Autor : Melinda Thielbar
Industria: Bienes de consumo empaquetados
Área funcional: Investigación de mercado, análisis de encuestas,
Etapa del ciclo de vida del producto: Investigación de mercado
Este es un estudio de reconocimiento de marca inventado que creé para visitar a algunos clientes de investigación de consumidores en el espacio CPG. Muestra cómo usar la escala de diferencia máxima (MaxDiff) para que los clientes clasifiquen un gran conjunto de marcas de barras de chocolate sin la carga cognitiva de clasificarlas todas a la vez.
Este es un problema común en los estudios de consumo. Desea saber cómo reaccionarán los consumidores promedio (es decir, un panel de consumidores no capacitados) ante su producto. Sin embargo, en cualquier situación en la que le pidas a un grupo no capacitado que identifique lo que les gusta y por qué, puedes obtener una clasificación ruidosa que podría cambiar si les preguntas en un día diferente. MaxDiff le permite presentarlos con pequeños envíos y luego inferir la clasificación general. Cada conjunto es un resultado más limpio, por lo que el resultado general es mejor.
El análisis de clase latente utilizado para la información del encuestado permite al investigador dividir un gran grupo de columnas de actitud en dos columnas de clase latente que se pueden usar en modelos posteriores.
Las tablas de datos son:
1) Una lista de los productos para clasificar, que se puede usar para mostrar el diseñador de MaxDiff,
2) Una hoja de cálculo de Excel con los resultados de la encuesta y una hoja de cálculo con la información resonante (Esta es una buena oportunidad para mostrar lo fácil que es traer datos de Excel a JMP. Además, los datos de Excel tienen un error donde los productos se clasifican -1,0,1 en una hoja y 1,2,3 en otra hoja. Esta es una buena oportunidad para mostrar recodificar.)
3) Una tabla JMP con los resultados de la encuesta, incluidos los scripts de tabla MaxDiff para Text Explorer (no Pro). El script de exploración de texto le permite explorar lo que dice la gente cuando elige primero cada tipo de chocolate.
2) Tabla de encuestados con guiones de tabla para analizar a los encuestados, incluido un guion de tabla para el análisis de clase latente. El LCA muestra que muchas variables demográficas y de actitud diferentes se pueden reducir a 2 conjuntos de clases latentes para estos datos (4 en total) en función de 1) Cuánto chocolate comen los encuestados y sus actitudes sobre el chocolate (LCA: Candy Probado y Actitud) , y 2) Preguntas sobre la actitud del consumidor sobre cuándo es apropiado comer chocolate. El LCA nos permite, entonces, crear dos columnas de encuestados que representen 4 de los potencialmente cientos de categorías diferentes que tendríamos que usar sin él.
showSlides.jsl debe editarse para que apunte al directorio con las imágenes de diapositivas. Alternativamente, puede usar la presentación de PowerPoint, que tiene la misma información.
Configuración de escena : A menudo tiene que ver cómo se compara su marca con otras marcas. Un estudio de MaxDiff como este se puede realizar rápida y fácilmente en una herramienta de encuesta. Este estudio pidió a las personas que clasificaran las marcas conocidas de barras de chocolate en grupos de 3 y luego comentaran por qué clasificaron a cada grupo de la forma en que lo hicieron. Mostraremos cómo analizar el experimento MaxDiff y cómo usar el filtro de datos con el explorador de texto para comprender los comentarios de los consumidores. También veremos cómo el análisis de clase latente puede permitirle agrupar rápidamente a los encuestados según sus hábitos y actitudes.
