Als Vorreiter auf dem Gebiet der Wahlmodellierung und bevorzugter Partner von Sawtooth Software, dem weltweit führenden Anbieter von Conjoint-Software, sind wir stolz darauf, auf der Sawtooth Software 2019 Conference in San Diego, Kalifornien, zwei praxisorientierte Tutorials zu veranstalten und drei inspirierende Vorträge zu den Themen Conjoint-Innovationen, Datenfusion und Datenqualität zu halten:
Montag, 23. September | 8:00 – 12:00 Uhr
Remco Don, Manager
Jeroen Hardon, Vizepräsident und Standortleiter Hoboken
Zwar ist die Theorie der Conjoint-Analyse sehr wichtig und wird auf der Sawtooth-Konferenz ausführlich diskutiert, doch möchten wir in diesem Workshop einen praxisorientierten Ansatz verfolgen und Sie durch eine komplette CBC-Studie führen. Wir werden jeden einzelnen Schritt durchgehen, einschließlich Datenumkodierung, Zählwerte, Logit, Latent Class und HB. Bei jedem dieser Schritte zeigen wir Ihnen Tipps und Tricks, wie Sie das Beste aus Ihren Daten herausholen können. Wie modellieren Sie die Daten, wie interpretieren Sie die Ergebnisse und worauf sollten Sie besonders achten? All dies wird anhand eines realen Datensatzes unter Verwendung der Lighthouse-Software erörtert.
Montag, 23. September | 13:00 – 17:00 Uhr
Jeroen Hardon, Vizepräsident und Standortleiter Hoboken
Kevin Lattery, Vizepräsident für Methodik und Innovation
Manchmal reichen Standardverfahren nicht aus, um die jeweiligen Forschungsfragen zu beantworten, und man muss von den ausgetretenen Pfaden abweichen. Die Referenten möchten Sie zu diesem vierstündigen Tutorial über fortgeschrittene Anwendungen in CBC und MaxDiff einladen. Dabei werden eine Reihe anspruchsvoller und interessanter Erweiterungen der Wahlmodellierung behandelt, darunter:
Mittwoch, 25. September | 14:15 – 15:00 Uhr „
“
Marco Hoogerbrugge, Forschungsleiter
In CBC-Studien wird die Root-Likelihood (RLH) häufig als ausreichender Indikator für die Qualität der Conjoint-Daten herangezogen. In diesem Vortrag werden wir erörtern, warum dies nicht ausreicht, ein verbessertes Verfahren zur (konzeptionellen) Bewertung der Qualität der Conjoint-Daten vorstellen und verschiedene Varianten des neuen Verfahrens miteinander vergleichen.
Donnerstag, 26. September | 14:30 – 15:00 Uhr
Faina Shmulyian, Methodik-Managerin
In Kategorien wie Technik und Innovation, Reisen oder Luxusgüter verbringen Verbraucher oft viel Zeit damit, Produkte oder Angebote abzuwägen, bevor sie eine Kaufentscheidung treffen. Während dieser Zeit können die Präferenzen der Verbraucher durch Werbung, soziale Medien, sozioökonomische Prozesse oder den Einfluss von Familie und Freunden beeinflusst werden. Wir werden einen Ansatz skizzieren und erörtern, der ein standardmäßiges wahlbasiertes Conjoint-Verfahren mit dynamischer Wahlmodellierung kombiniert, wodurch externe Effekte berücksichtigt werden können und genauere Prognosen möglich sind.
Donnerstag, 26. September | 15:30 – 16:15 Uhr
Kevin Lattery, Vizepräsident für Methodik und Innovation
Bei der Datenfusion werden mehrere Datensätze im Zusammenhang miteinander analysiert. Wir beschreiben drei allgemeine analytische Ansätze zur Datenfusion: mehrstufige Datenfusion, Datens stapelung/Ergänzung und strukturierte Modellierung. Diese Ansätze können unabhängig voneinander oder gemeinsam in verschiedenen Datenfusionskontexten eingesetzt werden. Zu diesen Datenfusionskontexten gehören gängige Anwendungen wie „Anchored MaxDiff“, „Dual Response None“ und ACBC. Wir beschreiben die Datens stapelung in diesen gängigen Anwendungen und stellen ein alternatives strukturiertes Modell vor, das auf einer flexiblen hierarchischen Bayes-Vorlage basiert.
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.