Autor : Melinda Thielbar
Industrie: Konsumgüter
Funktionsbereich: Marktforschung, Umfrageanalyse,
Phase des Produktlebenszyklus: Marktforschung
Dies ist eine erfundene Markenbekanntheitsstudie, die ich erstellt habe, um einige Verbraucherforschungskunden im CPG-Bereich zu besuchen. Es zeigt, wie man Maximum Difference Scaling (MaxDiff) verwendet, um Kunden dazu zu bringen, eine große Anzahl von Marken von Schokoriegeln zu bewerten, ohne die kognitive Belastung, alle auf einmal zu bewerten.
Dies ist ein häufiges Problem in Verbraucherstudien. Sie möchten wissen, wie durchschnittliche Verbraucher (dh ein ungeschultes Verbraucherpanel) auf Ihr Produkt reagieren werden. In jeder Situation, in der Sie eine ungeschulte Gruppe fragen, was sie mag und warum, erhalten Sie möglicherweise ein verrauschtes Ranking, das sich ändern könnte, wenn Sie sie an einem anderen Tag fragen. Mit MaxDiff können Sie ihnen kleine Sendungen präsentieren und daraus die Gesamtrangliste ableiten. Jeder Satz ist ein saubereres Ergebnis und somit ist das Gesamtergebnis besser.
Die latente Klassenanalyse, die für die Befragteninformationen verwendet wird, ermöglicht es dem Forscher, eine große Gruppe von Einstellungsspalten in zwei latente Klassenspalten zu unterteilen, die für die weitere Modellierung verwendet werden können.
Die Datentabellen sind:
1) Eine Liste der zu rankenden Produkte, die verwendet werden kann, um den MaxDiff-Designer anzuzeigen,
2) Eine Excel-Tabelle mit den Umfrageergebnissen und eine Tabelle mit den Informationen der Befragten (Dies ist eine gute Gelegenheit zu zeigen, wie einfach es ist, Excel-Daten in JMP zu importieren. Außerdem weisen die Excel-Daten einen Fehler auf, bei dem Produkte in einem Blatt mit -1,0,1 und in einem anderen Blatt mit 1,2,3 bewertet werden. Dies ist eine gute Gelegenheit, Recode zu zeigen.)
3) Eine JMP-Tabelle mit den Umfrageergebnissen, einschließlich Tabellenskripten MaxDiff für Text Explorer (Nicht-Pro). Mit dem Text-Exporer-Skript können Sie untersuchen, was die Leute sagen, wenn sie sich zuerst für eine Schokoladensorte entscheiden.
2) Respondententabelle mit Tabellenscripts zur Analyse der Respondenten, einschließlich eines Tabellenscripts für die Latent-Class-Analyse. Die LCA zeigt, dass viele verschiedene demografische und Einstellungsvariablen für diese Daten auf 2 Sätze latenter Klassen (insgesamt 4) reduziert werden können, basierend auf 1) Wie viel Schokolade die Befragten essen und ihre Einstellung zu Schokolade (LCA: Candy Tried and Attitude) , und 2) Fragen zur Verbrauchereinstellung, wann es angebracht ist, Schokolade zu essen. Die Ökobilanz ermöglicht es uns also, zwei Spalten für Befragte zu erstellen, die 4 von möglicherweise Hunderten von verschiedenen Kategorien darstellen, die wir ohne sie verwenden müssten.
showSlides.jsl muss so bearbeitet werden, dass es auf das Verzeichnis mit den Folienbildern verweist. Alternativ können Sie die PowerPoint-Präsentation verwenden, die die gleichen Informationen enthält.
Szeneneinstellung : Sie müssen oft sehen, wie Ihre Marke im Vergleich zu anderen Marken abschneidet. Eine MaxDiff-Studie wie diese lässt sich schnell und einfach in einem Umfragetool aufstellen. In dieser Studie wurden Einzelpersonen gebeten, bekannte Marken von Schokoriegeln in 3er-Gruppen einzustufen und dann zu kommentieren, warum sie jede Gruppe so einordneten, wie sie es taten. Wir zeigen, wie das MaxDiff-Experiment analysiert wird und wie der Datenfilter im Text-Explorer verwendet wird, um die Verbraucherkommentare zu verstehen. Wir werden auch sehen, wie Sie mit Latent Class Analysis Ihre Umfrageteilnehmer schnell nach ihren Gewohnheiten und Einstellungen gruppieren können.
