Am 27. und 28. Juni stellten wir auf dem viertägigen „Advanced Research Techniques (ART) Forum 2017“, das von der American Marketing Association (AMA) veranstaltet wurde, zwei verschiedene Themen zu „Preference Based Conjoint“ und „Iterative Multilevel Empirical Bayes (IMEB)“ vor.
Vom Datenwissenschaftler über Marketingfachleute bis hin zu Wissenschaftlern – das ART-Forum ist eine Veranstaltung, auf der Sie ein Netzwerk von Kollegen finden, die sich ernsthaft mit der Entwicklung von Tools beschäftigen, mit denen sich die Probleme der nächsten Generation im Bereich Marketing lösen lassen.
Unser Direktor für Methodik und Innovation EU, Jeroen Hardon, und unser Forschungsdirektor, Marco Hoogerbrugge, hielten einen Vortrag zum Thema „Präferenzbasierte Conjoint-Analyse: Lässt sich damit Dutzende von Produkten vorhersagen?“. Im Rahmen des zweiten Vortrags präsentierte unser Vizepräsident für Methodik und Innovation, Kevin Lattery, das Thema „Iterative Multilevel Empirical Bayes (IMEB): Eine effiziente, flexible und robuste Lösung für groß angelegte Conjoint-Analysen“.
Referenten: Jeroen Hardon und Marco Hoogerbrugge
https://www.slideshare.net/SKIMgroup/big-simulators-with-dozens-of-products-which-conjoint-method-is-most-suitable-at-art-forum-2017
Die Conjoint-Analyse wird häufig für sehr komplexe Märkte mit einer großen Anzahl von Merkmalen und Produkten eingesetzt. Im Idealfall sollten wir die Komplexität des realen Marktes bei der Konzeption der Conjoint-Umfrage so gut wie möglich nachbilden.
Obwohl wir bereits in der Vergangenheit nachgewiesen haben, dass mehr Realitätsbezug zu besseren Vorhersagen führt, ist dies nicht immer umsetzbar. Insbesondere wenn es eine ganze Reihe von Merkmalen gibt, können wir in einer einzelnen Aufgabe nicht zu viele Konzepte darstellen, da dies zu einer Informationsüberflutung für den Befragten führen würde.
Die zentrale Frage dieser Präsentation bestand darin, zu untersuchen, inwieweit die Diskrepanz zwischen der Anzahl der Konzepte in einer Aufgabe (3 oder 4) und der Anzahl der Produkte im Conjoint-Simulationsmodell (20 oder 50) die Ergebnisse der Studie beeinflussen könnte, und zwar durch einen Vergleich von CBC, ACBC und PBC (präferenzbasiertes Conjoint-Verfahren).
Moderator: Kevin Lattery
https://www.slideshare.net/SKIMgroup/iterative-multilevel-empirical-bayes-imeb-an-efficient-flexible-and-robust-solution-for-large-scale-conjoint
Der typische Ansatz bei der Conjoint-Analyse nutzt hierarchische Bayes-Verfahren mit Gibbs-Sampling, um über eine multivariate Normalverteilung der übergeordneten Ebene zu integrieren. Dies funktioniert gut bei kleinen bis mittelgroßen Datensätzen, kann jedoch bei vielen Parametern unzureichend oder unpraktisch sein.
Wir haben einen Ansatz beschrieben, bei dem die obere Prior-Verteilung auf der Grundlage der Daten (daher „Empirical Bayes“) und der Kreuzvalidierung eines Skalenparameters festgelegt wird. Durch diese festgelegte Prior-Verteilung entfallen die MCMC-Iterationen, wodurch der Ansatz wesentlich schneller ist als das Standard-HB-Verfahren. Der Empirical-Bayes-Ansatz vermeidet zudem Probleme wie unzureichende Konvergenz und falsche Skalierung, die bei MCMC auftreten können.
Wir haben außerdem einige der zusätzlichen Flexibilitätsmöglichkeiten dieses Ansatzes beschrieben, darunter die Anpassung auf Ebene der Befragten sowie die Möglichkeit, Nutzenwerte für weitere Befragte problemlos zu schätzen.
Erfahren Sie, wie eine etablierte Biermarke ihre Preis- und Vertriebsstrategien optimierte, um auf einem afrikanischen Markt ein zweistelliges Wachstum zu erzielen.
Wie Erkenntnisse über Patientenpräferenzen dazu beitrugen, den Wert der Prävention von Infektionskrankheiten über die klinischen Ergebnisse hinaus aufzuzeigen.
Ein dynamisches Prognosemodell half einem Kunden aus dem Gesundheitswesen dabei, Entscheidungen hinsichtlich Markteinführung, Preisgestaltung und Marktzugang mit größerer Sicherheit zu treffen.
Erfahren Sie, wie E.ON Next mithilfe von Erkenntnissen aus der Verhaltensforschung eine stärkere Markendifferenzierung jenseits des Preises erreicht hat.