Respuestas estratégicas para el crecimiento de los ingresos
Aprenda estrategias para combatir el comportamiento de negociación, recuperar clientes y mantener el crecimiento durante la volatilidad del mercado con información basada en datos.
Los días 27 y 28 de junio, presentamos dos temas diferentes sobre Preference Based Conjoint e Iterative Multilevel Empirical Bayes (IMEB) en el Foro de Técnicas Avanzadas de Investigación (ART) 2017, de 4 días de duración, celebrado por la American Marketing Association (AMA).
Desde científicos de datos y profesionales del marketing hasta académicos, el Foro ART es un evento en el que encontrará una red de colegas que se toman en serio el desarrollo de herramientas que puedan resolver la próxima generación de problemas en el campo del marketing.
Nuestro Director de Metodología e Innovación de la UE, Jeroen Hardon, y el Director de Investigación, Marco Hoogerbrugge, presentaron un tema sobre "Conjunción basada en preferencias: ¿Puede predecir docenas de productos?". En cuanto a la segunda presentación, nuestro Vicepresidente de Metodología e Innovación, Kevin Lattery, presentó "Iterative Multilevel Empirical Bayes (IMEB): Una solución eficaz, flexible y robusta para el análisis conjunto a gran escala".
Conclusiones de "Conjunción basada en preferencias: ¿Puede predecir docenas de productos?".
Presentadores: 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 suele utilizarse para mercados muy complejos, con un gran número de atributos y productos en el mercado. Lo ideal sería replicar lo mejor posible la complejidad del mercado existente en la realidad en el diseño del estudio conjunto.
Aunque ya demostramos en el pasado que tener más realidad mejora las predicciones, esto no siempre es factible. En particular, 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 en esta presentación era comprobar hasta qué punto la discrepancia entre el número de conceptos en una tarea (3, o 4) frente al número de productos en el modelo de simulación conjunta (20, o 50) puede influir en los resultados del estudio, comparando CBC, ACBC y PBC (conjunto basado en preferencias).
Conclusiones de "Iterative Multilevel Empirical Bayes (IMEB): Una solución eficaz, flexible y robusta para el análisis conjunto a gran escala"
Presentador: Kevin Lattery
https://www.slideshare.net/SKIMgroup/iterative-multilevel-empirical-bayes-imeb-an-efficient-flexible-and-robust-solution-for-large-scale-conjoint
El enfoque típico del análisis conjunto utiliza el Bayes Jerárquico con Muestreo de Gibbs para integrar sobre una normal multivariante de nivel superior. Esto funciona bien con datos de tamaño pequeño o mediano, pero con muchos parámetros puede resultar inadecuado o poco práctico.
Describimos un enfoque que fija la priorización de nivel superior basándose en los datos (de ahí Empirical Bayes) y en la validación cruzada de un parámetro de escala. Esta prioridad fija elimina las iteraciones MCMC, por lo que es mucho más rápida que la HB estándar. El enfoque Empirical Bayes también evita los problemas de convergencia inadecuada y escalado incorrecto que pueden producirse con MCMC.
También describimos algunas de las flexibilidades adicionales de este enfoque, incluida la personalización a nivel de encuestado y la capacidad de estimar fácilmente las utilidades para encuestados adicionales.
