Conferência da Sawtooth Software 2019

Como pioneiros na área de modelagem de escolhas e parceiros preferenciais da Sawtooth Software, líder global em software de análise conjunta, temos o orgulho de ministrar dois tutoriais práticos e apresentar três trabalhos inspiradores sobre inovações em análise conjunta, fusão de dados e qualidade de dados na Conferência da Sawtooth Software 2019, em San Diego, Califórnia:

Tutoriais pré-conferência

Como conduzir um projeto conjunto do início ao fim – Nível intermediário

Segunda-feira, 23 de setembro | 8h – 12h
Remco Don, Gerente
Jeroen Hardon, vice-presidente e diretor da unidade de Hoboken

Embora a teoria da análise conjunta seja muito importante e amplamente discutida na Conferência Sawtooth, queremos adotar uma abordagem prática neste workshop e conduzi-los por todo o processo de um estudo CBC. Abordaremos cada uma das etapas, incluindo recodificação de dados, contagens, Logit, Classe Latente e HB. Durante cada uma dessas etapas, apresentaremos dicas e truques para que você tire o máximo proveito dos seus dados. Como modelar os dados, interpretar os resultados e quais são os principais aspectos a serem observados? Tudo isso será discutido com base em um conjunto de dados reais, utilizando o software Lighthouse.

Soluções Conjuntas Experimentais – Nível Avançado

Segunda-feira, 23 de setembro | 13h – 17h
Jeroen Hardon, vice-presidente e diretor da unidade de Hoboken
Kevin Lattery, vice-presidente de Metodologia e Inovação

Às vezes, os padrões não são suficientes para responder às questões de pesquisa em pauta, e é preciso se afastar dos caminhos mais trilhados. Os instrutores gostariam de contar com a sua participação neste tutorial de 4 horas sobre aplicações avançadas no CBC e no MaxDiff. Serão discutidas várias extensões desafiadoras e interessantes da modelagem de escolha, incluindo:

• Técnicas de personalização que combinam o Lighthouse e o Excel e discussão sobre as implicações dessas personalizações
• Apresentando diferentes métodos de codificação para um processamento mais rápido
• Combinação de vários estudos MaxDiff em uma única estimativa de classes latentes
• Combinando MaxDiff e CBC: diferentes formas de aumento de dados
• Soluções improvisadas para o problema do ônibus vermelho e do ônibus azul

Sessões da conferência

Podemos usar o RLH para avaliar a qualidade dos respondentes?

Quarta-feira, 25 de setembro | 14h15 – 15h00
Marco Hoogerbrugge, Diretor de Pesquisa

Em estudos de CBC, a verossimilhança de raiz (RLH) costuma ser utilizada 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.

Combinando os modelos CBC e de escolha dinâmica para previsões mais precisas

Quinta-feira, 26 de setembro | 14h30 – 15h00
Faina Shmulyian, Gerente de Metodologia

Em categorias como Tecnologia e Inovação, Viagens ou Artigos de Luxo, os consumidores costumam dedicar um tempo significativo a avaliar produtos ou ofertas antes de tomar uma decisão de compra. Durante esse período, as preferências dos consumidores podem ser influenciadas por propagandas, redes sociais, processos socioeconômicos ou por familiares e amigos. Apresentaremos e discutiremos uma abordagem que combina uma análise conjunta padrão baseada em escolha (Choice-Based Conjoint) com a modelagem dinâmica de escolha (Dynamic Choice Modelling), permitindo o ajuste para os efeitos externos e resultando em previsões mais precisas.

Fusão de dados: um modelo HB flexível para modelagem de estruturas em vários conjuntos de dados

Quinta-feira, 26 de setembro | 15h30 – 16h15
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: em múltiplas etapas, empilhamento/aumentação de dados e modelagem estruturada. Essas abordagens podem ser utilizadas de forma independente ou conjunta em diversos contextos de fusão de dados. Esses contextos incluem aplicações comuns como “Anchored MaxDiff”, “Dual Response None” e ACBC. Descrevemos o empilhamento de dados nessas aplicações comuns e apresentamos um modelo estruturado alternativo utilizando um modelo bayesiano hierárquico flexível.