Just about Right Scales and Penalty Analysis-Rdsi Research

Jar (JAR) on yleisesti käytetty kysymysmuoto, kun yritetään tunnistaa tuotteen tai kokemuksen toimivuutta tiettyä ominaisuutta vastaan. Asteikko olettaa, että attribuutille on olemassa ideaaliasento ja mahdollisuus olla ideaalin yli tai alle. Esimerkiksi suklaapatukan makeus voi olla juuri sopiva, tai se voi olla joko liian makea tai ei tarpeeksi makea. Tämän kvantifioimiseksi luomme viisi ainutlaatuista kantaa 5-pisteisellä asteikolla, joka vaihtelee aivan liian makeasta, ei lainkaan tarpeeksi makeaan esimerkiksi (kuva 1).

vastatessaan kysymyksiin vastaaja voi valita vain yhden viidestä vastauksesta, jolloin tämä on yksi koodikysymys.

tutkimuksen lopussa voit luoda näistä tiedoista keskiarvopisteen, jolloin löydät keskimääräisen asentosi suhteessa siihen, että olet juuri ja juuri oikeassa. Lähellä nollaa oleva keskiarvo kuvaa sitä, vastaako tämä ominaisuus kuluttajien odotuksia, mutta on tärkeää tarkastella, johtuuko tämä keskiarvo polarisoidusta vai yksimielisestä pisteytyksestä.

seuraavassa vaiheessa arvioidaan, miten tämä ominaisuus vaikuttaa yleiseen muutoksenhakuusi ja alisuorittamisesta aiheutuvaan rangaistukseen. Tämä kertoo, onko tämä ominaisuus kriittinen optimoinnin kannalta vai toissijainen. Tähän käytämme Rangaistusanalyysia.

miten se lasketaan:

Vaihe yksi
ensinnäkin sinulla on oltava kysymys, joka mittaa kuluttajan yleistä tuotteen houkuttelevuutta esim. kuinka paljon pidät tuotteesta kokonaisuutena, jossa 5 on kuin paljon ja 1 on vastenmielisyyttä paljon? Tätä voisi halutessaan kysyä myös 7 tai 10 pisteen asteikolla.

sinulla täytyy olla myös sarja PURKKIASTEIKKOJA, joita vasten voit mitata vaikutuksen. Esimerkiksi: makeus, paksuus, väri ja hajun voimakkuus.

Vaihe kaksi
kun tarkastellaan jokaista PURKKIVAAKAA, on ryhmiteltävä kuluttajat, jotka arvioivat tuotteen liian makeaksi tai eivät tarpeeksi makeaksi. Joten ne, jotka valitsivat ’hieman liian makea ’(4) ja’ aivan liian makea ’(5), kutsumme ryhmää ”A”. Seuraavaksi ne, jotka koodaavat ”aivan oikein” (3), ovat ryhmä B, ja ne, jotka valitsivat joko ”ei lainkaan tarpeeksi makea” (1) ja ”ei aivan tarpeeksi makea” (2), ovat ryhmä C. Joten nyt on 3 ryhmää, A,B ja C.

vaihe kolme
seuraavaksi on laskettava kunkin ryhmän Koko jakamalla kunkin ryhmän vastaajien määrä (A,B, C) tutkimukseenne vastanneiden kokonaismäärällä.

neljäs vaihe
nyt on tarkasteltava, miten kukin näistä ryhmistä vastasi yleiseen valituskysymykseen. Tämä voidaan tehdä raaka Excel – tiedoston tai muun tietopaketin. Sinun täytyy luoda yksi Keskiarvo pisteet kullekin ryhmälle. Esimerkiksi A-ryhmä, joka piti tuotetta liian makeana, antoi keskimääräiseksi kokonaisvetoomukseksi 4,15. B-ryhmän, joka piti makeutta juuri oikeana, keskimääräinen kokonaisvetoomus on 4,55 ja niin edelleen.

viides vaihe
kun olet saanut keskimääräiset pistemääräsi kokonaisvalituksesta, kaikkien kolmen ryhmän osalta olet valmis laskemaan rangaistuksesi. Ottakaamme B-ryhmä, ne, jotka ovat juuri oikeanlaisia, lähtökohdaksenne. Oletetaan, että yleisvalituksen keskiarvo on 4,55. Vähennetään Nyt A-ryhmän keskiarvo tästä kokonaismäärästä. Esim. 4, 55 miinus 4, 15 on 0, 40. Tämä kertoo siitä, että rangaistus tuotteen liian makeaksi luokittelusta on 0,40: n lasku kokonaisvetoomuksesta. Tee sitten sama ryhmälle C.

Toista tämä jokaisen testaamasi ominaisuuden kohdalla.

kuudes vaihe
nyt kun olette laskeneet rangaistukset kullekin ominaisuudelle ja kuluttajien prosenttiosuuden kussakin ryhmässä, voitte nyt piirtää nämä kaavioon nähdäksenne, missä ne ovat. Kun tarkastellaan tätä kuviota, oikeassa yläkulmassa on kriittinen kulma; tämä on, jossa löydät attribuutteja, joilla on suurin rangaistus yleinen valitus. Kriittisen kulman luomiseksi leikkaisimme tyypillisesti X-akselin, jossa attribuutit vaikuttavat yleiseen vetovoimaan yli 20-25%: lle vastaajista, ja Y-akselin, jossa rangaistusvaatimus on 1 piste tai suurempi.

tämä kaavio osoittaa, että tuote ei ole tarpeeksi makea, väri on liian kevyt, paksuus on liian paksu ja haju on liian voimakas, mikä kaikki haittaa kuluttajia, jotka pitävät tuotteesta yleisesti. Näihin on puututtava välittömästi.

joten, onko Rangaistusanalyysi sinulle oikea työkalu? Rangaistusanalyysissä on monia hyviä puolia. Ensinnäkin, se on halpa ajaa ja voi tehdä kuka tahansa Excel. Sinun ei tarvitse palkata tilastotieteilijä tai investoida kalliita ohjelmistoja. Se on nopea ajaa, ja nopea kartoittaa, joten se on tehokas analyysi ja raportointi. Ja se on helposti ymmärrettävä, mikä tarkoittaa, että voit osoittaa, mikä rooli kullakin attribuutilla on tuotteessa ilman monimutkaisia selityksiä.

on kuitenkin olemassa haittoja, joista suurin on se, että se tarkastelee attribuuttien ja yleisen vetovoiman suhdetta erillisenä; yhden attribuutin peukaloinnilla voi olla kerrannaisvaikutuksia muihin attribuutteihin. Ja kuten aiemmin mainittiin, jotkin ominaisuudet ovat polarisoivia, jotka voivat jäädä huomaamatta Rangaistusanalyysissä. Lopuksi. on olemassa muita vankempia tilastollisia tekniikoita siellä, joita voitaisiin käyttää paremmin ymmärtämään rooli kunkin attribuutti on ottaa yleistä valitus,mutta rangaistus analyysi on hyvä lähtökohta.

Vastaa

Sähköpostiosoitettasi ei julkaista.