ANALIZA CONJOINT W prezentacji wykorzystano m.in. materiały pochodzące z firmy Pentor Research International oraz Sawtooth Software, Inc.
Co to jest Conjoint? Metoda poznania jak podejmowane są decyzje dotyczące produktów lub usług, posiadających różne cechy. Sposób zadawania pytań opiera się na porównywaniu produktów i wyborze bardziej preferowanych rozwiązań, zamiast pytań wprost o hierarchię ważności cech produktu branych pod uwagę w procesie wyboru. Zmieniając prezentowane cechy produktu i analizując odpowiedzi, można skwantyfikować, na ile poszczególne cechy przyczyniają się do preferowania produktów danej kategorii. Nazwa metody pochodzi od czasownika to conjoin - łączyć, a nie jak może się wydawać racjonalne od CONsidered JOINTly - rozważane łącznie
Co to jest Conjoint? Przykład: Czy klienci kupujący dany produkt kierują się: dostępnością kosztem zakupu poziomem kosztów użytkowania
Co to jest Conjoint? Conjoint mierzy potrzeby lub preferencje respondentów w trakcie dokonywania wyborów Ważność z bezpośrednich deklaracji nie jest dobra miarą Charakteryzuje się małą mocą dyskryminacyjną Uwarunkowania społeczne mogą wpływać na odpowiedzi Większe znacznie racjonalnych wymiarów Czasami ludziom trudno jest ustalić, co jest dla nich ważne Ogólna miara nieprzekładalna na konkretne zachowania Pośrednie pytanie dostarcza trafniejszych i przekładalnych na zachowania wskaźników wynik całościowej oceny
Atrybuty i poziomy Atrybut to cecha charakterystyczna dla danego produktu (np. kolor, cena itp.). Każdy atrybut może przyjmować różne stany (poziomy). Podstawy teoretyczne analizy conjoint zakładają, że nabywcy widzą produkty jako złożone z szeregu atrybutów i poziomów. Każda cecha produktu posiada pewną użyteczność, a ich zsumowanie pozwala określić użyteczność całego produktu: komputer = (marka) + (szybkość procesora) + (RAM) + (Monitor) + (cena) Mierzone atrybuty muszą mieć jednoznacznie i rozłącznie definiowalne poziomy: Marka: Dell, Compaq, IBM Szybkość procesora: 2,6 GHz, 2,8 GHz, 3,0 GHz RAM: 256 Mbytes, 512 Mbytes, 1024 Mbytes Cena: $1,500, $2,000, $3,000
Atrybuty i poziomy Badane poziomy muszą być: jednoznacznie zdefiniowane niezależne - zawieranie się jednych atrybutów w innych uniemożliwia (a co najmniej znacząco utrudnia) interpretację wyników w ramach jednego atrybutu powinny być wzajemnie wykluczające się obejmować możliwe rozwiązania w całej rozpiętości, tj. zarówno obecne, jak i planowane powinny dać się interpolować ograniczenia (prohibitions) mogą dotyczyć TYLKO łączenia poziomów atrybutów, które wzajemnie się wykluczają
Atrybuty i poziomy Efekt liczby poziomów Im więcej poziomów, tym atrybut staje się ważniejszy należy zatem starać się, aby liczba poziomów była mniej więcej podobna dla wszystkich atrybutów. Problem jest szczególnie widoczny w conjointach full-profile, natomiast ACA jest mniej podatny na ten efekt. Należy ograniczać liczbę poziomów dla atrybutów cenowych. Zakłada się, że liczba poziomów atrybutów cenowych nie powinna przekraczać 5-6. Lepiej zebrać od respondenta więcej informacji na temat postrzegania danej ceny w różnych konfiguracjach innych atrybutów niż mieć większą liczbę poziomów cenowych, jednak oszacowaną w oparciu o stosunkowo małą ilość zebranej informacji.
Taksonomia conjointów Conjoint Wyrażanie PREFERENCJI Choice Based conjoint Ocena pełnych konceptów Rangi/Likert Porównywanie parami Stały schemat CVA (value analysis) Adaptive conjoint (ACA)
Full Profile conjoint Full Profile - (lata 60-70) - metoda oparta na ocenie i szeregowaniu pojedynczych kart opisujących oferty. Produkt jest opisywany przez wszystkie badane cechy - w każdej ofercie występuje inna kombinacja poziomów wszystkich cech. Specjalna procedura tworzy kombinacje poziomów każdego z atrybutów opisujących produkt, tak, aby nie były skorelowane, co pozwala szacować niezależny wpływ każdego poziomu. Respondent dokonuje oceny chęci zakupu na skali lub szeregowania ofert.
Full Profile conjoint Techniki full profile (w tym również CBC) nie powinny być stosowane dla większej liczby atrybutów niż 6-7 minimalna liczba kart = (#poziomów - #cech + 1) aby osiągnąć stabilne oszacowania dla każdego respondenta zaleca się 3x minimum Techniki full profile dają lepsze rezultaty niż Adaptive Conjoint (o ile liczba cech i liczba pytań (kart) jest sensowna) Marka: Compaq Szybkość procesora: 2,6 GHz RAM: 512 Mbytes Cena: $3,000
Adaptive Conjoint (ACA) Adaptive Conjoint - ACA (Adaptive Conjoint Analysis), Richard M. Johnson, 1985 Cztery rodzaje pytań, na podstawie których wyliczane są użyteczności każdego badanego poziomu i ważność cech: 1. Rangowanie poziomów respondent porządkuje (lub ocenia) poziomy wewnątrz każdej cechy 2. Dystans między najmniej preferowanym i najbardziej respondent wskazuje jak ważny jest każdy z atrybutów (na ile ważna jest różnica między poziomem najbardziej preferowanym i najmniej)
Adaptive Conjoint (ACA) 3. Porównywanie parami porównania parami profilów złożonych jedynie z kilku cech na raz (zwykle 2 lub 3), skupiające się na cechach najważniejszych dla respondenta: algorytm ACA wybiera tylko pewne cechy z badanego zestawu, tworzy z nich produkty i pokazuje respondentowi do oceny. Produkty do porównań wybierane są tak, aby dostarczać programowi jak najwięcej istotnych informacji na temat preferencji respondenta 4. Chęć zakupu produktu najbardziej preferowanego, najmniej i pośrednich
ACA - Zalety Jedyny wybór gdy więcej niż 6 cech lub gdy cechy są wielopoziomowe Skuteczna zebraniu dużej liczby informacji w krótkim czasie Wywiad ACA jest zwykle dla respondentów bardziej interesujący i postrzegany jako krótszy niż Full Profile Użyteczności ACA są bardziej wyraziste i rzadziej są źle uporządkowane (wartości cząstkowe w niewłaściwym kierunku) niż tradycyjny conjoint Dla kategorii produktowych o wysokim poziome zaangażowania konsumentów lepiej przewiduje preferencje Mniej wrażliwa na wykluczenie pewnych kombinacji - wyliczane użyteczności cząstkowe są bardziej stabilne
ACA - ograniczenia Zagrożenie podwójnego liczenia cech, które nie są w pełni niezależne. Respondenci mogą mieć kłopot aby pamiętać podczas porówna wybranych cech, że wszystkie pozostałe są takie same. Metoda ta silnie bazuje na wstępnych deklaracjach ważności poszczególnych cech, łamie więc kanoniczne zasady analizy conjoint, która te ważności ma dopiero oszacować, a w efekcie w przypadku respondentów o bardziej ambiwaletnym nastawieniu, może wykluczać istotne cechy z ćwiczenia, bazując na niespójnych deklaracjach w części wstępnej Może spłaszczać ważność (szczególnie w przypadku kategorii o niskim zaangażowaniu konsumentów) z powodu rozpraszania uwagi respondentów na pojedyncze cechy Może niedoszacować ważności ceny (zwłaszcza, gdy badane jest wiele cech) lub wiele CEN. CBC i full Profile uważane są za lepsze do badań cenowych, ALE istnieje możliwość WAŻENIA ważności ceny
Choice Based Conjoint (CBC) Zadaniem metody CBC jest symulowanie realnych sytuacji rynkowych, gdy respondent staje przed koniecznością dokonania wyboru z zestawu oferowanych produktów. Produkty, jak w każdej analizie conjoint, są uprzednio zdefiniowane przez zestawy cech, a następnie tworzony jest plan eksperymentu, czyli tabela opisująca, które produkty będą kolejno zestawiane z którymi. W każdym kroku, respondentowi prezentowana jest krótka lista produktów, z których musi on wybrać najbardziej preferowany lub wskazać opcję nie kupię niczego z tej oferty, zatem nie zainteresowani nie są zmuszani do wyboru. Metoda CBC po przetworzeniu danych pozwala mierzyć sile wpływu poszczególnych cech na dokonywane wybory, jak również siłę wpływu ich interakcji.
Choice Based Conjoint (CBC) Choice Based Conjoint - wybór najbardziej preferowanej opcji Marka: Compaq Dell Dell Żadna Szybkość procesora: 2,6 GHz 2,6 GHz 2,8 GHz z tych RAM: 512 Mbytes 256 Mbytes 1024 Mbytes propozycji Cena: $3,000 $2,000 $3,000
CBC - zalety Dokonywanie wyborów w CBC jest podobne do tego co robią kupujący w rzeczywistości możliwa jest opcja nie kupię niczego z tej oferty, zatem nie zainteresowani nie są zmuszani do wyboru CBC pozwala mierzyć główne efekty oraz INTERAKCJE Respondenci mogą wykonywać stosunkowo niewiele zadań wyboru do 20, by pomiar był rzetelny Losowy schemat eksperymentu pozwala na efektywną prezentację wszelkich kombinacji Doskonały do badań cenowych/ promocji
CBC - ograniczenia Wybór jest nieefektywnym pomiarem wskazuje co jest preferowane, ale nie wiadomo na ile CBC wymaga zwykle większych prób niż ACA Zadanie jest bardziej złożone, zatem respondent może przetwarzać mniej atrybutów (max 6) Bardziej złożone zadania skłaniają do uproszczonej strategii decyzyjnej (np. tylko cena)
Holdout Choice Scenarios Oferty wyglądające jak wybory CBC obecne w kwestionariuszu, ale nie są wykorzystywane do wyliczania użyteczności Sprawdzamy jaki odsetek respondentó wybrał każdy z konceptów Te same koncepty definiowane są następnie w symulatorze w celu sprawdzenia przewidywanych przez model udziałów Porównanie obserwowanych i przewidywanych udziałów pozwala na ocenę modelu
Użyteczności Użyteczności mierzymy na skalach interwałowych: porównując dwa poziomy nie można powiedzieć o jednym z nich, że jest dwa razy bardziej preferowany, tylko preferowany bardziej o 20 punktów użyteczności arbitralny jest punkt odniesienia toteż nie możemy porównywać wartości liczbowych użyteczności między cechami tylko przyrosty/spadki użyteczności danego produktu gdy zmieniają się poziomy różnych cech Przyjmuje się, że suma użyteczności poziomów danego atrybutu wynosi 0. Poziomy, które uzyskały użyteczności mniejsze niż 0 nie są nieatrakcyjne /odrzucane/, lecz mniej preferowane od poziomów, które uzyskały dodatnie użyteczności.
Użyteczności Przykład: Przyjmijmy, że zbadaliśmy dwa atrybuty (kolor i marka), których użyteczności mają następujący rozkład: Niebieski 0.30 Marka A 0.20 Czerwony 0.20 Marka B 0.40 Zielony 0.10 Marka C 0.10 Wzrost użyteczności od zielonego do niebieskiego wynosi 20 punktów użyteczności, czyli tyle samo co od marki A do B. Nie możemy jednak bezpośrednio porównywać tych użyteczności. Nie możemy także powiedzieć, że kolor czerwony jest tak samo preferowany jak marka A.
Użyteczności Wnioskowanie na temat rozkładu preferencji na podstawie uśrednionych lub sumowanych użyteczności może prowadzić do błędnych wniosków: Niebieski Czerwony Zółty Resp A 50 40 10 Resp B 0 65 75 Resp c 40 30 20 Srednia 30 45 35 Najwyższa użyteczność, choć nikt nie wybierze koloru czerwonego!
Ważności Ważności mierzymy na skali ilorazowej (stosunkowej) od 0 do 100. Dzięki temu możemy swobodnie porównywać ważności poszczególnych atrybutów. A zatem możemy powiedzieć, że atrybut o ważności 20% jest dwa razy ważniejszy niż atrybut o ważności 10%. Ważności atrybutów oblicza się jako różnice użyteczności najbardziej preferowanego poziomu i najmniej preferowanego poziomu i dzieli przez sumę wszystkich różnic (dla wszystkich poziomów), np. Procentowa Różnica Ważność Marka (B - C) 60-20 = 40 26.7 Kolor (czerw. - nieb.) 20-0 = 20 13.3 Cena ($50 - $100) 90-0 = 90 60.0 ---- ----- 150 100.0
example of conjoint analysis (Green and Wind, 1973) CONJOINT PLAN='file specification' /DATA='file specification' /SEQUENCE=PREF1 TO PREF22 /SUBJECT=ID /FACTORS=PACKAGE BRAND (DISCRETE) PRICE (LINEAR LESS) SEAL (LINEAR MORE) MONEY (LINEAR MORE) /PRINT=SUMMARYONLY.