Co to jest analiza conjoint? Conjoint Types & When to Use Them
Adaptive Conjoint Analysis
Adaptive conjoint analysis zmienia zestawy wyborów prezentowane respondentom w oparciu o ich preferencje. To dostosowanie jest ukierunkowane na najbardziej preferowane przez respondentów cechy i poziomy, dzięki czemu ćwiczenie conjoint jest bardziej efektywne, nie marnując pytań na poziomy, które są mało atrakcyjne lub w ogóle nie są atrakcyjne. Każdy pokazany pakiet jest bardziej konkurencyjny i dostarczy „mądrzejszych” danych.
Adaptacyjna analiza conjoint jest często bardziej angażująca dla ankietera i dlatego może dostarczyć więcej istotnych danych. Zmniejsza długość ankiety bez zmniejszania mocy metryk lub symulacji conjoint analysis. Istnieje wiele sposobów, aby dostosować scenariusze conjoint do respondenta. Najczęściej projekt jest oparty na najważniejszych poziomach cech. Gdy każdy pakiet jest przedstawiany do oceny, ankieta uwzględnia wybór, a następnie sprawia, że kolejne pytanie jest bardziej efektywne. Połączenie metod pełnego profilu i oceny cech może być wykorzystane i jest określane jako Hybrid Conjoint Analysis.
Choice-Based Conjoint
Analiza conjoint oparta na wyborze (CBC) (znana również jako discrete-choice conjoint analysis) jest najbardziej powszechną formą analizy conjoint. Analiza conjoint oparta na wyborze wymaga, aby respondent wybrał swoją najbardziej preferowaną koncepcję pełnego profilu. Ten wybór jest dokonywany wielokrotnie z zestawów 3-5 koncepcji pełnoprofilowych.
Ta czynność wyboru ma symulować rzeczywistą sytuację zakupu, naśladując w ten sposób rzeczywiste zachowania zakupowe. Znaczenie i preferencje dla cech atrybutów i poziomów mogą być matematycznie wydedukowane z kompromisów dokonanych przy wyborze jednego (lub żadnego) z dostępnych wyborów. Projekty conjoint oparte na wyborze są uzależnione od liczby cech i poziomów. Często liczba ta jest duża i aby uniknąć zmęczenia respondentów, wprowadza się projekt eksperymentalny. Qualtrics zapewnia niezwykłą elastyczność w wykorzystaniu eksperymentalnych projektów w ramach badania conjoint.
Wyniki analizy Choice-based conjoint zapewniają doskonałe oszacowanie ważności cech, szczególnie w odniesieniu do cen. Wyniki mogą oszacować wartość każdego poziomu i kombinacji, które tworzą optymalne produkty. Symulatory podają preferencje i wartość wybranego pakietu oraz oczekiwany udział w wyborze (surogat udziału w rynku).
Self-Explicated Conjoint Analysis
Self-explicated conjoint analysis oferuje proste, ale zaskakująco solidne podejście, które jest łatwe do wdrożenia i nie wymaga rozwijania koncepcji pełnego profilu. Self-explicated conjoint analysis jest hybrydowym podejściem, które koncentruje się na ocenie różnych atrybutów produktu. Ten model analizy conjoint pyta wyraźnie o preferencje dla każdego poziomu cech, a nie o preferencje dla pakietu cech.
Ale podejście jest inne, wynik jest wciąż taki sam w tym, że produkuje wysokiej jakości szacunki użyteczności preferencji.
- Po pierwsze, podobnie jak w przypadku ACA, czynniki i poziomy są przedstawiane respondentom do wyeliminowania, jeśli nie są one akceptowalne w produktach pod jakimkolwiek warunkiem
- Dla każdej cechy respondent wybiera poziomy, które najbardziej i najmniej preferuje
- Następnie, pozostałe poziomy każdej cechy są oceniane w odniesieniu do najbardziej i najmniej preferowanych poziomów
- Na koniec mierzymy, jak ważna jest ogólna cecha w ich preferencjach. Względna ważność najbardziej preferowanego poziomu każdej cechy jest mierzona przy użyciu skali sumy stałej (przypisz 100 punktów pomiędzy najbardziej pożądanymi poziomami każdej cechy).
- Wyniki pożądalności poziomów atrybutów są następnie ważone przez ważność atrybutów, aby zapewnić wartości użyteczności dla każdego poziomu atrybutów.
Self-explicated conjoint analysis nie wymaga analizy statystycznej lub heurystycznej logiki wymaganej w wielu innych podejściach conjoint. Wykazano, że to podejście zapewnia wyniki równe lub lepsze od podejścia opartego na pełnym profilu i stawia mniej wymagań respondentowi. Istnieją pewne ograniczenia analizy conjoint typu „self-explicated”, w tym niemożność porównania ceny z innymi pakietami atrybutów. W tej sytuacji respondent zawsze preferuje najniższą cenę, a inne modele analizy conjoint są bardziej odpowiednie.
Max-Diff Conjoint Analysis
Max-Diff conjoint analysis przedstawia asortyment pakietów do wyboru w ramach scenariuszy najlepszy/najbardziej preferowany i najgorszy/najmniej preferowany. Respondenci mogą szybko wskazać najlepsze i najgorsze pozycje na liście, ale często mają trudności z rozszyfrowaniem swoich odczuć co do „środka”. Max-Diff jest często łatwiejszym zadaniem do podjęcia, ponieważ konsumenci są dobrze wyszkoleni w dokonywaniu ocen porównawczych.
Max-Diff conjoint analysis jest idealną metodologią, gdy zadaniem decyzyjnym jest ocena wyboru produktu. Projekt eksperymentalny jest stosowany w celu zrównoważenia i właściwego reprezentowania zestawów przedmiotów. Istnieje kilka podejść, które mogą być podjęte z analizą Max-Diff, w tym: Hierarchical Bayes conjoint modelling to derive utility score estimations, best/worst counting analysis and TURF analysis.
Hierarchiczna analiza bayesowska (HB)
Hierarchiczna analiza bayesowska (HB) jest podobnie wykorzystywana do szacowania użyteczności na poziomie atrybutów z danych dotyczących wyboru. Analiza HB jest szczególnie przydatna w sytuacjach, gdy zadanie zbierania danych jest tak duże, że respondent nie może w rozsądny sposób dostarczyć ocen preferencji dla wszystkich poziomów atrybutów. W ramach procedury szacowania użyteczności poziomu atrybutów dla każdej osoby, hierarchiczna metoda Bayesa koncentruje się na pomiarach poszczególnych respondentów w odniesieniu do bardzo zmiennych atrybutów i wykorzystuje średnie poziomy atrybutów z próby, gdy zmienność poziomów atrybutów jest mniejsza. To podejście ponownie pozwala na oszacowanie większej liczby atrybutów i poziomów przy mniejszej ilości danych zebranych od każdego respondenta.
Conjoint jest wysoce skuteczną techniką analizy
Metodyka analizy conjoint wytrzymuje intensywną kontrolę zarówno ze strony naukowców, jak i profesjonalnych badaczy od ponad 30 lat. Jest ona szeroko stosowana w branży produktów konsumenckich, dóbr trwałych, farmaceutycznej, transportowej i usługowej, i powinna być podstawą w Twoim zestawie narzędzi badawczych. Aby dowiedzieć się więcej o analizie conjoint, sprawdź nasz eBook.