Análise Conjunta - Cálculos / Metodologia

A análise conjunta é uma técnica estatística baseada em pesquisa usada em pesquisa de mercado que ajuda a determinar como as pessoas valorizam diferentes atributos (características, funções, benefícios) que compõem um produto ou serviço individual.

O objetivo da análise conjunta é determinar qual combinação de um número limitado de atributos é mais influente na escolha ou tomada de decisão do respondente.

Um conjunto controlado de produtos ou serviços potenciais é mostrado aos respondentes da pesquisa e, analisando como eles fazem preferências entre esses produtos, a avaliação implícita dos elementos individuais que compõem o produto ou serviço pode ser determinada. Essas avaliações implícitas (utilidades ou valores parciais) podem ser usadas para criar modelos de mercado que estimam a participação de mercado, receita e até mesmo a lucratividade de novos designs.

Análise Conjunta – Importância dos Atributos

Para visualizar a análise conjunta detalhada

Vá para: Login » Pesquisas » Relatórios » Modelagem de Escolha » Análise Conjunta

Calculando a Importância dos Atributos

Às vezes queremos caracterizar a importância relativa de cada atributo. Podemos fazer isso considerando quanto cada atributo pode influenciar na utilidade total de um produto. Essa diferença é a faixa nos valores de utilidade do atributo.

Medidas de importância são escaladas em razão, mas também são medidas relativas e específicas do estudo. Um atributo com importância de vinte por cento é duas vezes mais importante do que um atributo com importância de dez, dado o conjunto de atributos e níveis usados no estudo. Ou seja, a importância tem um ponto zero significativo, assim como todas as porcentagens. Mas quando calculamos a importância de um atributo, ela é sempre relativa aos outros atributos usados no estudo. E podemos comparar um atributo com outro em termos de importância dentro de um estudo de análise conjunta, mas não entre estudos com listas de atributos diferentes.

Exemplo:

Passo 1: Calcular Faixa de Utilidade do Atributo

Faixa de Utilidade = Maior Valor de Utilidade de um atributo - Menor Valor de Utilidade de um atributo

Para Preço, a faixa é calculada como 0.45-(-0.33) = 0.78
Para Tamanho, a faixa é calculada como 0.22-(-0.24) = 0.46
Para Marca, a faixa é calculada como 0.07-(-0.07) = 0.14

Passo 2 : Calcular a Faixa Total de Utilidade do Atributo

Faixa Total de Utilidade = ∑ Faixa de Utilidade

Faixa Total de Utilidade do Atributo = 0.78+0.46+0.14 = 1.38

Passo 3: Calculando a Importância Relativa dos Atributos

Importância Relativa do Atributo = (Faixa de Utilidade do Atributo / Faixa Total de Utilidade do Atributo) * 100

Importância do Preço = (0.78/1.38)*100 = 56.52% Arredondado para 57%
Importância do Tamanho = (0.46/1.38)*100 = 33.33% Arredondado para 33%
Importância da Marca = (0.14/1.38)*100 = 10.14% Arredondado para 10%

Calculando o Valor de Utilidade

As utilidades ou valores parciais são escalados para uma constante aditiva arbitrária dentro de cada atributo e são dados de intervalo. A origem arbitrária da escala dentro de cada atributo resulta da codificação dummy na matriz de design. Poderíamos adicionar uma constante aos valores parciais para todos os níveis de um atributo ou para todos os níveis de atributos no estudo, e isso não mudaria nossa interpretação dos resultados.

Quando usamos um tipo específico de codificação dummy chamado codificação de efeitos, as utilidades são escaladas para somar zero dentro de cada atributo.

O Valor de Utilidade é calculado usando o valor parcial. Para cada nível de atributo, a soma do valor parcial é calculada. Em seguida, a média da soma é tomada para obter o valor de utilidade de um nível particular.

Exemplo: O valor de utilidade para o tamanho 36” é calculado somando os valores totais parciais para 36”, a média dos quais dará o valor de utilidade.

Soma total dos valores parciais de 36” = 0.74+0.67+0.60+0.53+0.46+0.39+0.28+0.21+0.14 = 4.02

Média = 4.02/9, o que dá o valor de utilidade de 0.45 para o atributo tamanho com nível 36’’

Perfis

Um perfil de análise conjunta é um conjunto de atributos com diferentes níveis que são exibidos para seleção. Os respondentes seriam mostrados um conjunto de produtos, protótipos, maquetes ou fotos criadas a partir de uma combinação de níveis de todos ou alguns dos atributos constituintes e solicitados a escolher entre os produtos apresentados. Cada exemplo é suficientemente semelhante para que os consumidores os vejam como substitutos próximos, mas suficientemente diferente para que os respondentes possam determinar claramente uma preferência. Cada exemplo é composto por uma combinação única de características do produto.

Na Análise Conjunta, selecione a aba de perfil e você pode visualizar os melhores e piores perfis. O melhor perfil é sempre exibido à esquerda e o pior perfil à direita. Entre eles, você pode selecionar um perfil personalizado para ver como ele se compara com o melhor e o pior perfil.

Para o perfil selecionado, você pode ver a diferença em pontos percentuais entre o melhor perfil e o perfil selecionado em vermelho.

A diferença em pontos percentuais entre o pior perfil e o perfil selecionado é exibida em verde.

Você também pode limitar/estreitar os perfis selecionando níveis específicos para os atributos.

O Atributo e o nível com o maior Valor Total Parcial serão selecionados como o Melhor Perfil e o com o menor Valor Total Parcial será selecionado como o Pior Perfil.

Calculando os Valores Parciais

Usamos o seguinte algoritmo para calcular os Valores Parciais de Análise Conjunta CBC:

Notação

Vamos supor que haja R respondentes, com indivíduos r = 1 ... R

Vamos supor que cada respondente veja T tarefas, com t = 1 ... T

Vamos supor que cada tarefa t tenha C configurações (ou conceitos), com c = 1 ... C (C, no nosso caso, geralmente é 3 ou 4)

Se tivermos A atributos, a = 1 a A, com cada atributo tendo La níveis, l = 1 a La, então o valor parcial para um determinado atributo/nível é w’(a,l). É esse (array irregular) de valores parciais que estamos resolvendo neste exercício.

Podemos simplificar isso para um array unidimensional w(s), onde os elementos são: {w’(1,1), w’(1,2) ... w’(1,L1), w’(2,1) ... w’(A,LA)} com w tendo S elementos.

Uma configuração específica x pode ser representada como um array unidimensional x(s), onde x(s)=1 se o nível/atributo específico estiver presente, e 0 caso contrário.

Deixe Xrtc representar a configuração específica da c-ésima configuração na t-ésima tarefa para o r-ésimo respondente. Assim, o design do experimento é representado pela matriz de quatro dimensões X com tamanho RxTxCxS

Se o respondente r escolher a configuração c na tarefa t, então deixe Yrtc=1; caso contrário, 0.

Utilidade de uma Configuração Específica

A Utilidade Ux de uma configuração específica é a soma dos valores parciais para os atributos/níveis presentes na configuração, ou seja, é o produto escalar x.w

O Modelo Logit Multinomial

Para uma escolha simples entre duas configurações, com utilidades U1 e U2, o modelo MNL prevê que a configuração 1 será escolhida

EXP(U1)/(EXP(U1) + EXP(U2)) do tempo (um número entre 0 e 1).

Para uma escolha entre N configurações, a configuração 1 será escolhida

EXP(U1)/(EXP(U1) + EXP(U2) + ... + EXP(UN)) do tempo.

Probabilidade de Escolha Modelada

Deixe a probabilidade de escolha (usando o modelo MNL) de escolher a c-ésima configuração na t-ésima tarefa para o r-ésimo respondente ser:

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

Medição da Log-Likelihood

A medida Log-Likelihood LL é calculada como:

Prtc é uma função do vetor de valores parciais w, que é o conjunto de valores parciais que estamos resolvendo.

Resolvendo para Valores Parciais Usando Máxima Verossimilhança

Resolvemos para o vetor de valores parciais encontrando o vetor w que dá o valor máximo para LL. Note que estamos resolvendo para S variáveis.

Este é um problema de maximização contínua não linear multidimensional e requer uma biblioteca de solucionadores padrão. Usamos o Algoritmo Nelder-Mead Simplex.

A função Log-Likelihood deve ser implementada como uma função LL(w, Y, X), e depois otimizada para encontrar o vetor w que nos dá um máximo. As respostas Y e o design X são dados e constantes para uma otimização específica. Valores iniciais para w podem ser definidos como a origem 0.

Os valores parciais finais w são reescalados para que os valores parciais para qualquer atributo tenham uma média de zero, simplesmente subtraindo a média dos valores parciais para todos os níveis de cada atributo.

Simulador de Segmentação de Mercado

O Simulador Conjunto é, de longe, o aspecto mais interessante da Análise Conjunta. Isso dá a você a capacidade de "prever" a participação de mercado de novos produtos e conceitos que podem não existir hoje. Isso também dá a você a capacidade de medir o "Ganhos" ou "Perda" na participação de mercado com base em mudanças nos produtos existentes no mercado dado.

O primeiro passo na Simulação Conjunta é identificar e descrever os diferentes produtos ou conceitos que você deseja investigar. Chamamos esses de "Perfis". Como mencionado anteriormente, qualquer produto ou conceito pode ser identificado ou criado usando os Atributos e Níveis que foram definidos para o estudo. Para os propósitos do Simulador Conjunto, um produto ou conceito compreende todos os Atributos e um nível de cada um dos atributos.

Por exemplo, um dos perfis pode ser: Marca - Sony, Preço - $899, Tamanho - 42"

Na maioria dos casos, queremos descobrir todos os produtos existentes que estão disponíveis naquele segmento de mercado e simular a participação de mercado dos produtos para estabelecer uma linha de base. Uma vez estabelecida, seria um bom ponto de partida para tentar novos serviços e ideias e ver como a participação de mercado muda com base em novos produtos e configurações.

Vá para: Login » Surveys » Reports » Choice Modelling » Conjoint Analysis

Clique em Simulação de Participação de Mercado.

Adicione o perfil conforme mostrado abaixo e clique no botão Executar Simulação. Isso fornece o relatório com Contagem de Votos e Participação de Mercado do respectivo conceito.

Cálculos para Contagem de Votos

Baixe o Relatório de Segmentação de Mercado Exportado nas opções de Download.

Elasticidade de Preço

Quanto mais um cliente pagará por uma televisão Samsung em vez de uma LG? Atribuindo o preço como um atributo e vinculando isso a um atributo retorna um modelo para uma distribuição $ por utilidade. Isso é utilizado para calcular o valor real em dólares relativo a qualquer atributo. Quando a análise é feita em relação à marca, você pode colocar um preço na sua marca.

O que é Elasticidade de Preço?

A elasticidade de preço refere-se à demanda agregada por um produto e à forma da curva de demanda. É uma característica de um produto em um mercado. A forma como calculamos é traçando a demanda (Contagem de Frequência / Resposta Total) em diferentes níveis de preço.

Como configurar o Prêmio de Marca?

• Adicione a pergunta de análise conjunta.
• Na Tipo de Atributo, selecione o Tipo de Atributo como Marca ou Custo/Preço.

Agora você pode verificar o Prêmio de Marca em Login » Surveys » Reports » Choice Modelling » Conjoint Analysis » Brand Premium

Selecione Elasticidade de Preço contra Marca ou Tamanho.

Cálculo da Elasticidade de Preço

Exemplo: Marca Sony a preço de $800 dá 57%

Baixe o Relatório de Conceitos Exibidos Exportados nas Opções de Download.

Elasticidade de Preço = Contagem de ID de Resposta Única para um determinado nível de atributo com selecionado é 1 / Resposta Total Coletada

Portanto, a Elasticidade de Preço para a Sony com preço = $800 é 4/7 = 57%