智能产品开发的联合分析

用联合分析模拟产品发布的市场份额

在我们的小案例研究中，我将通过展示一个具体的联合分析示例，向您展示如何通过客户的实际基础实用程序和首选项来理解客户。这是虚构的。联合分析是一组方法，可以通过查看消费者的决策来派生出潜在的实用程序和偏好。与传统的方法不同，你不需要追着顾客问他喜欢什么，而只是观察他实际的选择或判断。根据客户的选择，你可以得到最有可能的偏好集，这里称为效用函数。如果你想了解更多关于联合分析的知识，请查看我的关于联合分析的深入文章．如果你想知道如何构建自己的联合分析，请查看我的用于构建自己的联合分析的详细逐步指南．

问题:一家笔记本电脑初创公司能与苹果、戴尔等公司竞争吗?

在今天的小案中，我将帮助一家名为Ethos的笔记本电脑启动公司了解其主要目标客户：大学的学生。ETHOS希望通过平台主要在线在线销售他们的笔记本电脑，并且兴奋地将他们的愿景变成了进一步。然而，他们知道他们必须做出正确的决定，并有三个主要的问题他们想要回答。

1. 学生们最理想的笔记本电脑是什么?
2. Ethos将面临任何缺点，因为它的启动在与苹果，戴尔或华硕等知名品牌比较时它们的启动是未知的？
3. 市场上的偏好份额是什么？

方法和前提：构建联合分析

在本节中，我将简要介绍我提出的关于如何构建自己的联合分析的七个步骤。

第1步：问题和属性

在与Ethos的产品经理交谈之后，很明显，我们想要寻找的属性如下:

属性	水平	预期的影响	预期的互动
品牌	5:苹果、联想、宏碁、华硕、Ethos、Other	- - - - - -	- - - - - -
核	2:双核，四核	线性增加	内存
内存	3:4 gb、8 gb、16 gb	线性增加	核
硬盘	3: 256gb、512gb、1024gb	对数	- - - - - -
显示尺寸	3：12英寸，14英寸，15.2英寸	二次和最佳	- - - - - -
显示质量	2:正常,高清	- - - - - -	- - - - - -
触摸屏	2：是的，没有	- - - - - -	- - - - - -

这些是被认为是最重要的变量，因为消费者对他们做出决定。理想情况下，变量是由焦点小组和访谈等定性调查产生的。一个有趣的一点是，我们可能期望变量核心和RAM之间的互动，因为许多带有很少的RAM的核心被认为对消费者而不是许多具有许多RAM的核心的历史。如果互动的概念对您来说是新的，那么我建议您查看介绍中提供的两个文章，提供理论背景。

步骤2:偏好模型

在我们的情况下，问题相对清晰，我们希望了解可能的客户。因此，向量模型或混合模型无法进一步帮助我们。另一方的理想点解决方案为每个人提供了一个有趣的地图，但它在回答所提出的ethos的第二个和第三个问题方面不太有用。在我们的案例中，理想的模型将成为一个值得的模型。使用分数阶乘设计，零件价值模型非常适合。我们可以用它来回答所有三个问题，我们甚至可以通过清晰的图形来可视化结果。这使其成为理想的模型，以便了解客户。关于预测市场份额，应优选混合模型在零件价值模型上。但是，我们也有大多数分类的变量和为了简单起见，我们还将使用零件价值模型来预测市场份额。

第3步：数据收集

如果我们想使用零件价值模型，它最有意义地使用概念评估方法。由于Ethos希望在线销售其笔记本电脑，因此目标是使联合分析与这种情况相似。由于在像亚马逊这样的平台上，笔记本电脑通常确实以概念方式显示，概念评估似乎是最合适的。通过使其类似，我们可以提高我们以后可以概括到真实案例的概率，例如，我们可以概括它。学生从一个在线平台上购买笔记本电脑，如亚马逊一天。另一种思想是，当客户在网上平台上搜索笔记本电脑时，他们不会直接购买它们。

第二个重要方面是，根据在构建联合分析之前用潜在客户进行的访谈，客户不会立即决定购买笔记本电脑。他们宁愿首先穿过笔记本电脑，他们可以在网上找到并首先评估它们。然后他们在大多数情况下，决定他们根据他们的偏好考虑最好的。这让我们相信让我们的客户评估每种替代方面是有意义的，而不是让他们立即做出决定。

第4步：实验设计

由于没有互动效果，我们将使用分数阶乘设计，我们可以在R.使用此包中使用“DOE.Base”包装“DOE.Base”来生成。可以使用此包来测试分数的最佳级别和变量。因子设计。有许多其他包可用，但“doe.base”是最简单和最直接的方式，因为其他包需要更深入的知识。我们使用以下代码生成分数阶乘设计并插入我们的级别描述：

######################准备####步骤4：实验设计＃创建一个分数设计install.packages（“doe.base”）库（doe.base）test.design <-oa.design（nlevels = c（6,2,3,3,3,2,2））fracdesign <-as.data.frame（test.design）名称（fracdesign）<-c（“品牌”，“核心”，“RAM”，“硬化”，“DSIZE”，“DQUENTY”，“触摸屏”）水平（FRACDesign $ BRAND）<-C（“苹果”，“联想”，“宏碁“，”华硕“，”ethos“，”其他“）水平（Fracdesign $ cores）<-c（”双核“，”四核“）级别（Fracdesign $ Ram）< -  c（”4GB“，”8 GB“，”16 GB“）水平（FRACDesign $硬盘）<-C（”256 GB“，”512 GB“，”1024 GB“）水平（FracDesign $ DSize）<-C（”12英寸“，”14英寸", "15.2 Inch") levels(FracDesign$DQuality) <-c("Normal", "HD") levels(FracDesign$TouchScreen) <-c("Yes", "No") rm(test.design) # Save design into an excel file install.packages("xlsx") library(xlsx) write.xlsx(FracDesign, "C:/Users/Economalytics/Desktop/ExperimentalDesign.xlsx")

品牌	核	内存	硬盘	DSize	行为	触屏
1	宏碁	双核的	16 GB	1024 GB.	12英寸	普通的	是的
2	联想	四核	16 GB	256 GB	15.2英寸	普通的	是的
3.	其他	双核的	8 GB.	512 GB.	12英寸	普通的	不
4	华硕	双核的	16 GB	512 GB.	14英寸	高清	不
5	苹果	四核	8 GB.	256 GB	12英寸	普通的	是的
6	联想	双核的	8 GB.	256 GB	12英寸	高清	不
7	ethos.	双核的	8 GB.	1024 GB.	14英寸	普通的	不
8	华硕	四核	16 GB	1024 GB.	12英寸	高清	是的
9	其他	四核	4GB	256 GB	14英寸	高清	是的
10	苹果	双核的	16 GB	256 GB	15.2英寸	普通的	不
11	华硕	双核的	4GB	256 GB	15.2英寸	普通的	不
12	ethos.	双核的	16 GB	256 GB	12英寸	高清	是的
13	ethos.	四核	8 GB.	512 GB.	12英寸	高清	不
14	ethos.	四核	16 GB	512 GB.	15.2英寸	高清	不
15	联想	双核的	16 GB	1024 GB.	14英寸	普通的	不
16	苹果	四核	4GB	1024 GB.	12英寸	高清	不
17	ethos.	双核的	4GB	256 GB	14英寸	普通的	是的
18	其他	双核的	16 GB	512 GB.	15.2英寸	高清	是的
19	其他	四核	8 GB.	1024 GB.	14英寸	普通的	是的
20.	华硕	四核	4GB	512 GB.	12英寸	普通的	是的
21	联想	四核	8 GB.	512 GB.	15.2英寸	高清	是的
22	宏碁	四核	16 GB	512 GB.	14英寸	普通的	是的
23	华硕	四核	8 GB.	1024 GB.	15.2英寸	普通的	不
24	宏碁	双核的	8 GB.	1024 GB.	15.2英寸	高清	是的
25	其他	四核	16 GB	256 GB	12英寸	普通的	不
26	联想	四核	4GB	512 GB.	14英寸	普通的	不
27	苹果	双核的	8 GB.	512 GB.	15.2英寸	普通的	是的
28	华硕	双核的	8 GB.	256 GB	14英寸	高清	是的
29	苹果	四核	16 GB	1024 GB.	14英寸	高清	不
30.	联想	双核的	4GB	1024 GB.	12英寸	高清	是的
31.	其他	双核的	4GB	1024 GB.	15.2英寸	高清	不
32.	苹果	双核的	4GB	512 GB.	14英寸	高清	是的
33.	宏碁	四核	4GB	256 GB	15.2英寸	高清	不
34.	ethos.	四核	4GB	1024 GB.	15.2英寸	普通的	是的
35.	宏碁	四核	8 GB.	256 GB	14英寸	高清	不
36.	宏碁	双核的	4GB	512 GB.	12英寸	普通的	不

从上面的表显示了我们将使用与一个运行相对应的一行的联合分析的分数设计。这个想法是，每个人参与我们的联合分析，都会通过每次运行并评估笔记本电脑。越多的人参加，我们将更好，更精确的信息，以估计市场份额并理解我们的潜在客户。现在，如果我们运行完整的因子设计，让我们看看有必要有多少运行：

#运行完整阶乘设计install.packages("AlgDesign")库(AlgDesign) numberlevel = c(c(6,2,3,3,3,2,2)) fulldesign <-gen.factorial(numberlevel) nrow(fulldesign) #运行完整阶乘nrow(FracDesign) #运行小数阶乘

在这里，分数析因设计的优势显而易见。如果我们必须运行一个完整的析因设计，我们需要让一个人运行1296次。这意味着在这种情况下，每个参与研究的人需要为1296台笔记本电脑打分!使用分数析因设计，我们成功地将其减少到36次，这是97%的惊人减少。然而，这只有在我们的变量之间没有交互作用时才可能。最初，我们预计核心和RAM变量之间会有交互作用，但在一些访谈中，似乎没有任何显著的交互作用。因此，满足了分式析因设计的主要前提。我们不会在这里讨论设计一个实验的缺点和进一步的想法，因为我们想保持它的简单。

第五步:展示备选方案

由于从一开始就明确了，所以精神将致象以在线销售策略，设计替代品尽可能逼真的展示非常重要。虽然对于物理店，您可以在真实环境中展示不同产品的原型，然后要求评级，您还希望使在线场景变得逼真。由于Ethos被认为在亚马逊上销售其笔记本电脑，因为它很难吸引客户从头开始，有必要使亚马逊设计的概念评估适应，包括它可能提供的缺点和优势。因此，我构建了一个类似于亚马逊的实验主页，用于收集数据。您可以在步骤4中找到从表中的第20次运行的示例将在主页上查看：

另一个需要考虑的问题是，在客户开始对笔记本电脑进行评级之前，添加所有属性的描述以及它们为什么重要可能是有用的。学生购买笔记本电脑可以被视为一项投资，他们将在这方面花费相当多的时间，并在购买之前告知自己。它无法与超市里的饮料或冰淇淋相比。我们需要确保客户在做决定之前能够充分了解自己。因此，我们包括了所有属性的描述，重要性和相关性。例如，我们会解释，如果你编辑视频、编辑高分辨率图像或处理大量数据，高RAM可能很重要。此外，我们将增加一个约束，使他们必须阅读描述，并且整个实验不能在30min内完成。这迫使客户仔细考虑每一个选择，并真正参与备选方案，以实现现实和准确的评级。

步骤6：测量标度

由于我们希望客户对每个替代方案进行评分，因此我们需要度量测量，特别是李克特量表。李克特级别是每个默认的间隔级别，这意味着我们只能通过更改属性的级别来增加整体实用程序的知识。由于我们选择了部分价值模型以及分数派分设计，我们也被限制在间隔规模。通常不能使用分数阶乘设计或零件来实现连续的或比率变量，除非我们可以对简单不现实的线性和相互作用进行一些假设。但是李克特量表的优势在于它已经证明在研究中更可靠。运行的评级可能如下所示：

步骤7：估计方法

最后，在众多的估计方法中已经没有多少可供选择的余地了。对于我们的案例，最好的拟合估计方法是使用多元线性回归来估计每个个体的效用函数，因为多元线性回归完全能够估计每个因素，并且非常适合于部分析因设计。简单地说，在我们的环境中，该方法将做的是查看客户的评级，并计算最有可能的效用函数。因此，它试图理解选择，并理解哪些属性对每个人来说是最重要的。

最后，我们创建了一项调查，从我们的目标群体收集参与者，我们让他们参加我们的调查。它们基本上从实验设计中运行，数字从1到9的数字，更高的数字表示笔记本电脑更适合偏好。9表示一个完美的合适，而1非常糟糕。现在我们准备了完整的联合分析，它是收集数据的时间。对于我们的情况，我们使用以下代码创建模拟数据集：

####################### 建立效用函数数据收集(创建数据集)# # # # #创建基础set.seed (1234) n < - 89 #参与人数数据< - data.frame参与者< -as.factor美元(参与者= 1:89)数据(数据参与者美元)(运行在1:36){数据,粘贴(“运行”,as.character(运行),9月  = "")]<- 样本(c (1:9), n,取代= TRUE)} #塑造数据数据(c(33) 6日,11日,17日,28日]<拼(c(33) 6日,11日,17日,28日)+ 2 #改进苹果数据(c(8、13、14、15、18 35)]<拼(c(8、13、14、15、18 35)]- 2 #降低精神数据(c(2、4、5、7、8、11、12、13、16、18、19日,25日,28日,29日,31日,32岁,33岁,37)]< -数据(c(2、4、5、7、8、11、12、13、16、18、19、25、28、29、31、32、33岁的37)]- 0.6数据(c(2、3、5、9、11、13、15、16日,19日,23日,26日,30)]< -数据(c(2、3、5、9、11、13、15、16日,19日,23日,26日,30)]+ 0.9数据(c(2、3、6、9、10、13日,18日,19日,20日,21日,22日,23日,25日,28日,29日,31日,33岁,35)]< -数据(c(2、3、6、9、10、13日,18日,19日,20日,21日,22日,23日,25日,28日,29日,31日,33岁,35)]+ 1数据[1]< -轮(数据[1])数据[1][[1]< 1]< - 1数据[1]数据[1]>[9]< - 9所示

解决方案：对客户很重要，以及您如何赢得它们？

现在我们收集了数据，是时候运行分析了。我们将在四个步骤中运行分析，并尝试回答我们需要了解精神的问题。首先，我们将估计部分值得模型并为几个变量显示它。值得模型的零件应该帮助我们了解目标客户，并帮助我们推导出“理想”的笔记本电脑。在第二步中，我们将深入挖掘客户的思想，并试图了解什么变量。为此目的，我们将计算相对变量的重要性并比较这些。特别是，我们想了解品牌如何影响消费者以及是否有任何缺点。最后，我们将迅速向您展示如何估计您的未来偏好份额并进行模拟。我们想要回答的问题是以下内容：

1. 学生们最理想的笔记本电脑是什么?
2. Ethos将面临任何缺点，因为它的启动在与苹果，戴尔或华硕等知名品牌比较时它们的启动是未知的？
3. 市场上的偏好份额是什么？

第1步：估算零件价值模型

首先，我们需要将结果与设计合并，以便每行代表一台笔记本电脑，其功能随后由89名参与者收到的评级：

########################## estimatthe Part-Worth Models #合并FracDesign和Data install.packages(" Data .table")库(Data .table) Data$Participant <- NULL Data <- transpose(Data) rownames(Data) <- c(1:36) Conjoint <- cbind(FracDesign, Data)

在下一步中，我们使用多元线性回归模型估计每个人的部分价值。在这一点上，根据目的的不同，过程可能会有所不同，但是因为我们想在以后的时间点估计偏好份额，所以我们需要为每个人建立一个模型。

#comperson install.packages（“rlist”）库（Rlist）回归< -  list（）for（8：ncol（conginoint））{model < -  lm（convinoint [，person]〜factor（品牌）+因子（核心）+因子（RAM）+因子（硬盘）+因子（DSIZE）+因子（DQUENTY）+因子（触摸屏），数据= CONGOINT）回归< -  list.append（回归，型号）}

对线性回归的估计是我们的部分价值效用，因此我们需要记住，对于每个分类变量，有一个水平被用作参考水平。这意味着对于每个类别变量中的一个级别，不会显示任何估计，因为它的值将自动为0。这表明部分价值实用程序是区间尺度变量。当我们为每个人构建具有部分价值的实用程序的数据帧时，我们需要考虑这一点。下面的代码就是这样做的。它创建一个数据帧，其中每行表示一个变量级别，每列表示一个参与者。

#创建dataframe part-worthvalues var < - c(“拦截”,代表(“品牌”,6),代表(“核心”,2),代表(“内存”,3),代表(“硬盘”,3),代表(“DSize”,3),代表(“DQuality”,2),代表(“触摸屏”,2)级< - c(“拦截”,as.character(水平(联合品牌美元)),as.character(水平(联合核美元)),as.character(水平(联合RAM)美元),as.character(水平(联合)硬盘,美元),as.character(水平(联合DSize美元)),as.character(水平(联合DQuality美元)),as.character(水平(联合触摸屏美元)))结果< -data.frame(变量= var =级水平)(人1:n) {c < - as.vector(回归系数美元[[人]])系数< - c (c [1], 0, c [2:6], 0, c [7], 0, c [8:9], 0, c [11], 0, c [12:13], 0, c [14], 0, c[15])结果[,粘贴(“人”,人,9 = " ")]<轮(系数,位数= 1)}

既然我们有表，我们只需计算每个级别的平均值并绘制每个变量的结果。可选地，将标准偏差添加为每个级别的晶须也很有意思。标准偏差将告诉我们目标集团对一个级别的同质均匀，并且可能会让我们提示是否甚至是提供超过一台笔记本电脑。

＃获取平均值并可视化它们foreach变量结果[，“平均”] <--round（rowmeans（结果[， -  c（1,2）），digits = 1）install.packages（“ggplot2”）库（ggplot2）＃品牌潜伏期< -  droplevels（子集（结果，变量==“品牌”））船只$水平< - 重新排序（船只$水平，船只$平均）如果（min（船只$普通）<0）{船只$普及<0）- 船只$普通+ ABS（min（船只$普通））} gg1 < -  ggplot（data = sub，aes（x =级别，y =平均，group = 1））+ geom_line（）+ geom_point（）+ ggtitle（“品牌”）#cores subs < -  droplevels（子集（结果，变量==“核”））潜水率级别< - 重新排序（船只$级别，船只$平均值）如果（min（船只$普通）<0）{船只平均< - 船只$平均+ ABS（min（船只$普通））} gg2 < -  ggplot（data = sub，aes（x =级别，y =平均，group = 1））+ geom_line（）+ geom_point（）+ ggtitle（“核心”）＃dquition shab < -  droplevels（子集（结果，变量==“dquality”））船只$水平< - 重新排序（船只$水平，船只$平均）如果（min（船只$普通）<0）{船只$平均< - 船只$普通+ ABS（MIN（船只普通））} GG3 < -  GGPLOT（数据=潜艇，AES（x =级别，y =平均，group = 1））+ geom_line（）+ geom_point（）+ ggtitle（“dquality”）＃dsize subs < -  droplevels（subset（结果，变量==“dsize”））船只$水平< - 重新订购（船只$水平，船只平均值）如果（min（船只$普通）<0）{船只$平均值< - 船只$ alig + abs（min（船只$普通））} gg4 < -  ggplot（数据=子句（x =级别，y =平均，group = 1））+ geom_line（）+ geom_point（）+ ggtitle（“dsize”）＃harddrive shab < -  droplevels（子集（结果，变量==“硬偶联））IM $水平< - 重新订购（船只$水平，船只$平均值）如果（min（船只$普通）<0）{船只$平均< - 船只+ abs（min（船只$普通））} gg5 < -ggplot（数据=潜水子，aes（x =级别，y =平均，group = 1））+ geom_line（）+ geom_point（）+ ggtitle（“harddrive”）#ram subs < -  droplevels（子集（结果，变量==“RAM”））船只$水平< - 重新排序（船只$水平，船只$平均值）如果（分钟（船只平均值）<0）{船只$普及< - 船只$平均值+ ABS（MIN（船只$普通）） } gg6 <- ggplot(data=subs,aes(x=Levels, y=Average, group=1)) + geom_line() + geom_point() + ggtitle("RAM") # TouchScreen subs <- droplevels(subset(Results,Variable == "TouchScreen")) subs$Levels <- reorder(subs$Levels,subs$Average) if (min(subs$Average)<0) { subs$Average <- subs$Average + abs(min(subs$Average)) } gg7 <- ggplot(data=subs,aes(x=Levels, y=Average, group=1)) + geom_line() + geom_point() + ggtitle("TouchScreen") install.packages("gridExtra") library(gridExtra) grid.arrange(gg1, gg2, gg3, gg4, gg5,gg6, gg7, nrow=4, ncol=2)

这些表格是每个联合分析的核心，为我们提供了宝贵的信息，告诉我们如何为Ethos改变笔记本电脑的功能，从而提高实用性。例如，将硬盘驱动器从256gb增加到512gb会显著降低实用程序，这可能表明目标组预算较低，更喜欢其他特性。例如，我们可能还将价格作为功能来评估目标群体的价格敏感性。一个更有趣的方法是，如果我们使用价格作为预测变量，而不是效用，例如，我们衡量效用的基础是我们未来的客户愿意为一台笔记本支付多少钱。

使用这些数字我们可以已经回答了Ethos的前两个问题：

1. 学生们最理想的笔记本电脑是什么?
   这个问题的答案很简单。我们只看最大化每个变量内用力的级别：ASU或Lenovo笔记本电脑，带双核处理器，一个简单的14英寸屏幕，256 GB硬盘，8 GB RAM和触摸屏。
2. Ethos将面临任何缺点，因为它的启动在与苹果，戴尔或华硕等知名品牌比较时它们的启动是未知的？
   你肯定意识到，精神不能生产“华硕”或“联想”笔记本电脑，这引起了品牌缺点。有趣的是，与Apple或Acer相比，Ethos将具有品牌优势，但明确陷入诸如华硕或联想的弱势群体。这意味着目标客户是一个小小的品牌敏感，但并不像预期的那么多，特别是因为更为着色的品牌苹果得分降低。但是，如果华硕，联想和ethos生产完全相同的笔记本电脑，Ethos将倾向于松散，在这里它必须杠杆不同的策略以击败竞争。a）它开始构建品牌并创建一个独特的用户体验（例如在线订单，额外的提供等商品提供），以抵消该段或b）的品牌缺点，它采用了与不同市场渠道的更量身定制的营销策略这将帮助他们永远越来越靠近目标客户的一步。该决定由Ethos的管理者决定。

步骤2:相对变量重要性

那么，在制造所需的笔记本电脑时，Ethos该从哪里入手呢?什么应该是首要任务?解决这个问题的一个简单方法是查看相对变量的重要性，它基本上告诉我们，当消费者做出购买决定时，一个变量与其他变量相比有多重要。相对重要性可以简单地通过两步计算。首先，对于每个变量，通过用效用最高的水平减去效用最低的水平来计算可能的最大差异。第二，对于一个变量a，它的相对变量重要性就是a的最大可能差异与所有变量的所有最大可能差异之和的比值。但幸运的是，有一个r函数可以帮我们计算。

＃计算相对重要性install.packages（“Relaimpo”）库（Relaimpo）重要性< -  data.frame（变量= c（“品牌”，“RAM”，“硬化”，“DSIZE”，“DSIZE”，“核心”，“DQUQUE”，“触摸屏”））for（1：n中的模型）{Relimp < -  calc.Relimp（回归[[模型]]，键入= C（“LMG”），Rela = True）Relivp < -  As.Vector（Relimp@lmg）重要性[，粘贴（“人”，型号，sep =“”）] <--round（relimp，digits = 3）}重要的$普通<-rowmeans（重要的[， -  1]）重要< - 重新排序（重要性$变量，重要性$普通值）GGPLOT（重要性，AES（x =重新排序（变量，平均），y =平均值））+ GeoM_Col（）+ Coord_Flip（）+ scale_y_contion（标签=函数（x）粘贴（x * 100，“％”）））

第3步：预测市场份额

为了预测市场份额，我们假设Ethos board决定生产我们在第一步中定义的“理想”笔记本电脑。现在董事会想知道，如果Ethos将笔记本电脑带入市场，在最好的情况下，潜在的市场份额是多少。理想情况下，我们现在应该有一个包含所有品牌的笔记本电脑的数据帧，我们的笔记本电脑需要与之竞争。然而，为了简单起见，我将创建一个约49种不同的笔记本电脑的竞赛示例，Ethos’s的笔记本电脑将与之竞争。下面的代码将创建笔记本电脑列表:

######### 预测潜在市场份额#模拟笔记本电脑品牌vnames < - c(“品牌”,“核”,“公”,“硬盘”,“DSize”、“DQuality”、“触屏”)品牌<样本(c(“苹果”、“联想”、“宏碁”、“华硕”,“其他”),49岁,取代= TRUE)核心< -样本(c(“DualCore”、“四核”),49岁,取代= TRUE) RAM < -样本(c(“4 GB”,“8 GB”,16 GB), 49岁取代= TRUE) < -硬盘样本(c(“256 GB”、“512 GB”,“1024 GB”),49岁,取代= TRUE) dsize < -样本(c(12英寸,14英寸,15.2英寸),49岁,取代= TRUE) dquality <样本(c(“正常”、“高清”),49岁,取代= TRUE)触摸屏<样本(c(“是”、“不”),49岁,取代= TRUE)市场< - data.frame(=品牌,b =核心,c = ram, d =硬盘,e = dsizef= dquality, g =触摸屏)names(Market) <- vnames

现在，我基本上为每个用户创建了每个笔记本电脑的拟合值或预测值，使用的是我之前导出的回归模型。

#Caclulate为每个用户的每个用户的实用程序分数（参与者在1：n）{market [，paste（“p”，参与者，sep =“”）] <-prictict（回归[参与者]]，newdata = market [，1：7]）}}

最后，我只需要看看谁的笔记本电脑“获胜”，并计算品牌，以获得“市场份额”。“赢”可以被认为是这个人会在中立和最优条件下做出的购买笔记本电脑的决定。这个过程有一个主要的限制。实际上，我在这里计算的不是真正的市场份额。这将是一个“偏好”份额，因为你永远不会在市场上找到中立和最优的条件。例如，中性和最佳的条件是，没有一个品牌的分销渠道优势，或者消费者有机会评估篮子里的所有笔记本电脑，这是相当不可能的。当然,可以增强方法,校正结果对这些约束存在在现实市场中,但优先股给你信息,你如何站如果你不会有任何缺点(或优势取决于角度)比你的竞争对手。

＃确定购买的潜在市场份额<-UNLIST（申请（市场[8：8：NCOL（市场）]，2，函数（x）（x == max（x）））购买<-market $牌[购买'brandcount <-as.data.frame（表（购买））brandcount $ freq < -  brandcount $ freq / sum（brandcount $ freq）ggplot（brandcount，aes（x = practased，y = freq））+ geom_bar（stat =“身份”）

现在，我们可以看到市场将主要受宏碁，华硕和联想所赋予的，因为我们的模拟市场和精神将远远超过大约1％的市场份额。这是令人惊讶的吗？不，有两个原因。首先，正如我们所发现的那样，Ethos面临着一些重大的品牌缺点。其次，与我们在我们的模拟市场平均销售10台笔记本电脑的其他竞争对手相比，Ethos仅销售了一台笔记本电脑。

结论:独特的分销渠道是赢得竞争的关键

最后，我们成功地回答了咨询客户Ethos提出的三个问题，证明了联合分析的强大和信息丰富。当然，还有一些缺点我们还没有提到，比如很难准确地收集数据。在进行联合分析时，还应该集成各种方法以确保有效性和可靠性。

然而，联合分析的主要优点是它是灵活的，您可以根据您的需求进行调整。首先，如果要实现更现实的结果，您可以使用不同的偏好模型。其次，在派生首选项后，您可以进一步分析它们。您可以防范主成分分析或集群分析，以了解哪些客户类似。您还可以计算您应该启动多少个不同的笔记本电脑以优化您的市场份额，或者您甚至可能会将联合分析与机器学习方法结合起来。第三，您可能还使用实际购买数据而不是使用调查数据。

那么现在的故事是什么？如果能够为具有竞争性价格生产和销售笔记本电脑，并且如果市场条件是理想的理想，则Ethos将能够获得1％的市场份额。Ethos现在知道客户如何考虑并知道如何适应需求的笔记本电脑。但是，这将足以击败竞争？如果它想要击败竞争，我会说不，因为Ethos需要开发一个独特的分销渠道。原因很简单。您可以生产理想的笔记本电脑，但如果您的客户永远不会发现，他将永远不会买它。因此，您需要领先于您的竞争对手。你怎么看？

进一步读物

• 联合分析导论——理解、优化和预测决策
• 如何在7简单步骤中构建最合适的联合分析 - 步骤指南的联合分析
• 设定值，不价格
• 为客户互动提出正确的价格