Innolink

Kirjoittaja

Analytiikan menetelmiä hyödyntäen pystymme optimoimaan tuotekehityksen ja lanseerauksen huomioiden kuluttajien mieltymykset. Voimme valita kuluttajien mielestä parhaat ominaisuudet, jotka tuottavat parhaan myynnin sekä tuoteperheen, jossa tuotteet täydentävät toisiaan ja syövät mahdollisimman vähän toistensa myyntiä. Ennen kaikkea voimme laskea kuluttajien mieltymysten perusteella, kuinka paljon tuotteet tulevat myymään ja mikä on hankkeen tuotto-odotus.

Yrityksen tärkeimpiä hankkeita koskevien päätösten tueksi tarvitaan tietoa. Yleensä historiassa kertynyt data, esim. olemassa olevien tuotteiden laskutuksesta, auttaa hahmottamaan oikeaa suuntaa, mutta aina se ei riitä. Parhaan ominaisuusyhdistelmän valitsemiseen tarvitaan tietoa potentiaalisten asiakkaiden mieltymyksistä. Investointipäätös epäilyttää, ellei tiedetä ovatko asiakkaat valmiita maksamaan paremmasta tuotteesta sen vaatimaa korkeampaa hintaa. Nämä ovat esimerkkejä liiketoimintakriittisistä optimointiongelmista, joihin voidaan vastata käytännössä vain markkinatutkimuksella. Tuhannen kuluttajan vastausten keskiarvo asteikolla 1–5 ei kuitenkaan tuota riittävästi tietoa vastaamaan kumpaankaan näistä kysymyksistä, vaan on hyödynnettävä syvällisempää analytiikkaa.

Historiadata tuotelaskutuksesta ei kerro miten kuluttajat suhtautuisivat uusiin ominaisuuksiin A, B ja C tai olisiko niillä relevanttia rahallista arvoa. Jos kuluttajilta kysytään ”miten upeita ominaisuudet A, B tai C” ovat, niin usein vastauksena saadaan, että ne ovat kaikki upeita, emmekä ole yhtään lähempänä sitä, että mikä niistä on tärkein tai mikä ominaisuusyhdistelmä on ylitse muiden. Jos kuluttajilta kysytään ”kuinka paljon olisit valmis maksamaan ominaisuudesta A, B tai C”, niin täytyy olla todella paljon onnea matkassa, että tulokset vastaisivat todellisuutta.

Tällaisten optimointiongelmien ratkaisemiseen on menetelmiä. Todellisten arvojen esiin saaminen vaatii hyvää kysymyksenasettelua, tutkimusmenetelmän valintaa ja oikeaa mallinnusmenetelmää. MaxDiff-menetelmällä pystymme tunnistamaan suuresta ominaisuusjoukosta ne tärkeimmät ja ominaisuuksien arvojärjestyksen. Conjoint-menetelmällä saamme esiin rajallisen ominaisuusjoukon optimaaliset yhdistelmät ja esimerkiksi rahallisen arvon. TURF-menetelmällä voimme tunnistaa mitkä ominaisuusyhdistelmät (tuotteet) täydentävät toisiaan parhaiten niin, että ne eivät kannibalisoi toistensa markkinaa.

Esimerkkinä näiden menetelmien käytöstä kuvitellaan, että suunnittelemme uuden jäätelötuoteperheen tuomista markkinoille. Investointi on yrityksen kannalta suuri ja on parempi saada valikoima ja hinnoittelu mahdollisimman pian lähelle optimia. Ensimmäisessä vaiheessa selvitämme 20 jäätelön ominaisuuden (eri maut, pakkauskoot, makeus, raaka-aineet, maidottomuus yms.) joukosta mitä erilaiset kuluttajat pitävät tärkeimpinä. Sen jälkeen testaamme kunkin kuluttajasegmentin osalta mitkä ovat näiden ominaisuuksien parhaita yhdistelmiä ja miten paljon kuluttajat ovat valmiita maksamaan minkäkinlaisesta jäätelöpakkauksesta (maku, ulkoasu ja pakkauskoko). Viimeisessä vaiheessa optimoimme tuoteyhdistelmät niin, että jäätelön myynti saadaan maksimoitua. Tuoteperheen jäätelöt täydentävät toisiaan ja tavoittavat mahdollisimman suuren markkinan. Tällaisen liiketoimintakriittisen markkinatutkimuksen avulla pystymme optimoimaan jäätelön tuotekehityksen ja lanseerauksen. Meillä on valmiina kuluttajien mieltymyksiin perustuvat arviot siitä, miten paljon mikäkin jäätelötuote tulee myymään ja mikä on hankkeen tuotto-odotus.

 

Matti Paavonen
Liiketoimintajohtaja, Analytiikka, Innolink

Tämä blogikirjoitus on osa sarjaa, jolla pyritään kuvaamaan kuinka organisaatiot voivat hyödyntää dataa syvällisemmin analytiikan menetelmien avulla.

Tutustu Innolinkin tiedolla johtamisen palveluihin
Tutustu Innolinkin analytiikkaratkaisujen mahdollisuuksiin
#innolink #analytiikka #tiedollajohtaminen


Viimeisimmät blogit: