コンジョイントとは/技術情報/コンジョイント技術情報【実施後】

info2.gif TOPIC

right17.gif シミュレーション bookmark

コンジョイント結果は重要度と効用の度合を測定するだけではありません。
解析結果から得られた「効用値」を元にシェアのシミュレーションを行うことができるようになります。

つまり、自社や他社の商品特徴を変更した場合にどのような波紋が市場に起こるのか。近未来を予測することが可能となるのです。

これがコンジョイント分析の醍醐味であるとも言えます。

いわゆる一般的なシミュレーション方法は以下の２種類に大別されます。

right12.gif First Choice bookmark

各回答者が総合効用値の高いもの同士（BESTな組み合わせ）を選択したとして、回答者全員を振り分け、全体のシェアを算出します。

BESTな組み合わせを「１」に、その他を「０」とします。
結果は、やや傾向が極大化（スティープ）になりますが、はっきりとわかります。

また、この解析では個々のサンプルごとにどの商品に反応しているのかが分かりますので、「この商品を買いたいと言っている人はどんな人？」とさかのぼって辿ることが可能となります。

right12.gif Share of Preference bookmark

回答者がよいと思うプロダクト（組み合わせ）に対して、プロダクトＡは６０％、プロダクトＢは４０％、というようにシェアを割り振って算出します。

選好確率モデルと言われます。

結果は当然ながら比較的マイルドつまりフラットになります。
リサーチャーはこちらのシミュレーションモデルを使った方が解釈がしやすいとも言われています。

right12.gif Purchase Likelihood Option bookmark

上記2つのシミュレーション方法を含む、他のモデルは仮想プロダクト間の相対的な関係からシェアを算出するのに対し、こちらのモデルでは、仮想シナリオ中の各プロダクトについてそれぞれ独立して各回答者の購入意向を計算します。

意向については以下の式により算出されます。

P(Probability)=e^各総合効用/(1+e^各総合効用)  e:自然対数

を個人について算出し、サンプル数分平均する。

※このモデルは「全く新しい製品であり、競合がいない状況のマーケットを想定」している場合での使用が推奨されています。

right17.gif 効用値 bookmark

right12.gif 水準間の効用値の求め方 bookmark

コンジョイント分析を行うと概ね個別効用値と言って、各対象者ごとの各属性の各水準に対する効き目具体の数値が求められることはご説明して参りました。

効用値には、離散水準と線形水準、つまりディスクリートとリニアという二つのデータタイプが存在します。

ディスクリート（離散）は、色やデザインなど順位が付けられない、大小の比較ができない水準です。青と赤どちらが優位か、どちらが高いかなどは言えません。

これに対し、リニア（線形）では、これが言えます。例えば価格です。
5000円は6000円より効用が高い。これは当たり前のように言えることです。5000円と6000円の間は5500円である。これも言えます。

このリニア（線形）水準の時に、実際の調査では提示されていなかった間の水準を仮想的に想定し、その効用値を求めることが可能です。

これをpolationと読んでいるようです。

提示した金額などの水準をknown-points、そして5000円と6000円の間の5500円など実際には対象者に提示されていない金額などの水準をunknown-pointsと呼びます。

もう一度まとめると、

known-pointsはまさに対象者が回答中に見た、金額などの水準です。（我々が設定した水準です）
これに対しunknown-pointsは特定の水準間の中央値など実際に提示されたことがない仮想水準です

効用値はknown-pointsに対して算出されます。unknown-pointsはknown-pointsから推計（直線回帰）されます。二点間の回帰線上のポイントとして比率を考慮し求められます。

非常に単純ですね。

ちなみに、Sawtooth社の扱っているコンジョイントツールでは、通常、効用値の多くは属性内の各水準の効用値の合計は0になるように再計算されています。

polation_graph.gif

これは属性間での効用値比較をするという間違いを防ぐ目的で0点から両側に効用値を配分しているためです。

しかし、unknown-pointsで算出された効用値の場合、属性内で何をたしても合計値が0にはなりません。
効用値はknown-pointsに対して算出されます。unknown-pointsはknown-pointsから推計（直線回帰）されますので、unknown-pointsはknown-pointsの存在が前提となります。つまり、新たなknown-pointsを考慮して属性内合計を0にしてしまうと元々の効用値がおかしくなってしまいます。

polationでは、二点間の外側に位置するunknown-pointsも求めることは可能です。

例えば、提示された水準が1000円、2000円、3000円、4000円、5000円、6000円までだったとしましょう。
この場合7000円は外側に位置します。シミュレーション上では実はこの7000円という外側も指定してシミュレーションを実施することが可能です。

直近の二点間からの延長線を引き、その上に7000円などの点を作り、効用値を求める計算をシミュレータの内部で行います。

ちなみに水準間の内側の中間等の部位に位置する仮想水準を求めることをInterpolationと言います、これに対し今回のように7000円など水準外にある仮想水準を求めることをExtrapolationと呼んで区別しています。

Interpolationは実際に提示されているknown-pointsの2点間の間に入りますので、推計値は必ずknown-pointsの間に存在します。これは信頼性としては高いと言えます。

これに対し、Extrapolationは直近の2点間の外側になりますのでその延長線上にあるかは実際のところは全く分かりません。（むしろ外側水準は効用に大きな変化がありますので、Extrapolation値と異なることの方が多いと言えます）従ってあくまでも参考ということになります。

上記のようなExtrapolationとして7000円のような外側の一点の効用値を求めたいというご要望を承ることがあります。

特にシミュレータで算出したりはできないのですが、やり方としてはエクセルなどで直近２点間のレンジから延長線上のポイントを求めること（最小二乗法）は可能です。対象の2点データを範囲指定して、そのまま、横方向にドラッグすると一瞬で求められます。一応添付いたしました（見出しオレンジの列です）。

参考ファイル

※Interpolationは２点間のみわかれば刻み幅は関係ありませんが、Extrapolationは基本的に直近の2点間の間隔と求めたい値の間隔が同じでないと上記のようにある程度、正確にかつ、簡単には求められませんのでご注意下さい。








right17.gif 分析・解析ツール bookmark

コンジョイント質問により取得されたデータを解析し、効用値を求めたり、あるいは見えないクラスタを発見するツールなどがあります。

right12.gif 潜在クラス分析ツール(CBC) bookmark

データの中には観測が可能な「顕在的な構造」と観測できない「潜在的な構造」があることがある。
「潜在的な構造」は見えないため、直接観測することはできないということである。

潜在クラス分析は、こうした直接観測できない潜在的なデータ構造世界(latent class)を探るものです。

要するに、表層的に、単にデータを眺めていても見つけられない新しいデータを内側から探り出そうということです。

観測可能な表面的な世界は、それより深い層にある潜在構造(latent structure)の層がつぶれるようにして出土？した形に顕在化されていると考えます。
この表面的な少しの情報だけでは、より深い層に沈んでいるデータ構造を知ることはできないわけです。

言ってみれば、深層がいくつあるのか、そもそも層があるのかさえ分からないわけです。

つまり、深層があると仮定した上で、深層のデータと表層のデータの関係式を仮定しながら検証していくようなイメージです。

潜在クラス分析をうまく活用することにより、今まで気づくことの無かった新たな概念や情報を取り出せることになります。

MTではCBC コンジョイントデータに対しLatent Class Moduleを適用し、いくつかの潜在クラスを探り出す分析を行うことが可能です。

f-07.gif CBC潜在クラス分析

AND OR