Phân tích kết hợp (Conjoint Analysis)
chuc1803@gmail.com,
bis.net.vn
Hai phương pháp chính để phân tích thị hiếu
khách hàng thường dùng trong phân tích Marketing và hành vi người tiêu dùng là
trắc nghiệm ý niệm (Concept testing) và Phân tích kết hợp (Conjoint Analysis).
Bài viết này giới thiệu về Conjoint
Analysis.
Một sản phẩm (dịch vụ) được xem là một tập
các đặc trưng (tính chất, thuộc tính), Phân tích kết hợp giúp ta biết được thuộc
tính nào của sản phẩm được khách hàng quan tâm, đánh giá cao, và làm sao để kết
hợp các đặc trưng đó lại để tạo ra sản phẩm phù hợp với thị hiếu của khách hàng
và nhu cầu của thị trường mục tiêu. Mục đích của phân tích kết hợp là nhằm xác
định sự kết hợp của một số hữu hạn các thuộc tính có ảnh hưởng lớn nhất đến sự
lựa chọn hoặc ra quyết định của khách hàng.
Để
minh họa cho phân tích kết hợp, xem một tình huống cụ thể sau:
Giám đốc tiếp thị của một thương hiệu hàng
đầu về khoai tây chiên giòn đang xem xét một dòng khoai tây chiên giòn mới có lợi
cho sức khỏe. Công ty khảo sát đánh giá của khách hàng đối với các thuộc tính
cho sản phẩm như Giá cả, hương vị, trọng lượng, nhãn hiệu, không chứa chất béo,
ít natri, v.v. Kết quả khảo sát như sau:
Phân tích kết hợp giúp trả
lời các câu hỏi kinh doanh sau:
·
Trặc trưng nào của sản phẩm có nhiều khả
năng gây được tiếng vang với người tiêu dùng và dẫn đến thành công trên thị trường?
·
Khách hàng “sẵn sàng chi trả” bao nhiêu?
·
Khách hàng đang tìm kiếm điều gì?
·
Tâm lý khách hàng khi lựa chọn sản phẩm là
gì?
·
Sự lựa chọn tốt nhất của khách hàng là gì
và sự lựa chọn tệ nhất là gì?
Minh
họa phân tích kết hợp với Python
Giá
trị của các thuộc tính như sau:
Phân tích kết hợp giúp nhà nghiên cứu xem
xét tầm quan trọng thuộc tính cũng như mức độ quan trọng của chúng. Các trọng số
giải thích mức độ quan trọng được gọi part-worths (giá trị một phần).
Sử dụng mô hình hồi quy tuyến tính để thấy được các biến giải thích
riêng lẻ ảnh hưởng như thế nào đến biến độc lập,
mô hình còn xem xét ảnh hưởng giữa các cấp độ dữ liệu của
mỗi biến độc lập đến mô hình nên gọi main_effects_model.
part-worths thể hiện độ mạnh của sở thích cá nhân của người tiêu dùng
đối với từng cấp độ của từng thuộc tính.
Trong biểu đồ cột sống Conjoint trên, giá trị part-worths được
mô tả như các điểm kéo dài ra khỏi cột sống.
Các đường kéo dài về phía phải là ngụ ý rằng tính năng sản
phẩm cụ thể quan trọng đối với khách hàng và khách hàng thích nó.
Các đường kéo dài về phía trái là đặc điểm mà khách hàng không thích.
Ta có thể thấy rằng khách hàng thích trọng lượng 100g
và tùy chọn hữu cơ không có chất béo.
Các gói lớn hơn 400g có vẻ ít được khách hàng quan tâm hơn,
và khách hàng có xu hướng chọn sản phẩm dạng nhiều gói (multipack).
Vị muối và giấm được ưa thích hơn.
Khách hàng không thích tùy chọn natri thấp.
Điểm tiện ích (Utility Scores)
Khi chúng ta tính tổng các part-worths của một sản phẩm,
chúng ta sẽ có được một thước đo về tiện ích hoặc lợi ích
cho người tiêu dùng. Dưới đây là điểm tiện ích cho từng profile.
Biểu đồ trên có 3 ba profile có điểm tiện ích cao nhất là 9, 13 và 15.
Lựa chọn kết hợp tối ưu
Sử dụng utility score để dự báo Market Shares
Ta thấy profile số 9 có thị phần dự đoán cao nhất (58.5%).
Một số kết quả rút ra từ phân tích
· Khách hàng thích tùy chọn trọng lượng 100g và không có chất béo.
· Gói lớn hơn 400g ít phổ biến hơn.
· Muối và giấm là hương vị được ưa thích.
· Khách hàng thích tùy chọn không có natri thấp
· profile số 9 có thị phần dự đoán cao nhất khoảng 59%.
XEM VIDEO Ở ĐÂY