Uma solução híbrida que mede duas formas de comportamento de tomada de decisão simultaneamente - publicado por WARC

O comportamento humano na tomada de decisões é altamente complexo e pode ser influenciado por uma ampla variedade de fatores. Normalmente, os pesquisadores tentam simplificar as preferências e escolhas dos consumidores. Tentamos reproduzir uma realidade complexa usando um modelo que capta os principais fatores de escolha.

A análise conjunta é um método muito eficaz para isolar esses fatores, sendo o Random Utility Model (RUM) o modelo mais comumente usado e seu modelo alternativo, menos conhecido, o Random Regret Model (RRM). Ambas as abordagens têm seus prós e contras e cada uma é mais ou menos adequada em diferentes situações de mercado. Publicado exclusivamente na WARC, nossos pesquisadores fizeram um esforço para melhorar a validade preditiva dos resultados conjuntos comparando e combinando o modelo de utilidade e o modelo de arrependimento.

Por meio de um estudo de caso, fizemos a pergunta: Um modelo híbrido levaria a resultados mais realistas?

Uma solução híbrida que mede duas formas de comportamento de decisão simultaneamente (resumo)

Este artigo analisa a comparação entre duas abordagens do comportamento de decisão do consumidor - o modelo de utilidade (RUM) e a modelagem de arrependimento aleatório (RRM) - e oferece uma solução híbrida para fornecer uma
uma estrutura mais eficaz:

• O RUM baseia-se no princípio de que os consumidores escolhem produtos com base em uma combinação de
  características e depende de quais características são mais importantes para eles.
• O RRM pressupõe que os consumidores fazem escolhas para evitar o possível arrependimento de perder algo
  outra coisa que esteja disponível.
• É mais provável que uma abordagem híbrida leve em conta corretamente tanto o comportamento de escolha que maximiza a utilidade quanto o que minimiza o arrependimento para obter previsões de escolha mais confiáveis.
• A solução híbrida, a solução RUM e a solução RRM têm o mesmo desempenho em termos de ajuste de modelo, embora a solução híbrida tenha um desempenho intermediário, portanto, essa abordagem é a aposta mais segura.