Rflct

När conjoint fungerar och när den inte gör det

Conjoint fungerar bäst när konsumenten gör medvetna avvägningar mellan tydliga egenskaper. Den fungerar sämre i låginvolveringskategorier, vid vanebeteende, och när priset dominerar beslutet.

Conjoint-analys är ett av de mest använda verktygen i kvantitativ marknadsanalys. Och det är motiverat — för rätt problem. Conjoint fungerar utmärkt när konsumenten faktiskt väger produktegenskaper mot varandra: när de jämför olika konfigurationer, storlekar, funktioner och priser i en köpsituation som kräver eftertanke.

Men conjoint har blinda fläckar. I låginvolveringskategorier — där köpet är vanemässigt eller impulsivt — simulerar conjoint ett resonerande beteende som inte existerar i verkligheten. Respondenten tvingas tänka på val som de i butiken gör på autopilot. Det ger data som ser precis ut men som inte speglar faktiskt beteende.

Reflect använder conjoint selektivt. I kategorier med medveten avvägning (telekom, försäkring, bil, prenumerationer) är det ett kraftfullt verktyg. I snabbrörliga konsumentvaror kompletterar vi alltid med beteendebaserade metoder. Att veta att konsumenten säger sig föredra X över Y är inte samma sak som att veta att de faktiskt kommer att välja X.

Det viktigaste att förstå

  • Conjoint fungerar bäst vid medvetna, jämförande köpbeslut
  • Låginvolvering och vanebeteende fångas dåligt
  • Respondenten tvingas resonera om val som görs impulsivt
  • Höginvolveringskategorier: telekom, försäkring, bil, bra för conjoint
  • FMCG och impulsköp kräver kompletterande beteendebaserade metoder

Exempel

En snabbmatkedja använde conjoint för att optimera sin meny. Resultaten pekade på en konfiguration som ingen faktiskt beställde — för att conjoint-designen tvingade fram rationella avvägningar som inte sker vid en snabbmatskassa. En efterföljande beteendebaserad studie gav helt andra rekommendationer.

Relaterade artiklar

Förstahandsval kontra share of preference

Förstahandsval visar vad konsumenten väljer först. Share of preference visar hur preferensen fördelar sig. Vilket mått som är rätt beror på kategorins köpbeteende, och de ger ofta helt olika svar.

Individnivå istället för aggregat

Genomsnittskonsumenten finns inte. Simuleringsmodeller som arbetar på individnivå fångar heterogenitet i preferenser och ger markant bättre prognoser än aggregerade modeller.

Hur simulering bör anpassas efter kategori

Samma simuleringsmodell fungerar inte i alla kategorier. Köpprocess, involvering, repertoarbeteende och priskänslighet varierar, och simuleringsmodellen måste spegla den verkligheten.

Reflects simuleringsmodell

Vår simuleringsmodell arbetar på individnivå, kalibreras mot observerad data, och anpassas efter kategorins köpbeteende. Resultatet är prognoser som håller, inte bara i presentationen utan i marknaden.

Se tillhörande tjänst

Diskutera era simuleringsmodeller med oss

Kontakta oss
Tillbaka till Simulering som speglar verkliga individer, inte medelvärden