Bunch of Ideas, a little bit of Maths.

I am mathematician doing market research and data science

16 minute read

Ketika pertama kali saya bekerja di market research agency 2008 lalu, big boss pernah bertanya kepada saya:

Kamu tahu Conjoint Analysis? Ada calon klien yang mau eksplorasi analisa ini.

Istilah conjoint analysis masih sangat awam bagi saya waktu itu. Padahal big boss waktu itu expect saya bisa menjawab pertanyaannya karena beliau tahu saya lulusan jurusan matematika.

Singkat cerita, pada 2011 saat saya sudah bekerja di multinational market research agency, salah satu provider telekomunikasi terbesar di Malaysia hendak melakukan conjoint analysis untuk developing beberapa produk baru mereka yang hendak ditargetkan kepada para TKI yang bekerja di sana. Untuk melakukan analisanya, saya menggunakan SPSS.

Itulah saat pertama dan terakhir kali saya menggunakan conjoint analysis selama saya bekerja di market research.

Mengutip dari halaman Wikipedia, conjoint analysis adalah:

Survey-based statistical technique used in market research that helps determine how people value different attributes (feature, function, benefits) that make up an individual product or service.

Ada keywords yang hendak saya highlight dari definisi di atas:

  1. How people value different attibutes?
  2. Product or service.

Jadi analisa ini biasa dipakai saat suatu perusahaan sedang developing new product or service.

Salah satu ciri analisa ini yang saya sukai adalah:

Mampu melakukan analisa atribut yang terpenting secara implisit (tidak menanyakan langsung) atribut kepada responden.

Bagaimana maksudnya? Saya berikan contoh sederhana melakukan Conjoint Analysis dengan R berikut ini.

Contoh Kasus

Suatu perusahaan smartphone berencana untuk meluncurkan smartphone varian terbarunya di akhir tahun ini. Namun mereka masih bingung kira-kira fitur apa saja yang harus disematkan di smartphone tersebut.

Mereka sudah list beberapa alternatif pilihan fitur sebagai berikut:

  1. Fitur kamera utama, pilihannya:
    • 10 MP
    • 15 MP
    • 20 MP
  2. Fitur security, pilihannya:
    • Fingerprint
    • Face recognition
    • Fingerprint dan face recognition
  3. Fitur charging, pilihannya:
    • Fast charging
    • Wireless charging

Fitur kamera utama, security dan charging selanjutnya akan disebut attributes. Sedangkan pilihan-pilihan yang ada (misal 10 MP, 15 MP, …, wireless charging) akan disebut level.

Jika kita melakukan survey biasa, hal yang paling sering terjadi adalah memberikan pertanyaan langsung (direct question) kepada responden terkait seberapa penting masing-masing attributes dan level mana yang mereka pilih.

Contohnya sebagai berikut:

  1. Dalam memilih suatu smartphone, dari ketiga aspek berikut ini: kamera, security, dan charging. Urutkan dari aspek yang paling penting ke aspek yang paling tidak penting!
    • Urutan 1:
    • Urutan 2:
    • Urutan 3:
  2. Berapa spek ketajaman kamera yang Anda inginkan ada di smartphone pilihan Anda? (pilih salah satu)
    • 10 MP
    • 15 MP
    • 20 MP
  3. Apa jenis fitur security yang Anda inginkan ada di smartphone pilihan Anda? (pilih salah satu)
    • Fingerprint
    • Face recognition
    • Fingerprint dan face recognition
  4. Apa jenis fitur charging yang Anda inginkan ada di smartphone pilihan Anda? (pilih salah satu)
    • Fast charging
    • Wireless charging

Jika kita menggunakan Conjoint Analysis, kita tidak akan bertanya direct kepada responden seperti pada cara sebelumnya. Lantas bagaimana caranya?

Kita akan memberikan beberapa alternatif pilihan produk untuk kemudian dipilih oleh responden.

Responden bisa diminta untuk:

  1. Memberikan ranking (mengurutkan) alternatif produk mana yang paling disukai sampai yang tidak disukai.
  2. Memberikan rating (nilai) setiap alternatif produk yang ditanyakan.
  3. Memilih satu saja alternatif produk yang paling disukai.

Pertanyaannya adalah:

Bagaimana caranya kita generate alternatif pilihan produk yang hendak ditanyakan?

Orthogonal

Perhatikan bahwa kita memiliki 3 level di attribute kamera, 3 level di atribute security, dan 2 level di atribute charging.

Oleh karena itu, ada 3 * 3 * 2 = 18 alternatif pilihan produk yang bisa ditawarkan sebagai berikut:

Alternatif Kamera Security Charging
1 10 MP fingerprint fast
2 15 MP fingerprint fast
3 20 MP fingerprint fast
4 10 MP face recog fast
5 15 MP face recog fast
6 20 MP face recog fast
7 10 MP fingerprint and face recog fast
8 15 MP fingerprint and face recog fast
9 20 MP fingerprint and face recog fast
10 10 MP fingerprint normal
11 15 MP fingerprint normal
12 20 MP fingerprint normal
13 10 MP face recog normal
14 15 MP face recog normal
15 20 MP face recog normal
16 10 MP fingerprint and face recog normal
17 15 MP fingerprint and face recog normal
18 20 MP fingerprint and face recog normal

Masalahnya adalah jika kita memberikan 18 alternatif produk ini kepada responden untuk diberikan ranking atau rating, tentunya responden akan pusing. Terlalu banyak pilihannya.

Lantas bagaimana memilih alternatif pilihan yang paling sedikit namun tetap baik dari segi analisa statistik?

Di aljabar, ada satu istilah bernama orthogonal.

Misalkan suatu vektor x dan y disebut orthogonal saat x dan y tegak lurus. Salah satu kegunaan kumpulan vektor orthogonal adalah dalam membuat basis suatu bidang atau ruang.

Nah, dalam kasus Conjoint Analysis, pemilihan alternatif produk harus dibuat sesedikit mungkin tapi harus orthogonal sehingga bisa dijadikan basis per attributes untuk membangun produknya kelak.

Masih bingung yah? Tidak mengapa jika tidak memahami hal ini.

Kali ini, saya akan menggunakan library(conjoint) di R untuk mendapatkan beberapa alternatif pilihan yang orthogonal. Ternyata saya dapatkan 9 alternatif pilihan berikut ini:

Kamera Security Charging
15 MP fingerprint fast
10 MP face recog fast
20 MP fingerprint and face recog fast
10 MP fingerprint normal
20 MP fingerprint normal
15 MP face recog normal
20 MP face recog normal
10 MP fingerprint and face recog normal
15 MP fingerprint and face recog normal

Proses Interview

Proses selanjutnya adalah melakukan interview. Untuk kasus ini, saya mengistruksikan agar responden memberikan rating 1 hingga 10 kepada 9 alternatif di atas. Rating 1 untuk least likely dan 10 untuk most likely.

Misal saya telah mewawancarai 10 orang responden sehingga didapatkan data berikut ini:

Kamera Security Charging resp1 resp2 resp3 resp4 resp5 resp6 resp7 resp8 resp9 resp10
15 MP fingerprint fast 5 10 10 4 1 5 2 3 5 6
10 MP face recog fast 1 3 7 4 1 1 1 9 2 8
20 MP fingerprint and face recog fast 2 7 7 6 10 10 9 10 6 7
10 MP fingerprint normal 7 8 4 4 7 7 3 8 9 4
20 MP fingerprint normal 10 9 2 9 5 7 4 6 6 1
15 MP face recog normal 7 8 10 1 1 4 6 7 3 10
20 MP face recog normal 10 2 1 9 8 6 6 4 8 8
10 MP fingerprint and face recog normal 8 10 7 8 5 2 9 8 3 10
15 MP fingerprint and face recog normal 5 9 1 10 5 1 9 10 2 10

Hasil Analisa

Sekarang mari kita lihat hasil analisanya:

Conjoint(y=responses, x=prof, z=case_level)

## [1] "Part worths (utilities) of levels (model parameters for whole sample):"
##                       levnms    utls
## 1                  intercept    5,95
## 2                      10 MP -0,0889
## 3                      15 MP  0,3444
## 4                      20 MP -0,2556
## 5                fingerprint -0,5222
## 6                 face recog  0,1778
## 7 fingerprint and face recog  0,3444
## 8                       fast  0,0833
## 9                     normal -0,0833
## [1] "Average importance of factors (attributes):"
## [1] 37,59 42,81 19,60
## [1] Sum of average importance:  100
## [1] "Chart of average factors importance"

Oke, kalau bingung dengan hasil di atas saya akan buat summary singkatnya sebagai berikut.

Summary

Setidaknya ada dua hasil dari Conjoint Analysis:

  1. Nilai utilities per attributes
  2. Nilai utilities per level

Apa itu nilai utilities?

Semakin tinggi nilai utilities, semakin penting kadarnya bagi responden.

Utilities per Attributes

Saya dapatkan nilai utilities per attributes sebagai berikut:

Didapatkan bahwa attribute security merupakan aspek paling penting bagi responden dengan nilai utilities sebesar 42.81. Setelah itu attribute kamera (37.59) lalu charging (19.6).

Utilities per Level

Dari grafik di atas, kita bisa menyimpulkan bahwa smartphone dengan fitur: fast charging, kamera 15 MP, dan memiliki fingerprint + face recog memiliki nilai total utilities terbesar.

Seandainya perusahaan ingin mengubah kombinasi fiturnya, mereka tinggal menjumlahkan nilai utilities dari level-nya saja.

Notes

Secara logis, semakin banyak attributes dan levels, maka alternatif pilihan yang orthogonal juga akan semakin banyak. Lantas bagaimana jika banyaknya pilihan masih terlalu banyak sehingga proses interview menjadi lama dan membuat responden bingung?

Kita bisa memecah beberapa attributes, membuat simplifikasi alternatif, dan menanyakannya kepada beberapa kelompok responden yang berbeda dengan metode hierarchical conjoint.

if you find this article helpful, support this blog by clicking the ads shown.

You May Also Enjoy

Menjalankan R Studio Server di Railway.app

4 minute read

Jika rekan-rekan mengikuti tulisan saya di blog ini, kalian akan mengetahui berbagai upaya yang saya lakukan agar saya bisa menggunakan R Studio secara onlin...