Conjoint Analysis Là Gì

trong Data Mining and Business Intelligence...Data Mining and Business Intelligence...(Entire Site)

Tìm kiếm

earlsdaughter.com » Data Mining and Business Intelligence » Data Mining and Business Intelligence » Phân tích kết hợp (Conjoint Analysis)

gmail.com,earlsdaughter.com

Hai phương pháp chính để phân tích thị hiếukhách hàng thường dùng trong phân tích Marketing và hành vi người tiêu dùng làtrắc nghiệm ý niệm (Concept testing) và Phân tích kết hợp (Conjoint Analysis).Bài viết này giới thiệu về ConjointAnalysis.

Bạn đang xem: Conjoint analysis là gì

Một sản phẩm (dịch vụ) được xem là một tậpcác đặc trưng (tính chất, thuộc tính), Phân tích kết hợp giúp ta biết được thuộctính nào của sản phẩm được khách hàng quan tâm, đánh giá cao, và làm sao để kếthợp các đặc trưng đó lại để tạo ra sản phẩm phù hợp với thị hiếu của khách hàngvà nhu cầu của thị trường mục tiêu. Mục đích của phân tích kết hợp là nhằm xácđịnh sự kết hợp của một số hữu hạn các thuộc tính có ảnh hưởng lớn nhất đến sựlựa chọn hoặc ra quyết định của khách hàng.

Đểminh họa cho phân tích kết hợp, xem một tình huống cụ thể sau:

Giám đốc tiếp thị của một thương hiệu hàngđầu về khoai tây chiên giòn đang xem xét một dòng khoai tây chiên giòn mới có lợicho sức khỏe. Công ty khảo sát đánh giá của khách hàng đối với các thuộc tínhcho sản phẩm như Giá cả, hương vị, trọng lượng, nhãn hiệu, không chứa chất béo,ít natri, v.v. Kết quả khảo sát như sau:

Phân tích kết hợp giúp trảlời các câu hỏi kinh doanh sau:

·Trặc trưng nào của sản phẩm có nhiều khảnăng gây được tiếng vang với người tiêu dùng và dẫn đến thành công trên thị trường?

·Khách hàng “sẵn sàng chi trả” bao nhiêu?

·Khách hàng đang tìm kiếm điều gì?

·Tâm lý khách hàng khi lựa chọn sản phẩm làgì?

·Sự lựa chọn tốt nhất của khách hàng là gìvà sự lựa chọn tệ nhất là gì?

Minhhọa phân tích kết hợp với Python

Giátrị của các thuộc tính như sau:

Phân tích kết hợp giúp nhà nghiên cứu xemxét tầm quan trọng thuộc tính cũng như mức độ quan trọng của chúng. Các trọng sốgiải thích mức độ quan trọng được gọi part-worths (giá trị một phần).

Sử dụng mô hình hồi quy tuyến tính để thấy được các biến giải thích riêng lẻ ảnh hưởng như thế nào đến biến độc lập, mô hình còn xem xét ảnh hưởng giữa các cấp độ dữ liệu của mỗi biến độc lập đến mô hình nên gọi main_effects_model.

Xem thêm: Cách Khắc Chế Nocturne Mùa 11, Tướng Khắc Chế Nocturne Đi Rừng Mùa 10 Hiệu Quả

part-worths thể hiện độ mạnh của sở thích cá nhân của người tiêu dùng đối với từng cấp độ của từng thuộc tính.

Trong biểu đồ cột sống Conjoint trên, giá trị part-worths được mô tả như các điểm kéo dài ra khỏi cột sống. Các đường kéo dài về phía phải là ngụ ý rằng tính năng sản phẩm cụ thể quan trọng đối với khách hàng và khách hàng thích nó.Các đường kéo dài về phía trái là đặc điểm mà khách hàng không thích. Ta có thể thấy rằng khách hàng thích trọng lượng 100g và tùy chọn hữu cơ không có chất béo. Các gói lớn hơn 400g có vẻ ít được khách hàng quan tâm hơn, và khách hàng có xu hướng chọn sản phẩm dạng nhiều gói (multipack). Vị muối và giấm được ưa thích hơn. Khách hàng không thích tùy chọn natri thấp.Điểm tiện ích (Utility Scores)Khi chúng ta tính tổng các part-worths của một sản phẩm, chúng ta sẽ có được một thước đo về tiện ích hoặc lợi ích cho người tiêu dùng. Dưới đây là điểm tiện ích cho từng profile.Biểu đồ trên có 3 ba profile có điểm tiện ích cao nhất là 9, 13 và 15.Lựa chọn kết hợp tối ưu
Sử dụng utility score để dự báo Market Shares