2017年ART论坛上的基于偏好的联合分析和经验贝叶斯方法

6月27日和28日，在美国营销协会（AMA）举办的为期4天的2017年“高级研究技术”（ART）论坛上，我们就“基于偏好的联合分析”和“迭代多层次经验贝叶斯法”（IMEB）这两个不同主题进行了演讲。

从数据科学家、市场营销专业人士到学术界人士，ART论坛是一个能让您结识志同道合的同行、共同致力于开发能够解决市场营销领域下一代问题的工具的平台。

我们欧盟方法论与创新总监耶罗恩·哈登（Jeroen Hardon）和研究总监马可·霍格布鲁格（Marco Hoogerbrugge）就“基于偏好的联合分析：能否预测数十种产品？”这一主题进行了演讲。在第二场演讲中，我们的方法论与创新副总裁凯文·拉特里（Kevin Lattery）介绍了“迭代多层次经验贝叶斯（IMEB）：一种适用于大规模联合分析的高效、灵活且稳健的解决方案”。

《基于偏好的联合分析：能否预测数十种产品？》的见解

演讲人：耶罗恩·哈顿和马尔科·霍格布鲁格

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

联合分析通常用于非常复杂的市场，这类市场中通常包含大量属性和产品。理想情况下，我们在设计联合分析问卷时，应尽可能真实地再现现实市场中的复杂性。

尽管我们过去已经证明，现实因素越多，预测结果就越准确，但这并非总是可行的。尤其是当属性数量较多时，我们不能在单个任务中展示过多的概念，因为这会导致受访者面临信息过载。

本次演讲的核心问题是，通过比较CBC、ACBC和PBC（基于偏好的联合分析），考察任务中的概念数量（3或4）与联合分析模拟模型中的产品数量（20或50）之间的差异，在多大程度上会影响研究结果。

《“迭代多层次经验贝叶斯（IMEB）：一种高效、灵活且稳健的大规模联合分析解决方案”》中的见解

主持人：凯文·拉特里

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

联合分析的典型方法是使用结合吉布斯采样的分层贝叶斯方法，对上层的多变量正态分布进行积分。这种方法适用于中小规模的数据，但在参数较多的情况下可能不够理想或难以实施。

我们提出了一种方法，该方法基于数据（因此称为“经验贝叶斯”）和尺度参数的交叉验证来确定上界先验分布。这种固定的先验分布消除了对MCMC迭代的需求，使其比标准HB方法快得多。经验贝叶斯方法还避免了MCMC中可能出现的收敛不足和尺度不恰当等问题。

我们还介绍了该方法的一些额外灵活性，包括受访者层面的定制功能，以及能够轻松为新增受访者估算效用值。