næsten højre (JAR) skalaer er et almindeligt anvendt spørgsmålsformat, når man prøver at identificere ydeevnen for et produkt eller en oplevelse mod en bestemt attribut. Skalaen antager, at der er en ideel position for en attribut og muligheden for at være over eller under idealet. For eksempel, sødme af en chokoladebar kunne være lige om ret, eller det kunne være enten for sød, eller ikke sød nok. For at kvantificere dette skaber vi fem unikke positioner på en 5-punkts skala, der spænder fra alt for sødt til slet ikke sødt nok (figur 1).
når du besvarer spørgsmålene, kan respondenten kun vælge et af de fem svar, hvilket gør dette til et enkelt kodespørgsmål.
i slutningen af undersøgelsen vil du være i stand til at oprette en gennemsnitlig score på disse data og finde din gennemsnitlige position i forhold til at være næsten rigtig. Et gennemsnit tæt på nul vil illustrere, om du er i overensstemmelse med forbrugernes forventninger til denne attribut, men det er vigtigt at se, om dette gennemsnit stammer fra polariseret eller enstemmig scoring.
næste trin er at vurdere den indflydelse, som denne attribut har på din samlede appel, og straffen, der opstår, når du underpræsterer. Dette fortæller dig, om denne attribut er kritisk for at optimere eller af sekundær betydning. Til dette bruger vi Straffeanalyse.
Sådan beregnes det:
trin et
for det første skal du have et spørgsmål, der måler forbrugerens samlede appel af produktet, f. eks. hvor meget kan du lide produktet samlet, hvor 5 er som meget og 1 ikke kan lide meget? Dette kan også stilles på en 7 eller 10 punkts skala, hvis det foretrækkes.
du skal også have en række KRUKKESKALAER, som du kan måle indflydelsen på. For eksempel: sødme, tykkelse, farve og lugtstyrke.
trin to
når du ser på hver af dine krukke skalaer, skal du gruppere forbrugere, der vurderede produktet for sødt eller ikke sødt nok. Så de, der valgte ‘lidt for søde’ (4) og ‘alt for søde’ (5), kalder vi gruppe ‘A’. Derefter vil de, der koder ‘næsten rigtigt’ (3), være gruppe B, og de, der valgte enten ‘slet ikke sød nok’ (1) og ‘ikke helt sød nok’ (2), være Gruppe C. Så du har nu 3 grupper,A,B og C.
trin tre
næste skal du beregne størrelsen på hver af disse to grupper ved at dividere antallet af respondenter i hver gruppe (A, B, C) med det samlede antal respondenter, der besvarede din undersøgelse.
Trin fire
nu skal du se på, hvordan hver af disse grupper besvarede det samlede appelspørgsmål. Dette kan gøres i en rå datafil eller en anden datapakke. Du skal oprette en gennemsnitlig score for hver af dine grupper. For eksempel gav gruppe A, der anså produktet for at være for sødt, en gennemsnitlig samlet appel på 4,15. Gruppe B, der betragtede sødmen næsten rigtigt, har en gennemsnitlig samlet appel på 4,55 osv.
trin fem
når du har din gennemsnitlige score for samlet appel, for alle tre grupper, er du klar til at beregne din straf. Tag Gruppe B, disse vurderinger næsten rigtigt, for at være dit udgangspunkt. Lad os antage et gennemsnit på 4,55 for den samlede appel. Træk nu det samlede gennemsnit for gruppe A fra dette samlede beløb. 4,55 minus 4,15 er lig med 0,40. Dette fortæller os, at straffen for at bedømme produktet som for sødt, er et fald på 0,40 på den samlede appel. Gør derefter det samme for gruppe C.
gentag dette for hver attribut, du testede.
Trin seks
nu har du beregnet sanktionerne for hver attribut og procentdelen af forbrugere i hver gruppe, du kan nu plotte disse på en graf for at se, hvor de ligger. Når man ser på denne graf, er det øverste højre hjørne det kritiske hjørne; det er her, du finder de attributter, der har den største straf for den samlede appel. For at skabe det kritiske hjørne skærer vi typisk h-aksen, hvor attributter påvirker den samlede appel for mere end 20-25% af respondenterne, og Y-aksen, hvor straffefaldet er 1 point eller derover.
denne graf viser os, at produktet ikke er sødt nok, farven er for lys, tykkelsen er for tyk og lugten er for stærk, alle har en stor straf på forbrugernes generelle smag af produktet. Disse skal behandles straks.
så er Straffeanalyse det rigtige værktøj til dig? Nå der er mange fordele til Straf analyse. For det første er det billigt at køre og kan gøres af alle med udmærke sig. Du behøver ikke at ansætte en statistiker eller investere i dyre programmer. Det er hurtigt at køre og hurtigt at kortlægge, hvilket gør det effektivt til analyse og rapportering. Og det er let at forstå, hvilket betyder at du kan demonstrere den rolle, hver attribut har på produktet uden komplicerede forklaringer.
der er dog ulemper, hvoraf den største er, at den ser på forholdet mellem attributter og samlet appel isoleret; manipulation med en attribut kan have en knock-on effekt på andre attributter. Og som diskuteret tidligere er nogle attributter polariserende, som kunne gå ubemærket af Straffeanalysen. Endelig. der er andre mere robuste statistiske teknikker derude, der kunne bruges til bedre at forstå den rolle, hver attribut har på den samlede appel, men Straffeanalyse er et godt udgangspunkt.
