Product Research with Conjoint Analysis¶

Sulitnya melakukan riset¶

Riset fitur dalam pengembangan produk sangat krusial. Ketika Anda mengetahui fitur yang pas untuk customer, maka customer akan senang dan membeli produk Anda. Namun melakukan riset tersebut tidaklah mudah.

Mari kita simulasikan riset sederhana dengan mengajukan pertanyaan tentang sentimen customer terhadap pilihan feature dalam kasus pengembangan bootcamp.

Customer tidak selalu paham kebutuhannya

Berapa lama waktu belajar ideal yang Anda butuhkan untuk persiapan kerja?
a) 2 Bulan
b) 8 Bulan
c) 12 Bulan

Pertanyaan ini diajukan untuk menentukan fitur durasi belajar bootcamp. Customer sangat mungkin memilih opsi (A) karena itu durasi waktu tersingkat yang ada dalam pilihan. Jawaban pertanyaan tersebut bisa bias.

Jawaban customer bisa tidak konsisten

Berapa lama waktu yang Anda habiskan untuk persiapan kerja tiap minggu-nya?
a) 2 jam/minggu
b) 8 jam/minggu
c) 12 jam/minggu

Apa harapan Anda setelah mengikuti bootcamp?
a) Tambah skill
b) Ganti karir

Berapa gaji yang Anda harapkan di karir Anda setelah mengikuti bootcamp?
a) 5-10 juta
b) 10-15 juta
c) di atas 15 juta

Apabila pertanyaan sebelumnya dilanjutkan dengan 3 pertanyaan di atas, Anda bisa mendapatkan jawaban (A) 2 jam/minggu, (B) Ganti karir, dan (C) di atas 15 juta dari customer karena 3 jawaban tersebut yang sangat menguntungkan bagi customer.

Apabila Anda rangkum hipotesa pilihan jawaban customer tadi, Anda dapatkan customer ingin

Ganti karir
Yang gajinya di atas 15 juta
Dengan persiapan belajar 2 bulan saja
Dengan komitmen belajar 2 jam/minggu

Suatu hal yang sulit diimplementasikan ke dalam product karena keinginan customer tinggi namun usaha customer tidak sebanding. Apabila simpulan riset seperti itu, tentu tidak bisa dijadikan acuan sebagai fitur produk karena tidak masuk akal.

Sederhananya, ada 2 hal yang bisa dilakukan

Perbaiki pertanyaan dalam riset produk, cari pertanyaan yang jawabannya tidak obvious
Gunakan metode riset lain

Tanyakan pilihan sulit: Conjoint Analysis¶

Bertanya 1 fitur dalam 1 pertanyaan akan sangat mudah membuat customer menjawab hal yang obvious, bagaimana kalau Anda bertanya kombinasi beberapa fitur dalam 1 pertanyaan?

	Opsi A	Opsi B
Durasi belajar	8 bulan	12 bulan
Target karir	Tambah skill	Ganti karir
Target gaji	5-10 juta	di atas 15 juta

Pertanyaan di atas akan meminta customer untuk menimbang-nimbang keuntungan yang didapat dari kombinasi beberapa fitur sehingga

mengurangi potensi customer menjawab hal obvious
dapat membantu analis mencari fitur mana yang penting dari user

Ini adalah contoh sederhana melakukan conjoint analysis. Lecture berikut dapat menjabarkan dengan baik conjoint analysis.

Melakukan Conjoint Analysis¶

Berikut tahapan melakukan analisa

Membuat survey conjoint
Menentukan responden
Menganalisa hasil survey menggunakan logistic regression

Membuat Survey Conjoint¶

Dokumen Sawtooth - CBC technical paper dapat Anda jadikan sebagai referensi dalam pengembangan survey. Anda bisa siapkan beberapa atribut & karakter fitur yang ingin diuji sentimennya. Contoh

Atribut	Karakter
Durasi belajar	- 2 bulan - 8 bulan - 12 bulan
Target karir	- Tambah skill - Ganti skill
Target gaji	- 5-10 Juta - 10-15 juta - > 15 juta

Dalam CBC, Anda akan menyiapkan pertanyaan berupa kombinasi seluruh atribut dan karakter tersebut

No.	Durasi Belajar	Target Karir	Target Gaji
1	2 bulan	Tambah skill	5-10 juta
2	2 bulan	Tambah skill	10-15 juta
3	2 bulan	Tambah skill	>15 juta
4	2 bulan	Ganti skill	5-10 juta
5	2 bulan	Ganti skill	10-15 juta
...	...	...
18	12 bulan	Ganti skill	>15 juta

Berarti dalam survey, Anda akan memiliki 18 pertanyaan yang dilempar ke customer. Anda bisa rangkum ke dalam 6 pertanyaan apabila Anda memiliki 3 opsi di dalam 1 pertanyaan.

	Opsi A	Opsi B	Opsi C
Durasi belajar	8 bulan	12 bulan	2 bulan
Target karir	Tambah skill	Ganti karir	Tambah skill
Target gaji	5-10 juta	di atas 15 juta	>15 juta

Menentukan Responden & Menjalankan Survey¶

Sesuaikan dengan karakter target market. Agar hasil analisa cukup general, Anda bisa menyeimbangkan proporsi responden berdasarkan

Status pekerjaan
Background pekerjaan
Background pendidikan
Usia

Jalankan survey sesuai dengan kebutuhan.

Apabila Anda ingin melakukan riset ini dengan rinci, Anda dapat mengestimasi jumlah responden berdasarkan target confidence level.
Pastikan Anda mendapatkan karakter responden yang proporsional agar hasilnya berimbang untuk masing-masing karakter responden

Analisa Conjoint¶

Ringkasnya,

Anda akan membuat model untuk memprediksi apakah customer akan membeli produk dengan kombinasi fitur yang anda tawarkan atau tidak. Model yang digunakan adalah model klasifikasi.
Tapi Anda ingin agar model klasifikasnya dapat diinterpretasikan, sehingga Anda dapat memahami fitur mana yang punya korelasi terhadap potensi customer melakukan pembelian.

Berarti model yang Anda gunakan adalah Logistic Regression

\( \begin{align*} P(\text{buy}) = \sigma(&w_{0} + w_{1}\cdot\text{belajar 2 bulan} + w_{2}\cdot\text{belajar 8 bulan} + w_{3}\cdot\text{belajar 12 bulan} \\ & + w_{4}\cdot\text{tambah skill} + w_{5}\cdot\text{ganti karir} \\ & + w_{6}\cdot\text{gaji 5-10 juta} + w_{7}\cdot\text{gaji 10-15 juta} + w_{8}\cdot\text{gaji >15 juta}) \end{align*} \)

Saat nilai di dalam fungsi sigmoid, \(\sigma(\cdot)\), makin tinggi, maka nilai probability customer melakukan pembelian, \(P(\text{buy})\) makin tinggi. Artinya fitur dengan nilai \(w\) positif berarti fitur yang lebih dipilih karena meningkatkan \(P(\text{buy})\).

Data survey yang Anda dapatkan kira-kira seperti ini (contoh survey yang dilakukan via google form)

Timestamp	email	pertanyaan-1	pertanyaan-2	...	pertanyaan-6
xxx	ppp	A	A	...	C
xxx	qqq	B	A	...	C
xxx	rrr	A	C	...	A
...	...	...	...	...	...

Dari hasil tersebut, konversi menjadi

Email	Choice	Durasi Belajar	Target Karir	Target Gaji
xxx	1	2 bulan	Tambah skill	5-10 juta
xxx	0	2 bulan	Tambah skill	10-15 juta
xxx	0	2 bulan	Tambah skill	>15 juta
xxx	1	2 bulan	Ganti skill	5-10 juta
xxx	1	2 bulan	Ganti skill	10-15 juta
...	...	...	...
xxx	0	12 bulan	Ganti skill	>15 juta

choice pada tabel di atas menunjukkan apakah user dengan email xxx melakukan pilihan pada kombinasi fitur tersebut, 1 untuk memilih dan 0 untuk sebaliknya. Maka Anda dapat membuat model logistic regression dengan choice sebagai target yang akan diprediksi.