Wat is een Conjoint Analyse? Conjoint types & when to use them
Adaptive Conjoint Analysis
Adaptive conjoint analysis varieert de keuzesets die aan respondenten worden voorgelegd op basis van hun voorkeur. Deze aanpassing is gericht op de meest geprefereerde kenmerken en niveaus van de respondent, waardoor de conjoint-exercitie efficiënter wordt en geen vragen worden verspild aan niveaus die weinig of geen aantrekkingskracht hebben. Elk getoond pakket is concurrerender en zal “slimmere” gegevens opleveren.
Adaptieve conjoint analysis is vaak boeiender voor de onderzoeker en kan dus relevantere gegevens opleveren. Het verkort de lengte van de enquête zonder afbreuk te doen aan de kracht van de conjunct-analysemetrieken of -simulaties. Er zijn verschillende manieren om de conjoint scenario’s aan te passen aan de respondent. Meestal is het ontwerp gebaseerd op de belangrijkste kenmerkniveaus. Wanneer elk pakket ter evaluatie wordt voorgelegd, houdt de enquête rekening met de keuze en wordt de volgende vraag efficiënter gemaakt. Er kan gebruik worden gemaakt van een combinatie van evaluatiemethoden op basis van een volledig profiel en op basis van kenmerken; deze combinatie wordt hybride conjoint analysis genoemd.
Choice-Based Conjoint
De op keuze gebaseerde conjoint analysis (CBC) (ook bekend als discrete-keuze conjoint analysis) is de meest gebruikelijke vorm van conjoint analysis. Keuzegebaseerde conjoint analysis vereist dat de respondent zijn meest geprefereerde full-profile concept kiest. Deze keuze wordt herhaaldelijk gemaakt uit reeksen van 3-5 full-profile concepten.
Deze keuzeactiviteit wordt verondersteld een werkelijke koopsituatie te simuleren, en zo het werkelijke koopgedrag na te bootsen. Het belang en de voorkeur voor de attribuutkenmerken en -niveaus kunnen mathematisch worden afgeleid uit de afwegingen die worden gemaakt bij het kiezen van een (of geen) van de beschikbare keuzes. Conjoint ontwerpen op basis van keuzemogelijkheden zijn afhankelijk van het aantal kenmerken en niveaus. Vaak is dat aantal groot en wordt een experimenteel design geïmplementeerd om vermoeidheid bij de respondent te voorkomen. Qualtrics biedt extreme flexibiliteit in het gebruik van experimentele ontwerpen binnen de conjoint survey.
De output van een Choice-based conjoint analysis biedt uitstekende schattingen van het belang van de kenmerken, vooral met betrekking tot de prijsstelling. De resultaten kunnen een schatting geven van de waarde van elk niveau en van de combinaties die optimale producten vormen. Simulators rapporteren de voorkeur en waarde van een geselecteerd pakket en het verwachte keuzeaandeel (surrogaat voor marktaandeel).
Self-Explicated Conjoint Analysis
Self-explicated conjoint analysis biedt een eenvoudige maar verrassend robuuste aanpak die gemakkelijk te implementeren is en geen ontwikkeling van full-profile concepten vereist. Zelfgeëxpliceerde conjoint analysis is een hybride benadering die zich richt op de evaluatie van verschillende attributen van een product. Dit model van conjoint analysis vraagt expliciet naar de voorkeur voor elk kenmerkniveau in plaats van naar de voorkeur voor een bundel kenmerken.
Hoewel de aanpak anders is, is het resultaat nog steeds hetzelfde in die zin dat het kwalitatief hoogwaardige schattingen van preferente nutsvoorzieningen oplevert.
- Eerst worden, net als bij ACA, factoren en niveaus aan de respondenten voorgelegd om te worden geëlimineerd als ze in producten onder geen enkele omstandigheid aanvaardbaar zijn
- Voor elk kenmerk selecteert de respondent de niveaus waaraan hij de meeste en de minste voorkeur geeft
- Vervolgens worden de resterende niveaus van elk kenmerk beoordeeld in verhouding tot de niveaus waaraan hij de meeste en de minste voorkeur geeft
- Ten slotte meten we hoe belangrijk het algemene kenmerk in hun voorkeur is. Het relatieve belang van het meest geprefereerde niveau van elk kenmerk wordt gemeten met behulp van een constante somschaal (verdeel 100 punten tussen de meest gewenste niveaus van elk kenmerk).
- De wenselijkheidsscores op het niveau van het kenmerk worden vervolgens gewogen met het belang van het kenmerk om nutswaarden voor elk kenmerkniveau te verkrijgen.
Zelfgeëxpliceerde conjoint-analyse vereist geen statistische analyse of heuristische logica die in veel andere conjoint-benaderingen vereist is. Het is aangetoond dat deze benadering resultaten oplevert die gelijk of beter zijn dan die van een volledig profiel, en minder eisen stelt aan de respondent. Er zijn enkele beperkingen aan zelfverklaarde conjoint-analyse, waaronder het onvermogen om de prijs af te wegen tegen andere attributenbundels. In deze situatie geeft de respondent altijd de voorkeur aan de laagste prijs, en zijn andere conjoint analysis-modellen geschikter.
Max-Diff Conjoint Analysis
Max-Diff conjoint analysis presenteert een assortiment van pakketten die moeten worden geselecteerd onder beste/meest geprefereerde en slechtste/minste geprefereerde scenario’s. Respondenten kunnen snel de beste en slechtste items in een lijst aanwijzen, maar hebben vaak moeite om hun gevoelens voor de “middenweg” te ontcijferen. Max-Diff is vaak een gemakkelijker uit te voeren taak omdat consumenten goed getraind zijn in het maken van vergelijkende oordelen.
Max-Diff conjoint analysis is een ideale methodologie wanneer de beslissingstaak bestaat in het evalueren van productkeuze. Een experimentele opzet wordt gebruikt om de sets van items in evenwicht te brengen en goed weer te geven. Er zijn verschillende benaderingen die kunnen worden gevolgd bij de analyse van Max-Diff studies, waaronder: Hierarchical Bayes conjoint modelling om nutsscore schattingen af te leiden, best/worst tellen analyse en TURF analyse.
Hierarchical Bayes Analysis (HB)
Hierarchical Bayes Analysis (HB) wordt op vergelijkbare wijze gebruikt om attribuut niveau nutsvoorzieningen te schatten van keuze gegevens. HB is vooral nuttig in situaties waarin de gegevensverzamelingstaak zo omvangrijk is dat de respondent redelijkerwijs geen voorkeursevaluaties voor alle attribuutniveaus kan geven. Als onderdeel van de procedure om voor elk individu de nutsvoorzieningen op attribuutniveau te schatten, concentreert hiërarchische Bayes de meting door de individuele respondent op zeer variabele attributen en gebruikt de steekproef de gemiddelden op attribuutniveau wanneer de variabiliteit op attribuutniveau kleiner is. Met deze aanpak kunnen weer meer attributen en niveaus worden geschat met kleinere hoeveelheden gegevens die van elke individuele respondent zijn verzameld.
Conjoint is een zeer effectieve analysetechniek
Conjoint-analysemethoden worden al meer dan 30 jaar intensief onderzocht door zowel academici als professionele onderzoekers. Het wordt op grote schaal gebruikt in consumentenproducten, duurzame goederen, farmaceutische, transport en diensten, en zou een nietje in uw onderzoek toolkit moeten zijn. Om meer te leren over conjoint analysis, bekijk ons eBook.