Conferencia de Sawtooth Software 2019

Como líder en el campo del modelado de elección y socio preferente de Sawtooth Software, líder mundial en software conjunto, estamos orgullosos de organizar 2 tutoriales prácticos y presentar 3 ponencias inspiradoras sobre innovaciones conjuntas, fusión de datos y calidad de datos en la Conferencia Sawtooth Software 2019 en San Diego, California:

Tutoriales previos a la conferencia

Ejecutar un proyecto Conjoint de principio a fin - Intermedio

Lunes Sep 23 | 8:00 AM - 12:00 PM
Remco Don, Gerente
Jeroen Hardon, Vicepresidente y Director de Ubicación Hoboken

Aunque la teoría del análisis conjunto es muy importante y se discutió mucho en la Conferencia Sawtooth, queremos adoptar un enfoque práctico con este taller y llevarle a través de un estudio CBC completo. Repasaremos cada uno de los pasos, incluyendo la recodificación de datos, recuentos, Logit, Clase Latente y HB. Durante cada uno de estos pasos mostraremos consejos y trucos para sacar el máximo partido a sus datos. ¿Cómo se modelan los datos, cómo se interpreta el resultado y cuáles son los aspectos clave que hay que tener en cuenta? Todo ello se analizará a partir de un conjunto de datos reales utilizando Lighthouse Software.

Soluciones conjuntas experimentales - Avanzado

Lunes Sep 23 | 1:00 PM - 5:00 PM
Jeroen Hardon, VP y Director de Localización Hoboken
Kevin Lattery, VP de Metodología e Innovación

A veces los estándares no bastan para responder a las preguntas de investigación que se plantean y hay que desviarse de los caminos más transitados. A los formadores les gustaría que participara en este tutorial de 4 horas sobre aplicaciones avanzadas en CBC y MaxDiff. Se discutirán una serie de extensiones desafiantes e interesantes del modelado de elección, incluyendo:

• Técnicas de diseño personalizado que combinan Lighthouse y Excel y analizan las implicaciones de estas personalizaciones
• Diferentes métodos de codificación para un procesamiento más rápido
• Combinación de varios estudios MaxDiff en una estimación de clase latente
• Combinación de MaxDiff y CBC: diferentes formas de aumentar los datos
• Soluciones para el problema de los autobuses rojos y azules

Sesiones de la Conferencia

¿Podemos utilizar RLH para evaluar la calidad de los encuestados?

Miércoles Sep 25 | 2:15 PM - 3:00 PM
Marco Hoogerbrugge, Director de Investigación

En los estudios de CBC, la Probabilidad de la Raíz (RLH) se utiliza a menudo como indicador suficiente de la calidad de los datos conjuntos. En la presentación discutiremos por qué esto no es suficiente, presentaremos un procedimiento mejorado para evaluar la calidad de los datos conjuntos (conceptualmente) y compararemos diferentes variantes del nuevo procedimiento.

Combinación de CBC y modelos dinámicos de elección para una previsión más precisa

Jueves Sep 26 | 2:30 PM - 3:00 PM
Faina Shmulyian, Responsable de Metodología

En categorías como la tecnología y la innovación, los viajes o los artículos de lujo, los consumidores suelen dedicar mucho tiempo a considerar los productos u ofertas antes de tomar una decisión de compra. Durante este tiempo, las preferencias de los consumidores pueden verse afectadas por la publicidad, las redes sociales, los procesos socioeconómicos o la familia y los amigos. Esbozaremos y debatiremos un enfoque que combina un modelo conjunto basado en la elección estándar y un modelo dinámico de elección que permite ajustar los efectos externos y obtener previsiones más precisas.

Fusión de datos: Una plantilla HB flexible para modelar estructuras en múltiples conjuntos de datos

Jueves Sep 26 | 3:30 PM - 4:15 PM
Kevin Lattery, Vicepresidente de Metodología e Innovación

La fusión de datos analiza múltiples conjuntos de datos en relación unos con otros. Describimos tres enfoques analíticos generales de la fusión de datos: multietapa, apilamiento/aumento de datos y modelado estructurado. Estos enfoques pueden utilizarse de forma independiente o conjunta en diversos contextos de fusión de datos. Estos contextos de fusión de datos incluyen aplicaciones comunes como "Anchored MaxDiff", "Dual Response None" y ACBC. Describimos el apilamiento de datos en estas aplicaciones comunes y proporcionamos un modelo estructurado alternativo utilizando una plantilla Bayes jerárquica flexible.