Vad är en konjointanalys? Typer och när man ska använda dem
Adaptiv konjunktionsanalys
Adaptiv konjunktionsanalys varierar de valmöjligheter som presenteras för respondenterna baserat på deras preferenser. Denna anpassning är inriktad på respondentens mest föredragna funktion och nivåer, vilket gör den gemensamma analysen effektivare och gör att inga frågor slösas bort på nivåer med liten eller ingen attraktionskraft. Varje paket som visas är mer konkurrenskraftigt och ger ”smartare” data.
Adaptiv conjoint-analys är ofta mer engagerande för undersökningsdeltagaren och kan därför ge mer relevanta data. Den minskar undersökningens längd utan att minska kraften i conjoint-analysens mätningar eller simuleringar. Det finns flera sätt att anpassa de gemensamma scenarierna till respondenten. Vanligast är att utformningen baseras på de viktigaste funktionsnivåerna. När varje paket presenteras för utvärdering tar undersökningen hänsyn till valet och gör sedan nästa fråga effektivare. En kombination av metoder för utvärdering av fullständig profil och funktioner kan användas och kallas Hybrid Conjoint Analysis.
Choice-Based Conjoint
Den valbaserade conjoint-analysen (CBC) (även känd som discrete-choice conjoint-analys) är den vanligaste formen av conjoint-analys. Valbaserad conjoint kräver att respondenten ska välja sitt mest föredragna koncept för hela profilen. Detta val görs upprepade gånger från uppsättningar av 3-5 fullprofilkoncept.
Denna valaktivitet anses simulera en faktisk köpsituation och efterliknar därmed det faktiska shoppingbeteendet. Vikten och preferensen för attributens egenskaper och nivåer kan matematiskt härledas från de avvägningar som görs när man väljer ett (eller inget) av de tillgängliga alternativen. Valbaserad conjoint-design är beroende av antalet egenskaper och nivåer. Ofta är detta antal stort och en experimentell utformning genomförs för att undvika att respondenterna blir trötta. Qualtrics erbjuder extrem flexibilitet när det gäller att använda experimentella konstruktioner i conjoint-undersökningen.
Resultatet av en valbaserad conjoint-analys ger utmärkta uppskattningar av funktionernas betydelse, särskilt när det gäller prissättning. Resultaten kan uppskatta värdet av varje nivå och de kombinationer som utgör optimala produkter. Simulatorer rapporterar preferensen och värdet av ett utvalt paket och den förväntade valandelen (surrogat för marknadsandel).
Självexplicerad conjoint-analys
Självexplicerad conjoint-analys erbjuder en enkel men förvånansvärt robust metod som är lätt att implementera och som inte kräver att man utvecklar koncept med fullständiga profiler. Self-explicated conjoint analysis är en hybridmetod som fokuserar på utvärdering av olika attribut hos en produkt. Denna conjoint-analysmodell frågar uttryckligen efter preferensen för varje egenskapsnivå snarare än preferensen för ett paket av egenskaper.
Trots att tillvägagångssättet är annorlunda är resultatet fortfarande detsamma, eftersom det ger högkvalitativa uppskattningar av preferensanvändningen.
- För det första, precis som i ACA, presenteras faktorer och nivåer för respondenterna för eliminering om de inte är acceptabla i produkter under alla förhållanden
- För varje funktion väljer respondenten de nivåer som de föredrar mest och minst
- Nästan betygsätts de återstående nivåerna av varje funktion i förhållande till de mest föredragna och minst föredragna nivåerna
- För det sista mäter vi hur viktigt det övergripande särdraget är i deras preferens. Den relativa betydelsen av den mest föredragna nivån av varje attribut mäts med hjälp av en skala med konstant summa (fördela 100 poäng mellan de mest önskvärda nivåerna av varje attribut).
- Den önskvärda poängsumman för attributnivåerna viktas sedan med attributets betydelse för att ge nyttovärden för varje attributnivå.
Självexplicerad conjoint-analys kräver inte den statistiska analys eller den heuristiska logik som krävs i många andra conjoint-strategier. Denna metod har visat sig ge resultat som är lika bra eller bättre än metoder med fullständig profil och ställer mindre krav på respondenten. Det finns vissa begränsningar i den självutlämnande conjoint-analysen, bl.a. oförmågan att jämföra pris med andra attributpaket. I denna situation föredrar respondenten alltid det lägsta priset, och andra gemensamma analysmodeller är mer lämpliga.
Max-Diff Conjoint Analysis
Max-Diff conjoint analysis presenterar ett sortiment av paket som ska väljas enligt bästa/mest föredragna och sämsta/mindsta föredragna scenarier. Respondenterna kan snabbt ange det bästa och det sämsta i en lista, men de har ofta svårt att tolka sina känslor för ”mittfältet”. Max-Diff är ofta en lättare uppgift att genomföra eftersom konsumenterna är vältränade i att göra jämförande bedömningar.
Max-Diff conjoint analysis är en idealisk metodik när beslutsuppgiften är att utvärdera produktval. En experimentell design används för att balansera och korrekt representera uppsättningarna av artiklar. Det finns flera tillvägagångssätt som kan användas för att analysera Max-Diff-studier: Hierarkisk Bayes-conjoint-modellering för att få fram uppskattningar av nyttopoäng, analys av bästa/värsta räkningen och TURF-analys.
Hierarkisk Bayes-analys (HB)
Hierarkisk Bayes-analys (HB) används på samma sätt för att uppskatta nyttan på attributnivå från data om val. HB är särskilt användbar i situationer där uppgiften att samla in uppgifter är så stor att respondenten inte rimligen kan lämna preferensbedömningar för alla attributnivåer. Som en del av förfarandet för att uppskatta nyttan på attributnivå för varje enskild individ fokuserar hierarkisk Bayes på enskilda respondenters mätning av mycket variabla attribut och använder urvalets medelvärden på attributnivå när variabiliteten på attributnivå är mindre. Detta tillvägagångssätt gör det återigen möjligt att uppskatta fler attribut och nivåer med mindre mängder data som samlas in från varje enskild respondent.
Conjoint är en mycket effektiv analysteknik
Conjoint-analysmetodik har stått emot intensiv granskning från både akademiker och professionella forskare i mer än 30 år. Den används i stor utsträckning inom konsumentprodukter, varaktiga varor, läkemedels-, transport- och tjänstesektorn och bör vara en viktig del av din verktygslåda för forskning. Om du vill veta mer om conjoint-analys kan du läsa vår e-bok.