: Siehe auch: Gemeinsame Analyse, Gemeinsame Analyse (in der Gesundheitsfürsorge), IDDEA, Regel, die Experimentieren Entwickelt.

Gemeinsame Analyse ist eine statistische in der Marktforschung verwendete Technik, um zu bestimmen, wie Leute verschiedene Eigenschaften schätzen, die ein individuelles Produkt oder Dienst zusammensetzen.

Das Ziel der gemeinsamen Analyse ist zu bestimmen, welche Kombination einer begrenzten Zahl von Attributen auf das beklagte Wahl- oder Entscheidungsbilden am einflussreichsten ist. Ein kontrollierter Satz von potenziellen Produkten oder Dienstleistungen wird Befragten und durch das Analysieren gezeigt, wie sie Einstellungen zwischen diesen Produkten machen, kann die implizite Schätzung der individuellen Elemente, die das Produkt oder den Dienst zusammensetzen, bestimmt werden. Diese impliziten Schätzungen (Dienstprogramme oder Teil-worths) können verwendet werden, um Marktmodelle zu schaffen, die Marktanteil, Einnahmen und sogar Rentabilität von neuen Designs schätzen.

Gemeinsam hervorgebracht in der mathematischen Psychologie und wurde von Marktprofessor Paul Green an der Universität Pennsylvaniens und Daten Chan entwickelt. Andere prominente gemeinsame Analyse-Pioniere schließen Professor V. "Seenu" Srinivasan der Universität von Stanford ein, die eine geradlinige Programmierung (LINMAP) Verfahren für die Reihe bestellte Daten sowie eine selbstexplizierte Annäherung, Richard Johnson entwickelt hat (Gründer der Sägezahnsoftware), wer die Anpassungsfähige Gemeinsame Analyse-Technik in den 1980er Jahren und Jordan Louviere entwickelt hat (Universität Iowas), wer erfunden hat und Wahl-basierte Annäherungen an die gemeinsame Analyse entwickelt hat und Techniken wie MaxDiff verbunden hat.

Heute wird es in vielen der Sozialwissenschaften und angewandten Naturwissenschaften einschließlich des Marketings, des Produktmanagements und der Operationsforschung verwendet. Es wird oft in der Prüfung der Kundenannahme von neuen Produktdesigns, im Festsetzen der Bitte von Anzeigen und im Dienstdesign verwendet. Es ist in der Produktpositionierung verwendet worden, aber es gibt einige, die Probleme mit dieser Anwendung der gemeinsamen Analyse erheben (sieh Nachteile).

Gemeinsame Analyse-Techniken können auch Mehrattribut compositional das Modellieren, getrennte auserlesene Modellieren genannt werden, oder haben Vorzugsforschung festgesetzt, und sind ein Teil eines breiteren Satzes von für die systematische Analyse von Entscheidungen verwendeten Umtausch-Analyse-Werkzeugen. Diese Werkzeuge schließen Umtausch des Marke-Preises, Simalto und mathematische Annäherungen wie Entwicklungsalgorithmen oder Regel ein, die Experimentieren Entwickelt.

Gemeinsames Design

Produkt- oder Dienstgebiet wird in Bezug auf mehrere Attribute beschrieben. Zum Beispiel kann ein Fernsehen Attribute der Bildschirmgröße, des Schirm-Formats, der Marke, Preis und so weiter haben. Jedes Attribut kann dann unten in mehrere Niveaus zerbrochen werden. Zum Beispiel können Niveaus für das Schirm-Format, FLÜSSIGKRISTALLANZEIGE oder Plasma GEFÜHRT werden.

Befragte würden eine Reihe von Produkten, Prototypen, Modelle oder Bilder gezeigt, die von einer Kombination von Niveaus von allen oder einigen der konstituierenden Attribute geschaffen sind, und haben gebeten, von, Reihe zu wählen oder die Produkte abzuschätzen, die ihnen gezeigt wird. Jedes Beispiel ist ähnlich genug, dass Verbraucher sie als naher Ersatz sehen werden, aber unterschiedlich genug, dass Befragte klar eine Vorliebe bestimmen können. Jedes Beispiel wird aus einer einzigartigen Kombination von Produkteigenschaften zusammengesetzt. Die Daten können aus individuellen Einschaltquoten, Reihe-Ordnungen oder Einstellungen unter alternativen Kombinationen bestehen.

Weil die Zahl von Kombinationen von Attributen und Niveaus die Zahl von potenziellen Profil-Zunahmen exponential steigert. Folglich wird factorial Bruchdesign allgemein verwendet, um die Anzahl von Profilen zu vermindern, die bewertet werden müssen, während man sicherstellt, dass genug Daten für die statistische Analyse verfügbar sind, auf einen sorgfältig kontrollierten Satz von "Profilen" für den Befragten hinauslaufend, um zu denken

Typen der gemeinsamen Analyse

Die frühsten Formen der gemeinsamen Analyse waren, was als Volle Profil-Studien bekannt ist, in denen ein kleiner Satz von Attributen (normalerweise 4 bis 5) verwendet werden, um Profile zu schaffen, die Befragten häufig auf individuellen Karten gezeigt werden. Befragte reihen dann auf oder schätzen diese Profile ab. Mit der relativ einfachen Platzhaltervariable-Regressionsanalyse können die impliziten Dienstprogramme für die Niveaus berechnet werden.

Zwei Nachteile wurden in diesen frühen Designs gesehen. Erstens wurde die Zahl von Attributen im Gebrauch schwer eingeschränkt. Mit der großen Anzahl von Attributen wird die Rücksicht-Aufgabe für Befragte zu groß, und sogar mit factorial Bruchdesigns kann die Zahl von Profilen für die Einschätzung schnell zunehmen.

Um mehr Attribute (bis zu 30) zu verwenden, wurden hybride gemeinsame Techniken entwickelt. Die Hauptalternative sollte eine Form der Selbsterklärung vor den gemeinsamen Aufgaben und einer Form der anpassungsfähigen computergestützten Wahl über die zu zeigenden Profile tun.

Der zweite Nachteil bestand darin, dass die Aufgabe selbst unrealistisch war und sich direkt zur Verhaltenstheorie nicht verbunden hat. In wahren Situationen würde die Aufgabe eine Form der wirklichen Wahl zwischen Alternativen aber nicht der künstlicheren Rangordnung und ursprünglich verwendeten Schätzung sein. Jordan Louviere hat für eine Annäherung den Weg gebahnt, die nur eine auserlesene Aufgabe verwendet hat, die die grundlegende von der Wahl-basierten gemeinsamen und getrennten auserlesenen Analyse geworden ist. Diese festgesetzte Vorzugsforschung wird mit dem Econometric-Modellieren verbunden und kann verbunden werden hat Vorliebe offenbart, wo auserlesene Modelle auf der Grundlage vom echten kalibriert werden aber nicht Daten überblicken. Ursprünglich Wahl-basierte gemeinsame Analyse war unfähig, individuelle Niveau-Dienstprogramme zur Verfügung zu stellen, weil sie Wahlen über einen Markt angesammelt hat. Das hat es unpassend für Marktsegmentierungsstudien gemacht. Mit neueren hierarchischen Analyse-Techniken von Bayesian können individuelle Niveau-Dienstprogramme zugeschriebener Rücken sein, um individuelle Niveau-Daten zur Verfügung zu stellen.

Informationssammlung

Daten für die gemeinsame Analyse werden meistens durch einen Marktforschungsüberblick gesammelt, obwohl gemeinsame Analyse auch auf einen sorgfältig bestimmten configurator oder Daten von passend Designtestmarktexperiment angewandt werden kann. Marktforschungsfaustregeln gelten hinsichtlich der statistischen Beispielgröße und Genauigkeit, wenn sie gemeinsame Analyse-Interviews entwerfen.

Die Länge des Forschungsfragebogens hängt von der Zahl von Attributen ab, die zu bewerten sind und die Methode der gemeinsamen Analyse im Gebrauch. Ein typischer Anpassungsfähiger Gemeinsamer Fragebogen mit 20-25 Attributen kann mehr als 30 Minuten nehmen, um zu vollenden. Wahl hat gemeinsam gestützt, durch das Verwenden eines kleineren Profil-Satzes, der über die Probe als Ganzes verteilt ist, kann in weniger als 15 Minuten vollendet werden. Auserlesene Übungen können als ein Lager-Vordertyp-Lay-Out oder in einigem anderem vorgetäuschte Einkaufsumgebung gezeigt werden.

Analyse

Jede Zahl von Algorithmen kann verwendet werden, um Dienstprogramm-Funktionen zu schätzen. Diese Dienstprogramm-Funktionen zeigen den wahrgenommenen Wert der Eigenschaft an, und wie empfindliche Verbraucherwahrnehmungen und Einstellungen zu Änderungen in Produkteigenschaften sind. Die wirkliche Weise der Analyse wird vom Design der Aufgabe und Profile für Befragte abhängen. Für volle Profil-Aufgaben kann geradliniges rückwärts Gehen passend sein, weil gestützte Aufgaben der Wahl, maximale Wahrscheinlichkeitsbewertung, gewöhnlich mit dem logistischen rückwärts Gehen normalerweise verwendet werden. Die ursprünglichen Methoden waren monotonische Analyse der Abweichung oder geradlinigen Programmiertechniken, aber diese sind in der zeitgenössischen Marktforschungspraxis größtenteils veraltet.

Außerdem können hierarchische Verfahren von Bayesian, die auf auserlesenen Daten funktionieren, verwendet werden, um individuelle Niveau-Dienstprogramme von mehr beschränkten Wahl-basierten Designs zu schätzen.

Vorteile

• schätzt psychologische Umtausche, die Verbraucher machen, wenn sie mehrere Attribute zusammen bewerten
• Maßnahme-Einstellungen am individuellen Niveau
• deckt echte oder verborgene Fahrer auf, die für den Befragten selbst nicht offenbar sein können
• realistische Wahl oder das Einkaufen der Aufgabe
• fähig, physische Gegenstände zu verwenden
• wenn passend entworfen, kann die Fähigkeit, Wechselwirkungen zwischen Attributen zu modellieren, verwendet werden, um sich zu entwickeln, Bedürfnisse haben Segmentation gestützt

Nachteile

• das Entwerfen gemeinsamer Studien kann komplizierter sein
• mit zu vielen Optionen suchen Befragte Vereinfachungsstrategien auf
• schwierig, für die Produktpositionierungsforschung zu verwenden, weil es kein Verfahren gibt, um Wahrnehmungen über wirkliche Eigenschaften zu Wahrnehmungen über einen reduzierten Satz von zu Grunde liegenden Eigenschaften umzuwandeln
• Befragte sind unfähig, Einstellungen zu neuen Kategorien zu artikulieren, oder können sich erzwungen fühlen, um an Probleme zu denken, sie würden sonst viel Aufmerksamkeit nicht zuwenden
• schlecht entworfene Studien können emotionale Variablen / Vorliebe-Variablen überbewerten und konkrete Variablen unterschätzen
• zieht die Zahl-Sachen pro Kauf nicht in Betracht, so kann er ein schlechtes Lesen des Marktanteils geben

Siehe auch

• Werbung
• Marketing
• Marktforschung
• Neue Produktentwicklung
• Produkt, das einstellt
• Quantitative Marktforschung
• RASEN-Analyse

Außenquellen

• Grün, P. und Srinivasan, V. (1978) Gemeinsame Analyse in der Verbraucherbefragung: Probleme und Meinung, Zeitschrift der Verbraucherbefragung, vol 5, September 1978, Seiten 103-123.
• Grün, P. Carroll, J. und Goldberg, S. (1981) Eine allgemeine Annäherung an die Produktdesignoptimierung über die gemeinsame Analyse, Zeitschrift des Marketings, vol 43, Sommer 1981, Seiten 17-35.
• Srinivasan, V. (1988), Eine Verbindend-ausgleichende Annäherung an die Selbsterklärung von Mehrzugeschriebenen Einstellungen, Entscheidungswissenschaften, Vol. 19, Frühling 1998, 295-305.
• Grün, P. E. und Srinivasan V. (1990) Gemeinsame Analyse im Marketing: New Developments mit Implikationen für die Forschung und Praxis, Zeitschrift des Marketings, Vol. 54, Oktober 1990, 3-19.
• Marder, E. (1999) die Annahmen der Wahl, modellierend
• Orme, B. (2005), mit der Gemeinsamen Analyse Madison, WI Angefangen werden: Forschungsherausgeber LLC. Internationale Standardbuchnummer 0-9727297-4-7
• Wharton: Ein Jahrhundert der Neuerung
• Kenntnisse an Wharton: Das Verwenden von Rule Developing Experimentation (RDE), um Verbrauchereinstellungen zu bestimmen

Entdeckung zusammenhängender Themen

• Liste von Marktthemen
• Liste von Verwaltungsthemen
• Liste von Wirtschaftthemen
• Liste von Finanzthemen
• Liste von Personalverwaltungsthemen
• Liste von Buchhaltungsthemen
• Liste von Informationstechnologieverwaltungsthemen
• Liste von Geschäftsgesetzthemen
• Liste von Produktionsthemen
• Liste der Geschäftsethik, politischen Wirtschaft und Philosophie von Geschäftsthemen
• Liste von Geschäftstheoretikern
• Liste von Wirtschaftswissenschaftlern