Pieni johdanto
Markkinatutkimuksissa hyvin usein mitataan kuluttajien käyttäytymismotiiveja.
Mutta välillä kuulee myös ihmettelyä siitä, miksi tutkimuksissa saadut vastaukset eivät tunnu vastaavan todellista käyttäytymistä. Hyvin perustavanlaatuinen kysymys, ja palauttaa meidät miettimään sitä, miten ylipäänsä asioita on syytä mitata.
Otetaan käsittelyyn esimerkki, jossa tutkimme elintarvikkeiden valintamotiiveja. Yleensä valintamotiiveja tutkittaessa tutkittavia vaihtoehtoja on lukuisia, mutta tässä esimerkissä havainnollisuuden vuoksi keskitymme viiteen ominaisuuteen:
- Tuotteen kotimaisuus
- Hinnan edullisuus
- Tuotteen hyvänmakuisuus
- Tuotantotavan vastuullisuus
- Tuotteen terveellisyys
Tarkastellaan hieman erilaisten mittaustapojen vahvuuksia ja heikkouksia.
TAPA 1: Likert-asteikko
Rensis Likert kehitti mittausasteikkonsa vuonna 1932. Asteikosta on erilaisia versioita, mutta kaikki perustuvat siihen, että meillä on ominaisuuksia, joita mitataan määrätyllä skaalalla.
Ensimmäinen valinta onkin asteikon valinta ja asteikkoportaiden nimeäminen. Perinteisesti voidaan käyttää esimerkiksi viisiportaista asteikkoa, jossa 5=erittäin tärkeä, 4=melko tärkeä ja niin edelleen.
Mitattaessa kuluttajan käyttäytymismotiiveja Likert-asteikolla törmäämme useisiin ongelmiin. Ensimmäinen on se, että asteikossa usein kahden pisteen välinen välimatka oletetaan yhtä suureksi. Jos pisteille on annettu sanallinen kuvaus, niin tämä oletus on usein täysin perusteeton, eikä asteikkoa voida käsitellä jatkuvana. Jos nimeämme vain ääripäät (5=erittäin tärkeä, 1=ei lainkaan tärkeä) pystymme parantamaan asiaa hieman – ja tällöin ainakin väljästi tulkiten asteikosta voidaan laskea keskiarvoja.
Mutta tämä on vasta ensimmäinen haaste. Ajatellaan, että mittasimme esimerkkiominaisuuksiamme viisiportaisella Likert-asteikolla, jonka ääripäät olivat nimetyt. Saimme oheiset tulokset.
Mitä näistä tuloksista voimme päätellä?
Ominaisuuksia mitattiin nyt siis erillisinä, eikä suhteessa toisiinsa. Siksi myös tuloksia on tulkittava erillisinä. Voimme siis päätellä juuri sen, että ”35 % piti tuotteen kotimaisuutta erittäin tärkeänä tekijänä”, mutta emme voi päätellä sitä, onko tuotteen kotimaisuus tärkeämpi vai vähemmän tärkeämpi kuluttajakäyttäytymisen ajuri kuin hinnan edullisuus.
Usein tilannetta yksinkertaistetaan vielä esittämällä tulokset keskiarvoina. Tällöin tulokset näyttäisivät seuraavanlaisilta:
Informaatio yksinkertaistui, mutta myös menetimme paljon informaatiota. Meillä on hyvin ylätasoinen kuva kuluttajan käyttäytymisestä, mutta tiedämmekö oikeasti vastauksen seuraaviin kolmeen kysymykseen:
- Mikä on näistä tekijöistä tärkein?
- Mikä on tekijöiden tärkeyksien suhde toisiinsa?
- Mitkä ovat vastaajakohtaiset avainajurit?
Todellisuus on se, että emme tiedä. Ja kun tähän lisätään se, että mittaustavan vastaajakohtainen erottelukyky on erittäin heikko (yksi vastaaja voi valita vaikka kaikki ominaisuudet itselleen erittäin tärkeiksi), ollaan tämän mittaustavan kanssa kuluttajan käyttäytymistä tutkittaessa hieman heikoilla jäillä.
TAPA 2: Monivalintakysymys
Toinen yleisesti käytetty tapa lähestyä tärkeyksien mittaamista on monivalintatehtävä. Tässä tapauksessa se voitaisiin muotoilla esimerkiksi seuraavasti:
”Valitse oheisista ominaisuuksista kaikki ne, jotka ovat sinulle tärkeitä valitessasi elintarvikkeita.”
Nyt voisimme päätyä seuraavanlaiseen taulukkoon:
Mutta jälleen kysymys kuuluu: ”mitä sitten?”
Edelleenkään ominaisuuksien tärkeyttä ei mitattu suhteessa toisiinsa, joten voimme päätellä ainoastaan sen, että 63 prosentille vastaajista hinnan edullisuudella on merkitystä. Kuinka paljon merkitystä ja mikä on sen merkitys verrattuna muihin ominaisuuksiin, siihen emme pääse kiinni.
Kokonaisuudessa jäädään vielä karkeammalle tasolle kuin skaalallisessa mittauksessa. Tietyissä tilanteissa tämä voi riittää, jos haettu informaatio toimii lähinnä kuvailevana taustana kuluttajien arvostuksista, mutta tällaisen tiedon pohjalta strategisten päätösten tekeminen on nopanheittoa.
Toki tätä kysymystyyppiä voi viedä pidemmälle esimerkiksi kysymällä valituista tekijöistä sen, mitä pitää kaikkein tärkeimpänä, mutta edelleenkään emme pysty aidosti vastaamaan siihen kysymykseen, mihin ominaisuuteen kannattaisi keskittyä emmekä varsinkaan siihen, mikä on eri ominaisuuksien tärkeysero. Emme, vaikka pyytäisimme laittamaan kaikki mitattavat ominaisuudet tärkeysjärjestykseen.
Yhteenveto perinteisistä mittaustavoista
Ovatko edellä kuvatut mittaustavat vääriä kuluttajan käyttäytymismotiiveja mitattaessa?
Se riippuu täysin siitä, mitä tietoa tutkimuksella haetaan ja millaisia päätöksiä tulosten perusteella aiotaan tehdä. Mutta jos tavoitteena on löytää kuluttajakäyttäytymisen avainajurit luotettavalla ja erottelevalla tavalla, niin nykyaikana meillä on huomattavasti tehokkaampia metodeja tarjolla, joten miksi emme käyttäisi niitä.
Ongelma näiden perinteisten mittaustapojen käyttämisessä valintamotiivien mittauksessa on siinä, että mittaustavat eivät ole edes etäisesti lähellä todellista päätöksentekotilannetta. Tietyt asiat ylikorostuvat hyvinkin herkästi, kuten esimerkiksi hintaan ja vastuullisuuteen liittyvät kysymykset. Jos mittaat esimerkiksi vastuullisuuden merkitystä Likert-asteikolla, harva sanoo, etteikö sillä olisi merkitystä. Mutta kun laitat hänet pohtimaan vastuullisuuden merkitystä suhteessa tuotteen hintaan, peli muuttuu täysin.
Siksi meidän on kuluttajamotiiveja tutkittaessa laitettava tutkimusvastaaja tekemään vertailuja eri ominaisuuksien kesken. Vasta silloin pääsemme kiinni todellisiin tärkeysjärjestyksiin.
Me tiedämme, että kaikki haluaisivat korkeinta mahdollista laatua halvimmalla mahdollisella hinnalla. Harvoin tämä on mahdollista.
Ratkaisu: MaxDiff-mittaus
Todellisten käyttäytymisajureiden tunnistaminen siis vaatii sitä, että jo tutkimustilanteessa vastaaja joutuu vertaamaan asioita suhteessa toisiinsa. Tähän perustyökaluna toimii MaxDiff-menetelmä, jota voidaan pitää tavallaan yksinkertaistettuna Conjoint-metodina.
Vastaajan näkökulmasta MaxDiff-kysymys on helppo. Vastaajalle esitetään erilaisia yhdistelmiä mitattavista ominaisuuksista. Jokaisessa valintatehtävässä vastaaja valitsee ominaisuuksista itselleen valinnan kannalta kaikkein tärkeimmän tekijän (ja haluttaessa myös vähiten tärkeän, mutta tämä ei ole välttämätöntä).
Eli kysymys näyttää käytännössä seuraavanlaiselta:
”Kun valitset elintarvikkeita, mikä seuraavista ominaisuuksista on sinulle kaikkein tärkein valintaan vaikuttava tekijä?
- Tuotteen kotimaisuus
- Tuotteen hyvänmakuisuus
- Tuotteen terveellisyys”
Kun tässä esimerkissä vastaajat olisivat vastanneet noin neljään/viiteen tällaiseen valintatehtävään, ja data olisi analysoitu tilastollisilla menetelmillä (tyypillisesti hierarkisella Bayes -analyysilä), saisimme kokonaistasolla seuraavanlaiset tulokset:
MaxDiff-tulosten raportointi perustuu siihen, että 100 pistettä jaetaan tasan mitattujen ominaisuuksien kesken. Puhumme siis indeksiluvusta.
Homman hienoutena on se, että nyt meillä onkin suhdeasteikollinen mittari. Voimme todeta luotettavasti, että mitatuista ominaisuuksista kaikkein tärkein on ”tuotteen hyvänmakuisuus”. Ja voimme tulkita myös tärkeyseroja, eli näistä tuloksista todeta myös sen, että ”tuotteen hyvänmakuisuus” on vastaajille lähes kolme kertaa tärkeämpi valintakriteeri kuin ”hinnan edullisuus”.
Ja mikä olennaisen tärkeää kuluttajasegmentointeja ajatellen, tiedämme nämä samat asiat myös jokaiselle yksittäiselle vastaajalle.
Nyt kun meillä on käsissämme data, joka kertoo paitsi tärkeysjärjestyksen, myös tärkeyksien väliset erot vastaajittain, voimme lähteä luottavaisin mielin tekemään kuluttajasegmentointia, joka vastaa myös todellista käyttäytymistä markkinalla.
Ei ole montaa tilannetta, missä tätä mahdollisuutta ei kannattaisi käyttää.
