conjoint predavanje ef 2012
Post on 08-Jul-2015
140 Views
Preview:
TRANSCRIPT
::
2
Agenda
Conjoint analiza
- Ideja
- Tipi CA
- Terminologija, proces
- Primeri treh osnovnih tipov CA
::
Conjoint analiza
Ask people what they want, and they say, “the best of everything”.
Ask them what they would like to spend, and they say, “a little as possible”.
– Bryan K. Orme
::
4
Možnosti Plača
Službena pot
% časa
Dopust
(tedni) Bonus
A 1.500 € 0 2 10%
B 1.500 € 25 3 20%
C 1.500 € 75 4 30%
D 2.000 € 25 2 30%
E 2.000 € 75 3 10%
F 2.000 € 0 4 20%
G 2.500 € 75 2 20%
H 2.500 € 0 3 30%
I 2.500 € 25 4 10%
Sposojeno od: Batsell R., Chrzan K., Baggett S., SawtoothSoftware Conference, Barcelona 2008.
::
5
Vprašanje:
• Kaj najbolj opisuje kako ste se odločili?
1. Vsakemu atributu sem določil utež. Potem sem za vsako možnost vsako
vrednost atributa pomnožil z utežjo, seštel te produkte in izbral tisto možnost z
največjo vrednostjo
2. Izbral sem možnosti z lastnostjo, ki mi je najbolj privlačna. Med možnostmi, ki
so bile po tej lastnosti izenačene sem izbral glede na drugo lastnost, ki mi je
najbolj privlačna itd.
3. Izločil sem možnosti, ki niso imele tistega kar želim. Med preostalimi
možnostim sem zopet izločil tiste, ki niso imele tistega, kar želim itd.
4. Kombinacija 1,2 in 3.
Sposojeno od: Batsell R., Chrzan K., Baggett S., SawtoothSoftware Conference, Barcelona 2008.
::
6
Sposojeno od: Batsell R., Chrzan K., Baggett S., SawtoothSoftware Conference, Barcelona 2008.
Kaj najbolj opisuje kako ste se odločili?
3 %
Vsakemu atributu sem določil utež. Potem sem za vsako možnost vsako vrednost atributa
pomnožil z utežjo, seštel te produkte in izbral tisto možnost z največjo vrednostjo
58 %
Izbral sem možnosti z lastnostjo, ki mi je najbolj privlačna. Med možnostmi, ki so bile po tej
lastnosti izenačene sem izbral glede na drugo lastnost, ki mi je najbolj privlačna itd.
11 %
Izločil sem možnosti, ki niso imele tistega kar želim. Med preostalimi možnostim sem zopet
izločil tiste, ki niso imele tistega, kar želim itd.
28 %
Kombinacija 1,2 in 3.
::
7
John
Sposojeno: Batsell R., Chrzan K., Baggett S., SawtoothSoftware Conference, Barcelona 2008.
::
8
Mary
Sposojeno: Batsell R., Chrzan K., Baggett S., SawtoothSoftware Conference, Barcelona 2008.
::
9
Bubba
Sposojeno: Batsell R., Chrzan K., Baggett S., SawtoothSoftware Conference, Barcelona 2008.
::
10
4,0
4,5
4,2
4,2
4,6
4,2
4,4
3,8
3,9
1 2 3 4 5
Fancy
Family-Oriented
Outdoorsy
Laid back
Calm
Exciting
Entertaining
Sexy
Romantic
Problemi:
• Pristranskost proti višjim ocenam
• Majhna razpršenost
::
12
• Direktna vprašanja o preferenci:
- Kakšno ceno naj ima brezalkoholna pijača X?
- Kakšen fotoaparat si želite na svojem mobilnem telefonu?
- Kakšna naj bo naročnina za mobilno telefonijo?
• Odgovori so pogosto trivialni in nam ne povedo več kot že vemo.
::
13
Ideja CA
• Ljudje ne morejo / znajo zanesljivo izražati kako vrednotijo posamezne lastnosti
izdelka / storitve.
• Vendar nimajo težav pri vrednotenju (ocenjevanj / izbiranju) celostnega izdelka /
storitve
- Bolj realistično
- Ocena / izbira pa je funkcija vrednosti posameznih (vendar združenih “conjoined”)
delov izdelka / storitve.
• Izdelek / storitev lahko razbijemo na lastnosti (Atributi in njihovi nivoji)
• Glede na to kako ljudje vrednotijo celostne profile / koncepte izdelka / storitve,
lahko ugotovimo “preferenčne” vrednosti posameznih lastnosti izdelka / storitve
• Namesto dirketnih vprašanj o preferencah, pomembnosti,..., opazujemo
celostno vrednotenje izdelka / storitve
::
14
CA zgodovina
• Temelji na delih:
- Luce & Tukey in 60’s Luce, D. & J. Tukey ,1964. Simultaneous conjoint measurement: A new type of fundamental measurement. Journal of
Mathematical Psycchology
- McFadden (Nobelov nagrajenec 2000) v 70-ih - Discrete choice methods McFadden, D. 1974. Conditional logit analysis of qualitative choice behavior. In P. Zarembka (ed.), Frontiers in
Econometrics, pp. 105-142. New York: Academic Press.
• Zgodnja 70-ta
- Dela P. Green: Green, P. & V. Rao 1971, August. Conjoint measurement for quantifying judgemental data. Journal of Marketing
Research
- Dela R. Johnson: • Johnson, R. 1974, May. Trade-off analysis of consumer values. Journal of Marketing Research
• 80-ta
- Green & Wind: application of conjoint analysis to help Marriott design its new Couryard Hotel • S. Herman & Bretton-Clark software released software system
- R. Johnson (at Sawtooth Software) released a software system Adaptive Conjoint Analysis (ACA)
• 90-ta
- Discrete Choice overtakes Traditional Conjoint methods • Commercial software released (SawtoothSoftware CBC)
• Application of of hierarchical Bayes (HB) methods to estimate individual-level models from discrete choice data (led by G. Allenby of the Ohio State University)
• 2000 +:
- Maximum-Difference Scaling
- Adaptive Choice Based Conjoint (ACBC) software released by SawtoothSoftware in 2009
- Menu-Based Choice
::
15
Dva osnovna tipa CA
• Tradicionalna CA
- Uporablja podatke na osnovi ocenjevalnih lestvic, rangiranj serij enega profila ali
parov profilov
- S simulatorjem ocenjujemo verjetne preference / izbire
• Ne opazujemo izbir
• Choice-based CA (CBC).
- Uporablja podatke na osnovi serije izbir med različnimi alternativami in uporablja
verjetnostne modele.
- S simulatorjem ocenjujemo verjetne preference / izbire
• Opazujemo izbire
::
16
CA terminologija
• Atribut
- Lastnost izdelka / storitve: znamka, cena, tip embalaže,...
• Nivo atributa
- Vrednost oz. nabor vrednosti atributa:
• Coca Cola, Pepsi,..., 0.5€, 0.6€,..., 0,33 l pločevinka, 0,5 l plastenka
• Profil / Koncept
- Kombinacija nivojev: Coca-Cola 0.5€ v 0,33 l pločevinki
• Naloga
- 2 ali več profilov / konceptov med katerimi izbira respondent
• Načrt
- Kombinacije nivojev atributov, ki tvorijo profile / koncepte izdelkov / storitev in kako
so te združene v nalogo.
::
17
Načrt
• Ortogonalnost:
- Vsak nivo posameznega atributa se pojavlja v enakem številu skupaj z vsakim
drugim nivojem ostalih atributov. (Ni korelacije med pari atributov)
• Uravnoteženost nivojev:
- Znotraj vsakega atributa se posamezni nivo pojavlja v enakem številu.
• Minimalno prekrivanje:
- Maksimalna razpršenost med nivoji posameznega atributa pri posamezni nalogi
(nivoji se ne ponavljajo).
• Načrti, ki so ortogonalni in uravnoteženi so optimalno učinkoviti.
• V realnem svetu uporabljamo dobro uravnotežene in “skoraj” ortogonalne
načrte.
::
18
CA Proces
• Identifikacija atributov, ki so pomembni pri odločanju.
• Definiranje nivojev oz. vrednosti vsakega atributa, ki kar najbolje predstavljajo
variacije na trgu.
• Izdelava profilov / konceptov – Conjoint načrt
• Zbiranje podatkov na nekem vzorcu
• Analiza podatkov
- Utility / Part-Worths / Koristi
- Relativne pomembnosti
- Simulacije
- Optimizacije
::
19
CA Analiza
• Ocene parametrov
- OLS
- MNL (HB)
• Simulacije
- First choice rule („zmagovalec pobere vse“)
- Purchase Likelihood
• Inovacije, ni komkurence
- Share of Preference
- Randomized First Choice
::
20
Osnovni tipi CA
• CVA – Conjoint Value Analysis (tradicionalni Conjoint)
- 1 ali 2 polna profila / koncepta
- 1 ali več načrtov
- Rangiranje / Ocenjevanje
- Individualne ocene utilitijev / koristi
• Le še cca. 2% projektov (raziskava SS)
::
21
Osnovni tipi CA
• ACA – Adaptive Conjoint Analysis
- 2 delna profila / koncepta
- Možnost manipuliranje kompleksnosti profilov / konceptov
- Vsak respondent ima “svoj” načrt
- Ocenjevanje
- Individualne ocene utilitijev / koristi
• Cca. 5%-10% projektov (raziskava SS)
::
26
Osnovni tipi CA
• CBC – Choice Based Conjoint
- 2 ali več profilov / konceptov
- Polni ali delni profili / koncepti
- Več CJ načrtov
- Alternative specific designs
- Fiksne oz. konstantne alternative
• (ne bi kupil nič od tega; ostal bi pri sedanjem ponudniku; NONE)
- Izbire, razporeditev (Constant Sum allocation)
- Skupinske in / ali individualne ocene utilitijev / koristi
• 90 % ali več projektov (raziskava SS)
:: Pasti I. - načrtovanje
• Prepovedi
- Značilno: naročnik zazna, da so nekatere kombinacije nerealistične oz. se ne
pojavljajo na trgu. Zato predlaga, da se nekatere kombinacije nivojev prepove.
- Učinkovita ocena utilitijev je odvisna od majhne korelacije med nivoji različnih
atributov. Prepovedi pa vodijo v odvisnost.
• Brez prepovedi
- So what? Naročnik popusti
- Združevanje atributov
- Cena -> conditional pricing
- Alternative specific načrti
30
:: Pasti II. - načrtovanje
• Nepravilno definirani nivoji atributov
- Med 10 € in 15 €
- Atribut: Opcije pri nakupu avtomobila
• GPS
• Panoramsko steklo
• Lita platišča
- Ali lahko simuliramo avtomobil, ki ima GPS in lita platišča?
- Kaj pa avtomobil brez dodatnih opcij?
• Formulirajmo scenarije oz. what if analize pred izvedbo
- Binarni atributi (DA / NE oz. prazno)
- Atribut, ki ima vse kombinacije
31
:: Pasti III. - načrtovanje
• Preveč nivojev kvantitativnih atributov:
- 10€, 15€, 20€, 25€, 30€ -> bolj natančne ocene
- 10€, 12€, 14€, 16€, 18€, 20€, 22€, 24€, 26€, 28€, 30€ -> manj natančne ocene
• Načeloma je bolje natančno izmeriti „koristi“ z manj nivoji, kot imeti podrobneje
definirane nivoje.
- Interpolacije
• NOL – Number Of Levels Effect
- Atributi definirani z veliko nivoji bodo umetno imeli večjo pomembnost
- Iz 2 na 4 – največji učinek, 4 na 6 manjši, 6 na 8 še manjši,…
- NOL v realnem svetu?
32
:: Pasti IV. Interpretacija - Utility (koristi) in pomembnosti
• Ne primerjati utilitijev enega atributa z utilitiji drugega atributa. In referenčne
točke med atributi.
- Utilitiji so skelirani na arbitrarno konstanto znotraj vsakega atributa
• Dummy coding: en nivo je izvzet iz analize in je 0.
• Effect coding: vsota utilitijev posameznega atributa je 0.
• Utilitiji so intervalne spremenljivke. Ne delajmo razmernostnih sodb.
• Audi = 2.56 nima nobenega pomena
Pomembnost iz CJ
• Najboljši nivo minus najslabši novo = „pomembnost atributa“. Te pomembnosti
damo na 100%.
- Razmernostne spremenljivke.
• Agregirane pomembnosti so napačne! Le individualne pomembnosti so OK.
- 50 respondentov preferira Coca-Colo, 50 pa enako preferira Pepsi.
- Povprečni utilitiji za Coca-Colo in Pepsi so enaki in pomembnost BZ = 0!
33
::
34
Pasti IV. Interpretacija - Utility (koristi) in pomembnosti
• Pozor pri koristih
BZ A 0 Rdeča 20
BZ B 10 Zelena 0
BZ C 20 Modra 40
BZ C in rdeča barva sta enako preferirani.
Modra je 2 x bolj preferirana kot rdeča.
Anketiranci sploh ne marajo BZ A
in zelene barve.
Barva ima več vpliva na izbiro izdelka kot
blagovna znamka.
Izdelek blagovne znamke A v rdeči barvi je
enako preferiran kot izdelek blagovne
znamke C v zeleni barvi.
::
35
Pasti IV. Interpretacija - Utility (koristi) in pomembnosti
• Pomembnosti in koristi ne povedo celotne zgodbe
• Denimo, da imamo naslednje koristi:
Modra Rdeča Rumena
Respondent #1 50 40 10
Respondent #2 0 65 75
Respondent #3 40 30 20
---- ---- ----
Povprečje: 30 45 35
• Rdeča barva ima najvišje povprečje
• Ampak, ali sploh kdo preferira rdečo barvo?
Simulacija
• Denimo, da vsak respondent izbere svojo najbolj preferirano barvo:
• Modra je izbrana 2 x, rumena 1 x
:: Pasti IV. Interpretacija - Utility (koristi) in pomembnosti
• IIA (Indepencence from Irelevant Alternatives) aka Red Bus / Blue Bus problem
• Prevoz v službo:
- Rdeči avtobus = 20%
- Kolo = 30%
- Avto = 50%
• Avtobusno podjetje polovico svojih rdečih avtobusov prebarva v modro. Modri
avtobusi imajo ENAKO verjetnost izbire kot rdeči avtobus.
- Aggregate Logit (BTL [Bradley-Terry-Luce] obrazec), simulacije na osnovi Logit.
„Novi – izboljšani – zelo podobni“ produkti dobijo svoj delež od obstoječih produktov
v proporcu z njihovim deležem.
- Modri avtobus = 16,7%
- Rdeči avtobus = 16,7% (izgubi 16,67% prvotnega deleža)
- Kolo = 25% (izgubi 16,67% prvotnega deleža)
- Avto = 41,67% (izgubi 16,67% prvotnega deleža)
__________________________________
Avtobus = 33,4% - nerealistično = Share inflation for similar products
- Konstantne navzkrižne elastičnosti
• Ne uporabljati agregirane modele
36
::
37
Kaj lahko počnemo s Conjoint podatki?
• Predikcije “izhodiščnega stanja” (Base case) skozi opisne podatke
- Kdo izbere kaj?
• Input za segmentacije (cluster analysis, latent class,...)
• Simulacije (what if?)
- Sensitiviti analize (sistematično what if?)
• Optimizacije (“najboljše” konfiguracije izdelka / storitve)
• Simulator oponaša določeno situacijo, ki se v realnosti lahko zgodi ali pa ne
(flight simulator).
• Namen je oceniti verjeten učinek spremembe izdelka / storitve.
• Za to simulator potrebuje input:
- Podatki, ki opisujejo določeno situacijo (definicija scenarija)
- Podatki o tem kako potrošniki reagirajo na spremembe (utilitiji / koristi)
- Definicija modela
• Sprememba enega ali več podatkov pomeni nov scenarij in nov rezultat.
• Več kriterijev: preferenčni delež, prihodek, profit.
::
38
Simulacije – Kaj moramo vedeti?
• Conjoint analiza NE napoveduje dejanskih tržnih deležev!
- Popolne informacije
- Vsi izdelki / storitve so enako dostopni
- Vsi izdelki so enako dolgo prisotni na trgu
- Enaka učinkovitost oglaševanja, prodajnikov ipd.
- Anketirali smo “prave” ljudi
- Vključili smo relevantne atribute in nivoje
• Vpogled v dinamiko dogajanja na trgu
• Pri analizi in simulacijah se z analitičnimi utežmi lahko približamo obstoječemu
stanju na trgu.
- Analitične uteži, ki jih lahko pripišemo posameznim izdelkom / blagovnim znamkam
lahko odsevajo:
• Trenutni tržni delež – ne priporočamo!
• Zgodovino (leta prisotnosti na prodajnem mestu i.e. seznanjenost in navajenost potrošnikov)
• Penetracijo na prodajnem mestu (delež prodajnih mest, na katerih lahko potrošniki kupijo izdelek)
• Oglaševalske napore…
::
39
Kako deluje? Simulacije
Hipotetični rezultati
40 38
30
25
30
23
14
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Izhodišče Nov Samsung
Nokia Siemens Samsung Nov Samsung
37%
::
40
Kako deluje? Simulacije
Hipotetični rezultati
40
55
35 38
30
35
20
27
30
10
45
35
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Izhodišče Pralni stroj A - višja cena Pralni stroj A - izboljšan
izdelek
Pralni stroj A - višja cena
+ izboljšan izdelek
Pralni stroj X Pralni stroj Y Pralni stroj A
::
41
Kako deluje? Simulacije
• Cenovna elastičnost
Hipotetični rezultati
0
10
20
30
40
50
60
70
80
90
- 15% - 10% - 5% Trenutna
cena
+ 5% + 10% + 15%
Sprememba cene
%
BZ A BZ B BZ C
-1.2
-1.3
-1.4
+ 200 €
BZ C = 1.200 €
BZ A = 1.000 €
::
42
Kako deluje? Simulacije
• Denarna vrednost nekega nivoja
Hipotetični rezultati
0
10
20
30
40
50
60
70
1.300,00 € 1.450,00 € 1.600,00 € 1.750,00 € 1.900,00 € 2.050,00 €
Cena m2
%
FIX: Garsonjera LJ 1900 EUR Garsonjera PREDMESTJE
Cca. + 120 € za Ljubljano
1.780 €
::
43
Kako deluje? Profiliranje
Fotoaparat 1 Fotoaparat 2 Fotoaparat 3 Nobenega od teh
BZ Canon Sony Kodak
Optični Zoom 6 x 4 x 2 x
Tip Ultra lahki Standardni Standardni
Velikost LCD ekrana 1.5 '' 2.0 '' 2.0 ''
Resolucija 6 MP 4 MP 2 MP
Video snemanje Da Ne Ne
Trajanje baterije 100 fotografij 200 fotografij 200 fotografij
Cena 200.000 SIT 180.000 SIT 150.000 SIT
Delež 20% 23% 30% 27%
Starost < 30 10% 20% 25% 45%
Starost 30+ 30% 40% 20% 10%
Moški 25% 60% 10% 5%
Ženske 55% 5% 5% 35%
Dohodek < 150.000 SIT 5% 10% 30% 55%
Dohodek 150.000 SIT + 70% 20% 0% 10%
Hipotetični rezultati
::
44
Kako deluje? Mehki dejavniki
55
45
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Pomembnost
Blagovna znamka Cena
30
20
35
8
15
5
1830
10
2410
45
2025
5
Total Blagovna znamka A Blagovna znamka B
Nepojasnjeno Zanesljivost Kakovost Inovativnost Zaupanje
Ko
rist
i B
Z
Hipotetični rezultati
::
45
Optimizacije
• Simulacije so le majhen korak k optimizaciji
- Upoštevajo konkurenčni okvir
- Upoštevajo heterogenost porabnikov
- Napovedujejo dinamiko dogajanja na trgu
• Simulacije dajejo odgovor na vprašanje
- “Kako dober bo TA izdelek?”
• Raziskovalci pa porabimo ogromno časa, da najdemo odgovor na vprašanje:
- “Kateri izdelek bo najboljši, najbolj optimalen?”
• Leto 2003
- Prve komercialno dostopne metode optimizacij (Sawtooth Software)
::
46
Optimizacije
• Ogromno različnih konfiguracij izdelka / storitve
- 4 atributi, vsak 4 nivoje -> 256 možnih kombinacij!
- 10 atributov, vsak 5 nivojev -> 5¹º možnih konfiguracij izdelka / storitve, skoraj 10
milijonov!
• Če optimiziramo več izdelkov hkrati, je prostor še večji
::
47
Optimizacije
Metode optimizacije:
• Exhaustive Search
- Pregleda vse možne kombinacije
• Vedno najde najboljšo rešitev
• Časovno potratno
• Več ur do več dni, tednov,...
• Hill-Climbing metode
- Grid Search
- Gradient Search
- Stochastic Search
• Lokalno optimalne
• Genetični algoritmi
- Ideja temelji na conceptu Darwinove teorije
Pro
fit
Tip embalaže
Okus
::
48
Optimizacija
• Genetični algoritem
- Vsak izdelek / storitev je “kromosom”
- Vsak atribut je “gen”
Znamka in
model Cena Paket Vezava
Produkt 1 Nokia 6101 15.000 SIT Smart I. 12 months
Produkt 2 Motorola
V360 10.000 SIT Smart III. 24 months
Produkt 3 Samsung
E860 45.000 SIT Orto Smart 12 months
...
Produkt 300 Siemens C75 15.000 Smart III. 24 months
kromosomi
geni
::
49
Optimizacija
• Generiraj množico naključnih produktov – kromosomov
- Npr. 300 iz možnih 768 produktov (12 telefonov x 8 cen x 4 paketi x 2 časovne
vezave)
- Razvrsti produkte glede na nek kriterij (korist, preferenčni delež, dohodek, profit)
Znamka in
model
Cena Paket Vezava Delež /
dohodek/
profit...
Produkt 1 Nokia 6101 15.000 SIT Smart I. 12 months 10%/10M/2M
Produkt 2 Motorola
V360
10.000 SIT Smart III. 24 months 8%/8M/3M
Produkt 3 Samsung
E860
45.000 SIT Orto Smart 12 months 7,9%/6M/4M
...
Produkt 300 Siemens
C75
15.000 Smart III. 24 months 0,3%/1M/0.75
M
::
50
Optimizacija
• Ohrani najbolj uspešne in zavrži najmanj uspešne produkte
Znamka
in model
Cena Paket Vezava Delež/dohodek/profit.
..
Produkt 1
Produkt 2
Produkt 3
...
...
...
Produkt 150
Produkt 151
Produkt 152
Produkt 298
Produkt 299
Produkt 300
Ohrani najbolj
uspešne
Zavrži najmanj
uspešne
::
51
Optimizacija
• Naj se najbolj uspešni “parijo med seboj”. “Potomci” naj zamenjajo tiste, ki smo
jih zavrgli.
- Predpostavljamo, da najbolj uspešni starši “producirajo” uspešne potomce.
- Potomci so kombinacija lastnosti staršev
• Potomci so funkcija dedovanja in mutacije:
- Vsak potomec je kombinacija lastnosti starša, prav tako pa je podvržen mutacijam.
Znamka in
model
Cena Paket Vezava
Starš A Produkt A Nokia 6101 15.000 SIT Smart I. 12 months
Starš B Produkt B Samsung E860 45.000 SIT Orto Smart 12 months
Potomec
C
Produkt C Nokia 6101 45.000 SIT Orto Smart 24 months
Dedovanje Mutacija
Sta
rši s
e p
ari
jo .
..
... in imajo potomca
top related