Mikä on Conjoint Analysis? Conjoint-tyypit ja milloin niitä käytetään
Adaptiivinen Conjoint-analyysi
Adaptiivinen Conjoint-analyysi varioi vastaajille esitettyjä valintakokonaisuuksia heidän mieltymystensä perusteella. Tämä mukauttaminen kohdistuu vastaajan eniten suosimiin ominaisuuksiin ja tasoihin, mikä tekee conjoint-harjoituksesta tehokkaamman, eikä kysymyksiä tuhlaannu tasoihin, jotka eivät ole kovin houkuttelevia. Jokainen esitetty paketti on kilpailukykyisempi ja tuottaa ”älykkäämpiä” tietoja.
Adaptiivinen conjoint-analyysi on usein kiinnostavampi kyselyyn osallistuvalle ja voi siten tuottaa merkityksellisempiä tietoja. Se lyhentää kyselyn pituutta heikentämättä conjoint-analyysin mittareiden tai simulaatioiden tehoa. On olemassa useita tapoja mukauttaa conjoint-skenaariot vastaajan mukaan. Yleisimmin suunnittelu perustuu tärkeimpiin ominaisuustasoihin. Kun kukin paketti esitetään arvioitavaksi, kyselyssä otetaan huomioon valinta ja tehdään seuraavasta kysymyksestä tehokkaampi. Täyden profiilin ja ominaisuuksien arviointimenetelmien yhdistelmää voidaan hyödyntää, ja sitä kutsutaan hybridiksi conjoint-analyysiksi.
Choice-Based Conjoint
Valintaan perustuva conjoint-analyysi (Choice-based conjoint analysis, CBC) (tunnetaan myös nimellä discrete-choice conjoint analysis) on yleisin conjoint-analyysin muoto. Valintaan perustuvassa conjoint-analyysissä vastaajan on valittava mieluisin koko profiilin käsite. Tämä valinta tehdään toistuvasti 3-5 täysprofiilikonseptin joukosta.
Tämän valintatoiminnan ajatellaan simuloivan todellista ostotilannetta ja jäljittelevän siten todellista ostokäyttäytymistä. Ominaisuuksien ominaisuuksien ja tasojen tärkeys ja mieltymys voidaan päätellä matemaattisesti kompromisseista, joita tehdään valittaessa yhtä (tai ei yhtään) käytettävissä olevista vaihtoehdoista. Valintapohjaiset conjoint-mallit ovat riippuvaisia ominaisuuksien ja tasojen määrästä. Usein tämä määrä on suuri, ja vastaajien väsymisen välttämiseksi käytetään kokeellista suunnittelua. Qualtrics tarjoaa äärimmäistä joustavuutta kokeellisten mallien hyödyntämisessä conjoint-tutkimuksessa.
Valintapohjaisen conjoint-analyysin tuloksena saadaan erinomaisia arvioita ominaisuuksien tärkeydestä, erityisesti hinnoittelun osalta. Tuloksilla voidaan arvioida kunkin tason arvo ja optimaalisen tuotteen muodostavat yhdistelmät. Simulaattorit raportoivat valitun paketin preferenssin ja arvon sekä odotetun valintaosuuden (markkinaosuuden korvike).
Self-Explicated Conjoint Analysis
Self-Explicated Conjoint Analysis tarjoaa yksinkertaisen mutta yllättävän vankan lähestymistavan, joka on helppo toteuttaa eikä vaadi täysprofiilikonseptien kehittämistä. Self-explicated conjoint analysis on hybridi lähestymistapa, jossa keskitytään tuotteen eri ominaisuuksien arviointiin. Tässä conjoint-analyysimallissa kysytään nimenomaisesti kunkin ominaisuustason mieltymystä sen sijaan, että kysyttäisiin mieltymystä ominaisuuksien nipulle.
Vaikka lähestymistapa on erilainen, lopputulos on silti sama, sillä se tuottaa korkealaatuisia estimaatteja mieltymysten hyötyarvoista.
- Aluksi, kuten ACA:ssa, tekijät ja tasot esitetään vastaajille poistettavaksi, jos ne eivät ole hyväksyttäviä tuotteissa millään ehdolla
- Kunkin ominaisuuden osalta vastaaja valitsee ne tasot, joista hän pitää eniten ja joista hän pitää vähiten
- Seuraavaksi kunkin ominaisuuden jäljelle jääviä tasoja luokitellaan suhteessa suosituimpiin ja vähiten suosituimpiin tasoihin
- Lopuksi mitataan sitä, kuinka tärkeäksi ominaisuuden kokonaisvaltainen arvo muodostuu vastaajan preferenssissä. Kunkin ominaisuuden suosituimman tason suhteellinen tärkeys mitataan käyttämällä vakiosumma-asteikkoa (jaetaan 100 pistettä kunkin ominaisuuden toivotuimpien tasojen välille).
- Ominaisuustason toivottavuuspistemäärät painotetaan sitten ominaisuuden tärkeydellä, jotta saadaan hyödyllisyysarvot kullekin ominaisuustasolle.
Self-explicated conjoint-analyysi ei vaadi tilastollista analyysia tai heuristista logiikkaa, jota vaaditaan monissa muissa conjoint-lähestymistavoissa. Tämän lähestymistavan on osoitettu tuottavan yhtä hyviä tai parempia tuloksia kuin täyden profiilin lähestymistavat, ja se asettaa vastaajalle vähemmän vaatimuksia. Itseraportoivaan conjoint-analyysiin liittyy joitakin rajoituksia, kuten kyvyttömyys tehdä kompromisseja hinnan ja muiden ominaisuuksien välillä. Tässä tilanteessa vastaaja pitää aina halvinta hintaa parempana, ja muut conjoint-analyysimallit ovat sopivampia.
Max-Diff conjoint-analyysi
Max-Diff conjoint-analyysi esittelee valikoiman paketteja, jotka valitaan parhaana/mieluisimpana pidettävän ja huonoimpana/vähiten pidettävän skenaarion mukaan. Vastaajat pystyvät nopeasti osoittamaan luettelon parhaat ja huonoimmat kohteet, mutta heidän on usein vaikea tulkita tunteitaan ”keskimmäistä vaihtoehtoa” kohtaan. Max-Diff on usein helpompi tehtävä, koska kuluttajat ovat hyvin koulutettuja tekemään vertailevia arvioita.
Max-Diff conjoint-analyysi on ihanteellinen menetelmä, kun päätöksentekotehtävänä on arvioida tuotevalintaa. Kokeellista suunnitelmaa käytetään tasapainottamaan ja edustamaan oikein tuotejoukkoja. Max-Diff-tutkimusten analysoinnissa voidaan käyttää useita lähestymistapoja, mukaan lukien: HB on erityisen käyttökelpoinen tilanteissa, joissa tiedonkeruutehtävä on niin laaja, että vastaaja ei voi kohtuudella antaa mieltymysarvioita kaikille ominaisuustasoille. Osana menettelyä, jolla estimoidaan ominaisuustason hyötyjä kullekin yksilölle, hierarkkinen Bayes-menetelmä keskittyy yksittäisen vastaajan mittaukseen voimakkaasti vaihteleviin ominaisuuksiin ja käyttää otoksen ominaisuustason keskiarvoja, kun ominaisuustason vaihtelu on vähäisempää. Tämä lähestymistapa taas mahdollistaa useampien attribuuttien ja tasojen estimoinnin pienemmillä määrillä jokaiselta yksittäiseltä vastaajalta kerättyä dataa.
Conjoint on erittäin tehokas analyysitekniikka
Conjoint-analyysin metodologia on kestänyt intensiivistä tarkastelua niin akateemisten kuin ammattitutkijoidenkin taholta yli 30 vuoden ajan. Sitä käytetään laajalti kulutustuotteissa, kestotavaroissa, lääketeollisuudessa, kuljetusalalla ja palvelualoilla, ja sen pitäisi kuulua tutkimustyökalupakkiisi. Jos haluat lisätietoja conjoint-analyysistä, tutustu e-kirjaamme.