Petunjuk Perancangan dan Analisis dalam Survei Conjoint Analysis (Bag. 1)
Anda pernah dengar atau berurusan dengan conjoint analysis? Metode ini adalah salah satu cara untuk mengetahui preferensi pelanggan dari sebuah produk. Sebagai ilustrasi, sebuah perusahaan pembuat ponsel sedang ingin meluncurkan sebuah produk baru. Pertanyaannya, komponen apa yang paling dicari dari sebuah ponsel? Prosesor? RAM? Penyimpanan? Kamera? Layar? Intinya, akan ada banyak kombinasi dan tentu preferensi produk dari perusahaan akan berbanding terbalik dengan pembeli.
Perusahaan ingin agar spesifikasi yang diberikan serendah-rendahnya, tapi bisa dijual dengan harga semahal-mahalnya. Sementara pengguna tentu ingin killer features, tapi harganya cuma Rp 500 perak. That’s normal.
Nah, conjoint analysis ini lahir sebagai salah satu metode untuk mengetahui preferensi tersebut. Harapannya, produsen bisa tahu berapa nilai atau harga tiap komponen berdasarkan penilaian pengguna. Mana yang paling penting dan mana yang sebetunya masih bisa dikompromikan? Dalam pos kali ini, saya akan membahas tentang salah satu varian conjoint analysis yang paling sering digunakan, yaitu choice-based conjoint analysis.
Sekadar mengingatkan, untuk materi pendahuluan, Anda bisa baca lebih banyak di sini. Dalam contoh tersebut, sebetulnya yang diberikan adalah conjoint analysis biasa yang hanya memberikan semua opsi yang mungkin, lalu meminta responden untuk mengurutkan preferensinya. Namun, di sini saya hanya akan memberikan beberapa tips dan pertimbangan saat Anda merancang pertanyaan survei choice-based conjoint analysis ini sehingga dapat menghasilkan analisis yang memadai dan valid.
Desain Pertanyaan Survei
Choice-based conjoint analysis (CBC analysis) didesain untuk meniru perilaku seseorang dalam berbelanja, dengan memberikan beberapa pilihan produk dengan berbagai kombinasi spesifikasi. Di kebanyakan referensi yang akan Anda temukan di internet, biasanya hanya ada 4–5 atribut (komponen/spesifikasi) yang digunakan untuk menggambarkan sebuah produk. Selain itu, setiap atribut hanya terdiri dari 2–3 level (variasi nilai) saja. Ini agak menyebalkan karena biasanya ada jauh lebih banyak pertimbangan perusahaan dalam merancang sebuah produk. Lalu, apa yang harus dilakukan?
Misalkan Anda akan menjual sebuah ponsel. Setelah dihitung-hitung, ternyata Anda perlu mempertimbangkan 5 atribut dengan masing-masing 2 level. Dengan asumsi bahwa setiap komponen berjalan masing-masing, e.g. Anda dapat menggunakan RAM 4GB secara penuh meski dengan CPU clock speed hanya 800 MHz, maka Anda akan punya 32 kemungkinan produk. Yes, Anda berurusan dengan kombinasi yang sifatnya eksponensial di sini.
Berdasarkan literatur yang saya baca, tidak ada yang menyatakan berapa jumlah opsi yang harus diberikan di tiap pertanyaan, i.e. apakah harus hanya 2 opsi (biner) atau bisa lebih. Sebagian hanya memberikan contoh bahwa opsinya bisa 3 atau 4, bahkan bisa menyertakan opsi untuk tidak memilih di pertanyaan tersebut jika tidak ada yang sesuai. Masalahnya, seperti yang mungkin Anda juga pelajari dalam information retrieval, batasan ini memang tidak ada yang pasti sehingga ada metrik precision at k. Demi alasan praktis, saya menyarankan Anda untuk membatasi opsinya menjadi biner saja.
Memilih Kombinasi Fitur
Oleh karena itu, penting bagi Anda untuk memilah terlebih dahulu komponen yang kira-kira menjadi paling penting. Survei pendahulu dapat dilakukan untuk mendapatkan hal ini. Anda juga bisa melakukan screening terlebih dahulu untuk mereduksi jumlah fiturnya.
Cara lain yang dapat Anda lakukan adalah dengan menggunakan fractional factorial design. Intinya, Anda hanya menggunakan sebagian kombinasi dari seluruh kombinasi yang ada, tetapi tetap bisa mempertahankan informasi penting dari masalah yang sedang ditangani. Supaya tidak terlalu bingung, sudah ada beberapa pustaka untuk melakukan hal ini, baik di R maupun Python.
Pada dasarnya, pilihan jawaban dari kombinasi yang Anda munculkan seharusnya bisa membuat pilihannya memiliki korelasi yang sekecil mungkin untuk menjamin tidak adanya confounding. Artinya, saat Anda menganalisis nanti, desainnya harus memastikan Anda tidak akan menemukan seolah-olah RAM dan warna punya pengaruh yang sama-sama besar hanya karena Anda terlalu sering memasangkan RAM 4 GB dengan warna hitam. Fractional factorial design biasanya hanya memungkinkan untuk membuat nilai korelasinya mendekati nol, tapi tidak nol.
Di samping itu, Anda perlu memperhatikan jumlah pertanyaan yang akan diberikan kepada responden. Pastikan bahwa jumlah pertanyaan lebih besar dari nilai degrees of freedom, yaitu jumlah parameter/atribut yang dapat berubah-ubah nilainya. Jika jumlahnya masih di bawah degrees of freedom, maka nilai korelasinya akan menjauh dari nol. Oleh karena itu, untuk memastikan korelasinya nol dan tidak berpusing-pusing untuk menentukan jumlah pertanyaan, Anda bisa menggunakan desain Plackett-Burman (PB).
Desain Plackett-Burman
Desain Plackett-Burman hanya dimungkinkan untuk jumlah atribut 4N-1 dan tiap atributnya hanya memiliki 2 level. Namun, desain ini menjamin untuk setiap pasang atribut Xi, setiap kombinasi nilai (-, -+, +-, ++) muncul dengan jumlah yang sama. Dengan demikian, korelasinya bisa dijamin nol.
Sebagai gambaran, jika Anda punya 3 atribut dengan masing-masing 2 level, maka Anda akan memunculkan 4 pertanyaan yang masing-masing berisi sepasang pilihan kepada pengguna. Kembali ke contoh desain ponsel, misalnya Anda punya atribut RAM, prosesor, dan resolusi kamera dengan level 2 GB/4 GB, Snapdragon 410/610, dan 12 MP/16 MP secara berurutan. Maka, pertanyaan yang diberikan kepada responden akan berupa:
- (2 GB, Snapdragon 410, 12 MP) vs (4 GB, Snapdragon 610, 16 MP)
- (2 GB, Snapdragon 610, 16 MP) vs (4 GB, Snapdragon 410, 12 MP)
- (4 GB, Snapdragon 410, 16 MP) vs (2 GB, Snapdragon 610, 12 MP)
- (4 GB, Snapdragon 610, 12 MP) vs (2 GB, Snapdragon 410, 16 MP)
Cukup mudah diikuti kan? Lagipula, desain ini jelas akan superior dibandingkan fractional factorial design biasa. Saat menganalisis nanti, saya juga akan tunjukkan bahwa metode ini memudahkan Anda untuk menginterpretasi hasilnya tanpa perlu banyak melakukan transformasi. Hanya saja Anda memang akan terbatas dalam jumlah atribut dan level.
Pertimbangan Lain
Di beberapa literatur, termasuk di contoh yang saya tunjukkan di atas, Anda mungkin akan menemukan bahwa Anda bisa saja memberikan pilihan “Tidak mau memilih” di setiap pertanyaan yang diberikan. Namun, berdasarkan pengalaman saya, ini bukan pilihan yang bijak karena toh hanya sedikit yang menggunakan pilihan ini dan ini malah menyulitkan proses analisis Anda di akhir nanti.
Satu hal lain yang tak kalah penting adalah saat Anda akan memasukkan komponen harga dalam survei Anda. Meski ada literatur yang membolehkan Anda menggunakan conditional pricing, saya tidak menyarankan Anda menggunakan metode penentuan harga dengan cara conditional pricing. Conditional pricing adalah cara penentuan harga berdasarkan penjumlahan harga tiap komponen yang membangun sebuah produk. Seperti yang mungkin sudah Anda duga, cara ini akan menyebabkan korelasi yang tinggi karena ada efek confounding yang akan mengacaukan analisis Anda.
Pernah dipublikasikan di http://tentangdata.wordpress.com tanggal 8 Mei 2018.