Was ist eine Conjoint-Analyse? Conjoint-Typen und ihre Anwendung
Adaptive Conjoint-Analyse
Die adaptive Conjoint-Analyse variiert die Auswahlmöglichkeiten, die den Befragten auf der Grundlage ihrer Präferenzen präsentiert werden. Diese Anpassung zielt auf die von den Befragten am meisten bevorzugten Merkmale und Stufen ab, wodurch die Conjoint-Analyse effizienter wird und keine Fragen an Stufen verschwendet werden, die wenig oder gar nicht attraktiv sind. Jedes gezeigte Paket ist wettbewerbsfähiger und liefert „intelligentere“ Daten.
Die adaptive Conjoint-Analyse ist für den Umfrageteilnehmer oft interessanter und kann daher relevantere Daten liefern. Sie verkürzt die Dauer der Umfrage, ohne die Aussagekraft der Conjoint-Analyse-Metriken oder -Simulationen zu schmälern. Es gibt mehrere Möglichkeiten, die Conjoint-Szenarien an den Befragten anzupassen. In den meisten Fällen basiert der Entwurf auf den wichtigsten Merkmalsebenen. Wenn jedes Paket zur Bewertung vorgelegt wird, berücksichtigt die Umfrage die Wahl und macht die nächste Frage effizienter. Eine Kombination aus vollständigen Profil- und Merkmalsbewertungsmethoden kann verwendet werden und wird als hybride Conjoint-Analyse bezeichnet.
Choice-Based Conjoint
Die Choice-Based Conjoint-Analyse (CBC) (auch bekannt als Discrete-Choice-Conjoint-Analyse) ist die häufigste Form der Conjoint-Analyse. Bei der Choice-based Conjoint-Analyse muss der Befragte sein bevorzugtes Vollprofil-Konzept wählen. Diese Wahl wird wiederholt aus einer Reihe von 3-5 Vollprofilkonzepten getroffen.
Diese Wahlaktivität soll eine tatsächliche Kaufsituation simulieren und damit das tatsächliche Kaufverhalten nachahmen. Die Wichtigkeit und die Präferenz für die Attributmerkmale und -stufen lassen sich mathematisch aus den Abwägungen ableiten, die bei der Auswahl einer (oder keiner) der zur Verfügung stehenden Wahlmöglichkeiten getroffen werden. Choice-basierte Conjoint-Designs sind von der Anzahl der Merkmale und Ebenen abhängig. Oft ist diese Anzahl groß und es wird ein experimentelles Design implementiert, um eine Ermüdung der Befragten zu vermeiden. Qualtrics bietet extreme Flexibilität bei der Verwendung experimenteller Designs innerhalb der Conjoint-Befragung.
Das Ergebnis einer Choice-based Conjoint-Analyse liefert hervorragende Schätzungen der Wichtigkeit der Merkmale, insbesondere im Hinblick auf den Preis. Die Ergebnisse können den Wert der einzelnen Stufen und die Kombinationen, die optimale Produkte ausmachen, abschätzen. Simulatoren geben die Präferenz und den Wert eines ausgewählten Pakets sowie den erwarteten Choice-Anteil (Surrogat für den Marktanteil) an.
Selbstexplizierte Conjoint-Analyse
Die selbstexplizierte Conjoint-Analyse bietet einen einfachen, aber überraschend robusten Ansatz, der leicht zu implementieren ist und nicht die Entwicklung vollständiger Profilkonzepte erfordert. Die selbstexplizierte Conjoint-Analyse ist ein hybrider Ansatz, der sich auf die Bewertung verschiedener Attribute eines Produkts konzentriert. Dieses Conjoint-Analysemodell fragt explizit nach der Präferenz für jede Merkmalsstufe und nicht nach der Präferenz für ein Bündel von Merkmalen.
Obwohl der Ansatz anders ist, ist das Ergebnis dasselbe, da es qualitativ hochwertige Schätzungen der Präferenznutzen liefert.
- Zunächst werden den Befragten wie beim ACA Faktoren und Stufen zur Eliminierung vorgelegt, wenn sie in den Produkten unter keiner Bedingung akzeptabel sind
- Für jedes Merkmal wählen die Befragten die Stufen aus, die sie am meisten und am wenigsten bevorzugen
- Nächstens werden die verbleibenden Stufen jedes Merkmals im Verhältnis zu den am meisten und am wenigsten bevorzugten Stufen bewertet
- Schließlich messen wir, wie wichtig das Gesamtmerkmal für ihre Präferenz ist. Die relative Wichtigkeit der am meisten bevorzugten Stufe jedes Merkmals wird mit Hilfe einer konstanten Summenskala gemessen (100 Punkte zwischen den wünschenswertesten Stufen jedes Merkmals).
- Die Werte für die Wünschbarkeit der Merkmalsstufen werden dann mit der Wichtigkeit des Merkmals gewichtet, um Nutzwerte für jede Merkmalsstufe zu erhalten.
Die selbstexplizierte Conjoint-Analyse erfordert weder die statistische Analyse noch die heuristische Logik, die bei vielen anderen Conjoint-Ansätzen erforderlich ist. Es hat sich gezeigt, dass dieser Ansatz Ergebnisse liefert, die denen von Vollprofil-Ansätzen gleichwertig oder überlegen sind, und weniger Anforderungen an den Befragten stellt. Die selbstexplizierte Conjoint-Analyse weist einige Einschränkungen auf, darunter die Unfähigkeit, den Preis mit anderen Attributbündeln abzuwägen. In dieser Situation bevorzugt der Befragte immer den niedrigsten Preis, und andere Modelle der Conjoint-Analyse sind besser geeignet.
Max-Diff Conjoint-Analyse
Bei der Max-Diff Conjoint-Analyse wird eine Auswahl von Paketen präsentiert, die unter den Szenarien beste/meist bevorzugte und schlechteste/am wenigsten bevorzugte ausgewählt werden. Die Befragten können schnell die besten und schlechtesten Elemente einer Liste angeben, haben aber oft Schwierigkeiten, ihre Gefühle für den „Mittelweg“ zu entschlüsseln. Die Max-Diff-Analyse ist oft eine leichtere Aufgabe, weil die Verbraucher gut darin geschult sind, vergleichende Urteile zu fällen.
Die Max-Diff-Conjoint-Analyse ist eine ideale Methode, wenn die Entscheidungsaufgabe darin besteht, die Produktauswahl zu bewerten. Ein Versuchsplan wird verwendet, um die Produktgruppen auszugleichen und richtig darzustellen. Es gibt verschiedene Ansätze, die bei der Analyse von Max-Diff-Studien verfolgt werden können, darunter: Hierarchische Bayes-Conjoint-Modellierung zur Ableitung von Nutzenwertschätzungen, Best/Worst-Counting-Analyse und TURF-Analyse.
Hierarchische Bayes-Analyse (HB)
Die hierarchische Bayes-Analyse (HB) wird ebenfalls zur Schätzung von Nutzenwerten auf Attributsebene aus Auswahldaten verwendet. Die HB ist besonders nützlich in Situationen, in denen die Datenerhebung so umfangreich ist, dass der Befragte nicht in angemessener Weise Präferenzbewertungen für alle Attributsebenen abgeben kann. Als Teil des Verfahrens zur Schätzung des Nutzens auf Attributsebene für jedes Individuum konzentriert sich die hierarchische Bayes-Methode auf die Messung der einzelnen Befragten auf hochgradig variable Attribute und verwendet die Durchschnittswerte der Stichprobe auf Attributsebene, wenn die Variabilität auf Attributsebene geringer ist. Dieser Ansatz ermöglicht es wiederum, mehr Attribute und Ebenen mit geringeren Datenmengen, die von jedem einzelnen Befragten erhoben werden, zu schätzen.
Conjoint ist eine hocheffektive Analysetechnik
Die Methodik der Conjoint-Analyse wird seit mehr als 30 Jahren sowohl von Akademikern als auch von professionellen Forschern intensiv geprüft. Sie wird in der Konsumgüter-, Gebrauchsgüter-, Pharma-, Transport- und Dienstleistungsbranche weithin eingesetzt und sollte ein fester Bestandteil Ihres Forschungswerkzeugs sein. Wenn Sie mehr über die Conjoint-Analyse erfahren möchten, lesen Sie unser eBook.