如何在7个简单步骤中构建最合适的联合分析

步骤指南的联合分析。

构建联合分析并不像似乎那样困难。正如我们在上一篇文章之一所述,在构建时需要考虑一些事情。重要的是与联合分析,步骤彼此适合像一个拼图的碎片。如果您无法建立房屋,如果您没有选择相互补充的合适材料,如果步骤不相互补充,联合分析将不会有效。为此,可能需要返回到较早的步骤之一并调整它。整个设计是一个迭代过程。

第1步:问题和属性

在每个联合分析的开始时,您应该定义问题并查找您想要收集的属性。这是非常重要的,因为问题决定了联合分析的目的,这将以某种方式限制您。无论您是想预测市场份额还是想要了解您的客户,对于每种情况,您都需要不同的互补组件,以便其工作。当您想了解客户时,您将很可能在步骤2中选择一个零件价值模型,因为这是最简单的模型,使您能够在普通数据中呈现偏好。但是,如果您想预测市场份额,那么一个值得模型可能无法概括到特殊情况,您可能需要混合模型。

在您已经足够完整的问题后,为您的目的选择右侧属性并尝试将自己限制为真正必要的属性,这是至关重要的。有一个领域专家可能足以决定必要的属性,但对消费者进行采访可能会更有益,以从他们的角度识别相关属性。对于每个属性,您应该决定它是什么类型(分类,序数和连续)以及您在实用程序和该属性之间期望的关系(线性,二次......)。此外,您应该查看变量,看看您是否期望任何互动以及是否有问题感知相关性可能会发生。感知的相关性描述了顾客希望在没有的情况下预期属性之间的相关性的现象。例如,消费者倾向于假设昂贵的汽车必须比更便宜的汽车更好,即使它们可能是相同的。感知的相关性可以偏见你的联想分析并使它们不那么有效。最后,您应该花费关于您是否捕获效用中的所有重要变异性的想法,例如,所有相关变量都包含在内确定购买决定。

第2步:偏好模型

谈到建模偏好时,通常可以选择5个可以应用的基本模型。这一步是关于决定如何模拟消费者偏好,例如如何模拟消费者偏好。消费者如何实际在他的头上做出决定。这个想法是选择一种类似于他的内部决策方式的模型,例如,如此。复制他的内部思考决策方式。您的模型越靠到消费者决定的实际方式,结果越好。虽然我们想要选择最接近消费物的方式,但还有其他考虑因素。有些型号更简单地理解和更容易出现,其他型号可以为行动提供清晰的方向,而其他型号则更好地提高其他措施。以下简要概述了可应用的某些型号:

  1. 矢量模型
    一个基本的简单模型,非常适合多种目的。但是,基本级别不允许更复杂的关系。
  2. 理想点模型
    理想点模型假定只有一个理想的偏好,彼此可以通过来自此属性的距离来评估属性的彼此组合。远离属性的组合,优选较少。根据假设,取决于假设,还可以使用不同的距离措施,例如二次距离或曼哈顿距离。理想点模型提供了客户偏好可以在地图上绘制的优势,并且可以轻松呈现。
  3. 部分价值函数模型
    部分价值模型遵循的想法边缘效用来自经济学。这意味着它不会给出一个选项的实用程序的绝对值,而是假设参考替代方案。相对于参考值评估所有其他替代方案,例如,如果我们将参考替代方案的特定属性更改为其他值,则该实用程序将如何更改。零件价值模型中的所有估计都在间隔量表。这使得基于零件价值模型产生预测很难。但是,部分价值模型提供了其他几个优点。它们可以以图形方式呈现,它们可以用于计算相对属性的重要性,它们与分数阶乘设计兼容,他们提供了有关如何改进产品的清晰建议。
  4. 混合模型
    混合模型为建模和等于任何类型的回归模型提供全方位的可能性。可以包括相互作用,因素,连续变量,任何类型的转换(对数,二次,指数等)。这种复杂性使其能够建模更复杂的属性 - 实用程序关系,并更容易产生预测。但是,它也有缺点。一个人必须知道什么级别的复杂性是合适的以及如何使用它,否则,建议坚持更简单的方法。此外,根据复杂程度,在以后将其与其他组件结合起来可能更加困难。TT可能很难了解消费者给出复杂性,并且将结果呈现给他人可能更困难。
  5. 自定义模型
    自定义模型描述了已经开发了自己模型的特殊情况,之前提到的模型已经适应或组合。如果已经了解消费者如何做出决定,他们适用的精神规则以及它们如何接近决定,而不是自定义模型可能是一个好方法。例如,您知道客户的决策在两个步骤中,首先他有K.O.-标准,并消除所有能够满足标准的选项,然后选择最大化实用程序的替代方案。另一个例子是满意您的客户选择符合最小标准的第一个替代方案,而不是通过所有选项,并选择理想的替代方案。自定义模型使您可以将模型调整为每个特定实例,但是,它们与所有其他步骤的兼容性更困难。绝对是必要的,定制模型由真正的决定心理学专家应用,因为模型仍然需要科学有效

第3步:数据收集

数据收集步骤涉及我们如何从客户获取数据。在这里,您将拥有三种一般选择,每个选项都具有优缺点。

  1. 交易
    在折衷演示文稿中,您向客户展示每对属性的每对属性的两个属性的级别。客户然后订购最优选的组合,以最不优先考虑或汇率。权衡分析的优点是您可以精确地了解如何发现对整个公用事业,交互和非线性的贡献。但是,它可能会导致选择过载(想象一下,您有4个属性,您的客户将需要54种组合)。此外,它不是真正做出决策的现实情景。
  2. 概念评估
    在概念评估中,一次呈现所有属性的整个替代品,并且消费者必须根据其偏好进行评估或订购替代方案。此方法更现实,但可能导致信息过载。如果一个人在同一时间接触到几种选择,则可能难以考虑所有信息。
  3. 选择制作
    选择使选项类似于概念评估,但差异是通常向客户提供两个或更多选项,客户必须做出选择,例如,他确实买了哪一个。这种情况的明显优势是首先收集选择数据,它更为逼真。

此时需要在此处进行的其他考虑因素是,例如,您希望如何收集数据(请求参与者,在线调查问卷,给他们两个产品,他们可以测试并决定那么......)以及如何制作你的场景尽可能逼真吗?

第4步:替代品的介绍

在这种意义上现实意味着您创造的场景类似于您的实际客户面临的环境,当他们进行购买决策时。尽可能逼真的替代方法是您希望使您的客户尽可能简单地理解替代方案,因此他可以尽可能精确地估计他的分数。对于替代方案的演示,您还有三种选项:

  1. 概要
    概述具有以下优点,即它以简短而简洁的方式介绍所有重要数据。然而,往往这种方式并不逼真,并且有一个危险可能会误解文本的值。

  2. 段落描述使得有机会添加更丰富的描述并避免误解。它还提供了测试不同方式的可能性。但是,它也可能很容易导致信息过载,而不是每个消费者都需要时间阅读一切。
  3. 图片或视频
    图片或视频是将减少选择过载的选项。但是,它不一定提供任何严重的事实,如果您尝试过一种情况并且产品尚不存在,可能很难展示一个例子。此外,这种选项可以被认为比前两个两个更昂贵。

最后,您应该花关于用户如何处理您给他的信息的想法,以便您向他展示场景。通常,您希望尽可能地将信息呈现,但与此同时,您希望避免信息超载。信息过载可能会对个人的结果偏见,因为他根本不知道如何估计该实用程序,因为它是一种形成意见的太多信息。此外,如果您以一定的顺序订购类别,那些首先出现的类别可能会变得更加重要,因为客户没有真正寻找所有人,使用此一个来构造截止规则(满意)或使用此作为锚来评估以下锚(光环效应)。您呈现属性的方式也可能有效果感知相关性

第5步:实验设计

最后,根据您选择的数据模型,您还需要指定实验设计。不应低估这一步骤。例如,如果选择作为零件值模型或混合模型的偏好,则尤其如此。设计实验的艺术是小人物将熟悉的东西,因此,如果您没有任何特殊的体验或没有博士学位,我建议您坚持完整的因子或最大的分数阶段。在手头的实验科学中。您可以找到一个解释,包括如何在本博客上的一个文章中创建自己的r r逐步创建您自己的设计。

这里有三种主要的考虑因素。首先,您应该查看第1步准备的属性列表),并询问您是否期望有任何重大的互动效果。如果确定您在属性之间有几种显着的交互效果,则分数阶乘设计将产生偏见的结果,不能使用。在这种情况下,您要么更改要考虑的属性,要么您要考虑完整的因子设计。如果您希望没有显着的互动,您可以在分数阶段设计和完整的因子设计之间进行选择。

其次,如果您决定去使用混合模型解决方案,您需要考虑是否包含任何转换(记录变量,二次变量等)。如果是这种情况,那么您可能需要进行更高的数字或实验运行,也许您需要减少属性的数量。请注意,包含这种变量通常会使结果的解释更加困难。

第三,您需要考虑实验的大小。实验设计越长,而且它的运行越多,令人疲倦就越多。想象一下,您需要确定100个产品只有略微不同的产品的评级。我可以打赌,在某些时候,你不会再抓住它,犯错误或开始输入某些东西,以便完成评级。与完整的因素设计相比,这里有一个分数因子设计的明显优势。如果您有4个具有3个级别的属性,则可能快速结束34.81总共运行,而分数阶乘设计,正如所说的名称,使您可以减少大小并仅运行运行总量的一小部分。只有在属性之间没有显着的相互作用,才有可能。

步骤6:测量标度

最后,测量标度也取决于您选择的方法。为了给你一个具体的例子,如果联想分析的目标是关于了解消费者,并且您选择使用零件价值模型,那么理想的测量标度将是分类或最大序数。如果您决定使用分数阶乘设计,这通常也是如此。在这种情况下,还必须使用序数变量,只有在特殊情况下,如果您希望属性是完全线性的,则可以使用连续变量。

在另一方面,如果您的目标是预测未来的市场偏好份额,则序数尺度可能不够,因为您会面临预测具有超出所选属性级别的属性的替代工具的问题。例如,您希望预测具有32GB的总RAM(此类笔记本电脑)的笔记本电脑的最大实用程序,但在构造实用程序函数时,您只包含4G,8GB和16GB的属性RAM。然后,您将无法预测任何没有这三个级别的RAM中的任何笔记本电脑的实际实用程序分数,如带32GB RAM的笔记本电脑。

步骤7:估计方法

有一系列方法可以应用于估计方法,最终依赖于您选择的偏好的模型,因为您无法使用所有方法估算所有模型。最后的方法将根据前面选择的模型导出特定人员或其偏好地图的个人属性的重要性和分数。

除了Prefermap,Linmap,Johnson的权衡算法,Monanova,Probit和Logistic回归,最具切实可行和已知的一个是线性回归。线性回归可用于估计部分值模型以及混合模型。在下一个文章中,我将向您展示如何使用线性回归模型来估计零件值函数以及混合模型。

结论

在这里,它现在变得明显,为什么联合分析是一个框架,例如,一组方法,因为它存在于许多不同的变化中,而不是根据手头的具体情况,分析的目标和可用属性的目标。在自我设计的联合分析结束时,您应该花关于如何衡量的想法有效性可靠性您的分析,此时我不会详细介绍这篇文章可能太多。此外,您还应该始终考虑自己设计的弱点。每个联合分析都会有缺点,构建联合分析的目标是不消除所有缺点,而是选择与您的目的和情况无关的联合分析。

最后,我想暗示另一个可能需要考虑的问题和我的建议。您需要思考,无论您是否想要整整一组人的一个偏好模型,或者您是否要估算每个人的一个偏好模型。CONGOINT分析通常旨在为每个人估算一个偏好模型,而是试图为“平均”人提供偏好模型,并且有很好的原因。如果您想要概括您的模型在其需求和公用设施中非常同质的人群,则普通人可能只会有意义,但这很少是如此。如果不是这种情况,则应单独计算每个人的偏好模型,因为如图所示,普通人的实用程序函数可能根本不代表现实。此外,如果您有许多人的实用程序功能,则可以开始根据实用程序应用群集方法以以不同和更大的方式理解消费者。

发表评论

您的电子邮件地址不会被公开。必需的地方已做标记*