White paper sull’analisi congiunta

Che cos’è l’Analisi congiunta?

Definizione

L’analisi congiunta è una tecnica di ricerca di mercato per misurare la preferenza e l’importanza che gli intervistati (clienti) pongono sui vari elementi di un prodotto o servizio. Può svolgere un ruolo fondamentale nella comprensione dei compromessi che le persone potrebbero realizzare quando vengono date diverse opzioni di prodotto e diverse configurazioni di prodotto. Al centro dell’analisi congiunta c’è l’idea che gli attributi del prodotto possono aumentare o diminuire la probabilità che un pacchetto complessivo venga acquistato; quindi possiamo quantificare tale preferenza.

Come viene condotta un’analisi congiunta?

L’analisi congiunta viene condotta mostrando ai partecipanti vari pacchetti (chiamati anche pacchetti, prodotti o opzioni). Ai partecipanti viene richiesto di valutare tali pacchetti e di selezionarne uno in base a ciò che hanno maggiori probabilità di acquistare o a quale sia il più attraente per loro. L’intervistato dovrà scegliere tra una serie di pacchetti, realizzando compromessi man mano che procede.

I sondaggi congiunti di solito hanno da due a quattro pacchetti per domanda. I partecipanti alle selezioni fanno luce su quali funzionalità e combinazioni di funzionalità vengono visualizzate più frequentemente nei bundle favorevoli, nonché quali funzionalità e combinazioni di funzionalità sono più comuni tra i bundle sfavorevoli.

I passaggi per eseguire un’analisi congiunta sono:

1. Determinare gli attributi da testare nell’analisi congiunta.
2. Generare il progetto sperimentale.
3. Progettare il sondaggio che ospita le attività congiunte.
4. Raccogli risposte.
5. Analizza i risultati congiunti.
6. Segnalare i risultati.

Ognuno di questi passaggi si basa sul precedente e si muove verso l’obiettivo finale: comprendere i compromessi e le preferenze favorevoli della base clienti.

Qualtrics ha sviluppato una soluzione XM che consente ai ricercatori di effettuare ricerche più ampie, consentendo loro di condurre rapidamente e semplicemente analisi congiunte e gestire gli intervistati attraverso esercizi di trade-off. Esistono diversi metodi e approcci per la raccolta dei dati delle scelte che sono noti come tipi congiunti. La soluzione Qualtrics XM supporta attualmente l’analisi congiunta (discreta) basata sulla scelta.

A quali obiettivi aziendali risponde l’analisi congiunta?

Conjoint è specializzato nel rispondere a domande a cui nessun’altra metodologia può rispondere. Alcune di queste domande includono:

• Quale caratteristica o funzionalità di un prodotto è più importante e influente nel misurare le preferenze e l’attrattiva?
• Su cosa si concentrano i clienti quando prendono la loro decisione di acquisto? Qual è l’impatto maggiore sull’acquisto o meno?
• Qual è il ruolo del prezzo nel processo decisionale e quali sono i punti dolci di prezzo?
• Quanto saranno sensibili i clienti ai cambiamenti nella determinazione dei prezzi?
• Qual è il valore monetario o relativo al mercato di ciascuna delle caratteristiche che stiamo pensando di includere? Quanto di più i clienti sarebbero disposti a pagare per una funzionalità premium?
• Quali compromessi avranno probabilmente i nostri clienti? Se sappiamo di dover aumentare il prezzo, quali caratteristiche o funzionalità possiamo aggiungere alla nostra offerta in modo da non perdere appeal e quote di mercato?
• Come si presenta la quota di mercato per i diversi prodotti? In che modo lo spostamento e la modifica della configurazione del prodotto incidono sulla quota di mercato?
• Come si confrontano i prodotti che stiamo valutando rispetto alla concorrenza? Cosa possiamo fare per competere al meglio con ciò che è attualmente sul mercato?
• Se vogliamo apportare modifiche al nostro prodotto esistente, quali sono i miglioramenti migliori che possiamo apportare? Cosa risuonerà meglio con i nostri clienti esistenti?
• Qual è il prodotto ottimale che possiamo offrire per aumentare il numero di acquirenti? Per massimizzare i nostri ricavi? Per massimizzare i nostri profitti?

Come puoi vedere, l’analisi congiunta può fornire informazioni approfondite su domande aziendali dinamiche e diversificate, che sono solo le domande relative al prodotto a cui risponde. La lunghezza e la legittimità di questa lista è una ragione primaria per cui coloro che conducono regolarmente analisi congiunte le amano così tanto. Le interazioni forniscono una visione in un’ampia gamma di obiettivi aziendali e possono fornire fiducia cruciale ai ricercatori e alle organizzazioni.

Definizione degli attributi dell’analisi congiunta

Funzionalità e livelli

La struttura delle variabili che vogliamo incorporare in un’analisi congiunta è funzionalità e livelli.  Le caratteristiche sono le categorie primarie delle variabili; ogni caratteristica consiste in un insieme di livelli, che sono unità più specifiche di ogni caratteristica.

Esiste un difficile equilibrio nel decidere quali caratteristiche e livelli saranno inseriti nello studio. Se non metti alla prova una variabile, otterrai una visione zero nella sua preferenza, ma testare troppe funzionalità e livelli può portare ad affaticamento degli intervistati, risposte incoerenti e dati senza valore.

Non esiste un approccio universale per quanto riguarda il numero di domande e pacchetti che presentate a ciascun partecipante.  Anche se diversi tipi di congiunzione possono facilitare variabili maggiori o minori, tradizionalmente i ricercatori vorrebbero includere 2-8 caratteristiche con 2-7 livelli per caratteristica.  Poiché questa esperienza si adatta al partecipante, questo è considerato il punto dolente per l’analisi congiunta basata sulla scelta, e generalmente darà i migliori risultati.

Tieni presente che più funzionalità e livelli includi, più difficile e travolgente sarà l’analisi congiunta per gli intervistati. Più caratteristiche e più livelli significa che dobbiamo porre più domande.  Questo tug-of-war tra verificare o meno un attributo del prodotto è una decisione importante che non va trascurata. I ricercatori dovrebbero considerare attentamente ciò che deve essere inserito nell’analisi congiunta e ciò che deve essere escluso.

Indipendentemente dal numero di attributi testati nell’analisi congiunta, è essenziale che siano chiari e concisi. Se gli intervistati non riescono a cogliere i pacchetti che stanno rivedendo, i dati non significheranno nulla. Il testo utilizzato sia per le caratteristiche che per i relativi livelli dovrebbe descriverle in modo chiaro ma accurato. Il creatore dello studio dovrebbe considerare e anche concentrarsi sull’ispettore e sul loro contesto del prodotto in esame. Chiedete: “Qualcuno al di fuori della nostra azienda capirà questi pacchetti?”

Tenete presente che un testo lungo può ingannare la pagina e rendere le attività di scelta scoraggianti e travolgenti. Un ampliamento fantastico può essere l’utilizzo di immagini quando si trovano le parole corrette per definire un attributo sembra impegnativo. “Un quadro vale mille parole” può suonare vero nell’analisi congiunta.

Esclusioni e coppie vietate

Quando il team sta determinando gli attributi del prodotto da testare, è importante cercare combinazioni che semplicemente non hanno senso combinare. Non si tratta necessariamente di due livelli che difficilmente possono essere accoppiati, ma di due livelli che sarebbero confusi e impossibili da abbinare. Questi sono in genere indicati come esclusioni, o coppie vietate.

La rimozione delle coppie vietate crea buchi nel nostro design e modello e riduce la natura indipendente delle variabili, quindi dovrebbero essere evitate laddove possibile.

Progettazione sperimentale

Progettazione sperimentale e analisi congiunta

La natura della maggior parte dei progetti di analisi congiunta è che non tutte le combinazioni possono essere mostrate a un intervistato. Un elenco di ogni combinazione, o la fattoriale completa, può facilmente raggiungere le centinaia o migliaia di fasci. Ovviamente, non potremmo mai mostrare a ciascun partecipante ogni possibile pacchetto. Ma come ottenere approfondimenti sulla favorita’ delle diverse combinazioni?

Analogamente ad altri approcci sperimentali, i principi strategici e scientifici sono sfruttati nel decifrare come ottenere una lettura dell’intero spazio combinato mostrando solo un sottoinsieme.  I progetti sperimentali nei congiunti massimizzano il numero di data point e la copertura attraverso potenziali pacchetti, riducendo al minimo il numero di profili che esponiamo all’intervistato.

Ci sono diversi approcci nel determinare le carte che saranno presentate all’intervistato. Una scheda è un pacchetto o un profilo presentato al partecipante per la valutazione. In passato, quando i computer non erano accessibili e potenti come ora, i ricercatori generavano e facevano riferimento a tabelle di progettazione predefinite.  Identificheresti il numero di funzioni e livelli (spesso un 3×3 o un 4×4) e andrai a trovare la tabella di progettazione corrispondente e incorporarla nel tuo sondaggio.  Tuttavia, queste tabelle riducono la flessibilità richiesta dalla maggior parte dei ricercatori e devono definire lo spazio degli attributi della caratteristica.

Ora, la maggior parte dei progetti di analisi congiunta basata sulla scelta e sulla valutazione racchiude insiemi di schede fittizie che saranno presentate agli intervistati. Frazione fattoriale significa che mostreremo una frazione del fattoriale pieno.

Per determinare quale sottoinsieme strategico di profili verrà visualizzato all’interno dell’indagine ci sono diversi ingredienti chiave:

• I set di carte devono avere un equilibrio relativo per ogni livello. Ciò significa che all’interno di una caratteristica, ogni livello dovrebbe essere incluso in un numero simile di pacchetti.
• Non deve esserci un livello visualizzato in sei pacchetti, mentre un altro livello è incluso in un solo pacchetto. Come per qualsiasi ricerca di indagine, le tecniche di randomizzazione migliorano la validità delle risposte e la distorsione dell’ordine della psicologia di controllo.
• I progetti congiunti sono più adatti quando ci sono molte versioni o blocchi che incorporano tutti un sottoinsieme di pacchetti. Jordan Louviere (uno dei primi pionieri della modellazione della scelta) e i fondatori della Sawtooth Software concordano entrambi sul fatto che più versioni fanno parte del design complessivo, meglio è. Un intervistato verrebbe assegnato a una di quelle versioni che determinerebbero i costrutti del pacchetto da presentare.
• Altri principi che sono spesso inclusi nelle discussioni sulla progettazione congiunta sono l’ortogonalità e l’efficienza.  Ci sono dibattiti sulla necessità e l’importanza di integrare questi concetti nella progettazione sperimentale per gli studi congiunti.

Le domande di base che devono essere inserite nella generazione della progettazione per l‘analisi congiunta basata sulla scelta sono il numero di domande o attività che saranno presentate al partecipante, nonché il numero di scelte o alternative che ci saranno per ogni domanda. L’approccio tradizionale basato sulle scelte richiede in genere due scelte e il rispondente sceglie tra l’opzione A e l’opzione B. Detto questo, è assolutamente opportuno mostrare tre o più pacchetti per domanda. La questione principale da esaminare è se più alternative creeranno un’esperienza travolgente per l’intervistato. Talvolta solo valutare due pacchetti di preferenze può essere un’attività scoraggiante. Inoltre, se nello studio deve essere inclusa l’opzione “nessuna di queste”, lo spazio sullo schermo potrebbe offrire un’esperienza migliore con due scelte e nessuna.

Il numero di domande che comprenderanno la parte congiunta del sondaggio dovrebbe essere calcolato in base al numero di scelte per attività nonché alla dimensione degli attributi congiunti oggetto di test. La formula generale per determinare il numero di carte da visualizzare è:

Numero di schede = N. totale di livelli – N. di funzionalità + 1

Il numero totale di livelli è semplicemente la somma del numero di livelli in tutte le funzionalità. In base al numero totale di schede e al numero di scelte per domanda, è facile invertire il numero di domande.

Tuttavia, alcuni richiami sono più soggettivi di altri. Ad esempio, potrebbe essere necessario decidere se il questionario deve essere abbreviato riducendo il numero di domande e aumentando i pacchetti per domanda o se ciò danneggia la qualità dei dati. L’approccio migliore per risolvere l’equilibrio tra le domande e le alternative per ogni domanda è semplicemente quello di verificare. Crea il sondaggio e compilalo. Distribuiscilo ai colleghi e ottieni la loro opinione sulla densità della domanda rispetto alla lunghezza del sondaggio.

Come una Qualtrics Conjoint genera il suo design sperimentale

Qualtrics utilizza un approccio randomizzato alla progettazione dell’equilibrio che incoraggia alcune, ma non troppo, sovrapposizioni con i livelli. L’approccio è simile al Balanced Overlap Design di Sawtooth. Questo approccio è altamente efficace se abbinato a tecniche di stima gerarchica bayesiana.  La base dell’approccio progettuale consiste nel presentare ai diversi rispondenti diversi pacchetti da valutare. Vogliamo assicurarci che i diversi livelli siano adeguatamente rappresentati ai fini della valutazione. Il design è formulato con le versioni che sono l’insieme delle domande. All’interno di ogni versione vi è la stessa quantità di attività e all’interno di ogni attività vi è lo stesso numero di scelte.

Il numero di versioni viene calcolato utilizzando la seguente formula:

Numero di versioni = (Numero di base * Numero massimo di livelli in qualsiasi funzionalità) / (Numero di scelte per domanda * numero di domande)

Il risultato di questa formula viene arrotondato al numero tondo più vicino divisibile per 10.

Il numero di base è 750 se il numero totale di livelli in tutte le funzionalità è minore o uguale a 10 e 1.000 se il numero totale di livelli in tutte le funzionalità è maggiore di 10.

L’algoritmo genera prima in modo casuale pacchetti per ciascuna delle attività e delle scelte. Ha quindi controlli su ogni versione per assicurarsi che vi sia un saldo relativo nel numero di volte in cui viene visualizzato ogni livello. L’algoritmo non forza ogni livello a mostrare esattamente lo stesso numero di volte, ma garantisce che la differenza tra il livello più visto in quella versione e il livello meno visto non sia più di una deviazione di due. Le versioni che non soddisfano queste condizioni vengono sottoposte a refactoring fino a quando non rispettano le regole di bilanciamento. L’algoritmo continua fino a quando non viene generato il numero desiderato di versioni.

Dimensione sondaggio e campione

Programmazione del sondaggio

L’analisi congiunta è supportata dalle risposte raccolte attraverso il sondaggio. Il sondaggio è il punto di contatto con gli intervistati in cui viene presentato il design e vengono effettuate le selezioni di trade-off.

Quando viene condotto uno studio congiunto, di solito è il fulcro del sondaggio, ma non la sua totalità. È fondamentale che l’esercizio congiunto all’interno dell’indagine sia conciso e ben strutturato. I dati e le analisi saranno accurati solo quanto i pacchetti sono chiari. Un sondaggio congiunto può comunemente includere domande esaminatore (per garantire che il giusto tipo di intervistato lo faccia passare), un’introduzione con risorse educative e domande demografiche. Non ci sono regole rigide sul numero di altre domande che possono essere aggiunte a uno studio congiunto o su dove nel Flusso del sondaggio dovrebbe cadere l’analisi congiunta. Va notato che qualsiasi domanda posta agli intervistati al di fuori dell’analisi congiunta richiede tempo e attenzione che altrimenti potrebbe essere data all’esercizio congiunto. La durata dell’indagine va considerata in quanto lo studio è in fase di progettazione e costruzione. Fatiguing a respondent è un modo surefire di degradare il calibro dello studio. I sondaggi che richiedono più di 10-15 minuti sono più suscettibili di affaticamento e problemi di qualità dei dati

I dati raccolti da uno studio congiunto sono accurati solo se l’intervistato può realisticamente inserirsi in un’effettiva impostazione di acquisto. Assicurare che l’intervistato sia pienamente informato sui pacchetti che selezionerà è un must nell’ambito dell’analisi congiunta. Molti sono studi che testano concetti ben noti e relazionabili dal grande pubblico. Tuttavia, se non è così per il vostro progetto, il tempo dovrebbe essere dedicato in anticipo all’analisi congiunta per educare adeguatamente l’intervistato attraverso descrizioni e/o video. Più chiaro è un pacchetto per chi effettua il sondaggio, più verrebbero le utenze che ne risulteranno.

Oltre alla semplicità e semplicità delle descrizioni, la disposizione delle carte dovrebbe anche favorire la comprensione e la chiarezza. Questo consente all’intervistato di fare confronti e rispondere in modo definitivo.

Dimensioni del campione

Il numero di risposte che dovresti raccogliere e la rilevanza per le persone che partecipano al sondaggio sono fondamentali per il successo e l’accuratezza dei risultati congiunti. Ecco un’equazione che Sawtooth Software utilizza per determinare il numero di risposte:

Numero di intervistati = (moltiplicatore*c)/(t*a)

moltiplicatore = 750-1000

c = numero maggiore di livelli in tutte le funzionalità

t = numero di task o domande

a = numero di alternative o scelte per domanda

Si raccomanda che il moltiplicatore sia 750 per i progetti più grandi e 1000 per i progetti più piccoli. Sawtooth raccomanda un moltiplicatore da 300 a 500 ma sentiamo che un numero maggiore fornisce risultati e simulazioni più conclusivi.

È importante che le persone che effettuano l’esercizio congiunto riflettano quelle che sarebbero in gioco per acquistare, ordinare e optare per il vostro prodotto o servizio. Spesso i ricercatori definiranno gli esaminatori all’inizio dell’indagine per garantire la raccolta dei pareri pertinenti.  In alternativa, i gruppi spesso dispongono di elenchi di clienti attuali o potenziali in cui possono distribuire l’indagine.

Modellazione dell’analisi congiunta

Panoramica

L’analisi congiunta è il punto in cui i dati si trasformano in previsioni e modelli. È qui che le selezioni degli intervistati vengono tradotte in preferenze. L’esito dell’analisi sarà la comprensione di ciò che è prezioso e ciò che non lo è, e illuminerà il modo in cui le combinazioni dovrebbero essere combinate.

Il nocciolo dell’analisi è la modellazione statistica che stima l’utilità che gli intervistati assegnano ad ogni livello. A causa della modellazione statistica, l’analisi congiunta ottiene la reputazione di “complesso”, ma questo è anche ciò che permette all’analisi congiunta di avere la reputazione di essere una tecnica di ricerca di livello mondiale. Ci sono diversi approcci statistici usati per calcolare le preferenze di utilità, tra cui la regressione e la modellazione logistica multinomiale, tipicamente condotti a livello aggregato.

Indipendentemente dal modo in cui sono modellate le selezioni del sondaggio, l’output dovrebbe essere costituito da coefficienti di utilità che rappresentano il valore o la preferenza che la base intervistato ha per i diversi livelli di ciascuna funzione. Per le progettazioni e i metodi di analisi che consentono calcoli a livello individuale dei punteggi di utilità, possiamo ricavare modelli di preferenza per ogni singolo intervistato. Ciò può essere vantaggioso per una serie di motivi tra cui la segmentazione di vari tagli di dati, l’analisi di classe latente e le simulazioni. L’approccio principale adottato per produrre modelli di utilità basati sull’individuo è la stima di Bayes gerarchica (HB). Questa tecnica utilizza metodi bayesiani per derivare probabilisticamente il valore relativo di ogni variabile sottoposta a test.

Stima gerarchica Bayes

La stima di Bayes gerarchica (HB) è un processo iterativo che comprende un modello di livello inferiore che stima le utilità relative dell’individuo per gli attributi testati, nonché un modello di livello superiore che individua le previsioni di preferenza della popolazione. Questi due lavorano insieme fino a quando l’analisi converge sui coefficienti che rappresentano il valore di ogni attributo per ogni singolo individuo. La stima HB prende in prestito informazioni da altre risposte per ottenere risultati ancora migliori e più stabili a livello individuale. E’ molto robusto e ci permette di ottenere delle buone letture nelle preferenze dei clienti, anche presentando meno attività all’intervistato.

La tecnica è considerata “gerarchica” a causa dei modelli di livello superiore e inferiore. Questo approccio stima le preferenze medie (modello di livello superiore) e quindi misura quanto sia diverso ogni intervistato da quella distribuzione per ricavare le proprie utilità specifiche (modello di livello inferiore). Il processo si ripete su un certo numero di iterazioni per aiutarci in ultima analisi ad affinare la probabilità che un concetto specifico venga selezionato in base al suo costrutto. Qualtrics utilizza specificamente un modello Multinomial Logistic Regression.

La soluzione di analisi congiunta di Qualtrics utilizza la stima gerarchica di Bayes scritta in STAN per calcolare le singole utilità di preferenza. Qualtrics esegue 1000 iterazioni per Markov Chain e 4 catene.

Coefficienti di utilità a livello individuale

Il risultato del modello bayesiano sono punteggi di preferenza che rappresentano l’utilità che l’individuo attacca ad ogni livello.  Questi punteggi sono spesso chiamati utilità di partworth e sono la base di tutte le metriche di riepilogo e simulazioni derivate dallo studio congiunto.  Il file dell’utility avrebbe una riga per ogni intervistato incluso nell’analisi congiunta e una colonna per ogni test di livello unico all’interno dello studio. Nel modellare le preferenze di ogni intervistato, le utilities ci aiutano a prevedere le selezioni che gli intervistati effettuerebbero di fronte a diversi pacchetti. Le utenze sono ordinali in natura e ci dicono l’ordine di rango di ogni livello testato con una certa grandezza di contributo all’utilità del fascio totale di un pacchetto.

I partworth utility score sono centrati sullo zero e sono generalmente compresi tra -5 e +5. Nella soluzione congiunta, i punteggi di utilità non elaborati per ogni individuo possono essere esportati in un file CSV utilizzando l’opzione Metriche di riepilogo.

Metriche di riepilogo e reporting congiunto

Metriche di riepilogo congiunto

Con i coefficienti di utilità derivati come base dell’analisi, si possono preparare output e deliverable per mostrare i risultati dello studio. Saranno i moduli di tutte le metriche e simulazioni di riepilogo. Le principali metriche riepilogative che generalmente accompagnano l’analisi congiunta sono dettagliate di seguito.

• Importanza della funzionalità: la quantità di influenza e l’impatto che una funzione ha nel processo decisionale tra le configurazioni di prodotto. Maggiore è l’importanza della caratteristica, maggiore è il suo peso e controllo in ciò che rende un prodotto favorevole. L’importanza della funzionalità viene calcolata prendendo la distanza tra il livello migliore e quello peggiore all’interno di tale funzionalità. Più grande è la distanza, più importante è la caratteristica. Un modo semplice per pensare all’importanza delle funzionalità è che i livelli di tale funzionalità hanno un grande impatto sulla selezione o meno di un pacchetto in un modello congiunto basato sulla scelta della scelta.
• Punteggi medi di utilità: il punteggio medio di utilità di ogni livello per tutti gli intervistati. Questi sono ordinali in natura e mostreranno la relativa preferenza tra i livelli. Le utilities medie possono dare una certa comprensione direzionale ma non dovrebbero essere una metrica standalone per riepilogare l’analisi congiunta.
• Punteggi preferenza prima scelta: i punteggi delle preferenze della prima scelta indicano la percentuale di intervistati che ha trovato la maggiore utilità con i diversi livelli. All’interno dei coefficienti di utilità di ogni intervistato avranno un livello superiore o più preferito all’interno di ogni funzione. I punteggi della prima scelta saranno la distribuzione degli intervistati che hanno trovato quel livello l’opzione migliore per quella funzione.
• Quota di preferenza: la quota di preferenza è la misura della probabilità che un livello venga scelto rispetto ad un altro con tutti gli altri componenti della caratteristica mantenuti costanti. È un prodotto delle utilities che vengono calcolate utilizzando un modello Multinomial Logistic Regression ed è derivato esponendo l’utilità di livello e dividendo quella per la somma di tutti i livelli espansi all’interno della caratteristica.
• Disponibilità a pagare: la quantità di denaro che un cliente è disposto a pagare per un particolare attributo di un prodotto rispetto a un altro attributo. In genere si consiglia di definire un caso di base o un livello del caso corrente per poi determinare quanto più o meno sono disposti a pagare rispetto al livello base. Ogni livello può avere la volontà di pagare rispetto al caso base. Questo può essere utilizzato solo quando il prezzo o il costo è una funzione nell’analisi congiunta. Viene calcolato trovando l’importo della differenza di utilità tra i diversi prezzi psicologici e quindi applicando quel rapporto di dollaro per utility agli altri livelli e ai relativi punteggi di utilità. Di solito ci piace calcolare la disponibilità a pagare a livello di intervistato per poi aggregare e riepilogare.
• Pacchetti ottimali: questo è il pacchetto ottimale per quanto riguarda la massimizzazione delle preferenze e dell’appeal dei clienti. Questo potrebbe non essere sempre l’approccio esatto verso cui un’organizzazione vorrebbe muoversi, in quanto il costo dell’implementazione potrebbe essere proibitivo, ma può guidare in modo direzionale.

Reporting sulle analisi congiunte

L’analisi congiunta può fornire una varietà di informazioni incredibili sul comportamento previsto dei clienti. Diverse metriche e grafici possono mostrare tendenze e punti comuni nelle risposte. Ma il risultato primario di uno studio di analisi congiunta dovrebbe essere sempre il simulatore congiunto. Il simulatore dovrebbe essere lo strumento di scelta per rispondere a domande chiave come i compromessi che i clienti farebbero e il modo in cui i diversi pacchetti si confronterebbero tra loro. Le metriche di riepilogo elencate sopra sono utili e servono a uno scopo, ma dovrebbero sempre rimandare al simulatore.

Simulazioni analisi congiunta

Che cos’è un simulatore?

Il simulatore di analisi congiunta è uno strumento interattivo che facilita il test e la previsione delle preferenze tra configurazioni di prodotto plausibili. Il simulatore include tipicamente una serie di caselle di riepilogo a discesa che consentono la creazione di pacchetti che consistono degli attributi che sono stati inclusi nello studio congiunto. Al centro, l’analisi congiunta è una tecnica per riconoscere i compromessi che i clienti farebbero quando presentati con scelte diverse. Il simulatore di preferenze incarna questo obiettivo segnalando i vantaggi stimati che i clienti dovrebbero realizzare quando presentano 2 o più opzioni. Gli scenari potenziali all’interno di un simulatore possono essere astronomici in quanto i costrutti del prodotto e i segmenti da includere possono essere alterati.

Oltre all’ovvia analisi trade-off, vi è una varietà di usi che sono estremamente preziosi per ricavare informazioni dai risultati congiunti. Le pratiche più diffuse con il simulatore sono l’esecuzione di analisi dell’infrastruttura competitiva, il miglioramento rispetto a un caso di base del prodotto e il valore relativo degli attributi del prodotto.

Obiettivi aziendali coperti dal simulatore di analisi congiunta

Analisi dell’infrastruttura competitiva con un simulatore

Le imprese sane spesso guarderanno dalla loro parte alla ricerca come si confronta la concorrenza. L’analisi congiunta è un ottimo strumento per scoprire come le potenziali configurazioni di prodotto di un’azienda si confronterebbero con le opzioni concorrenti sul mercato. Ciò dipende tuttavia dagli attributi dei prodotti concorrenti inclusi nelle caratteristiche e nei livelli dello studio. All’interno del simulatore, è possibile disporre gli attributi del prodotto del concorrente e quindi, con le restanti opzioni, è possibile definire diversi pacchetti per visualizzare in anteprima come si staccherebbero fino al mercato esistente.

Miglioramento di un prodotto esistente con un simulatore

Spesso i prodotti devono passare attraverso rinnovamenti e miglioramenti per stare al passo con la concorrenza e rimanere pertinenti e innovativi. Ciò richiede adeguamenti progressivi. Uno studio congiunto è una metodologia fantastica per capire dove le aziende possono apportare i cambiamenti più convincenti per entusiasmare nuovi potenziali clienti e fidelizzare gli utenti attuali. Con i dati in mano, un simulatore può essere utilizzato per acquisire i valori di simulazione delle modifiche agli attributi. “Opzione 1” all’interno del simulatore può essere impostata come il prodotto attuale, e “Opzione 2” può essere modificata iterativamente dal controller per scoprire dove sono disponibili i maggiori guadagni.

Misurazione del valore relativo degli attributi prodotto con un simulatore

Qualsiasi prodotto è, al centro, una combinazione di più caratteristiche. È una somma delle sue parti. Affrontare la preferenza di queste parti è essenziale per l’analisi congiunta. Espandendo in base alla “preferenza”, ha senso cercare di quantificare ulteriormente il valore di ogni livello. Se il prezzo è stato incluso nel set di attributi, il simulatore può essere uno strumento in sospeso per inferire quel valore. Il processo consisterebbe nel rispecchiare la stessa configurazione del prodotto nell'”Opzione 1″ e nell'”Opzione 2″. Modificando un singolo livello o un gruppo di livelli, si troverà la quota di preferenza non più uguale. Con l’altra opzione, spostare il livello di prezzo per trovare il punto in cui i due pacchetti ora sono di nuovo uguali. La differenza di prezzo tra “Opzione 1” e “Opzione 2” può essere interpretata come il valore relativo di quel livello o gruppo di livelli.

FAQ