Webinar: Where growth still happens when consumers spend less
Join our webinar to explore resilient categories, trade-down trends, and how to adapt pricing and portfolio strategy in a shifting consumer landscape.
Les 27 et 28 juin, nous avons présenté deux sujets différents sur Preference Based Conjoint et Iterative Multilevel Empirical Bayes (IMEB) lors du forum 2017 de 4 jours sur les techniques de recherche avancées (ART) 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 où vous trouverez un réseau de collègues qui s'intéressent sérieusement au développement d'outils capables de résoudre la prochaine génération de problèmes dans le domaine du marketing.
Notre directeur de la méthodologie et de l'innovation pour l'UE, Jeroen Hardon, et notre directeur de la recherche, Marco Hoogerbrugge, ont présenté un sujet intitulé "Preference Based Conjoint : Peut-il prédire des dizaines de produits ? En ce qui concerne la deuxième présentation, notre vice-président chargé de la méthodologie et de l'innovation, Kevin Lattery, a présenté "Iterative Multilevel Empirical Bayes (IMEB) : Une solution efficace, flexible et robuste pour les enquêtes conjointes à grande échelle".
Aperçu de "Conjoint basé sur les préférences : Peut-elle prédire des dizaines de produits ?"
Présentateurs : 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, avec un grand nombre d'attributs et de produits sur le marché. Idéalement, nous devrions reproduire la complexité du marché qui existe dans la réalité aussi bien que possible dans la conception de l'enquête conjointe.
Bien que nous ayons déjà prouvé par le passé qu'une plus grande réalité améliore les prédictions, cela n'est pas toujours possible. En particulier, lorsqu'il y a un grand nombre d'attributs, nous ne pouvons pas montrer trop de concepts dans une seule tâche, car cela entraînerait une surcharge d'informations pour le répondant.
La question clé de cette présentation était de vérifier dans quelle mesure l'écart entre le nombre de concepts dans une tâche (3 ou 4) et le nombre de produits dans le modèle de simulation conjointe (20 ou 50) peut influencer les résultats de l'étude, en comparant CBC, ACBC et PBC (conjoint basé sur les préférences).
Aperçu de "Iterative Multilevel Empirical Bayes (IMEB) : Une solution efficace, flexible et robuste pour les enquêtes conjointes à grande échelle"
Présentateur : Kevin Lattery
https://www.slideshare.net/SKIMgroup/iterative-multilevel-empirical-bayes-imeb-an-efficient-flexible-and-robust-solution-for-large-scale-conjoint
L'approche typique de l'analyse conjointe utilise la méthode hiérarchique de Bayes avec échantillonnage de Gibbs pour intégrer une normale multivariée de niveau supérieur. Cette méthode fonctionne bien avec des données de petite ou moyenne taille, mais peut s'avérer inadéquate ou peu pratique avec de nombreux paramètres.
Nous avons décrit une approche qui fixe l'a priori du niveau supérieur sur la base des données (d'où les Bayes empiriques) et de la validation croisée d'un paramètre d'échelle. Cet a priori fixe élimine les itérations MCMC, ce qui rend la méthode beaucoup plus rapide que la méthode HB standard. L'approche Empirical Bayes évite également les problèmes de convergence inadéquate et de mise à l'échelle incorrecte qui peuvent survenir avec le MCMC.
Nous avons également décrit la flexibilité supplémentaire de cette approche, y compris la personnalisation au niveau du répondant et la possibilité d'estimer facilement les services publics pour d'autres répondants.
