Berechnungen und Methodik

Die Conjoint-Analyse ist ein auf Umfragen basierendes statistisches Verfahren, das in der Marktforschung eingesetzt wird und dabei hilft, festzustellen, wie die Menschen die verschiedenen Attribute (Merkmal, Funktion, Nutzen), aus denen ein individuelles Produkt oder eine Dienstleistung besteht, bewerten.

Ziel der Conjoint-Analyse ist es, zu bestimmen, welche Kombination einer begrenzten Anzahl von Merkmalen den größten Einfluss auf die Auswahl oder Entscheidungsfindung der Befragten hat.

Den Befragten wird ein kontrollierter Satz potenzieller Produkte oder Dienstleistungen gezeigt, und durch die Analyse ihrer Präferenzen zwischen diesen Produkten kann die implizite Bewertung der einzelnen Elemente, aus denen das Produkt oder die Dienstleistung besteht, ermittelt werden. Diese impliziten Bewertungen (Nutzwerte oder Teilwerte) können zur Erstellung von Marktmodellen verwendet werden, die den Marktanteil, den Umsatz und sogar die Rentabilität neuer Designs schätzen.

Conjoint-Analyse - Bedeutung der Attribute

So zeigen Sie die detaillierte Conjoint-Analyse an:

Gehen Sie zu: Login » Umfragen (wählen Sie eine Umfrage aus » Analyse » Auswahl Modellbildung » Conjoint-Analyse

Berechnung der Attribut-Bedeutung

Manchmal möchten wir die relative Bedeutung der einzelnen Attribute charakterisieren. Wir können dies tun, indem wir überlegen, wie viel Unterschied jedes Attribut im Gesamtnutzen eines Produkts machen könnte. Dieser Unterschied ist der Bereich in den Nutzenwerten des Attributs.

Die Wichtigkeitsmaße sind verhältnismäßig skaliert, aber sie sind auch relativ, studienbezogene Maße. Ein Attribut mit einer Wichtigkeit von zwanzig Prozent ist doppelt so wichtig wie ein Attribut mit einer Wichtigkeit von zehn, wenn man die Menge der in der Studie verwendeten Attribute und Ebenen betrachtet. Das heißt, die Wichtigkeit hat, wie alle Prozentsätze, einen sinnvollen Nullpunkt. Aber wenn wir die Wichtigkeit eines Attributs berechnen, ist sie immer relativ zu den anderen in der Studie verwendeten Attributen. Und wir können ein Attribut im Hinblick auf seine Wichtigkeit innerhalb einer Conjoint-Studie mit einem anderen Attribut vergleichen, aber nicht über Studien mit unterschiedlichen Attributlisten hinweg.

Beispiel:

Schritt 1: Attribut-Nutzbereich berechnen

Nutzwertbereich = Höchster Nutzwert eines Attributs - Niedrigster Nutzwert eines Attributs

Für Preisspanne wird berechnet als 0,45-(-0,33) = 0,78
Für Größenbereich wird berechnet als 0,22-(-0,24) = 0,46
Für Markereichweite wird berechnet als 0,07-(-0,07) = 0,14

Schritt 2 : Berechnen Sie den gesamten Attribut-Nutzbereich

Gesamter Nutzwertbereich = ∑ Nutzwertbereich

Gesamtattribut Nutzwertbereich = 0,78+0,46+0,14 = 1,38

Schritt 3: Berechnen der relativen Bedeutung von Attributen

Relative Bedeutung des Attributs = (Attribut Nutzwertbereich/Gesamtattribut Nutzwertbereich)*100

Bedeutung des Preises = (0,78/1,38)*100 = 56,52% Abgerundet auf 57%
Bedeutung der Größe = (0,46/1,38)*100 = 33,33% Abgerundet auf 33%
Bedeutung der Marke = (0,14/1,38)*100 =10,14% Abgerundet auf 10%

Berechnen des Nutzwertes

Conjoint-Utilities oder Teil-Werte werden auf eine beliebige additive Konstante innerhalb jedes Attributs skaliert und sind Intervalldaten. Der willkürliche Ursprung der Skalierung innerhalb jedes Attributs ergibt sich aus der Dummy-Kodierung in der Entwurfsmatrix. Wir könnten eine Konstante zu den Teilnutzenwerten für alle Ebenen eines Attributs oder für alle Attributsebenen in der Studie hinzufügen, und dies würde unsere Interpretation der findings nicht ändern.

Bei der Verwendung einer specific Art von Dummy-Kodierung, der so genannten Effekt-Kodierung, werden die Hilfsprogramme innerhalb jedes Attributs auf die Summe Null skaliert.

Der Nutzwert wird anhand des Teilnutzenwerts berechnet. Für jede Ebene des Attributs wird die Summe des Teilwertes berechnet. Dann wird der Durchschnitt der Summierung genommen, um den Nutzwert einer bestimmten Ebene zu erhalten.

Beispiel: Der Nutzwert für die Größe 36" wird berechnet, indem die Summe der Gesamtteilwerte für den 36"-Durchschnitt gebildet wird, was den Nutzwert ergibt.

Summierung der Gesamtteilwerte von 36" = 0,74+0,67+0,60+0,53+0,46+0,39+0,28+0,21+0,14 = 4,02

Durchschnitt = 4,02/9, was einen Nutzwert von 0,45 für eine Attributsgröße mit Niveau 36'' ergibt.

Profile

Ein Conjoint-Profil ist ein Satz von Attributen mit verschiedenen Ebenen, die zur Auswahl angezeigt werden. Den Befragten wird eine Reihe von Produkten, Prototypen, Mockups oder Bildern gezeigt, die aus einer Kombination von Ebenen aus allen oder einigen der konstituierenden Attribute erstellt wurden, und sie werden gebeten, aus den gezeigten Produkten auszuwählen. Jedes Beispiel ist ähnlich genug, dass die Verbraucher sie als enge Substitute sehen werden, aber unähnlich genug, dass die Befragten eindeutig eine Präferenz bestimmen können. Jedes Beispiel setzt sich aus einer einzigartigen Kombination von Produktmerkmalen zusammen.

Wählen Sie unter Conjoint-Analyse die Registerkarte Profil und Sie können die besten und schlechtesten Profile anzeigen. Das beste Profil wird immer auf der linken Seite und das schlechteste Profil auf der rechten Seite angezeigt. Dazwischen können Sie ein benutzerdefiniertes Profil auswählen, um zu sehen, wie es im Vergleich mit dem besten und dem schlechtesten Profil abschneidet.

Sie können die Profile auch einschränken/einschränken, indem Sie bestimmte Ebenen für die Attribute auswählen.

Das Attribut und die Ebene mit dem höchsten Gesamtteilwert wird als bestes Profil und dasjenige mit dem niedrigsten Gesamtteilwert als schlechtestes Profil ausgewählt.

Berechnen von Teil-Werten

Wir verwenden den folgenden Algorithmus zur Berechnung der CBC Conjoint Part-Werte:

Schreibweise

Es soll R Befragte geben, mit Individuen r = 1 ... R

Lassen Sie jeden Befragten T Aufgaben sehen, mit t = 1 ... T

Jede Aufgabe t soll C Konfigurationen (oder Konzepte) haben, mit c = 1 ... C (C ist in unserem Fall normalerweise 3 oder 4)

Wenn wir A-Attribute haben, a = 1 bis A, wobei jedes Attribut La-Ebenen hat, l = 1 bis La, dann ist der Teilwert für ein bestimmtes Attribut/eine bestimmte Ebene w'(a,l). Es ist dieser Teil-Wert (gezackte Anordnung), für den wir in dieser Übung eine Lösung suchen.

Wir können dies zu einem eindimensionalen Feld w(s) vereinfachen, wobei die Elemente sind:{w'(1,1), w'(1,2) ... w'(1,L1), w'(2,1) ... w'(A,LA)} mit w mit S Elementen.

Eine spezifische Konfiguration x kann als ein eindimensionales Feld x(s) dargestellt werden, wobei x(s)=1 ist, wenn die spezifische Ebene/Attribut vorhanden ist, und sonst 0.

Lassen Sie Xrtc die spezifische Konfiguration der c-ten Konfiguration in der t-ten Aufgabe für den r-ten Befragten darstellen. Das Versuchsdesign wird also durch die vierdimensionale Matrix X mit der Größe RxTxCxS

dargestellt. Wenn der Befragte r die Konfiguration c in Aufgabe t wählt, lassen Sie Yrtc=1 sein, wenn nicht dann ist der Wert 0.

Nutzen einer bestimmten Konfiguration

Der Utility Ux einer bestimmten Konfiguration ist die Summe der Teilwerte für die in der Konfiguration vorhandenen Attribute/Ebenen, d.h. es ist das Skalarprodukt x.w

Das multinomiale Logit-Modell

Für eine einfache Wahl zwischen zwei Konfigurationen, mit den Versorgungseinrichtungen U1 und U2, sagt das MNL-Modell voraus, dass die Konfiguration 1 gewählt wird.

EXP(U1)/(EXP(U1) + EXP(U2)) der Zeit (eine Zahl zwischen 0 und 1).

Bei einer Wahl zwischen N Konfigurationen wird die Konfiguration 1 gewählt

EXP(U1)/(EXP(U1) + EXP(U2) + ... + EXP(UN)) der Zeit.

Modellierte Wahlwahrscheinlichkeit

Lassen Sie die Auswahlwahrscheinlichkeit (unter Verwendung des MNL-Modells) für die Wahl der c-ten Konfiguration in der t-ten Aufgabe für den r-ten Befragten sein:

Prtc=EXP(xrtc.w)/SUM(EXP(xrt1.w), EXP(xrt2.w), ... ..., EXP(xrtC.w))

Log-Wahrscheinlichkeitsmaß

Das Log-Wahrscheinlichkeitsmaß LL wird berechnet als:

Prtc ist eine Funktion des Teil-Wert-Vektors w, der die Menge der Teil-Werte ist, für die wir eine Lösung suchen.

Lösen für Teil-Werte mit maximaler Wahrscheinlichkeit

Wir lösen für den Teilwertvektor, indem wir den Vektor w finden, der den Maximalwert für LL ergibt. Beachten Sie, dass wir für S-Variablen lösen.

Hierbei handelt es sich um ein mehrdimensionales nichtlineares kontinuierliches Maximierungsproblem, das eine Standard-Lösungsbibliothek erfordert. Wir verwenden den Nelder-Mead-Simplex-Algorithmus.

Die Log-Likelihood-Funktion sollte als eine Funktion LL(w, Y, X) implementiert und dann optimiert werden, um den Vektor w zu finden, der uns ein Maximum liefert. Die Antworten Y und der Entwurf X sind gegeben und für eine spezifische Optimierung konstant. Anfangswerte für w können auf den Ursprung 0 gesetzt werden.

Die endgültigen Teil-Werte w werden neu skaliert, so dass die Teil-Werte für jedes Attribut einen Mittelwert von Null haben, indem einfach der Mittelwert der Teil-Werte für alle Ebenen jedes Attributs subtrahiert wird.

Marktsegmentierungs-Simulator

Der Conjoint-Simulator ist bei weitem der interessanteste Aspekt der Conjoint-Analyse. Er gibt Ihnen die Möglichkeit, den Marktanteil von neuen Produkten und Konzepten "vorherzusagen", die heute vielleicht noch nicht existieren. Dies gibt Ihnen auch die Möglichkeit, den "Gewinn" oder "Verlust" von Marktanteilen auf der Grundlage von Änderungen an bestehenden Produkten auf dem gegebenen Markt zu messen.

Der erste Schritt bei der Conjoint-Simulation besteht darin, die verschiedenen Produkte oder Konzepte, die Sie untersuchen möchten, zu identifizieren und zu beschreiben. Wir nennen diese "Profile". Wie bereits erwähnt, kann jedes Produkt oder Konzept anhand der Attribute und Ebenen, die für die Studie definiert wurden, identifiziert oder erstellt werden. Für die Zwecke des Conjoint-Simulators besteht ein Produkt oder Konzept aus allen Attributen und einer Ebene aus jedem der Attribute.

In den meisten Fällen würden wir alle vorhandenen Produkte, die in diesem Marktsegment erhältlich sind, herausfinden und den Marktanteil der Produkte simulieren wollen, um eine Basislinie zu erstellen. Sobald dies feststeht, wäre dies ein guter Ausgangspunkt, um neue Dienstleistungen und Ideen auszuprobieren und zu sehen, wie sich der Marktanteil auf der Grundlage neuer Produkte und Konfigurationen verschiebt.

Gehen Sie zu : Login » Umfragen (wählen Sie eine Umfrage aus) » Analyse » Auswahl Modellbildung » Conjoint-Analyse

Klicken Sie auf Marktanteil Simulation.

Fügen Sie das Profil wie unten gezeigt hinzu und klicken Sie auf die Schaltfläche Simulation ausführen. Dadurch wird der Bericht mit Stimmauszählung und Marktanteil des jeweiligen Konzepts angezeigt.

Berechnungen für die Stimmenauszählung

Laden Sie den Exportmarkt-Segmentierungsbericht aus den Download-Optionen herunter.

Preiselastizität

Wie viel mehr wird ein Kunde für einen Samsung-Fernseher im Vergleich zu einem LG-Fernseher bezahlen? Wenn man den Preis als ein Attribut zuweist und diesen an ein Attribut bindet, erhält man ein Modell für einen $ pro Nutzenverteilung. Dies wird genutzt, um den tatsächlichen Dollarbetrag im Verhältnis zu einem beliebigen Attribut zu berechnen. Wenn die Analyse relativ zur Marke durchgeführt wird, können Sie einen Preis für Ihre Marke festlegen.

Was ist Preiselastizität?

Die Preiselastizität bezieht sich auf die Gesamtnachfrage nach einem Produkt und die Form der Nachfragekurve. Sie ist eine Eigenschaft eines Produkts auf einem Markt. Die Art und Weise, wie wir berechnen, ist die Darstellung der Nachfrage (Frequency Count / Total Response) auf verschiedenen Preisniveaus.

Wie richtet man Brand Premium ein?

• Fügen Sie die Conjoint Frage hinzu.
• Wählen Sie unter Feature-Typ den Feature-Typ als Marke oder Kosten/Preis aus.

Jetzt können Sie die Markenprämie unter Login » Umfragen » Analyse » uswahl Modellbildung » Conjoint-Analyse » Brand Premium überprüfen.

Wählen Sie Preiselastizität gegen, Marke oder Größe.

Berechnung der Preiselastizität

Laden Sie den Bericht Angezeigte Konzepte exportieren aus den Download-Optionen herunter.

Preiselastizität = Anzahl der eindeutigen Antwort-ID für eine bestimmte Merkmalsebene mit ausgewählt ist 1/Gesamtzahl der Antworten.