White paper de análise conjunta

O que é análise conjunta?

Definição

A análise conjunta é uma técnica de pesquisa de mercado para medir a preferência e a importância que os respondentes (clientes) colocam sobre os vários elementos de um produto ou serviço. Ele pode desempenhar um papel fundamental na compreensão dos trade-offs que as pessoas fariam ao receber diferentes opções de produto e configurações de produto diferentes. No centro da análise conjunta está a ideia de que os atributos do produto podem aumentar ou diminuir a probabilidade de um pacote global ser comprado; assim, podemos quantificar essa preferência.

Como é realizada uma análise conjunta?

A análise conjunta é realizada mostrando aos participantes pacotes variáveis (também chamados de pacotes, produtos ou opções). Os participantes são instruídos a avaliar esses pacotes e selecionar um com base no que é mais provável de comprar, ou qual é o mais atraente para eles. O respondente terá que escolher entre uma série de pacotes, fazendo trade-offs à medida que prosseguem.

Pesquisas conjuntas geralmente têm entre dois a quatro pacotes por pergunta. As seleções participantes lançam luz sobre quais características e combinações de características aparecem com maior frequência em pacotes favoráveis, bem como quais características e combinações de características são mais comuns entre os feixes desfavoráveis.

As etapas para executar uma análise conjunta são:

1. Determine os atributos a serem testados na análise conjunta.
2. Gere o desenho experimental.
3. Crie a pesquisa que hospeda as tarefas conjuntas.
4. Coletar respostas.
5. Analise os resultados conjuntos.
6. Notifique os resultados.

Cada uma dessas etapas se baseia no anterior e trabalha em direção ao objetivo final: entender as compensações e preferências favoráveis da base de clientes.

A Qualtrics desenvolveu uma solução XM que permite aos pesquisadores em suas pesquisas maiores realizar análises conjuntas de maneira rápida e simples e executar os entrevistados por meio de exercícios práticos. Existem diferentes métodos e abordagens para coletar os dados de escolha que são conhecidos como tipos conjuntos. A solução Qualtrics XM atualmente suporta análise conjunta baseada em seleção (discreta).

Quais objetivos empresariais a análise conjunta responde?

Conjoint é especializada em responder perguntas que nenhuma outra metodologia pode responder. Algumas dessas perguntas incluem:

• Qual recurso ou funcionalidade de um produto é mais importante e influente na medição de preferência e apelo?
• Em que os clientes estão focados ao tomar sua decisão de compra? Qual é o maior impacto na compra ou não?
• Qual é o papel do preço na tomada de decisão e quais são os pontos ideais de determinação de preços?
• Qual será a sensibilidade dos clientes em relação às mudanças no preço?
• Qual é o valor monetário ou relativo para o mercado de cada um dos recursos que estamos pensando em incluir? Quanto mais clientes estariam dispostos a pagar por um recurso premium?
• Que concessões nossos clientes provavelmente farão? Se sabemos que precisamos aumentar o preço, quais recursos ou funcionalidades podemos adicionar à nossa oferta para não perdermos apelo e participação no mercado?
• Como é a participação no mercado para diferentes produtos? Como o deslocamento e a mudança da configuração do produto afetam a participação no mercado?
• Como os produtos que estamos considerando se comparam com os da concorrência? O que podemos fazer para melhor competir com o que está atualmente no mercado?
• Se quisermos fazer alterações em nosso produto existente, quais são as melhores melhorias que podemos fazer? O que vai repercutir melhor com nossos clientes existentes?
• Qual é o produto ideal que podemos oferecer para aumentar o número de compradores? Para maximizar nossa receita? Para maximizar nossos lucros?

Como você pode ver, a análise conjunta pode fornecer insights para perguntas de negócios diversificadas e dinâmicas – e essas são apenas as consultas relacionadas ao produto às quais ela responde. A extensão e legitimidade dessa lista é uma das principais razões pelas quais aqueles que realizam regularmente análises conjuntas são tão caras deles. Conjuntos fornecem visão em uma ampla gama de objetivos de negócios e podem fornecer confiança crucial para pesquisadores e organizações.

Definição dos atributos conjuntos

Recurso e níveis

A estrutura das variáveis que queremos incorporar em uma análise conjunta são recursos e níveis.  As características são as principais categorias das variáveis; cada característica consiste em um conjunto de níveis, que são unidades mais específicas de cada característica.

Há um equilíbrio complicado para decidir quais características e níveis serão incorporados no estudo. Se você não testar uma variável, obterá visão zero em sua preferência, mas testar muitos recursos e níveis pode levar à fadiga do respondente, respostas inconsistentes e dados inúteis.

Não há uma abordagem única quando se trata do número de perguntas e pacotes que você apresenta a cada entrevistado.  Embora diferentes tipos de conjunta possam facilitar maiores ou menos variáveis, tradicionalmente os pesquisadores desejariam incluir 2-8 características com 2-7 níveis por característica.  Como essa experiência melhor se adequa ao entrevistado, esta é considerada a mancha doce para a análise conjunta baseada na escolha, e geralmente trará os melhores resultados.

Lembre-se de que quanto mais recursos e níveis você incluir, mais difícil e esmagadora será a conjunção para os entrevistados. Mais recursos e níveis significa que precisamos fazer mais perguntas.  Esse tipo de guerra entre testar ou não um atributo de produto é uma decisão importante que não deve ser negligenciada. Os pesquisadores devem considerar cuidadosamente o que deve ser inserido na articulação e o que deve ser excluído.

Independentemente do número de atributos que você testa no conjunto, é essencial que sejam claros e concisos. Se os entrevistados não conseguirem entender os pacotes que estão revisando, os dados não significarão nada. O texto usado para as características e seus níveis deve descrevê-los de forma simples, mas precisa. O autor do estudo deve considerar e até focalizar o pesquisador e seu contexto do produto a ser examinado. Pergunte-se: “Alguém fora da nossa empresa entenderá esses pacotes?”

Lembre-se de que um texto longo pode atrapalhar a página e tornar as tarefas de escolha assustadoras e esmagadoras. Um aprimoramento fantástico pode ser usar imagens ao encontrar as palavras certas para definir um atributo parece desafiador. “Uma imagem vale mil palavras” pode ser verdade em análise conjunta.

Exclusões e pares proibidos

Quando a equipe está determinando os atributos do produto a serem testados, é importante procurar combinações que simplesmente não façam sentido combinar. Estes não são necessariamente dois níveis que são improváveis de serem emparelhados juntos, mas dois níveis que seriam confusos e impossíveis de emparelhar. Eles são normalmente referidos como exclusões, ou pares proibidos.

A remoção de pares proibidos cria buracos em nosso projeto e modelo e reduz a natureza independente das variáveis, de modo que elas devem ser evitadas sempre que possível.

Desenho experimental

Desenho experimental e análise conjunta

A natureza da maioria dos projetos de análise conjunta é que nem todas as combinações podem ser exibidas a um entrevistado. Uma lista de todas as combinações, ou o fatorial completo, pode facilmente chegar às centenas ou milhares de feixes. Obviamente, nunca poderíamos mostrar a cada respondente todos os pacotes possíveis. Mas como obter insights sobre a favorabilidade de diferentes combinações?

Semelhante a outras abordagens experimentais, princípios estratégicos e científicos são alavancados na decifração de como obter uma leitura de todo o espaço combinado enquanto apenas mostra um subconjunto.  Desenhos experimentais em conjuntas maximizam o número de pontos de dados e a cobertura entre pacotes potenciais, minimizando o número de perfis que expomos ao respondente.

Existem várias abordagens na determinação dos cartões que serão apresentados ao entrevistado. Um cartão é um pacote ou um perfil sendo apresentado ao entrevistado para avaliação. No passado, quando os computadores não eram tão acessíveis e poderosos como agora, tabelas de design predefinidas foram geradas e referenciadas pelos pesquisadores.  Você identificaria o número de recursos e níveis (geralmente 3×3 ou 4×4) e encontraria a tabela de design correspondente e incorporaria isso em sua pesquisa.  No entanto, essas tabelas reduzem a quantidade de flexibilidade que a maioria dos pesquisadores quer e precisa definir o espaço de atributos do recurso.

Agora, a maioria dos desenhos conjuntos conjuntos baseados em casca e classificação encapsulam conjuntos de cartões fatoriais fracionários que serão apresentados aos entrevistados. Fatorial fracionário significa que mostraremos uma fração do fatorial completo.

Existem vários ingredientes chave para determinar qual subconjunto estratégico de perfis será exibido na pesquisa:

• Os conjuntos de cartões devem ter um saldo relativo em cada nível. Isso significa que, dentro de um recurso, cada nível deve ser incluído em um número semelhante de agrupamentos.
• Não deve existir um nível que seja exibido em seis agrupamentos, enquanto outro nível só é incluído em um agrupamento. Tal como acontece com qualquer pesquisa, as técnicas de randomização melhoram a validade das respostas e controlam o viés de ordem da psicologia.
• Projetos conjuntos são mais adequados quando há muitas versões ou blocos que todos incorporam um subconjunto de pacotes. Jordan Louviere (um dos pioneiros da modelagem de escolha) e os fundadores da Sawde Software concordam que quanto mais versões que fazem parte do projeto geral, melhor. Um respondente seria atribuído a uma dessas versões que dariam quais construções de pacote seriam apresentadas.
• Outros princípios que são frequentemente incluídos em discussões de design conjunto são ortogonalidade e d-eficiência.  Há debates sobre a necessidade e importância de integrar esses conceitos ao desenho experimental para estudos conjuntos.

As perguntas base que precisam ser inseridas na geração de design para conjuntos baseados em escolha é o número de perguntas ou tarefas que serão apresentadas ao respondente, bem como o número de opções ou alternativas que haverá por pergunta. A abordagem tradicional baseada em escolha normalmente requer duas opções, e tem o respondente escolhendo entre a opção A e a opção B. Dito isso, é definitivamente apropriado mostrar três ou mais pacotes por pergunta. A pergunta principal que precisa ser pensada é se mais alternativas criarão uma experiência avassaladora para o entrevistado. Às vezes, apenas avaliar dois pacotes para preferência pode ser uma tarefa assustadora. Além disso, se uma opção ‘nenhuma dessas’ for incluída no estudo, o espaço da tela pode proporcionar uma experiência melhor com duas escolhas e a nenhuma.

O número de perguntas que irão compor a parte conjunta da pesquisa deve ser calculado com base no número de escolhas por tarefa, bem como no tamanho dos atributos conjuntos que estão sendo testados. A fórmula geral para determinar o número de cartões que devem ser exibidos é:

Número de cartões = nº total de níveis – nº da funcionalidade + 1

O número total de níveis é simplesmente a soma do número de níveis em todas as características. Com base no número total de cartões e no número de opções por pergunta, é fácil fazer engenharia reversa do número de perguntas.

No entanto, algumas chamadas são mais subjetivas do que outras. Por exemplo, você pode precisar decidir se a pesquisa deve ser reduzida reduzindo o número de perguntas e aumentando os pacotes por pergunta, ou se isso prejudica a qualidade dos dados. A melhor abordagem para resolver o equilíbrio entre perguntas e alternativas por pergunta é simplesmente testar. Crie e responda a pesquisa. Distribua-a aos colegas e obtenha sua opinião sobre a densidade da pergunta versus o comprimento da pesquisa.

Como uma Qualtrics Conjoint gera seu design experimental

A Qualtrics usa uma abordagem de design de saldo aleatório que incentiva algumas, mas não muito, a se sobrepor aos níveis. A abordagem é semelhante ao projeto de sobreposição equilibrada de Sawde. Esta abordagem é altamente eficaz quando acoplada com técnicas de estimação Bayesianas Hierárquicas.  A base da abordagem de design é apresentar diferentes respondentes com diferentes pacotes para eles avaliarem. Queremos garantir que os diferentes níveis sejam corretamente representados para avaliação. O design é formulado com versões que são o conjunto de perguntas. Em cada versão, há a mesma quantidade de tarefas e, em cada tarefa, há o mesmo número de opções.

O número de versões é calculado utilizando a seguinte fórmula:

Número de versões = (número base * número máximo de níveis em qualquer recurso) / (número de opções por pergunta * número de perguntas)

O resultado desta fórmula é arredondado para o número inteiro mais próximo divisível por 10.

O Número base é 750 se nosso número total de níveis em todos os recursos for menor ou igual a 10, e será 1.000 se o número total de níveis em todos os recursos for maior que 10.

O algoritmo primeiro gera aleatoriamente pacotes para cada uma das tarefas e escolhas. Em seguida, ele verifica cada versão para garantir que existe um saldo relativo no número de vezes que cada nível é exibido. O algoritmo não força cada nível a ser mostrado exatamente o mesmo número de vezes, mas garante que a diferença entre o nível mais visto nessa versão e o nível mais visto não é mais do que um desvio de dois. As versões que não cumprem essas condições são refatoradas até cumprirem as regras de saldo. O algoritmo continua até o número desejado de versões ser gerado.

Pesquisa e tamanho da amostra

Programação de pesquisa

A análise conjunta é alimentada pelas respostas reunidas por meio da pesquisa. A pesquisa é o ponto de contato com os entrevistados onde o design é apresentado e são feitas seleções de trade-off.

Quando um estudo conjunto é realizado, geralmente é o foco da pesquisa, mas não a totalidade dele. É fundamental que o exercício conjunto dentro da pesquisa seja conciso e bem estruturado. Os dados e insights serão tão precisos quanto os pacotes são claros. Uma pesquisa conjunta pode geralmente incluir perguntas de triagem (para garantir que o tipo certo de entrevistado o faça), uma introdução com recursos educacionais e perguntas demográficas. Não há regras rígidas sobre quantas outras perguntas podem ser adicionadas a um estudo conjunto, ou onde no Fluxo da Pesquisa a articulação deve cair. Ressalta-se que qualquer pergunta feita aos respondentes fora da articulação demanda tempo e foco que poderia de outra forma ser dado ao exercício articular. A duração da pesquisa deve ser considerada, pois o estudo está sendo desenhado e construído. Fatiguar um entrevistado é uma forma surefire de degradar o calibre do estudo. Pesquisas que levam mais de 10 a 15 minutos são mais suscetíveis a problemas de fadiga e qualidade de dados

Os dados coletados a partir de um estudo conjunto só são precisos se o entrevistado puder se colocar realisticamente em um cenário real de compras. Garantir que o entrevistado esteja totalmente informado sobre os pacotes que ele selecionará é obrigatório na análise conjunta. Muitos estudos testam conceitos que são conhecidos e relacionáveis pelo público em geral. No entanto, se esse não for o caso do seu projeto, o tempo deve ser dedicado antes do conjunto para educar adequadamente o entrevistado por meio de descrições e/ou vídeos. Quanto mais claro for um pacote para o recenseador, mais verdadeiras serão as utilidades resultantes.

Além das descrições serem simples e diretas, o layout dos cartões também deve prestar à compreensão e à clareza. Isso permite que o respondente faça comparações e respostas de forma definitiva.

Tamanho da amostra

O número de respostas que você deve coletar e a relevância para as pessoas que respondem à pesquisa são fundamentais para o sucesso e a precisão dos resultados conjuntos. Aqui está uma equação utilizada pelo software Sawdental para determinar o número de respostas:

Número de entrevistados = (multiplicador*c)/(t*a)

multiplicador = 750-1000

c = maior número de níveis em todos os recursos

t = número de tarefas ou perguntas

a = número de alternativas ou opções de resposta por pergunta

Recomendamos que o multiplicador seja 750 para projetos maiores e 1000 para projetos menores. Sawde recomenda um multiplicador de 300 a 500, mas sentimos que um número maior fornece resultados e simulações mais conclusivos.

É importante que os indivíduos que fazem o exercício conjunto reflitam aqueles que estariam em jogo para comprar, pedir e optar pelo seu produto ou serviço. Frequentemente, os pesquisadores definirão os rastreadores no início da pesquisa para garantir a obtenção de opiniões pertinentes.  Como alternativa, os grupos geralmente terão listas de clientes atuais ou potenciais para os quais podem implementar a pesquisa.

Modelagem de análise conjunta

Visão geral

A análise conjunta é onde os dados se transformam em previsões e modelos. É onde as seleções de respondentes são traduzidas em preferências. O resultado da análise será uma compreensão do que é valioso e o que não é, e irá iluminar como as combinações devem ser agrupadas.

O núcleo da análise é a modelagem estatística que estima a utilidade que os respondentes atribuem a cada nível. Por causa da modelagem estatística, a análise conjunta recebe uma reputação como “complexa”, mas também é isso que permite que o conjunto tenha uma reputação de ser uma técnica de pesquisa de classe mundial. Existem várias abordagens estatísticas usadas para o cálculo das preferências de utilidade, incluindo regressão e modelagem logística multinomial, normalmente conduzidas no nível agregado.

Independentemente da maneira como as seleções de pesquisa são modeladas, a saída deve ser coeficientes de utilidade que representam o valor ou a preferência que a base do respondente tem para os diferentes níveis de cada recurso. Para desenhos e métodos de análise que permitem cálculos de nível individual de escores de utilidade, podemos derivar modelos de preferência para cada um dos respondentes. Isso pode ser vantajoso por uma série de motivos, incluindo a segmentação de vários cortes de dados, análise de classe latente e simulações. A principal abordagem adotada para produzir modelos de utilidade baseados no indivíduo é a estimativa de Bayes Hierárquico (HB). Esta técnica utiliza métodos bayesianos para derivar probabilisticamente o valor relativo de cada variável que está sendo testada.

Estimativa hierárquica de Bayes

A estimativa hierárquica de Bayes (HB) é um processo iterativo que engloba um modelo de nível inferior que estima as utilidades relativas do indivíduo para os atributos testados, bem como um modelo de nível superior que identifica as previsões da população para preferência. Estes dois trabalham juntos até que a análise converge sobre os coeficientes que representam o valor de cada atributo para cada indivíduo. A estimativa de HB toma emprestado informações de outras respostas para obter resultados ainda melhores e mais estáveis no nível individual. Ele é muito robusto e nos permite obter leituras muito boas nas preferências dos clientes, mesmo apresentando menos tarefas ao entrevistado.

A técnica é considerada “hierárquica” por causa dos modelos de nível superior e inferior. Esta abordagem estima as preferências médias (modelo de nível superior) e então mede quão diferente cada respondente é dessa distribuição para derivar suas utilidades específicas (modelo de nível inferior). O processo repete várias iterações para nos ajudar a aprimorar a probabilidade de um conceito específico ser selecionado com base em seu construto. A Qualtrics usa especificamente um modelo de Regressão Logística Multinomial.

A solução de análise conjunta da Qualtrics usa a estimativa hierárquica de Bayes escrita no STAN para calcular utilitários de preferência individuais. A Qualtrics executa 1000 iterações por cadeia de Markov e executa 4 cadeias.

Coeficientes de utilitário de nível individual

O resultado do modelo bayesiano são as pontuações de preferência que representam a utilidade que o indivíduo atribui a cada nível.  Esses escores são frequentemente chamados de utilidades partworth e são a base de todas as métricas sumárias e simulações derivadas do estudo conjunto.  O arquivo de utilidade teria uma linha para cada respondente incluída na análise conjunta e uma coluna para cada nível único de teste dentro do estudo. Ao modelar as preferências de cada respondente, os serviços públicos nos ajudam a prever quais seleções os entrevistados fariam quando diante de diferentes pacotes. As utilidades são ordinais na natureza e nos dizem a ordem de classificação de cada nível testado com alguma magnitude de contribuição para a utilidade do bundle total de um pacote.

Os escores de utilidade de partworth são zero-centrados e estão geralmente dentro da faixa de -5 a +5. Na solução conjunta, as pontuações brutas de utilitário para cada indivíduo podem ser exportadas para um CSV utilizando a opção Métricas de resumo.

Resumo de métricas e relatórios conjuntos

Métricas de resumo conjunto

Com os coeficientes de utilidade derivados como base da análise, resultados e resultados podem ser preparados para mostrar os achados do estudo. Eles serão os módulos de todas as métricas e simulações resumidas. As principais métricas de resumo que normalmente acompanham a análise conjunta são detalhadas abaixo.

• Importância do recurso: a quantidade de influência e o impacto que um recurso tem na tomada de decisão entre as configurações do produto. Quanto maior a importância da característica, mais peso e controle ele tem naquilo que torna um produto favorável. A importância do recurso é calculada pela distância entre o melhor e o pior nível dentro dessa característica. Quanto maior a distância, mais importante é a característica. Uma forma simples de pensar sobre a importância do recurso é que os níveis dessa característica têm um grande impacto sobre se um pacote é ou não selecionado ou não em um modelo conjunto baseado em escolhas.
• Pontuações médias de utilidade: a pontuação média de utilidade de cada nível em todos os entrevistados. Estes são ordinais na natureza e mostrarão a preferência relativa entre os níveis. As utilidades médias podem dar algum entendimento direcional, mas não devem ser uma métrica independente para resumir a análise conjunta.
• Pontuações de preferência de primeira escolha: As pontuações de preferência da primeira opção indicam a porcentagem de respondentes que mais encontraram utilidade com os diferentes níveis. Dentro dos coeficientes de utilidade de cada participante, ele terá um nível de preferência superior ou mais dentro de cada recurso. As pontuações da primeira opção serão a distribuição dos respondentes que consideraram esse nível a melhor opção para esse recurso.
• Quota preferencial: a cota de preferência é a medida da probabilidade de um nível ser selecionado em relação a outro com todos os outros componentes de característica mantidos constantes. É um produto das utilidades que estão sendo calculadas usando um modelo de Regressão Logística Multinomial e é derivado exponenciando a utilidade de nível e dividindo isso pela soma de todos os níveis exponenciados dentro da característica.
• Disposição a pagar: a quantidade de dinheiro que um cliente está disposto a pagar por um determinado atributo de um produto em comparação com outro atributo. Normalmente, recomendamos que um caso base ou nível de caso atual seja definido e, em seguida, podemos determinar quanto mais ou menos eles estão dispostos a pagar em comparação com o nível base. Cada nível pode ter uma disposição a pagar em comparação com o caso base. Isso só pode ser utilizado quando preço ou custo é uma característica na análise conjunta. Ele é calculado encontrando a quantidade de diferença de utilidade entre os diferentes preços psicológicos e, em seguida, aplicando esse dólar por taxa de utilidade para os outros níveis e suas pontuações de utilidade. Geralmente gostamos de calcular a disposição de pagamento no nível do respondente e, em seguida, agregar e resumir.
• Pacotes ideais: este é o pacote ideal para maximizar a preferência e o apelo do cliente. Esta pode nem sempre ser a abordagem exata que uma organização gostaria de seguir em direção, já que o custo de implementação pode ser proibitivo, mas pode orientar direcionalmente.

Relatórios sobre análises conjuntas de insights

A análise conjunta pode fornecer uma variedade de insights incríveis sobre o comportamento previsto dos clientes. Diferentes métricas e gráficos podem mostrar tendências e pontos comuns em respostas. Mas o resultado primário de um estudo de análise conjunta deve ser sempre o simulador conjunto. O simulador deve ser a ferramenta de escolha para responder a perguntas-chave como os trade-offs que os clientes fariam e como pacotes diferentes se comparariam entre si. As métricas de resumo listadas acima são úteis e servem um objetivo, mas devem sempre indicar você de volta para o simulador.

Simulações de análise conjunta

O que é um simulador?

O simulador de análise conjunta é uma ferramenta interativa que facilita o teste e a predição de preferência entre configurações plausíveis do produto. O simulador tipicamente inclui uma série de dropdowns que permitem a criação de pacotes que consistem nos atributos que foram incluídos no estudo conjunto. No núcleo, a análise conjunta é uma técnica para reconhecer os trade-offs que os clientes fariam quando apresentados com escolhas diferentes. O simulador de preferência incorpora esse objetivo ao relatar a estimativa de trade-off que os clientes fariam quando apresentados com 2 ou mais opções. Os cenários potenciais dentro de um simulador podem ser astronômicos como construtos de produto e os segmentos a serem incluídos podem ser alterados.

Além da óbvia análise de trade-off, há uma variedade de usos que são extremamente valiosos na obtenção de insights de resultados conjuntos. As práticas mais prevalentes com o simulador são a realização de análises de cenário competitivo, melhoria a partir de um caso base de produto e o valor relativo dos atributos do produto.

Objetivos empresariais cobertos pelo Simulador Conjunto

Análise de estrutura competitiva com um simulador

Empresas saudáveis olharão com frequência sobre seus ombros para pesquisar como a concorrência se compara. A análise conjunta é uma ótima ferramenta para descobrir como as possíveis configurações de produto de uma empresa se comparariam com as opções concorrentes no mercado. Isso é contingente, no entanto, sobre os atributos dos produtos concorrentes que estão sendo incluídos nas características e níveis do estudo. No simulador, os atributos do produto do concorrente podem ser dispostos e, com as opções restantes, você pode definir diferentes pacotes para visualizar como eles ficariam no mercado existente.

Melhorar um produto existente com um simulador

Muitas vezes, os produtos precisam passar por renovações e melhorias para se manterem à frente dos concorrentes e se manterem relevantes e inovadores. Isso requer ajustes progressivos. Um estudo conjunto é uma metodologia fantástica para entender onde as empresas podem fazer as mudanças mais atraentes para estimular novos clientes potenciais e reter seus usuários atuais. Com os dados em mãos, um simulador pode ser utilizado para capturar as simulações de modificação dos atributos. “Opção 1” dentro do simulador pode ser definida para ser o produto atual, e “Opção 2” pode ser iterativamente alterada pelo controlador para descobrir onde os maiores ganhos estão disponíveis.

Medir o valor relativo de atributos de produto com um simulador

Qualquer produto é, no seu núcleo, uma combinação de vários recursos. É uma soma de suas partes. Agarrar a preferência dessas partes é essencial para a análise conjunta. Expandindo sobre “preferência”, faz sentido tentar quantificar ainda mais o valor de cada nível. Se o preço tiver sido incluído no conjunto de atributos, o simulador pode ser uma ferramenta pendente para inferir esse valor. O processo seria espelhar a mesma configuração do produto em “Opção 1” e “Opção 2”. Ao modificar um único nível ou grupo de níveis, você verá que a cota de preferência não é mais igual. Com a outra opção, mova o nível de preço para encontrar onde os dois pacotes agora são iguais novamente. A diferença de preço entre “Opção 1” e “Opção 2” pode ser interpretada como o valor relativo desse nível ou grupo de níveis.

Perguntas frequentes