Los días 27 y 28 de junio presentamos dos temas diferentes sobre el análisis conjunto basado en preferencias y el método iterativo de Bayes empírico multinivel (IMEB) en el Foro de Técnicas Avanzadas de Investigación (ART) de 2017, de cuatro días de duración, organizado por la Asociación Americana de Marketing (AMA).
Desde científicos de datos hasta profesionales del marketing y académicos, el ART Forum es un evento en el que podrás encontrar una red de colegas comprometidos con el desarrollo de herramientas capaces de resolver los retos de la próxima generación en el ámbito del marketing.
Nuestro director de Metodología e Innovación para la UE, Jeroen Hardon, y nuestro director de Investigación, Marco Hoogerbrugge, presentaron una ponencia titulada «Análisis conjunto basado en preferencias: ¿puede predecir docenas de productos?». En cuanto a la segunda presentación, nuestro vicepresidente de Metodología e Innovación, Kevin Lattery, expuso «Método bayesiano empírico iterativo multinivel (IMEB): una solución eficiente, flexible y robusta para el análisis conjunto a gran escala».
Ponentes: Jeroen Hardon y Marco Hoogerbrugge
https://www.slideshare.net/SKIMgroup/big-simulators-with-dozens-of-products-which-conjoint-method-is-most-suitable-at-art-forum-2017
El análisis conjunto se utiliza a menudo en mercados muy complejos, con un gran número de atributos y productos. Lo ideal sería reproducir lo mejor posible la complejidad del mercado real en el diseño de la encuesta conjunta.
Aunque ya hemos demostrado en otras ocasiones que cuanto mayor es el grado de realismo, mejores son las predicciones, esto no siempre es factible. En concreto, cuando hay bastantes atributos, no podemos mostrar demasiados conceptos en una sola tarea, ya que esto provocaría una sobrecarga de información para el encuestado.
La cuestión clave de esta presentación consistía en comprobar en qué medida la discrepancia entre el número de conceptos de una tarea (3 o 4) y el número de productos del modelo de simulación conjunta (20 o 50) podía influir en los resultados del estudio, comparando los métodos CBC, ACBC y PBC (conjunto basado en preferencias).
Ponente: Kevin Lattery
https://www.slideshare.net/SKIMgroup/iterative-multilevel-empirical-bayes-imeb-an-efficient-flexible-and-robust-solution-for-large-scale-conjoint
El enfoque habitual del análisis conjunto utiliza el método bayesiano jerárquico con muestreo de Gibbs para integrar sobre una distribución normal multivariante de nivel superior. Esto funciona bien con conjuntos de datos de tamaño pequeño a mediano, pero cuando hay muchos parámetros puede resultar inadecuado o poco práctico.
Hemos descrito un enfoque que fija la distribución a priori del nivel superior basándose en los datos (de ahí el nombre de «Bayes empírico») y en la validación cruzada de un parámetro de escala. Esta distribución a priori fija elimina las iteraciones MCMC, lo que lo hace mucho más rápido que el método HB estándar. El enfoque de Bayes empírico también evita los problemas de convergencia insuficiente y escalado inadecuado que pueden producirse con el método MCMC.
También hemos descrito algunas de las ventajas adicionales que ofrece este enfoque, entre las que se incluyen la personalización a nivel de encuestado y la posibilidad de estimar fácilmente las utilidades de otros encuestados.
Descubre cómo una marca de cerveza consolidada optimizó sus decisiones en materia de precios y distribución para impulsar un crecimiento de dos dígitos en un mercado africano.
Cómo los datos sobre las preferencias de los pacientes contribuyeron a demostrar el valor de la prevención de las enfermedades infecciosas más allá de los resultados clínicos.
Un modelo de previsión dinámico ayudó a un cliente del sector sanitario a planificar con mayor seguridad las decisiones relativas al lanzamiento, la fijación de precios y el acceso.
Descubre cómo E.ON Next utilizó los conocimientos sobre el comportamiento para lograr una diferenciación de marca más sólida, más allá del precio.