Sawtooth Software 2019 Konferenz

Sawtooth Software 2019 Konferenz

Als Vorreiter im Bereich der Choice-Modellierung und bevorzugter Partner von Sawtooth Software, dem weltweit führenden Anbieter von Conjoint-Software, sind wir stolz darauf, auf der Sawtooth Software Konferenz 2019 in San Diego, Kalifornien, zwei praktische Tutorials zu veranstalten und drei inspirierende Vorträge über Conjoint-Innovationen, Datenfusion und Datenqualität zu präsentieren:

Tutorials vor der Konferenz

Durchführung eines Conjoint-Projekts von Anfang bis Ende - Fortgeschrittene

Montag Sep 23 | 8:00 AM - 12:00 PM
Remco Don, Geschäftsführer
Jeroen Hardon, VP und Standortleiter Hoboken

Während die Theorie der Conjoint-Analyse sehr wichtig ist und auf der Sawtooth-Konferenz viel diskutiert wird, möchten wir in diesem Workshop einen praktischen Ansatz verfolgen und Sie durch eine komplette CBC-Studie führen. Wir werden jeden einzelnen Schritt durchgehen, einschließlich der Neukodierung von Daten, Zählungen, Logit, Latent Class und HB. Bei jedem dieser Schritte werden wir Ihnen Tipps und Tricks zeigen, wie Sie das Beste aus Ihren Daten herausholen können. Wie modellieren Sie die Daten, wie interpretieren Sie das Ergebnis und worauf müssen Sie besonders achten? All dies wird anhand eines realen Datensatzes unter Verwendung von Lighthouse Software erörtert.

Experimentelle Conjoint-Lösungen - Fortgeschrittene

Montag, 23. September | 13:00 - 17:00 Uhr
Jeroen Hardon, VP und Standortleiter Hoboken
Kevin Lattery, VP Methodik und Innovation

Manchmal reichen Standards nicht aus, um die anstehenden Forschungsfragen zu beantworten, und man muss von den am meisten begangenen Wegen abweichen. Die Trainer würden Sie gerne zu diesem 4-stündigen Tutorium über fortgeschrittene Anwendungen in CBC und MaxDiff mit ins Boot holen. Es wird eine Reihe von anspruchsvollen und interessanten Erweiterungen der Wahlmodellierung besprochen, darunter:

  • Benutzerdefinierte Entwurfstechniken, die Lighthouse und Excel kombinieren und die Auswirkungen dieser Anpassungen diskutieren
  • Darstellung verschiedener Kodierungsmethoden für eine schnellere Verarbeitung
  • Kombination mehrerer MaxDiff-Studien in einer Latent-Class-Schätzung
  • Kombination von MaxDiff und CBC: verschiedene Möglichkeiten der Datenerweiterung
  • Klebebandlösungen für das Rot-Bus-Blau-Bus-Problem

Konferenz-Sitzungen

Können wir RLH verwenden, um die Qualität der Befragten zu beurteilen?

Mittwoch, 25. September | 2:15 PM - 3:00 PM
Marco Hoogerbrugge, Forschungsdirektor

In CBC-Studien wird die Wurzel-Likelihood (RLH) oft als ausreichender Indikator für die Qualität der Conjoint-Daten verwendet. In der Präsentation werden wir diskutieren, warum dies nicht ausreicht, wir werden ein verbessertes Verfahren zur Bewertung der Qualität der Conjoint-Daten (konzeptionell) vorstellen und wir werden verschiedene Varianten des neuen Verfahrens vergleichen.

Kombination von CBC- und Dynamic-Choice-Modellen für präzisere Prognosen

Donnerstag, 26. September | 2:30 PM - 3:00 PM
Faina Shmulyian, Leiterin der Abteilung Methodik

In Kategorien wie Technik und Innovation, Reisen oder Luxusgüter verbringen die Verbraucher oft viel Zeit damit, Produkte oder Angebote zu prüfen, bevor sie eine Kaufentscheidung treffen. Während dieser Zeit können die Präferenzen der Verbraucher durch Werbung, soziale Medien, sozioökonomische Prozesse oder Familie und Freunde beeinflusst werden. Wir werden einen Ansatz skizzieren und erörtern, der ein standardmäßiges Choice-Based Conjoint und ein Dynamic Choice Modelling kombiniert, das eine Anpassung an die externen Effekte ermöglicht und zu einer genaueren Vorhersage führt.

Datenfusion: Eine flexible HB-Vorlage für die Modellierung von Strukturen über mehrere Datensätze hinweg

Donnerstag, 26. September | 3:30 PM - 4:15 PM
Kevin Lattery, VP Methodik und Innovation

Bei der Datenfusion werden mehrere Datensätze in Bezug zueinander analysiert. Wir beschreiben drei allgemeine analytische Ansätze für die Datenfusion: mehrstufig, Data Stacking/Augmentation und strukturierte Modellierung. Diese Ansätze können unabhängig voneinander oder gemeinsam in verschiedenen Datenfusionskontexten verwendet werden. Zu diesen Datenfusionskontexten gehören gängige Anwendungen wie "Anchored MaxDiff", "Dual Response None" und ACBC. Wir beschreiben das Data Stacking in diesen gängigen Anwendungen und stellen ein alternatives strukturiertes Modell mit einer flexiblen hierarchischen Bayes-Vorlage vor.