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“迭代多层经验贝叶斯（IMEB）”这两个不同主题进行了演讲。

无论您是数据科学家、市场营销专业人士还是学术界人士，ART论坛都是一个绝佳的平台，您可以在这里结识一群致力于开发能够解决市场营销领域下一代难题的工具的同行。

我们的欧盟方法论与创新总监耶罗恩·哈顿（Jeroen Hardon）与研究总监马尔科·霍格布鲁格（Marco Hoogerbrugge）共同发表了题为《基于偏好的联合分析：能否预测数十种产品？》的演讲。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）发表了题为《迭代多层经验贝叶斯（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》的演讲。

《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

联合分析常用于市场结构极为复杂、且包含大量属性和产品的市场。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。尤其是当属性数量较多时，我们无法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。

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

《“迭代多层经验贝叶斯（IMEB）：一种高效、灵活且稳健的大规模联合分析解决方案”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采用基于吉布斯采样的分层贝叶斯模型，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。这种固定的先验消除了MCMC迭代，使其比标准的HB方法快得多。经验贝叶斯方法还避免了MCMC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，以及能够轻松估算其他受访者的效用值。