Conférence Sawtooth Software 2019

En tant que précurseur dans le domaine de la modélisation des choix et partenaire privilégié de Sawtooth Software, leader mondial des logiciels conjoints, nous sommes fiers d'accueillir 2 tutoriels pratiques et de présenter 3 articles inspirants sur les innovations conjointes, la fusion de données et sur la qualité des données lors de la conférence Sawtooth Software 2019 à San Diego, CA... :

Tutoriels pré-conférence

Mener un projet conjoint du début à la fin - Intermédiaire

Lundi 23 septembre | 8:00 AM - 12:00 PM
Remco Don, Directeur
Jeroen Hardon, VP et Directeur de site Hoboken

Bien que la théorie de l'analyse conjointe soit très importante et très discutée lors de la conférence Sawtooth, nous voulons adopter une approche pratique avec cet atelier et vous présenter une étude CBC complète. Nous passerons en revue chacune des étapes, y compris le recodage des données, les comptes, Logit, Latent Class et HB. Au cours de chacune de ces étapes, nous vous montrerons des conseils et des astuces pour tirer le meilleur parti de vos données. Comment modéliser les données, interpréter les résultats et quels sont les éléments clés à surveiller ? Tout cela sera discuté sur la base d'un ensemble de données réelles utilisant le logiciel Lighthouse.

Solutions expérimentales Conjoint - Avancé

Lundi 23 septembre | 13:00 - 17:00
Jeroen Hardon, VP et directeur de site Hoboken
Kevin Lattery, vice-président chargé de la méthodologie et de l'innovation

Parfois, les normes ne suffisent pas à répondre aux questions de recherche et il faut s'écarter des chemins les plus fréquentés. Les formateurs aimeraient vous faire participer à ce tutoriel de 4 heures sur les applications avancées de CBC et MaxDiff. Un certain nombre de défis et d'extensions intéressantes de la modélisation des choix seront discutés, y compris :

• Techniques de conception personnalisée combinant Lighthouse et Excel et discussion des implications de ces personnalisations.
• Montrer différentes méthodes de codage pour un traitement plus rapide
• Combinaison de plusieurs études MaxDiff dans une estimation de classe latente
• Combiner MaxDiff et CBC : différentes façons d'augmenter les données
• Des solutions en trompe-l'œil pour le problème du bus rouge et du bus bleu

Sessions de la conférence

Peut-on utiliser le RLH pour évaluer la qualité des répondants ?

Mercredi 25 septembre | 14h15 - 15h00
Marco Hoogerbrugge, Directeur de recherche

Dans les études CBC, la probabilité racine (RLH) est souvent utilisée comme un indicateur suffisant de la qualité des données conjointes. Dans cette présentation, nous discuterons des raisons pour lesquelles cela n'est pas suffisant, nous présenterons une procédure améliorée pour évaluer la qualité des données conjointes (conceptuellement) et nous comparerons différentes variantes de la nouvelle procédure.

Combiner les modèles CBC et de choix dynamique pour des prévisions plus précises

Jeudi 26 septembre | 14:30 - 15:00
Faina Shmulyian, Responsable de la méthodologie

Dans des catégories comme la technologie et l'innovation, les voyages ou les produits de luxe, les consommateurs passent souvent beaucoup de temps à étudier les produits ou les offres avant de prendre une décision d'achat. Pendant ce temps, les préférences des consommateurs peuvent être influencées par la publicité, les médias sociaux, les processus socio-économiques ou la famille et les amis. Nous décrirons et discuterons d'une approche combinant un modèle standard de choix basé sur la conjonction et un modèle de choix dynamique permettant d'ajuster les effets externes et d'obtenir des prévisions plus précises.

Fusion de données : Un modèle HB flexible pour la modélisation des structures à travers de multiples ensembles de données

Jeudi 26 septembre - 15h30 - 16h15
Kevin Lattery, vice-président chargé de la méthodologie et de l'innovation

La fusion de données permet d'analyser plusieurs ensembles de données les uns par rapport aux autres. Nous décrivons trois approches analytiques générales de la fusion de données : la fusion en plusieurs étapes, l'empilement/augmentation des données et la modélisation structurée. Ces approches peuvent être utilisées indépendamment ou conjointement dans divers contextes de fusion de données. Ces contextes de fusion de données comprennent des applications courantes telles que "Anchored MaxDiff", "Dual Response None" et ACBC. Nous décrivons l'empilement des données dans ces applications courantes et fournissons un modèle structuré alternatif utilisant un modèle de Bayes hiérarchique flexible.