Yapay Zeka ile Konjoint Analizi Çalıştırın

Minds, yönlendirici sentetik paneller kullanarak çok öznitelikli ürün ödünleşimlerini değerlendiren bir konjoint analizi iş akışı sunar. Ekipler; öznitelikleri, seviyeleri, kısıtlamaları ve görev parametrelerini girerek sunucu tarafından oluşturulan D-optimal seçim tasarımları üretir. Minds, eksiksiz yapılandırmalar arasındaki seçimleri toplar, koşullu logit modellerini uydurur ve insan katılımcılarla sahaya çıkmadan önce ürün stratejisine rehberlik etmek amacıyla öznitelik önemini, seviye bazında kısmi faydaları, ayrılmış doğrulama tanılamalarını ve yönlendirici tercih payı simülasyonlarını çıktı olarak verir.

Konjoint analizinin desteklediği karar

Ürün ve araştırma liderleri; yazılım paketleri, tüketici malları, donanım katmanları veya hizmet paketleri tasarlarken zorlu ödünleşim kararlarıyla karşılaşır. Bir ürün ekibinin, hedef alıcıların daha ince bir kasa yerine uzatılmış pil ömrüne mi yoksa dahil edilen premium destek yerine daha düşük taban fiyatlara mı değer verdiğini belirlemesi gerektiğinde, doğrudan derecelendirme ölçekleri genellikle yetersiz kalır. Yanıtlayıcılar rutin olarak her özelliği kritik ve her fiyat noktasını çok yüksek olarak işaretler. Konjoint analizi, çeşitli öznitelik seviyelerinden oluşan eksiksiz yapılandırmalar arasındaki seçimleri toplayarak bu sorunu çözer.

Bu yöntem, alıcıların bireysel özniteliklere ne kadar değer verdiğini nicelleştirir ve her seviyenin bağıl faydasını hesaplar. Araştırma ekipleri, yapılandırılmış görev setleri genelindeki seçimleri gözlemleyerek, yanıtlayıcıların tercih ettikleri özellikleri elde etmek için nelerden feragat ettiklerini ortaya koyan seviye bazında kısmi faydaları tahmin eder. Konjoint analizi; portföy kararlarını, özellik kapsama listelerini, fiyatlandırma katmanı sınırlarını ve rekabetçi konumlandırmayı destekler.

MaxDiff gibi komşu yöntemler münferit özelliklerin bağıl önemini tek başına ölçerken, Gabor-Granger ve Van Westendorp yalnızca tek ürünlü fiyat esnekliğine odaklanır. Konjoint analizi, özellikleri ve fiyatları birleştirilmiş ürün yapılandırmalarında eş zamanlı olarak değerlendirir. Yöntem, yanıtlayıcılara ne istediklerini sormak yerine, gerçekçi ürün profilleri genelinde eksiksiz yapılandırmalar arasındaki seçimleri değerlendirir.

Minds içinde konjoint analizi, erken aşama bir yönlendirme motoru olarak işlev görür. Ürün yöneticileri, insanlarla saha çalışması veya mühendislik girişimleri başlatmadan önce özellik paketlerini ve fiyatlandırma yapılarını belirlemek için öznitelik kombinasyonlarını sentetik hedef kitleler üzerinde test eder.

Çalışmayı yapılandırın

Minds platformunda bir konjoint çalışması yürütmek, çalışmayı bir hedef kitleye yayınlamadan önce yapısal tasarım parametrelerinin tanımlanmasını gerektirir. Sistem, seçim deneyini oluşturmak için belirli girdilere dayanır.

İlk olarak, öznitelikleri ve seviyeleri belirtin. Öznitelikler; ekran boyutu, aylık fiyat, pil çalışma süresi veya garanti süresi gibi ürünün temel boyutlarını temsil eder. Seviyeler ise her özniteliğin alabileceği ayrık değerlerdir.

İkinci olarak, uygulanabilir kısıtlamaları tanımlayın. Kurumsal güvenlik kontrollerine sahip bir temel katman veya en düşük fiyat noktasına ayarlanmış yüksek performanslı bir model gibi belirli öznitelik seviyesi kombinasyonları mantıksal olarak imkansızsa veya ticari olarak uygulanabilir değilse, uygulanabilir kısıtlamaları girin. Minds, yasaklanmış kombinasyonları tasarım alanından hariç tutar.

Üçüncü olarak, görev sayısını ayarlayın. Çalışma sırasında kaç seçim setinin değerlendirileceğini belirlemek için 4 ile 40 arasında bir görev sayısı belirtin.

Dördüncü olarak, görev başına alternatifleri tanımlayın. Her seçim setinde sunulan 2 ile 5 arasında eksiksiz ürün yapılandırması belirtin.

Beşinci olarak, isteğe bağlı doğrulama görevlerini (holdout) yapılandırın. 0 ile 10 arasında isteğe bağlı doğrulama görevi ayarlayın. Doğrulama görevleri, yapılandırma sırasında kenara ayrılan ve koşullu logit modeli eğitiminden hariç tutulan seçim setleridir. Minds, doğrulama görevlerini yalnızca model parametrelerini uydurduktan sonra doğrulama tanılamaları üretmek için kullanır.

Altıncı olarak, multinomial-logit-v1 olarak yapılandırılan tahminleyici kimliğini (estimator id) seçin.

Öznitelikler, seviyeler, uygulanabilir kısıtlamalar, görev sayısı, görev başına alternatifler, isteğe bağlı doğrulama görevleri ve tahminleyici kimliği gönderildikten sonra Minds araştırma temelini oluşturur.

Minds yöntemi nasıl çalıştırır

Yürütme yapılandırılmış bir işlem hattını izler. Parametreler kesinleştirildikten sonra sunucu bir D-optimal seçim tasarımı oluşturur. Bu prosedür, tanımlanan tüm uygulanabilir kısıtlamalara ve görev sınırlarına uyan bir deneysel tasarım inşa eder. Ortaya çıkan matris, seviye sunumunu dengeler ve istatistiksel tahminleri optimize eder.

Minds ardından seçim tasarımını tanımlanan sentetik hedef kitle paneline dağıtır. Sentetik profiller, oluşturulan görev setleri genelinde eksiksiz yapılandırmalar arasında seçimler yapar. Her görevde sentetik yanıtlayıcı, yan yana sunulan ürün konseptlerini değerlendirir ve tercih ettiği tek bir seçeneği işaretler. Zorunlu seçimler, alıcıların satın alma ortamlarında karşılaştığı ödünleşimleri yansıtır.

Veri toplama tamamlandıktan sonra Minds, koşullu logit tahminleyicisini kullanarak kısmi fayda tahminini başlatır. Koşullu logit modeli, her bir öznitelik seviyesinin genel profil tercihine olan bağıl katkısını nicelleştirmek için eksiksiz yapılandırmalar arasındaki seçimleri işler. Seviye bazında kısmi faydalar tüm öznitelikler genelinde hesaplanarak kategorik seçimler hassas sürekli log-odds ölçümlerine dönüştürülür.

İşlem hattı ardından doğrulama aşamasını çalıştırır. Tanımlı doğrulama aşaması, modeli yapılandırma sırasında kenara ayrılan doğrulama görevleri üzerinde test ederek tanılamalar üretir. Minds, temel uyumu belirlemek için isabet oranlarını ve tanılamaları kaydeder.

Son olarak platform, yalnızca yapılandırmalar sağlandığında tercih payı simülasyonunu yürütür. Sistem, tahmini kısmi faydaları kullanarak yönlendirici tercih paylarını öngörmek amacıyla hedef ürün yapılandırmalarını alternatif konseptlerle birlikte sunarak rekabetçi senaryoları modeller. Bu çıktılar yönlendirici tercih paylarını döndürür ve asla pazar payı tahmini olarak adlandırılmaz.

Çıktıyı yorumlayın

Bir Minds konjoint çalışması tarafından üretilen çıktı, araştırma sentezi için özel olarak tasarlanmış yapılandırılmış sayısal analitikler sunar.

Seçim tasarımı tablosu, çalışma genelinde sunulan görevlerin eksiksiz matrisini belgeleyerek tasarım dengesini ve kısıtlama uyumunu doğrular.

Ham seçimler veri seti, sunulan tüm görev setlerinde kaydedilen seçimleri içerir ve daha sonraki doğrulamalar için bir denetim izi sağlar.

Seviye bazında kısmi fayda tahminleri, ayrılmış seviye kimliklerine göre düzenlenmiş olarak her öznitelik seviyesinin faydasını özetler. Pozitif kısmi fayda değerleri temel seviyeye kıyasla artan tercihi gösterirken, negatif değerler bağıl faydasızlığı yansıtır. Araştırma ekipleri, fiyatlandırma katmanları veya özellik kapsamları arasında geçiş yaparken hesaplanan tercih düşüşünü belirlemek için bu sayıları değerlendirir.

Öznitelik önem puanları, her özniteliğin toplam seçim varyasyonuna olan bağıl katkısını ifade eder. Bu durum, genel olarak hangi boyutların seçimleri yönlendirdiğini belirler. Fiyat için yüzde kırklık bir öznitelik önemi, fiyatlandırmanın karar sonuçları üzerinde yüzde yirmi puan alan bir garanti özniteliğine kıyasla iki kat daha fazla etkiye sahip olduğunu gösterir.

Uyum çıktı parametreleri log olabilirlik, sıfır log olabilirlik, McFadden R-kare, isabet oranı, gözlemler, parametreler, yakınsama durumu ve ayrılmış seviye kimliklerini içerir.

Ayrılmış doğrulama aşamasından elde edilen doğrulama tanılamaları, doğrulama görevlerindeki isabet oranı da dahil olmak üzere tanısal performans ölçümleri sunar.

Yapılandırmalar sağlandığında simülasyon çıktıları yönlendirici tercih paylarını döndürür. Bunlar, özellik yapılandırmaları veya fiyat noktaları değiştirildiğinde yönlendirici tercih paylarının nasıl kaydığını gösterir. Ekipler, yönlendirici tercih paylarını en üst düzeye çıkaran yapılandırmaları belirlemek için hipotezsel ürün lansmanlarını rakip baz çizgilerine karşı test eder. Bu yönlendirici tercih paylarına asla pazar payı tahmini olarak atıfta bulunulmaz.

Profesyonel pazar araştırması ve ürün ekipleri için iş akışı

Profesyonel araştırma ve ürün kuruluşları, Minds konjoint çalışmalarını keşif ve doğrulama süreçlerine entegre eder.

Ekipler işe iç paydaşlarla birlikte aday öznitelikleri ve olası fiyatlandırma katmanlarını tanımlayarak başlar. Araştırma yöneticileri, sentetik ön testler çalıştırmak için bu parametreleri Minds platformuna girer. Sentetik paneller, ödünleşim duyarlılığı konusunda yönlendirici geri bildirim sağlayarak ekiplerin yineleme yapmasına olanak tanır.

İlk kısmi fayda çıktıları belirli özelliklerin ihmal edilebilir düzeyde fayda sağladığını gösteriyorsa, ürün yöneticileri bu öznitelikleri eler veya seviye sınırlarını ayarlar. Fiyat duyarlılığı diğer tüm boyutlara baskın geliyorsa ekipler, daha net bir farklılaşma sağlamak için seviye aralıklarını yeniden kalibre eder.

Sentetik konjoint çalışması net öznitelik önemi, ayrılmış seviye kimlikleri ve doğrulama tanılamaları ürettikten sonra ekipler kesinleşmiş deneysel parametreleri dışa aktarır. Öznitelikler, seviyeler ve kısıtlama kuralları daha sonra insan paneli anketlerine aktarılır.

Araştırmacılar, konjoint tasarımını Minds içinde ön teste tabi tutarak görev parametrelerini değerlendirir, McFadden R-kare ve log olabilirlik gibi uyum ölçümlerini gözden geçirir ve insanlarla yapılacak saha çalışmasından önce anket yapılarını hassaslaştırır. Yönlendirici sentetik çıktı üst düzey bilgilendirmeleri besler ve ürün yol haritalarını hizalar; insan katılımı ise harici doğrulama sağlar.

Lansman sonrası yönetim için ekipler, canlı çalışmaları tekrar sahaya indirmeden yönlendirici tercih paylarını değerlendirmek üzere yeni yapılandırmalar sağlayarak Minds içinde simülasyonları yeniden çalıştırır. Bir rakip fiyatları düşürürse veya yeni paketler sunarsa, analistler resmi bir saha çalışmasına kaynak ayırmadan önce yönlendirici tercih paylarını simüle etmek için Minds içindeki profil parametrelerini ayarlar.

Sınırlar ve doğrulama

Minds platformundaki sentetik hedef kitle kanıtları doğası gereği yönlendiricidir. Sentetik panellerde yürütülen konjoint çalışmaları, istatistiksel pazar gerçekliğini değil, temel zemin bilgilerine dayanan modellenmiş persona davranışlarını yansıtır. Minds, istatistiksel temsil edilebilirlik veya evrensel doğruluk iddiasında bulunmaz.

Sentetik konjoint çalışmaları; katılım sağlayan insan yanıtlayıcıların, gerçek dünya panel doğrulamalarının veya gerçek davranışsal satın alma verilerinin yerini almaz. Bunun yerine Minds; hipotezleri tarayarak, öznitelik aralıklarını belirleyerek, anket yapılarını iyileştirerek ve katılım bütçelerini araştırma sorularına odaklayarak gerçek saha çalışmasını tamamlar.

Belirli ticari uç durumlar, katılım sağlayan insan yanıtlayıcılarla doğrulamayı gerektirir. Yüksek riskli fiyatlandırma değişiklikleri, geçmiş pazar emsali olmayan yeni ürün kategorisi lansmanları ve düzenleyici incelemeler gerçek insan panelleri aracılığıyla doğrulanmalıdır. Sentetik paneller yönlendirici tarama sağlar, ancak nihai risk azaltma için insanlarla saha çalışması yapılması zorunludur.

Araştırma ve ürün ekipleri, Minds platformunda konjoint analizini yinelemeli bir tasarım aracı olarak yürüterek anket geliştirme sürelerini kısaltır, model parametrelerini değerlendirir ve insanlarla yapılan saha çalışmasına yapılandırılmış araçlarla başlar.