bara om rätt (JAR) skalor är ett vanligt förekommande frågeformat när man försöker identifiera prestanda för en produkt eller upplevelse mot ett visst attribut. Skalan förutsätter att det finns en idealisk position för ett attribut och möjligheten att vara över eller under idealet. Till exempel kan en chokladbars sötma vara ungefär rätt, eller det kan vara antingen för sött eller inte tillräckligt sött. För att kvantifiera detta skapar vi fem unika positioner på en 5-punkts skala som sträcker sig från alltför söt, till inte alls söt nog till exempel (Figur 1).
när du svarar på frågorna kan svaranden bara välja ett av de fem svaren, vilket gör detta till en enda kodfråga.
i slutet av studien kommer du att kunna skapa en genomsnittlig poäng på dessa data och hitta din genomsnittliga position i förhållande till att vara nästan rätt. Ett medelvärde nära noll kommer att illustrera om du är i linje med konsumenternas förväntningar på detta attribut, men det är viktigt att se om detta medelvärde härrör från polariserad eller enhällig poäng.
nästa steg är att bedöma det inflytande som detta attribut har på ditt övergripande överklagande och det straff som uppstår när du underpresterar. Detta kommer att berätta om detta attribut är avgörande för att optimera eller av sekundär betydelse. För detta använder vi Straffanalys.
hur man beräknar det:
steg ett
för det första måste du ha en fråga som mäter konsumentens övergripande överklagande av produkten, t. ex. hur mycket gillar du produkten totalt sett, där 5 är som mycket och 1 ogillar mycket? Detta kan också ställas på en 7 eller 10 punktskala om så önskas.
du måste också ha en serie BURKSKALOR för att mäta påverkan. Till exempel: sötma, tjocklek, färg och luktstyrka.
steg två
om du tittar på var och en av dina BURKSKALOR måste du gruppera konsumenter som betygsatt produkten för söt eller inte söt nog. Så de som valde ’ lite för söt ’(4) och’ alltför söt ’(5) Vi kommer att kalla grupp’A’. Därefter kommer de som kodar ’nästan rätt’ (3) att vara grupp B, och de som valde antingen ’inte alls söt nog’ (1) och ’inte riktigt söt nog’ (2) kommer att vara Grupp C. så har du nu 3 grupper, A, B och C.
steg tre
nästa måste du beräkna storleken på var och en av dessa två grupper genom att dividera antalet svarande i varje grupp (A, B, C) med det totala antalet svarande som svarade på din studie.
Steg fyra
nu måste du titta på hur var och en av dessa grupper svarade på den övergripande överklagandefrågan. Detta kan göras i en raw Excel-datafil eller ett annat datapaket. Du måste skapa en genomsnittlig poäng för var och en av dina grupper. Till exempel, Grupp A som ansåg att produkten var för söt, gav en genomsnittlig övergripande överklagande på 4, 15. Grupp B, som ansåg sötmen nästan rätt, har en genomsnittlig övergripande överklagande på 4,55, och så vidare.
Steg fem
när du har dina genomsnittliga poäng för övergripande överklagande, för alla tre grupperna, är du redo att beräkna din straff. Ta grupp B, De betyg bara om rätt, att vara din utgångspunkt. Låt oss anta i genomsnitt 4,55 för övergripande överklagande. Dra nu av det totala genomsnittet för Grupp A från denna summa. T. ex. 4,55 minus 4,15 är lika med 0,40. Detta berättar för oss att straffet för att betygsätta produkten som för söt, är en minskning med 0, 40 på det övergripande överklagandet. Gör sedan samma sak för Grupp C.
upprepa detta för varje attribut du testat.
steg sex
nu har du beräknat påföljderna för varje attribut och andelen konsumenter i varje grupp, du kan nu rita dessa på en graf för att se var de ligger. Titta på den här grafen är det övre högra hörnet det kritiska hörnet; det är här du hittar de attribut som har störst straff på övergripande överklagande. För att skapa det kritiska hörnet skulle vi vanligtvis korsa X-axeln där attribut påverkar övergripande överklagande för mer än 20-25% av de svarande, och Y-axeln där strafffallet är 1 poäng eller högre.
denna graf visar oss att produkten inte är söt nog, färgen är för ljus, tjockleken är för tjock och lukten är för stark alla har en stor straff på konsumenterna övergripande smak av produkten. Dessa måste åtgärdas omedelbart.
så är Straffanalys det rätta verktyget för dig? Jo det finns många fördelar med Straffanalys. För det första är det billigt att köra och kan göras av vem som helst med Excel. Du behöver inte anställa en statistiker eller investera i dyr programvara. Det är snabbt att köra och snabbt att kartlägga, vilket gör det effektivt för analys och rapportering. Och det är lätt att förstå, vilket innebär att du kan visa vilken roll varje attribut har på produkten utan komplicerade förklaringar.
det finns dock nackdelar, varav den största är att den tittar på förhållandet mellan attribut och övergripande överklagande isolerat; manipulering med ett attribut kan ha en knock-on-effekt på andra attribut. Och som diskuterats tidigare polariseras vissa attribut som kan gå obemärkt förbi Straffanalysen. Slutligen. det finns andra mer robusta statistiska tekniker där ute som kan användas för att bättre förstå vilken roll varje attribut har på övergripande överklagande, men Straffanalys är en bra utgångspunkt.