Tener en cuenta el contexto y la economía del comportamiento con el análisis conjunto RRM

¿RUM y RRM? No, no estamos hablando del refresco favorito de un pirata y su extraño primo. El Modelo de Utilidad Aleatoria y el Modelo de Arrepentimiento Aleatorio son dos de los modelos que utilizamos en el análisis conjunto para predecir la elección.

La RRM se basa en el supuesto de que, en lugar de elegir la opción con la mejor combinación de características del producto (como ocurre con la RUM), los consumidores eligen para evitar el posible arrepentimiento de perderse algo. Tendrán en cuenta el contexto de la elección: elegir una opción que minimice el arrepentimiento en algunas opciones pertinentes, en lugar de maximizar la utilidad. Para algunos consumidores, la RRM puede representar mejor cómo se toman las decisiones.

En su artículo de Quirk's, Jeroen Hardon y Kees van der Wagt, dos pesos pesados de la investigación en SKIM, comparten cómo podemos incorporar la economía del comportamiento a nuestros modelos para mejorar las predicciones. Utilizando dos estudios de casos, uno sobre seguros de salud y otro sobre tabletas, muestran cómo el contexto importa y no siempre somos racionales en nuestras elecciones. Dicho esto, la RRM también tiene sus propias limitaciones. Por eso, tal vez una solución híbrida sea la respuesta. Siga leyendo para obtener las respuestas.

Utilización de RUM y RRM para mejorar la validez predictiva de los resultados conjuntos

"En el análisis conjunto podemos utilizar distintos modelos para predecir la elección. El más utilizado es un modelo de utilidad aleatoria (RUM), en el que los consumidores eligen el producto que les ofrece la mejor combinación de características del producto. Pero el RUM tiene algunas deficiencias. Este artículo explora la integración del RUM con otro modelo, el modelo de arrepentimiento aleatorio (RRM), para crear un modelo más sólido y preciso. El RRM parte de la base de que, en lugar de optar por el producto óptimo, el objetivo de los consumidores es minimizar el posible arrepentimiento por no haber elegido determinadas características del producto.

Ambos enfoques tienen sus pros y sus contras y ambos son más o menos adecuados en distintas situaciones de mercado. En un esfuerzo por mejorar la validez predictiva de los resultados conjuntos, los investigadores de SKIM compararon y combinaron el RUM y el RRM mediante dos estudios de casos y plantearon la siguiente pregunta: ¿Conduciría la solución híbrida a resultados más realistas?".