MARKETING RESEARCH: Multidimensional Scaling And Conjoint Analysis

Presented by : Puspi Eko Wiranthi H451110111 Pamela H451110491

Outline
I. Introduction
II. Marketing Research

III. Multidimensional Scaling

IV. Conjoint Analysis

V. Closing

I. Introduction
1. Background 2. Problem Definition 3. Objective of Study

I. Introduction
Background
1. Dynamic Business World 2. Dynamic Consumer Behavior

I. Introduction
Objective Study
Mengetahui definisi, klasifikasi, dan proses riset pemasaran Mengetahui salah satu metode analisis dalam aplikasi riset pemasaran.

II. Marketing Research

1.Definition
2.Marketing Research Classification 3.Marketing Research Process

II. Marketing Research Riset pemasaran sebagai suatu fungsi yang menghubungkan konsumen, pelanggan, dan masyarakat melalui informasiinformasi yang digunakan untuk mengidentifikasi dan mendefinisikan peluang dan masalah pemasaran; membuat, memperbaiki dan mengevaluasi tindakan pemasaran; memantau kinerja pemasaran; serta memperbaiki pengertian mengenai pemasaran sebagai suatu proses. (Asosiasi Pemasaran Amerika dalam Malhotra, 2005)

Definition

Riset pemasaran sebagai suatu identifikasi, pengumpulan, analisis, diseminasi, serta penggunaan informasi secara sistematik dan obyektif untuk membantu manajemen dalam membuat keputusan yang berhubungan dengan identifikasi dan penyelesaian masalah (dan peluang) dalam bidang pemasaran. (Malhotra 2005)

II. Marketing Research -

Definition

Riset pemasaran terdiri dari beberapa tahap sehingga merupakan suatu proses, dan memiliki hasil akhir berupa informasi yang ditujukan untuk membantu pengambilan keputusan manajemen pemasaran. (Istijanto, 2005)

Dari Definisi Asosiasi Pemasaran Amerika, Malhotra, dan Istijanto dapat disimpulkan bahwa riset pemasaran merupakan suatu fungsi yang terdiri dari suatu identifikasi masalah pemasaran, analisis masalah pemasaran, menyebarkan hasil analisis dari masalah pemasaran yang terjadi, dan menggunakan informasi dari hasil analisis terhadap masalah pemasaran tersebut secara sistematik, dan obyektif.

II. Marketing Research Riset Pemasaran

Classification

Riset Identifikasi Masalah

Riset Penyelesaian Masalah

Riset Potensi Pasar Riset Pangsa Pasar Riset Citra (Image) Riset Karakteristik Pasar Riset Analisis Penjualan Riset Peramalan Riset Peramalan Riset Tren Bisnis

Riset Segmentasi Riset Produk Riset Harga Riset Promosi Riset Distribusi

II. Marketing Research Definisi masalah

Pengembangan pendekatan terhadap masalah
Formulasi rancangan riset Pengumpulan data Analisis data

Process

Penyiapan dan presentasi laporan

Malhotra (2005)

III. Multidimensional Scaling

1.Definition
2. Perceptual Map 3. MDS: Attribute Based Approach 4. MDS: Non Attribute Based Approach

II. Multidimensional Scaling Multidimensional scaling adalah prosedur untuk menunjukkan persepsi dan preferensi responden secara spasial dengan menggunakan alat tampilan nyata. (Malhotra, 2004)

Definition

Multidimensional scaling merupakan analisis yang membicarakan masalah umum positioning objek pada ruang persepsi. (Aaker, 2005)

Multidimensional scaling adalah teknik yang digunakan untuk memperoleh gambaran persepsi seseorang tentang suatu objek secara relatif dibandingkan objek-objek lainnnya. (Simamora , 2004)

II. Multidimensional Scaling Penjabaran berbagai dimensi yang berhubungan. Jika kita menggunakan diagram kartesius, maka peta dibentuk dengan dua dimensi, satu pada sumbu horizontal (sumbu X), satunya lagi pada sumbu vertikal (sumbu Y). Setiap dimensi mewakili berbagai atribut yang mewakili pembentukan persepsi. (Simamora, 2005)

Perceptual Map
Multidimensi onal Scaling Output

Perceptual Map
Proses yang digunakan untuk membangun peta untuk menunjukkan persepsi dari responden. Peta ini merupakan representasi visual dari persepsi responden terhadap perusahaan, produk, jasa, brand, atau objek lainnya dalam model dua dimensi. (Hair, F Joseph et al, 2008)

II. Multidimensional Scaling (Example)

Perceptual Map

Perceptual map Sumber: Simamora, B (2005)

II. Multidimensional Scaling (Application)

1 Pengukuran Citra 2 3 4 5 Segmentasi Pasar

Perceptual Map

Perceptual Map Application

Pengembangan Produk Baru

Menilai Efektivitas Iklan

Analisis Harga

Keputusan Saluran dan Konstruksi Skala Sikap

II. Multidimensional Scaling (Types)

Perceptual Map

II. Multidimensional Scaling (Asses Reliability and Validity)

R-Square

Perceptual Map

Semakin tinggi RSQ, semakin baik model MDS. Model dapat diterima bila RSQ 0,6

Stress Value

Semakin rendah stres, semakin baik model MDS yang dihasilkan

Split the original data

Analisis MDS agregat untuk masing-masing bagian data yang telah dibagi dua, tiga, empat dan seterusnya (sesuai banyak data). Jika hasil tidak berbeda signifikan, model berarti baik

II. Multidimensional Scaling (Asses Reliability and Validity)

Stimuli Eliminated

Perceptual Map

Cara ini dilakukan dengan mengeluarkan stimuli secara selektif. Jika dengan mengeluarkan stimuli, ternyata hasil kedua MDS mirip (tidak berubah banyak), atau bahkan sama, berarti model kita bagus Cara ini dilakukan dengan mengambil data pada waktu yang berbeda. Jika hasilnya mirip (tidak berubah banyak), atau bahkan sama, berarti model kita bagus

Longitudinal Data

Malhotra (2004)

II. Multidimensional Scaling -

Perceptual Map (How to Choose The Best Dimension?)

1. A priori knowledge

2. Interpretability of the spatial map

3. Elbow criterion

4. Ease of use
5. Statistical approaches

II. Multidimensional Scaling Perceptual Map

Perceptual Map (Approaches to creating perceptual map)

Attribute Data

Nonattribute Data

Similarity

Preference

Factor Analysis

Discriminan t Analysis

Corresponden ce Analysis

MDS

Sumber : Aaker et al. (2011)

II. Multidimensional Scaling - Attribute-Based

Approach
Asumption
Kita dapat mengidentifikasi atribut-atribut yang mana persepsi individual terhadap objek didasarkan (Aaker, 2011) Atribut Identification

Riset Eksplorasi, dengan teknik wawancara mendalam dengan para ahli (Simamora, 2005)
Techniques of Analysis Selain memperoleh peta persepsi, jugamendapatkan vektor yang menyatakan posisi atribut (Simamora, 2005)

II. Multidimensional Scaling - Attribute-Based

Approach
Example Dari sebuah survei terbatas diperoleh atribut-atribut maskapai penerbangan, yaitu: 1) harga tiket, 2) ketepatan waktu, 3) layanan reservasi, 4) layanan personal, 5) kenyamanan pesawat, 6) reputasi merek, dan 7) layanan bagasi.

Pertanyaan: Bagaimana pendapat Anda tentang maskapai penerbangan...(sebutkan nama maskapainya)

Harga tiket pesawat Sangat murah 1 2 3 4 5 6 7 Sangat mahal Ketepatan waktu Sangat baik 1234567 Sangat buruk Layanan reservasi Sangat baik 1234567 Sangat buruk Layanan personal dalam pesawat Sangat baik 1234567 Sangat buruk Kenyamanan dalam pesawat Sangat baik 1234567 Sangat buruk Reputasi merek Sangat baik 1234567 Sangat buruk Layanan bagasi Sangat baik 1234567 Sangat buruk

Tabel Hasil Penelitian

Atri Ada but mair 1 2 3 4 2 2 2 3 Bata Bour Garu Jatay Lion Mand Merp Stara via 2 3 2 3 aq 4 2 2 2 da 6 1 1 1 u 1 3 4 4 2 4 5 5 ala 4 2 3 2 ati 5 1 2 2 ir 3 2 3 1

5
6 7

1
5 2

2
5 3

2
4 3

1
1 2

4
5 3

5
5 4

2
2 3

2
3 4

2
3 3

Langkah-Langkah Analisis

1. Masukkan data ke dalam SPSS. Tampak di layar:

2. Dari menu utama, pilih analyze, lalu scale, kemudian klik multidimension scaling

3. Pada dialog box yang muncul, masukkan semua variabel ke dalam ruang variables. Pastikan Anda memilih data are distance dan shape rectangular. Akan tampil di layar sebagai berikut:

4. Pada dialog box, klik model, lalu muncul dialog box:

5. Pada level of masurement pilih interval, sesuai jenis data yang dianggap interval. Lalu, pada conditionality, pilih row. Maksudnya, jika ingin dibandingkan, perbandingan hanya bisa dilakukan antar kolom, tidak bisa antar baris. 6. Klik continue untuk kembali ke dialog box utama. :

7. Pada dialog box utama, klik options, lalu minta group plots agar program memberikan perceptual map. Kemudian klik continue.

8. Agar program SPSS bekerja, klik OK. SPSS akan memberikan hasil (output). Namun, yang ditampilkan pada kesempatan ini hanya peceptual map.

Interpretasi Perceptual Map

Kedekatan setiap merek dengan vektor atribut atau poin ideal setiap responden

Sumber: Simamora, B (2005) dengan pengolahan

Sumber: Simamora, B (2005) dengan pengolahan

II. Multidimensional Scaling NonAttribute-Based

Approach

Similarity
Kesamaan (similarity) mengukur kesamaan rasa dari dua objek di mata responden. (Aaker, 2011)

kesamaan dapat diukur dengan dua cara, yaitu cara langsung (direct measures) dan cara tidak langsung (derivied measures). (Malhotra, 2004)

II. Multidimensional Scaling NonAttribute-Based

Approach

Preference
Pendekatan ini menggunakan pendekatan objek ideal, dimana ini merupakan salah satu hal yang lebih disukai oleh pelanggan dibanding yang lainnya. (Aaker, 2011)

II. Multidimensional Scaling NonAttribute-Based

Approach

Preference
Model Compensatory Paired Comparison Cara ini dilakukan dengan membandingkan objek-objek secara berpasangan
preferensi diperoleh secara tidak langsung, yaitu melalui rumus: P = wi.rji Dimana: P = Preferensi wi = Bobot atribut ke-i rji = Peringkat merek ke-j pada atribut ke-i

Direct Judgement Cara ini dilakukan dengan meminta responden untuk membuat peringkat sekumpulan merek sesuai dengan tingkat kecenderungan responden memilihnya

Simamora (2005)

III. Conjoint Analysis

1. Definition
2. Perceptual Map

3. MDS: Attribute Based

Approach

4. MDS: Non Attribute

Based Approach

II. Conjoint Analysis Analisis konjoin adalah suatu teknik di mana nilai yang diberikan responden pada setiap atribut disimpulkan dari preferensi yang mereka ekspresikan terhadap berbagai kombinasi atribut. (Churchill, 2005)

Definition

II. Conjoint Analysis -

Application

Mengukur kepentingan relatif dari atribut-atribut pada proses keputusan konsumen

Application

Mengestimasi pangsa pasar dari brand yang berbeda pada level atribut-atributnya
Mengukur komposisi dari brand yang paling disukai Mengelompokkan pasar berdasarkan kesamaan (similarity) dari preferensipreferensi untuk level masingmasing atribut

II. Conjoint Analysis - Conducting Conjoint Analysis

Formulasi masalah Membangun objek (stimuli) Memutuskan bentuk data input Memilih prosedur analisis konjoin Interpretasi hasil Mengukur reliabilitas dan validitas
Sumber: Malhotra (2004)

II. Conjoint Analysis Example

Conducting Conjoint Analysis

Dalam suatu penelitian, dipastikan bahwa atribut-atribut teh botol adalah rasa, isi, dan harga.
Atribut
Rasa 3 2 1

Level
Manis Pahit-Manis Pahit

Isi

3
2 1

Botol Kecil
Botol Sedang Botol Besar Rp 1500

Harga

2
1

Rp 2000
Rp 2500

Tabel Kombinasi-Kombinasi Rasa, Volume Botol, dan Harga yang ditanyakan

No 1 2 4 5 8 9 10 11 Rasa Manis Manis Manis Manis Manis Manis Manis-Pahit Manis-Pahit Botol Kecil Kecil Sedang Sedang Besar Besar Kecil Kecil Harga Rp 1.500 Rp 2.000 Rp 1.500 Rp 2.000 Rp 2.000 Rp 2.500 Rp 1.500 Rp 2.000 4 11 2 9 3 12 13 8 Preferensi

Ranking
15 8 17 10 16 7 6 11

Skor

13
14 17 18 19 20 22 23 26

Manis-Pahit
Manis-Pahit Manis-Pahit Manis-Pahit Pahit Pahit Pahit Pahit Pahit

Sedang
Sedang Besar Besar Kecil Kecil Sedang Sedang Besar

Rp 1.500
Rp 2.000 Rp 2.000 Rp 2.500 Rp 1.500 Rp 2.000 Rp 1.500 Rp 2.000 Rp 2.000

7
10 1 14 5 18 6 17 15

12
9 18 5 14 1 13 2 4

Dalam analisis konjoin, model yang diestimasi adalah: Y = b0 + b1X1 + b2X2 + b3X3 + .... Dimana: X1, X2, X3 = Variabel dummy yang mewakili atribut Jika ada n kategori, jumlah variabel dummy adalah n-1 Sehingga model yang diestimasi untuk contoh teh botol adalah: Y = b0 + b1X1 + b2X2 + b3X3 + b4X4 + b5X5 + b6X6 Dimana: X1, X2 = Variabel dummy mewakili rasa X3, X4 = Variabel dummy mewakili isi X5, X6 = Variabel dummy mewakili harga

Rasa
Level Manis Pahit-Manis Pahit X1 1 0 0 X2 0 1

Pengkodean

Harga
Level X1 1 0 0 X2 0 1 0

0 Rp 1.500

Isi
Level Kecil Sedang X1 1 0 X2 0 1

Rp 2.000 Rp 2.500

Besar

Penyajian Data
No 1 2 4 5 8 9 10 11 1 1 1 1 1 1 0 0 X1 0 0 0 0 0 0 1 1 X2 1 1 0 0 0 0 1 1 X3 0 0 1 1 0 0 0 0 X4 1 0 1 0 0 0 0 1 X5 0 1 0 1 1 0 1 0 X6 4 11 2 9 3 12 13 8 Preferensi Ranking 15 8 17 10 16 7 6 11 Skor (Y)

13
14 17 18 19 20 22 23 26

0
0 0 0 0 0 0 0 0

1
1 1 1 0 0 0 0 0

0
0 0 0 1 1 0 0 0

1
1 0 0 0 0 1 1 0

1
0 0 0 1 0 1 0 0

0
1 1 0 0 1 0 1 1

7
10 1 14 5 18 6 17 15

12
9 18 5 14 1 13 2 4

Regresi dengan Program SPSS

1. Buka program SPSS, kemudian ketikkan data. Terlihat pada layar, seperti tampilan di bawah ini

2. Pada menu utama, pilih analyze, kemudian regression,lalu klik linear, kemudian akan terlihat tampilan di bawah ini

3. Masukkan variabel Y ke dalam kolom dependent dan semua variabel X ke dalam kolom independent 4. Hasil

Thank You