日別アーカイブ 2020年5月20日

投稿者:Kunihiro TADA

ホンネを引き出す選択型コンジョイント分析とは?

昨日、コンジョイント分析について投稿しましたので、今日もそれに続いて、より高度なコンジョイント分析についてご紹介したいと思います。

世間では「数量化I類=コンジョイント分析」という解説がじつにたくさん氾濫しています。それらは完全な間違いというわけではないのですが、あまり正確な分析ができません。お金をかけて調査を実施するのなら、ちゃんとした手法を用いるべきです。本来のコンジョイント分析は、いくつかの特性(因子)の組み合わせで複数の製品を提示して、それらの製品の好ましい順位を回答して貰う調査を行います。したがって、目的変数が順序変数になるので、通常の回帰モデル(分散分析、数量化I類)は、そのままでは適用できません。順序値を適切な連続値に変換して回帰を行うために、MONANOVA(単調回帰)という手法が使用されます。

今日の話は、選択型コンジョイント分析という手法です。通常のコンジョイント分析では、複数の製品を提示して、その順序を回答して貰うのですが、どうでしょう?実際、それって回答するのが難しいですよね。たとえば、10個も製品があると、回答する方もこんがらがってきますね。よくよく考えると、「5位と6位は入れ替わるかな?」とか、いや「7位もちょっと違う気がする」などという考えが湧いてきて収拾がつかなくなるものです。

よく誰か(たとえば恋人?)のホンネを引き出すために、こんな問いかけをすることはすることってありますよね?「お寿司か焼肉か鉄板焼きなら、どれがいい?」「うーん、お寿司かな」「じゃあ、フランス料理かイタリアンか和食なら?」

これです!これが選択型コンジョイント分析です。つまり、回答者が格段に回答しやすい方法で情報収集を行うのです。選択型コンジョイント分析でも、調査票を設計するのに、やはり実験計画法を使用します。

ただし、こうやって収集された情報を分析するのは、ちょっと複雑になってきます。こういう場合に、確率を用いると複雑な状況を上手く表現することができます。選択型コンジョイント分析で使用できるモデリング手法は、条件付きロジットおよび階層ベイズです。

条件付きロジットを使用した場合、各因子のカテゴリの効用値および各因子の重要度が得られます。条件付きロジットの結果は、回答者全体での結果となりますが、階層ベイズを使用すると回答者個人ごとに、カテゴリの効用値および因子の重要度が得られます。

EXCELでの選択型コンジョイント (CBC) チュートリアル

階層ベイズによる選択型コンジョイント分析(CBC/HB)

 

Viscovery SOMineを用いた選択型コンジョイント分析の結果の分析

選択型コンジョイント分析で、モデリング手法に階層ベイズを使用した場合、回答者個人ごとに、各カテゴリの効用値や各因子の重要度が得られますが、実際、その表を見ても、回答者が多くなればなるほど、全体を掴むのが難しくなります。そこで考えれるのは、得られた結果の表から階層クラスタ分析をすることです。すると、どのような傾向の消費者のグループが存在するかを発見することができます。

しかしながら、従来的なクラスタ分析では、あまりに情報がざっくりしすぎで、本当にデータを理解しているという実感が今ひとつ得られていないのではないでしょうか?

そこで弊社がお勧めするのは、自己組織化マップ(SOM)と統計解析を融合したアプローチです。これができるのは、Viscovery SOMineという製品だけです。SOMは今やありふれたツールで、わりと簡単に入手できるのですが、残念ながらマップが視覚的に色表示されたり、ラベルづけができるという程度の実装では、ほとんど実用的価値が見出せません。

Viscovoery SOMineでは、階層クラスタリングとプロファイル分析を2次元のマップ上で視覚的に行えるので、消費者の各グループの傾向と、グループ間のトポロジカルな配置関係を同時に把握することができます。本当の意味で、腹の底から「データを理解できた」という実感が得られます。

SOMデータマイニング