Ota yhteyttä

Miten voimme sinua auttaa? Lähetä meille viestisi, vastaamme sinulle mahdollisimman pian!

Designtutkimus Helsinki
Lähetä

Voit myös soittaa meille: (+358) 9 425 79838

Kiitos viestistä! Viesti on lähetetty.

Ole hyvä ja täytä kaikki kentät, paina sen jälkeen Lähetä.

Conjoint, Hinnoittelu, Markkinatutkimus, Menetelmät, Tutkimus, Yleinen

Esimerkkejä menetelmistä ja niiden hyödyntämiskohteista

Teemu Putto

Teemu Putto

3.11.2020

Omassa asiakastutkimuksessamme 100 % asiakkaistamme oli valmis suosittelemaan meitä.

Yksi tekijöistä, jossa erottauduimme vastaajien mielestä muusta markkinasta positiivisesti, oli ”Hyödyntää tehokkaasti data-analytiikkaa/tutkimusmenetelmiä”. Ja se on myös asia, josta haluamme aktiivisesti puhua – datan kerääminen ei riitä, hyöty tulee vasta tehokkaalla analysoinnilla. Mutta mikä johtaa siihen, että onnistumme erottautumaan tässä tekijässä?

Asiaa on ehkä selkeintä tarkastella esimerkkien kautta.

Tärkeyden mittaaminen (MaxDiff/Conjoint)

Jos meidän on mitattava erilaisten tekijöiden tärkeyttä, emme usko siihen, että vastaus löytyy skaalallisen mittaamisen kautta. Mitä auttaa tietää, että vastaajalle kymmenen ominaisuutta ovat ”erittäin tärkeitä” ja toiset kymmenen ovat ”melko tärkeitä”?

Hyödynnettävän tuloksen on oltava erottelukykyinen, ja sen on pidettävä yhtä todellisen käyttäytymisen kanssa. Totuudenmukaiseen tulokseen pääseminen edellyttää sitä, että vastaajan on tehtävä valintoja – mistä hän on valmis luopumaan saadakseen jotain muuta?

Hyvän ominaisuusmittauksen lopputuloksesta on nähtävä paitsi asioiden tärkeysjärjestys, myös eri ominaisuuksien tärkeyksien väliset erot. On ihan eri asia, kertooko data että ”ominaisuuden A tärkeyden keskiarvo oli 4,2 ja ominaisuuden B 4,1, vai kertooko data, että ”kuluttajille ominaisuus A on kaksi kertaa tärkeämpi tekijä kuin ominaisuus B”.

Segmentonnit (MaxDiff/Conjoint)

Harva enää nykyään uskoo, että tehokkaita kohderyhmiä voidaan rakentaa demografiamuuttujien pohjalta.

Markkinoinnissa usein hyödynnettävimmät segmentoinnit syntyvät käyttäytymismotiivien pohjalta. Jotta toimivia motiivipohjaisia segmentointeja voidaan synnyttää, on pohjalla olevan datan oltava erottelukyvyltään vahva. Siksi emme segmentoinneissakaan mielellämme hyödynnä skaalallisia menetelmiä.

Kun segmentointien pohjalla on valintapohjainen mittaus, kuten MaxDiff tai Conjoint, pystymme rakentamaan selkeästi toisistaan erottuvia ryhmiä, joiden kohdalla voimme myös luottaa, että ne käyttäytyvät kuten tutkimustulokset kertovat. Se jos jokin on edellytys sille, että segmentoinnista on käytännön hyötyä.

Optimaaliset ominaisuusyhdistelmät (Turf/Conjoint)

Yksi tyypillinen haaste asiakkaalla on portfolion tai viestikärkien optimointi. Tätäkään asiaa ei voi katsoa liian yksinkertaisesti, sillä läheskään aina paras lopputulos ei löydy yhdistelemällä halutuimpia yksittäisiä tekijöitä.

Me lähestymme asiaa etsimällä parhaiten toisiaan täydentäviä tuotteita, tuoteominaisuuksia tai viestejä ja simuloimme jatkuvasti data-aineistostamme sitä, millainen peitto tai markkinaosuus erilaisilla yhdistelmillä voidaan saavuttaa.

Meille tärkeää on aina kertoa se, millaiseen lopputulokseen erilaiset toimenpiteet johtavat. Vain sillä tavalla helpotamme asiakkaittemme päätöksentekoa.

Tuotteiden hinnoittelu (Conjoint/PSM-NMS)

Kun meitä pyydetään selvittämään tuotteiden tai palveluiden hinnoittelua, emme lähde kysymään vastaajilta suoraan, että ”mitä olisit tästä valmis maksamaan.” Tämä ei vain toimi, ja sen ymmärtää hyvin asettamalla itsensä vastaajan asemaan.

Hinnoittelua tutkittaessa on parasta lähteä siitä, että hinta on vain yksi ominaisuus muiden joukossa. Kun erilaisista ominaisuuksista rakennetaan tuotteita, jotka laitetaan kilpailemaan kilpailijoiden tuotteiden kanssa, päästään oikeasti kuluttajan pään sisään. Tällaiset Conjoint-menetelmällä tehdyt tutkimukset ovat vastaajille helppoja vastata, ja ne vastaavat kysymyksiin, mihin muilla menetelmillä ei millään päästä kiinni, kuten esimerkiksi:

  • Miten paljon tietystä ominaisuudesta ollaan valmiita maksamaan lisää?
  • Millaisista ominaisuuksista optimaalinen tuote/palvelu rakentuu?
  • Miten meidän on hinnoiteltava tuotteemme/palvelumme, jotta maksimoimme tuottomme?
  • Miten tuotteeseen/palveluun tehtävät muutokset vaikuttavat markkinaosuuksiimme?

Joskus tilanne on kuitenkin sellainen, että Conjoint-menetelmä ei ole sovitettavissa haasteeseen. Tällaisissa tilanteissa (esim. kun kyseessä on täysin uudenlainen tuote) käytämme perinteistä hintaherkkyysmittaria (Price Sensitivity Meter), mutta kuitenkin täydennettynä niin sanotulla Newton-Miller-Smith -menetelmällä. Tämän sanahirviön taustalta löytyy ratkaisu, jolla pystymme yksittäiselle tuotteelle estimoimaan hyväksyttävän hintatason, tarkastelemaan ostohalukkuutta eri hintapisteissä ja jopa estimoimaan tuottokäyrän.

Erottautumistekijät (MaxDiff/Brandmaps)

Kun asiakasyrityksemme haluaa selvittää omia vahvuustekijöitään, emme lähde liikkeelle siitä, että mittaamme erilaisten ominaisuuksien liittymistä kyseiseen yritykseen, raportoimme prosenttiosuudet ja päättelemme, että isoimmat prosentit edustavat vahvuuksia. Emme, koska erilaisilla asioilla on erilaiset odotusarvot, ja vahvuuksia ei voida määrittää tyhjiössä, vaan ne määrittyvät aina suhteellisesta suorituksesta verrattuna kilpailijoihin.

Aina kun mahdollista, me mittaamme yrityksen suorituksen erilaisissa ominaisuuksissa suhteessa muihin kilpailijoihin. Kun vielä analyysimenetelmillä poistamme taustalta esimerkiksi tunnettuuden tuottamat tasoerot, pystymme rakentamaan positiokarttoja ja kertomaan yrityksen positiivisesti ja negatiivisesti erottelevat tekijät.

Tässäkin on hyvä muistaa, että erottautumisella on merkitystä vain silloin, kun se tapahtuu päätöksentekijän kannalta relevanteissa tekijöissä. Siksi liitämme ominaisuusmittauksiimme myös tärkeysulottuvuuden, jotta voimme oikeasti kertoa, mihin tekijöihin panostamalla haluttavuus todellakin paranee.


Nämä muutamina esimerkkeinä lähestymiskulmistamme. Tärkein ajatus taustalla on se, että suorilla kysymyksillä ei pääse kovin pitkälle, vaan onnistuminen vaatii tehokasta mittaustapaa ja huolellista datan analysointia. Sen ei edes tarvitse olla aikaa vievää tai merkittäviä lisäkustannuksia tuottavaa, mutta asiakkaan saaman hyödyn kannalta se on elintärkeää.

Kun data on huolellisesti analysoitu, pystymme vastaamaan kysymyksiin ”mitä data merkitsee” ja ”mitä data-analyysin perusteella kannattaa nyt tehdä” sen sijaan, että vastaisimme vain kysymyksiin ”miltä data näyttää” ja ”miltä minun mielestäni datan perusteella pitäisi tehdä”.

Meille menetelmät ovat työkaluja konkreettisten, selkeiden ja kiteytettyjen lopputulemien saavuttamiseen. Me haluamme pitää helpot asiat helppoina ja toisaalta muuttaa vaikeat haasteet selkeiksi ratkaisuiksi. On hienoa, jos asiakkaittemme mielestä olemme tässä onnistuneet.

Yhteystiedot