Conferência Sawtooth Software 2019

Como líder no campo de modelagem de escolha e parceiro preferencial da Sawtooth Software, líder global em software conjoint, temos o orgulho de organizar dois tutoriais práticos e apresentar três artigos inspiradores sobre inovações conjoint, fusão de dados e qualidade de dados na Conferência Sawtooth Software 2019 em San Diego, Califórnia:

Tutoriais pré-conferência

Execução de um projeto Conjoint do início ao fim - Intermediário

Segunda-feira, 23 de setembro | 8:00 AM - 12:00 PM
Remco Don, gerente
Jeroen Hardon, vice-presidente e diretor de localização em Hoboken

Embora a teoria da análise conjunta seja muito importante e muito discutida na Conferência Sawtooth, queremos adotar uma abordagem prática com este workshop e conduzi-lo por um estudo CBC completo. Examinaremos cada uma das etapas, incluindo recodificação de dados, contagens, Logit, classe latente e HB. Durante cada uma dessas etapas, mostraremos dicas e truques para obter o máximo de seus dados. Como você modela os dados, interpreta o resultado e quais são os principais aspectos a serem observados? Tudo isso será discutido com base em um conjunto de dados reais usando o Lighthouse Software.

Soluções experimentais Conjoint - Avançado

Segunda-feira, 23 de setembro | 13:00 - 17:00
Jeroen Hardon, vice-presidente e diretor de localização de Hoboken
Kevin Lattery, vice-presidente de metodologia e inovação

Às vezes, os padrões não são suficientes para responder às perguntas de pesquisa e é preciso desviar dos caminhos mais percorridos. Os instrutores gostariam de contar com a sua presença neste tutorial de 4 horas sobre aplicações avançadas em CBC e MaxDiff. Serão discutidas várias extensões desafiadoras e interessantes da modelagem de escolha, incluindo:

• Técnicas de design personalizado que combinam o Lighthouse e o Excel e discutem as implicações dessas personalizações
• Exibição de diferentes métodos de codificação para um processamento mais rápido
• Combinação de vários estudos MaxDiff em uma estimativa de classe latente
• Combinando MaxDiff e CBC: diferentes maneiras de aumentar os dados
• Soluções de fita adesiva para o problema do ônibus vermelho-azul-ônibus

Sessões da conferência

Podemos usar o RLH para avaliar a qualidade dos entrevistados?

Quarta-feira, 25 de setembro, das 14h15 às 15h00
Marco Hoogerbrugge, Diretor de Pesquisa

Nos estudos de CBC, a probabilidade de raiz (RLH) é frequentemente usada como um indicador suficiente da qualidade dos dados conjuntos. Na apresentação, discutiremos por que isso não é suficiente, apresentaremos um procedimento aprimorado para avaliar a qualidade dos dados conjuntos (conceitualmente) e compararemos diferentes variantes do novo procedimento.

Combinação de modelos CBC e de escolha dinâmica para uma previsão mais precisa

Quinta-feira, 26 de setembro, das 14h30 às 15h00
Faina Shmulyian, gerente de metodologia

Em categorias como Tecnologia e Inovação, Viagens ou Bens de Luxo, os consumidores geralmente passam um tempo significativo considerando produtos ou ofertas antes de tomar uma decisão de compra. Durante esse tempo, as preferências dos consumidores podem ser afetadas por anúncios, mídias sociais, processos socioeconômicos ou familiares e amigos. Descreveremos e discutiremos uma abordagem que combina um Conjoint baseado em escolha padrão e um modelo de escolha dinâmica, permitindo o ajuste dos efeitos externos e resultando em uma previsão mais precisa.

Fusão de dados: Um modelo HB flexível para modelar estruturas em vários conjuntos de dados

Quinta-feira, 26 de setembro, das 15:30 às 16:15
Kevin Lattery, vice-presidente de metodologia e inovação

A fusão de dados analisa vários conjuntos de dados em relação uns aos outros. Descrevemos três abordagens analíticas gerais para a fusão de dados: vários estágios, empilhamento/aumento de dados e modelagem estruturada. Essas abordagens podem ser usadas de forma independente ou em conjunto em diversos contextos de fusão de dados. Esses contextos de fusão de dados incluem aplicativos comuns como "Anchored MaxDiff", "Dual Response None" e ACBC. Descrevemos o empilhamento de dados nesses aplicativos comuns e fornecemos um modelo estruturado alternativo usando um modelo Bayes hierárquico flexível.