Como uma marca de cerveja consolidou sua posição em um importante mercado africano
Veja como uma marca de cerveja já consolidada aprimorou suas decisões de preços e distribuição para impulsionar um crescimento de dois dígitos em um mercado africano.
Como profissionais de marketing e pesquisadores de mercado, estamos constantemente tentando entender o comportamento do consumidor para que possamos adaptar melhor os produtos e serviços às suas necessidades. Portanto, um entendimento completo de como as pessoas fazem escolhas é fundamental para vencer a concorrência. Uma maneira de entender como o consumidor faz escolhas é replicar uma realidade complexa na tomada de decisões humanas usando um modelo que capta os principais fatores de escolha.
O Modelo de Utilidade Aleatória (RUM) é o modelo conjunto mais comumente usado, no qual os consumidores selecionam o produto que lhes oferece o melhor valor (ou seja, utilidade) com base em uma combinação de características do produto.
Um modelo alternativo e menos conhecido é o Random Regret Modeling (RRM), que pressupõe que, em vez de escolher o produto ideal, os consumidores buscam minimizar o possível arrependimento de perder alguma característica do produto.
Ambas as abordagens têm seus prós e contras, e cada uma é mais ou menos adequada em diferentes situações de mercado. Em um esforço para melhorar a validade preditiva dos resultados conjuntos, nossos pesquisadores compararam e combinaram o modelo de utilidade e o modelo de arrependimento por meio de um estudo de caso sobre a compra de tablets e fizeram a seguinte pergunta: um modelo híbrido levaria a resultados mais realistas? Esse artigo foi posteriormente apresentado pela revista Asia Research.
Estudo de caso: Modelagem preditiva híbrida na compra de tablets
"Para responder a essa pergunta, os pesquisadores da SKIM montaram um estudo no qual examinaram o comportamento de escolha dos consumidores que compram tablets. Os modelos de utilidade, arrependimento e híbrido foram aplicados a esse mesmo conjunto de dados para determinar qual modelo se ajusta melhor aos dados e qual modelo tem a maior "taxa de acerto" - uma medida de precisão preditiva.
Ao analisarmos os resultados dos três modelos diferentes, vimos que a diferença tanto no ajuste dos dados quanto na validade preditiva entre o modelo híbrido e o modelo de utilidade era bastante pequena. Somente o modelo de arrependimento puro teve um desempenho menos eficaz. Além disso, a correlação média entre os três métodos foi de 0,95. Em outras palavras, nenhum dos modelos superou claramente os outros nesses termos.
Embora a precisão da previsão das escolhas tenha sido semelhante, as participações previstas para cenários hipotéticos em modelos de simulação baseados em cada abordagem não foram. Uma análise mais detalhada revela que existem grandes diferenças nas participações previstas.
No cenário de exemplo abaixo, todos os três métodos preveem ações limitadas para o Produto 2. Entretanto, usando o modelo de utilidade, o Produto 1 claramente tem um desempenho melhor do que o Produto 3. Ao usar o modelo de arrependimento, o Produto 3 tem um desempenho melhor. A abordagem híbrida prevê que os Produtos 1 e 3 terão desempenho semelhante. Portanto, os mesmos dados podem levar a recomendações diferentes.
Em termos de validade estatística preditiva, o modelo de utilidade usado com mais frequência ainda tem um bom desempenho.
Como um modelo simplificado de comportamento de escolha complexo, ainda é uma ferramenta solidamente confiável. Dito isso, é mais provável que o modelo de utilidade superestime o comportamento de decisão "racional" de maximização de utilidade dos consumidores, o que pode levar a percepções distorcidas.
Sempre que possível, 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. Afinal, o objetivo da modelagem é reproduzir com mais precisão o complexo processo de tomada de decisão no mundo real."
