Magma topp logo Til forsiden Econa

Frøydis Bjerke er forsker ved Matforsk AS i Ås. Hun er dr.scient fra daværende NLH, nå Universitetet for miljø- og biovitenskap (UMB). 

Hva er nytten av conjoint-analyse i forbruker-unders√łkelser?

Mine Matforsk-kolleger Margrete Hersleth, Elin Kubberød, Frank Westad, Tormod Næs, Magni Martens, Harald Martens og Aud Midtgarden samt Shirley Coleman (ISRU, University of Newcastle) og Hanne Sivertsen (UC Davis, California) var alle svært hjelpsomme, gav meg gode innspill og skaffet tilveie referanseartikler og eksempler til prøveforelesningen.

I næringsmiddelforskning brukes ofte forbrukerundersøkelser for å studere sammenhenger for eksempel mellom produkters sensoriske egenskaper (farge, lukt, smak osv.) og forbrukeroppfatninger. En konkret problemstilling er å koble resepter og produksjonsprosesser til produktegenskaper og forbrukeroppfatninger på en måte som gir bedre markedskunnskap.

Forbrukerundersøkelser finnes for mange formål og i mange formater. Blant de kvalitative undersøkelsesformene er intervjuer (fritekst) og fokusgrupper vanlig, mens man i kvantitative undersøkelser (Survey; «vanlig» spørreundersøkelse) legger mer vekt på å telle opp/summere svar fordelt på kategoriske alternativer. I alle tilfeller ønsker man å avdekke forbrukerens vurdering/evaluering av et eller flere produkter, det være seg subjektiv oppfatning, nytteverdi, aksept, preferanse eller opplevde forskjeller – kort sagt responser.

Et Conjoint-format på undersøkelsen gir en mer kontrollerbar setting og en bedre intern validering enn mer fritt formulerte spørreskjemaer. En mulig ulempe er at undersøkelsen blir for kompleks for respondenten (her: forbrukeren). Conjoint-analyser i forbrukerundersøkelser anses å være spesielt hensiktsmessig ved vurdering av sammensatte produkter/tjenester, produktutvikling av nye konsepter, simulering av preferanser for ulike design-alternativer, studier av konkurrerende produkter, markedsstrategier samt prisstudier og markedssegmenter. En conjoint-analyse kan altså simulere forbrukeres bedømmelse av produkter – både reelle og hypotetiske sådanne – samt emulere beslutninger i markedet som likner på kjøpsbeslutninger.

I en god forbrukerundersøkelse er bevissthet omkring rekruttering og utvalgskriterier svært viktig, altså å finne respondenter som er representative i forhold til studiens formål. Det er mange utfordringer knyttet til forbrukerundersøkelser. For eksempel fremholder en del interessante og utfordrende aspekter, slik som: – Forbrukere gjør ikke som de sier. – Forbrukere er ikke rasjonelle i sine beslutninger, det vil si de styres både av intensjoner og impulser. Det er derfor ofte vanskelig å påvise en underliggende og forutsigelig «virkelig» atferd hos forbrukerne.

Eksempel 1: Konferanse

Ved avslutningen av en konferanse delte arrangørene ut et spørreskjema hvor deltakerne kunne angi preferanser mellom gitte alternativer, med tanke på planlegging av kommende konferanser. Arrangørene er av den oppfatning at tre faktorer er spesielt viktige for deltakernes vurdering av konferansen, og ønsker derfor å stille opp ulike alternativer basert på disse faktorene X1, X2 og X3.

X1) Lokalitet: Universitet eller konferansesenter

X2) Innhold: Vesentlig foredrag eller arbeid i grupper («workshops»)

X3) Varighet: To lange dager (m/kveldssesjoner) eller 2 1/2 dag (fri kvelder)

Deltakerne, respondentene, får en rekke sammensatte spørsmål, eller stimuli, eksempelvis:

Angi hvor vellykket (på en gitt skala) du tror at neste års konferanse blir, dersom den

a) holdes ved et konferansesenter, varer i to lange dager og inneholder vesentlig foredrag

b) holdes ved et universitet, varer i to lange dager og inneholder vesentlig arbeid i grupper

c) holdes ved et universitet, varer i 2 1/2 dager og inneholder vesentlig foredrag

d) holdes ved et konferansesenter, varer i 2 1/2 dager og inneholder vesentlig arbeid i grupper

Disse stimuli (a–d) er systematiske kombinasjoner av faktornivåene, og de presenteres i tilfeldig rekkefølge. I en conjoint-analyse kan responsen (her: svar-scorene) brytes ned på de enkelte faktorer (X1, X2, X3) slik at man får målt hver enkelt faktors betydning for vellykkethet, for eksempel om lokalitet er viktigere enn varighet. Fordelen med denne tilnærmingen, i motsetning til å spørre om hver enkelt faktor direkte, er at respondentene får mulighet til å gi en vurdering av et sammensatt stimulus – kanskje er foretrukket varighet betinget av innhold? («Hvis det er bare foredrag, foretrekker jeg 2 dager – ellers er det best med 2 1/2 dag.») I tillegg til å få hver enkelt deltakers bedømmelse av alternativene, kan man se samlet på besvarelsene og lete etter grupper/segmenter som skiller seg fra andre grupper.

Eksempel 2: Sannsynlighet for kjøp av fårepølse

viser hvordan conjoint-analyse kan brukes til å studere om fettprosent og pris for fire sorter fårepølse påvirker forbrukerens preferanse («liking») og kjøpsvilje for produktene. I denne studien var det tre faktorer:

X1) 4 pølsesorter med ulik fettprosent og smak

X2) 2 priser (12 kr/hg og 24 kr/hg)

X3) 2 fettnivåer (19 % og 29 %)

Alle de 82 forbrukerne fikk 2x2 alternativer (stimuli) for hver av de 4 sortene, i alt 16 per forbruker. Disse stimuli bestod av både smaking og sammensatte spørsmål med hensyn til pris og fett, og disse ble presentert i en «Systematisk rotert rekkefølge». Responsen var kjøpsvilje. På forhånd var de samme pølsene blitt bedømt av alle forbrukerne uten tilleggsinformasjon, altså ren «liking». Resultatene viste at det var forskjell mellom kvinner og menn med hensyn til opplysning om fettprosent. Kvinnene var mer opptatt av lavt fettinnhold enn mennene var. Effekten av «liking» med hensyn til kjøpsvilje var sterkest hos unge menn. Og effekten av «liking» med hensyn til kjøpsvilje var tydeligst for lav fettprosent og lav pris.

Hva er conjoint-analyse?

Conjoint-analyse er en metode for spørreundersøkelser som bruker strukturerte spørreformer for å bryte ned respondentenes individuelle preferanser for sammensatte stimuli («spørsmål»). Grunnfilosofien i conjoint-analyse er modellering av individuelle preferanser eller nyttefunksjoner. Første gang metoden ble beskrevet, var av . Tidlig på 70-tallet ble conjoint introdusert i markedsføring gjennom blant andre og . Conjoint-analyse er mye anvendt i preferansestudier og markedsundersøkelser og har blitt videreutviklet både innen forskning og gjennom stor utbredelse i praksis. gir en god oversikt over de første tretti årene med conjoint-analyse. For praktisk bruk finnes conjoint-analyse i flere programvareløsninger. I nyere forskning og anvendelser ses blant annet en tilpasning til mer sensorikk-baserte forbrukerundersøkelser.

Conjoint-analyse har svært mye til felles med klassisk forsøksdesign (Design of Experiments, se f.eks. , hvor man velger flere faktorer – hver med to eller flere nivåer – og danner systematiske kombinasjoner av disse i et forsøksdesign. I conjoint kalles et slikt sett av kombinasjoner for stimuli. Ulike typer faktorer kan inngå i modellen, som for eksempel produkteksempler (type A og type B) og verbale elementer.

Analyse og resultater

Responsene (f.eks. subjektiv oppfatning, aksept, preferanse, opplevde forskjeller) kan angis på flere måter. En enkel metode er å be respondentene om å rangere alternativene (stimuliene) ved å plassere dem i en rekkefølge. Ved gradering ( «rating») gis hver stimulus en verdi på en definert skala. Rangering er ofte enklere enn gradering for respondenten når det ikke er for mange stimuli (<20). Gradering kan gi mindre forskjeller fordi flere stimuli kan få samme gradering, men vil i andre tilfeller være mer informativ enn rangering fordi den også sier mer om avstand mellom ulike stimuli.

Responsene kobles til faktorene gjennom en conjoint-modell. Valg av modell avhenger blant annet av antall stimuli og hvordan disse er sammensatt, samt hva slags respons som inngår. Modellen baseres også på visse antakelser om sammenheng mellom faktorer og respons. Dette er mer utfyllende beskrevet i litteraturen, se for eksempel . I vårt eksempel 1 kan analysen gradere viktigheten av de tre faktorene for hver enkelt deltaker, samt for hele gruppen, slik at konferansen kan bli bedre tilpasset neste år. Dersom det er interessant, kan man også finne ut hvilke grupper av deltakere som foretrekker ulike alternativer (segmentering). Dette kan tenkes brukt til å gi ulike grupper av deltakere et mer tilpasset tilbud, for eksempel ved å tilby gruppearbeid og foredrag parallelt. Modellene kan altså lages på individ-, segment- og totalnivå.

Ulemper/utfordringer ved conjoint-analyse

Valg av design, modell, faktorer og nivåer

Hvilke faktorer som skal inngå, og hvilke nivåer hver av disse skal ha, er selvfølgelig avgjørende for at analysen skal gi svar på den valgte problemstilingen. Man ønsker en mest mulig fullstendig beskrivelse av faktorer som antas å påvirke responsene. Det er en risiko for at faktorer og nivåer som inngår i en studie, får «ufortjent oppmerksomhet», eller en kunstig høy betydning. Samtidig kan utelatte faktorer/nivåer som egentlig har betydning, være uønskede feilkilder. Det viser seg også at faktorer med flere nivåer gjerne blir tillagt mer betydning enn faktorer med få nivåer, selv om spennet er det samme. Se for eksempel for mer om dette.

Antall stimuli («spørsmål») og antall faktorer innen hver stimulus kan ikke være for stort hvis respondentene skal klare å forholde seg til det. I praksis er altså det samlede antall faktorer og nivåer begrenset. En måte å omgå dette på er å bruke et større antall respondenter og gi hver av dem et utvalg av stimuli og profiler, slik at man samlet dekker opp en komplett studie. Analysen retter seg da mot hele respondentgruppa under ett, da opplysninger på individnivå vil være ufullstendige.

En fordel som gjerne trekkes fram ved conjoint-analyse, er at man kan modellere samspill mellom faktorer, for eksempel om foretrukket varighet av en konferanse er betinget av faglig innhold. Men en modell som skal kunne estimere samspill, behøver flere frihetsgrader enn en modell uten, hvilket vil si flere stimuli. For individbaserte modeller blir det derfor i praksis vanskelig å ha med flere enn 5 faktorer med 2 nivåer hver dersom samspill skal inngå.

Når det gjelder tolkning av resultatet, både i conjoint-analyser og i forbrukerstudier generelt, er det viktig å huske på at en positiv vurdering og god respons ikke nødvendigvis vil føre til en kjøpsbeslutning i et virkelig marked. I den sammenheng må det nevnes at preferanse og aksept ikke er det samme. For eksempel kan to stimuli få ulike preferanser selv om ingen egentlig er akseptable for respondenten, noe som det må tas hensyn til i tolkningen av resultatene.

Respondentens opplevelse

En setting eller stimulus (tenkt situasjon) kan være langt fra «virkeligheten» og derfor oppleves som lite relevant å rangere for respondenten. Det kan også være trettende å skille mellom mange nesten like alternativer i flerfaktorsprofiler, særlig hvis samspill inngår, eller det er mange faktorer og stimuli.

Personlige egenskaper og oppfatninger hos respondentene er nok også noe som bør tas hensyn til. På svarskjemaene fra konferanse-eksempelet fantes kommentarer fra «Morsomt og interessant» til «En fornærmelse mot min intelligens» da respondentene ble bedt om å gi synspunkter på spørreundersøkelsen.

Noen aktuelle områder for videre forskning og praktisk utprøving

Videre forskning, utvikling og utprøving av conjoint-metoder har mange aspekter. En bedre forståelse av hvilke metoder/modeller som er best egnet for ulike formål og betingelser, er etterspurt. Metoder for håndtering av mange faktorer/nivåer, fraksjoner av respondenter og stimuli (jr. avsnitt « 1») er også et område med mye aktivitet. Her er det mange spørsmål, for eksempel hvordan et datamateriale bestående av mange delvis eller lite overlappende grupper kan trekkes sammen. En bedre håndtering av samspill – som ofte vil være interessant å avdekke – er et viktig element her. Såkalt hierarkisk conjoint er en studie i flere trinn, hvor de antatt viktigste faktorer tas først. Dette er også en måte for å unngå for komplekse stimuli. Longitudinelle studier, for eksempel om forbrukeren endrer sine holdninger/oppfatninger over tid (førsteinntrykk vs. langsiktig erfaring), er et interessant aspekt som det forskes på. Her er det også flere utfordringer på metodesiden.

Samspillet menneske – produkt – kontekst innebærer at en forbrukers oppfatning av et gitt produkt kan påvirkes av konteksten (situasjonen), for eksempel hvor godt liker man en gitt rødvin foran peisen i forhold til på et testbord i supermarkedet? Forskjeller her kan skyldes ulik kontekst, som er en stor utfordring å håndtere rasjonelt i forbrukerundersøkelser.

På området design av undersøkelser – utforming/lay-out, internett-baserte undersøkelser, masseutsendelser med mer – er det mye aktivitet i dag, både mot conjoint og andre metoder for forbrukerstudier. Elektroniske undersøkelser vil nok i mange tilfeller være konkurransedyktige, også eventuelt i kombinasjon med produktprøving. En ulempe vil være at nærhet og direkte kontakt mellom studiens stab og respondentene minker, slik at kvaliteten på svarene kan bli redusert. Elektroniske studier stiller også store krav til utvalget av respondenter (rekruttering/påmelding). Samtidig er det klart at moderne teknologi kan gjøre kostnadene per respondent betydelig lavere enn mer tradisjonelle metoder – for eksempel personlig intervju.

Konklusjon

Hva er nytten av conjoint-analyse i forbrukerundersøkelser? Metodene er fleksible og gir mange muligheter for ulike tilpasninger (se Referanser og Tilleggslitteratur). Et viktig element er muligheten for analyse på individ-/segment-nivå, som dermed kan avdekke variasjonsmønstre i respondentgruppen. En annen fordel er at de enkelte elementer i et markedskonsept kan undersøkes både hver for seg og sammen – man estimerer hovedeffekter og samspill. Dette er en kvantifisering av de kontrollerbare faktorenes effekt på responsen, det vil si en statistisk modell av forbrukerens preferanse, noe som gir en bedre mulighet for kausale forklaringer (årsak/virkning) enn mange andre metoder. Ved at kontrollerte faktorer og nivåer benyttes i forsøksdesignet, kan man finne optimale produkter med hensyn til faktornivåer innenfor ulike segmenter.

Vedlegg: Vanlige statistiske analysemetoder ved forbrukerundersøkelser

Multippel lineær regresjon (MLR) og prinsipal komponentregresjon (PCR) kobler ett sett av forklaringsvariable til en respons gjennom en spesifisert statistisk modell, som regel et polynom av formen

figur

(additiv modell),

eventuelt en mer kompleks variant

figur

(modell med samspill), dersom datagrunnlaget tillater det.

prinsipal komponentanalyse (PCA) og faktor-analyse trekkes det ut latente, uavhengige komponenter fra en multivariabel datamatrise med n objekter og k variable. Slik avdekkes de viktigste variasjonsstrukturene i et sett med data, som for eksempel kan bestå av n respondenters svar på k spørsmål.

PLS-regresjon – også kalt projeksjon på latente strukturer – kobler to multivariable matriser gjennom en bilineær modell og utnytter korrelasjonsstrukturen i både forklaringsdata og responser. I likhet med multi-dimensjonal skalering (MDS) – en metode som håndterer parvise sammenligninger av alle mulige par – visualiseres avstand/nærhet mellom objekter og variable gjennom plassering i «kart»; score-plot og ladningsplot. Andre metoder er for eksempel clusteranalyse (klassisk og «fuzzy») som søker «klynger» i multivariable data, og ANOVA – klassisk variansanalyse, typisk brukt for å finne forskjell mellom grupper (treatments).

Preference mapping (PrefMap) er et samlebegrep for mange metoder basert på multivariabel statistikk, hvor formålet er å relatere sensorikk (objektive beskrivelser) til forbrukernes (subjektive) preferanse for produktene. PrefMap gir informasjon om hvilke sensoriske egenskaper som er viktige for den enkeltes preferanse.

Litteratur

  • Carroll, J.D., and Green, P.E. (1995) Psychometric Methods in Marketing Research: Part I, Conjoint Analysis, Journal of Marketing Research 32 (4), pp. 385–391.
  • Carroll, J.D., and Green, P.E. (1997) Psychometric Methods in Marketing Research: Part II, Multidimensional Scaling, Journal of Marketing Research 34 (2), pp. 193–204.
  • Green, P.E. (1984) Hybrid Models for Conjoint Analysis: an Expository Review, Journal of Marketing Research 21 (2), pp. 155–169.
  • Green, P.E. (1987) Conjoint Analyzer, Journal of Marketing Research 24 (3), pp. 327–329.
  • Green, P.E., Krieger, A.M., and Agarwal, M.K. (1991) Adaptive Conjoint Analysis: Some Caveats and Suggestions, Journal of Marketing Research 28 (2), pp. 215–222.
  • Green, P.E., and Srinivasan, V. (1978) Conjoint Analysis in Consumer Research – Issues and Outlook, Journal of Consumer Research 5 (2), pp. 103–123.
  • Green, P.E., and Srinivasan, V. (1990) Conjoint Analysis in Marketing: New Developments with Implications for Research and Practice, Journal of Marketing 54, pp. 3–19.
  • Gustafsson, A., Herrmann, A., and Huber, F., (ed. 2000) Conjoint Measurement: methods and applications.
  • Kessels, R., Goos, P., and Vandebroek, M. (2005) Optimal two-level designs for conjoint studies, ENBIS Fifth Annual Conference proceedings (CD-rom).
  • Martens, H., Anderssen, E., Flatberg, A., Gidskehaug, L.H., Høy, M., Westad, F., Thybo, A., and Martens, M. (2005) Regression of a data matrix on descriptors of both its rows and of its columns via latent variables: L-PLSR,Computational Statistics & Data Analysis 48, pp. 103–125.

© Econas Informasjonsservice AS, Rosenkrantz' gate 22 Postboks 1869 Vika N-0124 OSLO
E-post: post@econa.no.  Telefon: 22 82 80 00.  Org. nr 937 747 187. ISSN 1500-0788.

RSS