Auteur : Melinda Thielbar
Industrie: Biens de consommation emballés
Domaine fonctionnel: Étude de marché, analyse d'enquête,
Étape du cycle de vie du produit : Étude de marché
Il s'agit d'une étude de notoriété de marque inventée que j'ai créée pour rendre visite à certains clients d'études de consommation dans l'espace CPG. Il montre comment utiliser la mise à l'échelle maximale des différences (MaxDiff) pour amener les clients à classer un grand nombre de marques de barres de chocolat sans la charge cognitive de les classer toutes en même temps.
C'est un problème courant dans les études de consommation. Vous voulez savoir comment les consommateurs moyens (c'est-à-dire un panel de consommateurs non formés) réagiront à votre produit. Cependant, dans toute situation où vous demandez à un groupe non formé d'identifier ce qu'il aime et pourquoi, vous pouvez obtenir un classement bruyant qui pourrait changer si vous le lui demandiez un autre jour. MaxDiff vous permet de les présenter avec de petits messages puis d'en déduire le classement général. Chaque ensemble est un résultat plus propre, et donc le résultat global est meilleur.
L'analyse de classe latente utilisée pour les informations sur le répondant permet au chercheur de diviser un grand groupe de colonnes d'attitude en deux colonnes de classe latente qui peuvent être utilisées dans une modélisation ultérieure.
Les tableaux de données sont :
1) Une liste des produits à classer, qui peut être utilisée pour montrer le concepteur MaxDiff,
2) Une feuille de calcul Excel avec les résultats de l'enquête et une feuille de calcul avec les informations du répondant (C'est une bonne occasion de montrer à quel point il est facile d'importer des données Excel dans JMP. De plus, les données Excel comportent une erreur où les produits sont classés -1,0,1 dans une feuille et 1,2,3 dans une autre feuille. C'est une bonne occasion de montrer le recodage.)
3) Un tableau JMP avec les résultats de l'enquête, y compris les scripts de tableau MaxDiff pour Text Explorer (non-Pro). Le script d'exploration de texte vous permet d'explorer ce que les gens disent lorsqu'ils choisissent d'abord chaque type de chocolat.
2) Tableau des répondants avec des scripts de tableau pour analyser les répondants, y compris un script de tableau pour l'analyse des classes latentes. L'ACV montre que de nombreuses variables démographiques et d'attitude différentes peuvent être ramenées à 2 ensembles de classes latentes pour ces données (4 au total) basées sur 1) la quantité de chocolat que les répondants mangent et leurs attitudes à l'égard du chocolat (ACV : Candy Tried and Attitude) , et 2) Questions d'attitude des consommateurs sur le moment où il est approprié de manger du chocolat. L'ACV nous permet donc de créer deux colonnes de répondants représentant 4 des centaines de catégories différentes que nous aurions à utiliser sans elle.
showSlides.jsl doit être modifié afin qu'il pointe vers le répertoire contenant les images de la diapositive. Alternativement, vous pouvez utiliser la présentation PowerPoint, qui contient les mêmes informations.
Réglage de la scène : Vous devez souvent voir comment votre marque se compare à d'autres marques. Une étude MaxDiff comme celle-ci peut être réalisée rapidement et facilement dans un outil d'enquête. Cette étude a demandé aux individus de classer les marques de tablettes de chocolat bien connues dans des ensembles de 3, puis de commenter pourquoi ils ont classé chaque groupe comme ils l'ont fait. Nous montrerons comment analyser l'expérience MaxDiff et comment utiliser le filtre de données avec l'explorateur de texte pour comprendre les commentaires des consommateurs. Nous verrons également comment l'analyse des classes latentes peut vous permettre de regrouper rapidement les répondants de votre enquête en fonction de leurs habitudes et attitudes.
