智能产品开发的联合分析

用联合分析法模拟产品发布的市场份额

在我们的小案例研究中，我将通过向您展示联合分析的具体示例，向您展示如何通过客户的实际潜在效用和偏好来理解客户。这个案子是虚构的。联合分析是一组方法，使您能够通过查看消费者的决策，得出消费者的潜在效用和偏好。与传统的方法不同，你不需要追着客户问他喜欢什么，而只需要观察他的实际选择或判断。然后根据客户的选择，导出最可能的偏好集，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. 如果您想知道如何构建自己的联合分析，请查看我的构建自己的联合分析的详细分步指南.

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?

在今天的小案例中，我将帮助一家名为Ethos的笔记本电脑初创公司了解其主要目标客户：一所大学的学生。Ethos希望主要通过平台在线销售他们的笔记本电脑，并且很高兴将他们的愿景变为现实。然而，他们知道他们必须做出正确的决定，并且有三个主要问题他们想回答的问题。

1. 学生们最理想的笔记本电脑是什么？
2. 在与苹果、戴尔或华硕等知名品牌进行比较时，Ethos是否会因为其初创公司不为人知而面临任何劣势？
3. 市场上的优先股是多少?

方法和前提:构建一个联合分析

在本节中，我将简要介绍我介绍的七个步骤，介绍如何构建自己的联合分析。

步骤1：问题和属性

在和Ethos的产品经理谈过之后，很明显我们想要寻找的属性有以下几点，期望如下:

属性	水平	预期影响	预期互动
品牌	5：苹果、联想、宏碁、华硕、Ethos、其他	–	–
核心	2：双核、四核	线性增长	内存
内存	3: 4gb、8gb、16gb	线性增长	核心
硬盘驱动器	3: 256gb、512gb、1024gb	对数的	–
显示大小	3:12英寸、14英寸、15.2英寸	二次与最优	–
显示质量	2:正常,高清	–	–
触摸屏	2:是的,没有	–	–

这些变量被认为是最重要的变量，因为消费者会对它们做出决定。理想情况下，这些变量来自于定性调查，如焦点小组和访谈。有趣的一点是，我们可能会期待可变内核和RAM之间的交互，因为对于消费者来说，许多具有少量RAM的内核远不如具有大量RAM的内核有趣。如果您对交互的概念不熟悉，那么我建议您阅读介绍中提供的两篇提供理论背景的文章。

第二步：偏好模型

在我们的案例中，问题相对清楚，我们希望了解可能的客户。因此，向量模型或混合模型不能进一步帮助我们。另一边的理想点解决方案为每个人提供了一张有趣的地图，但它在回答Ethos提出的第二个和第三个问题时用处不大。在我们的例子中，理想的模型应该是部分价值模型。部分价值模型非常适合使用分数因子设计。我们可以用它来回答所有三个问题，我们甚至可以用清晰的图形来可视化结果。这使得它成为了解客户的理想模型。在预测市场份额方面，混合模型应优于部分价值模型。然而，我们也有很多分类变量，为了简单起见，我们还将使用部分价值模型来预测市场份额。

步骤3：数据收集

如果我们想要使用部分价值模型，使用概念评价方法是最有意义的。由于Ethos想要在网上销售它的笔记本电脑，其目标是使联合分析尽可能类似于这种情况。因为在像Amazon这样的平台上，笔记本电脑通常确实是以概念方式显示的，所以概念评估似乎是最合适的。通过使其相似，我们可以增加以后将其推广到真实案例的可能性，例如有一天学生在亚马逊这样的在线平台上从Ethos购买笔记本电脑。另一种想法是，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。

第二个重要的方面是，根据在构建联合分析之前对潜在客户进行的采访，客户不会立即做出购买笔记本电脑的决定。他们宁愿先浏览他们能在网上找到的笔记本电脑，并对它们进行第一次评估。在大多数情况下，他们会根据自己的喜好选择他们认为最好的。这让我们相信，让我们的客户对每个选择进行评级，而不是让他们立即做出决定，是有意义的。

第四步：实验设计

由于没有交互效应，我们将使用分数阶乘设计，我们可以简单地使用R中的包“DoE.base”生成该设计。使用该包，可以测试分数阶乘设计的最佳级别和变量数。还有许多其他包可用，但“DoE.base”是最简单、最直接的方法，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#创建分式设计安装包（“DoE.base”）库（DoE.base）test.Design<-oa.Design（nlevels=c（6,2,3,3,3,3,3,3,3,3,3,2,2））fractdesign（FracDesign$Brand）<-c（“苹果”、“联想”、“宏碁”、“华硕”、“Ethos”、“其他”）级别（FracDesign$Cores）<-c（“双核”、“四核”）级别（FracDesign$RAM）<-c（“4GB”、“8GB”、“16GB”）级别（FracDesign$HardDrive）<-c（“256 GB”、“512 GB”、“1024 GB”）级别（FracDesign$DSize）<-c（“12英寸”、“14英寸”、“15.2英寸”）级别（FracDesign$DQuality）<-c（“正常”，“HD”）级别（FracDesign$触摸屏）<-c（“是”、“否”）rm（test.design）#将设计保存到excel文件install.packages（“xlsx”）库（xlsx）write.xlsx（FracDesign，“c:/Users/economicalytics/design/Desktop/expericaldesign.xlsx”）万博网页在线登录

品牌	核心	内存	硬盘	DSize	DQuality	触屏
1.	宏碁	双核	16 GB	1024GB	12英寸	典型的	对
2.	联想	四核	16 GB	256 GB	15.2英寸	典型的	对
3.	另外	双核	8GB	512 GB	12英寸	典型的	不
4.	华硕	双核	16 GB	512 GB	14英寸	高清	不
5.	苹果	四核	8GB	256 GB	12英寸	典型的	对
6.	联想	双核	8GB	256 GB	12英寸	高清	不
7.	精神	双核	8GB	1024GB	14英寸	典型的	不
8.	华硕	四核	16 GB	1024GB	12英寸	高清	对
9	另外	四核	4 GB	256 GB	14英寸	高清	对
10	苹果	双核	16 GB	256 GB	15.2英寸	典型的	不
11	华硕	双核	4 GB	256 GB	15.2英寸	典型的	不
12	精神	双核	16 GB	256 GB	12英寸	高清	对
13	精神	四核	8GB	512 GB	12英寸	高清	不
14	精神	四核	16 GB	512 GB	15.2英寸	高清	不
15	联想	双核	16 GB	1024GB	14英寸	典型的	不
16	苹果	四核	4 GB	1024GB	12英寸	高清	不
17	精神	双核	4 GB	256 GB	14英寸	典型的	对
18	另外	双核	16 GB	512 GB	15.2英寸	高清	对
19	另外	四核	8GB	1024GB	14英寸	典型的	对
20	华硕	四核	4 GB	512 GB	12英寸	典型的	对
21	联想	四核	8GB	512 GB	15.2英寸	高清	对
22	宏碁	四核	16 GB	512 GB	14英寸	典型的	对
23	华硕	四核	8GB	1024GB	15.2英寸	典型的	不
24	宏碁	双核	8GB	1024GB	15.2英寸	高清	对
25	另外	四核	16 GB	256 GB	12英寸	典型的	不
26	联想	四核	4 GB	512 GB	14英寸	典型的	不
27	苹果	双核	8GB	512 GB	15.2英寸	典型的	对
28	华硕	双核	8GB	256 GB	14英寸	高清	对
29	苹果	四核	16 GB	1024GB	14英寸	高清	不
30	联想	双核	4 GB	1024GB	12英寸	高清	对
31	另外	双核	4 GB	1024GB	15.2英寸	高清	不
32	苹果	双核	4 GB	512 GB	14英寸	高清	对
33	宏碁	四核	4 GB	256 GB	15.2英寸	高清	不
34	精神	四核	4 GB	1024GB	15.2英寸	典型的	对
35	宏碁	四核	8GB	256 GB	14英寸	高清	不
36	宏碁	双核	4 GB	512 GB	12英寸	典型的	不

上表显示了我们将用于联合分析的分数设计，一行对应一次运行。我们的想法是，参与我们联合分析的每个人，都将完成每次跑步，并对笔记本电脑进行评分。参与人数越多，我们将获得更好、更准确的信息，以便估计市场份额和了解我们的潜在客户。现在，让我们看看如果我们要运行一个完整的阶乘设计，需要运行多少次：

#完整阶乘设计安装示例。软件包（“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（FractDesign）#运行分馏工厂

在这里，分数阶乘设计的优势变得显而易见。如果我们必须运行一个完整的阶乘设计，我们将需要让一个人通过1296次运行。这意味着，在这种情况下，参与研究的每个人都需要对1296台笔记本电脑进行评分！使用分数析因设计，我们设法将其减少到仅36次，这是令人难以置信的97%的减少。然而，只有在变量之间没有交互作用的情况下，这才是可能的。最初，我们期望变量Cores和RAM之间存在交互作用，但在一些访谈中，似乎没有任何明显的交互作用。因此，满足分数阶乘设计的主要先决条件。在这里，我们将不讨论设计实验的缺点和进一步的想法，因为我们希望它保持简单。

第五步:提出替代方案

因为从一开始就很清楚，精神气质将成为一种在线销售战略，所以设计一种尽可能现实的替代方案非常重要。对于实体店，您可能会在真实环境中展示不同产品的原型，然后要求进行评级，但您也会希望使其在在线场景中变得现实。由于Ethos考虑在亚马逊上销售其笔记本电脑，因为很难从零开始吸引客户，因此有必要将概念评估调整到亚马逊的设计中，包括它可能提供的缺点和优点。因此，我构建了一个类似亚马逊的实验性主页来收集数据。下面您可以在主页上找到第4步表格中第20次跑步的示例：

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分之前，添加所有属性的描述以及这些属性的重要性可能会很有用。学生购买笔记本电脑可以被视为一项投资，他们将花费大量时间并在购买前告知自己。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出决定之前能够充分告知自己。因此，我们对所有属性、重要性和相关性进行了描述。例如，我们将解释，如果您编辑视频、编辑高分辨率图像或处理大量数据，高RAM可能很重要。此外，我们将在中添加一个约束，这样他们必须通读描述，并且整个实验不能在30分钟内完成。这迫使客户仔细考虑每一个选项，并真正参与备选方案，以实现现实和准确的评级。

第六步:测量刻度

由于我们希望客户对每个备选方案进行评分，因此我们需要一个度量，特别是利克特量表。Likert尺度是每默认间隔尺度，这意味着我们只知道通过更改属性的级别，总体效用会增加多少。由于我们选择了部分价值模型以及分数析因设计，我们也被限制在区间范围内。对于分数阶乘设计或部分价值模型，连续变量或比率变量通常是不可能的，除非我们能够对线性和相互作用做出一些不现实的假设。但利克特量表的优势在于，研究证明它更可靠。跑步评分可能如下所示：

步骤7：估算方法

最后，从估算方法中没有多少选择余地。对于我们的案例，最适合的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子，并且非常适合分数因子设计。简而言之，在我们的上下文中，该方法将做的是查看客户的评级并计算最可能的效用函数。因此，它试图了解选择，并了解哪些属性对每个人来说最重要。

最后，我们创建一个调查，从我们的目标群体中收集参与者，并让他们参与我们的调查。他们基本上用1到9之间的数字对实验设计中的每一次运行进行打分，数字越高表明笔记本电脑更适合用户的偏好。9表示非常适合，1表示非常不适合。现在我们准备了完整的联合分析，是时候收集数据了。对于我们的例子，我们使用以下代码创建一个模拟数据集:

#######################创建实用函数#######################数据收集##创建基集.seed（1234）n<-89#参与者数量数据<-Data.frame（Participant=1:89）Data$Participant<-as.factor（Data$participanicipant）（Data$Participant）for（Data$part3.c（6，11，11，11，17，17，17，17，28，28，33）数据的形状。塑造数据的数据的形状。塑造数据的数据的形状，c（6，6，11，11，11，17，17，17，28，17，28，17，28，3，苹果数据的形状。改善苹果数据的数据，改善苹果数据，c（8，8，8，13，8，13，13，13，13，13，14，14，14，14，14，14，14，14，14，14，14，14，14，14，15，15，15，15，15，15，15，15，15，15，15，15，15，15，15，15，15，18，18，18，18，18，18，18，18，18，18，18，18，18，18，18，18，18，18，18，18，18，18，18，18，18，35，35，35，35，35，35，35，35）35）[1,3,5,9,11,13,15,16,19,23,26,30）]<-数据[，c（2,3,5,9,11,13,15,16,19,23,26,30）]+0.9数据[，c（2,3,6,9,10,13,18,19,20,21,22,23,25,28,29,31,33,35）]<-Data[，c（2,3,6,9,10,13,18,20,21,22,25,29,31,33,35）]+1数据[，-1]<-1][数据[，-1]，-1][数据[，-1]，-1][-9]

解决方案：什么对客户很重要，如何赢得客户？

现在我们已经收集了数据，是时候进行分析了。我们将分四个步骤进行分析，并尝试回答我们需要了解的关于Ethos的问题。首先，我们将评估部分价值模型，并将其可视化为几个变量。部分价值模型旨在帮助我们了解目标客户，并帮助我们撕裂“理想”笔记本电脑。在第二步中，我们将深入了解客户的想法，并试图了解哪些变量真正重要。为此，我们将计算相对变量的重要性，并对这些变量进行比较。特别是，我们希望了解品牌如何影响消费者，以及品牌精神是否存在任何劣势。最后，我们将将向您展示如何快速估算未来潜在优先股并进行模拟。我们要回答的问题如下：

1. 学生们最理想的笔记本电脑是什么？
2. 在与苹果、戴尔或华硕等知名品牌进行比较时，Ethos是否会因为其初创公司不为人知而面临任何劣势？
3. 市场上的优先股是多少?

步骤1：估算零件价值模型

首先，我们需要将结果与设计相结合，以便每一行代表一台笔记本电脑，其功能随后是89名参与者收到的评分：

##########################估算零件价值模型#合并FracDesign和数据安装包（“Data.table”）库（Data.table）数据$Participant<-空数据<-转置（数据）行名（数据）<-c（1:36）合并<-cbind（FracDesign，数据）

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。此时，过程可能因目的不同而不同，但由于我们想在稍后的时间点估计偏好份额，我们需要为每个人建立一个模型。

#计算每个人安装的线性回归。软件包（“rlist”）库（rlist）回归<-list（）（8人：ncol（联合））{model<-lm（联合[，人]~因子（品牌）+因子（内核）+因子（RAM）+因子（硬盘）+因子（DSize）+因子（DQuality）+因子（触摸屏），数据=联合）回归<-list.append（回归，模型）}

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，不会显示估计值，因为它的值将自动为0。这表明部分价值效用是区间尺度变量。当我们构造一个数据帧时，我们需要考虑每个人的部分价值实用程序。下面的代码正是这样做的。它创建了一个数据帧，其中每一行代表一个变量级别，每一列代表一个参与者。

#创建数据框时，部分值变量为<-c（“截取”，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））lvls<-c（“截取”，as.character（levels（Conjoint$Brand）），as.character（levels（levels（Conjoint$Cores）），as.character（levels）（levels（levels）（Conjoint$RAM）），as.character（levels）（levels）（Conjoint$HardDrive）），as.character（levels（Conjoint$DSize）），as.character（levels（Conjoint$DQuality）），as.character（levels（levels）（Conjoint$TouchScreen）））结果<-data.frame（Variable=vars，levels=lvls）（1:n中的人）{c<-as.vector（回归[[person]$系数）coef<-c（c[1]，0，c[2:6]，0，c[7]，0，c[8:9]，0，c[10:11]，0，c[12:13]，0，c[14]，c[15]）结果[，粘贴（“Person”，Person，sep=”“）]<-轮（coef，数字=1）}

现在我们有了表格，我们只需计算每个级别的平均值，并绘制每个变量的结果。或者，也可以将标准偏差添加为每个级别的晶须。标准差将告诉我们目标群体在一个层面上有多同质，并可能给我们一个提示，说明提供多台笔记本电脑是否有用。

#获取每个变量结果[，“Average”]<-round（rowMeans（Results[，-c（1,2）]，digits=1）的平均值，并将其可视化。安装软件包（“ggplot2”）库（ggplot2）#品牌子类<-droplevels（subset（Results，variable=“Brand”））子类＄级别<-reorder（subs$Levels，subs$Average）如果（min（subs$Average）<0）{$Average<-subs$Average+abs（min（subs$Average））}gg1<-ggplot（data=subs，aes（x=Levels，y=Average，group=1））+geom_-line（）+geom_-point（）+ggtitle（“Brand”）#Cores subs<-droplevels（subset（Results，Variable=“Cores”））subs$Levels<-reorder（subs$Levels，subs$Average）如果（min（subs$Average）<0）{$Average<-subs$Average<-subs$Average+abs（min（subs$Average））}-subs$Average））}-gg2<-gg2<-gg（data=sub（x=水平，y=平均，组=1））+geom_线（）+geom_点（）+ggtitle（“核心”）#DQuality SUB<-DROPLEVEL（子集（结果，变量=“DQuality”））SUB$水平<-reorder（SUB$水平，SUB$平均）如果（min（SUB$平均）<0）{SUB$平均<-SUB$平均+abs（min（SUB$平均））}gg3<-ggplot（数据=SUB，aes（x=水平，y=平均，组=1））+geom_line（）+geom_point（）+ggtitle（“DQuality”）#DSize subs<-droplevels（subset（Results，Variable==“DSize”））subs$Levels<-reorder（subs$Levels，subs$Average）如果（min（subs$Average）<0）{subs$Average<-subs$Average+abs（min（subs$Average））}gg4<-ggplot（data=subs，aes（x=Levels，y=Levels，y=Average，group=1））+geom_line（）+geom_point(“DSize”）#硬盘驱动器子系统<-droplevels（子集（结果，变量==“硬盘驱动器”））子系统$Levels<-reorder（子系统$Levels，子系统$Average）如果（min（子系统$Average）<0）{subs$Average<-subs$Average+abs（min（子系统$Average））}gg5<-ggplot（数据=子系统，aes（x=Levels，y=平均，组=1））+geomè线（）+geomè点（）+ggtitle（“硬盘驱动器”）#子系统<-droplevels（subset（Results，Variable==“RAM”））subs$Levels<-重新排序（subs$Levels，subs$Average）如果（min（subs$Average）<0{subs$Average<-subs$Average+abs（min（subs$Average））}gg6<-ggplot（data=subs，aes（x=Levels，y=Average，group=1））+geom_line（）+geom#point+ggtitle（“RAM”）}触摸屏subs（Results，Variable=“触摸屏”））subs$Levels<-重新排序（subs$Levels，subs$Average）如果（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（）（gg1，gg2，gg3，gg4，gg5，gg6，gg7，nrow=4，ncol=2）

这些表格是每一个联合分析的核心，为我们提供了宝贵的信息，告诉我们改变我们的Ethos笔记本的特性将如何提高实用性。例如，有趣的是，将硬盘从256 GB增加到512 GB会大幅降低实用程序，这可能表明目标用户预算较低，更喜欢其他功能。例如，我们可能还将价格作为特征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的未来客户愿意为一台笔记本电脑支付多少钱。

利用这些数据，我们已经可以回答Ethos提出的前两个问题:

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。我们只看一下每个变量中最大化效用的级别：一台配备双核处理器的华硕或联想笔记本电脑、一个简单的14英寸屏幕、256 GB硬盘、8 GB RAM和一个触摸屏。
2. 在与苹果、戴尔或华硕等知名品牌进行比较时，Ethos是否会因为其初创公司不为人知而面临任何劣势？
   你肯定意识到，Ethos不能生产“华硕”或“联想”的笔记本电脑，这就造成了品牌劣势。有趣的是，与苹果或宏碁相比，Ethos将拥有品牌优势，但与华硕或联想相比，它显然处于劣势。这意味着目标客户对品牌有点敏感，但没有预期的那么敏感，特别是因为更有声望的品牌苹果得分较低。然而，如果华硕、联想和Ethos生产完全相同的笔记本电脑，Ethos可能会松懈，为了击败竞争对手，它必须采取不同的策略。第一，它开始建立品牌并创造独特的用户体验(例如在线订单，(额外的服务，如免费流媒体)，以弥补品牌在该细分市场的劣势，或b)使用更量身定制的营销策略与不同的市场渠道，这将帮助他们总是比竞争对手更接近目标客户。这个决定取决于Ethos的管理者。

步骤2：相对变量重要性

那么，在构建所需的笔记本电脑时，Ethos应该从哪里开始呢?什么应该是首要任务?解决这个问题的一个简单方法是观察相对变量的重要性，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，通过从具有最高效用的关卡中减去具有最低效用的关卡来计算最大可能的差异。第二，对于变量a，其相对变量重要性就是a的最大可能差值与所有变量的最大可能差值之和的比值。但幸运的是，有一个r函数可以帮我们计算。

#计算（1:n中的模型）{relImp<-calc.relImp（回归[[model]]，type=c（“lmg”），rela=TRUE）relImp<-as.vector的相对重要性安装程序包（“relImp”）库（relImp）重要性<-data.frame（变量=c（“品牌”，“内存”，“硬盘驱动器”，“DSize”，“内核”，“DQuality”，“触摸屏”））(relImp@lmg)重要的，重要的粘贴（“人”，model，sep=“”）]<-round（relip，digits=3）}重要性$Average<-rowMeans（重要性[，-1]）重要性<-reorder（重要性$Variable，重要性$Average）ggplot（重要性，aes（x=reorder（Variable，Average），y=Average））+geom_col（）+coord_flip（）+scale_y_continue（标签=函数（x）粘贴（x*100，“%”）

第三步：预测市场份额

为了预测市场份额，我们假设Ethos的董事会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 networks将笔记本电脑推向市场，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数据帧，包含所有品牌的所有可用的笔记本电脑，我们的笔记本电脑需要与之竞争。然而，为了简单起见，我将创建一个由49个不同的笔记本电脑组成的竞赛，Ethos的笔记本电脑将与之竞争。下面的代码将创建笔记本列表:

######### 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)name (Market) <- vnames . name (Market

现在我基本上是用我之前推导的回归模型为每台笔记本电脑的每个用户创建了拟合或预测的值。

#（参与1:n）{Market[，paste（“P”，participant，sep=”“）]<-predict（回归[[participant]]，newdata=Market[，1:7]）的每个用户的每个应用程序得分

最后，我只需要看看每个参与的人哪台笔记本电脑“获胜”，并计算品牌，以获得“市场份额”。“胜利”可以被认为是个人在中立和最佳条件下做出的笔记本电脑购买决策。这是程序的一个主要限制。事实上，我在这里计算的并不是真正的市场份额。这将是一个“优先”的份额，因为你永远不会在市场上找到中性和最佳的条件。中性和最佳条件是，例如，没有一个品牌具有分销渠道优势，或者消费者有机会评估篮子中的所有笔记本电脑，这是不太可能的。当然，可以通过纠正实际市场中存在的这些约束条件的结果来增强该方法，但优先股为您提供了信息，即如果您与竞争对手相比没有任何劣势（或优势，具体取决于前景），您将如何应对。

#确定潜在市场份额购买< -unlist(应用(市场[,8:ncol(市场)],2,函数(x) (x = = max (x))))购买<美元市场品牌(购买)brandcount < -as.data.frame(表(购买))brandcount频率< - brandcount频率美元/笔(brandcount频率美元)ggplot (brandcount, aes (x =购买,y =频率))+ geom_bar(统计=“身份”)

现在我们可以看到，市场将主要由宏碁、华硕和联想主导，而Ethos将以大约1%的市场份额遥遥领先。这是意外吗?不，有两个原因。首先，正如我们发现的那样，Ethos面临着一些显著的品牌劣势。其次，Ethos只卖一台笔记本电脑，而其他竞争对手在我们的模拟市场平均卖10台。

结论：独特的分销渠道是战胜竞争的关键

最后，我们成功地回答了咨询客户Ethos提出的所有三个问题，并展示了联合分析的强大功能和信息量。当然，还有一些我们没有提到的缺点，比如很难准确地收集数据。在进行联合分析时，还应整合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，你可以根据自己的需要调整它。首先，如果希望获得更真实的结果，可以使用不同的偏好模型。第二，在得出偏好之后，可以对它们进行进一步的分析。您可以进行主成分分析或聚类分析，以找出哪些客户是相似的。你也可以计算你应该推出多少种不同的笔记本电脑来优化你的市场份额，或者你甚至可以将联合分析与机器学习方法结合起来。第三，您可以使用实际购买数据，而不是使用调查数据。

那么现在的情况是什么呢？如果Ethos能够以具有竞争力的价格生产和销售笔记本电脑，并且市场条件理想，那么它将能够获得1%的市场份额。Ethos现在知道客户的想法，知道什么样的笔记本电脑才适合需要。但是，这是否足以击败竞争对手？我想知道是的，不，因为Ethos如果想击败竞争对手，就需要开发一个独特的分销渠道。原因很简单。你可以生产理想的笔记本电脑，但如果你的客户从未发现，他将永远不会购买。因此，你需要领先竞争对手一步。你认为呢？

进一步的阅读

• 联合分析简介-理解、优化和预测决策
• 如何通过7个简单步骤构建最佳拟合联合分析-联合分析分步指南
• 设定价值，而不是价格
• 为客户互动定价