Méthodes conjointes basées sur les préférences et méthodes bayésiennes empiriques lors du Forum ART 2017

Les 27 et 28 juin, nous avons présenté deux thèmes différents consacrés à l'analyse conjointe basée sur les préférences et à la méthode empirique bayésienne itérative à plusieurs niveaux (IMEB) lors du Forum 2017 sur les techniques de recherche avancées (ART), un événement de quatre jours organisé par l'American Marketing Association (AMA).

Qu'il s'agisse de data scientists, de professionnels du marketing ou d'universitaires, l'ART Forum est un événement qui vous permet de rencontrer un réseau de collègues déterminés à développer des outils capables de résoudre les défis de demain dans le domaine du marketing.

Jeroen Hardon, notre directeur Méthodologie et Innovation pour l'UE, et Marco Hoogerbrugge, directeur de recherche, ont présenté un exposé intitulé « Conjoint basé sur les préférences : peut-il prédire des dizaines de produits ? ». Quant à la deuxième présentation, Kevin Lattery, notre vice-président Méthodologie et Innovation, a présenté « Iterative Multilevel Empirical Bayes (IMEB) : une solution efficace, flexible et robuste pour les analyses conjointes à grande échelle ».

Conclusions tirées de l’article « Conjoint basé sur les préférences : peut-il prédire les résultats pour des dizaines de produits ? »

Intervenants : Jeroen Hardon et Marco Hoogerbrugge

https://www.slideshare.net/SKIMgroup/big-simulators-with-dozens-of-products-which-conjoint-method-is-most-suitable-at-art-forum-2017

L'analyse conjointe est souvent utilisée pour des marchés très complexes, comportant un grand nombre d'attributs et de produits. Idéalement, nous devrions reproduire autant que possible la complexité du marché tel qu'il existe dans la réalité lors de la conception de l'enquête conjointe.

Même si nous avons déjà démontré par le passé qu'une plus grande part de réalité permet d'améliorer la qualité des prédictions, cela n'est pas toujours possible. En particulier, lorsque le nombre d'attributs est important, nous ne pouvons pas présenter trop de concepts au cours d'une même tâche, car cela entraînerait une surcharge d'informations pour la personne interrogée.

La question centrale de cette présentation était de déterminer dans quelle mesure l'écart entre le nombre de concepts d'une tâche (3 ou 4) et le nombre de produits du modèle de simulation conjointe (20 ou 50) pouvait influencer les résultats de l'étude, en comparant les méthodes CBC, ACBC et PBC (conjointe basée sur les préférences).

Conclusions tirées de l’article « Iterative Multilevel Empirical Bayes (IMEB) : une solution efficace, flexible et robuste pour l’analyse conjointe à grande échelle »

Intervenant : Kevin Lattery

https://www.slideshare.net/SKIMgroup/iterative-multilevel-empirical-bayes-imeb-an-efficient-flexible-and-robust-solution-for-large-scale-conjoint

L'approche classique de l'analyse conjointe utilise la méthode bayésienne hiérarchique avec échantillonnage de Gibbs pour effectuer une intégration sur une distribution normale multivariée de niveau supérieur. Cette méthode fonctionne bien avec des ensembles de données de petite à moyenne taille, mais peut s'avérer insuffisante ou peu pratique lorsque le nombre de paramètres est élevé.

Nous avons décrit une approche qui fixe la distribution a priori de niveau supérieur en fonction des données (d’où le nom de « Bayésien empirique ») et de la validation croisée d’un paramètre d’échelle. Cette distribution a priori fixe élimine les itérations MCMC, ce qui rend cette méthode bien plus rapide que la méthode HB standard. L’approche bayésienne empirique permet également d’éviter les problèmes de convergence insuffisante et de mise à l’échelle inappropriée pouvant survenir avec la méthode MCMC.

Nous avons également décrit certaines des possibilités supplémentaires offertes par cette approche, notamment la personnalisation au niveau des répondants et la possibilité d'estimer facilement les utilités pour des répondants supplémentaires.