Conferência Sawtooth Software 2019

Enquanto líder no domínio da modelação da escolha e parceiro preferencial da Sawtooth Software, líder mundial em software conjoint, orgulhamo-nos de acolher 2 tutoriais práticos e de apresentar 3 artigos inspiradores sobre inovações conjoint, fusão de dados e qualidade dos dados na Conferência Sawtooth Software 2019 em San Diego, CA..:

Tutoriais pré-conferência

Executar um projeto Conjoint do início ao fim - Intermediário

Segunda-feira, 23 de setembro | 8:00 AM - 12:00 PM
Remco Don, Diretor
Jeroen Hardon, VP e Diretor de Localização Hoboken

Embora a teoria da análise conjunta seja muito importante e muito discutida na Conferência Sawtooth, queremos adotar uma abordagem prática com este workshop e orientá-lo através de um estudo CBC completo. Iremos rever cada um dos passos, incluindo a recodificação de dados, contagens, Logit, Classe Latente e HB. Durante cada uma destas etapas, mostraremos dicas e truques para tirar o máximo partido dos seus dados. Como modelar os dados, interpretar os resultados e quais são os principais aspectos a ter em conta? Tudo isto será discutido com base num conjunto de dados reais utilizando o Lighthouse Software.

Soluções experimentais Conjoint - Avançado

Segunda-feira, 23 de setembro | 1:00 PM - 5:00 PM
Jeroen Hardon, VP e Diretor de Localização Hoboken
Kevin Lattery, VP de Metodologia e Inovação

Por vezes, os padrões não são suficientes para responder às questões de investigação em causa e é necessário desviar-se dos caminhos mais percorridos. Os formadores gostariam de o convidar para este tutorial de 4 horas sobre aplicações avançadas em CBC e MaxDiff. Será discutida uma série de extensões desafiantes e interessantes da modelação de escolha, incluindo:

• Técnicas de conceção personalizadas que combinam o Lighthouse e o Excel e discutir as implicações destas personalizações
• Apresentação de diferentes métodos de codificação para um processamento mais rápido
• Combinação de vários estudos MaxDiff numa estimativa de classe latente
• Combinação de MaxDiff e CBC: diferentes formas de aumentar os dados
• Soluções de fita adesiva para o problema do autocarro vermelho e azul

Sessões da conferência

Podemos utilizar a RLH para avaliar a qualidade dos inquiridos?

Quarta-feira, 25 de setembro | 14:15 - 15:00
Marco Hoogerbrugge, Diretor de Investigação

Nos estudos de CBC, a Probabilidade de Raiz (RLH) é frequentemente utilizada como um indicador suficiente da qualidade dos dados conjuntos. Na apresentação, discutiremos porque é que isto não é suficiente, apresentaremos um procedimento melhorado para avaliar a qualidade dos dados conjuntos (concetualmente) e compararemos diferentes variantes do novo procedimento.

Combinação dos modelos CBC e de escolha dinâmica para uma previsão mais exacta

Quinta-feira, 26 de setembro | 14:30 - 15:00
Faina Shmulyian, Gestora de Metodologia

Em categorias como Tecnologia e Inovação, Viagens ou Bens de Luxo, os consumidores passam frequentemente uma quantidade significativa de tempo a considerar produtos ou ofertas antes de tomarem uma decisão de compra. Durante este tempo, as preferências dos consumidores podem ser afectadas pela publicidade, redes sociais, processos socioeconómicos ou família e amigos. Apresentaremos e discutiremos uma abordagem que combina um modelo Conjoint baseado na escolha e um modelo de escolha dinâmica, permitindo ajustar os efeitos externos e resultando numa previsão mais precisa.

Fusão de dados: Um modelo HB flexível para modelar estruturas em vários conjuntos de dados

Quinta-feira, 26 de setembro | 15:30h - 16:15h
Kevin Lattery, VP de Metodologia e Inovação

A fusão de dados analisa vários conjuntos de dados em relação uns com os outros. Descrevemos três abordagens analíticas gerais à fusão de dados: multi-estágio, empilhamento/aumento de dados e modelação estruturada. Estas abordagens podem ser utilizadas de forma independente ou conjunta em diversos contextos de fusão de dados. Estes contextos de fusão de dados incluem aplicações comuns como "Anchored MaxDiff", "Dual Response None" e ACBC. Descrevemos o empilhamento de dados nestas aplicações comuns e fornecemos um modelo estruturado alternativo utilizando um modelo Bayes hierárquico flexível.