Juste à peu près les bonnes échelles (JAR) sont un format de question couramment utilisé pour essayer d’identifier les performances d’un produit ou d’une expérience par rapport à un certain attribut. L’échelle suppose qu’il existe une position idéale pour un attribut et la possibilité d’être au-dessus ou sous l’idéal. Par exemple, la douceur d’une barre de chocolat pourrait être à peu près juste, ou elle pourrait être trop sucrée ou pas assez sucrée. Pour quantifier cela, nous créons cinq positions uniques sur une échelle de 5 points allant de beaucoup trop sucré, à pas du tout assez sucré par exemple (Figure 1).
Lorsqu’il répond aux questions, le répondant ne peut sélectionner qu’une des cinq réponses, ce qui en fait une question à code unique.
À la fin de l’étude, vous pourrez créer un score moyen sur ces données, en trouvant votre position moyenne par rapport à celle d’être à peu près juste. Une moyenne proche de zéro indiquera si vous êtes conforme aux attentes des consommateurs pour cet attribut, mais il est important de vérifier si cette moyenne est dérivée d’un score polarisé ou unanime.
L’étape suivante consiste à évaluer l’influence de cet attribut sur votre appel global et la pénalité encourue lorsque vous sous-performez. Cela vous dira si cet attribut est essentiel à optimiser, ou d’importance secondaire. Pour cela, nous utilisons l’Analyse des pénalités.
Comment le calculer:
Première étape
Tout d’abord, vous devez avoir une question qui mesure l’attrait global du produit par le consommateur, par exemple Dans quelle mesure aimez-vous le produit dans son ensemble, où 5 est beaucoup et 1 n’aime pas beaucoup? Cela pourrait également être demandé sur une échelle de 7 ou 10 points si vous préférez.
Vous devez également disposer d’une série d’écailles de POTS pour mesurer l’influence. Par exemple: douceur, épaisseur, couleur et force de l’odeur.
Deuxième étape
En examinant chacune de vos échelles de POTS, vous devez regrouper les consommateurs qui ont jugé le produit trop sucré ou pas assez sucré. Ainsi, ceux qui ont sélectionné « un peu trop sucré » (4) et « beaucoup trop sucré » (5) appelleront le groupe « A ». Ensuite, ceux qui codent « à peu près correctement » (3) seront du groupe B, et ceux qui ont sélectionné « pas du tout assez doux » (1) et « pas assez doux » (2) seront du groupe C. Vous avez donc maintenant 3 groupes, A, B et C.
Troisième étape
Ensuite, vous devrez calculer la taille de chacun de ces deux groupes, en divisant le nombre de répondants dans chaque groupe (A, B, C) par le nombre total de répondants ayant répondu à votre étude.
Quatrième étape
Maintenant, vous devrez examiner comment chacun de ces groupes a répondu à la question d’appel globale. Cela peut être fait dans un fichier de données Excel brut ou un autre package de données. Vous devez créer un score moyen pour chacun de vos groupes. Par exemple, le groupe A, qui considérait le produit comme trop sucré, a donné un attrait global moyen de 4,15. Le groupe B, qui considérait la douceur À peu près juste, a un attrait global moyen de 4,55, etc.
Cinquième étape
Une fois que vous avez obtenu vos notes moyennes pour l’appel global, pour les trois groupes, vous êtes prêt à calculer votre pénalité. Prenez le groupe B, les notes À peu près correctes, pour être votre point de départ. Supposons une moyenne de 4,55 pour l’appel global. Déduisez maintenant la moyenne globale du groupe A de ce total. Par exemple, 4,55 moins 4,15 est égal à 0,40. Cela nous indique que la pénalité pour avoir jugé le produit trop sucré est une diminution de 0,40 sur l’appel global. Faites ensuite la même chose pour le groupe C.
Répétez ceci pour chaque attribut que vous avez testé.
Sixième étape 
Maintenant que vous avez calculé les pénalités pour chaque attribut et le pourcentage de consommateurs dans chaque groupe, vous pouvez maintenant les tracer sur un graphique pour voir où ils se trouvent. En regardant ce graphique, le coin supérieur droit est le coin critique; c’est là que vous trouverez les attributs qui ont la plus grande pénalité en appel global. Pour créer le Coin critique, nous couperions généralement l’axe des abscisses où les attributs exercent un attrait global pour plus de 20 à 25% des répondants, et l’axe des ordonnées où la perte de pénalité est de 1 point ou plus.
Ce graphique nous montre que le produit n’étant pas assez sucré, la couleur étant trop légère, l’épaisseur étant trop épaisse et l’odeur trop forte ont tous une forte pénalité sur l’appréciation globale du produit par les consommateurs. Ceux-ci doivent être traités immédiatement.
Alors, l’analyse des pénalités est-elle le bon outil pour vous? Eh bien, il y a beaucoup d’avantages à l’analyse des pénalités. Tout d’abord, il est bon marché à exécuter et peut être fait par n’importe qui avec Excel. Vous n’aurez pas besoin d’employer un statisticien ou d’investir dans des logiciels coûteux. Il est rapide à exécuter et rapide à tracer, ce qui le rend efficace pour l’analyse et les rapports. Et cela est facile à comprendre, ce qui signifie que vous pouvez démontrer le rôle que chaque attribut joue sur le produit sans explications compliquées.
Cependant, il y a des inconvénients, dont le plus important est qu’il examine la relation entre les attributs et l’attrait global de manière isolée; la falsification d’un attribut pourrait avoir un effet d’entraînement sur d’autres attributs. Et comme indiqué précédemment, certains attributs sont polarisants, ce qui pourrait passer inaperçu dans l’analyse des pénalités. Enfin. il existe d’autres techniques statistiques plus robustes qui pourraient être utilisées pour mieux comprendre le rôle de chaque attribut dans l’appel global, mais l’analyse des pénalités est un bon point de départ.
