Conjoint, Hinnoittelu, Markkinatutkimus, Menetelmät, Tutkimus, Yleinen

Työpaikan valintamotiivit – millaisiin kysymyksiin skaalamittaus, MaxDiff ja Conjoint meille vastaisivat?

Teemu Putto
1.11.2021

Olen jo useammassa kirjoituksessa käsitellyt tärkeyden mittaamisen haastavuutta tutkimuksissa. Otetaan tähän vielä yksi konkreettinen esimerkki, jossa kolmea eri lähestymistapaa verrataan toisiinsa.

Kuvitellaan tilannetta, jossa yritys haluaa mitata sitä, mitkä tekijät eniten vaikuttavat sen houkuttelevuuteen potentiaalisten työnhakijoiden silmissä. Keskitytään tässä esimerkissä yksinkertaisuuden vuoksi vain muutamaan tekijään, jotka työnhakija voi konkreettisesti saada selville jo hakuprosessin aikana. Todellisessa tutkimustilanteessa mitattavia ominaisuuksia voisi toki olla kymmeniä erilaisia.

Tutkimukseen lähdettäessä ongelma olisi kiteytetty vain neljään mitattavaan ominaisuuteen. Nämä ominaisuudet ovat:

  • Palkkataso
  • Etätyömahdollisuudet
  • Työmatkan pituus
  • Työaikojen joustavuus

Tapaus 1: Skaalallinen mittaus

Tutkimuslomakkeella kysymys kuuluisi seuraavasti:

”Ajattele tilannetta, jossa olisit hakemassa itsellesi uutta työpaikkaa. Miten tärkeitä oheiset ominaisuudet sinulle olisivat päätöstä tehdessäsi? Käytä arvioinnissa asteikkoa 1-5, missä 1 = ei lainkaan tärkeä ja 5 = erittäin tärkeä”

Datan keräämisen jälkeen lopputulos voisi näyttää seuraavalta:

Koska mittaamme vastaajille yleisesti olennaisia ominaisuuksia, ei ole mitenkään yllättävää, että kaikki arvioitiin tärkeiksi. Totta kai kaikki haluavat itselleen täydellisen työpaikan.

Vastaajat tietävät toki itsekin, että työnhaku on myös kompromissien tekoa, mutta koska tässä tutkimusasetelmassa heiltä ei kompromisseja edellytetty, eivät he niitä myöskään tehneet. Siksi vaikka tulokset voivat olla totuudenmukaisia, eivät ne ole kovinkaan hyödyllisiä. Tämän perusteella emme ymmärrä työnhakijoita yhtään paremmin kuin ennen tutkimusta.

Toki jos meillä olisi laajempi lista ominaisuuksia ja myös sellaisia, joiden kiinnostavuudesta olisimme epävarmoja, voisimme tätä kautta saada vahvistuksen sille, olisiko näillä asioilla vastaajille merkitystä. Siihen, kuinka paljon merkitystä niillä olisi ja mikä olisi niiden merkitys suhteessa muihin mitattuihin ominaisuuksiin, emme kuitenkaan todellista vastausta saisi.

Saatava tieto on siis lähinnä kuvailevaa, ja konkreettisemmalle tasolle päästäksemme tarvitsemme vahvempia työkaluja.

Tapaus 2: MaxDiff-mittaus

Entä jos lähestyisimme asiaa MaxDiff-menetelmän avulla?

MaxDiff on valintapohjainen lähestymistapa, joka pakottaa vastaajan vertailemaan eri ominaisuuksia toisiaan vastaan. Tällöin vältämme sen tilanteen, jossa vastaaja voi valita itselleen kaiken tinkimättä mistään.

Nyt kysymys kuuluisi seuraavasti:

”Sinulle esitetään nyt erilaisia yhdistelmiä työpaikan valintaan vaikuttavista tekijöistä. Valitse jokaisessa tehtävässä se ominaisuus, joka olisi itsellesi valintaa tehdessäsi kaikkein tärkein.”

Vastaajalle esitettäisiin erilaisia yhdistelmiä mitattavista ominaisuuksista, ja hänen tarvitsisi tehdä vain yksinkertaisia valintoja. Tässä yksi valintatehtävä voisi näyttää seuraavalta:

Tämän jälkeen esitettäisiin lisää vastaavia valintatehtäviä, jossa olisi aina hieman erilaisia yhdistelmiä mitattavista ominaisuuksista. *

Nyt saisimme mittauksen ja esimerkiksi Hierarkisen Bayes -analyysin avulla datan käsiteltyämme seuraavanlaisen tuloksen:

Saamamme indeksiluku kertoo sen, miten vaikuttavia eri ominaisuudet ovat suhteessa toisiinsa. Tässä ”hyvät etätyömahdollisuudet” on selvästi vaikuttavin ominaisuus, ja sen vetovoima on kaksi kertaa suurempi kuin ”hyvän palkkatason”.

Nyt opimme siis sen, että kokonaistasolla vastaajat kiinnittävät eniten huomiota hyviin etätyömahdollisuuksiin, ja tähän yrityksen kannattaa panostaa ja tätä kannattaa viestinnässä korostaa. Ja mikä on erityisen hienoa, tiedämme samat suhdeluvut jokaiselle yksittäiselle vastaajalle, joten nyt pystymme halutessamme tekemään aineistosta erittäin toimivia segmentointeja.

Nyt olemmekin jo pitkän askeleen pitemmällä. Meille jää silti edelleen auki kysymyksiä. Mitä tarkoittavat ”hyvät etätyömahdollisuudet”? Millainen on ”hyvä palkkataso”? Ja ylipäänsä – millainen hintalappu erilaisille ominaisuuksille voitaisiin asettaa?

* Huomiona – perinteisesti MaxDiff-kysymys kysytään kaksisuuntaisena ”Valitse sekä eniten että vähiten valintaasi vaikuttava tekijä.” Menetelmän kehityttyä kysymys kuitenkin nykyisin suoritetaan yhä enenevässä määrin yksisuuntaisena (vain eniten vaikuttava tekijä), sillä tämä vähentää vastaajarasitusta suhteessa enemmän kuin mitä se vaikuttaa analyysin tehokkuuteen.

Tapaus 3: Conjoint-mittaus

Lähdetään sukeltamaan vielä syvemmälle kiinnostavuuteen liittyviin tekijöihin. Tätä varten jaamme mitattavat ominaisuudet alatasoihin:

Nyt kysymyksemme vastaajille kuuluisikin seuraavasti:

Vastaaja joutuukin nyt miettimään kokonaisuuksia erillisten ominaisuuksien sijaan, ja olemme huomattavasti lähempänä todellista päätöksentekotilannetta.

Kun vastaaja on vastannut riittävään määrään tällaisia valintatehtäviä, rakennamme simulaattorin, jonka avulla voimme hakea vastauksia erilaisiin kysymyksiin. Esimerkiksi:

  • Mihin ominaisuuksiin vastaajat kiinnittävät eniten huomiota?
  • Miten vetovoimaisia erilaiset ominaisuusyhdistelmät ovat?
  • Miten muutokset eri ominaisuuksissa vaikuttavat työpaikan kiinnostavuuteen?
  • Millainen on eri ominaisuuksien rahallinen arvo?

Voimme siis lähteä optimoimaan halutuinta työpaikkaa (tai vaikka työpaikkailmoitusta), mutta sen lisäksi voimme vastata hyvinkin yksityiskohtaisiin kysymyksiin, kuten esimerkiksi:

  • Jos työnhakija saa vapauden tehdä työnsä kokonaan etänä, miten tämä vaikuttaa hänen palkkatoiveeseensa verrattuna tilanteeseen, jossa hänen edellytettäisiin olevan vähintään kolmena päivänä viikossa konttorilla?
  • Miten etätyömahdollisuuksien parantaminen vaikuttaa potentiaalisten työntekijöiden saatavuuteen yli 60 minuutin työmatkan päästä?

… ja niin edelleen. Olemme nyt päässeet jo todella konkreettisten asioiden äärelle, ja pystymme aidosti simuloimaan sitä, mikä on erilaisten tekijöiden vaikutus päätöksenteossa.

Yhteenvetona

Tämä esimerkki oli hyvin yksinkertaistettu kuvitteellinen tapaus, jonka tarkoituksena oli syventää ymmärrystä siitä, millaisiin kysymyksiin erilaisilla lähestymistavoilla saadaan vastauksia. Kaikki siis riippuu tutkimuksen tavoitteesta ja tarvittavasta informaatiosta.

Skaalallinen mittaus voi laajentaa ymmärrystä kuluttajien arvomaailmasta. Todelliseen käyttäytymiseen sillä ei kuitenkaan päästä käsiksi, eikä sen erottelukyky riitä tehokkaan motiivipohjaisen segmentoinnin rakentamiseen.

MaxDiff on toimivin työkalu silloin, kun halutaan suhteuttaa erilaisten valintamotiivien tärkeyttä toisiinsa, ja siksi se onkin loistava pohja esimerkiksi motiivipohjaisille segmentoinneille tai vaikkapa optimaalisten viestikärkien löytämiseen.

Conjoint astuu kuvaan taas silloin, kun haluat optimoida tuotettasi tai hinnoitteluasi, kun haluat määritellä erilaisten tuoteominaisuuksien arvoa, tai kun haluat ennustaa tuotteesi saavuttamaa markkinaosuutta markkinalla.

Olennaista on siis se, että sinä tiedät, mihin tarkoitukseen tietoa tarvitset. Asiantuntija auttaa valitsemaan tavoitteeseen sopivimman työkalun. Se toki edellyttää sitä, että hänellä ovat kaikki relevantit vaihtoehdot työkalupakissaan.