Che cos’è la Conjoint Analysis? Tipi di Conjoint e quando usarli
Adattativa Conjoint Analysis
L’analisi conjoint adattativa varia i set di scelta presentati agli intervistati in base alle loro preferenze. Questo adattamento si rivolge alle caratteristiche e ai livelli più preferiti dagli intervistati, rendendo così l’esercizio conjoint più efficiente, senza sprecare domande su livelli con poca o nessuna attrattiva. Ogni pacchetto mostrato è più competitivo e produrrà dati più “intelligenti”.
L’analisi congiunta adattativa è spesso più coinvolgente per chi fa il sondaggio e quindi può produrre dati più rilevanti. Riduce la lunghezza del sondaggio senza diminuire la potenza delle metriche o delle simulazioni di conjoint analysis. Ci sono diversi modi per adattare gli scenari conjoint all’intervistato. Più comunemente il design è basato sui livelli di caratteristiche più importanti. Quando ogni pacchetto viene presentato per la valutazione, l’indagine tiene conto della scelta e quindi rende più efficiente la domanda successiva. Una combinazione di metodi di valutazione del profilo completo e delle caratteristiche può essere utilizzata e viene chiamata Hybrid Conjoint Analysis.
Choice-Based Conjoint
La Choice-based conjoint analysis (CBC) (conosciuta anche come discrete-choice conjoint analysis) è la forma più comune di conjoint analysis. La conjoint analysis basata sulla scelta richiede che l’intervistato scelga il suo concetto di profilo completo preferito. Questa scelta è fatta ripetutamente da insiemi di 3-5 concetti di profilo completo.
Questa attività di scelta è pensata per simulare una situazione di acquisto reale, imitando così il comportamento di acquisto reale. L’importanza e la preferenza per le caratteristiche e i livelli degli attributi possono essere dedotti matematicamente dai compromessi fatti quando si seleziona una (o nessuna) delle scelte disponibili. I disegni conjoint basati sulla scelta sono condizionati dal numero di caratteristiche e livelli. Spesso, questo numero è grande e un disegno sperimentale è implementato per evitare l’affaticamento degli intervistati. Qualtrics fornisce un’estrema flessibilità nell’utilizzo di disegni sperimentali all’interno dell’indagine conjoint.
I risultati di un’analisi conjoint basata sulla scelta forniscono eccellenti stime dell’importanza delle caratteristiche, specialmente per quanto riguarda il prezzo. I risultati possono stimare il valore di ogni livello e le combinazioni che costituiscono i prodotti ottimali. I simulatori riportano la preferenza e il valore di un pacchetto selezionato e la quota di scelta prevista (surrogato della quota di mercato).
Self-Explicated Conjoint Analysis
Self-explicated conjoint analysis offre un approccio semplice ma sorprendentemente robusto che è facile da implementare e non richiede lo sviluppo di concetti completi. L’analisi conjoint autoesplicata è un approccio ibrido che si concentra sulla valutazione di vari attributi di un prodotto. Questo modello di conjoint analysis chiede esplicitamente la preferenza per ogni livello di caratteristica piuttosto che la preferenza per un gruppo di caratteristiche.
Anche se l’approccio è diverso, il risultato è sempre lo stesso in quanto produce stime di alta qualità delle utilità di preferenza.
- Prima di tutto, come ACA, i fattori e i livelli sono presentati agli intervistati per l’eliminazione se non sono accettabili nei prodotti in qualsiasi condizione
- Per ogni caratteristica, l’intervistato seleziona i livelli che preferisce di più e di meno
- In seguito, i livelli rimanenti di ogni caratteristica sono valutati in relazione ai livelli più preferiti e meno preferiti
- Infine, misuriamo quanto è importante la caratteristica complessiva nella loro preferenza. L’importanza relativa del livello più preferito di ogni attributo è misurata usando una scala a somma costante (assegnare 100 punti tra i livelli più desiderabili di ogni attributo).
- I punteggi di desiderabilità a livello di attributo sono poi ponderati dall’importanza dell’attributo per fornire valori di utilità per ogni livello di attributo.
L’analisi conjoint auto-esplicata non richiede l’analisi statistica o la logica euristica richiesta in molti altri approcci conjoint. Questo approccio ha dimostrato di fornire risultati uguali o superiori agli approcci a profilo completo, e pone meno richieste all’intervistato. Ci sono alcune limitazioni nell’analisi conjoint autoesplicativa, compresa l’incapacità di scambiare il prezzo con altri pacchetti di attributi. In questa situazione, l’intervistato preferisce sempre il prezzo più basso, e altri modelli di analisi conjoint sono più appropriati.
Max-Diff Conjoint Analysis
Max-Diff conjoint analysis presenta un assortimento di pacchetti da selezionare negli scenari migliore/più preferito e peggiore/meno preferito. Gli intervistati possono indicare rapidamente le voci migliori e peggiori in una lista, ma spesso faticano a decifrare i loro sentimenti per la “via di mezzo”. Max-Diff è spesso un compito più facile da intraprendere perché i consumatori sono ben addestrati a dare giudizi comparativi.
L’analisi congiunta Max-Diff è una metodologia ideale quando il compito decisionale è quello di valutare la scelta del prodotto. Un disegno sperimentale è impiegato per bilanciare e rappresentare correttamente gli insiemi di articoli. Ci sono diversi approcci che possono essere presi con l’analisi degli studi Max-Diff, tra cui: Hierarchical Bayes conjoint modelling per derivare le stime del punteggio di utilità, l’analisi del conteggio migliore/peggiore e l’analisi TURF.
Hierarchical Bayes Analysis (HB)
Hierarchical Bayes Analysis (HB) è usata in modo simile per stimare le utilità a livello di attributo dai dati di scelta. HB è particolarmente utile in situazioni in cui il compito di raccolta dati è così grande che l’intervistato non può ragionevolmente fornire valutazioni di preferenza per tutti i livelli di attributo. Come parte della procedura per stimare le utilità a livello di attributo per ogni individuo, il Bayes gerarchico concentra la misurazione del singolo intervistato sugli attributi altamente variabili e usa le medie a livello di attributo del campione quando la variabilità a livello di attributo è minore. Questo approccio permette ancora una volta di stimare più attributi e livelli con quantità minori di dati raccolti da ogni singolo intervistato.
Conjoint è una tecnica di analisi molto efficace
La metodologia di analisi congiunta ha resistito a un intenso esame sia da parte degli accademici che dei ricercatori professionisti per più di 30 anni. È ampiamente utilizzata nei prodotti di consumo, beni durevoli, farmaceutici, trasporti e industrie di servizi, e dovrebbe essere un punto fermo nel vostro toolkit di ricerca. Per saperne di più sulla conjoint analysis, controlla il nostro eBook.