análise conjunta Declaração de segurança

O que é a análise conjunta?

Definição

Análise conjunta é uma técnica de pesquisa de mercado para medir a preferência e a importância que os entrevistados (clientes) atribuem aos vários elementos de um produto ou serviço. Ele pode desempenhar um papel fundamental na compreensão das compensações que as pessoas fariam quando recebessem diferentes opções de produtos e diferentes configurações de produtos. No centro da análise conjunta está a ideia de que os atributos do produto podem aumentar ou diminuir a probabilidade de compra de um pacote geral; assim, podemos quantificar essa preferência.

Como é realizada uma análise conjunta?

Análise conjunta é conduzida mostrando aos participantes pacotes variados (também chamados de pacotes, produtos ou opções). Os participantes são instruídos a avaliar esses pacotes e selecionar um com base no que eles têm maior probabilidade de comprar ou no que é mais atraente para eles. O entrevistado terá que escolher entre uma série de pacotes, fazendo concessões à medida que avança.

As pesquisas conjuntas geralmente têm de dois a quatro pacotes por pergunta. As seleções feitas pelos participantes esclarecem quais recursos e combinações de característica aparecem com mais frequência nos pacotes favoráveis, bem como quais recursos e combinações característica são mais comuns entre os pacotes desfavoráveis.

As etapas para executar uma análise conjunta são:

1. Determine os atributos a serem testados na análise conjunta.
2. Gerar o projeto experimental.
3. Projete a pesquisa que hospeda as tarefas conjuntas.
4. Coletar respostas.
5. Analisar os resultados conjuntos.
6. Relate as descobertas.

Cada uma dessas etapas se baseia na anterior e trabalha para atingir o objetivo final: compreender as compensações e preferências favoráveis da base de clientes.

A Qualtrics desenvolveu uma solução XM que permite que os pesquisadores realizem pesquisas mais amplas, permitindo que eles conduzam análise conjunta forma rápida e simples e submetam os entrevistados a exercícios de escolha. Há diferentes métodos e abordagens para coletar os dados opção de resposta, conhecidos como tipos conjuntos. A solução Qualtrics XM atualmente suporta análise conjunta(discreta) baseada em escolha.

análise conjunta responde a quais objetivos comerciais?

A Conjoint é especializada em responder a perguntas que nenhuma outra metodologia pode responder. Algumas dessas perguntas incluem:

• Qual característica ou funcionalidade de um produto é mais importante e influente para medir a preferência e o apelo?
• Em que os clientes se concentram ao tomar a decisão de compra? O que tem o maior impacto sobre o fato de eles comprarem ou não?
• Qual é o papel do preço na tomada de decisões e quais são os pontos ideais de precificação?
• Qual será a sensibilidade dos clientes às mudanças nos preços?
• Qual é o valor monetário ou relativo para o mercado de cada um dos recursos que estamos pensando em incluir? Quanto a mais os clientes estariam dispostos a pagar por um característica premium?
• Quais são as compensações que nossos clientes provavelmente farão? Se soubermos que precisamos aumentar o preço, que recursos ou funcionalidades podemos acrescentar à nossa oferta para não perdermos o apelo e a participação no mercado?
• Como é a participação de mercado de diferentes produtos? Como a mudança e a alteração da configuração do produto afetam a participação no mercado?
• Como os produtos que estamos considerando se comparam aos da concorrência? O que podemos fazer para competir da melhor forma possível com o que existe atualmente no mercado?
• Se estivermos procurando fazer alterações em nosso produto existente, quais são os melhores aprimoramentos que podemos fazer? O que repercutirá melhor em nossos clientes atuais?
• Qual é o produto ideal que podemos oferecer para aumentar o número de compradores? Para maximizar nossa receita? Para maximizar nossos lucros?

Como você pode ver, análise conjunta pode fornecer insights para questões comerciais diversas e dinâmicas – e essas são apenas as perguntas relacionadas a produtos que ela responde. A extensão e a legitimidade dessa lista são um dos principais motivos pelos quais aqueles que realizam regularmente análises conjuntas gostam tanto delas. As conjunções proporcionam uma visão de uma ampla gama de objetivos comerciais e podem fornecer confiança crucial para pesquisadores e organizações.

Definição dos atributos conjuntos

Característica e níveis

A estrutura das variáveis que queremos incorporar em uma análise conjunta é recursos e níveis. Os recursos são as categorias primárias das variáveis; cada característica consiste em um conjunto de níveis, que são unidades mais específicas de cada característica.

Há um equilíbrio complicado para decidir quais recursos e níveis serão incorporados ao estudo. Se você não testar uma variável, não terá nenhuma visão sobre sua preferência, mas testar muitos recursos e níveis pode levar à fadiga do respondente, a respostas inconsistentes e a dados inúteis.

Não existe uma abordagem única para todos os casos quando se trata do número de perguntas e pacotes que você apresenta a cada respondente. Embora diferentes tipos de conjoint possam facilitar mais ou menos variáveis, tradicionalmente os pesquisadores gostariam de incluir de 2 a 8 características com 2 a 7 níveis por característica. Como essa experiência é a mais adequada para o entrevistado, ela é considerada o ponto ideal para a análise conjunta baseada em escolhas e, em geral, produzirá os melhores resultados.

Lembre-se de que, quanto mais recursos e níveis você incluir, mais difícil e desgastante será o conjunto para os entrevistados. Mais recursos e níveis significam que precisamos fazer mais perguntas. Esse cabo de guerra entre testar ou não um atributo do produto é uma decisão importante que não deve ser negligenciada. Os pesquisadores devem considerar cuidadosamente o que deve ser inserido no conjoint e o que deve ser excluído.

Independentemente do número de atributos que você testar no conjoint, é essencial que eles sejam claros e concisos. Se os entrevistados não conseguirem entender os pacotes que estão analisando, os dados não significarão nada. O texto usado para os recursos e seus níveis deve descrevê-los de forma clara, mas precisa. O criador do estudo deve considerar e até mesmo se concentrar no participante da pesquisa e em seu contexto do produto que está sendo examinado. Pergunte a si mesmo: “Alguém de fora de nossa empresa entenderá esses pacotes?”

Lembre-se de que um texto extenso pode sobrecarregar a página e tornar as tarefas opção de resposta desanimadoras e opressivas. Um aprimoramento fantástico pode ser o uso de imagens quando encontrar as palavras certas para definir um atributo parece desafiador. a frase “Uma imagem vale mais que mil palavras” pode soar verdadeira na análise conjunta.

Exclusões & Pares proibidos

Quando a equipe estiver determinando os atributos do produto a serem testados, é importante procurar combinações que simplesmente não fazem sentido. Esses não são necessariamente dois níveis que provavelmente não serão combinados, mas dois níveis que seriam confusos e impossíveis de combinar. Normalmente, eles são chamados de exclusões, ou pares proibidos.

A remoção de pares proibidos cria buracos em nosso projeto e modelo e reduz a natureza independente das variáveis, portanto, eles devem ser evitados sempre que possível.

Projeto experimental

Projeto experimental e análise conjunta

A natureza da maioria dos projetos análise conjunta é que nem todas as combinações podem ser exibidas a um respondente. Uma lista de todas as combinações, ou o fatorial completo, pode facilmente chegar a centenas ou milhares de pacotes. Obviamente, nunca poderíamos mostrar a cada entrevistado todos os pacotes possíveis. Mas como podemos obter insights sobre a favorabilidade de diferentes combinações?

Semelhante a outras abordagens experimentais, os princípios estratégicos e científicos são aproveitados para decifrar como obter uma leitura de todo o espaço de combinação, mostrando apenas um subconjunto. Os projetos experimentais em conjoints maximizam o número de pontos de dados e a cobertura dos pacotes potenciais, ao mesmo tempo em que minimizam o número de perfis que expomos ao entrevistado.

Há várias abordagens para determinar os cartões que serão apresentados ao respondente. Um cartão é um pacote ou um perfil que está sendo apresentado ao respondente para avaliação. No passado, quando os computadores não eram tão acessíveis e poderosos como são agora, tabelas de design predefinidas eram geradas e referenciadas pelos pesquisadores. Você identificaria o número de recursos e níveis (geralmente 3×3 ou 4×4), encontraria a tabela de design correspondente e a incorporaria à sua pesquisa. No entanto, essas tabelas reduzem o grau de flexibilidade que a maioria dos pesquisadores deseja e precisa para definir o espaço atributo característica.

Agora, a maioria dos designs de conjoint baseados em escolha e conjoint baseados em classificação engloba conjuntos de cartões fatoriais fracionários que serão apresentados aos respondentes. Fatorial fracionário significa que mostraremos uma fração do fatorial completo.

Há vários ingredientes importantes para determinar qual subconjunto estratégico de perfis será exibido na pesquisa:

• Os conjuntos de cartas devem ter um equilíbrio relativo em cada nível. Isso significa que, em um característica, cada nível deve ser incluído em um número semelhante de pacotes.
• Não deveria haver um nível que é mostrado em seis pacotes, enquanto outro nível está incluído em apenas um pacote. Como em qualquer pesquisa pesquisa, as técnicas de randomização melhoram a validade das respostas e controlam o viés de ordem psicológica.
• Os designs conjuntos são mais adequados quando há muitas versões ou blocos que incorporam um subconjunto de pacotes. Jordan Louviere (um dos primeiros pioneiros da modelagem de opção de resposta ) e os fundadores da Sawtooth Software concordam que quanto mais versões fizerem parte do design geral, melhor. Um respondente seria atribuído a uma dessas versões, o que determinaria quais construções de pacote seriam apresentadas a ele.
• Outros princípios frequentemente incluídos nas discussões de design conjunto são a ortogonalidade e a d-eficiência. Há debates sobre a necessidade e a importância de integrar esses conceitos ao projeto experimental para estudos conjuntos.

As perguntas básicas que precisam ser inseridas na geração de design para a combinação baseada em escolha são o número de perguntas ou tarefas que serão apresentadas ao respondente, bem como o número de escolhas ou alternativas que haverá por pergunta. A abordagem tradicional baseada em opção de resposta normalmente exige duas opções, e o respondente deve escolher entre a opção A e a opção B. Dito isso, é definitivamente apropriado mostrar três ou mais pacotes por pergunta. A principal questão que precisa ser analisada é se mais alternativas criarão uma experiência esmagadora para o respondente. Às vezes, a simples avaliação de dois pacotes de preferência pode ser uma tarefa assustadora. Além disso, se uma opção “nenhum desses” for incluída no estudo, o espaço da tela poderá proporcionar uma experiência melhor com duas opções e nenhuma.

O número de perguntas que comporão a parte conjunta da pesquisa deve ser calculado com base no número de opções por tarefa, bem como no tamanho dos atributos conjuntos que estão sendo testados. A fórmula geral para determinar o número de cartões que devem ser exibidos é

:Número de cartões = Número total de níveis – Número de Característica + 1O

número total de níveis é simplesmente a soma do número de níveis em todos os recursos. Com base no número total de cartões e no número de opções por pergunta, é fácil fazer a engenharia reversa do número de perguntas.

Entretanto, algumas chamadas são mais subjetivas do que outras. Por exemplo, talvez seja necessário decidir se a pesquisa deve ser encurtada, reduzindo o número de perguntas e aumentando os pacotes por pergunta, ou se isso prejudicará a qualidade dos dados. A melhor abordagem para resolver o equilíbrio entre perguntas e alternativas por pergunta é simplesmente testar. Crie a pesquisa e responda-a. Distribua-o aos colegas e obtenha a opinião deles sobre a densidade da pergunta em relação à extensão da pesquisa.

Como um Qualtrics Conjoint gera seu projeto experimental

A Qualtrics usa uma abordagem de design de equilíbrio aleatório que incentiva alguma, mas não muita, sobreposição com os níveis. A abordagem é semelhante ao Balanced Overlap Design da Sawtooth. Essa abordagem é altamente eficaz quando associada a técnicas de estimativa bayesiana hierárquica. A base da abordagem de design é apresentar a diferentes respondentes diferentes pacotes para que eles avaliem. Queremos garantir que os diferentes níveis sejam representados adequadamente para avaliação. O projeto é formulado com versões, que é o conjunto de perguntas. Em cada versão, há a mesma quantidade de tarefas e, em cada tarefa, há o mesmo número de opções.

O número de versões é calculado usando a seguinte fórmula:

Número de versões = (Número base * Número máximo de níveis em qualquer característica) / (Número de opções por pergunta * número de perguntas)

O resultado dessa fórmula é arredondado para o número redondo mais próximo divisível por 10.

O número base é 750 se o número total de níveis em todos os recursos for menor ou igual a 10, e é 1.000 se o número total de níveis em todos os recursos for maior que 10.

O algoritmo primeiro gera pacotes aleatoriamente para cada uma das tarefas e escolhas. Em seguida, ele faz verificações em cada versão para garantir que haja um equilíbrio relativo entre o número de vezes que cada nível é exibido. O algoritmo não força cada nível a ser mostrado exatamente o mesmo número de vezes, mas garante que a diferença entre o nível mais visto nessa versão e o nível menos visto não seja maior do que um desvio de dois. As versões que não atendem a essas condições são refatoradas até que estejam em conformidade com as regras de equilíbrio. O algoritmo continua até que o número desejado de versões seja gerado.

Pesquisa e amostragem; tamanho Amostra

Programação Pesquisa

Análise conjunta é alimentada pelas respostas coletadas por meio da pesquisa. A pesquisa é o ponto de contato com os entrevistados, onde o design é apresentado e são feitas as seleções de trade-off.

Quando um estudo conjunto é realizado, ele geralmente é o foco da pesquisa, mas não a totalidade dela. É fundamental que o exercício conjunto dentro da pesquisa seja conciso e bem estruturado. Os dados e as percepções só serão tão precisos quanto os pacotes forem claros. Uma pesquisa conjunta geralmente pode incluir perguntas de triagem (para garantir que o tipo certo de respondente seja selecionado), uma introdução com recursos educacionais e perguntas demográficas. Não há regras rígidas sobre quantas outras perguntas podem ser adicionadas a um estudo conjunto, ou em que parte do fluxo da Pesquisa o conjunto deve se encaixar. Deve-se observar que qualquer pergunta feita aos entrevistados fora do exercício conjunto consome o tempo e o foco que poderiam ser dados ao exercício conjunto. A duração da Pesquisa deve ser considerada à medida que o estudo for sendo projetado e construído. Fatigar um respondente é uma maneira infalível de degradar o calibre do estudo. Pesquisas que levam mais de 10 a 15 minutos são mais suscetíveis à fadiga e a problemas de qualidade de dados

Os dados coletados em um estudo conjunto só são precisos se o entrevistado puder se colocar de forma realista em um cenário de compra real. Garantir que o entrevistado esteja totalmente informado sobre os pacotes que ele selecionará é essencial na análise conjunta. Muitos estudos estão testando conceitos que são bem conhecidos e relacionáveis pelo público em geral. No entanto, se esse não for o caso de seu projeto, deve-se dedicar tempo antes do conjunto para instruir adequadamente o respondente por meio de descrições e/ou vídeos. Quanto mais claro for um pacote para o pesquisador, mais verdadeiros serão os utilitários resultantes.

Além de as descrições serem simples e diretas, o layout dos cartões também deve favorecer a compreensão e a clareza. Isso permite que o entrevistado faça comparações e responda de forma definitiva.

Tamanho da amostra

O número de respostas que você deve coletar e a relevância para os indivíduos que estão respondendo à pesquisa são fundamentais para o sucesso e a precisão dos resultados conjuntos. Aqui está uma equação que a Sawtooth Software usa para determinar o número de respostas:

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

multiplicador = 750-1000

c = maior número de níveis em todos os recursos

t = número de tarefas ou perguntas

a = número de alternativas ou opções por pergunta

Recomendamos que o multiplicador seja 750 para projetos maiores e 1000 para projetos menores. A Sawtooth recomenda um multiplicador de 300 a 500, mas achamos que um número maior fornece resultados e simulações mais conclusivos.

É importante que as pessoas que fazem o exercício conjunto reflitam as que estariam em jogo para comprar, encomendar e optar por seu produto ou serviço. Frequentemente, os pesquisadores definem os rastreadores no início da pesquisa para garantir que as opiniões pertinentes sejam coletadas. Como alternativa, os grupos geralmente têm listas de clientes atuais ou potenciais para os quais podem distribuir a pesquisa.

Modelagem da análise conjunta

Visão geral

A análise análise conjunta é onde os dados se transformam em previsões e modelos. É onde as seleções dos entrevistados são traduzidas em preferências. O resultado da análise será uma compreensão do que é valioso e do que não é, e esclarecerá como as combinações devem ser agrupadas.

O núcleo da análise é a modelagem estatística que estima a utilidade que os entrevistados atribuem a cada nível. Por causa da modelagem estatística, análise conjunta tem a reputação de ser “complexa”, mas isso também é o que permite que a análise conjunta tenha a reputação de ser uma técnica de pesquisa de classe mundial. Há várias abordagens estatísticas usadas para calcular as preferências de utilidade, incluindo regressão e modelagem logística multinomial, normalmente conduzidas em nível agregado.

Independentemente da maneira pela qual as seleções pesquisa são modeladas, o resultado deve ser coeficientes de utilidade que representem o valor ou a preferência que a base de respondentes tem para os diferentes níveis de cada característica. Para projetos e métodos de análise que permitem cálculos em nível individual de pontuações de utilidade, podemos derivar modelos de preferência para cada entrevistado. Isso pode ser vantajoso por vários motivos, incluindo a segmentação de vários cortes de dados, análise de classe latente e simulações. A principal abordagem adotada para produzir modelos de utilidade baseados em indivíduos é a estimativa Hierarchical Bayes (HB). Essa técnica usa métodos bayesianos para derivar de forma probabilística o valor relativo de cada variável que está sendo testada.

Estimativa hierárquica de Bayes

A estimativa hierárquica de Bayes (HB) é um processo iterativo que engloba um modelo nível inferior que estima as utilidades relativas do indivíduo para os atributos testados, bem como um modelo nível superior que aponta as previsões de preferência da população. Esses dois trabalham juntos até a análise convergir para os coeficientes que representam o valor de cada atributo para cada indivíduo. A estimativa HB empresta informações de outras respostas para obter resultados ainda melhores e mais estáveis em nível individual. Ele é muito robusto e nos permite obter leituras realmente boas das preferências dos clientes, mesmo apresentando menos tarefas ao entrevistado.

A técnica é considerada “hierárquica” por causa dos modelos nível superior e inferior. Essa abordagem estima as preferências médias (modelo de nível superior) e, em seguida, mede a diferença de cada entrevistado em relação a essa distribuição para derivar suas utilidades específicas (modelo nível inferior). O processo se repete em várias iterações para nos ajudar a aprimorar a probabilidade de um conceito específico ser selecionado com base em sua construção. O Qualtrics usa especificamente um modelo de regressão logística multinomial.

A solução Qualtrics análise conjunta Solution utiliza a estimativa Hierarchical Bayes escrita em STAN para calcular as utilidades das preferências individuais. O Qualtrics executa 1000 iterações por cadeia de Markov e executa 4 cadeias.

Coeficientes de utilidade Nível individual

O resultado do modelo bayesiano são pontuações de preferência que representam a utilidade que o indivíduo atribui a cada nível. Essas pontuações são frequentemente chamadas de utilidades de partworth e são a base de todas as métricas resumidas e simulações derivadas do estudo conjunto. O arquivo de utilitário teria uma linha para cada entrevistado incluído na análise conjunta e uma coluna para cada teste de nível exclusivo dentro do estudo. Ao modelar as preferências de cada entrevistado, as utilidades nos ajudam a prever quais seleções os entrevistados fariam quando confrontados com diferentes pacotes. As utilidades são de natureza ordinal e nos informam a ordem de classificação de cada nível testado com alguma magnitude de contribuição para a utilidade total do pacote de um pacote.

Os escores de utilidade de partworth são centrados em zero e geralmente estão dentro do intervalo de -5 a +5. Na solução conjunta, as pontuações brutas de utilidade para cada indivíduo podem ser exportadas para um CSV usando a opção Métricas de resumo.

Métricas resumidas e relatórios conjuntos

Métricas de resumo conjunto

Com os coeficientes de utilidade derivados como base da análise, os resultados e produtos podem ser preparados para mostrar as descobertas do estudo. Eles serão os blocos de construção de todas as métricas e simulações resumidas. As principais métricas de resumo que normalmente acompanham análise conjunta estão detalhadas abaixo.

• Importância Característica: A quantidade de influência e impacto que um característica tem na tomada de decisões entre as configurações do produto. Quanto maior a importância característica, mais peso e controle ele tem sobre o que torna um produto favorável. A importância Característica é calculada considerando a distância entre o melhor e o pior nível dentro desse característica. Quanto maior a distância, mais importante é o característica. Uma maneira simples de pensar sobre a importância característica é que os níveis desse característica têm um grande impacto sobre a seleção ou não de um pacote em um modelo conjunto baseado em escolha.
• Pontuações médias de utilidade: A pontuação média de utilidade de cada nível em todos os entrevistados. Eles são de natureza ordinal e mostrarão a preferência relativa entre os níveis. As utilidades médias podem fornecer algum entendimento direcional, mas não devem ser uma métrica autônoma para resumir a análise conjunta.
• Pontuações de preferência de primeira Opção de resposta: As pontuações de preferência de primeira opção de resposta indicam a porcentagem de entrevistados que acharam mais útil os diferentes níveis. Nos coeficientes de utilidade de cada entrevistado, eles terão um nível superior ou mais preferido em cada característica. As pontuações da primeira opção de resposta serão a distribuição dos entrevistados que consideraram esse nível a melhor opção para esse característica.
• Quota de preferência: A cota de preferência é a medida da probabilidade de um nível ser escolhido em detrimento de outro com todos os outros componentes característica mantidos constantes. É um produto das utilidades que estão sendo calculadas usando um modelo de regressão logística multinomial e é derivado exponenciando a utilidade nível e dividindo-a pela soma de todos os níveis exponenciados dentro do característica.
• Disposição para pagar: A quantidade de dinheiro que um cliente está disposto a pagar por um determinado atributo de um produto em comparação com outro atributo. Normalmente, recomendamos que seja definido um caso base ou um nível de caso atual e, em seguida, podemos determinar quanto a mais ou a menos eles estão dispostos a pagar em comparação com o nível base. Cada nível pode ter uma disposição a pagar em comparação com o caso base. Isso só pode ser usado quando o preço ou o custo for uma característica da análise conjunta. Ela é calculada encontrando a quantidade de diferença de utilidade entre os diferentes pontos de preço e, em seguida, aplicando essa relação de dólar por utilidade aos outros níveis e suas pontuações de utilidade. Normalmente, gostamos de calcular a disposição a pagar no nível do respondente e, em seguida, agregar e resumir.
• Pacotes ideais: Esse é o pacote ideal em relação à maximização da preferência e do apelo do cliente. Essa pode não ser sempre a abordagem exata que uma organização deseja adotar, pois o custo de implementação pode ser proibitivo, mas pode servir de orientação.

Relatórios sobre percepções da análise conjunta

Análise conjunta pode fornecer uma variedade de percepções incríveis sobre o comportamento previsto dos clientes. Diferentes métricas e gráficos podem mostrar tendências e pontos em comum nas respostas. Mas o principal resultado de um estudo análise conjunta deve ser sempre o simulador conjunto. O simulador deve ser a ferramenta opção de resposta para responder às principais perguntas, como as compensações que os clientes fariam e como os diferentes pacotes se comparariam entre si. As métricas resumidas listadas acima são úteis e servem a um propósito, mas devem sempre direcioná-lo de volta ao simulador.

Simulações análise conjunta

O que é um Simulador?

O simulador análise conjunta é uma ferramenta interativa que facilita o teste e a previsão da preferência entre configurações plausíveis de produtos. O simulador normalmente inclui uma série de menus suspensos que permitem a criação de pacotes que consistem nos atributos que foram incluídos no estudo conjunto. Em sua essência, análise conjunta é uma técnica para reconhecer as compensações que os clientes fariam quando lhes fossem apresentadas diferentes opções. O simulador de preferências incorpora esse objetivo, informando a estimativa da troca que os clientes fariam quando apresentados a duas ou mais opções. Os cenários potenciais dentro de um simulador podem ser astronômicos, pois as construções de produtos e os segmentos a serem incluídos podem ser alterados.

Além da óbvia análise de compensação, há uma variedade de usos que são extremamente valiosos para obter percepções dos resultados conjuntos. As práticas mais comuns com o simulador são a execução da análise do cenário competitivo, o aprimoramento de um caso básico de produto e o valor relativo dos atributos do produto.

Objetivos de negócios cobertos pelo Simulador Conjoint

Análise do cenário competitivo com um simuladorAs

empresas
saudáveis

frequentemente olham por cima do ombro para pesquisar como a concorrência se compara. Análise conjunta é uma ótima ferramenta para descobrir como as possíveis configurações de produtos de uma empresa se comparam às opções concorrentes no mercado. No entanto, isso depende de os atributos dos produtos concorrentes serem incluídos nos recursos e níveis do estudo. No simulador, os atributos do produto do concorrente podem ser apresentados e, em seguida, com as opções restantes, você pode definir diferentes pacotes para visualizar como eles se comportariam em relação ao mercado existente.

Aprimoramento de um produto existente com um simuladorMuitas vezes

, os produtos precisam passar por renovações e aprimoramentos para ficar à frente dos concorrentes e permanecer relevantes e inovadores. Isso requer ajustes progressivos. Um estudo conjunto é uma metodologia fantástica para entender onde as empresas podem fazer as mudanças mais interessantes para atrair novos clientes em potencial e reter seus usuários atuais. Com os dados em mãos, um simulador pode ser utilizado para capturar as possibilidades de fazer alterações nos atributos. a “Opção 1” no simulador pode ser definida como o produto atual, e a “Opção 2” pode ser alterada iterativamente pelo controlador para discover onde estão disponíveis os maiores ganhos.

Aferição do valor relativo dos atributos do produto com um simuladorQualquer

produto é, em sua essência, uma combinação de vários recursos. É uma soma de suas partes. Compreender a preferência dessas partes é essencial para a análise conjunta. Expandindo a “preferência”, faz sentido tentar quantificar ainda mais o valor de cada nível. Se o preço foi incluído no conjunto de atributo, o simulador pode ser uma excelente ferramenta para inferir esse valor. O processo seria espelhar a mesma configuração de produto na “Opção 1” e na “Opção 2” Ao alterar um único nível ou grupo de níveis, você verá que a cota de preferência não é mais igual. Com a outra opção, mova o nível preço para encontrar onde os dois pacotes agora são iguais novamente. A diferença de preço entre a “Opção 1” e a “Opção 2” pode ser interpretada como o valor relativo desse nível ou grupo de níveis.

Perguntas frequentes