TURF Analysis
TURF (Total Unduplicated Reach and Frequency) Analysis adalah teknik analisis yang digunakan di riset pemasaran untuk memaksimalkan pencapaian dan frekuensi yang tidak ganda/duplikasi dari sebuah lini produk dan meminimalkan kedalaman lini produk.
TURF digunakan untuk menentukan apa yang memotivasi konsumen untuk membeli produk tertentu. Hal ini pada gilirannya dapat membantu perusahaan menentukan produk dan/atau jasa yang ditawarkan, dan apa yang tidak perlu ditawarkan.
Teknik ini awalnya digunakan oleh para media planner yang berusaha membangun pencapaian iklan di kendaraan (cetak, broadcast, dll) tanpa duplikasi penonton. Sekarang, TURF sering digunakan untuk memilih lini produk, bundel rasa, warna, aroma, ukuran paket, dll, untuk ditawarkan kepada pembeli potensial.
Tujuan dari analisis TURF adalah untuk mengidentifikasi portofolio produk yang efisien. Secara khusus, TURF:
- Memaksimalkan jumlah konsumen tidak duplikasi yang akan menemukan barang-barang favorit mereka di lini produk.
- Meminimalkan bauran produk tetapi tetap menjaga konsumen tidak duplikasi secara maksimum.
- Mencari nilai penambahan ke baris penuh yang disumbangkan oleh masing-masing produk tambahan yang mungkin.
TURF adalah analisis sekuensial, dalam setiap langkahnya bertujuan untuk menemukan produk yang proporsi pencapaiannya terbesar dari pasar yang masih tidak terjangkau.
Design
Input data untuk analisis TURF paling sering satu set pertanyaan preferensi produk diminta dari responden. Format bervariasi, tetapi beberapa jenis yang umum adalah:
- Skala kemungkinan keinginan membeli (Purchase Intent Likelihood Scale) : Untuk setiap produk berikut apakah Anda ‘pasti akan membeli’ (definitely buy), ‘mungkin membeli’ (probably buy), ‘mungkin atau mungkin tidak membeli’ (might or might not buy), ‘mungkin tidak membeli’ (probably not buy) atau ‘pasti tidak membeli’ (definitely not buy)?
- Skala keinginan (Desirability scale): Beri rating 6 item berikut pada skala dari 1 sampai 6, dimana skala 1 merupakan produk yang paling disukai dan skala 6 yang paling tidak disukai.
- Daftar pesanan (Ordered list): Jika Anda hanya boleh memilih paling banyak 3 pilihan ekstra, yang mana saja itu?
Kunci untuk merancang sebuah studi yang akan mencakup analisis TURF adalah bahwa semua responden harus mengevaluasi semua produk. Selain itu, survei harus mengumpulkan demografi dasar dan frekuensi dan jumlah pembelian.
Teladan
Diuraikan di bawah ini, langkah-langkah untuk menjalankan analisis TURF. Misalkan 300 responden menilai kemungkinan mereka untuk membeli empat produk yang berbeda. Jawaban ‘Pasti akan membeli’ digunakan untuk analisis TURF dan hasilnya pada tabel berikut.
| Tabel 1 | ||||
| Produk | Awal | Kenaikan 1 | Kenaikan 2 | Kenaikan 3 |
| Produk 1 | 62% | |||
| Produk 3 | 20% | 19% | ||
| Produk 4 | 38% | 13% | 4% | |
| Produk 2 | 51% | 9% | 3% | 1% |
| Capaian kumulatif | 62% | 81% | 85% | 86% |
Kita dapat menginterpretasikan hasil dari tabel di atas sebagai berikut:
- Produk 1 mencapai 62% dari responden, yaitu 62% dari responden mengatakan bahwa mereka pasti akan membeli itu. Jumlah persentase keseluruhan awal empat produk menghasilkan total lebih dari 100%. Hal ini karena ada kemungkinan bahwa orang yang mengklaim bahwa mereka pasti akan membeli produk 1 juga mengklaim bahwa mereka pasti akan membeli Produk 2 dan 3. Dengan kata lain, yang dicapai dengan salah satu produk yang mungkin telah dicapai oleh banyak orang lain.
- Karena Produk 1 memiliki jangkauan yang tertinggi pertama di sini kita akan mengasumsikan bahwa itu adalah pilihan terbaik untuk produk pertama di dalam bauran. Jadi, capaian kumulatif awal dengan satu produk di dalam bauran adalah 62%.
- Produk 3 mencapai suatu tambahan 19% responden tidak terjangkau oleh Produk 1. Persentase awal 3 lebih rendah dari Produk 2 dan 4. Setelah orang-orang yang mengatakan bahwa mereka yang pasti akan membeli Produk 1 dihilangkan, capaiannya lebih besar dari capaian Produk 2 dan 4.
- Produk 1 dan 3 bersama-sama mencapai (62% + 19%) = 81% responden.
- Jika kita menambahkan produk ketiga untuk baris, Produk 4 akan menjadi pilihan terbaik kita. Namun, hanya mencapai tambahan 4% responden yang belum dijangkau oleh Produk 1 dan 3.
- Pencapaian maksimum dari seluruh empat produk adalah sebesar 86% dari responden.
Penentuan Produk terbaik
Langkah pertama adalah untuk mencari produk yang terbaik di antara semua responden. Jawaban ‘Pasti akan membeli’ diringkas dalam Tabel 2, di bawah ini.
| Tabel 2 | ||||
| Base: Total respondents (n = 300) | ||||
| Produk | Produk 1 | Produk 2 | Produk 3 | Produk 4 |
| Total | 300 | 300 | 300 | 300 |
| Pasti akan membeli | 186 | 153 | 60 | 114 |
| 62% | 51% | 20% | 38% | |
Produk terbaik adalah Produk 1, dengan 186 responden (62%) menunjukkan bahwa mereka pasti akan membeli. Melihat Tabel 2, terlihat bahwa Produk 2 merupakan produk kedua yang terbaik. Perlu diingat, bahwa adalah mungkin bahwa 153 responden yang mengatakan mereka pasti akan membeli Produk 2 juga merupakan bagian dari kelompok yang mengatakan mereka pasti akan membeli Produk 1. Jika ini terjadi, menambahkan Produk 2 ke bauran tidak akan memiliki efek apapun pada peningkatan pencapaian tidak duplikasi.
Untuk mencari pencapaian tidak duplikasi, kita kaji responden yang tidak terjangkau oleh Produk 1. Untuk melakukan hal ini, kita hilangkan 186 responden yang pasti akan membeli Produk 1 dari base dan membuat lagi data tabel. Hasilnya ditunjukkan dalam Tabel 3, di bawah ini.
| Tabel 3 | ||||
| Base: Responden yang bukan pasti akan membeli produk 1 (n = 114) | ||||
| Produk | Produk 1 | Produk 2 | Produk 3 | Produk 4 |
| Total | 114 | 114 | 114 | 114 |
| Pasti akan membeli | 0 | 26 | 58 | 39 |
| 0% | 23% | 51% | 34% | |
Produk terbaik untuk base yang telah dikurangi responden yang pasti akan membeli Produk 1 adalah Produk 3, dengan 58 responden (51%) menunjukkan bahwa mereka pasti akan membeli itu. Dengan menambahkan Produk 3 pada baris produk, kita temukan penambahan capaian adalah (58/300) = 19%. Dengan memilih Produk 1 dan 3, kita mencapai (186 + 58) / 300 = 81% responden.
Langkah selanjutnya adalah menguji responden yang tidak terjangkau oleh Produk 1 atau Produk 3. Untuk melakukan hal ini, kita hilangkan 186 responden yang pasti akan membeli Produk 1 dan 58 responden yang pasti akan membeli Produk 3 dari base dan membuat lagi data tabel. Hasilnya ditunjukkan dalam Tabel 4 di bawah ini.
| Tabel 4 | ||||
| Base: Responden yang bukan pasti akan membeli produk 1 atau produk 3 (n = 56) | ||||
| Produk | Produk 1 | Produk 2 | Produk 3 | Produk 4 |
| Total | 56 | 56 | 56 | 56 |
| Pasti akan membeli | 0 | 8 | 0 | 12 |
| 0% | 14% | 0% | 21% | |
Produk terbaik untuk base yang telah dikurangi responden yang pasti akan membeli Produk 1 atau Produk 3 adalah Produk 4, dengan 12 responden (21%) menunjukkan bahwa mereka pasti akan membeli itu. Dengan memilih Produk 1, 3, dan 4 kita dapatkan 186 + 58 + 12 = 256 responden (85%).
Akhirnya, kita periksa responden yang tidak terjangkau oleh Produk 1, Produk 3, atau Produk 4. Untuk melakukan hal ini, kita hilangkan 186 responden yang pasti akan membeli Produk 1, 58 responden yang pasti akan membeli Produk 3, dan 12 responden yang pasti akan membeli Produk 4 dari base dan membuat lagi data tabel. Hasilnya ditunjukkan dalam Tabel 5 di bawah ini.
| Tabel 5 | ||||
| Base: Responden yang bukan pasti akan membeli Produk 1, Produk 3, atau produk 4 (n = 44) | ||||
| Produk | Produk 1 | Produk 2 | Produk 3 | Produk 4 |
| Total | 44 | 44 | 44 | 44 |
| Pasti akan membeli | 0 | 2 | 0 | 0 |
| 0% | 5% | 0% | 0% | |
Karena Produk 2 adalah satu-satunya produk tersisa, maka hal itu merupakan produk terbaik yang terakhir dengan 2 responden (5%) yang menunjukkan bahwa mereka pasti akan membeli itu. Dengan masuknya 4 produk tersebut, kemudian, kita mendapatkan 186 + 58 + 12 + 2 = 258 responden (86%). Tidak ada kombinasi dari empat produk yang akan menghasilkan jangkauan yang lebih tinggi dari 86%.
Jika tujuan kita adalah untuk memilih dua produk sehingga memaksimalkan jangkauan kita, kita akan memilih Produk 1 dan 3. Jika tujuan kita adalah untuk memilih tiga produk sehingga memaksimalkan jangkauan kita, kita akan memilih Produk 1, 3, dan 4.
Dalam prakteknya, ketika ada banyak produk, perbedaan antara yang ‘solusi’ optimal dan solusi terbaik mungkin sangat kecil. Oleh karena itu, kita biasanya menjalankan proses yang sama beberapa kali, setiap kali dengan asumsi bahwa salah satu produk lainnya adalah ‘terbaik’. Ini memungkinkan analisis sensitivitas dari hasilnya.
Keterbatasan dan kelebihan
TURF adalah berguna dan alat yang umum digunakan, namun beberapa poin yang harus diingat ketika menggunakan atau menafsirkan hasil dari analisis TURF. TURF membuat asumsi bahwa sekali konsumen puas dengan produk spesifik mereka tidak akan lagi mencari variasi dalam kategori produk tersebut. Asumsi ini mungkin membatasi untuk beberapa kategori produk , dimana untuk pencarian substansial yang berbeda. Selain itu, TURF tidak membuat asumsi tentang frekuensi atau jumlah penggunaan. Ia tidak membedakan antara orang yang akan ‘pasti membeli’ produk dua kali seminggu dan orang yang akan ‘pasti membeli’ produk sebulan sekali. Inilah sebabnya mengapa ‘frekuensi menggunakan’ pertanyaan yang disebutkan sebelumnya dapat berharga. Menggunakan data dari pertanyaan-pertanyaan sebagai bobot akan memungkinkan untuk estimasi yang lebih baik dari potensi volumetrik baris.
Secara keseluruhan, hasil TURF relatif sederhana untuk memahami dan menafsirkannya. TURF adalah teknik yang berguna untuk menganalisis lini produk yang ada serta menambah dan mengembangkan lini produk baru.
Pancoran, 07 Juni 2010
Mang Dudi
