Download presentation
Presentation is loading. Please wait.
1
Metoda v tržnem raziskovanju
CONJOINT ANALIZA Metoda v tržnem raziskovanju Ana Bardorfer
2
Vsebina predstavitve Kaj je conjoint analiza? Primer conjoint analize
Načrtovanje conjoint analize Uporaba conjoint analize Uporabnost in fleksibilnost conjoint analize
3
Kaj je conjoint analiza?
Tradicionalni pristop k ocenjevanju izdelkov ali storitev temelji na ocenjevanju vsake lastnosti posebej na neki lestivici. Ko se odločam za nakup čistilnega sredstva za pranje perila, kako pomembna je… Ne kaže realnega stanja zaradi socialno zaželjenjih odgovorov V povprečju vprašani odgovarjajo z relativno visokimi ocenami pomembnosti Razporeditev rezultatov je nesimetrična Med ocenami so relativno majhne razlike Ni pomembno Zelo pomembno Cena za kg 1 2 3 4 5 6 7 Oblika Znamka
4
...Kaj je conjoint analiza?
Temelji na predpostavki, da potrošnik v nakupnem procesu med seboj preimerja in vrednosti (»consider«) cel spekter značilnosti in koristi izdelka oz. storitve hkrati (»jointly«), pri čemer pripisuje večjo ali manjšo težo določenim atributov na račun drugih atributov. Conjoint analiza = CONSIDER + JOINTLY je multivariatna metoda, ki omogoča merjenje preferenc med konkurenčnimi storitvami Osnovna ideja CA je torej v tem, da je možno vsak izdelek oz. storitev opisati z določenim relevantnim številom atributov in nivoju atributov – s profili izdelka oz. storitve
5
Primer conjoint analize
Čistilno sredstvo za pranje perila lahko opišemo s 3 atributi: Cena Oblika oz. priročnost uporabe Znamka FAKTOR ali ATRIBUT LEVEL Cena za kg v SIT 1000 1500 Oblika Tekočina Prašek Znamka Henkel Procter&Gamble
6
Iz dveh atributov s po dvema ravnema lahko skonstruiramo 2x2x2 = 8 različnih dražljajev
Opisi dražljajev D Oblika Cena v SIT Znamka 1 Tekočina 1000 Henkel 2 Procter&Gamble 3 1500 4 5 Prašek 6 7 8
7
Rangi respondenta Opisi dražljajev Rangi D Oblika Cena v SIT Znamka Respondent 1 Tekočina 1000 Henkel 2 Procter&Gamble 3 1500 5 4 6 Prašek 7 8 oseba pralnim sredstvom za 1000 sit pripiše najvišje, medtem ko tistim za 1500 sit najnižje range bolj torej preferira cenejše pralno sredstvo znamkam pripisuje tako visoke kot nizke range Posebno ne preferira nobene od znamk
8
Izračun delnih koristi in pomembnosti atributov
Level faktorja Rangi R¯ R’= R¯-R¯total OBLIKA Tekočina 1,2,5,6 3,5 -1,0 Prašek 3,4,7,8 5,5 +1,0 CENA v SIT 1000 1,2,3,4 2,5 -2,0 1500 5,6,7,8 6,5 2,0 ZNAMKA Henkel 1,3,5,7 4,0 -0,5 Procter&Gamble 2,4,6,8 5,0 +0,5
9
Izračun delnih koristi in pomembnosti atributov
Level faktorja -R’ (- R’)2 SD Ocenjena DK Razpon DK Pomembnost faktorja OBLIKA Tekočina 1,0 +,571 +,756 1,512 28,6% Prašek -1,0 -,571 -,756 CENA v SIT 1000 2,0 4,0 +2,284 +1,511 3,022 57,1% 1500 -2,0 -2,284 -1,511 ZNAMKA Henkel 0,5 0,25 +,143 +,378 ,756 14,3% Procter&Gamble -0,5 -,143 -,378 ∑(R’)2 10,5 Standardizirana vrednost ,571 ∑razpon DK 5,290
10
Kaj lahko zaključimo iz delnih koristi?
Tej osebi je veliko bolj pomembna cena 1000 SIT kot 1500 SIT Bolj preferira pralno sredstvo obliki tekočine, kot pa praška Bolj preferira znamko Henkel Kaj lahko zaključimo iz pomembnosti faktorjev? Tej osebi je najpomembnejši faktor oz. atribut cena, nato oblika in šele nato znamka proizvajalca Seveda, le če naš model veljaven, točen in zanesljiv!!!
11
Kako lahko te zaključke uporabimo?
V oglaševanju: Pri tej osebi bo oglas, ki poudarja znamko proizvajalca neuspešen Oglas mora poudarjati nizko ceno ali pa npr. dejstvo, da z nakupom tega pralnega sredstva potrošnik pravzaprav privarčuje Pri conjoint modeliranju: Preverjamo kako uspešni bi bili neki produkti, še preden jih lansiramo na trg Dobimo % potrošnikov, ki bi uporabljali vsakega od teh izdelkov ... In še marsikje ČS 1 Henkel 1500 SIT Tekoči ČS 2 Prašek ČS 3
12
Načrtovanje conjoint analize
Raziskovalec mora v načrtu razčistiti več vprašanj: Opredelitev ciljev Izbira conjoint metodologije Izbira načina zbiranja podatkov Definiranje bazične oblike modela Specifikacija dražljajev Ocenjevanje conjoint modela – goodness of fit Interpretacija rezultatov Validacija rezultatov
13
1. Opredelitev ciljev Določiti prispevek prediktivnih variabel (atributov) in njihovih ravni pri določanju potrošnikove preference Koliko cena prispeva k volji do nakupa izdelka Katera cena je optimalna? Ustanoviti veljaven model potrošnikovih sodb Omogoča napovedovanje sprejemljivost potrošnika ali segmentov potrošnikov za katero koli kombinacijo atributov, tudi tistih, ki jih potrošnik originalno ni evaluiral Ali je enostaven model dodajanja (aditivni model) zadovoljiv, ali moramo vnesti bolj kompleksno evalvacijo preference za adekvatnejšo sliko (aditivni + interakcijski model)?
14
2. Izbira conjoint metodologije
Alternativne CA Karakteristike Tradicionalna CA Adaptive CA Choice-based CA Max. število atributov 9 30 6 Level analize Individualen Skupinski Model Aditiven Aditiven + interaktiven
15
3. Načini zbiranja podatkov - tradicionalna CA
Razprodaja ali trade-off Faktor 1: Cena Faktor 2: Znamka Henkel P&G 1000 SIT 1500 SIT 2000 SIT Celostni profil Cena: 1000 SIT Znamka: Henkel Oblika: v tekoči obliki Rangiranje ali ocenjevanje Primerjanje v parih Cena: 1000 SIT Znamka: Henkel Oblika: v tekoči obliki Cena: 1500 SIT Znamka: Henkel Oblika: v obliki praška PROTI
16
3. Načini zbiranja podatkov - Alternativne CA
Adaptive Conjoint Analysis (ACA) Za katerega od dveh čistilnih sredstev za pranje perila se bi raje odločili? 1500 SIT V tekoči obliki Henkel 1500 SIT V tekoči obliki Procter&Gamble ALI 1 – 2 – 3 – 4 – 5 – 6 – 7 – 8 – 9 ALI Močna prednost levi izbiri 1 – 2 – 3 – 4 – 5 – 6 – 7 – 8 – 9 desni izbiri Choice-based Conjoint (CBA) (1) (2) (3) (4) 1500 SIT V tekoči obliki Henkel V obliki praška Procter&Gamble 1000 SIT Nobeden: Če bi bila to edina izbira, se ne bi odločil za nobega od teh Pritisnite številko, ki odgovarja vašemu izboru
17
4. Definiranje bazične oblike modela
Kompozicijsko pravilo respondenta opisuje način, na katerega respondent kombinira delne koristi oz. vrednosti faktorjev v totalno korist Aditivno kompozicijsko pravilo Respondent enostavno sešteva delne koristi in tako dobi celotno vrednost za neko kombinacijo levelov atributov Interaktivno kompozicijsko pravilo Upošteva interakcijske efekte – respondent sešteva delne koristi, vendar so lahko leveli atributov v interakciji
18
5. Specifikacija dražljajev
Kakšni naj bodo faktorji in njihovi leveli? Sporočljivi – naj omogočajo realistično evalvacijo Vključimo senzorne komponente, če je potrebno Akcijski – natančna konceptualizacija, da so dražljaji razločni Npr. kvaliteta in primernost nista natančna atributa Opis kot nizko, srednje, visoko ni primeren
19
5. Specifikacija dražljajev
Število faktorjev oz. atributov Min. Št. Faktorjev = totalno št. Levelov preko vseh F / št. Faktorjev – 1 Faktorska multikolinearnost pomanjkanje konceptualne neodvisnosti med faktorji Cena kot faktor Število levelov Priporočljivo je enako število ravni po faktorjih Razpon faktorskih levelov Naj bo verjeten oz. realen
20
6. Ocenjevanje conjoint modela
Kako konsistenstno naš conjoint model napoveduje preference vsakega respondenta? Korelacija: Spearmanov Rho ali Kendalov Tau za nemetrične podatke (rangi) Pearsonov koeficient korelacije za metrične podatke (ocene) Uporaba holdout dražljajev Dodatni dražljaji, katere respondent oceni hkrati z ostalimi Parametri iz ocenjenega conjoint modela so nato uporabljeni za napoved preferenc za ta nov set dražljajev, napovedi pa nato primerjamo z dejanskimi ocenami in tako dobimo zanesljivost conjoint modela
21
7. Interpretacija rezultatov
Na individualnem nivoju Vsak respondent je obravnavan posebej Analiza delnih koristi za vsak faktor, pri čemer upoštevamo njihovo magnitudo in morebitni vzorec Primerjava med faktorji – delne koristi na standardni skali Na skupinskem nivoju Daje skromne rezultate Uporabna v primeru, ko imamo opravka s skupino z izredno homogenim vedenjem Omogoča bolj natančno določanje tržnega deleža
22
8. Validacija rezultatov
Na internalni ravni Ali je izbrano kompozicijsko pravilo primerno? Holdout dražljaji Na eksternalni ravni Raziskave kažejo, da rezultati conjoint analize zadovoljivo visoko korelirajo z rezultati iz tradicionalnega merjenja preferenc
23
Uporaba conjoint analize
CA nam odgovarja na naslednja vprašanja: Kateri novi izdelki oziroma storitve bodo uspešni? Na kakšen tržni delež lahko računamo na podlagi preferenc potrošnikov? Katere značilnosti izdelka oziroma storitve so gonilo pri nakupnem odločanju? Ali obstajajo tržni segmenti za določen izdelek oziroma storitev? Kakšna vrsta oglaševanja bo najbolj uspešna pri teh segmentih? Ali bodo spremembe izdelka oziroma storitve pripomogle k večji naklonjenosti potrošnikov in prodaji? Kakšna je optimalna cena izdelka oziroma storitve? Ali lahko ceno dvignemo brez velike izgube v prodaji?
24
... Uporaba conjoint analize
Področja, kjer CA lahko uspešno uporabimo so torej: Razvoj in testiranje novih izdelkov oziroma storitev z optimalno kombinacijo značilnosti Cenovna politika Tržna segmentacija: Analiza na individualnem nivoju Izbiramo respondente, ki imajo podobno preferenčno strukturo za določene kombinacije atributov in njihovih levelov, ki tvorijo izdelek
25
... Uporaba conjoint analize – področja uporabe
Analiza profita: Če poznamo ceno vsake lastnosti, lahko skonstruramo ceno vsakega potencialnega izdelka na podlagi tržnega deleža in absolutnega deleža prodaje in lahko tako napovemo uspešnost izedelka Dobimo oceno občutljivosti cene Uporaba analize tako na individualnem kot skupinskem nivoju »What if« analiza ali conjoint simulatorji: generiramo lastne hipotetične produkte in njihovo uspešnost, še preden jih lansiramo na trg Oglaševanje Identifkacija tržnih priložnosti Distribucija
26
Zakaj je conjoint analiza tako uporabno orodje?
Uporaba možna tudi na nominalnem nivoju Dražljaji blizu naravni situaciji (izbira med predstavljenimi izdelki) Vprašani lahko ocenjujejo, rangiranjo, izbirajo med pari ali večimi profili (izdelki) Rezultat je profil za posameznika, skupino ali celoten vzorec Izračunane so “delne koristi” za vsako lastnost vsakega faktorja Temelji na ANOVA-i glavnih učinkov (main-effects ANOVA) in multipli regresiji Tehnika razstavlja sodbe na dele (lastnosti faktorjev) CA je občutljiva tudi za majhne razlike v ocenah posameznih atributov oz. lastnosti.
Similar presentations
