Conjoint-Analyse Sicherheitserklärung

Was ist Conjoint-Analyse?

Definition

Bei der Conjoint-Analyse handelt es sich um eine Marktforschungstechnik zur Messung der Präferenz und Wichtigkeit, die die Befragten (Kunden) auf die verschiedenen Elemente eines Produkts oder einer Dienstleistung legen. Sie kann eine entscheidende Rolle spielen, wenn es darum geht, die Kompromisse zu verstehen, die Menschen bei der Vergabe verschiedener Produktoptionen und Produktkonfigurationen eingehen würden. Im Mittelpunkt der Conjoint-Analyse steht die Idee, dass Produktattribute die Wahrscheinlichkeit erhöhen oder verringern können, dass ein Gesamtpaket gekauft wird. Daher können wir diese Präferenz quantifizieren.

Wie wird eine Conjoint-Analyse durchgeführt?

Die Conjoint-Analyse wird durchgeführt, indem den Teilnehmern unterschiedliche Pakete (auch Bündel, Produkte oder Optionen genannt) angezeigt werden. Die Teilnehmer werden angewiesen, diese Pakete zu bewerten und eine davon auszuwählen, was sie am wahrscheinlichsten kaufen oder was für sie am attraktivsten ist. Der Teilnehmer muss aus einer Reihe von Paketen wählen, wodurch er Kompromisse im weiteren Verlauf erzielen kann.

Conjoint-Umfragen haben in der Regel zwei bis vier Pakete pro Frage. Die Auswahlteilnehmer machen deutlich, welche Features und Feature-Kombinationen in günstigen Bundles häufiger auftauchen und welche Features und Feature-Kombinationen unter den ungünstigen Bundles 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. Erstellen Sie die Umfrage, die die Conjoint-Aufgaben hostet.
4. Antworten sammeln.
5. Analysieren Sie die Conjoint-Ergebnisse.
6. Melden Sie die Ergebnisse.

Jeder dieser Schritte baut auf den vorherigen Schritten auf und verfolgt das Endziel: Verständnis der günstigen Kompromisse und Präferenzen des Kundenstamms.

Qualtrics hat eine XM-Lösung entwickelt, die es Forschern in ihrer größeren Forschung ermöglicht, schnell und einfach Conjoint-Analysen durchzuführen und die Befragten durch Kompromissübungen zu führen. Es gibt verschiedene Methoden und Ansätze zum Sammeln der Auswahldaten, die als Conjoint-Typen bezeichnet werden. Die Qualtrics-XM-Lösung unterstützt derzeit choicbasierte (diskrete) Conjoint-Analysen.

Welche Geschäftsziele werden durch Conjoint-Analysen erreicht?

Conjoint ist darauf spezialisiert, Fragen zu beantworten, die keine andere Methodik beantworten kann. Zu diesen Fragen gehören:

• Welche Merkmale oder Funktionen eines Produkts sind für die Messung der Präferenz und der Berufung am wichtigsten und einflussreich?
• Worauf konzentrieren sich Kunden, wenn sie ihre Kaufentscheidung treffen? Was hat den größten Einfluss darauf, ob sie kaufen werden oder nicht?
• Welche Rolle spielt der Preis bei der Entscheidungsfindung und was sind die Preis-Sweet Spots?
• Wie sensibel sind Kunden bei Preisverlagerungen?
• Wie hoch ist der monetäre oder relative Wert für den Markt der einzelnen Funktionen, über die wir nachdenken? Wie viel mehr wären Kunden bereit, für eine Premium-Funktion zu zahlen?
• Welche Kompromisse werden unsere Kunden wahrscheinlich eingehen? Wenn wir wissen, dass wir den Preis erhöhen müssen, welche Funktionen können wir unserem Angebot hinzufügen, damit wir nicht an Appell 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 stehen die Produkte, die wir in Betracht ziehen, im Vergleich zur Konkurrenz? Was können wir tun, um am besten gegen das zu konkurrieren, was derzeit auf dem Markt ist?
• Was sind die besten Verbesserungen, wenn wir Änderungen an unserem bestehenden Produkt vornehmen möchten? Was wird unseren Bestandskunden am besten gefallen?
• 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, können Conjoint-Analysen Einblicke in vielfältige 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, diese so gerne haben. Conjoints bieten eine Vision für ein breites Spektrum von Unternehmenszielen und können Forschern und Organisationen ein entscheidendes Vertrauen bieten.

Definition der Conjoint-Attribute

Funktion und Ebenen

Die Struktur der Variablen, die wir in eine Conjoint-Analyse einbinden möchten, sind: Funktionen und Ebenen.  Die Funktionen sind die Hauptkategorien der Variablen; jede Funktion besteht aus einer Reihe von Ebenen, die spezifischere Einheiten jeder Funktion sind.

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 Teilnehmer, inkonsistenten Antworten und wertlosen Daten führen.

Bei der Anzahl der Fragen und Pakete, die Sie den einzelnen Teilnehmern präsentieren, gibt es keinen Einheitsansatz.  Obwohl verschiedene Arten von Conjoints größere oder weniger Variablen ermöglichen können, würden die Forscher traditionell 2-8 Funktionen mit 2-7 Ebenen pro Funktion aufnehmen wollen.  Da dieses Erlebnis für den Befragten am besten geeignet ist, gilt dies als süßer Punkt für die choicbasierte Conjoint-Analyse und wird in der Regel die besten Ergebnisse liefern.

Beachten Sie, dass je mehr Funktionen und Ebenen Sie einschließen, desto schwieriger und überwältigender wird der Conjoint-Prozess für die Teilnehmer sein. Mehr Merkmale und Ebenen bedeutet, dass wir mehr Fragen stellen müssen.  Diese Schlägerei zwischen den Tests eines Produktattributs ist eine wichtige Entscheidung, die nicht übersehen werden sollte. Die Forscher sollten sorgfältig überlegen, was in den Conjoint eingefügt und was ausgeschlossen werden sollte.

Unabhängig von der Anzahl der Attribute, die Sie im Conjoint-Test testen, ist es wichtig, dass diese klar und prägnant sind. Wenn die Befragten die von ihnen geprüften 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 präzise beschreiben. Der Studienschaffende 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 Bündel verstehen?”

Denken Sie daran, dass langwieriger Text die Seite überfrachten und die Auswahlaufgaben erschütternd und überwältigend machen kann. Eine fantastische Erweiterung kann die Verwendung von Bildern sein, wenn die richtigen Wörter zum Definieren eines Attributs gefunden werden, scheint schwierig zu sein. “Ein Bild ist tausend Worte wert” kann in der Conjoint-Analyse wahr werden.

Ausschlüsse & verbotene Paare

Wenn das Team die zu testenden Produktattribute bestimmt, 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 gekoppelt sind, sondern um zwei Ebenen, die verwirrend und nicht paarbar wären. Diese werden in der Regel als Ausschlüsse, oder verbotene Paare.

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

Versuchsdesign

Experimentelles Design und Conjoint-Analyse

Die meisten Conjoint-Analyseprojekte weisen darauf hin, dass einem Umfrageteilnehmer nicht alle Kombinationen angezeigt werden können. Eine Liste jeder Kombination oder das vollständige Faktorium kann leicht in die Hunderte oder Tausenden von Bündeln gelangen. Offensichtlich konnten wir nie jedem Teilnehmer jedes mögliche Bündel zeigen. Aber wie erhalten wir Einblicke in die Günstigkeit verschiedener Kombinationen?

Ähnlich wie bei anderen experimentellen Ansätzen werden strategische und wissenschaftliche Prinzipien genutzt, um zu entschlüsseln, wie man den gesamten Kombinationsraum liest und dabei nur eine Teilmenge anzeigt.  Experimentelle Designs in Conjoints maximieren die Anzahl der Datenpunkte und die Abdeckung über potenzielle Pakete hinweg und minimieren gleichzeitig die Anzahl der Profile, die wir dem Umfrageteilnehmer zur Verfügung stellen.

Bei der Festlegung der Karten, die dem Teilnehmer präsentiert werden, gibt es mehrere Ansätze. Eine Karte ist ein Bündel oder ein Profil, das dem Umfrageteilnehmer zur Bewertung vorgelegt wird. In der Vergangenheit, als Computer nicht so barrierefrei und leistungsstark waren wie heute, wurden von Forschern vordefinierte Designtabellen generiert und referenziert.  Sie ermitteln die Anzahl der Funktionen und Ebenen (häufig 3×3 oder 4×4), suchen die entsprechende Designtabelle und integrieren diese in Ihre Umfrage.  Diese Tabellen verringern jedoch die Flexibilität, die die meisten Forscher wünschen und müssen den Platz für das Feature-Attribut definieren.

Jetzt kapseln die meisten choicbasierten Conjoint- und Rating-basierten Conjoint-Designs Bruchkartensätze, die den Befragten präsentiert werden. Bruchteil bedeutet, dass wir einen Bruchteil des gesamten Faktorials anzeigen werden.

Es gibt mehrere wichtige Faktoren, um festzulegen, welche strategische Teilmenge von Profilen in der Umfrage angezeigt wird:

• Kartensätze sollten einen relativen Saldo auf jeder Ebene aufweisen. Das bedeutet, dass innerhalb eines Merkmals jede Ebene in einer ähnlichen Anzahl von Bündeln enthalten sein sollte.
• Es sollte keine Ebene geben, die in sechs Bündeln angezeigt wird, während eine andere Ebene nur in einem Bündel enthalten ist. Wie bei jeder Umfrageforschung verbessern auch Zufallsauswahlverfahren die Gültigkeit von Antworten und steuern die psychologische Ordnung.
• Conjoint-Designs eignen sich am besten, wenn es viele Versionen oder Blöcke gibt, die alle eine Teilmenge von Bündeln enthalten. Jordan Louviere (einer der frühen Pioniere der Choice-Modellierung) und die Gründer der Sawtooth Software sind sich einig: Je mehr Versionen zum Gesamtdesign gehören, desto besser. Ein Teilnehmer wird einer dieser Versionen zugeordnet, die vorgibt, welche Paketkonstrukte angezeigt werden.
• Weitere Prinzipien, die häufig in Conjoint-Designgespräche einbezogen werden, 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 Entwurfsgenerierung für wahlbasierte Conjoints eingegeben werden müssen, sind die Anzahl der Fragen oder Aufgaben, die dem Teilnehmer angezeigt werden, sowie die Anzahl der Auswahlmöglichkeiten oder Alternativen, die es pro Frage geben wird. Der herkömmliche Ansatz, der auf einer Auswahl basiert, erfordert in der Regel zwei Optionen, und der Teilnehmer hat die Wahl zwischen Option A und Option B. Dennoch ist es auf jeden Fall angebracht, drei oder mehr Bündel pro Frage zu zeigen. Die wichtigste Frage, die durchdacht werden muss, ist, ob mehr Alternativen ein überwältigendes Erlebnis für den Befragten schaffen werden. Manchmal kann es schwierig sein, nur zwei Bündel zu bewerten, um sie zu bevorzugen. Wenn außerdem keine dieser Optionen in die Studie aufgenommen werden soll, könnte der Bildschirmbereich zu einer besseren Erfahrung mit zwei Optionen und keiner Option führen.

Die Anzahl der Fragen, aus denen sich der Conjoint-Teil der Umfrage zusammensetzt, sollte auf der Grundlage der Anzahl der Auswahlmöglichkeiten pro Aufgabe sowie der Größe der zu prüfenden Conjoint-Attribute berechnet werden. Die allgemeine Formel zur Ermittlung der Anzahl der Karten, die angezeigt werden sollen, lautet:

Anzahl der Karten = Gesamtzahl der Ebenen – Anzahl der Funktionen + 1Die

Gesamtzahl der Ebenen ist einfach die Summe 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. Beispielsweise müssen Sie entscheiden, ob die Umfrage verkürzt werden soll, indem Sie die Anzahl der Fragen reduzieren und die Bündel pro Frage erhöhen, oder ob dies die Datenqualität beeinträchtigt. Der beste Ansatz zur Lösung des Gleichgewichts zwischen Fragen und Alternativen pro Frage besteht darin, einfach zu testen. Legen Sie die Umfrage an, und nehmen Sie daran teil. Verteilen Sie sie an Kollegen, und holen Sie ihre Meinung zur Dichte der Frage im Vergleich zur Länge der Umfrage ein.

Wie ein Qualtrics Conjoint sein experimentelles Design generiert

Qualtrics verwendet einen zufälligen Ansatz zur Ausgewogenheit, der einige, aber nicht zu große Überschneidungen mit den Ebenen fördert. Der Ansatz ähnelt dem Balanced Overlap Design von Sawtooth. Dieser Ansatz ist sehr wirksam, wenn er mit hierarchisch bayesischen Schätztechniken gekoppelt ist.  Die Grundlage des Designansatzes besteht darin, den verschiedenen Befragten verschiedene Pakete zur Bewertung zur Verfügung zu stellen. Wir möchten sicherstellen, dass die verschiedenen Ebenen für die Bewertung korrekt 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 an Auswahlmöglichkeiten.

Die Anzahl der Versionen wird anhand der folgenden Formel berechnet:

Anzahl der Versionen = (Basisnummer * Maximale Anzahl der Ebenen in einer beliebigen Funktion) / (Anzahl der Antwortmöglichkeiten pro Frage * Anzahl der Fragen)

Das Ergebnis dieser Formel wird auf die nächste runde Zahl gerundet, die durch 10 teilbar ist.

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

Der Algorithmus generiert zunächst nach dem Zufallsprinzip Bündel für jede der Aufgaben und Auswahlmöglichkeiten. Anschließend prüft es jede Version, um sicherzustellen, dass ein relativer Saldo über die Anzahl der angezeigten Ebenen hinweg vorhanden ist. Der Algorithmus erzwingt nicht, dass jede Ebene genau so oft angezeigt wird, stellt jedoch sicher, dass die Differenz zwischen der am häufigsten in dieser Version und der am wenigsten beobachteten Ebene nicht mehr als eine Abweichung von zwei beträgt. Für Versionen, die diese Bedingungen nicht erfüllen, wird ein Refactoring durchgeführt, bis sie die Saldenregeln erfüllen. Der Algorithmus fährt so lange fort, bis die gewünschte Anzahl von Versionen generiert wird.

Umfrage & Stichprobenumfang

Umfrageprogrammierung

Die Conjoint-Analyse basiert auf den in der Umfrage gesammelten Antworten. Die Umfrage ist der Kontaktpunkt mit den Umfrageteilnehmern, an dem das Design präsentiert und eine Kompromissauswahl getroffen wird.

Wenn eine Conjoint-Studie durchgeführt wird, ist dies in der Regel der Schwerpunkt der Umfrage, aber nicht die Gesamtheit. Entscheidend ist, dass die Conjoint-Übung innerhalb der Umfrage prägnant und gut strukturiert ist. Die Daten und Erkenntnisse sind nur so genau, wie die Berichtspakete klar sind. Eine Conjoint-Umfrage kann in der Regel Zuhörerfragen (um sicherzustellen, dass die richtige Art von Umfrageteilnehmer sie durchsetzt), eine Einführung mit Schulungsressourcen und demografische Fragen umfassen. Es gibt keine harten Regeln dafür, wie viele andere Fragen zu einer Conjoint-Studie hinzugefügt werden können oder wo im Umfragenverlauf das Conjoint fallen soll. Es sei darauf hingewiesen, dass jede Frage, die von den Befragten außerhalb des Conjoints gestellt wird, Zeit und Fokus in Anspruch nimmt, die andernfalls der Conjoint-Übung zugewiesen werden könnten. Die Umfragelänge sollte bei der Konzeption und Entwicklung der Studie berücksichtigt werden. Das Fatigieren eines Umfrageteilnehmers ist ein Unterfeuer, um das Kaliber der Studie zu erniedrigen. Umfragen, die mehr als 10-15 Minuten dauern, sind anfälliger für Müdigkeit und Datenqualitätsprobleme

Die aus einer Conjoint-Studie gesammelten Daten sind nur dann genau, wenn sich der Befragte realistisch in eine tatsächliche Kaufsituation versetzen kann. Die Sicherstellung, dass der Befragte umfassend über die Pakete informiert ist, aus denen er auswählen wird, ist ein Muss im Rahmen einer gemeinsamen Analyse. Viele Studien sind Testkonzepte, die von der breiten Öffentlichkeit bekannt und relatabel sind. Wenn das bei Ihrem Projekt jedoch nicht der Fall ist, sollte im Vorfeld des Conjoints Zeit aufgewendet werden, um den Teilnehmer durch Beschreibungen und/oder Videos angemessen zu schulen. Je klarer ein Paket für den Umfrageteilnehmer ist, desto sicherer werden die sich daraus ergebenden Hilfsmittel sein.

Neben der einfachen und unkomplizierten Beschreibung sollte auch das Layout der Karten für Verständnis und Klarheit sorgen. Auf diese Weise kann der Teilnehmer Vergleiche durchführen und endgültige Antworten geben.

Stichprobengröße

Die Anzahl der Antworten, die Sie erfassen sollten, und die Relevanz für die Personen, die an der Umfrage teilnehmen, sind entscheidend für den Erfolg und die Genauigkeit der Conjoint-Ergebnisse. Im Folgenden finden Sie eine Gleichung, die Sawtooth Software verwendet, um die Anzahl der Antworten zu ermitteln:

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

Multiplikator = 750-1000

c = größte Anzahl von Ebenen über alle Funktionen hinweg

t = Anzahl der Aufgaben oder Fragen

a = Anzahl von Alternativen oder Auswahlmöglichkeiten pro Frage

Wir empfehlen den Multiplikator 750 für größere Projekte und 1000 für kleinere Projekte. Sawtooth empfiehlt einen Multiplikator von 300 bis 500, aber wir haben das Gefühl, dass eine größere Zahl schlüssigere Ergebnisse und Simulationen liefert.

Es ist wichtig, dass die Personen, die an der gemeinsamen Übung teilnehmen, diejenigen reflektieren, die für den Kauf, die Bestellung und die Entscheidung für Ihr Produkt oder Ihre Dienstleistung zur Verfügung stehen. Häufig werden Forscher am Anfang der Umfrage Screengeber definieren, um sicherzustellen, dass relevante Meinungen eingeholt werden.  Alternativ werden Gruppen häufig Listen mit aktuellen oder potenziellen Kunden haben, an die sie die Umfrage verteilen können.

Modellierung der Conjoint-Analyse

Übersicht

Bei der Analyse von Conjoint-Analysen werden Daten in Prognosen und Modelle umgewandelt. Hier werden die Auswahlen der Teilnehmer in Präferenzen übersetzt. Das Ergebnis der Analyse wird ein Verständnis dessen sein, was wertvoll ist und was nicht, und es wird beleuchtet, wie Kombinationen gebündelt werden sollten.

Der Kern der Analyse ist die statistische Modellierung, die das Hilfsprogramm abschätzt, das Umfrageteilnehmer jeder Ebene zuweisen. Aufgrund der statistischen Modellierung erhält die Conjoint-Analyse einen Ruf als „komplex“, aber dies ermöglicht es auch, dass Conjoints den Ruf haben, eine erstklassige Forschungstechnik zu sein. Es gibt mehrere statistische Ansätze für die Berechnung der Vorlieben von Hilfsprogrammen, einschließlich Regression und multinomialer Logistikmodellierung, die in der Regel auf aggregierter Ebene durchgeführt werden.

Unabhängig davon, wie die Umfrageauswahlen modelliert werden, sollte die Ausgabe Hilfsprogrammkoeffizienten sein, die den Wert oder die Präferenz darstellen, den bzw. die die Teilnehmerbasis für die verschiedenen Ebenen jeder Funktion hat. Für Designs und Analysemethoden, die die Berechnung von Versorgungsbewertungen auf individueller Ebene ermöglichen, können wir Präferenzmodelle für jeden einzelnen Teilnehmer ableiten. Dies kann aus verschiedenen Gründen von Vorteil sein, z.B. Segmentierung verschiedener Datenausschnitte, latente Klassenanalyse und Simulationen. Der Hauptansatz zur Erstellung individueller Gebrauchsmodelle ist die hierarchische Schätzung von Bayes (HB). Diese Technik verwendet Bayessche Methoden, um den relativen Wert jeder zu testenden Variable wahrscheinlich abzuleiten.

Hierarchische Bayes-Schätzung

Hierarchische Bayes-Schätzung (HB) ist ein iterativer Prozess, der ein untergeordnetes Modell umfasst, das die relativen Dienstprogramme des Einzelnen für die getesteten Attribute schätzt, sowie ein übergeordnetes Modell, das die Vorhersagen der Bevölkerung hinsichtlich der Präferenz ermittelt. Diese beiden arbeiten zusammen, bis die Analyse auf den Koeffizienten, die den Wert jedes Attributs für jedes einzelne darstellen, konvergiert. HB-Schätzungen ziehen Informationen aus anderen Antworten, um noch bessere und stabilere Ergebnisse auf Individualebene zu erzielen. Sie ist sehr robust und ermöglicht es uns, die Präferenzen der Kunden richtig gut zu lesen, auch wenn wir dem Befragten weniger Aufgaben präsentieren.

Die Technik wird aufgrund der über- und untergeordneten Modelle als “hierarchisch” betrachtet. Dieser Ansatz schätzt die durchschnittlichen Präferenzen (Modell auf höherer Ebene) und misst dann, wie unterschiedlich sich die einzelnen Umfrageteilnehmer von dieser Verteilung unterscheiden, um ihre spezifischen Versorgungsunternehmen abzuleiten (untergeordnetes Modell). Der Prozess wiederholt sich über eine Reihe von Iterationen, um uns letztendlich bei der Wahrscheinlichkeit zu helfen, dass ein bestimmtes Konzept basierend auf seinem Konstrukt ausgewählt wird. Qualtrics verwendet speziell ein multinomiales logistisches Regressionsmodell.

Die Conjoint-Analyselösung von Qualtrics verwendet hierarchische Bayes-Schätzungen, die in STAN geschrieben wurden, um individuelle Präferenzen zu berechnen. Qualtrics führt 1000 Iterationen pro Markov-Kette und 4 Ketten aus.

Individuelle Hilfskoeffizienten

Das Ergebnis des Bayesianischen Modells sind Präferenzwerte, die das Dienstprogramm darstellen, das der Einzelne an jede Ebene anbindet.  Diese Scores werden häufig als „partworth utilities“ bezeichnet und bilden die Grundlage für alle Zusammenfassungsmetriken und Simulationen, die aus der Conjoint-Studie abgeleitet wurden.  Die Hilfsdatei enthält eine Zeile für jeden Teilnehmer, der in die Conjoint-Analyse einbezogen wird, und eine Spalte für jeden eindeutigen Stufentest innerhalb der Studie. Bei der Modellierung der Präferenzen jedes Umfrageteilnehmers helfen uns die Versorgungsunternehmen dabei, vorherzusagen, welche Auswahl die Befragten treffen würden, wenn sie mit verschiedenen Bündeln konfrontiert wären. Die Dienstprogramme haben eine Ordinalzahl und geben die Rangfolge jeder Stufe an, die mit einem gewissen Beitrag zum Gesamtenergiedienstprogramm eines Pakets getestet wurde.

Die Teilwert-Utility-Scores sind nullzentriert und liegen in der Regel im Bereich von -5 bis +5. In der Conjoint-Lösung können die Roh-Utility-Scores für jeden einzelnen Benutzer mithilfe der Option Zusammenfassungsmetriken in eine CSV-Datei exportiert werden.

Zusammenfassungsmetriken & Conjoint-Berichte

Conjoint-Zusammenfassungsmetriken

Mit den abgeleiteten Hilfskoeffizienten als Grundlage der Analyse können Ergebnisse und Ergebnisse vorbereitet werden, um die Ergebnisse der Studie darzustellen. Sie sind die Bausteine aller Zusammenfassungsmetriken und Simulationen. Die wichtigsten Zusammenfassungsmetriken, die in der Regel die Conjoint-Analyse begleiten, sind unten aufgeführt.

• Wichtigkeit der Funktion: Der Einfluss und die Auswirkungen einer Funktion auf die Entscheidungsfindung in den Produktkonfigurationen. Je wichtiger das Merkmal ist, desto mehr Gewicht und Kontrolle hat es in dem, was ein günstiges Produkt macht. Die Wichtigkeit der Funktion wird anhand der Entfernung zwischen der besten und der schlechtesten Ebene innerhalb dieser Funktion berechnet. Je größer die Distanz, desto wichtiger ist das Feature. Eine einfache Möglichkeit, über die Wichtigkeit von Funktionen nachzudenken, besteht darin, dass die Ebenen dieser Funktion große Auswirkungen darauf haben, ob ein Paket in einem choicbasierten Conjoint-Modell ausgewählt wird oder nicht.
• Durchschnittliche Nützlichkeitspunktzahlen: Die durchschnittliche Bewertung der einzelnen Ebenen für alle Umfrageteilnehmer. Dabei handelt es sich um eine Ordinalzahl, die die relative Präferenz zwischen den Ebenen anzeigt. Die durchschnittlichen Dienstprogramme können ein gerichtetes Verständnis vermitteln, sollten jedoch keine eigenständige Metrik sein, um die Conjoint-Analyse zusammenzufassen.
• Einstellungspunktzahlen der ersten Auswahl: Die Einstellungspunktzahlen für die erste Auswahl geben den Prozentsatz der Teilnehmer an, die mit den verschiedenen Ebenen den größten Nutzen gefunden haben. Innerhalb der Hilfskoeffizienten jedes Teilnehmers hat er eine höchste oder bevorzugte Ebene innerhalb jeder Funktion. Die Bewertungen der ersten Wahl sind die Verteilung der Teilnehmer, die diese Ebene als beste Option für diese Funktion ermittelt haben.
• Präferenzanteil: Der Präferenzanteil ist die Messung der Wahrscheinlichkeit, dass eine Stufe über eine andere gewählt würde, wobei alle anderen Ausstattungskomponenten konstant gehalten würden. Es ist ein Produkt der Versorgungsunternehmen, die mit einem multinomialen logistischen Regressionsmodell berechnet werden. Es wird abgeleitet, indem das Hilfsprogramm für Ebenen exponiert und durch die Summe aller exponentiellen Ebenen innerhalb der Funktion dividiert wird.
• Zahlungsbereitschaft: Der Geldbetrag, den ein Kunde für ein bestimmtes Attribut eines Produkts im Vergleich zu einem anderen Attribut zahlen möchte. In der Regel empfehlen wir, einen Basisfall oder eine aktuelle Fallebene zu definieren. Anschließend können wir ermitteln, wie viel mehr oder weniger sie im Vergleich zur Basisebene bereit sind zu zahlen. Jede Stufe kann im Vergleich zum Basisfall eine Zahlungsbereitschaft haben. Dies kann nur verwendet werden, wenn Preis oder Kosten eine Funktion in der Conjoint-Analyse ist. Sie wird berechnet, indem die Höhe der Differenz zwischen den verschiedenen Eckpreisen ermittelt und dann der entsprechende Dollar pro Dienstzeitverhältnis auf die anderen Ebenen und deren Utility-Scores angewendet wird. In der Regel möchten wir die Zahlungsbereitschaft auf der Ebene der Befragten berechnen und anschließend aggregieren und zusammenfassen.
• Optimale Pakete: Dies ist das optimale Paket zur Maximierung der Kundenpräferenzen und -ansprüche. Dies ist möglicherweise nicht immer der genaue Ansatz, zu dem sich ein Unternehmen bewegen möchte, da die Implementierungskosten möglicherweise zu hoch sind, aber in direktem Zusammenhang geführt werden können.

Berichte zu Conjoint-Analyseanalysen

Conjoint-Analysen können eine Vielzahl unglaublicher Einblicke in das vorhergesagte Verhalten von Kunden liefern. Verschiedene Kennzahlen und Diagramme können Trends und Gemeinsamkeiten in Antworten aufzeigen. Die Primärausbeute einer Conjoint-Analysestudie sollte jedoch immer der Conjoint-Simulator sein. Der Simulator sollte das Werkzeug der Wahl sein, um wichtige Fragen wie die Kompromisse zu beantworten, die Kunden treffen würden, und wie verschiedene Pakete im Vergleich zueinander stehen würden. Die oben aufgeführten Zusammenfassungsmetriken sind hilfreich und dienen einem Zweck, sollten Sie jedoch immer auf den Simulator verweisen.

Conjoint-Analysis-Simulationen

Was ist ein Simulator?

Der Conjoint-Analysesimulator 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, die das Anlegen von Paketen ermöglichen, die aus den Attributen bestehen, die in der Conjoint-Studie enthalten waren. Im Kern ist die Conjoint-Analyse eine Methode, um die Kompromisse zu erkennen, die Kunden bei unterschiedlichen Entscheidungen treffen würden. Der Präferenzsimulator verkörpert dieses Ziel, indem er die geschätzten Kompromisse der Kunden meldet, wenn zwei oder mehr Optionen angeboten werden. Die möglichen Szenarien innerhalb eines Simulators können astronomisch sein, da Produktkonstrukte und die einzuschließenden Segmente verändert werden können.

Neben der offensichtlichen Kompromissanalyse gibt es eine Vielzahl von Einsatzmöglichkeiten, die äußerst wertvoll sind, um Erkenntnisse aus Conjoint-Ergebnissen zu gewinnen. Die gängigsten Praktiken mit dem Simulator sind die Analyse der Wettbewerbslandschaft, die Verbesserung durch einen Produktbasisfall und der relative Wert von Produktattributen.

Vom Conjoint-Simulator abgedeckte Geschäftsziele

Wettbewerbslandschaftsanalyse mit einem SimulatorHealthy-Unternehmen

wird häufig über die Schulter schauen, um zu untersuchen, wie der Wettbewerb abschneidet. Conjoint-Analysen sind ein hervorragendes Werkzeug, um herauszufinden, wie die möglichen Produktkonfigurationen eines Unternehmens im Vergleich zu den konkurrierenden Optionen auf dem Markt aussehen würden. Dies hängt jedoch von den Attributen der konkurrierenden Produkte ab, die in den Merkmalen und Ebenen der Studie enthalten sind. Im Simulator können die Produktattribute des Wettbewerbers gestaltet werden. Anschließend können Sie mit den verbleibenden Optionen verschiedene Pakete definieren, um eine Vorschau darauf anzuzeigen, wie sie zum vorhandenen Markt passen würden.

Ein bestehendes Produkt mit einem Simulator zu verbessern Oft

müssen Produkte Überarbeitungen und Verbesserungen durchlaufen, um den Wettbewerbern einen Schritt voraus zu sein und relevant und innovativ zu bleiben. Dies erfordert schrittweise Anpassungen. Eine Conjoint-Studie ist eine fantastische Methode, um zu verstehen, wo Unternehmen die überzeugendsten Änderungen vornehmen können, um neue Interessenten zu begeistern und ihre aktuellen Benutzer zu binden. Mit den vorhandenen Daten kann ein Simulator verwendet werden, um die What-ifs von Änderungen an den Attributen zu erfassen. “Option 1” im Simulator kann auf das aktuelle Produkt gesetzt werden, und “Option 2” kann iterativ vom Controller geändert werden, um herauszufinden, wo die größten Gewinne verfügbar sind.

Messung des relativen Werts von Produktattributen mit einem SimulatorJedes

Produkt ist im Kern eine Kombination aus mehreren Funktionen. Es ist eine Summe seiner Teile. Die Bevorzugung dieser Teile ist für die gemeinsame Analyse unerlässlich. Wenn Sie die Präferenz erweitern, ist es sinnvoll, den Wert jeder Ebene weiter zu quantifizieren. Wenn der Preis in der Attributgruppe enthalten war, kann der Simulator ein ausstehendes Werkzeug zur Herleitung dieses Werts sein. Der Prozess besteht darin, dieselbe Produktkonfiguration in “Option 1” und “Option 2” zu spiegeln. Wenn Sie eine einzelne Ebene oder eine Gruppe von Ebenen ändern, stellen Sie fest, dass der Präferenzanteil nicht mehr gleich ist. Verschieben Sie mit der anderen Option die Preisstufe, um zu ermitteln, wo die beiden Pakete nun wieder gleich sind. Die Preisdifferenz zwischen “Option 1” und “Option 2” kann als relativer Wert dieser Ebene oder Gruppe von Ebenen interpretiert werden.

FAQs