Just About Right(JAR)scaleは、特定の属性に対する製品や経験のパフォーマンスを識別しようとするときに一般的に使用される質問形式です。 スケールは、属性に理想的な位置があり、理想の上または下にある可能性があることを前提としています。 例えば、チョコレートバーの甘さはちょうど約右であることができるか、それはあまりにも甘い、または十分に甘くないのいずれかである可能性があ これを定量化するために、5点スケールで5つのユニークな位置を作成し、甘すぎるものから、例えば十分に甘くないものまであります（図1）。
質問に答えるとき、回答者は5つの回答のうちの1つのみを選択でき、これは単一のコード質問になります。
研究の終わりに、あなたはこのデータに平均スコアを作成し、ちょうど約正しいことに関連してあなたの平均位置を見つけることができます。 ゼロに近い平均は、あなたがこの属性に対する消費者の期待に沿っているかどうかを示しますが、この平均が偏極または全会一致のスコアリングに由来するかどうかを調べることが重要です。
次の段階は、この属性があなたの全体的な魅力に与えている影響と、あなたがアンダーパフォーマンスしたときに遭遇したペナルティを評価することで これは、この属性が最適化するために重要であるか、または二次的に重要であるかどうかを教えてくれます。 このために、我々はペナルティ分析を使用します。
それを計算する方法:
ステップワン
まず、消費者の製品の全体的な魅力を測定する質問が必要です。 これはまた好まれたら7か10ポイントスケールで尋ねることができる。
また、影響を測定するための一連のJARスケールを持っている必要があります。 例えば:臭いの甘さ、厚さ、色および強さ。
ステップツー
あなたの瓶のスケールのそれぞれを見て、あなたはあまりにも甘い、または十分に甘くない製品を評価した消費者をグループ化する必要が だから、”少し甘すぎる”（4）と”あまりにも甘すぎる”（5）を選択した人たちは、グループを”A”と呼びます。 次に、”ちょうどいい”（3）をコードする人はグループBになり、”全く甘くない”（1）と”あまり甘くない”（2）のいずれかを選択した人はグループCになります。
ステップFour
ここで、これらのグループのそれぞれが全体的なアピール質問にどのように答えたかを見る必要があります。 これは、生のExcelデータファイルまたは別のデータパッケージで行うことができます。 あなたは、あなたのグループのそれぞれのために一つの平均スコアを作成する必要があります。 例えば、製品が甘すぎると考えたグループAは、4.15の平均全体的な魅力を与えました。 甘さがちょうどいいと考えたグループBは、平均全体の魅力が4.55というように。
ステップファイブ
全体的なアピールの平均スコアを取得したら、三つのグループすべてについて、あなたのペナルティを計算する準備ができています。 あなたの出発点であるためにグループB、ちょうど約右のそれらの評価を、取りなさい。 のは、全体的なアピールのための4.55の平均を仮定してみましょう。 ここで、この合計からグループAの全体平均を差し引いてください。 例えば、4.55マイナス4.15は0.40に等しくなります。 これは、あまりにも甘いとして製品を評価するためのペナルティは、全体的な魅力に0.40の減少であることを教えてくれます。 次に、グループCについても同じことを行います。
テストした各属性についてこれを繰り返します。
ステップSix
これで、各属性のペナルティと各グループの消費者の割合を計算しました。 このグラフを見ると、右上の隅が重要なコーナーです。 重要なコーナーを作成するには、通常、属性が回答者の20-25％以上の全体的な魅力に影響を与えているX軸と、ペナルティドロップが1ポイント以上であるY軸
このグラフは、製品が十分に甘くないこと、色が軽すぎること、厚さが厚すぎること、匂いが強すぎることを示しています。 これらはすぐに対処する必要があります。
だから、ペナルティ分析はあなたのための適切なツールですか？ まあ、ペナルティ分析に多くの長所があります。 まず、実行するのが安価で、Excelを使用して誰でも実行できます。 統計学者を雇用したり、高価なソフトウェアに投資する必要はありません。 それは分析および報告のためにそれを有効にさせる動くことは速く、図表に速くである。 そして、それは簡単に理解され、複雑な説明なしに各属性が製品に持っている役割を示すことができることを意味します。
しかし、短所があり、そのうちの最大のものは、属性と全体的な魅力との関係を孤立して見ていることです。 先に説明したように、いくつかの属性は極性化されており、ペナルティ分析によって気付かれない可能性があります。 ついに！. より良い各属性が全体的な魅力に持っている役割を理解するために使用することができ、そこに他のより堅牢な統計的手法があります,しかし、ペ
