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。

步骤1:问题和属性

在每个联合分析的开始,您应该定义问题并找到您想要收集的属性。这是非常重要的,因为问题决定了联合分析的目的,而这已经在某些方面限制了您。无论你是想预测市场份额还是想了解你的客户,对于每种情况,你都需要不同的互补成分来让它工作。当您想要了解一个客户时,您很可能需要在步骤2中选择一个零件价值模型,因为这个模型是最简单的,并且允许您以简单的图形表示首选项。但是,如果你想预测市场份额,那么部分价值模型可能不能推广到特殊情况,你可能需要一个混合模型。

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到的相关性可能会发生。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

当涉及到建模偏好时,你通常可以在5种基本模型中进行选择。这一步是关于决定如何对消费者偏好进行建模,例如,消费者实际上是如何在他的头脑中做出决策的。这个想法是选择一个模型,尽可能类似于他的内部决策方式,例如,复制他的内部思考决策的方式。你的模型越接近消费者的实际决策方式,你的结果就会越好。当我们想要选择最接近消费者事物方式的模型时,也有其他的考虑。例如,有些模型更容易理解和呈现,其他模型为行动提供了明确的方向,其他模型更好地补充了其他步骤。以下是一些可以应用的模型的简要概述:

  1. 矢量模型
    一个基本的简单模型,适合于许多用途。然而,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. Part-worth函数模型
    部分价值模型遵循的想法边际效用从经济学。这意味着它没有给出期权效用的绝对值,而是假设了一个参考选项。所有其他替代方案都是相对于引用值进行评估的,例如,如果我们将引用替代方案的特定属性更改为其他值,实用程序将改变多少。部分价值模型的所有估计都在间隔量表.这使得基于部件价值模型进行预测变得非常困难。然而,部分价值模型还有其他一些优点。它们可以用图形表示,它们可以用于计算相对属性重要性,它们与分数析因设计兼容,它们为如何改进产品提供明确的建议。
  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
    自定义模型描述了特殊情况,其中开发了自己的模型,前面提到的模型已经被改编或组合。如果已经知道消费者如何做出决定,他们采用什么心理规则,以及他们如何做出决定,那么定制模型可能是一个好方法。例如,你知道客户通过两个步骤来做决定,首先他有k.o.标准,排除所有符合标准的选项,然后选择效用最大化的选项。另一个例子是满意,你的客户选择符合最低标准的第一个方案,而不是经过所有的方案,然后选择最理想的方案。自定义模型使您能够使模型适应每个特定的实例,但是,它们与所有其他步骤的兼容性就更困难了。真正的决策心理学专家应用定制模型是非常必要的,因为模型仍然需要科学有效

步骤3: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. 权衡
    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. 概念评价
    在概念评估中,一个包含所有属性的整体方案同时呈现,消费者必须根据自己的偏好对方案进行评估或排序。这种方法更现实,但可能导致信息过载。如果一个人同时面对多种选择,可能很难把所有信息都考虑进去。
  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。

其他的考虑,需要在这一点,例如,你想如何收集数据(问参与者个人在线问卷,给他们两个产品,他们可以测试并决定然后…),你怎么能让你尽可能真实的场景吗?

步骤4:展示备选方案

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. 概述
    概述的优点是它以一种简短而简明的方式呈现所有重要的数据。然而,这种方法通常是不现实的,并且存在没有文本的值可能被误解的危险。
  2. 段落
    段落描述可以让你增加更丰富的描述,避免误解。它还提供了测试不同措辞方式的可能性。然而,它也很容易导致信息过载,并不是每个消费者都会花时间阅读所有的东西。
  3. 照片或视频
    图片或视频是可以减少选择负担的选项。然而,它并不一定提供任何确凿的事实,如果您正在尝试一个场景,而该产品还不存在,则可能很难展示一个示例。此外,可以认为这个选项比前两个选项更昂贵。

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),或者使用这个作为一个锚点来评估以下的(光环效应)。您呈现属性的方式也可能有效果感知到的相关性

第5步:实验设计

最后,根据所选择的数据模型,还需要指定一个实验设计。这一步骤不应被低估。例如,如果您选择将偏好表示为部分价值模型或混合模型,这尤其正确。设计实验的艺术是小人物都很熟悉的所以我建议你坚持使用全阶乘或者最大分数阶乘设计如果你没有任何特别的经验或者身边没有实验科学的博士。你可以在本博客的一篇文章中找到关于如何在R上创建完全阶乘设计和部分阶乘设计的解释和逐步指导。

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,如果您决定采用混合模型解决方案,您将需要考虑是否要包括任何转换(日志变量、二次变量等)。如果是这种情况,那么您可能需要进行更多的试验运行,并且可能需要减少属性的数量。请注意,包含这些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.总共运行了81次,而部分析因设计,正如其名称所示,使您能够减少大小并只运行总运行量的一部分。这只有在属性之间没有重要交互时才可能。

步骤6:测量标度

最后,根据您所选择的方法,测量尺度也很重要。举个具体的例子,如果联合分析的目标是了解消费者,而您选择使用部分价值模型,那么理想的测量尺度将是分类的或最大序数的。如果您决定采用分式析因设计,通常情况下也是如此。在这种情况下,也有必要使用序数变量,只有在特殊情况下,您可以使用连续变量,例如,如果您希望属性是完全线性的。

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。

第七步:估算方法

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对于您的分析,我不会在这里进行详细讨论,因为这对于本文来说太多了。此外,您还应该始终考虑自己设计的弱点。每一个联合分析都会有弱点,构建一个联合分析的目标不是消除所有的弱点,而是选择一个使其弱点与你的目的和情况无关的联合分析。

最后,我想提示您另一个可能需要考虑的问题和我的建议。你需要思考,你是想对一组人使用一个偏好模型,还是对每个人都使用一个偏好模型。联合分析通常是为了估计每个人的一个偏好模型而设计的,而不是试图为“一般”人产生偏好模型,这是有充分理由的。只有当您想要将模型推广到的人群的需求和效用非常相同时,一般人可能才有意义,但这种情况很少发生。如果情况不是这样,你应该为每个人单独计算一个偏好模型,因为如图所示,一个普通人的效用函数可能根本不能代表现实。此外,如果您拥有适合许多人的实用函数,那么您可以开始基于实用程序应用集群方法,以不同的方式更好地理解消费者。

发表评论

您的电子邮件地址不会被公开。必填字段被标记*