Qu’est-ce qu’une analyse conjointe ? Types de conjoints & quand les utiliser
Analyse conjointe adaptative
L’analyse conjointe adaptative fait varier les ensembles de choix présentés aux répondants en fonction de leurs préférences. Cette adaptation cible la caractéristique et les niveaux les plus préférés du répondant, rendant ainsi l’exercice conjoint plus efficace, ne gaspillant aucune question sur des niveaux peu ou pas attractifs. Chaque paquet présenté est plus compétitif et produira des données » plus intelligentes « .
L’analyse conjointe adaptative est souvent plus engageante pour le répondant et peut donc produire des données plus pertinentes. Elle réduit la durée de l’enquête sans diminuer la puissance des métriques ou des simulations de l’analyse conjointe. Il existe plusieurs façons d’adapter les scénarios conjoints au répondant. Le plus souvent, la conception est basée sur les niveaux de caractéristiques les plus importants. Lorsque chaque paquet est présenté pour évaluation, l’enquête tient compte du choix et rend la question suivante plus efficace. Une combinaison de méthodes d’évaluation du profil complet et des caractéristiques peut être utilisée et est appelée analyse conjointe hybride.
Analyse conjointe basée sur le choix
L’analyse conjointe basée sur le choix (CBC) (également connue sous le nom d’analyse conjointe à choix discret) est la forme la plus courante d’analyse conjointe. L’analyse conjointe basée sur les choix demande au répondant de choisir son concept de profil complet le plus préféré. Ce choix est effectué de manière répétée à partir d’ensembles de 3 à 5 concepts de profil complet.
Cette activité de choix est censée simuler une situation d’achat réelle, imitant ainsi le comportement d’achat réel. L’importance et la préférence pour les caractéristiques et les niveaux des attributs peuvent être déduites mathématiquement des compromis effectués lors de la sélection d’un (ou d’aucun) des choix disponibles. Les modèles conjoints basés sur le choix dépendent du nombre de caractéristiques et de niveaux. Souvent, ce nombre est élevé et un plan expérimental est mis en œuvre pour éviter la lassitude des répondants. Qualtrics offre une extrême flexibilité dans l’utilisation des plans expérimentaux au sein de l’enquête conjointe.
Le résultat d’une analyse conjointe basée sur les choix fournit d’excellentes estimations de l’importance des caractéristiques, notamment en ce qui concerne le prix. Les résultats peuvent estimer la valeur de chaque niveau et les combinaisons qui constituent les produits optimaux. Les simulateurs rapportent la préférence et la valeur d’un paquet sélectionné et la part de choix attendue (substitut de la part de marché).
Analyse conjointe auto-expliquée
L’analyse conjointe auto-expliquée offre une approche simple mais étonnamment robuste, facile à mettre en œuvre et ne nécessitant pas le développement de concepts de profil complet. L’analyse conjointe auto-expliquée est une approche hybride qui se concentre sur l’évaluation de divers attributs d’un produit. Ce modèle d’analyse conjointe pose explicitement la question de la préférence pour chaque niveau de caractéristique plutôt que la préférence pour un ensemble de caractéristiques.
Bien que l’approche soit différente, le résultat reste le même en ce qu’il produit des estimations de haute qualité des utilités de préférence.
- D’abord, comme l’ACA, les facteurs et les niveaux sont présentés aux répondants pour être éliminés s’ils ne sont pas acceptables dans les produits dans n’importe quelle condition
- Pour chaque caractéristique, le répondant sélectionne les niveaux qu’il préfère le plus et le moins
- Puis, les niveaux restants de chaque caractéristique sont évalués par rapport aux niveaux les plus préférés et les moins préférés
- Enfin, nous mesurons l’importance de la caractéristique globale dans leur préférence. L’importance relative du niveau le plus préféré de chaque attribut est mesurée à l’aide d’une échelle à somme constante (allouer 100 points entre les niveaux les plus souhaitables de chaque attribut).
- Les scores de désirabilité des niveaux d’attributs sont ensuite pondérés par l’importance de l’attribut afin de fournir des valeurs d’utilité pour chaque niveau d’attribut.
L’analyse conjointe auto-expliquée ne nécessite pas l’analyse statistique ou la logique heuristique requise dans de nombreuses autres approches conjointes. Il a été démontré que cette approche fournit des résultats égaux ou supérieurs aux approches par profil complet, et qu’elle est moins exigeante pour le répondant. L’analyse conjointe auto-expliquée présente certaines limites, notamment l’impossibilité de négocier le prix avec d’autres groupes d’attributs. Dans cette situation, le répondant préfère toujours le prix le plus bas, et d’autres modèles d’analyse conjointe sont plus appropriés.
Analyse conjointe Max-Diff
L’analyse conjointe Max-Diff présente un assortiment de paquets à sélectionner selon les scénarios le meilleur/le plus préféré et le pire/le moins préféré. Les répondants peuvent rapidement indiquer les meilleurs et les pires éléments d’une liste, mais ont souvent du mal à déchiffrer leurs sentiments pour le » juste milieu « . Max-Diff est souvent une tâche plus facile à entreprendre car les consommateurs sont bien entraînés à porter des jugements comparatifs.
L’analyse conjointe Max-Diff est une méthodologie idéale lorsque la tâche de décision consiste à évaluer le choix d’un produit. Un plan expérimental est employé pour équilibrer et représenter correctement les ensembles d’articles. Il y a plusieurs approches qui peuvent être prises avec l’analyse des études Max-Diff, y compris : La modélisation conjointe hiérarchique de Bayes pour dériver des estimations de score d’utilité, l’analyse du meilleur et du pire comptage et l’analyse TURF.
L’analyse hiérarchique de Bayes (HB)
L’analyse hiérarchique de Bayes (HB) est utilisée de manière similaire pour estimer les utilités au niveau des attributs à partir des données de choix. L’HB est particulièrement utile dans les situations où la tâche de collecte de données est si importante que le répondant ne peut raisonnablement fournir des évaluations de préférence pour tous les niveaux d’attributs. Dans le cadre de la procédure d’estimation des utilités de niveau d’attribut pour chaque individu, la méthode hiérarchique de Bayes concentre les mesures individuelles des répondants sur les attributs très variables et utilise les moyennes de niveau d’attribut de l’échantillon lorsque la variabilité de niveau d’attribut est plus faible. Cette approche permet à nouveau d’estimer un plus grand nombre d’attributs et de niveaux avec de plus petites quantités de données collectées auprès de chaque répondant individuel.
L’analyse conjointe est une technique d’analyse très efficace
La méthodologie d’analyse conjointe a résisté à un examen intense de la part des universitaires et des chercheurs professionnels pendant plus de 30 ans. Elle est largement utilisée dans les secteurs des produits de consommation, des biens durables, des produits pharmaceutiques, des transports et des services, et devrait être un élément de base de votre boîte à outils de recherche. Pour en savoir plus sur l’analyse conjointe, consultez notre eBook.