования.
Агенство успешно преодолело первый мировой кризис, увеличив годовой оборот в 1,5 раз.
Первые нейро-исследования.
Начало сотрудничества с компанией Теле2.
Начало сотрудничества с компанией МЕТРО.
Успешный запуск CATI2Web проектов.
Создан колл-центр на 400 рабочих мест.
Сформирована уникальная для России онлайн-панель.
На сегодняшний день нашим маркетинговым агентством проведено:
Наши принципы
Только качественные поля
Мы знаем цену качественной информации, а так же дорожим своей репутацией. Поэтому мы предлагаем нашим клиентам только те решения, которые гарантируют получение 100% качественной информации, а также предоставляем полный доступ к проекту на всех этапах исследования.
Долгосрочное сотрудничество
90% наших клиентов становятся нашими друзьями и постоянными заказчиками. Мы прикладываем все усилия, чтобы так продолжалось и дальше. Ведь чем дольше мы работаем с компанией, тем лучше мы понимаем ее особенности и потребности и можем предлагать индивидуальные решения для помощи в развитии бизнеса.
Время играет важную роль в бизнесе. Принятие своевременных решений влияет на успех компании и ее прибыль. Мы знаем, что информация нужна именно тогда, когда это необходимо. Поэтому наши клиенты всегда получают данные точно в срок.
Гарантия результата
Мы успешно выполнили более 2000 исследовательских проектов. Этот опыт позволяет нам адекватно оценивать свои возможности, и гарантировать выполнение любого проекта, за который мы беремся, при любых обстоятельствах.
Работайте с нами
Количественные и качественные маркетинговые исследования для вашего бизнеса
Телефон: +84 95 755 22 24
Адрес: Москва, Гостиничная, 3
Аудит компании для владельцев бизнеса
Наши эксперты проведут бесплатный аудит актуальности контактов и репутации вашей компании в геосервисах.
Не упустите эту возможность и перестаньте терять клиентов из-за отсутствия на картах, ошибок в данных или низкого рейтинга!
Запоните форму ниже
Оставьте ваши контакты и наш специалист свяжется с вами в ближайшее время.
Связаться с нами
Оставьте ваши контакты и наш специалист свяжется с вами в ближайшее время.
Произошла ошибка, попробуйте позже
Заявка успешно отправлена
Мы нашли 103 отзыва о компании FDFgroup, расположенной по адресу Москва, Гостиничная, 3.
Средний рейтинг компании 1,3 баллов из 5.
Рейтинг компании низкий. За счет обработки негативных отзывов и мотивации довольных клиентов оставлять рекомендацию, можно увеличить рейтинг компании. Согласно исследованиям рекламного агентства Go Fish Digital, организации теряют от 22% клиентов за счет негативного рейтинга в интернете.
Отзывы о компании собраны с сервисов Google Maps, Яндекс Карты, Yell.ru в период с 21.09.2017 по 03.09.2021.
За последние 30 дней о компании не было оставлено отзывов. Мотивировать клиентов оставлять отзыв о вашей компании можно за счет системы поощрений и скидок, почтовых и sms рассылок. Если клиент оставляет положительный отзыв, то вероятность того, что он вернется за услугой повторно, заметно возрастает.
Использование данных: TURF-анализ
TURF («Total Unduplicated Reach and Frequency») анализ представляет собой статистическую модель, которая берет свое историческое начало в изучении средств рекламы. Медиа-планерам, стремящимся максимизировать охват рекламы, одновременно минимизируя ее издержки, требовалась информация, которая указывала бы, насколько аудитории различных медианосителей пересекаются (т.е. дублируются) и, в свою очередь, «взаимоисключаются».
Например, если Журнал X обеспечивает охват аудитории в 1,8 млн читателей, насколько увеличится реальный охват аудитории, если в комплекс средств рекламы будет добавлен Журнал Y с аудиторией в 1,4 млн читателей? Или каков будет прирост аудитории если к Журналу X и Журналу Y добавится еще и Журнал Z с аудиторией в 1 млн читателей?
Простое сложение этих трех значений и использование итоговой суммы в 4,2 млн человек как основы для дальнейших расчетов дало бы заведомо неверные результаты.
Складывать эти три значения было бы неверно, так как среди этих аудиторий могут быть (и скорее всего есть) люди, читающие два, а то и все три эти журнала одновременно. Такие «дублирующиеся» люди оказались бы посчитаны дважды и даже трижды.
Далее предположим, что медиабюджет допускает покупку рекламного места только в двух из этих трех журналов. Вопрос заключается в том, какие два из трех журналов максимизируют эффективность использования медиабюджета, пока без учета демографических характеристик и стоимости рекламы.
Следует ли просуммировать различные комбинации этих журналов (X+Y, X+Z и Y+Z) для определения того, какая пара журналов обеспечила бы максимальный охват? Очевидно, что нет, как уже было сказано выше, ведь так мы все равно не получим оценки пересекающейся и недублирующейся аудитории.
Конечно, медиа-планеры/покупатели рекламы постоянно сталкиваются с гораздо более сложным набором вариантов размещения рекламы, чем указано выше. TURF-анализ представляет собой незаменимый инструмент для принятия решений при выборе рекламных носителей. И хотя TURF-модель изначально была разработана для измерения «общего недублирующегося охвата и частоты повторения» для различных комбинаций рекламных носителей, данный вид анализа был успешно адаптирован для нужд маркетинговых исследований.
Далее приводится упрощенное объяснение того, как TURF-анализ и его впечатляюще обширный спектр применений может использоваться для оптимизации продуктовых линеек и свойств продукта: аромат, вкус, цвет и размер.
TURF-анализ для маркетинговых исследований
Одна из задач TURF-анализа заключается в определении комбинации, которая привлечет наибольшее количество потребителей при минимальном количестве предложений или разновидностей продукции.
Другая задача заключается в расчете увеличения прибыли в результате добавления нового потенциального продукта или варианта продукта в продуктовую линейку.
На самом деле, количество вариантов в подобного рода TURF исследованиях как правило составляет от семи до 35 для оптимизации группы из двух-десяти различных вариантов.
В этом гипотетическом исследовании рынка участвуют 200 респондентов, отобранных в пяти торговых центрах. Каждому респонденту предлагаются три вкуса, которые представляются в случайном порядке для минимизации искажения результатов в связи с порядком представления.
Респонденты выражают свое намерение совершить покупку каждого вкуса, используя стандартную пятиразрядную шкалу покупательского отношения.
Критерием отбора может быть только получение первого или первого и второго места при оценке уровня покупательского интереса в зависимости от их относительного уровня.
TURF-алгоритм в первую очередь анализирует структуру ответов каждого респондента, регистрируя уровень покупательского интереса, проявляемый к каждому из предложенных вкусов. То есть он определяет, какие вкусы выбирают отдельные респонденты.
В контексте этого рассуждения, вкус оказывается «выбран», если он получает оценку покупательского интереса первого или второго уровня: «точно/скорее всего купил бы». Конечно, конкретный респондент может «выбрать» все три вкуса, два из трех, один вкус или вообще ни одного.
Этот ряд ответов представляет собой базу данных TURF. Далее модель расчитывает различные комбинации выборов, т.е. сколько респондентов не выбрали ни одного вкуса, сколько выбрали только Вкус A, сколько выбрали Вкус A и B, затем Вкус A и C. Аналогичным образом процесс проводится для Вкуса B и затем для Вкуса C, определяя различные комбинации предпочтений через непрерывные попарные итерации.
Предположим, что в настоящем примере с гипотетическими вкусами мороженого получено следующее распределение оценок первого и второго уровня (т.е. «точно/скорее всего купил бы»):
| Процент выбравших вкус (точно/скорее всего бы купил бы) | |
| Вкус A | 50% |
| Вкус B | 45% |
| Вкус С | 25% |
По данным, приведенным в Таблице I, можно было бы сделать очевидный вывод о том, что клиенту следует производить Вкусы A и B, которые вызвали у респондентов наибольшее желание их купить.
Однако подход, основанный на TURF, привел бы к другому выводу, так как он выявляет следующее:
Исходя из уровня интереса к каждому вкусу и на основании попарного расчета для каждого из трех вариантов вкусов, TURF-данные по результатам опроса 200 потребителей выглядели бы так:
Таким образом, вывод, основанный на TURF-подходе, будет отличаться от предыдущего. TURF-анализ говорит о том, что оптимальной парой вкусов следует считать A+С, а не A+B, как следует из предыдущего, более традиционного анализа.
TURF-анализ может также применяться для оценки увеличения прибыли при добавлении новых продуктов, вкусов и т.п., например, увеличивая количество продуктов в линейке с одного до двух, с двух до трех, с трех до четырех, с n до n+1 и т.д.
Например, в этом гипотетическом случае, добавление Вкуса B к комбинации A+C «точно/скорее всего» прибавило бы еще 15% потребителей к уже имеющимся у клиента, таким образом увеличивая «охват аудитории» с 70% до 85%. При добавлении дополнительных вкусов, эти 85% с большой вероятностью возросли бы еще, но величина такого прироста может оказаться недостаточной, чтобы сделать добавление новых вкусов экономически целесообразным.
Иными словами, если линейка в настоящий момент состоит из двух (или N) продуктов, какой дополнительный покупательский интерес может вызвать добавление третьего, четвертого, пятого, шестого (n-ого) продукта? В какой момент наступает убывание доходности? Здесь необходимо рассмотреть следующий пример на основе TURF-подхода.
Производитель освежителей воздуха проводил оценку существующей линейки из семи ароматов, четыре из которых продавались весьма хорошо, а три – хуже. По итогам исследований и разработок, для изучения потребительского спроса было представлено пять новых ароматов. Исходя из практических соображений производства, маркетинга и распространения продукции, для линейки продукции был установлен минимальный лимит из шести и максимальный лимит из восьми ароматов.
Кроме того, так как четыре из семи ароматов продавались успешно, их не планировалось убирать из линейки продукции. Однако их было необходимо включить в исследование в целях проведения всестороннего TURF-анализа.
Вопросы, на которые необходимо было ответить:
| Существующие ароматы | Процент выбравших аромат (точно/скорее всего бы купил бы) |
| Наилучшие продажи | |
| А | 42% |
| В | 40% |
| С | 39% |
| D | 36% |
| Более слабые продажи | |
| E | 21% |
| F | 18% |
| G | 11% |
| Разработки-кандидаты | |
| V | 38% |
| W | 35% |
| X | 17% |
| Y | 15% |
| Z | 10% |
В Таблице II приведены значения покупательского интереса к различным ароматам. Очевидно, что группа успешно продающихся в настоящий момент ароматов получила относительно высокий уровень заинтересованности. Результаты TURF-анализа, представленные в Таблице III, показывают, что эти четыре аромата выбрали в совокупности 73% респондентов, что однозначно оправдывает их сохранение как группы.
Хотя разработки (Ароматы V и W) по отдельности обогнали других кандидатов, а также ароматы из группы менее успешно продающихся – их выбрали 38% и 35%, соответственно (см. Таблицу II) – TURF-анализ показывает, что новый кандидат V предлагает наибольший потенциал увеличения охвата (+8%). Кандидат V увеличивает потенциальный охват аудитории пяти ароматами с 73% до 81%, которые обеспечивают уже существующие ароматы A-D.
Новый кандидат W, хотя и получил высокие оценки покупательского интереса на уровне кандидата V (35% и 38%, соответственно), не предлагает существенного расширения аудитории для линейки ароматов. Новый кандидат X, напротив, хоть и был выбран только 17% респондентов, увеличил чистый прирост еще на семь процентных пунктов до совокупных 88%. Такого рода вывод, хотя он встречается редко, однозначно говорит о сильной нишевой привлекательности этого аромата освежителя воздуха.
ТАБЛИЦА III
ОСНОВНЫЕ ВЫБРАННЫЕ ВАРИАНТЫ ПО TURF
(Частичные данные)
| Существующие ароматы | Потенциал прироста | Совокупное количество выбравших |
| Успешно продающиеся (A-D) | 73% | 73% |
| Плюс (совокупная привлекательность) Новый кандидат V | 8% | 81% |
| Новый кандидат X | 7% | 88% |
| Менее успешный Аромат E | 2% | 90% |
| Новый кандидат W | 1% | 91% |
Из TURF-анализа следует, что сохранение менее успешного уже существующего Аромата E и/или включение в линейку нового кандидата W не привело бы к существенному повышению интереса к линейке продукции в целом. Тот небольшой потенциал покупательского интереса, который они обеспечивают, не оправдывает их включения с точки зрения соотношения издержек и доходности.
По результатам TURF-анализа делается вывод о том, что реализуя линейку из шести продуктов (четырех уже существующих и успешно продающихся вариантов A-D и двух из пяти новых кандидатов V и X), бренд имеет линейку ароматов, потенциально способных привлечь 88% потребителей освежителей воздуха.
Следует отметить, что это данные по пользователям категории в целом. В зависимости от позиции бренда на рынке и конкретных конкурентных обстоятельств, может возникнуть необходимость проведения дополнительного TURF-анализа для изучения состава продуктовой линейки на подгруппах пользователей, например, среди активных и менее активных пользователей категории и/или подргуппах пользователей различных брендов, помимо анализа общей выборки.
Заключение
Он позволяет получить надежные, экономически рациональные рекомендации для принятия решений в области исследований и маркетинга. Исследования, основанные на TURF-анализе, могут составлять самостоятельные проекты или быть частью более комплексных исследований концепций/продуктов.
Оставить свои комментарии по затронутой теме Вы можете на наших страницах в Facebook и Вконтакте.
За чат-ботами будущее?
Появление Интернета и распространение социальных медиа фундаментально изменили взаимодействие и общение людей. Теперь нас ждет новая волна перемен. И она способна перевернуть наше восприятие и представления об использовании искусственного интеллекта.
В апреле прошлого года на своей ежегодной конференции разработчиков F8 Facebook объявил об открытии своей платформы Messenger API для разработки чат-ботов, мини-программ, созданных для взаимодействия с клиентами один-на-один в реальном времени без необходимости привлекать человека в регулирование разговора. Представьте взаимодействие с брендом или организацией, как обмен текстовыми сообщениями, похожий на ваш диалог с друзьями и знакомыми, с возможностью синтаксического анализа текста.
Представьте, какие бы у вас были возможности, если бы вместо того, чтобы направлять клиентов с помощью колл-центра или надеяться, что они сами найдут то, что ищут, на вашем вебсайте, вы могли бы организовать автоматизированную поддержку в виде личных сообщений, без затрат на покупку дополнительных человеко-часов. Представьте, что вы можете отправлять уведомления о новых товарах, предложениях, новостях и предупреждениях о доставке в одной программе, в естественной, интуитивной беседе с людьми, в манере, которая наиболее для них комфортна.
Исследование рынка – это, в первую очередь, общение с людьми. Если отбросить статистику и подсчеты чисел, то это выявление того, что люди думают об идее, товаре, бренде или взгляде на жизнь. Все сводится к знакомству с группой людей. Есть ли лучший способ узнать кого-то, чем пообщаться с ним там, где он уже привык общаться со своими самыми близкими друзьями?
С помощью чат-ботов респонденты могут легко и комфортно отвечать на вопросы исследования внутри их любимого приложения-мессенджера или сервиса. Когда бы компания, занимающаяся исследованиями, не запустила новый опрос, его участники получат уведомление напрямую через мессенджер на свой смартфон без необходимости скачивать отдельное приложение.
В исследовании, проведенном в Университете Штата Мичиган при участии YouGov с помощью идентичных опросов о бытовой технике, сравниваются два метода сбора ответов (традиционный онлайн опрос и опрос с помощью чат-бота от Facebook).
Опрос был организован как серия вопросов «да\нет» о намерении респондента приобрести определенный товар из числа бытовой электроники в течении следующих шести месяцев. Также задавался ряд дополнительных вопросов о каждом товаре. Ответы были получены с помощью функции быстрого ответа Facebook Messenger.
В ходе эксперимента было протестировано три гипотезы и получены следующие результаты:
Гипотеза 1: Чат-боты Facebook Messenger обладают высоким потенциалом в привлечении респондентов, пользующихся мобильными телефонами, а так же предоставляют наилучшее взаимодействие с пользователями на мобильных устройствах.
Ключевые результаты: Гипотеза подтверждена. Внутри контрольной группы примерно одна треть респондентов (35%) завершила опрос YouGov на веб-сайте со своих смартфонов – и те, кто это сделали, оценили свои впечатления от прохождения опроса ниже, чем те, кто проходил опрос на настольном компьютере или ноутбуке. Более трех четвертей респондентов (76%) завершили тот же опрос через чат-бот Facebook Messenger на своих смартфонах, и те, кто это сделал, оценили свои впечатления существенно выше, чем те, кто проходил опрос на базе веб-сайта на своих мобильных устройствах.
Что это означает для индустрии: С ростом использования мобильных устройств по всему миру улучшение удобства прохождения опросов становится насущной необходимостью для современных исследований рынка. Многие инновационные компании запускают мобильные приложения, чтобы увеличить отклик у респондентов, пользующихся мобильными телефонами. Но необходимость для пользователей скачивать и использовать приложения на регулярной основе остается существенным препятствием. Программирование чат-бота на основе часто используемого приложения (например, Facebook Messenger) помогает преодолеть это препятствие, предоставляя естественный, интуитивный и простой в использовании метод проведения мобильного опроса, благодаря платформе, в первую очередь рассчитанной на мобильные устройства.
Гипотеза 2: Опрос на основе Facebook Messenger более привлекателен для молодых респондентов.
Ключевые результаты: Гипотеза не подтверждена. Опрос с помощью чат-бота Facebook Messenger проводился без демографических квот и без цели собрать демографические данные респондентов. Респонденты чат-бот опроса чаще оказывались женщинами и были старше, чем предоставляемая Фейсбуком общая демография пользователей.
Что это означает для индустрии: В то время как реклама на Фейсбуке может быть с легкостью направлена на определенные демографические группы, установить контакт с традиционно труднодоступными группами, например, молодыми мужчинами, может быть дороже. Чат-бот Фейсбука не является исключением.
Гипотеза 3: Результаты, полученные с помощью чат-бота в Facebook Messenger, могут отличаться от результатов, полученных с помощью более традиционных онлайн-опросов, особенно, когда речь идет о внедрении новых технологий.
Ключевые результаты: Гипотеза подтверждена. После перевзвешивания данных чат-бота, чтобы они соответствовали демографическому распределению населения контрольной группы, оказалось, что есть существенные отличия в намерениях респондентов приобрести определенные товары в течение следующих шести месяцев.
Что это означает для индустрии: Всегда следует соблюдать осторожность при сравнении результатов опросов, проведенных двумя разными методами, и чат-бот – не исключение. Переключиться с методов, рассчитанных на настольные компьютеры и ноутбуки, на методы, рассчитанные на мобильные устройства, при сборе онлайн-данных будет непросто, особенно, когда дело касается критериев анализа и методов отслеживания. Но со все возрастающим числом людей, проводящих больше времени со своими мобильным устройствами, чем за компьютерами, рассчитанный на них подход может оказаться более репрезентативным в масштабах всего населения – сейчас или же в недалеком будущем.
Оставить свои комментарии по затронутой теме Вы можете на наших страницах в Facebook и Вконтакте.
