Livre blanc sur l’analyse conjointe

Qu’est-ce que l’analyse conjointe ?

Définition

L’analyse conjointe est une technique d’étude de marché permettant de mesurer la préférence et l’importance que les répondants (clients) accordent aux différents éléments d’un produit ou d’un service. Elle peut jouer un rôle essentiel dans la compréhension des compromis que les gens font lorsqu’ils disposent de différentes options et configurations de produit. Au cœur de l’analyse conjointe se trouve l’idée que les attributs des produits peuvent augmenter ou diminuer la probabilité qu’un package global soit acheté ; ainsi, nous pouvons quantifier cette préférence.

Comment une analyse conjointe est-elle réalisée ?

L’analyse conjointe est réalisée en montrant aux participants différents packages (également appelés paquets, produits ou options). Les participants sont invités à évaluer ces packages et à en sélectionner un en fonction de ce qu’ils sont le plus susceptibles d’acheter ou de ce qui les séduit le plus. Le répondant devra choisir parmi une série de forfaits, en faisant des arbitrages au fur et à mesure.

Les enquêtes conjointes comportent généralement entre deux et quatre paquets par question. Les participants aux sélections font la lumière sur les caractéristiques et les combinaisons de caractéristiques qui apparaissent plus fréquemment dans des offres groupées favorables, ainsi que sur les caractéristiques et les combinaisons de caractéristiques les plus courantes parmi les offres défavorables.

Les étapes d’exécution d’une analyse conjointe sont les suivantes :

1. Déterminez les attributs à tester dans l’analyse conjointe.
2. Générez la conception expérimentale.
3. Concevez l’enquête qui héberge les tâches conjointes.
4. Recueillir les réponses.
5. Analysez les résultats conjoints.
6. Signalez les résultats.

Chacune de ces étapes s’appuie sur le précédent et travaille vers l’objectif final : comprendre les compromis et préférences favorables de la base de clients.

Qualtrics a développé une solution XM qui permet aux chercheurs d’effectuer des recherches plus vastes, ce qui leur permet de mener rapidement et simplement des analyses conjointes et de guider les répondants dans des exercices de compromis. Il existe différentes méthodes et approches pour collecter les données de choix, appelées types conjoints. La solution Qualtrics XM prend actuellement en charge l’analyse conjointe (discrète) basée sur un choix.

Quels objectifs commerciaux répond l’analyse conjointe ?

Conjoint se spécialise dans la réponse à des questions auxquelles aucune autre méthodologie ne peut répondre. Voici quelques-unes de ces questions :

• Quelle caractéristique ou fonctionnalité d’un produit est la plus importante et la plus influente pour mesurer les préférences et l’attrait ?
• Sur quoi se concentrent les clients lorsqu’ils prennent leur décision d’achat ? Qu’est-ce qui a le plus d’impact sur la question de savoir s’ils achèteront ou non ?
• Quel est le rôle du prix dans la prise de décision et quels sont les points positifs en matière de prix ?
• Quelle sera la sensibilité des clients aux changements de prix ?
• Quelle est la valeur monétaire ou relative par rapport au marché de chacune des caractéristiques que nous pensons inclure ? Combien d’autres clients seraient-ils disposés à payer pour une fonctionnalité premium ?
• Quels compromis nos clients vont-ils faire ? Si nous savons que nous devons augmenter le prix, quelles fonctionnalités pouvons-nous ajouter à notre offre pour ne pas perdre notre attrait et nos parts de marché ?
• À quoi ressemble la part de marché pour les différents produits ? Comment le changement et la modification de la configuration du produit affectent-ils la part de marché ?
• Comment les produits que nous envisageons sont-ils comparés à la concurrence ? Que pouvons-nous faire pour concurrencer au mieux ce qui se trouve actuellement sur le marché ?
• Si nous cherchons à apporter des modifications à notre produit existant, quelles sont les meilleures améliorations que nous puissions apporter ? Qu’est-ce qui résonnera le mieux à nos clients existants ?
• Quel est le produit optimal que nous pouvons proposer pour augmenter le nombre d’acheteurs ? Pour maximiser notre chiffre d’affaires ? Pour maximiser nos profits ?

Comme vous pouvez le voir, l’analyse conjointe peut fournir des informations pour des questions commerciales diverses et dynamiques, et ce ne sont là que les demandes liées au produit auxquelles elle répond. La longueur et la légitimité de cette liste est l’une des principales raisons pour lesquelles ceux qui réalisent régulièrement des analyses conjointes sont tellement friands d’eux. Les articulations apportent une vision à un large éventail d’objectifs commerciaux et peuvent apporter une confiance cruciale aux chercheurs et aux organisations.

Définition des attributs conjoints

Fonctionnalité et niveaux

La structure des variables que nous voulons incorporer dans une analyse conjointe est fonctionnalités et niveaux.  Les caractéristiques sont les catégories principales des variables ; chaque caractéristique est constituée d’un ensemble de niveaux, qui sont des unités plus spécifiques de chaque caractéristique.

Il existe un équilibre délicat pour décider quelles caractéristiques et quels niveaux seront incorporés dans l’étude. Si vous ne testez pas une variable, vous n’aurez aucune vision dans sa préférence, mais le test d’un trop grand nombre de fonctionnalités et de niveaux peut entraîner de la fatigue des répondants, des réponses incohérentes et des données sans valeur.

Il n’existe pas d’approche universelle en ce qui concerne le nombre de questions et de packages que vous présentez à chaque répondant.  Bien que différents types d’analyse conjointe puissent faciliter plus ou moins de variables, les chercheurs souhaitent traditionnellement inclure 2 à 8 caractéristiques avec 2 à 7 niveaux par caractéristique.  Comme cette expérience convient le mieux au répondant, cela est considéré comme le point idéal pour l’analyse conjointe basée sur le choix et donnera généralement les meilleurs résultats.

Gardez à l’esprit que plus vous incluez de fonctionnalités et de niveaux, plus l’analyse conjointe sera difficile et écrasante pour les répondants. Plus de fonctionnalités et de niveaux nous obligent à poser davantage de questions.  Cette confrontation entre le test ou non d’un attribut produit est une décision importante qu’il ne faut pas négliger. Les chercheurs doivent examiner attentivement ce qui doit être inséré dans l’analyse conjointe et ce qui doit être exclu.

Quel que soit le nombre d’attributs que vous testez dans l’analyse conjointe, il est essentiel qu’ils soient clairs et concis. Si les répondants ne peuvent pas saisir les offres groupées qu’ils examinent, les données ne signifieront rien. Le texte utilisé à la fois pour les caractéristiques et leurs niveaux devrait les décrire clairement mais avec précision. Le créateur de l’étude devrait envisager et même se concentrer sur l’enquêteur et leur contexte du produit examiné. Demandez-vous : « Quelqu’un en dehors de notre entreprise comprendra-t-il ces offres groupées ? »

Gardez à l’esprit que la longueur du texte peut encombrer la page et rendre les tâches de choix décourageantes et accablantes. Une amélioration fantastique peut être l’utilisation d’images lorsqu’il s’agit de trouver les bons mots pour définir un attribut semble difficile. “Une image vaut mille mots” peut sembler vraie dans l’analyse conjointe.

Exclusions et paires interdites

Lorsque l’équipe détermine les attributs de produit à tester, il est important de rechercher des combinaisons qui n’ont simplement pas de sens à combiner. Il ne s’agit pas nécessairement de deux niveaux qui sont peu susceptibles d’être appariés, mais de deux niveaux qui seraient déroutants et impossibles à coupler. Ils sont généralement appelés exclusions, ou des paires interdites.

La suppression des paires interdites crée des trous dans notre conception et notre modèle et réduit la nature indépendante des variables, de sorte qu’elles doivent être évitées dans la mesure du possible.

Conception expérimentale

Conception expérimentale et analyse conjointe

La nature de la plupart des projets d’analyse conjointe est que toutes les combinaisons ne peuvent pas être affichées pour un répondant. Une liste de chaque combinaison, ou la factorielle complète, peut facilement atteindre les centaines ou les milliers de paquets. Évidemment, nous ne pouvions jamais montrer à chaque répondant toutes les offres groupées possibles. Mais comment obtenir des informations sur la préférence des différentes combinaisons ?

À l’instar d’autres approches expérimentales, les principes stratégiques et scientifiques sont exploités pour déchiffrer la façon d’obtenir une lecture de l’ensemble de l’espace de combinaison tout en ne montrant qu’un sous-ensemble.  Les conceptions expérimentales dans les articulations maximisent le nombre de points de données et la couverture dans les packages potentiels, tout en minimisant le nombre de profils que nous exposons au répondant.

Il existe plusieurs approches pour déterminer les cartes qui seront présentées au répondant. Une carte est un lot ou un profil présenté au répondant pour évaluation. Autrefois, lorsque les ordinateurs n’étaient pas aussi accessibles et puissants qu’aujourd’hui, des tables de conception prédéfinies étaient générées et référencées par les chercheurs.  Vous devez identifier le nombre de fonctionnalités et de niveaux (souvent un 3×3 ou un 4×4) et trouver le tableau de conception correspondant et l’intégrer à votre enquête.  Cependant, ces tables réduisent la flexibilité souhaitée par la plupart des chercheurs et doivent définir l’espace de l’attribut de caractéristique.

Désormais, la plupart des ensembles de cartes factoriels encapsulés basés sur une analyse conjointe et basée sur des évaluations qui seront présentés aux répondants. La fraction factorielle signifie que nous montrerons une fraction de la factorielle complète.

Il existe plusieurs éléments clés pour déterminer quel sous-ensemble stratégique de profils sera affiché dans l’enquête :

• Les jeux de cartes doivent avoir un équilibre relatif à chaque niveau. Cela signifie qu’au sein d’une caractéristique, chaque niveau doit être inclus dans un nombre similaire de paquets.
• Il ne doit pas y avoir un niveau affiché dans six paquets, tandis qu’un autre niveau n’est inclus que dans un seul paquet. Comme pour toute recherche d’enquête, les techniques de randomisation améliorent la validité des réponses et contrôlent le biais de l’ordre psychologique.
• Les conceptions conjointes sont les mieux adaptées lorsqu’il y a beaucoup de versions ou de blocs qui intègrent tous un sous-ensemble de paquets. Jordan Louviere (l’un des premiers pionniers de la modélisation de choix) et les fondateurs du Sawtooth Software s’accordent tous les deux à dire que plus les versions qui font partie de la conception globale, mieux c’est. Un répondant serait affecté à l’une de ces versions qui dicterait le package qui les constituerait.
• D’autres principes qui sont souvent inclus dans les discussions de conception conjointe sont l’orthogonalité et l’efficacité d.  Il existe des débats sur la nécessité et l’importance d’intégrer ces concepts dans le design expérimental pour les études conjointes.

Les questions de base qui doivent être saisies dans la génération de conception pour une analyse conjointe basée sur un choix sont le nombre de questions ou de tâches qui seront présentées au répondant ainsi que le nombre de choix ou d’alternatives qu’il y aura par question. L’approche traditionnelle basée sur les choix requiert généralement deux choix, et le répondant peut choisir entre l’option A et l’option B. Cela étant dit, il est tout à fait approprié de présenter trois paquets ou plus par question. La principale question à examiner est de savoir si davantage d’alternatives créeront une expérience écrasante pour le répondant. Parfois, se contenter d’évaluer deux offres groupées par préférence peut être une tâche fastidieuse. En outre, si une option « aucun de ces » doit être incluse dans l’étude, l’espace à l’écran peut offrir une meilleure expérience avec deux choix et l’aucun.

Le nombre de questions qui comprendra la partie conjointe de l’enquête doit être calculé en fonction du nombre de choix par tâche ainsi que de la taille des attributs conjoints testés. La formule générale pour déterminer le nombre de cartes à afficher est la suivante :

Nombre de cartes = Nombre total de niveaux – # de la fonctionnalité + 1

Le nombre total de niveaux est simplement la somme du nombre de niveaux dans toutes les fonctionnalités. En fonction du nombre total de cartes et du nombre de choix par question, il est facile de procéder à une ingénierie inverse du nombre de questions.

Cependant, certains appels sont plus subjectifs que d’autres. Par exemple, vous devrez peut-être décider si l’enquête doit être raccourcie en réduisant le nombre de questions et en augmentant les groupes par question, ou si cela nuit à la qualité des données. La meilleure approche pour résoudre l’équilibre entre les questions et les alternatives par question est simplement de tester. Créez l’enquête et lancez-la. Distribuez-la aux collègues et obtenez leur avis sur la densité de la question par rapport à la longueur de l’enquête.

Comment Qualtrics Conjoint génère son design expérimental

Qualtrics utilise une approche de conception d’équilibre randomisée qui encourage certains, mais pas trop, à chevaucher les niveaux. L’approche est similaire à la conception du chevauchement équilibré de Sawtooth. Cette approche est très efficace lorsqu’elle est associée aux techniques d’estimation hiérarchique bayésienne.  La base de l’approche de conception est de présenter aux différents répondants des packages différents qu’ils doivent évaluer. Nous voulons nous assurer que les différents niveaux sont correctement représentés pour l’évaluation. La conception est formulée avec des versions qui constituent l’ensemble des questions. Dans chaque version, il existe le même nombre de tâches et dans chaque tâche, il y a le même nombre de choix.

Le nombre de versions est calculé à l’aide de la formule suivante :

Nombre de versions = (nombre de base * nombre maximal de niveaux dans n’importe quelle fonctionnalité) / (nombre de choix par question * nombre de questions)

Le résultat de cette formule est arrondi au nombre rond le plus proche divisible par 10.

Le numéro de base est 750 si le nombre total de niveaux dans toutes les fonctionnalités est inférieur ou égal à 10, et il est de 1 000 si le nombre total de niveaux dans toutes les fonctionnalités est supérieur à 10.

L’algorithme génère d’abord de manière aléatoire des regroupements pour chacune des tâches et chacun des choix. Il effectue ensuite des contrôles sur chaque version pour s’assurer qu’il existe un solde relatif entre le nombre de fois où chaque niveau est affiché. L’algorithme ne force pas à montrer exactement le même nombre de fois chaque niveau, mais s’assure que la différence entre le niveau le plus vu dans cette version et le niveau le moins vu n’est pas plus qu’un écart de deux. Les versions qui ne remplissent pas ces conditions sont refactorisées tant qu’elles ne sont pas conformes aux règles de solde. L’algorithme se poursuit jusqu’à ce que le nombre souhaité de versions soit généré.

Taille de l’enquête et de l’échantillon

Programmation d’enquêtes

L’analyse conjointe repose sur les réponses recueillies dans le cadre de l’enquête. L’enquête est le point de contact avec les répondants où la conception est présentée et où des choix d’compromis sont effectués.

Lorsqu’une étude conjointe est menée, elle est généralement au centre de l’enquête, mais pas l’intégralité de celle-ci. Il est essentiel que l’exercice conjoint au sein de l’enquête soit concis et bien structuré. Les données et les informations seront aussi précises que les packages seront clairs. Une enquête conjointe peut généralement inclure des questions de sélection (pour garantir le bon type de répondant), une introduction avec des ressources éducatives et des questions démographiques. Il n’existe pas de règles strictes sur le nombre de questions pouvant être ajoutées à une étude conjointe ou sur l’emplacement de l’analyse conjointe dans le flux d’enquête. Il est à noter que toute question posée aux répondants en dehors de l’analyse conjointe prend du temps et de l’attention qui pourrait autrement être donnée à l’exercice conjoint. La longueur de l’enquête doit être prise en compte au fur et à mesure de la conception et de l’élaboration de l’étude. Fatiguer un répondant est une façon surefire de dégrader le calibre de l’étude. Les enquêtes qui prennent plus de 10 à 15 minutes sont plus sensibles à la fatigue et aux problèmes de qualité des données.

Les données collectées à partir d’une étude conjointe ne sont exactes que si le répondant peut se mettre de manière réaliste dans un contexte d’achat réel. S’assurer que le répondant est pleinement informé des packages qu’il sélectionnera est indispensable dans le cadre de l’analyse conjointe. De nombreuses études testent des concepts bien connus et relatables par le grand public. Cependant, si ce n’est pas le cas avec votre projet, du temps doit être consacré avant l’association pour éduquer correctement le répondant à l’aide de descriptions et/ou de vidéos. Plus un paquet est clair pour l’enquêteur, plus les services d’utilité publique qui en résulteront seront sûrs.

Outre que les descriptions sont simples et simples, la mise en page des cartes devrait également donner de la compréhension et de la clarté. Cela permet au répondant de faire des comparaisons et de répondre définitivement.

Taille de l’échantillon

Le nombre de réponses que vous devez collecter et la pertinence pour les personnes participant à l’enquête sont essentiels à la réussite et à l’exactitude des résultats conjoints. Voici une équation que Sawtooth Software utilise pour déterminer le nombre de réponses :

Nombre de répondants = (multiplicateur*c)/(t*a)

Multiplicateur = 750-1000

c = le plus grand nombre de niveaux parmi toutes les fonctionnalités

t = nombre de tâches ou de questions

a = nombre d’alternatives ou de choix par question

Nous recommandons que le multiplicateur soit de 750 pour les projets plus importants et de 1 000 pour les projets plus petits. Sawtooth recommande un multiplicateur de 300 à 500 mais nous pensons qu’un plus grand nombre fournit des résultats et des simulations plus concluants.

Il est important que les personnes prenant l’exercice conjoint reflètent celles qui seraient en jeu pour acheter, commander et choisir votre produit ou service. Souvent, les chercheurs définiront des vérificateurs au début de l’enquête pour veiller à ce que des avis pertinents soient recueillis.  Sinon, les groupes disposent souvent de listes de clients actuels ou potentiels sur lesquels ils peuvent déployer l’enquête.

Modélisation de l’analyse conjointe

Aperçu

L’analyse de l’analyse conjointe est l’endroit où les données se transforment en prédictions et modèles. C’est là que les sélections de répondants sont traduites en préférences. Le résultat de l’analyse sera une compréhension de ce qui est précieux et de ce qui ne l’est pas, et éclairera la manière dont les combinaisons doivent être regroupées.

Le noyau de l’analyse est la modélisation statistique qui estime l’utilité que les répondants attribuent à chaque niveau. En raison de la modélisation statistique, l’analyse conjointe a la réputation d’être « complexe », mais c’est aussi ce qui permet à l’entreprise conjointe d’avoir la réputation d’être une technique de recherche de classe mondiale. Il existe plusieurs approches statistiques utilisées pour calculer les préférences d’utilité, y compris la régression et la modélisation logistique multinationale, généralement menées au niveau agrégé.

Quelle que soit la manière dont les sélections de l’enquête sont modélisées, le résultat doit être des coefficients d’utilité qui représentent la valeur ou la préférence que la base du répondant a pour les différents niveaux de chaque caractéristique. Pour les conceptions et les méthodes d’analyse qui permettent des calculs individuels des scores d’utilité, nous pouvons dériver des modèles de préférence pour chaque répondant. Cela peut être avantageux pour un certain nombre de raisons, notamment la segmentation de diverses coupures de données, l’analyse de classe latente et les simulations. L’approche principale adoptée pour produire des modèles d’utilité individuels est l’estimation hiérarchique de Bayes (HB). Cette technique utilise des méthodes bayésiennes pour dériver probabilistiquement la valeur relative de chaque variable testée.

Estimation hiérarchique de Bayes

L’estimation hiérarchique de Bayes (HB) est un processus itératif qui englobe un modèle de niveau inférieur qui estime les utilitaires relatifs de l’individu pour les attributs testés, ainsi qu’un modèle de niveau supérieur qui identifie les prédictions de la population pour la préférence. Ces deux ensembles fonctionnent jusqu’à ce que l’analyse converge sur les coefficients qui représentent la valeur de chaque attribut pour chaque individu. L’estimation HB emprunte des informations à d’autres réponses pour obtenir des résultats encore meilleurs et plus stables au niveau individuel. Il est très robuste et nous permet d’obtenir de très bonnes lectures dans les préférences des clients, même en présentant moins de tâches au répondant.

La technique est considérée comme “hiérarchique” en raison des modèles supérieurs et inférieurs. Cette approche estime les préférences moyennes (modèle de niveau supérieur), puis jauge la différence entre chaque répondant et cette distribution pour dériver ses utilitaires spécifiques (modèle de niveau inférieur). Le processus se répète sur un certain nombre d’itérations pour nous aider finalement à nous atteler à la probabilité qu’un concept spécifique soit sélectionné en fonction de sa construction. Qualtrics utilise spécifiquement un modèle de régression logistique multinationale.

La solution d’analyse conjointe de Qualtrics utilise l’estimation de Bayes hiérarchique écrite en STAN pour calculer les utilitaires de préférence individuels. Qualtrics exécute 1 000 itérations par chaîne de Markov et 4 chaînes.

Coefficients d’utilité de niveau individuel

Le résultat du modèle bayésien sont des scores de préférence qui représentent l’utilité que l’individu attache à chaque niveau.  Ces scores sont souvent appelés utilitaires partworth et constituent la base de toutes les métriques et simulations résumées issues de l’étude conjointe.  Le fichier d’utilité aurait une ligne pour chaque répondant inclus dans l’analyse conjointe et une colonne pour chaque test de niveau unique dans l’étude. Dans la modélisation des préférences de chaque répondant, les utilitaires nous aident à prévoir les sélections que les répondants effectueraient face à différents groupes. Les utilitaires sont de nature ordinale et nous indiquent l’ordre de rang de chaque niveau testé avec une certaine ampleur de contribution à l’utilité totale du bundle d’un package.

Les scores de l’utilitaire partworth sont centrés sur zéro et sont généralement compris entre -5 et +5. Dans la solution conjointe, les scores de l’utilitaire brut pour chaque individu peuvent être exportés vers un fichier CSV à l’aide de l’option Métriques de résumé.

Synthèse des métriques et reporting conjoint

Mesures de synthèse conjointe

Avec les coefficients d’utilité dérivés comme base de l’analyse, les résultats et livrables peuvent être préparés pour présenter les résultats de l’étude. Ils constitueront les modules de toutes les métriques et simulations récapitulatives. Les principaux indicateurs de synthèse qui accompagnent généralement l’analyse conjointe sont détaillés ci-dessous.

• Importance de la caractéristique : quantité d’influence et d’impact d’une caractéristique dans la prise de décision entre les configurations de produit. Plus l’importance de la caractéristique est importante, plus elle a de poids et de contrôle dans ce qui rend un produit favorable. L’importance de la fonctionnalité est calculée en prenant la distance entre le meilleur et le pire niveau de cette fonctionnalité. Plus la distance est grande, plus la caractéristique est importante. Un moyen simple de penser à l’importance de la fonctionnalité est que les niveaux de cette fonctionnalité ont un grand impact sur la sélection ou non d’un package dans un modèle conjoint basé sur un choix.
• Scores d’utilité moyens : score d’utilité moyen de chaque niveau parmi tous les répondants. Ils sont de nature ordinale et montreront la préférence relative entre les niveaux. Les utilitaires moyens peuvent donner une certaine compréhension de la direction, mais ne doivent pas être une métrique autonome pour résumer l’analyse conjointe.
• Scores de préférence du premier choix : les scores de préférence du premier choix indiquent le pourcentage de répondants qui ont trouvé le plus d’utilité avec les différents niveaux. Dans le cadre des coefficients d’utilité de chaque répondant, ils auront un niveau supérieur ou préféré dans chaque fonction. Les scores du premier choix seront la distribution des répondants qui ont estimé que ce niveau était la meilleure option pour cette fonctionnalité.
• Partage des préférences : le partage des préférences est la mesure de la probabilité qu’un niveau soit choisi plutôt qu’un autre avec tous les autres composants de fonctionnalité maintenus constants. Il s’agit d’un produit des utilitaires calculé à l’aide d’un modèle de régression logistique multinomiale. Il est dérivé en exponentiant l’utilitaire de niveau et en le divisant par la somme de tous les niveaux exponentiels dans la fonctionnalité.
• Volonté de payer : montant qu’un client est prêt à payer pour un attribut particulier d’un produit par rapport à un autre attribut. En règle générale, nous recommandons de définir un cas de base ou un niveau de cas actuel, puis de déterminer combien ils sont disposés à payer plus ou moins par rapport au niveau de base. Chaque niveau peut avoir une volonté de payer par rapport au cas de base. Cela ne peut être utilisé que lorsque le prix ou le coût est une fonctionnalité dans l’analyse conjointe. Il est calculé en recherchant la différence d’utilité entre les différents prix psychologiques, puis en appliquant ce dollar par rapport aux autres niveaux et à leurs notes d’utilité. Nous aimons généralement calculer la volonté de payer au niveau du répondant, puis agréger et résumer.
• Packages optimaux : il s’agit du package optimal pour maximiser les préférences et l’attrait des clients. Il ne s’agit pas toujours de l’approche exacte qu’une organisation souhaite adopter, car le coût de la mise en œuvre peut être prohibitif, mais il peut guider de manière directe.

Reporting sur analyses conjointes

L’analyse conjointe peut fournir une variété d’informations incroyables sur le comportement prévu des clients. Différents indicateurs et graphiques peuvent présenter les tendances et les points communs dans les réponses. Mais le résultat principal d’une étude d’analyse conjointe doit toujours être le simulateur conjoint. Le simulateur devrait être l’outil de choix pour répondre à des questions clés telles que les compromis que les clients feraient et la manière dont les différents paquets se compareraient les uns aux autres. Les métriques résumées ci-dessus sont utiles et utiles, mais doivent toujours vous renvoyer au simulateur.

Simulations d’analyse conjointe

Qu’est-ce qu’un simulateur ?

Le simulateur d’analyse conjointe est un outil interactif qui facilite le test et la prédiction de la préférence parmi les configurations de produit plausibles. Le simulateur inclut généralement une série de listes déroulantes qui permet de créer des packages composés des attributs inclus dans l’étude conjointe. Au cœur, l’analyse conjointe est une technique permettant de reconnaître les compromis que les clients feraient lorsqu’ils sont présentés avec différents choix. Le simulateur de préférence incarne cet objectif en signalant les clients d’arbitrage estimés faire lorsqu’ils sont présentés avec 2 options ou plus. Les scénarios potentiels au sein d’un simulateur peuvent être astronomiques car les constructions de produit et les segments à inclure peuvent être modifiés.

En plus de l’analyse de compromis évidente, il existe une variété d’utilisations qui sont extrêmement utiles pour tirer des idées des résultats conjoints. Les pratiques les plus courantes avec le simulateur sont l’exécution d’une analyse de l’environnement concurrentiel, l’amélioration à partir d’une base de produits et la valeur relative des attributs des produits.

Objectifs métier couverts par le simulateur conjoint

Analyse de l’environnement concurrentiel avec un simulateur

Les entreprises en bonne santé examineront souvent l’évolution de la concurrence par rapport à la concurrence. L’analyse conjointe est un excellent outil pour découvrir comment les configurations de produit potentielles d’une entreprise seraient comparées aux options concurrentes sur le marché. Cela dépend toutefois des attributs des produits concurrents inclus dans les caractéristiques et les niveaux de l’étude. Dans le simulateur, les attributs de produit du concurrent peuvent être définis, puis, avec les options restantes, vous pouvez définir différents regroupements pour prévisualiser la façon dont ils s’adapteraient au marché existant.

Amélioration d’un produit existant à l’aide d’un simulateur

Souvent, les produits doivent faire l’objet de remaniements et d’améliorations pour garder une longueur d’avance sur leurs concurrents et rester pertinents et innovants. Cela nécessite des ajustements progressifs. Une étude conjointe est une méthodologie fantastique pour comprendre où les entreprises peuvent apporter les changements les plus convaincants pour attirer de nouveaux prospects et fidéliser leurs utilisateurs actuels. Avec les données disponibles, un simulateur peut être utilisé pour capturer les hypothèses de modification des attributs. L’« option 1 » dans le simulateur peut être définie comme étant le produit actuel, et l’« option 2 » peut être modifiée itérativement par le contrôleur pour découvrir où les gains les plus importants sont disponibles.

Jaugeage de la valeur relative des attributs de produit à l’aide d’un simulateur

Tout produit est, à son cœur, une combinaison de plusieurs fonctionnalités. C’est une somme de ses parties. Il est essentiel de donner la préférence à ces parties pour l’analyse conjointe. En développant la « préférence », il est judicieux d’essayer de quantifier davantage la valeur de chaque niveau. Si le prix a été inclus dans le groupe d’attributs, le simulateur peut être un outil en suspens pour générer cette valeur. Le processus consisterait à refléter la même configuration de produit dans “Option 1” et “Option 2”. En modifiant un niveau ou un groupe de niveaux, vous constaterez que le partage des préférences n’est plus égal. Avec l’autre option, déplacez le niveau de prix pour trouver où les deux colis sont à nouveau égaux. La différence de prix entre l'”option 1″ et l'”option 2″ peut être interprétée comme la valeur relative de ce niveau ou groupe de niveaux.

FAQ