Bileşik Analiz
Conjoint Analysis (Choice-Based and Adaptive Variants) · Ayrıca şöyle bilinir: CBC conjoint, choice-based conjoint, adaptive conjoint analysis, full-profile conjoint, Birleşik Analiz (Conjoint Analysis — CBC, ACA)
Bileşik analiz, genel ürün değerlendirmelerini, katılımcıların her bir özellik düzeyine atadığı ayrı fayda değerlerine -kısmi değerler- ayrıştıran bir tercih ölçüm tekniğidir. Green ve Srinivasan tarafından 1978 tarihli seminal Journal of Consumer Research makalelerinde biçimlendirilen bu yöntem, pazarlama araştırması ve ürün tasarımında, alıcıların seçenekler arasında seçim yaparken gerçekte neyi takas ettiğini ölçmek için baskın araç haline gelmiştir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bir ürün veya hizmetin her bir özelliğinin tüketici tercihine ne kadar katkıda bulunduğunu ölçmeniz gerektiğinde ve önem hakkında doğrudan sorgulama sosyal kabul edilebilirlik veya içgörü eksikliği nedeniyle güvenilmez olduğunda bileşik analizi kullanın. Yöntem, en az 100 katılımcıdan toplanan kesitsel anket verilerine uygundur. Temel gereksinimler şunlardır: profiller, temiz tahminlemeye izin vermek için D-optimal veya ortogonal dizi tasarımı kullanılarak oluşturulmalıdır; CBC, toplu düzeyde İlgisiz Alternatiflerin Bağımsızlığı (IIA) özelliğini varsayar; ACA, özellik sayısı fazlaysa (altıdan fazla) ve geleneksel tam profilli bir tasarım bilişsel olarak bunaltıcı hale gelirse uygundur. Yöntem, gerçekçi özellik kombinasyonlarının sayısının, geçerli bir kesirli tasarımın oluşturulamayacağı kadar büyük olduğu veya katılımcıların takasları tutarlı bir şekilde değerlendiremeyeceği beklenen durumlar için uygun değildir.
Güçlü yönler & sınırlılıklar
- Katılımcılardan doğrudan önem belirtmelerini istemeden örtük takas ağırlıklarını geri kazanır, sosyal kabul edilebilirlik yanlılığını azaltır.
- Hiyerarşik Bayes aracılığıyla bireysel düzeyde fayda tahminleri üretir, tercih profiline göre pazar segmentasyonunu sağlar.
- Pazar simülasyonunu destekler: herhangi bir özellik kombinasyonu puanlanabilir ve rakip ürün konseptleri için seçim payları tahmin edilebilir.
- Fiyat, marka ve özellik düzeyleri dahil olmak üzere hem sürekli hem de kategorik özelliklere uygulanabilir.
- Dikkatli deneysel tasarım (D-optimal veya ortogonal dizi) gerektirir; kötü tasarım karışık, yorumlanamaz tahminlere yol açar.
- CBC, bir üçüncü seçeneğin eklenmesi veya çıkarılmasından etkilenmeyen bir seçeneğin diğerine göre seçilme oranları anlamına gelen IIA'yı varsayar - bu, gerçek pazarlarda geçerli olmayabilir.
- Sonuçlar yalnızca seçilen özellik listesi kadar anlamlıdır; önemli bir özelliği atlamak, etkisinin diğerlerine emilmesine neden olur.
- Büyük özellik kümeleri katılımcılar için bilişsel yükü artırır; yaklaşık altı özellikten fazlası için ACA veya hiyerarşik tasarımlar gereklidir.
SSS
Tam profilli, CBC ve ACA bileşik analiz arasındaki fark nedir?
Tam profilli bileşik analiz, her katılımcıya bir ölçekte derecelendirilen eksiksiz ürün açıklamaları sunar; altı özelliğe kadar iyi çalışır ve tahmin için OLS kullanır. CBC, derecelendirmeleri küçük tam profil setleri arasındaki zorunlu seçimlerle değiştirerek gerçek satın alma kararlarını yansıtır ve analiz için çok değişkenli logit kullanır. ACA (Uyarlanabilir Bileşik Analiz), her katılımcı için önceki yanıtlara göre soru dizisini özelleştirir, bu da özel yazılım gerektirme maliyetiyle on veya daha fazla özelliği ele almayı mümkün kılar.
Kaç katılımcıya ihtiyacım var?
Tam profilli tasarımlarda toplu düzey OLS tahmini için genellikle 50-100 katılımcı minimum olarak kabul edilir. Hiyerarşik Bayes ile CBC için en az 100 önerilir, 200 veya daha fazlası kararlı bireysel düzey tahminleri sağlar. Hassasiyet ayrıca özellik sayısı, düzeyler ve katılımcı başına seçim görevleri sayısına da bağlıdır.
Hiyerarşik Bayes nedir ve neden CBC için tercih edilir?
Hiyerarşik Bayes (HB), bireysel düzeydeki kısmi değer tahminlerini stabilize etmek için katılımcılar arasındaki bilgiyi ödünç alan bir Bayesci tahmin çerçevesidir. Her katılımcı olası seçim görevlerinin yalnızca bir alt kümesini yanıtladığı için, verileri tek başına güvenilir tahminleme için yetersizdir; HB, tam örnekten bir popülasyon düzeyindeki önsel aracılığıyla bilgi toplar, hem veriye dayalı hem de düzenlenmiş bireysel faydalar üretir. Bu, toplu MNL'nin sağlayamadığı pazar segmentasyonunu ve bireysel düzeyde tahmini mümkün kılar.
Göreli Özellik Önemi nasıl yorumlanır?
Göreli Özellik Önemi (RAI), çalışmadaki toplam fayda varyasyonunun ne kadarının her bir özelliğe atfedilebileceğini yüzde olarak ifade eder. Fiyat için %40 RAI, fiyatın profiller arasındaki tercih farklılıklarının %40'ını yönlendirdiği anlamına gelir - diğer tekil özelliklerden daha fazla. RAI değerleri, tasarımda tüm özellikler üzerinden %100'e kadar toplanır, bu da onları doğrudan karşılaştırılabilir hale getirir.
Kaynaklar
- Green, P.E. & Srinivasan, V. (1978). Conjoint analysis in consumer research: Issues and outlook. Journal of Consumer Research, 5(2), 103–123. DOI: 10.1086/208721 ↗
- Orme, B.K. (2020). Getting Started with Conjoint Analysis: Strategies for Product Design and Pricing Research (3rd ed.). Research Publishers. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Conjoint Analysis (Choice-Based and Adaptive Variants). ScholarGate. https://scholargate.app/tr/experimental-design/conjoint-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Ayrık Seçim SimülasyonuSimülasyon↔ karşılaştır
- 2^(k-p) Kesirli Faktöriyel TasarımıDeney tasarımı↔ karşılaştır
- Tam Faktöriyel Deneysel TasarımDeney tasarımı↔ karşılaştır
- Çok Değişkenli Lojistik RegresyonEkonometri↔ karşılaştır
- Rastgele Kontrollü Deney (RKD)Deney tasarımı↔ karşılaştır
- Yanıt Yüzey Metodolojisi (RSM)Deney tasarımı↔ karşılaştır