MindsにおけるTURF分析は、フレーバー、メッセージバリエーション、または機能バンドルの候補リストを評価し、最高の総非重複リーチをもたらす組み合わせを特定します。定義された合成オーディエンス全体における増分リーチと重複を計算することで、チームは冗長な選択肢を排除し、ポートフォリオ投資を影響力の高い組み合わせに集中させることができます。
個別の好みのスコアのみに基づいて候補の選択肢を選ぶと、ポートフォリオの意思決定は失敗することが少なくありません。標準的なランキング調査から上位3つのアイテムを選択すると、まったく同じ消費者グループにアピールするプロダクトや機能を選択することになり、より広いオーディエンスセグメントに対応できない結果になることがよくあります。
Total Unduplicated Reach and Frequency（TURF）分析は、このカニバリゼーションの問題を解決します。この手法は、限られた予算、棚スペース、またはメニューの制約の中で、全体のリーチを最大化するアイテムの組み合わせを特定します。
マーケティング、ポートフォリオ、およびイノベーションのチームは、MindsのTURF分析を使用して、以下のような特定の配分に関する問いに答えます。
同じ価値提案を繰り返すことなく、最も幅広いオーディエンスを獲得するために、店舗のパッケージに記載すべき3つの訴求バリエーションはどれか。
異なる好みにわたって消費者の試用を最大化するために、限定的な季節向けローンチを構成すべき4つのプロダクトフレーバーはどれか。
パッケージサイズが制約されている場合、ターゲットバイヤーペルソナ全体で最高の総合的な効用を提供するソフトウェア機能のサブセットはどれか。
候補アイテムが組み合わせにおいてどのように機能するかを評価することにより、TURF分析は意思決定を人気投票からポートフォリオの効率性へとシフトさせます。その結果、残すべきアイテム、組み合わせるべきアイテム、そして排除すべきアイテムに関する明確な方針が得られます。
MindsでTURF調査を実行するには、手法パイプラインを実行する前に特定の設定入力を準備する必要があります。
第一に、候補アイテムを定義します。合成回答者が一貫した評価の選択を行えるよう、すべての候補は同じ意思決定ドメインに属している必要があります。例として、8つの消費者向け訴求ステートメント、10種類の飲料フレーバー、または6つの機能拡張などが挙げられます。アイテムは明確かつ区別可能であり、一貫したテキスト形式で提示される必要があります。
第二に、回答者リーチセットを確立するためのターゲットオーディエンスを選択します。ターゲットとするバイヤーセグメント、カテゴリーユーザー、または地域のデモグラフィックを反映した、グラウンディングされたAI Mindsで構成されるオーディエンスを構築または選択します。オーディエンスの選択により、セグメント間の選好のばらつきがリーチ計算に直接反映されるようになります。
第三に、要求するポートフォリオのサイズを定義します。トップ3またはトップ5のアイテムバンドルの選択など、組み合わせの上限と、最終セットがサポートすべき運用目標を指定します。
単純なランキングツールとは異なり、TURF分析には、ペルソナの最上位の嗜好階層にアイテムがランクインすることなど、リーチを構成する条件についての明確な閾値が必要です。これらの入力が設定されると、登録された手法が定義されたオーディエンス全体で実行されます。
Mindsは、アイテム、回答者リーチセット、および要求されたポートフォリオサイズに基づく決定論的計算パイプラインを通じてTURF分析を実行します。
ステージ1：構造化された回答データの収集とリーチマッピング。Mindsは選択されたオーディエンスに候補アイテムリストを提示します。グラウンディングされた各AI Mindは、構造化された選好タスクを通じてアイテムを評価します。これらの評価により、全候補セットにおける回答者リーチセットが確立されます。
ステージ2：決定論的TURF計算。プラットフォームは個々のリーチデータを計算パイプラインに集約します。計算機能は、組み合わせの数が最大5,000の場合にのみ全探索を使用し、それ以外の場合はグリーディー法を使用します。システムはリーチ指標を計算し、増分リーチがゼロになるとアイテムの追加を停止します。
ステージ3：ランク付けされたエビデンスの合成。Mindsは定量マトリックスを処理して構造化された出力を生成します。パイプラインは、サンプルサイズ、要求されたポートフォリオサイズおよび実際のポートフォリオサイズ、手法、最良の組み合わせ、リーチ、リーチ率、頻度、ならびに増分リーチステップを出力します。
この体系的な実行により、リーチ計算は数学的に一貫し、再現可能で、設定されたオーディエンス構造に適合したものになります。
MindsのTURF調査の出力は、ポートフォリオ戦略を評価するための定量的な指標と方向性を示すエビデンスを提供します。
サンプルサイズには、リーチ計算に含まれる合成回答者の総数が表示されます。要求されたポートフォリオサイズと実際のポートフォリオサイズには、目標とされた組み合わせ数と、増分リーチがゼロになる前に含まれたアイテムの最終数が併記されます。
手法には、全体の組み合わせ数の閾値に基づいて、計算機能が全探索とグリーディー法のどちらで組み合わせを評価したかが示されます。最良の組み合わせには、評価パフォーマンスが最も高かった特定のアイテムのセットが特定されます。
リーチとリーチ率は、選択されたセット内の少なくとも1つのアイテムによってカバーされる合成回答者の絶対数と割合を示します。頻度は、リーチした回答者がポートフォリオ内のアイテムによってカバーされる平均回数を測定します。
増分リーチステップは、追加の正確な手順を分解し、増分リーチがゼロになるまで各ステップで獲得された正確な純オーディエンスを示します。
チームはこれらの出力を確認して、効率的なプロダクトラインナップの構築、パフォーマンスの低い拡張アイテムの削減、および冗長なメッセージバリエーションの排除を行います。
Mindsは、プロダクト開発サイクル全体を通じて迅速かつ反復的なTURF分析を可能にし、部門横断的なチームの多様なワークフローをサポートします。
イノベーションチームは、初期のコンセプトスクリーニング段階でTURF分析を適用します。20個の候補プロダクトコンセプトがある場合、イノベーションマネージャーはターゲットとなる合成オーディエンスに対してTURF調査を実施し、高いリーチを持つ4つまたは5つのコンセプトのショートリストに絞り込みます。これにより、エンジニアリングや処方開発のリソースを投入する前に、冗長なアイデアをスクリーニングすることができます。
ポートフォリオマネージャーは、ラインナップの最適化にこのワークフローを活用します。実際の棚スペース、季節商品SKU、またはメニューアイテムを管理する際、ポートフォリオチームはTURF調査を実施して、在庫の複雑さを最小限に抑えながら、カテゴリー全体の幅広いリーチを達成する組み合わせを特定します。
マーケティングチームは、メッセージや訴求のテストにTURF分析を組み込みます。広告キャンペーンを展開する前に、ブランドマネージャーは広告の見出しや価値提案のセットを評価します。このワークフローは、無駄なメッセージ費用をかけることなく、顧客のコアな動機付けに集団でアプローチできる、最も洗練された訴求セットを特定します。
Mindsで最適な組み合わせが特定されると、チームは構造化されたエビデンスをエクスポートし、商談プレゼンテーションの検討、クリエイティブブリーフの確定、または検証調査の設計に活用します。
MindsにおけるTURF分析は、初期段階の意思決定品質の向上と探索的研究ワークフローの迅速化を目的に設計された、方向性を示す合成オーディエンスのエビデンスを提供します。合成エビデンスにより、チームは幅広い候補リストのスクリーニング、仮説のテスト、および構造的なカニバリゼーションリスクの特定を計画の初期段階で行うことができます。
合成オーディエンスのエビデンスは方向性を示すものです。統計的な市場の真実、デモグラフィックの代表性、普遍的な正確性、因果関係の証明、あるいは人間の消費者の完全な代替を提供するものではありません。Mindsは、最終的なステージゲートの承認、資本投資、または規制当局への提出において、リクルーティングされた人間の回答者に取って代わるものではありません。
代わりに、Mindsは実際のフィールドワークを補完します。Mindsを使用して広範な候補アイテムのプールを最適な組み合わせに絞り込むことで、チームはリサーチ投資を最適化します。
高い財務リスクや戦略的リスクにより実証的な検証が必要な場合、チームはMindsで発見された最適な組み合わせを使用して、焦点を絞った人間のフィールドワーク調査票を設計します。この絞り込まれたアプローチにより、リクルーティングされたパネルの疲弊を軽減し、調査の実施時間を短縮し、人間のリサーチ予算を大きな影響を伴う意思決定の検証のみに厳密に集中させることができます。
