O que é uma Análise Conjunta? Tipos de Conjuntos & Quando usá-los
Análise Conjunta Adaptativa
Análise Conjunta Adaptativa varia os conjuntos de escolha apresentados aos respondentes com base em suas preferências. Esta adaptação visa a característica e níveis mais preferidos do respondente, tornando assim o exercício conjunto mais eficiente, não desperdiçando questões em níveis com pouco ou nenhum apelo. Cada pacote apresentado é mais competitivo e irá produzir dados ‘mais inteligentes’.
Análise conjunta adaptável é muitas vezes mais envolvente para o inquirido e, portanto, pode produzir dados mais relevantes. Reduz a duração do levantamento sem diminuir o poder das métricas ou simulações da análise conjunta. Existem múltiplas formas de adaptar os cenários conjuntos ao inquirido. O mais comum é que o desenho seja baseado nos níveis de características mais importantes. Como cada pacote é apresentado para avaliação, a pesquisa contabiliza a escolha e depois torna a próxima questão mais eficiente. Uma combinação de perfil completo e métodos de avaliação de características pode ser utilizada e é referida como Análise Conjunta Híbrida.
Conjunta Baseada na Escolha
A Análise Conjunta Baseada na Escolha (CBC) (também conhecida como análise conjunta de escolha discreta) é a forma mais comum de análise conjunta. A análise conjunta baseada na escolha requer que o respondente escolha o seu conceito de perfil completo mais preferido. Esta escolha é feita repetidamente a partir de conjuntos de 3-5 conceitos de perfil completo.
Esta atividade de escolha é pensada para simular uma situação real de compra, imitando assim o comportamento real de compra. A importância e a preferência pelas características e níveis dos atributos podem ser matematicamente deduzidas das compensações feitas ao selecionar uma (ou nenhuma) das escolhas disponíveis. Os projetos conjuntos baseados na escolha dependem do número de características e níveis. Muitas vezes, esse número é grande e um desenho experimental é implementado para evitar a fadiga do respondente. A Qualtrics fornece extrema flexibilidade na utilização de projetos experimentais dentro da pesquisa conjunta.
O resultado de uma análise conjunta baseada em escolha fornece excelentes estimativas da importância das características, especialmente em relação ao preço. Os resultados podem estimar o valor de cada nível e as combinações que compõem os produtos ideais. Os simuladores relatam a preferência e o valor de um pacote selecionado e a quota de escolha esperada (substituto para quota de mercado).
Análise Conjunta Auto-Explicada
Análise Conjunta Auto-Explicada oferece uma abordagem simples mas surpreendentemente robusta que é fácil de implementar e não requer o desenvolvimento de conceitos de perfil completo. A análise conjunta autoexplicativa é uma abordagem híbrida que se concentra na avaliação de vários atributos de um produto. Este modelo de análise conjunta pergunta explicitamente sobre a preferência por cada nível de característica em vez da preferência por um pacote de características.
Embora a abordagem seja diferente, o resultado ainda é o mesmo na medida em que produz estimativas de alta qualidade de utilidades preferenciais.
- Primeiro, como a ACA, os fatores e níveis são apresentados aos respondentes para eliminação se não forem aceitáveis nos produtos sob qualquer condição
- Para cada característica, o respondente seleciona os níveis que mais e menos prefere
- Próximo, os níveis restantes de cada característica são classificados em relação aos níveis mais e menos preferidos
- Finalmente, medimos o quão importante é a característica geral em sua preferência. A importância relativa do nível mais preferido de cada atributo é medida usando uma escala de soma constante (alocar 100 pontos entre os níveis mais desejáveis de cada atributo).
- Os escores de desejabilidade do nível do atributo são então ponderados pela importância do atributo para fornecer valores de utilidade para cada nível de atributo.
Análise conjunta autoexplicativa não requer a análise estatística ou a lógica heurística requerida em muitas outras abordagens conjuntas. Esta abordagem demonstrou fornecer resultados iguais ou superiores às abordagens de perfil completo, e coloca menos exigências ao respondente. Há algumas limitações à análise conjunta autoexplicativa, incluindo a incapacidade de trocar o preço com outros pacotes de atributos. Nesta situação, o respondente sempre prefere o preço mais baixo, e outros modelos de análise conjunta são mais apropriados.
Max-Diff Conjoint Analysis
Max-Diff conjoint analysis apresenta um sortimento de pacotes a serem selecionados nos melhores/melhores cenários preferidos e piores/últimos cenários preferidos. Os respondentes podem rapidamente indicar os melhores e piores itens de uma lista, mas muitas vezes lutam para decifrar seus sentimentos pelo ‘meio-termo’. Max-Diff é muitas vezes uma tarefa mais fácil de realizar porque os consumidores são bem treinados para fazer julgamentos comparativos.
Max-Diff análise conjunta é uma metodologia ideal quando a tarefa de decisão é avaliar a escolha do produto. Um desenho experimental é empregado para equilibrar e representar adequadamente os conjuntos de itens. Há várias abordagens que podem ser tomadas com a análise de estudos Max-Diff, incluindo: Modelagem conjunta de Bayes Hierárquica para derivar estimativas de escore de utilidade, análise de melhor/pior contagem e análise TURF.
Análise Bayes Hierárquica (HB)
Análise Bayes Hierárquica (HB) é similarmente utilizada para estimar utilidades de nível de atributo a partir de dados de escolha. O HB é particularmente útil em situações onde a tarefa de coleta de dados é tão grande que o respondente não pode razoavelmente fornecer avaliações de preferência para todos os níveis de atributo. Como parte do procedimento para estimar utilidades de nível de atributo para cada indivíduo, Bayes hierárquico foca a medição individual do respondente em atributos altamente variáveis e utiliza as médias de nível de atributo da amostra quando a variabilidade de nível de atributo é menor. Esta abordagem novamente permite estimar mais atributos e níveis com quantidades menores de dados coletados de cada respondente individual.
Técnica de Análise Highly Effective Analysis Technique
Metodologia de análise conjunta tem resistido a intenso escrutínio tanto de acadêmicos quanto de pesquisadores profissionais por mais de 30 anos. Ela é amplamente utilizada em produtos de consumo, bens duráveis, indústrias farmacêuticas, de transporte e serviços, e deve ser um dos elementos básicos do seu kit de ferramentas de pesquisa. Para saber mais sobre análise conjunta, confira nosso eBook.