Métodos Conjuntos Baseados em Preferências e Bayes Empírico no Fórum ART de 2017

Nos dias 27 e 28 de junho, apresentamos dois temas diferentes sobre a Análise Conjunta Baseada em Preferências e o Método Empírico de Bayes Multinível Iterativo (IMEB) no Fórum de Técnicas Avançadas de Pesquisa (ART) de 2017, evento de quatro dias organizado pela American Marketing Association (AMA).

Reunindo desde cientistas de dados e profissionais de marketing até acadêmicos, o ART Forum é um evento onde você encontra uma rede de colegas que se dedicam seriamente ao desenvolvimento de ferramentas capazes de resolver a próxima geração de problemas na área de marketing.

Nosso Diretor de Metodologia e Inovação para a UE, Jeroen Hardon, e o Diretor de Pesquisa, Marco Hoogerbrugge, apresentaram um tema intitulado “Análise Conjunta Baseada em Preferências: será que ela pode prever dezenas de produtos?”. Já na segunda apresentação, nosso Vice-presidente de Metodologia e Inovação, Kevin Lattery, apresentou “Bayes Empirico Iterativo Multinível (IMEB): uma solução eficiente, flexível e robusta para análises conjuntas em grande escala”.

Conclusões do artigo “Análise conjunta baseada em preferências: será que ela pode prever o desempenho de dezenas de produtos?”

Apresentadores: Jeroen Hardon e Marco Hoogerbrugge

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

A análise conjunta é frequentemente utilizada em mercados muito complexos, com um grande número de atributos e produtos no mercado. O ideal seria reproduzir, da melhor maneira possível, a complexidade do mercado real na elaboração da pesquisa conjunta.

Embora já tenhamos comprovado no passado que quanto mais realidade houver, melhores serão as previsões, isso nem sempre é viável. Mais especificamente, quando há um número considerável de atributos, não podemos apresentar muitos conceitos em uma única tarefa, pois isso levaria a uma sobrecarga de informações para o respondente.

A questão central desta apresentação foi verificar até que ponto a discrepância entre o número de conceitos em uma tarefa (3 ou 4) e o número de produtos no modelo de simulação conjunta (20 ou 50) pode influenciar os resultados do estudo, por meio da comparação entre os métodos CBC, ACBC e PBC (conjunta baseada em preferências).

Conclusões do artigo “Iterative Multilevel Empirical Bayes (IMEB): Uma solução eficiente, flexível e robusta para análises conjuntas em grande escala”

Apresentador: Kevin Lattery

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

A abordagem típica para a análise conjunta utiliza o método de Bayes hierárquico com amostragem de Gibbs para integrar sobre uma distribuição normal multivariada de nível superior. Isso funciona bem com conjuntos de dados de pequeno a médio porte, mas, quando há muitos parâmetros, pode ser inadequado ou impraticável.

Descrevemos uma abordagem que fixa a distribuição a priori de nível superior com base nos dados (daí o nome “Bayes Empírico”) e na validação cruzada de um parâmetro de escala. Essa distribuição a priori fixa elimina as iterações do MCMC, tornando-a muito mais rápida do que o HB padrão. A abordagem Bayes Empírico também evita problemas de convergência inadequada e escalonamento incorreto que podem ocorrer com o MCMC.

Também descrevemos algumas das vantagens adicionais dessa abordagem, incluindo a personalização no nível do respondente e a capacidade de estimar facilmente as utilidades para respondentes adicionais.