What is conjoint segmentation?

La segmentation conjointe est une variante du Conjoint basé sur le choix visant à fournir des informations détaillées sur l'échantillon avec plusieurs segments de répondants présentés dans le cadre de l'analyse. Le plan expérimental est créé en utilisant des méthodes qui emploient l'algorithme d'échange de Federov afin que le plan final soit D-optimal et presque orthogonal. L'algorithme explore l'espace complet des plans possibles pour le meilleur donné des paramètres spécifiés. Il est attendu que chaque option (niveau de variable) soit présente un nombre de fois approximativement égal par rapport aux autres options. Le nombre total de versions varie en fonction de la configuration, mais avoir plus d'une centaine de versions pour de grandes configurations est courant. L'analyse principale des préférences des répondants est effectuée à l'aide du modèle logique multinomial bayésien hiérarchique. Le modèle bayésien est estimé avec un échantillonneur Gibbs hybride avec une étape aléatoire Metropolis MCMC. Le nombre d'itérations de rodage est déterminé automatiquement lorsqu'il y a suffisamment de preuves de convergence. Le modèle prend en compte les propriétés des autres packages présentés dans une tâche lorsque le répondant fait un choix. La probabilité de choix correspond à la transformation logique de la combinaison linéaire des scores d'utilité des packages dans la tâche. Les répondants sont analysés individuellement, avec leurs scores de préférence étant une réalisation de l'opinion "moyenne" regroupée qui suit une distribution normale, tout en reflétant leurs préférences individuelles. En conséquence, les coefficients logiques bruts sont disponibles pour chaque répondant. L'analyse de segmentation se compose de deux étapes. Tout d'abord, un modèle de clustering de mélange gaussien est appliqué sur les coefficients bruts du conjoint pour déterminer un certain nombre de clusters avec des répondants partageant des opinions similaires. Ensuite, un certain nombre de tests sont effectués en utilisant les données disponibles sur les traits des répondants et les réponses à d'autres questions de l'enquête, pour trouver les caractéristiques les plus pertinentes qui expliqueraient la dissimilarité d'un cluster par rapport aux autres. La page de statistiques montre plusieurs éléments : résultats de segmentation, simulateur de marché, valeurs d'importance des attributs et impacts des parts de marché ou des scores d'utilité des options. Dans le simulateur de marché, le mode "Part de marché" suppose un état du marché où deux packages existent : un moyen et celui choisi. Avec de tels paramètres, il est possible de voir comment la part de marché du package choisi change avec une modification des attributs. Le mode "Scores d'utilité" utilise les coefficients logiques bruts du package choisi. Dans ce paramètre, un package moyen obtient un score de 0. Valeurs d'importance pour chaque attribut, calculées comme des parts des plages de scores d'utilité. Plus l'importance est élevée, plus l'impact d'une décision sur l'attribut a sur la part de marché du package est important. L'exportation inclut : Exportation des coefficients bruts : Coefficients logiques et affectation de cluster pour chaque répondant Résumé Excel : Importance des attributs ; Part de marché des options et impacts des scores d'utilité Exportation des données brutes : données sur ce que chaque répondant a vu, et quelle décision a été prise pour chaque tâche.