Plantilla de artículo

¿Qué es el análisis conjunto?

Definición

El Análisis conjunto es una técnica de investigación de mercado para medir la preferencia y la importancia que los encuestados (clientes) otorgan a los diversos elementos de un producto o servicio. Puede desempeñar un papel fundamental a la hora de comprender las compensaciones que las personas harían cuando se les presentan diferentes opciones y configuraciones de productos. En el centro del análisis conjunto está la idea de que los atributos del producto pueden aumentar o disminuir la probabilidad de que se compre un paquete general; por lo tanto, podemos cuantificar esa preferencia.

¿Cómo se realiza un análisis conjunto ?

El Análisis conjunto se realiza mostrando a los participantes diferentes paquetes (también llamados paquetes, productos u opciones). Se instruye a los participantes para que evalúen esos paquetes y seleccionen uno en función de lo que tengan más probabilidades de comprar o lo que les resulte más atractivo. El encuestado tendrá que elegir entre una serie de paquetes y hacer concesiones a medida que avanza.

Las encuestas conjuntas suelen tener entre dos y cuatro paquetes por pregunta. Las selecciones que realizan los participantes arrojan luz sobre qué características y combinaciones de función aparecen con mayor frecuencia en los paquetes favorables, así como qué características y combinaciones de función son más comunes entre los paquetes desfavorables.

Los pasos para ejecutar un análisis conjunto son:

1. Determinar los atributos que se probarán en el análisis conjunto.
2. Generar el diseño experimental.
3. Diseñar la encuesta que alberga las tareas conjuntas.
4. Recopile respuestas.
5. Analizar los resultados conjuntos.
6. Informar los hallazgos.

Cada uno de estos pasos se basa en el anterior y trabaja para alcanzar el objetivo final: comprender las ventajas y las preferencias de la base de clientes.

Qualtrics ha desarrollado una solución XM que ayuda a los investigadores en sus investigaciones más amplias, permitiéndoles realizar de manera rápida y sencilla análisis conjunto y guiar a los encuestados a través de ejercicios de compensación. Existen diferentes métodos y enfoques para recopilar datos de opción , conocidos como tipos conjuntos. La solución Qualtrics XM actualmente admite el análisis conjunto basado en elección (discreto).

¿A qué objetivos de negocio responde el análisis conjunto ?

Conjoint se especializa en responder preguntas que ninguna otra metodología puede responder. Algunas de esas preguntas incluyen:

• ¿Qué función o funcionalidad de un producto es más importante e influyente a la hora de medir la preferencia y el atractivo?
• ¿En qué se fijan los clientes al tomar su decisión de compra? ¿Qué es lo que tiene mayor impacto en si comprarán o no?
• ¿Qué papel juega el precio en la toma de decisiones y cuáles son los puntos óptimos de fijación de precios?
• ¿Qué tan sensibles serán los clientes a los cambios en los precios?
• ¿Cuál es el valor monetario o relativo para el mercado de cada una de las características que estamos pensando incluir? ¿Cuánto más estarían dispuestos a pagar los clientes por una función premium?
• ¿Qué concesiones es probable que realicen nuestros clientes? Si sabemos que necesitamos aumentar el precio, ¿qué características o funcionalidades podemos agregar a nuestra oferta para no perder atractivo y participación de mercado?
• ¿Cómo se ve la participación de mercado para diferentes productos? ¿Cómo afecta el cambio y la modificación de la configuración del producto a la cuota de mercado?
• ¿Cómo se comparan los productos que estamos considerando con la competencia? ¿Qué podemos hacer para competir mejor con lo que hay actualmente en el mercado?
• Si buscamos realizar cambios en nuestro producto existente, ¿cuáles son las mejores mejoras que podemos realizar? ¿Qué tendrá más aceptación entre nuestros clientes actuales?
• ¿Cuál es el producto óptimo que podemos ofrecer para aumentar el número de compradores? ¿Para maximizar nuestros ingresos? ¿Para maximizar nuestras ganancias?

Como puede ver, el análisis conjunto puede brindar Insight para preguntas comerciales diversas y dinámicas, y estas son solo las consultas relacionadas con el producto que responde. La longitud y legitimidad de esta lista es una de las principales razones por las que quienes realizan análisis conjuntos regularmente la aprecian tanto. Los conjuntos proporcionan una visión de una amplia gama de objetivos comerciales y pueden brindar confianza crucial a investigadores y organizaciones.

Definición de los atributos conjuntos

Función y niveles

La estructura de las variables que queremos incorporar en un análisis conjunto son características y niveles.Las características son las categorías principales de las variables; cada función consta de un conjunto de niveles, que son unidades más específicas de cada función.

Existe un equilibrio complicado a la hora de decidir qué características y niveles se incorporarán al estudio. Si no prueba una variable, no tendrá ninguna visión de su preferencia, pero probar demasiadas características y niveles puede generar fatiga en el encuestado, respuestas inconsistentes y datos sin valor.

No existe un enfoque único en lo que respecta a la cantidad de preguntas y paquetes que se le presentan a cada encuestado.Aunque diferentes tipos de conjunto pueden facilitar mayores o menores variables, Tradicionalmente, los investigadores querrían incluir entre 2 y 8 características con entre 2 y 7 niveles por función. .Debido a que esta experiencia se adapta mejor al encuestado, se considera el punto óptimo para el análisis conjunto basado en la elección y, en general, arrojará los mejores resultados.

Tenga en cuenta que cuantas más características y niveles incluya, más difícil y abrumador será el conjunto para los encuestados. Más funciones y niveles significan que necesitamos hacer más preguntas.Este tira y afloja entre si probar o no un atributo del producto es una decisión importante que no debe pasarse por alto. Los investigadores deben considerar cuidadosamente qué se debe insertar en el conjunto y qué se debe excluir.

Independientemente de la cantidad de atributos que pruebe en el conjunto, es esencial que sean claros y concisos. Si los encuestados no pueden comprender los paquetes que están revisando, los datos no significarán nada. El texto utilizado tanto para las características como para sus niveles debe describirlas de forma sencilla pero precisa. El creador del estudio debe considerar e incluso centrarse en el encuestado y su contexto del producto examinado. Pregúntese: “¿Alguien fuera de nuestra empresa entenderá estos paquetes?”

Tenga en cuenta que un texto extenso puede saturar la página y hacer que las tareas de opción sean desalentadoras y abrumadoras. Una mejora fantástica puede ser el uso de imágenes cuando encontrar las palabras adecuadas para definir un atributo parece difícil. “Una imagen vale más que mil palabras” puede resultar cierto en el análisis conjunto.

Exclusiones y pares prohibidos

Cuando el equipo determina los atributos del producto que va a probar, es importante buscar combinaciones que simplemente no tengan sentido combinar. No se trata necesariamente de dos niveles que es poco probable que se emparejen, sino de dos niveles que serían confusos e imposibles de emparejar. Estos generalmente se conocen como exclusiones , o parejas prohibidas.

Eliminar pares prohibidos crea agujeros en nuestro diseño y modelo y reduce la naturaleza independiente de las variables, por lo que deben evitarse siempre que sea posible.

Diseño experimental

Diseño experimental y análisis conjunto

La naturaleza de la mayoría de los proyectos de análisis conjunto es que no todas las combinaciones se pueden mostrar al encuestado. Una lista de cada combinación, o el factorial completo, puede llegar fácilmente a cientos o miles de paquetes. Obviamente, nunca podríamos mostrar a cada encuestado todos los paquetes posibles. Pero ¿cómo podemos obtener información sobre la conveniencia de diferentes combinaciones?

De manera similar a otros enfoques experimentales, se aprovechan principios estratégicos y científicos para descifrar cómo obtener una lectura de todo el espacio de combinación mostrando solo un subconjunto.Los diseños experimentales en conjuntos maximizan la cantidad de puntos de datos y la cobertura entre paquetes potenciales, al tiempo que minimizan la cantidad de perfiles que exponemos al encuestado. .

Existen varios enfoques para determinar las tarjetas que se le presentarán al encuestado. Una tarjeta es un paquete o un perfil que se presenta al encuestado para su evaluación. En el pasado, cuando las computadoras no eran tan accesibles y potentes como ahora, los investigadores generaban tablas de diseño predefinidas y utilizaban como referencia.Identificaría la cantidad de características y niveles (a menudo un 3×3 o un 4×4) e iría a buscar la tabla de diseño correspondiente para incorporarla a su encuesta.Sin embargo, estas tablas reducen la cantidad de flexibilidad que la mayoría de los investigadores desean y necesitan para definir el espacio de atributo de función .

En la actualidad, la mayoría de los diseños conjuntos basados en elección y calificación encapsulan conjuntos de tarjetas factoriales fraccionarias que se presentarán a los encuestados. Factorial fraccionario significa que mostraremos una fracción del factorial completo.

Hay varios ingredientes clave para determinar qué subconjunto estratégico de perfiles se mostrará en la encuesta:

• Los conjuntos de cartas deben tener un equilibrio relativo en cada nivel. Esto significa que, dentro de una función, cada nivel debe estar incluido en un número similar de paquetes.
• No debería haber un nivel que se muestre en seis paquetes, mientras que otro nivel solo esté incluido en un paquete. Como ocurre con cualquier investigación de encuesta , las técnicas de aleatorización mejoran la validez de las respuestas y controlan el sesgo de orden de la psicología.
• Los diseños conjuntos son más adecuados cuando hay muchas versiones o bloques que incorporan un subconjunto de paquetes. Jordan Louviere (uno de los pioneros del modelado de opción ) y los fundadores de Sawtooth Software coinciden en que cuantas más versiones formen parte del diseño general, mejor. A cada encuestado se le asignaría una de esas versiones, lo que determinaría qué construcciones de paquetes se le presentarían.
• Otros principios que a menudo se incluyen en las discusiones sobre diseño conjunto son la ortogonalidad y la d-eficiencia.Existen debates sobre la necesidad e importancia de integrar estos conceptos en el diseño experimental para estudios conjuntos.

Las preguntas básicas que se deben introducir en la generación del diseño para el conjunto basado en la elección son: el número de preguntas o tareas que se le presentarán al encuestado, así como el número de opciones o alternativas que habrá por pregunta . El enfoque tradicional basado en la opción generalmente requiere dos opciones y permite al encuestado elegir entre la opción A y la opción B. Dicho esto, definitivamente es apropiado mostrar tres o más paquetes por pregunta. La pregunta principal que debe considerarse es si más alternativas crearán una experiencia abrumadora para el encuestado. A veces, simplemente evaluar dos paquetes para determinar sus preferencias puede ser una tarea abrumadora. Además, si se incluye la opción “ninguna de estas” en el estudio, el espacio en la pantalla podría permitir una mejor experiencia con dos opciones y ninguna.

La cantidad de preguntas que comprenderán la parte conjunta de la encuesta debe calcularse en función de la cantidad de opciones por tarea , así como del tamaño de los atributos conjuntos que se estén probando. La fórmula general para determinar el número de cartas que se deben mostrar es:

Número de tarjetas = Número total de niveles – Número de Función + 1

El número total de niveles es simplemente la suma del número de niveles en todas las funciones. En función del número total de tarjetas y el número de opciones por pregunta, es fácil realizar ingeniería inversa del número de preguntas.

Sin embargo, algunas llamadas son más subjetivas que otras. Por ejemplo, es posible que deba decidir si la encuesta se debe acortar reduciendo el número de preguntas y aumentando los paquetes por pregunta, o si eso perjudica la calidad de los datos. El mejor enfoque para resolver el equilibrio entre preguntas y alternativas por pregunta es simplemente probar. Crea la encuesta y respóndela. Distribuyalo entre sus colegas y obtenga su opinión sobre la densidad de la pregunta versus la longitud de la encuesta.

Cómo un conjunto Qualtrics genera su diseño experimental

Qualtrics utiliza un enfoque de diseño de equilibrio aleatorio que fomenta cierta superposición, pero no demasiada, con los niveles. El enfoque es similar al de Sawtooth. Diseño de superposición equilibrada . Este enfoque es muy eficaz cuando se combina con técnicas de estimación bayesiana jerárquica.La base del enfoque de diseño es presentar a los diferentes encuestados diferentes paquetes para que los evalúen. Queremos asegurarnos de que los diferentes niveles estén adecuadamente representados para la evaluación. El diseño está formulado con versiones que es el conjunto de preguntas. Dentro de cada versión hay la misma cantidad de tareas y dentro de cada tarea hay el mismo número de opciones.

El número de versiones se calcula mediante la siguiente fórmula:

Número de versiones = (Número base * Número máximo de niveles en cualquier función) / (Número de opciones por pregunta * número de preguntas)

El resultado de esta fórmula se redondea al número redondo más cercano divisible por 10.

El número base es 750 si nuestro número total de niveles en todas las funciones es menor o igual a 10, y es 1000 si el número total de niveles en todas las funciones es mayor que 10.

El algoritmo primero genera aleatoriamente paquetes para cada una de las tareas y opciones. Luego, realiza controles en cada versión para garantizar que haya un equilibrio relativo en la cantidad de veces que se muestra cada nivel . El algoritmo no obliga a que cada nivel se muestre exactamente la misma cantidad de veces, pero sí garantiza que la diferencia entre el nivel más visto en esa versión y el nivel menos visto no sea mayor que una desviación de dos. Las versiones que no cumplen estas condiciones se refactorizan hasta que cumplan con las reglas de equilibrio. El algoritmo continúa hasta que se genera el número deseado de versiones.

Encuesta y tamaño de la Muestra

Programación de Encuesta

El Análisis conjunto se basa en las respuestas recopiladas a través de la encuesta. La encuesta es el punto de contacto con los encuestados donde se presenta el diseño y se realizan selecciones de compensaciones.

Cuando se realiza un estudio conjunto, generalmente es el foco de la encuesta, pero no la totalidad de ella. Es fundamental que el ejercicio conjunto dentro de la encuesta sea conciso y bien estructurado. Los datos y la información serán tan precisos como claros sean los paquetes. Una encuesta conjunta comúnmente puede incluir Preguntas de selección (para garantizar que el tipo correcto de encuestado pase), una introducción con recurso educativos y preguntas demográficas. . No existen reglas estrictas sobre cuántas otras preguntas se pueden agregar a un estudio conjunto, o en qué parte del estudio se pueden agregar. Flujo de la Encuesta El conjunto debe caer. Cabe señalar que cualquier pregunta que se les haga a los encuestados fuera del ejercicio conjunto requiere tiempo y atención que de otra manera podrían dedicarse al ejercicio conjunto. La longitud de la Encuesta debe tenerse en cuenta a medida que se diseña y desarrolla el estudio. Fatigar a un encuestado es una forma segura de degradar el calibre del estudio. Las encuestas que duran más de 10 a 15 minutos son más susceptibles a la fatiga y a problemas de calidad de los datos.

Los datos recopilados de un estudio conjunto solo son precisos si el encuestado puede situarse de manera realista en una situación de compra real. Asegurarse de que el encuestado esté completamente informado sobre los paquetes entre los que elegirá es una necesidad dentro del análisis conjunto. Numerosos estudios están poniendo a prueba conceptos que son bien conocidos y con los que el público en general se identifica. Sin embargo, si ese no es el caso de su proyecto, se debe dedicar tiempo antes de la reunión para educar adecuadamente al encuestado a través de descripciones y/o videos. Cuanto más claro sea el paquete para el encuestador, más verdaderas serán las utilidades resultantes.

Además de que las descripciones sean simples y directas, el diseño de las tarjetas también debe facilitar la comprensión y la claridad. Esto permite al encuestado hacer comparaciones y responder de manera definitiva.

Tamaño de muestra

La cantidad de respuestas que debe recopilar y la relevancia para las personas que realizan la encuesta son fundamentales para el éxito y la precisión de los resultados conjuntos. Aquí hay una ecuación que Sawtooth Software utiliza para determinar la cantidad de respuestas:

Número de encuestados = (multiplicador*c)/(t*a)

multiplicador = 750-1000

c = mayor número de niveles en todas las funciones

t = número de tareas o preguntas

a = número de alternativas u opciones por pregunta

Recomendamos que el multiplicador sea 750 para proyectos más grandes y 1000 para proyectos más pequeños. Sawtooth recomienda un multiplicador de 300 a 500, pero creemos que un número mayor proporciona resultados y simulaciones más concluyentes.

Es importante que las personas que realicen el ejercicio conjunto reflejen a aquellas que estarían involucradas en la compra, el pedido y la elección de su producto o servicio. Con frecuencia, los investigadores definirán criterios de selección al comienzo de la encuesta para garantizar que se recopilen opiniones pertinentes.Alternativamente, los grupos a menudo tendrán listas de clientes actuales o potenciales a quienes pueden implementar la encuesta .

Modelado del análisis conjunto

Visión general

El análisis conjunto es donde los datos se convierten en predicciones y modelos. Es donde las selecciones de los encuestados se traducen en preferencias. El resultado del análisis permitirá comprender qué es valioso y qué no, y arrojará luz sobre cómo deben agruparse las combinaciones.

El núcleo del análisis es el modelo estadístico que estima la utilidad que los encuestados asignan a cada nivel. Debido al modelado estadístico, el análisis conjunto obtiene la reputación de ser “complejo”, pero esto también es lo que le permite tener la reputación de ser una técnica de investigación de clase mundial. Existen varios enfoques estadísticos utilizados para calcular las preferencias de utilidad, incluidos la regresión y el modelado logístico multinomial, generalmente realizados a nivel agregado.

Independientemente de la forma en que se modelen las selecciones de la encuesta , el resultado debe ser coeficientes de utilidad que representen el valor o la preferencia que la base de encuestados tiene por los distintos niveles de cada función. Para diseños y métodos de análisis que permitan cálculos de puntajes de utilidad a nivel individual, podemos derivar modelos de preferencia para cada encuestado. Esto puede resultar ventajoso por varias razones, entre ellas la segmentación de varios cortes de datos, el análisis de clases latentes y las simulaciones. El enfoque principal adoptado para generar modelos de utilidad basados en individuos es la estimación Bayes jerárquica (HB). Esta técnica utiliza métodos bayesianos para derivar probabilísticamente el valor relativo de cada variable que se prueba.

Estimación jerárquica de Bayes

La estimación Bayes jerárquica (HB) es un proceso iterativo que abarca un modelo de nivel inferior que estima las utilidades relativas del individuo para los atributos evaluados, así como un modelo de nivel superior que señala las predicciones de preferencia de la población. Estos dos trabajan juntos hasta que el análisis converge en los coeficientes que representan el valor de cada atributo para cada individuo. La estimación de HB toma prestada información de otras respuestas para obtener resultados a nivel individual aún mejores y más estables. Es muy robusto y nos permite obtener lecturas realmente buenas de las preferencias de los clientes, incluso presentando menos tareas al encuestado.

La técnica se considera “jerárquica” debido a los modelos de nivel superior e inferior. Este enfoque estima las preferencias promedio (modelo de nivel superior) y luego mide cuán diferente es cada encuestado de esa distribución para derivar sus utilidades específicas (modelo de nivel inferior). El proceso se repite a lo largo de una serie de iteraciones para ayudarnos en última instancia a precisar la probabilidad de que se seleccione un concepto específico en función de su construcción. Qualtrics utiliza específicamente un modelo de regresión logística multinomial.

La solución de análisis conjunto de Qualtrics utiliza la estimación bayesiana jerárquica escrita en ESTANTAR para calcular las utilidades de preferencia individual. Qualtrics ejecuta 1000 iteraciones por cadena de Markov y ejecuta 4 cadenas.

Coeficientes de utilidad a Nivel individual

El resultado del modelo bayesiano son puntuaciones de preferencia que representan la utilidad que el individuo atribuye a cada nivel.Estas puntuaciones se denominan frecuentemente utilidades parciales y son la base de todas las métricas de resumen y simulaciones derivadas del estudio conjunto.El archivo de utilidad tendría una fila para cada encuestado incluido en el análisis conjunto y una columna para cada nivel único de prueba dentro del estudio. Al modelar las preferencias de cada encuestado, las utilidades nos ayudan a predecir qué selecciones harían los encuestados ante diferentes paquetes. Las utilidades son de naturaleza ordinal y nos indican el orden de preferencia de cada nivel probado con cierta magnitud de contribución a la utilidad total del paquete.

Los puntajes de utilidad de Partworth están centrados en cero y generalmente están dentro del rango de -5 a +5. En la solución conjunta, las puntuaciones de utilidad bruta para cada individuo pueden ser exportado a un CSV usando la opción Métricas de resumen .

Métricas de resumen e informes conjuntos

Métricas de resumen conjuntas

Con los coeficientes de utilidad derivados como base del análisis, se pueden preparar resultados y entregables para mostrar los hallazgos del estudio. Serán los componentes básicos de todas las métricas y simulaciones de resumen. A continuación se detallan las métricas de resumen principales que suelen acompañar al análisis conjunto .

• Importancia de las Función :La cantidad de influencia e impacto que tiene una función en la toma de decisiones entre configuraciones de producto. Cuanto mayor sea la importancia de una función , mayor peso y control tendrá en lo que hace que un producto sea favorable. La importancia de una Función se calcula tomando la distancia entre el mejor y el peor nivel dentro de esa función. Cuanto mayor sea la distancia, más importante será la función. Una forma sencilla de pensar en la importancia de una función es que los niveles de esa función tienen un gran impacto en si un paquete se selecciona o no en un modelo conjunto basado en elección.
• Puntuaciones de utilidad promedio :La puntuación de utilidad promedio de cada nivel entre todos los encuestados. Estos son de naturaleza ordinal y mostrarán la preferencia relativa entre niveles. Las utilidades promedio pueden brindar cierta comprensión direccional, pero no deberían ser una métrica independiente para resumir el análisis conjunto.
• Puntuaciones de preferencia de primera Opción :Los puntajes de preferencia de primera opción indican el porcentaje de encuestados que encontraron la mayor utilidad en los diferentes niveles. Dentro de los coeficientes de utilidad de cada encuestado habrá un nivel máximo o más preferido dentro de cada función. Las puntuaciones de primera opción serán la distribución de los encuestados que encontraron que ese nivel era la mejor opción para esa función.
• Compartir preferencia :La cuota de preferencia es la medida de la probabilidad de que se elija un nivel sobre otro manteniendo constantes todos los demás componentes de la función . Es un producto de las utilidades que se calculan utilizando un modelo de regresión logística multinomial y se deriva exponenciando la utilidad de nivel y dividiéndola por la suma de todos los niveles exponenciados dentro de la función.
• Disposición a pagar :La cantidad de dinero que un cliente está dispuesto a pagar por un atributo particular de un producto en comparación con otro atributo. Normalmente recomendamos que se defina un caso base o nivel de caso actual y luego podemos determinar cuánto más o menos están dispuestos a pagar en comparación con el nivel base. Cada nivel puede tener una disposición a pagar en comparación con el caso base. Esto sólo se puede utilizar cuando el precio o el costo es una función en el análisis conjunto. Se calcula encontrando la cantidad de diferencia de utilidad entre los diferentes puntos de precio y luego aplicando esa relación de dólar por utilidad a los otros niveles y sus puntajes de utilidad. Generalmente nos gusta calcular la disposición a pagar a nivel del encuestado y luego agregarla y resumirla.
• Paquetes óptimos :Este es el paquete óptimo en cuanto a maximizar la preferencia y el atractivo del cliente. Puede que este no sea siempre el enfoque exacto hacia el cual una organización desea avanzar, ya que el costo de implementación puede ser prohibitivo, pero puede orientar la dirección.

Informes sobre los Información del análisis conjunto

El Análisis conjunto puede proporcionar una variedad de información increíble sobre el comportamiento previsto de los clientes. Diferentes métricas y gráficos pueden mostrar tendencias y puntos en común en las respuestas. Pero el resultado principal de un estudio de análisis conjunto siempre debe ser el conjunto simulador . El simulador debería ser la herramienta opción para responder preguntas clave como las compensaciones que harían los clientes y cómo se compararían los diferentes paquetes entre sí. Las métricas de resumen enumeradas anteriormente son útiles y cumplen una función, pero siempre deben remitirlo al simulador.

Simulaciones de análisis conjunto

¿Qué es un simulador?

El análisis conjunto simulador es una herramienta interactiva que facilita la prueba y predicción de preferencias entre configuraciones de productos plausibles. El simulador normalmente incluye una serie de menús desplegables que permiten la creación de paquetes que consisten en los atributos que se incluyeron en el estudio conjunto. En esencia, el análisis conjunto es una técnica para reconocer las compensaciones que los clientes harían si se les presentaran diferentes opciones. El simulador de preferencias materializa este objetivo al informar las compensaciones estimadas que los clientes harían si se les presentaran dos o más opciones. Los escenarios potenciales dentro de un simulador pueden ser astronómicos a medida que se construye el producto y segmentos Incluir puede ser alterado.

Además del obvio análisis de compensaciones, hay una variedad de usos que son extremadamente valiosos para obtener información de los resultados conjuntos. Las prácticas más frecuentes con el simulador son la ejecución del análisis del panorama competitivo, la mejora de un caso base del producto y el valor relativo de los atributos del producto.

Objetivos comerciales cubiertos por el simulador conjunto

Análisis del panorama competitivo con un simulador

Las empresas saludables con frecuencia miran por encima del hombro para investigar cómo se compara la competencia. El Análisis conjunto es una gran herramienta para descubrir cómo se compararían las posibles configuraciones de productos de una empresa con las opciones competitivas en el mercado. Sin embargo, esto depende de que los atributos de los productos competidores se incluyan en las características y niveles del estudio. Dentro del simulador, se pueden diseñar los atributos del producto del competidor y luego, con las opciones restantes, se pueden definir diferentes paquetes para obtener una vista previa de cómo se compararían con el mercado existente.

Mejorar un producto existente con un simulador

A menudo, los productos necesitan pasar por renovaciones y mejoras para mantenerse por delante de los competidores y seguir siendo relevantes e innovadores. Esto requiere ajustes progresivos. Un estudio conjunto es una metodología fantástica para comprender dónde las empresas pueden realizar los cambios más convincentes para entusiasmar a nuevos prospectos y retener a sus usuarios actuales. Con los datos en la mano, se puede utilizar un simulador para capturar las hipótesis sobre cómo realizar cambios en los atributos. La “Opción 1” dentro del simulador se puede configurar para que sea el producto actual , y el controlador puede cambiar iterativamente la “Opción 2” para discover dónde están disponibles las mayores ganancias.

Medición del valor relativo de los atributos del producto con un simulador

Cualquier producto es, en esencia, una combinación de múltiples características. Es una suma de sus partes. Comprender la preferencia de esas partes es esencial para el análisis conjunto. Ampliando el concepto de “preferencia”, tiene sentido intentar cuantificar aún más el valor de cada nivel. Si el precio se incluye dentro del conjunto de atributo , el simulador puede ser una herramienta excelente para inferir ese valor. El proceso sería reflejar la misma configuración del producto en la “Opción 1” y la “Opción 2”. Al cambiar un solo nivel o un grupo de niveles , encontrarás el acción preferencial ya no son iguales. Con la otra opción, mueva el nivel de precios para encontrar dónde los dos paquetes ahora son iguales nuevamente. La diferencia de precio entre la “Opción 1” y la “Opción 2” puede interpretarse como el valor relativo de ese nivel o grupo de niveles.

Preguntas frecuentes