Markkinatutkimus, Menetelmät, Yleinen

Esimerkkejä tärkeyden mittaamisesta ja sen haasteellisuudesta

Teemu Putto
6.9.2021

Jo useammassa yhteydessä olemme puhuneet oikean mittaustavan valinnan tärkeydestä. Se on kuitenkin asia, joka herättää jatkuvasti kysymyksiä ja keskustelua, joten lähestyn sitä vielä tässä blogiartikkelissa konkreettisten esimerkkien kautta.

Lähtökohtana: kun markkinatutkimuksessa käytettävää mittaustapaa valitaan, on valinta tehtävä sen perusteella, mihin kysymyksiin tulosten on annettava vastauksia ja miten kerättyä dataa halutaan hyödyntää.

Otetaan esimerkiksi tapaus, jossa tutkimme elintarvikkeiden valintakriteerejä. Haluamme tietää, mitkä tekijät ohjaavat vahvimmin kuluttajien päätöksentekoa, ja aiomme tehdä tulosten pohjalta myös motiivipohjaisen kuluttajasegmentoinnin.

Käytännössä mitattavia valintamotiiveja on tyypillisesti 15-30 kappaletta, mutta tässä esimerkissä keskitymme yksinkertaistamisen vuoksi viiteen ominaisuuteen, jotka ovat:

  • Tuotteen kotimaisuus
  • Hinnan edullisuus
  • Tuotteen hyvänmakuisuus
  • Tuotantotavan vastuullisuus
  • Tuotteen terveellisyys

Jos nyt käytämme erilaisia mittaustapoja, mihin käytännössä päädymme?

CASE 1: SKAALALLINEN MITTAUS

Otetaan ensiksi käyttöön se kaikkein perinteisin mittaustapa, asteikko 1-5.

Ensimmäinen valinta, mikä asteikon kanssa on tehtävä, on asteikon portaiden nimeäminen. Usein myös väliportaat nimetään siten, että arvosana 5 on ”erittäin tärkeä”, arvosana 4 on ”melko tärkeä” ja niin edelleen.

Ensimmäinen suositus asteikkojen käytössä on se, että väliportaita ei kannata nimetä. Jos ne nimetään, menetetään skaalan ominaisuuksista jatkuvuus ja lähestytään nominaaliasteikkoa. Mutta jos nimeämme vain ääripäät (5 = erittäin tärkeä, 1 = ei lainkaan tärkeä), olemme ainakin lähempänä jatkuvaa mittaria. Tämä on olennaista siinä vaiheessa, jos halutaan laskea vaikkapa keskiarvoja.

Saamme mittauksesta lopputuloksena oheisen taulukon:

Kysymys kuuluu seuraavaksi, mitä näistä tuloksista voidaan päätellä?

Olennaista on huomata, että nyt ominaisuuksia mitattiin erillisinä, ei suhteessa toisiinsa. Siksi näitä on myös tulkittava erillisinä. Voimme siis päätellä juuri sen, että ”35 % piti tuotteen kotimaisuutta erittäin tärkeänä tekijänä”, mutta emme voi päätellä sitä, onko tuotteen kotimaisuus tärkeämpi vai vähemmän tärkeämpi kuluttajakäyttäytymisen ajuri kuin hinnan edullisuus.

Voimme toki esittää tulokset myös keskiarvoina, jolloin tilanne näyttäisi seuraavanlaiselta:


Tulkinnallisesti tämä yksinkertaistaa tietoa, mutta yksinkertaistettaessa myös aina menetetään informaatiota.
Tämä mittaustapa antaa meille hyvin ylätasoisen kuvan kuluttajan käyttäytymisestä, mutta kolmeen avainkysymykseen se jättää antamatta vastauksen:

1)     Mikä on näistä tekijöistä tärkein?
2)     Mikä on tekijöiden tärkeyksien suhde toisiinsa?
3)     Mitkä ovat vastaajakohtaiset avainajurit?

Kun tähän lisätään se, että vastaajakohtaisesti tämän mittaustavan erottelukyky on erittäin heikko (voi olla esim. 4 ”erittäin tärkeää” ominaisuutta per vastaaja), on tämän mittaustavan käyttö esimerkiksi motiivipohjaisen segmentoinnin pohjana hyvinkin kyseenalaista.

CASE 2: MONIVALINTAKYSYMYS

Toinen yleisesti käytetty tapa lähestyä tärkeyksien mittaamista on monivalintatehtävä. Tässä tapauksessa se voitaisiin muotoilla esimerkiksi seuraavasti:

”Valitse oheisista ominaisuuksista kaikki ne, jotka ovat sinulle tärkeitä valitessasi elintarvikkeita.”

Nyt voisimme päätyä seuraavanlaiseen taulukkoon:


Jälleen olennainen kysymys kuuluu, että mitä sitten?

Edelleenkään ominaisuuksien tärkeyttä ei mitattu suhteessa toisiinsa, joten voimme päätellä ainoastaan sen, että 63 prosentille vastaajista hinnan edullisuudella on merkitystä. Kuinka paljon merkitystä ja mikä on sen merkitys verrattuna muihin ominaisuuksiin, siihen emme pääse kiinni.

Kokonaisuudessa jäädään vielä karkeammalle tasolle kuin skaalallisessa mittauksessa. Tietyissä tilanteissa tämä voi riittää, jos haettu informaatio toimii lähinnä kuvailevana taustana kuluttajien arvostuksista, mutta tällaisen tiedon pohjalta strategisten päätösten tekeminen on melkein kuin nopanheittoa.

Toki tätä kysymystyyppiä voi viedä pidemmälle esimerkiksi kysymällä valituista tekijöistä sen, mitä pitää kaikkein tärkeimpänä, mutta edelleenkään emme pysty aidosti vastaamaan siihen kysymykseen, mihin ominaisuuteen kannattaisi keskittyä emmekä varsinkaan siihen, mikä on eri ominaisuuksien tärkeysero. Emme, vaikka pyytäisimme laittamaan kaikki mitattavat ominaisuudet tärkeysjärjestykseen.

YHTEENVETO EDELLÄ MAINITUISTA PERINTEISISTÄ MITTAUSTAVOISTA

Edellä mainittujen menetelmien kohdalla ongelmat kiteytyvät siihen, että mittaustavalla ei pystytä jäljittelemään todellista päätöksentekotilannetta. Ominaisuuksia arvioidaan erillisinä, ja siksi tuloksia tulkitessa myös tulkintaa joudutaan tekemään erillisinä muuttujina.

Jos tavoite on hakea kuvailevaa tietoa, voi tämä riittää. Mutta jos avainasemassa on ymmärtää kuluttajan käyttäytymisen todellisia perusteita, voi tämä ohjata pahastikin väärille jäljille. Ja varsinkin, jos tavoitteena on rakentaa toimivia, todellista markkinaa kuvaavia kuluttajasegmenttejä, eivät näiden mittaustapojen ominaisuudet sellaisten luotettavaan toteuttamiseen riitä.

Erityisesti on hyvä huomata, että tällaisilla mittaustavoilla tietyt asiat ylikorostuvat hyvinkin herkästi. Näitä ovat esimerkiksi hintaan ja vastuullisuuteen liittyvät kysymykset, sillä harva sanoo, etteikö näillä olisi merkitystä. Juuri siksi olennaista onkin löytää vastaus siihen kysymykseen, millainen niiden merkitys on verrattuna muihin ominaisuuksiin – tai vaikka ”otatko mieluummin kotimaisen vai edullisen, jos molempia et voi saada.”

MITEN ONGELMAT VOIDAAN VÄLTTÄÄ: MAXIMUM DIFFERENCE SCALING (MAXDIFF)

Kuluttajakäyttäytymisen todellisten avainajurien ymmärtäminen vaatii sitä, että jo tutkimustilanteessa asioita verrataan suhteessa toisiinsa. Se vaatii myös sitä, että pystymme vertaamaan asioiden tärkeyttä keskenään. Tämä on kriittisen tärkeää silloin, kun rakennetaan esimerkiksi motiivipohjaisia segmentointeja.

Tähän avaintyökaluna toimii MaxDiff-menetelmä, jota voidaan pitää tavallaan yksinkertaistettuna Conjoint-metodina.

Vastaajan näkökulmasta MaxDiff-kysymys toimii siten, että esitämme erilaisia yhdistelmiä mitattavista ominaisuuksista. Vastaaja vertaa näitä ominaisuuksia keskenään, ja valitsee ominaisuuksista vain sen, joka on hänelle kuvatussa tilanteessa kaikkein tärkein. (Joissain erikoistilanteissa voidaan pyytää valitsemaan myös vähiten tärkeä tekijä.)

Kysymys näyttää käytännössä seuraavanlaiselta:

”Kun valitset elintarvikkeita, mikä seuraavista ominaisuuksista on sinulle kaikkein tärkein valintaan vaikuttava tekijä?

               Tuotteen kotimaisuus
               Tuotteen hyvänmakuisuus
               Tuotteen terveellisyys”

Seuraavassa valintatehtävässä ominaisuudet vaihtuvat. Kun tässä esimerkissä vastaajat olisivat vastanneet noin neljään/viiteen tällaiseen valintatehtävään, ja data olisi analysoitu esimerkiksi bayesiläisillä menetelmillä, saisimme kokonaistasolla seuraavanlaiset tulokset:


MaxDiff-tulosten raportointi perustuu siihen, että 100 pistettä jaetaan tasan mitattujen ominaisuuksien kesken. Puhumme siis indeksiluvusta.

Nyt meillä onkin käytössämme suhdeasteikollinen mittari. Koska asioita mitattiin jatkuvasti suhteessa toisiinsa, voimme todeta luotettavasti, että mitatuista ominaisuuksista kaikkein tärkein on ”tuotteen hyvänmakuisuus”. Asteikon luonteesta johtuen voimme tulkita myös eroja, eli tässä tapauksessa voimme todeta myös sen, että ”tuotteen hyvänmakuisuus” on vastaajille lähes kolme kertaa tärkeämpi valintakriteeri kuin ”hinnan edullisuus”.

Ja mikä olennaisen tärkeää kuluttajasegmentointeja ajatellen, tiedämme nämä samat asiat myös jokaiselle yksittäiselle vastaajalle. Kun meillä on käsissämme data, joka kertoo paitsi tärkeysjärjestyksen, myös tärkeyksien väliset erot vastaajittain, voimme lähteä luottavaisin mielin tekemään kuluttajasegmentointia, joka vastaa myös todellista käyttäytymistä markkinalla.