Documento informativo de análisis conjunto

¿Qué es el análisis conjunto?

Definición

El análisis conjunto es una técnica de investigación de mercado para medir la preferencia e importancia que los encuestados (clientes) colocan en los diversos elementos de un producto o servicio. Puede desempeñar un papel crítico en la comprensión de las compensaciones que las personas harían cuando se les darían diferentes opciones de producto y diferentes configuraciones de producto. 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 global; por lo tanto, podemos cuantificar esa preferencia.

¿Cómo se realiza un análisis conjunto?

El análisis conjunto se realiza mostrando a los participantes diversos paquetes (también llamados paquetes, productos u opciones). Se les da instrucciones a los participantes para que evalúen esos paquetes y seleccionen uno en función de lo que es más probable que compren o de lo que les resulte más atractivo. El encuestado tendrá que elegir entre una serie de paquetes, haciendo concesiones a medida que avanza.

Las encuestas conjuntas suelen tener entre dos y cuatro paquetes por pregunta. Los participantes de las selecciones hacen luz sobre qué características y combinaciones de características se muestran con más frecuencia en paquetes favorables, así como qué características y combinaciones de características son más comunes entre los paquetes desfavorables.

Los pasos para ejecutar un análisis conjunto son:

1. Determine los atributos que deben probarse en el análisis conjunto.
2. Generar el diseño experimental.
3. Diseñe la encuesta que aloja las tareas conjuntas.
4. Recopile respuestas.
5. Analice los resultados conjuntos.
6. Informe de los resultados.

Cada uno de estos pasos se basa en el anterior y se orienta hacia el objetivo final: comprender las concesiones y preferencias favorables de la base de clientes.

Qualtrics ha desarrollado una solución XM que permite a los investigadores realizar una investigación más amplia, lo que les permite realizar análisis conjuntos de forma rápida y sencilla y dirigir a los encuestados mediante ejercicios de intercambio. Existen diferentes métodos y enfoques para recopilar los datos de elección que se conocen como tipos conjoint. Actualmente, la solución Qualtrics XM admite análisis conjuntos (discretos) basados en opciones.

¿A qué objetivos empresariales responde el análisis conjunto?

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

• ¿Qué característica o funcionalidad de un producto es la más importante e influyente a la hora de medir las preferencias y el atractivo?
• ¿En qué se enfocan los clientes al tomar su decisión de compra? ¿Cuál es el mayor impacto sobre si comprarán o no?
• ¿Qué papel juega el precio en la toma de decisiones y cuáles son los puntos dulces de los precios?
• ¿Qué tan sensibles serán los clientes a los cambios en la determinación de 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 compensaciones serán probables para nuestros clientes? Si sabemos que necesitamos aumentar el precio, ¿qué características o funcionalidades podemos añadir a nuestra oferta para no perder atractivo y participación en el mercado?
• ¿Qué aspecto tiene la cuota 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 hacer? ¿Qué resonará mejor en nuestros clientes existentes?
• ¿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, los análisis conjuntos pueden proporcionar información sobre cuestiones empresariales diversas y dinámicas, y estas son solo las consultas relacionadas con el producto que responde. La extensión y legitimidad de esta lista es una razón primordial por la que aquellos que regularmente realizan análisis conjuntos son tan aficionados a ellos. Las reuniones proporcionan una visión de una amplia gama de objetivos empresariales y pueden proporcionar una confianza crucial a los investigadores y las organizaciones.

Definición de los atributos conjuntos

Características y niveles

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

Existe un difícil equilibrio a la hora de decidir qué características y niveles se incorporarán al estudio. Si no prueba una variable, obtendrá una visión cero de sus preferencias, pero probar demasiadas funciones y niveles puede provocar fatiga del encuestado, respuestas inconsistentes y datos sin valor.

No existe un enfoque único para todos en lo que respecta al número de preguntas y paquetes que presenta a cada encuestado.  Aunque diferentes tipos de conjoint pueden facilitar mayores o menos variables, tradicionalmente los investigadores querrían incluir 2-8 características con 2-7 niveles por característica.  Dado que esta experiencia es la que mejor se adapta al encuestado, se considera el punto óptimo para el análisis conjunto basado en opciones y, por lo general, arrojará los mejores resultados.

Tenga en cuenta que cuantas más funciones y niveles incluya, más difícil y abrumador será el análisis conjunto para los encuestados. Más funciones y niveles significa que necesitamos hacer más preguntas.  Este tira y afloja entre probar o no un atributo de producto es una decisión importante que no debe pasarse por alto. Los investigadores deben considerar detenidamente lo que debe insertarse en el conjunto y lo que debe excluirse.

Independientemente del número 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 debería describirlas de forma clara pero precisa. El creador del estudio debe tener en cuenta e incluso centrarse en el encuestado y su contexto del producto que se está examinando. Pregúntese: “¿Alguien ajeno a nuestra empresa entenderá estos paquetes?”

Tenga en cuenta que un texto largo puede saturar la página y hacer que las tareas de elección resulten desalentadoras y abrumadoras. Una mejora fantástica puede ser el uso de imágenes cuando la búsqueda de las palabras adecuadas para definir un atributo parece un desafío. “Un cuadro vale mil palabras” puede sonar verdadero en el análisis conjunto.

Exclusiones y pares prohibidos

Cuando el equipo determina los atributos de producto que se deben probar, es importante buscar combinaciones que no tengan sentido combinar. Estos no son necesariamente dos niveles que es poco probable que se emparejen, sino dos niveles que serían confusos e imposibles de emparejar. Normalmente se hace referencia a ellas como exclusiones, o pares prohibidos.

La eliminación de 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 conjuntos es que no todas las combinaciones se pueden mostrar a un encuestado. Una lista de cada combinación, o el factorial completo, puede llegar fácilmente a los cientos o miles de paquetes. Obviamente, nunca pudimos mostrar a cada encuestado todos los paquetes posibles. Pero, ¿cómo obtenemos información sobre la favorabilidad de diferentes combinaciones?

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

Existen varios enfoques a la hora de determinar las tarjetas que se 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, las tablas de diseño predefinidas fueron generadas y referenciadas por los investigadores.  Identificaría el número de funciones y niveles (a menudo un 3×3 o un 4×4) e iría a buscar la tabla de diseño correspondiente e 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 atributos de característica.

Ahora, la mayoría de los diseños conjuntos basados en opciones y conjuntos de calificaciones encapsulan conjuntos de tarjetas factoriales fraccionales que se presentarán a los encuestados. Fractional factorial significa que mostraremos una fracción del factorial completo.

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

• Los conjuntos de tarjetas deben tener un saldo relativo en cada nivel. Esto significa que dentro de una función, cada nivel debe incluirse en un número similar de paquetes.
• No debería haber un nivel que se muestre en seis paquetes, mientras que otro nivel solo se incluye en un paquete. Al igual que con cualquier investigación de la encuesta, las técnicas de aleatorización mejoran la validez de las respuestas y el sesgo del orden psicológico de control.
• Los diseños conjuntos son más adecuados cuando hay muchas versiones o bloques que incorporan un subconjunto de paquetes. Jordan Louviere (uno de los primeros pioneros del modelado de elección) y los fundadores del Sawtooth Software ambos están de acuerdo en que cuantas más versiones sean parte del diseño general, mejor. Se asignaría a un encuestado a una de esas versiones que dictaría qué construcciones de paquete se presentarían.
• Otros principios que a menudo se incluyen en las discusiones de diseño conjunto son la ortogonalidad y la eficiencia d.  Hay debates sobre la necesidad e importancia de integrar estos conceptos en el diseño experimental para estudios conjuntos.

Las preguntas base que deben introducirse en la generación de diseño para el análisis conjunto basado en opciones es el número de preguntas o tareas que se presentarán al encuestado, así como el número de opciones o alternativas que habrá por pregunta. El enfoque tradicional basado en las opciones suele requerir dos opciones y hace que el encuestado elija entre la opción A y la opción B. Dicho esto, es definitivamente apropiado mostrar tres o más paquetes por pregunta. La cuestión principal que hay que analizar es si más alternativas crearán una experiencia abrumadora para el encuestado. A veces, solo evaluar dos paquetes para la preferencia puede ser una tarea desalentadora. Además, si se va a incluir una opción de «ninguno de estos» en el estudio, el espacio en pantalla podría dar lugar a una mejor experiencia con dos opciones y la ninguna.

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

Número de tarjetas = Total # de niveles – # de característica + 1

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

Sin embargo, algunas llamadas son más subjetivas que otras. Por ejemplo, es posible que deba decidir si la encuesta debe acortarse 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 las preguntas y las alternativas por pregunta es simplemente probar. Cree la encuesta y complétela. Distribuirla a los colegas y obtener su opinión sobre la densidad de la pregunta frente a la duración de la encuesta.

Cómo un Qualtrics Conjoint genera su diseño experimental

Qualtrics utiliza un enfoque de diseño de equilibrio aleatorio que fomenta que algunos, pero no demasiado, se solapen con los niveles. El enfoque es similar al Balanced Overlap Design de Sawtooth. Este enfoque es altamente efectivo cuando se combina con las 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 debidamente representados para la evaluación. El diseño se formula con versiones que son 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 el número total de niveles en todas las funciones es inferior o igual a 10, y es 1.000 si el número total de niveles en todas las funciones es superior a 10.

El algoritmo genera primero paquetes aleatorios para cada una de las tareas y opciones. A continuación, tiene verificaciones en cada versión para asegurarse de que hay un saldo relativo en el número de veces que se muestra cada nivel. El algoritmo no obliga a que se muestre cada nivel exactamente el mismo número de veces, pero garantiza que la diferencia entre el nivel visto más en esa versión y el nivel visto menos no sea más que una desviación de dos. Las versiones que no cumplen estas condiciones se refactorizan hasta que cumplen las reglas de balance. El algoritmo continúa hasta que se genera el número deseado de versiones.

Tamaño de encuesta y muestra

Programación de encuestas

El análisis conjunto se basa en las respuestas recogidas 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 compromiso.

Cuando se realiza un estudio conjunto, suele ser el foco de la encuesta, pero no la totalidad de la misma. Es fundamental que el ejercicio conjunto dentro de la encuesta sea conciso y bien estructurado. Los datos y la información solo serán tan precisos como los paquetes sean claros. Una encuesta conjunta suele incluir preguntas de filtro (para garantizar que el tipo de encuestado lo hace correctamente), una introducción con recursos educativos y preguntas demográficas. No hay reglas estrictas sobre cuántas otras preguntas se pueden añadir a un estudio conjunto o dónde debe caer el conjunto en el flujo de la encuesta. Cabe señalar que cualquier pregunta que se plantee a los consultados fuera del conjunto requiere tiempo y se centra en el ejercicio conjunto. Se debe considerar la duración de la encuesta, ya que el estudio se está diseñando y construyendo. Fatiguear a un encuestado es una forma segura de degradar el calibre del estudio. Las encuestas que tardan más de 10-15 minutos son más susceptibles a problemas de fatiga y calidad de los datos

Los datos recopilados de un estudio conjunto solo son exactos si el encuestado puede colocarse de forma realista en un entorno de compra real. Asegurarse de que el encuestado esté plenamente informado sobre los paquetes entre los que seleccionará es un deber dentro del análisis conjunto. Muchos estudios están probando conceptos que son conocidos y relatables por el público en general. Sin embargo, si ese no es el caso de su proyecto, se debe dedicar tiempo antes del conjunto para educar adecuadamente al encuestado a través de descripciones y/o videos. Cuanto más claro sea un paquete para el encuestado, más verdaderos serán los servicios públicos resultantes.

Además de que las descripciones sean simples y sencillas, el diseño de las tarjetas también debe prestarse a la comprensión y claridad. Esto permite al encuestado realizar comparaciones y respuestas de forma definitiva.

Tamaño de muestra

El número 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. Esta es una ecuación que utiliza el software Sawtooth para determinar el número 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 sentimos que un número mayor proporciona resultados y simulaciones más concluyentes.

Es importante que las personas que realizan el ejercicio conjunto reflejen aquellas que estarían en juego para comprar, pedir y optar por su producto o servicio. Con frecuencia, los investigadores definirán a los guionistas al principio de la encuesta para asegurarse de que se recopilan las opiniones pertinentes.  Como alternativa, los grupos a menudo tendrán listas de clientes actuales o potenciales en los que pueden implementar la encuesta.

Modelado de análisis conjuntos

Visión general

El análisis conjunto es donde los datos se convierten en predicciones y modelos. Aquí es donde las selecciones de encuestado se traducen en preferencias. El resultado del análisis será una comprensión de lo que es valioso y lo que no, e iluminará cómo deben agruparse las combinaciones.

El núcleo del análisis es el modelado estadístico que estima la utilidad que los encuestados asignan a cada nivel. Debido al modelado estadístico, el análisis conjunto tiene una reputación como “complejo”, pero esto es también lo que permite a los conjuntos tener una reputación de ser una técnica de investigación de clase mundial. Hay varios enfoques estadísticos utilizados para calcular las preferencias de utilidad, incluyendo regresión y modelado logístico multinomial, típicamente llevado a cabo en el nivel agregado.

Independientemente de la forma en que se modelen las selecciones de la encuesta, el resultado debería ser coeficientes de utilidad que representen el valor o la preferencia que el encuestado base tiene para los distintos niveles de cada función. Para los diseños y métodos de análisis que permiten cálculos a nivel individual de las puntuaciones de utilidad, podemos derivar modelos de preferencia para cada encuestado. Esto puede ser ventajoso por una serie de razones, incluida la segmentación de varios cortes de datos, análisis de clase latente y simulaciones. El enfoque principal tomado para producir modelos de utilidad basados en individuos es la estimación de Bayes Jerárquicos (HB). Esta técnica utiliza métodos bayesianos para derivar probabilísticamente el valor relativo de cada variable que se está probando.

Estimación de Bayes jerárquico

La estimación jerárquica de Bayes (HB) es un proceso iterativo que abarca un modelo de nivel inferior que estima las utilidades relativas del individuo para los atributos probados, 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 aún mejores y más estables a nivel individual. Es muy robusto y nos permite obtener lecturas realmente buenas de las preferencias de los clientes, incluso al presentar 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 sobre un número de iteraciones para ayudarnos en última instancia a perfeccionarnos en la probabilidad de que un concepto específico sea seleccionado en base a su construcción. Qualtrics utiliza específicamente un modelo de regresión logística multinomial.

La solución de análisis conjunto de Qualtrics utiliza una estimación de Bayes Jerárquica escrita en STAN para calcular utilidades de preferencia individuales. Qualtrics ejecuta 1000 iteraciones por cadena Markov y 4 cadenas.

Coeficientes de utilidades de nivel individual

El resultado del modelo bayesiano son puntuaciones de preferencia que representan la utilidad que el individuo adjunta a cada nivel.  Estas puntuaciones se denominan frecuentemente servicios públicos de partworth y son la base de todas las métricas y simulaciones de resumen derivadas del estudio conjunto.  El archivo de utilidad tendría una fila para cada encuestado incluida en el análisis conjunto y una columna para cada prueba de nivel única dentro del estudio. Al modelar las preferencias de cada encuestado, las empresas de servicios públicos nos ayudan a predecir qué selecciones harían los encuestados cuando se enfrentan a diferentes paquetes. Las utilidades son de naturaleza ordinal y nos indican el orden de rango de cada nivel probado con alguna magnitud de contribución a la utilidad total de paquete de un paquete.

Las puntuaciones de utilidad de la pareja están centradas en cero y generalmente están dentro del rango de -5 a +5. En la solución conjunta, las puntuaciones de utilidad brutas para cada persona se pueden exportar a un CSV utilizando la opción Métricas de resumen.

Métricas de resumen y generación de 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 la función: La cantidad de influencia e impacto que tiene una función en la toma de decisiones entre las configuraciones de producto. Cuanto mayor es la importancia de la característica, más peso y control tiene en lo que hace un producto favorable. La importancia de la 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 simple de pensar en destacar la importancia 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 opciones.
• Puntuaciones medias de utilidad: La puntuación media de utilidad de cada nivel entre todos los encuestados. Estos son ordinales por naturaleza y mostrarán la preferencia relativa entre niveles. Las utilidades promedio pueden dar algo de comprensión direccional pero no deben ser una métrica independiente para resumir el análisis conjunto.
• Puntuaciones de preferencia de primera opción: Las puntuaciones de preferencia de primera opción indican el porcentaje de encuestados que encontraron la mayor utilidad con los diferentes niveles. Dentro de los coeficientes de utilidad de cada encuestado tendrán un nivel superior o más preferido dentro de cada función. Las puntuaciones de la primera opción serán la distribución de los encuestados que consideraron que ese nivel era la mejor opción para esa función.
• Cuota de preferencia: La cuota de preferencia es la medición de la probabilidad de que un nivel sea elegido sobre otro con todos los demás componentes característicos mantenidos constantes. Es un producto de las utilidades que se calculan utilizando un modelo Multinomial de Regresión Logística y se deriva exponenciando la utilidad de nivel y dividiéndola por la suma de todos los niveles exponenciados dentro de la característica.
• Predisposición a pagar: La cantidad de dinero que un cliente está dispuesto a pagar por un atributo en particular de un producto en comparación con otro atributo. Normalmente recomendamos que se defina un caso base o un nivel de caso actual y, a continuación, podemos determinar cuánto más o menos están dispuestos a pagar en comparación con el nivel base. Cada nivel puede estar dispuesto a pagar en comparación con el caso base. Esto solo se puede utilizar cuando el precio o el coste es una característica del análisis conjunto. Se calcula encontrando la cantidad de diferencia de utilidad entre los diferentes puntos de precio y luego aplicando ese dólar por ratio de utilidad a los otros niveles y sus puntuaciones de utilidad. Por lo general, nos gusta calcular la disposición a pagar en el nivel del encuestado y, a continuación, agregar y resumir.
• Paquetes óptimos: este es el paquete óptimo en lo que respecta a maximizar las preferencias y el atractivo del cliente. Este podría no ser siempre el enfoque exacto hacia el que una organización querría avanzar, ya que el costo de implementación puede ser prohibitivo, pero puede guiar direccionalmente.

Generación de informes sobre información estratégica de análisis conjuntos

El análisis conjunto puede proporcionar una variedad de perspectivas increíbles sobre el comportamiento previsto de los clientes. Las diferentes métricas y gráficos pueden mostrar tendencias y aspectos comunes en las respuestas. Pero el resultado principal de un estudio de análisis conjunto debe ser siempre el simulador conjunto. El simulador debería ser la herramienta elegida para responder a preguntas clave como las compensaciones que los clientes harían y cómo se compararían los distintos paquetes entre sí. Las métricas de resumen enumeradas anteriormente son útiles y sirven para un propósito, pero siempre deben indicarle al simulador.

Simulaciones de análisis conjunto

¿Qué es un simulador?

El simulador de análisis conjunto es una herramienta interactiva que facilita el test y la predicción de preferencia entre configuraciones de producto plausibles. El simulador suele incluir una serie de desplegables que permiten la creación de paquetes que consisten en los atributos que se incluyeron en el estudio conjunto. En el núcleo, el análisis conjunto es una técnica para reconocer las compensaciones que los clientes harían cuando se presentaran con diferentes opciones. El simulador de preferencia encarna este objetivo mediante la notificación de la compensación estimada que los clientes harían cuando se les presentaran 2 o más opciones. Los escenarios potenciales dentro de un simulador pueden ser astronómicos ya que las construcciones de productos y los segmentos a incluir pueden ser alterados.

Además del análisis de intercambio obvio, hay una variedad de usos que son extremadamente valiosos en la obtención de ideas a partir de resultados conjuntos. Las prácticas más frecuentes con el simulador son el análisis del entorno competitivo, la mejora de un caso de base de producto y el valor relativo de los atributos del producto.

Objetivos empresariales cubiertos por el simulador conjunto

Análisis del entorno competitivo con un simulador

Las empresas sanas a menudo mirarán por encima de sus hombros para investigar cómo se compara la competencia. El análisis conjunto es una gran herramienta para descubrir cómo las posibles configuraciones de productos de una empresa se compararían con las opciones que compiten en el mercado. Esto depende, sin embargo, de los atributos de los productos competidores que se incluyen en las características y los niveles del estudio. Dentro del simulador, se pueden establecer los atributos de producto del competidor y, a continuación, con las opciones restantes, puede definir diferentes paquetes para previsualizar cómo se compararían con el mercado existente.

Mejorar un producto existente con un simulador

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

Medir el valor relativo de los atributos de producto con un simulador

Cualquier producto es, en esencia, una combinación de varias funciones. Es una suma de sus partes. Agruparse la preferencia de esas partes es esencial para el análisis conjunto. Expandir sobre “preferencia”, tiene sentido intentar cuantificar aún más el valor de cada nivel. Si el precio se ha incluido dentro del conjunto de atributos, el simulador puede ser una herramienta sobresaliente para inferir ese valor. El proceso consistiría en reflejar la misma configuración de producto en «opción 1» y «opción 2». Al modificar un solo nivel o grupo de niveles, verá que la cuota de preferencia ya no es igual. Con la otra opción, mueva el nivel de precio para encontrar dónde son iguales los dos paquetes ahora de nuevo. 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