Conjoint-Analyse – Sicherheitserklärung

Was ist Conjoint-Analyse?

Definition

Conjoint-analyse ist eine Marktforschungstechnik zur Messung der Präferenz und Wichtigkeit, die die Befragten (Kunden) auf die verschiedenen Elemente eines Produkts oder einer Dienstleistung setzen. Es kann eine wichtige Rolle spielen, um die Kompromisse zu verstehen, die Menschen bei verschiedenen Produktoptionen und Produktkonfigurationen eingehen würden. Im Mittelpunkt der Conjoint-Analyse steht die Idee, dass Produktattribute die Wahrscheinlichkeit des Kaufs eines Gesamtpakets erhöhen oder verringern können. Daher können wir diese Präferenz quantifizieren.

Wie wird eine Conjoint-Analyse durchgeführt?

Conjoint-analyse werden durchgeführt, indem den Teilnehmern unterschiedliche Pakete (auch Pakete, Produkte oder Optionen genannt) angezeigt werden. Die Teilnehmer werden angewiesen, diese Pakete zu bewerten und eines auszuwählen, je nachdem, was sie am wahrscheinlichsten kaufen oder was für sie am attraktivsten ist. Der Befragte:r muss aus einer Reihe von Paketen wählen und im weiteren Verlauf Kompromisse eingehen.

Conjoint-Umfragen haben in der Regel zwischen zwei und vier Paketen pro Frage. Die ausgewählten Teilnehmer beleuchten, welche Merkmale und Funktion in günstigen Bündeln häufiger auftauchen, sowie welche Merkmale und Funktion bei den ungünstigen Bündeln häufiger vorkommen.

Die Schritte zum Ausführen einer Conjoint-Analyse sind:

1. Legen Sie die Attribute fest, die in der Conjoint-Analyse getestet werden sollen.
2. Generieren Sie das experimentelle Design.
3. Gestalten Sie die Umfrage, die die Conjoint-Aufgaben übernimmt.
4. Antworten sammeln.
5. Analysieren Sie die Ergebnisse.
6. Melden Sie die Ergebnisse.

Jeder dieser Schritte baut auf dem vorherigen auf und arbeitet auf das Endziel hin: Verständnis der günstigen Kompromisse und Präferenzen des Kundenstamms.

Qualtrics hat eine XM entwickelt, die es Forschern ermöglicht, in größeren Forschungsergebnissen schnell und einfach Conjoint-Analyse durchzuführen und die Teilnehmer durch Trade-Off-Übungen zu führen. Es gibt verschiedene Methoden und Ansätze zum Sammeln der Antwortmöglichkeit, die als Conjoint-Typen bezeichnet werden. Die Qualtrics XM unterstützt derzeit wahlbasierte (diskrete) Conjoint-Analyse.

Welche Geschäftsziele beantwortet die Conjoint-Analyse?

Concommon ist auf die Beantwortung von Fragen spezialisiert, die keine andere Methodik beantworten kann. Zu diesen Fragen gehören:

• Welches Funktion oder welche Funktionalität eines Produkts ist für die Messung von Präferenz und Attraktivität am wichtigsten und einflussreich?
• Worauf konzentrieren sich die Kunden bei ihrer Kaufentscheidung? Was hat die größten Auswirkungen darauf, ob sie kaufen werden oder nicht?
• Welche Rolle spielt der Preis bei der Entscheidungsfindung, und was sind die süßen Punkte für die Preisgestaltung?
• Wie sensibel werden Kunden für Preisveränderungen sein?
• Wie hoch ist der monetäre oder relative Wert der einzelnen Funktionen, über die wir denken, auf dem Markt? Wie viel mehr wären Kunden bereit, für eine Funktion zu bezahlen?
• Welche Kompromisse werden unsere Kunden wahrscheinlich eingehen? Wenn wir wissen, dass wir den Preis erhöhen müssen, welche Funktionen können wir zu unserem Angebot hinzufügen, damit wir nicht an Attraktivität und Marktanteil verlieren?
• Wie sieht der Marktanteil für verschiedene Produkte aus? Wie wirkt sich die Verschiebung und Änderung der Produktkonfiguration auf den Marktanteil aus?
• Wie sehen die Produkte, die wir in Betracht ziehen, im Vergleich zur Konkurrenz aus? Was können wir tun, um am besten mit dem zu konkurrieren, was derzeit auf dem Markt ist?
• Wenn wir Änderungen an unserem bestehenden Produkt vornehmen möchten, was sind die besten Verbesserungen, die wir vornehmen können? Was kommt unseren Bestandskunden am besten entgegen?
• Welches ist das optimale Produkt, das wir anbieten können, um die Anzahl der Käufer zu erhöhen? Um unseren Umsatz zu maximieren? Um unsere Gewinne zu maximieren?

Wie Sie sehen, kann Conjoint-Analyse Erkenntnis in verschiedene und dynamische Geschäftsfragen liefern – und das sind nur die produktbezogenen Anfragen, die sie beantwortet. Die Länge und Legitimität dieser Liste ist ein Hauptgrund dafür, dass diejenigen, die regelmäßig Conjoint-Analysen durchführen, so begeistert von ihnen sind. Conjoints bieten Vision für eine Vielzahl von Geschäftszielen und können Forschern und Organisationen entscheidendes Vertrauen bieten.

Conjoint-Attribute definieren

Funktion und Ebenen

Die Struktur der Variablen, die wir in eine Conjoint-Analyse einbinden möchten, sind Funktionen und Ebenen.  Die Funktionen sind die primären Kategorien der Variablen. Jede Funktion besteht aus einer Reihe von Ebenen, bei denen es sich um spezifischere Einheiten jedes Funktion handelt.

Es besteht ein schwieriges Gleichgewicht, um zu entscheiden, welche Merkmale und Ebenen in die Studie einbezogen werden. Wenn Sie eine Variable nicht testen, erhalten Sie keine Vision in ihrer Präferenz, aber das Testen zu vieler Funktionen und Ebenen kann zu Müdigkeit der Befragte:r, inkonsistenten Antworten und wertlosen Daten führen.

Es gibt keinen einheitlichen Ansatz, wenn es um die Anzahl der Fragen und Pakete geht, die Sie jedem Befragte:r präsentieren.  Obwohl verschiedene Conjoint-Typen mehr oder weniger Variablen ermöglichen können, Traditionell möchten Forscher 2-8 Merkmale mit 2-7 Ebenen pro Funktion.  Da diese Erfahrung am besten zu den Befragte:r passt, gilt dies als der süße Punkt für eine auswahlbasierte Conjoint-Analyse und wird in der Regel die besten Ergebnisse liefern.

Beachten Sie, dass es für die Teilnehmer schwieriger und überwältigender sein wird, je mehr Funktionen und Ebenen Sie einbinden. Mehr Funktionen und Ebenen bedeuten, dass wir mehr Fragen stellen müssen.  Dieser Krieg zwischen der Frage, ob ein Attribut getestet werden soll oder nicht, ist eine wichtige Entscheidung, die nicht übersehen werden sollte. Die Forscher sollten sorgfältig überlegen, was in den Conjoint-Vertrag aufgenommen werden sollte und was ausgeschlossen werden sollte.

Unabhängig von der Anzahl der Attribute, die Sie im Conjoint-Modus testen, ist es wichtig, dass sie klar und prägnant sind. Wenn die Umfrageteilnehmer die von ihnen überprüften Bündel nicht erfassen können, bedeuten die Daten nichts. Der Text, der sowohl für die Merkmale als auch für ihre Ebenen verwendet wird, sollte sie klar, aber genau beschreiben. Der Studienersteller sollte den Umfrageteilnehmer und seinen Kontext des zu untersuchenden Produkts berücksichtigen und sich sogar darauf konzentrieren. Fragen Sie sich: “Wird jemand außerhalb unseres Unternehmens diese Pakete verstehen?”

Achten Sie darauf, dass langwieriger Text die Seite überlappen und die Antwortmöglichkeit erschüttern und überwältigen kann. Eine fantastische Verbesserung kann die Verwendung von Bildern sein, wenn die richtigen Wörter gefunden werden, um ein Attribut zu definieren, erscheint schwierig. “Ein Bild ist tausend Worte wert” kann in Conjoint-Analyse wahr klingeln.

Ausschlüsse & verbotene Paare

Wenn das Team die zu testenden Produktattribute ermittelt, ist es wichtig, nach Kombinationen zu suchen, die einfach nicht sinnvoll zu kombinieren sind. Dabei handelt es sich nicht notwendigerweise um zwei Ebenen, die wahrscheinlich nicht miteinander gepaart werden, sondern um zwei Ebenen, die verwirrend und nicht paarbar wären. Diese werden in der Regel als Ausschlüsse, oder verbotene Paare.

Das Entfernen verbotener Paare schafft Löcher in unserem Design und Modell und reduziert die Unabhängigkeit der Variablen, so dass sie möglichst vermieden werden sollten.

Versuchsdesign

Experimentelles Design und Conjoint-Analyse

Die meisten Conjoint-Analyse haben den Charakter, dass einem Befragte:r nicht alle Kombinationen angezeigt werden können. Eine Liste jeder Kombination, oder das gesamte Faktorium, kann leicht in die Hunderten oder Tausenden von Bündeln gelangen. Natürlich konnten wir jedem Befragte:r nie jedes mögliche Paket zeigen. Aber wie erhalten wir Erkenntnisse in die Günstigkeit verschiedener Kombinationen?

Ähnlich wie andere experimentelle Ansätze werden strategische und wissenschaftliche Prinzipien genutzt, um zu entschlüsseln, wie man den gesamten Kombinationsraum liest und gleichzeitig nur eine Teilmenge zeigt.  Experimentelle Designs in Verbindungen maximieren die Anzahl der Datenpunkte und die Abdeckung über potenzielle Pakete hinweg und minimieren gleichzeitig die Anzahl der Profile, die wir dem Befragte:r zur Verfügung stellen. .

Bei der Ermittlung der Karten, die dem Befragte:r präsentiert werden, gibt es mehrere Ansätze. Eine Karte ist ein Bündel oder ein Profil, das dem Befragte:r zur Bewertung präsentiert wird. Früher, als Computer nicht so barrierefrei und leistungsfähig wie heute waren, wurden vordefinierte Designtabellen generiert und von Forschern referenziert.  Sie würden die Anzahl der Funktionen und Ebenen (häufig 3×3 oder 4×4) ermitteln und die entsprechende Designtabelle suchen und diese in Ihre Umfrage einbinden.  Diese Tabellen reduzieren jedoch die Flexibilität, die die meisten Forscher wünschen und müssen das Funktion space definieren.

Jetzt kapseln die meisten wahlbasierten Conjoint- und Rating-basierten Conjoint-Designs fraktionale Factorial-Kartensätze, die den Umfrageteilnehmern präsentiert werden. Fraktionales Factorial bedeutet, dass wir einen Bruchteil des gesamten Factorials zeigen.

Es gibt mehrere wichtige Bestandteile, die bestimmen, welche strategische Teilmenge von Profilen in der Umfrage angezeigt wird:

• Kartensätze sollten einen relativen Saldo auf jeder Ebene aufweisen. Das bedeutet, dass jede Ebene innerhalb einer Funktion in einer ähnlichen Anzahl von Bündeln enthalten sein sollte.
• Es sollte nicht eine Ebene geben, die in sechs Bündeln angezeigt wird, während eine andere Ebene nur in einem Bündel enthalten ist. Wie bei jeder Umfrage verbessern Randomisierungstechniken die Gültigkeit von Antworten und kontrollieren psychologische Ordnungsvoreingenommenheit.
• Conjoint-Designs eignen sich am besten, wenn es viele Versionen oder Blöcke gibt, die alle eine Teilmenge von Paketen enthalten. Jordan Louviere (einer der ersten Pioniere der Antwortmöglichkeit) und die Gründer der Sawzahn-Software sind sich einig, dass je mehr Versionen Teil des Gesamtdesigns sind, desto besser. Ein Befragte:r würde einer dieser Versionen zugeordnet, die vorgibt, welche Paketkonstrukte er vorlegen würde.
• Andere Prinzipien, die häufig in Conjoint-Design-Diskussionen enthalten sind, sind Orthogonalität und d-Effizienz.  Es gibt Debatten über die Notwendigkeit und Bedeutung, diese Konzepte in das experimentelle Design für Conjoint-Studien zu integrieren.

Die Basisfragen, die in die Designgenerierung für auswahlbasierte Conjoint-Lösungen eingegeben werden müssen, sind: die Anzahl der Fragen oder Aufgaben, die dem Befragte:r angezeigt werden, sowie die Anzahl der Antwortmöglichkeiten oder Alternativen, die pro Frage vorhanden sind. Der herkömmliche Antwortmöglichkeit erfordert in der Regel zwei Auswahlmöglichkeiten, und der Befragte:r kann zwischen Option A und Option B wählen. Gleichwohl ist es auf jeden Fall angebracht, drei oder mehr Bündel pro Frage zu zeigen. Die Hauptfrage, über die nachgedacht werden muss, ist, ob mehr Alternativen eine überwältigende Erfahrung für den Befragte:r schaffen werden. Manchmal kann es eine schwierige Aufgabe sein, nur zwei Bündel für die Präferenz zu bewerten. Wenn außerdem eine „keine dieser“ Optionen in die Studie aufgenommen werden soll, kann der Bildschirmbereich eine bessere Erfahrung mit zwei Auswahlmöglichkeiten bieten und die keine.

Die Anzahl der Fragen, die den Conjoint-Anteil der Umfrage umfassen, sollte anhand der Anzahl der Antwortmöglichkeiten pro Aufgabe sowie der Größe der zu testenden Conjoint-Attribute berechnet werden. Die allgemeine Formel zur Ermittlung der Anzahl der Karten, die angezeigt werden sollen, lautet:

Anzahl Karten = Gesamtanzahl der Ebenen – Anzahl der Funktion + 1

Die Gesamtanzahl der Ebenen ist einfach die Summe der Anzahl der Ebenen über alle Funktionen hinweg. Basierend auf der Gesamtzahl der Karten und der Anzahl der Antwortmöglichkeiten pro Frage ist es einfach, die Anzahl der Fragen zurückzuentwickeln.

Einige Aufrufe sind jedoch subjektiver als andere. Sie müssen beispielsweise entscheiden, ob die Umfrage gekürzt werden soll, indem Sie die Anzahl der Fragen reduzieren und die Bündel pro Frage erhöhen, oder ob dadurch die Datenqualität beeinträchtigt wird. Der beste Ansatz, um das Gleichgewicht zwischen Fragen und Alternativen pro Frage zu lösen, ist einfach zu testen. Legen Sie die Umfrage an, und nehmen Sie daran teil. Verteilen Sie sie an Kollegen, und erhalten Sie ihre Meinung zur Dichte der Frage im Vergleich zur Länge der Umfrage.

Wie ein Qualtrics sein experimentelles Design generiert

Qualtrics verwendet einen randomisierten Balance-Design-Ansatz, der einige, aber nicht zu viele Überschneidungen mit den Ebenen fördert. Die Herangehensweise ähnelt der von Sawzahn. Ausgeglichenes Überlappungsdesign. Dieser Ansatz ist sehr effektiv, wenn er mit hierarchischen bayesischen Schätztechniken gekoppelt ist.  Grundlage des Designansatzes ist es, verschiedenen Befragten unterschiedliche Pakete zur Bewertung vorzustellen. Wir wollen sicherstellen, dass die verschiedenen Ebenen für die Bewertung richtig dargestellt werden. Das Design wird mit Versionen formuliert, bei denen es sich um eine Reihe von Fragen handelt. In jeder Version gibt es dieselbe Anzahl von Aufgaben, und in jeder Aufgabe gibt es dieselbe Anzahl von Auswahlmöglichkeiten.

Die Anzahl der Versionen wird nach folgender Formel berechnet:

Anzahl Versionen = (Basiszahl * Maximale Anzahl von Ebenen in einem beliebigen Funktion) / (Anzahl der Antwortmöglichkeiten pro Frage * Anzahl der Fragen)

Das Ergebnis dieser Formel wird auf die nächste durch 10 teilbare Rundungsnummer gerundet.

Die Basiszahl ist 750, wenn unsere Gesamtzahl der Ebenen über alle Funktionen kleiner oder gleich 10 ist, und es ist 1.000, wenn die Gesamtzahl der Ebenen über alle Funktionen größer als 10 ist.

Der Algorithmus generiert zunächst nach dem Zufallsprinzip Bündel für jede der Aufgaben und Antwortmöglichkeiten. Anschließend wird jede Version geprüft, um sicherzustellen, dass ein relativer Saldo über die Anzahl der angezeigten Ebene besteht. Der Algorithmus erzwingt nicht, dass jede Ebene genau so oft angezeigt wird, sondern stellt sicher, dass der Unterschied zwischen dem Ebene, der in dieser Version am meisten gesehen wird, und der Ebene, die am wenigsten gesehen wird, nicht mehr als eine Abweichung von zwei beträgt. Für Versionen, die diese Bedingungen nicht erfüllen, wird ein Refactoring durchgeführt, bis sie den Saldenregeln entsprechen. Der Algorithmus wird so lange fortgesetzt, bis die gewünschte Anzahl von Versionen generiert wird.

Umfrage& Stichprobe

Umfrage

Conjoint-analyse basiert auf den Antworten, die in der Umfrage erfasst wurden. Die Umfrage ist der Berührungspunkt mit den Umfrageteilnehmern, an dem das Design präsentiert und die Kompromissauswahl getroffen wird.

Wenn eine Conjoint-Studie durchgeführt wird, ist dies in der Regel der Fokus der Umfrage. Entscheidend ist, dass die Conjoint-Übung innerhalb der Umfrage prägnant und gut strukturiert ist. Die Daten und Erkenntnisse sind nur so genau, wie die Pakete klar sind. Eine Umfrage kann in der Regel Folgendes umfassen: Screening-Fragen (um sicherzustellen, dass die richtige Art von Befragte:r dies durchführt), eine Einführung mit ressourcen und demografische Fragen. Es gibt keine harten Regeln, wie viele andere Fragen zu einer Conjoint-Studie hinzugefügt werden können oder wo in der Umfrage Der Conjoint-Vertrag sollte fallen. Es sei darauf hingewiesen, dass jede Frage, die von den Teilnehmern außerhalb des Conjoint-Treffens gestellt wird, Zeit und Fokus beansprucht, die sonst der Conjoint-Übung zukommen könnte. Umfrage sollte berücksichtigt werden, da die Studie konzipiert und erstellt wird. Das Ermüden eines Befragte:r ist eine sichere Methode, um das Kaliber der Studie zu erniedrigen. Umfragen, die mehr als 10-15 Minuten dauern, sind anfälliger für Probleme mit Müdigkeit und Datenqualität.

Die aus einer Conjoint-Studie gesammelten Daten sind nur dann korrekt, wenn sich der Befragte:r realistisch in eine tatsächliche Einkaufssituation versetzen kann. Im Rahmen der Conjoint-Analyse muss sichergestellt werden, dass der Befragte:r umfassend über die Pakete informiert ist, aus denen er auswählen wird. Viele Studien sind Testkonzepte, die von der breiten Öffentlichkeit bekannt und nachvollziehbar sind. Wenn dies bei Ihrem Projekt jedoch nicht der Fall ist, sollten Sie sich im Vorfeld des Conjoint-Projekts Zeit widmen, um den Befragte:r durch Beschreibungen und/oder Videos angemessen zu schulen. Je klarer ein Paket für den Umfrageteilnehmer ist, desto genauer werden die daraus resultierenden Hilfsmittel sein.

Neben den einfachen und unkomplizierten Beschreibungen sollte das Layout der Karten auch dem Verständnis und der Übersichtlichkeit dienen. Auf diese Weise kann der Befragte:r Vergleiche durchführen und definitiv antworten.

Stichprobengröße

Die Anzahl der Antworten, die Sie erfassen sollten, und die Relevanz für die Personen, die an der Umfrage teilnehmen, ist entscheidend für den Erfolg und die Genauigkeit der Ergebnisse. Hier ist eine Gleichung, die Sawzahn-Software verwendet, um die Anzahl der Antworten zu ermitteln:

Anzahl der Teilnehmer = (Multiplikator*c)/(t*a)

Multiplikator = 750-1000

c = größte Anzahl von Ebenen über alle Merkmale hinweg

t = Anzahl der Aufgaben oder Fragen

a = Anzahl der Alternativen oder Antwortmöglichkeiten pro Frage

Wir empfehlen, dass der Multiplikator 750 für größere Projekte und 1000 für kleinere Projekte ist. Sägezahn empfiehlt einen Multiplikator von 300 bis 500, aber wir spüren, dass eine größere Zahl aussagekräftigere Ergebnisse und Simulationen liefert.

Es ist wichtig, dass die Personen, die die Conjoint-Übung absolvieren, diejenigen reflektieren, die im Spiel wären, um Ihr Produkt oder Ihre Dienstleistung zu kaufen, zu bestellen und zu wählen. Häufig werden Forscher zu Beginn der Umfrage Screener definieren, um sicherzustellen, dass relevante Meinungen gesammelt werden.  Alternativ haben Gruppen häufig Listen mit aktuellen oder potenziellen Kunden, in denen sie die Umfrage bereitstellen können.

Modellierung der Conjoint-Analyse

Übersicht

Bei der Analyse von Conjoint-Analyse werden Daten in Prognosen und Modelle umgewandelt. Hier werden Befragte:r in die Einstellungen übersetzt. Das Ergebnis der Analyse wird ein Verständnis dessen sein, was wertvoll ist und was nicht, und wird beleuchten, wie Kombinationen gebündelt werden sollten.

Der Kern der Analyse ist die statistische Modellierung, die das Hilfsprogramm schätzt, das die Teilnehmer jeder Ebene zuordnen. Aufgrund der statistischen Modellierung erhält Conjoint-Analyse einen Ruf als „komplex“, aber dies ist auch das, was es Conjoint-ermöglicht, einen Ruf als erstklassige Forschungstechnik zu haben. Es gibt mehrere statistische Ansätze zur Berechnung der Nützlichkeitspräferenzen, einschließlich Regression und multinomialer logistischer Modellierung, die in der Regel auf aggregierter Ebene durchgeführt werden.

Unabhängig davon, wie die Umfrage modelliert wird, sollte die Ausgabe Nutzkoeffizienten sein, die den Wert oder die Präferenz darstellen, den die Befragte:r für die verschiedenen Ebenen der einzelnen Funktion hat. Für Designs und Analysemethoden, die individuelle Berechnungen von Nutzwerten ermöglichen, können wir Präferenzmodelle für jeden einzelnen Befragte:r ableiten. Dies kann aus einer Reihe von Gründen vorteilhaft sein, einschließlich Segmentierung verschiedener Datenschnitte, latenter Klassenanalyse und Simulationen. Der primäre Ansatz zur Erzielung individualbasierter Gebrauchsmodelle ist die hierarchische Bayes-Schätzung (HB-Schätzung). Diese Technik verwendet Bayessche Methoden, um den relativen Wert jeder zu testenden Variablen wahrscheinlich abzuleiten.

Hierarchische Bayes-Schätzung

Die hierarchische Bayes-Schätzung (HB-Schätzung) ist ein iterativer Prozess, der ein Modell Ebene umfasst, das die relativen Hilfsprogramme des Einzelnen für die getesteten Attribute schätzt, sowie ein Modell Ebene, das die Präferenz der Population ermittelt. Diese beiden arbeiten zusammen, bis die Analyse die Koeffizienten konvergiert, die den Wert jedes Attribut für jeden einzelnen darstellen. Die HB-Schätzung nutzt Informationen aus anderen Antworten, um noch bessere und stabilere Ergebnisse auf individueller Ebene zu erzielen. Es ist sehr robust und ermöglicht es uns, wirklich gute Lesungen in die Präferenzen der Kunden zu bekommen, auch wenn dem Befragte:r weniger Aufgaben präsentiert werden.

Die Technik gilt aufgrund der Modelle auf höherer und niedrigerer Ebene als “hierarchisch”. Dieser Ansatz schätzt die durchschnittlichen Präferenzen (Modell Ebene) und misst dann, wie unterschiedlich die einzelnen Befragte:r von dieser Verteilung sind, um ihre spezifischen Hilfsprogramme (Modell Ebene) abzuleiten. Der Prozess wiederholt sich über eine Reihe von Iterationen, um uns letztendlich dabei zu helfen, die Wahrscheinlichkeit zu ermitteln, dass ein bestimmtes Konzept basierend auf seinem Konstrukt ausgewählt wird. Qualtrics verwendet speziell ein multinomiales logistisches Regressionsmodell.Die Qualtrics von Qualtrics verwendet die hierarchische Bayes-Schätzung, die in STAN um individuelle Präferenz-Utilities zu berechnen.

Qualtrics führt 1000 Iterationen pro Markov-Kette und 4 Ketten aus.

Individuelle Ebene

Das Ergebnis des Bayesian-Modells sind Präferenz-Scores, die die Nützlichkeit darstellen, die der Einzelne an jede Ebene anhängt.  Diese Scores werden häufig partworth utilities genannt und sind die Grundlage aller zusammenfassenden Metriken und Simulationen, die aus der Conjoint-Studie abgeleitet werden.  Die Hilfsdatei enthält eine Zeile für jeden Befragte:r, der in der Conjoint-Analyse enthalten ist, und eine Spalte für jeden eindeutigen Ebene innerhalb der Studie. Bei der Modellierung der Präferenzen jedes Befragte:r helfen uns die Hilfsprogramme dabei, vorherzusagen, welche Auswahl die Umfrageteilnehmer treffen würden, wenn sie mit verschiedenen Paketen konfrontiert sind. Die Dienstprogramme sind ordinal in der Natur und sagen uns die Rangfolge jedes getesteten Ebene mit einem gewissen Umfang des Beitrags zum Gesamtbündel-Dienstprogramm eines Pakets.

Die Punktzahlen der Parteiwert-Nützlichkeit sind nullzentriert und liegen in der Regel im Bereich von -5 bis +5. In der Conjoint-Lösung können die unformatierten Nützlichkeits-Scores für jede einzelne Person mit der Option Zusammenfassungsmetriken in eine CSV exportiert.

Zusammenfassende Metriken & Conjoint-Reporting

Conjoint-Zusammenfassungsmetriken

Mit den abgeleiteten Nutzkoeffizienten als Grundlage der Analyse können Outputs und Deliverables vorbereitet werden, um die Ergebnisse der Studie zu präsentieren. Sie sind die Bausteine aller zusammenfassenden Metriken und Simulationen. Die wichtigsten zusammenfassenden Metriken, die in der Regel die Conjoint-Analyse begleiten, sind unten aufgeführt.

• Funktion: Der Einfluss und die Auswirkungen, die eine Funktion bei der Entscheidungsfindung zwischen Produktkonfigurationen hat. Je größer die Wichtigkeit des Funktion, desto mehr Gewicht und Kontrolle hat es in dem, was ein günstiges Produkt macht. Funktion wird berechnet, indem die Entfernung zwischen der besten und der schlechtesten Ebene innerhalb dieses Funktion. Je größer die Entfernung, desto wichtiger ist das Funktion. Eine einfache Möglichkeit, über Funktion nachzudenken, besteht darin, dass die Ebenen dieser Funktion einen großen Einfluss darauf haben, ob ein Paket in einem auswahlbasierten Conjoint-Modell ausgewählt wird oder nicht.
• Durchschnittliche Nützlichkeitswerte: Die durchschnittliche Nützlichkeitsbewertung jeder Ebene für alle Umfrageteilnehmer. Diese sind in der Natur ordinal und zeigen die relative Präferenz zwischen den Ebenen. Die durchschnittlichen Hilfsprogramme können ein gewisses direktionales Verständnis vermitteln, sollten jedoch keine eigenständige Metrik sein, um die Conjoint-Analyse zusammenzufassen.
• Präferenz-Scores für erste Antwortmöglichkeit: Die Bewertungen der Voreinstellungen für die erste Antwortmöglichkeit geben den Prozentsatz der Umfrageteilnehmer an, die das Nützlichste mit den verschiedenen Ebenen gefunden haben. Innerhalb der Nützlichkeitskoeffizienten jedes Befragte:r hat er eine oberste oder am meisten bevorzugte Ebene innerhalb jeder Funktion. Die Bewertungen der ersten Antwortmöglichkeit sind die Verteilung der Umfrageteilnehmer, die diese Ebene als beste Option für diese Funktion gefunden haben.
• Präferenzanteil: Der Präferenzanteil ist die Messung der Wahrscheinlichkeit, dass eine Ebene gegenüber einer anderen gewählt würde, wobei alle übrigen Funktion konstant gehalten würden. Es handelt sich um ein Produkt der Versorgungsunternehmen, das mit einem multinomialen logistischen Regressionsmodell berechnet wird, und wird abgeleitet, indem das Ebene exponiert und durch die Summe aller exponentierten Ebenen innerhalb der Funktion dividiert wird.
• Zahlungsbereitschaft: Der Geldbetrag, den ein Kunde für ein bestimmtes Attribut eines Produkts im Vergleich zu einem anderen Attribut zu zahlen bereit ist. In der Regel empfehlen wir, einen Basisfall oder eine aktuelle Ebene zu definieren. Anschließend können wir ermitteln, wie viel mehr oder weniger sie bereit sind, im Vergleich zur Ebene zu zahlen. Jede Ebene kann im Vergleich zum Basisfall eine Zahlungsbereitschaft haben. Dies kann nur verwendet werden, wenn Preis oder Kosten eine Funktion in der Conjoint-Analyse sind. Sie wird berechnet, indem die Menge der Versorgungsdifferenz zwischen den verschiedenen Eckpreisen ermittelt und dann dieser Dollar pro Nutzenverhältnis auf die anderen Ebenen und ihre Nützlichkeitswerte angewendet wird. In der Regel berechnen wir gerne die Zahlungsbereitschaft auf der Befragte:r der Befragten und aggregieren und fassen sie dann zusammen.
• Optimale Pakete: Dies ist das optimale Paket im Hinblick auf die Maximierung der Kundenpräferenz und -attraktion. Dies ist möglicherweise nicht immer der genaue Ansatz, auf den ein Organisation hinarbeiten möchte, da die Implementierungskosten möglicherweise zu hoch sind, aber es kann richtungsweisend sein.

Berichte zu Conjoint-Analyse

Conjoint-analyse können eine Vielzahl unglaublicher Erkenntnisse in das vorhergesagte Verhalten von Kunden liefern. Verschiedene Metriken und Diagramme können Trends und Gemeinsamkeiten in Antworten aufzeigen. Die Primärausbeute einer Conjoint-Analyse sollte jedoch immer die Conjoint-Studie sein. Simulator. Der Simulator sollte das Werkzeug der Antwortmöglichkeit sein, um wichtige Fragen wie die Kompromisse zu beantworten, die Kunden treffen würden und wie verschiedene Pakete miteinander verglichen würden. Die oben aufgeführten Zusammenfassungsmetriken sind hilfreich und dienen einem Zweck, sollten jedoch immer auf den Simulator zurückverweisen.

Conjoint-Analyse

Was ist ein Simulator?

Die Conjoint-Analyse Simulator ist ein interaktives Werkzeug, das das Testen und Vorhersagen der Präferenz unter plausiblen Produktkonfigurationen erleichtert. Der Simulator enthält in der Regel eine Reihe von Dropdown-Listen, mit denen Pakete angelegt werden können, die aus den Attributen bestehen, die in der Conjoint-Studie enthalten waren. Im Kern ist die Conjoint-Analyse eine Technik, um die Kompromisse zu erkennen, die Kunden treffen würden, wenn sie unterschiedliche Entscheidungen treffen würden. Der Präferenzsimulator verkörpert dieses Ziel, indem er die geschätzten Abwägungen der Kunden meldet, wenn sie mit zwei oder mehr Optionen präsentiert würden. Die möglichen Szenarien innerhalb eines Simulators können als Produktkonstrukte astronomisch sein und die Segmente kann geändert werden.

Neben der offensichtlichen Kompromissanalyse gibt es eine Vielzahl von Einsatzmöglichkeiten, die bei der Gewinnung von Erkenntnisse aus Ergebnisse äußerst wertvoll sind. Die gängigsten Praktiken mit dem Simulator sind die Analyse der Wettbewerbslandschaft, die Verbesserung eines Produktbasisfalls und der relative Wert von Produktattributen.

Vom Conjoint-Simulator abgedeckte Geschäftsziele

Analyse der Wettbewerbslandschaft mit einem Simulator

Gesunde Unternehmen werden häufig über ihre Schulter schauen, um zu erforschen, wie sich der Wettbewerb verhält. Conjoint-analyse ist ein großartiges Instrument, um herauszufinden, wie die potenziellen Produktkonfigurationen eines Unternehmens mit den konkurrierenden Optionen auf dem Markt verglichen würden. Dies hängt jedoch von den Attributen der konkurrierenden Produkte ab, die in den Merkmalen und Ebenen der Studie enthalten sind. Innerhalb des Simulators können die Produktattribute des Wettbewerbers angelegt werden. Anschließend können Sie mit den verbleibenden Optionen verschiedene Bündel definieren, um eine Vorschau der Zusammenstellung bis zum vorhandenen Markt anzuzeigen.

Vorhandenes Produkt mit einem Simulator verbessern

Oft müssen Produkte überarbeitet und verbessert werden, um den Wettbewerbern einen Schritt voraus zu sein und relevant und innovativ zu bleiben. Dies erfordert progressive Anpassungen. Eine Conjoint-Studie ist eine fantastische Methodik, um zu verstehen, wo Unternehmen die überzeugendsten Änderungen vornehmen können, um neue Perspektiven zu erregen und ihre aktuellen Benutzer zu halten. Mit Daten in der Hand kann ein Simulator verwendet werden, um die Was-wäre-ifs von Änderungen an den Attributen zu erfassen. “Option 1” im Simulator kann als aktuelles Produkt festgelegt werdenund „Option 2“ können vom Controller iterativ geändert werden, um herauszufinden, wo die größten Gewinne verfügbar sind.

Relativen Wert von Produktattributen mit einem Simulator messen

Jedes Produkt ist im Kern eine Kombination aus mehreren Funktionen. Es ist eine Summe seiner Teile. Die Berücksichtigung der Präferenz dieser Teile ist für die Conjoint-Analyse von entscheidender Bedeutung. Bei „Präferenz“ zu expandieren, ist es sinnvoll zu versuchen, den Wert jeder Ebene weiter zu quantifizieren. Wenn der Preis in der Attribut enthalten war, kann der Simulator ein hervorragendes Werkzeug für die Herleitung dieses Werts sein. Der Prozess besteht darin, dieselbe Produktkonfiguration in “Option 1” und “Option 2” zu spiegeln. durch Ändern einer einzelnen Ebene oder Gruppe von Ebenenfinden Sie die Präferenzanteil nicht mehr gleich. Verschieben Sie mit der anderen Option die Ebene, um zu ermitteln, wo die beiden Pakete nun gleich sind. Die Preisdifferenz zwischen “Option 1” und “Option 2” kann als relativer Wert dieser Ebene oder Gruppe von Ebenen interpretiert werden.

FAQs