Clustering de la différence maximum

À propos de la segmentation MaxDiff

Au sein des populations interrogées, les personnes interrogées sont des groupes de personnes partageant le même point de vue. Ces groupes, ou « groupes », peuvent être déterminés par la similarité des fonctionnalités préférées de chaque répondant. En regroupant chaque répondant en fonction de son utilité individuelle pour chaque attribut, nous pouvons déterminer les sous-populations et les données démographiques qui composent ces sous-populations.

Préparation d’une enquête pour le clustering

Avant de pouvoir utiliser la segmentation MaxDiff, vous devez vous assurer que l’enquête de votre projet de différence maximum pose les bonnes questions. Cela signifie que vous devez configurer certaines fonctionnalités avant de collecter des données.

Dans l’onglet Enquête, assurez-vous d’avoir ajouté des questions à un bloc autre que la différence maximum. Dans l’exemple ci-dessous, le bloc Données démographiques a une question sur l’âge, le nombre de personnes dans le ménage du répondant et bien plus encore.

Le bloc Données démographiques se trouve juste au-dessus du bloc Différence maximum, bien que vous puissiez le déplacer à votre convenance.

Mise en forme des questions

Vous pouvez uniquement effectuer une mise en cluster MaxDiff à l’aide de questions à choix multiples à sélection unique. En effet, ils offrent une sélection finie de choix facilement analysables.

• Données démographiques : demandez des informations descriptives de base, telles que l’âge, la tranche de revenus, la race ou le sexe.
• Comportement : demandez aux clients comment interagir avec votre marque et vos produits, ou aux comportements liés à leur comportement d’achat. Par exemple, vous pouvez demander à quelle fréquence le client fait ses courses.
• Données opérationnelles : il s’agit d’informations telles que le temps passé sur votre site Web ou l’occupation d’un salarié dans votre société.
• Formats de question : mettez en forme les questions sur les comportements et les croyances sous forme d’échelles. La plage sur une échelle peut nous aider à comprendre quels points d’échelle sont corrélés et donc grossièrement dans le même cluster ; les questions Oui/Non et à sélection unique ne sont pas aussi utiles pour l’analyse de groupes.
  Exemple : si vous demandez « Quel type d’acheteur êtes-vous ? » et proposer les options « Privilégier le shopping dans les centres commerciaux », « Privilégier les achats en ligne » et « Préférer faire ses courses dans les boutiques », l’algorithme de regroupement voudra diviser les répondants en trois groupes, un pour chaque réponse. Si vous avez plutôt posé ces questions sous la forme d’une série de questions (par exemple, « Aimez-vous faire vos courses dans les centres commerciaux ? ») avec les réponses 1 à 7, l’algorithme de clustering fera un meilleur travail pour vraiment discerner ce qui sépare les différents acheteurs les uns des autres.

Activation des clusters

Clustering se trouve dans la section Clustering MaxDiff de l’onglet Reports.

Pour que les données apparaissent pour la première fois, vous devrez peut-être cliquer sur Actualiser dans la section Analyse de différence maximum.

Ajustement des données démographiques utilisées dans le regroupement

Par défaut, la mise en cluster MaxDiff utilisera chaque question d’enquête à choix multiples que vous avez effectuée. Cependant, vous n’avez pas besoin d’utiliser toutes les questions si vous ne le souhaitez pas et vous pouvez ajouter et supprimer du contenu pour voir les différents groupes recommandés par cette fonctionnalité.

Suppression des données démographiques

Dans la zone à droite de l’en-tête Détails du cluster, cliquez sur le X d‘une question pour la supprimer de l’analyse du cluster. La suppression d’une question n’entraîne pas le recalcul des clusters.

Ajout de données démographiques

Dans la zone à droite de l’en-tête Détails du cluster, cliquez sur la flèche déroulante. Sélectionnez ensuite les questions que vous souhaitez rajouter aux clusters.

Clusters recommandés

Une fois que vous avez collecté suffisamment de données et actualisé votre page de mise en cluster MaxDiff, cette fonctionnalité vous recommandera des clusters. Ces groupes sont déterminés en fonction de la similarité des fonctionnalités préférées des répondants.  Leur utilité individuelle pour chaque attribut est calculée, puis les données démographiques communes à ces groupes sont mises en évidence afin que vous puissiez mieux comprendre comment les différentes populations préfèrent vos produits.

Mettez en surbrillance un cluster dans le graphique supérieur pour en savoir plus sur ce cluster. Cliquez dessus pour ouvrir les détails du cluster ci-dessous.

Détails du cluster

1. Résumé : la barre supérieure des détails du cluster donne un résumé rapide des détails les plus importants, principalement le cluster auquel il s’agit, la signification statistique du cluster, la manière dont les répondants ont généralement répondu aux questions démographiques, le nombre de réponses dans ce cluster et le pourcentage de réponses auquel ce cluster s’applique. Vous pouvez également cliquer sur cette partie pour développer et réduire le reste des informations.
   Exemple : dans le groupe 1 représenté ici, les réponses proviennent généralement de personnes qui possèdent leur propre appartement. 4 répondants correspondent généralement à ce modèle, qui correspond à 80 % de l’ensemble de données. Il s’agit d’un très petit ensemble de données, il est donc probable que les décisions ne doivent pas être prises sur la base de ces résultats. Cela est également indiqué par la faible force du cluster.
2. Démographie : série de barres de répartition affichant la manière dont les membres de ce cluster ont répondu aux questions démographiques. Chaque barre de répartition est étiquetée par la réponse la plus fortement corrélée aux scores de l’utilitaire pour les fonctionnalités les plus préférées. Cependant, vous verrez que les personnes d’un cluster varieront dans leur réponse.
   Exemple : le revenu annuel du cluster 1 est répertorié comme « 20 000 $ – 29 000 $ ». Cependant, ce n’est pas le revenu annuel le plus courant pour ce cluster, car on peut voir la barre pour « 70 000 $ – 79 000 $ » à la fin, c’est beaucoup plus long. C’est parce que ceux qui ont un revenu inférieur sont tout simplement plus susceptibles d’avoir des prix raisonnables, de la durabilité, etc. que ceux du groupe qui ont un revenu annuel plus élevé.
3. Cinq principales fonctionnalités : il s’agit des cinq caractéristiques que les membres du cluster étaient le plus susceptibles d’indiquer comme étant leurs préférées lors de la sélection de fonctionnalités dans une liste. Les données démographiques mises en surbrillance ont des scores d’utilité élevés pour les attributs sélectionnés ici.
4. Aperçu de l’analyse : cliquez sur ce bouton pour afficher le rapport d’analyse de différence maximum pour les données de ce cluster uniquement.

Détermination de la force du cluster

Qualtrics utilise une mesure appelée évaluation de la silhouette pour déterminer la force de chaque cluster. Ce score génère une valeur comprise entre 0 et 1 qui détermine le degré de regroupement des répondants. Nous utilisons le tableau suivant pour convertir le score de silhouette en force de cluster :

&nbsp ;

Application de clusters aux rapports

Les clusters peuvent être appliqués au rapport d’analyse de différence maximum afin que vous puissiez voir des détails plus spécifiques sur la manière dont les répondants de ce cluster ont évalué les attributs qui leur sont présentés.

Dans la section Analyse de différence maximum de l’onglet Rapports, sélectionnez un cluster dans la liste déroulante Segments en haut à gauche.

Vous pouvez également sélectionner Aperçu de l’analyse lorsqu’un cluster est sélectionné dans la section Clustering MaxDiff de l’onglet Rapports.