Vous êtes sur la page 1sur 3

Penalty analysis

Tambin sirve para determinar riesgos y potencialidades ante cambio de caractersticas del producto pero trabaja con las escalas Bipolares (Demasiado Fuerte - Demasiado Suave, por ejemplo). Refleja como se penaliza el overall liking en el caso que haya ms gente que lo encuentran demasiado dbil o demasiado fuerte versus los que lo encuentran correcto. Penalty effect: cunto esta bajando la media del overall liking por el hecho de ser demasiado fuerte o demasiado suave.

Los atributos deberan de obtener puntuaciones superiores a 75% en correcto para estar OK.

Los extremos deben de tener puntuaciones superiores al 20% para ser considerados relevantes.
Las diferencias entre los extremos deben de ser superiores al 10%: eso nos indicar la direccin del cambio a introducir. Para ser considerado relevante, el penalty effect debe de ser superior a 0.75 puntos

Pasos a seguir
Se toma la pregunta de evaluacin general despus de probar/usar el producto Se hace con los atributos preguntados en escalas de intensidad (Mucho mas claro de lo que me gusta-Mucho mas obscuro de lo que me gusta) y se recodifican estas escalas a 3 grupos
1 y 2 = grupo 1 (Dbil) 3 = grupo 2 (Justo) 4 y 5 = grupo 3 (Fuerte)

Se corre la pregunta de evaluacin general vs las preguntas de intensidad en escala Se pide promedio por grupo
P.16 QUE TANTO LE GUSTO LA BEBIDA LIGHT QUE ACABA DE PROBAR...?

(TWX) actual

grupos p.13 Intensidad del color de la bebida I (1,2) 65 9 8 40 37 6 43 17 3.2 2.8 1 II 3 113 8 20 62 10 72 8 3.7 3.3 0.7 III (4,5) 22 9 32 45 14 59 9 3.6 3.2 0.8

(ZLK) nueva

Grupos p.13 Intensidad del color de la bebida I (1,2) 56 5 20 38 32 5 38 25 3.1 2.7 1 II 3 124 1 4 25 61 9 70 5 3.7 3.3 0.7 III (4,5) 20 5 10 30 50 5 55 15 3.4 3.1 0.9

BASE (1) NADA (2) POCO (3) REGULAR (4) MUCHO (5) MUCHISIMO (MUCHO/MUCHISIMO) (POCO/NADA) PROMEDIO(ESCALA DE 1 A 5) MEDIANA DESVIACION ESTANDAR

200 3 8 28 52 9 61 11 3.6 3.2 0.9

200 3 9 29 52 8 60 12 3.5 3.2 0.9

Para graficar se toman los datos del banner normal juntando los datos de
Mucho ms /claro = DEBIL Justo como me gusta Mucho ms obscuro / obscuro= Fuerte

El dato de predicted Mean es el promedio del justo (grupo 2) 3.7 Penalty effect es la resta del promedio justo el promedio de los extremos
Dbil 3.7 - 3.2 =0.50 Fuerte 3.7 3.6 = 0.10

Penalty analysis
%
COLOR

Penalty Effect 0.5

Predicted Mean 3.7

Penalty Effect 0.1

Penalty Effect 0.6

Predicted Mean 3.7

Penalty Effect 0.3

32
1.1

57
4.0

11
1.2

COLOR

28
1.0

62
3.9

10
0.8

SABORA ACOLA

26
0.8

64
3.8

10
0.7

SABORA ACOLA

24
0.8

64
3.8

12
0.9

AROMA

25
0.9

66
3.8

9
0.6

AROMA

22
1.1

71
3.9

7
0.7

DULZOR

16
0.8

69
3.8

15
0.8

DULZOR

20
0.7

65
3.7

14
0.5

ACIDEZ

17
0.3

72
3.7

11
0.3

ACIDEZ

21
0.4

70
3.7

9
0.6

GAS

18
0.6

66
3.7

16
0.6

GAS

19
0.6

68
3.7

13
0.9

CONSISTENCIA

20

74

6
Dbil Justo

CONSISTENCIA

16

78

Fuerte